基于EMD与LS-SVM的刀具磨损识别方法

被引：33

作者：

关山 ^{[1
]}

王龙山 ^{[1
]}

聂鹏 ^{[2
]}

机构：

[1] 吉林大学机械科学与工程学院

[2] 沈阳航空航天大学机电工程学院

来源：

北京航空航天大学学报 | 2011年 / 37卷 / 02期

关键词：

刀具磨损状态识别; 最小二乘支持向量机; 经验模态分解; 自回归模型;

D O I：

暂无

中图分类号：

TG71 [刀具];

学科分类号：

080603 [有色金属冶金];

摘要：

针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.

引用

页码：144 / 148

页数：5

共 9 条

[1]

基于经验模态分解的脉搏信号特征研究 [J].