基于支持向量机和遗传算法的刀具故障诊断.pdfVIP

第 1期 组 合 机 床 与 自动 化 加 工 技 术 NO．1 2013年 1月 M odularM achineTool AutomaticM anufacturingTechnique Jan．2013 文章编号 ：1001—2265(2013)01—0074—03 基于支持向量机和遗传算法的刀具故障诊断 王 姣 ，刘海燕 (大连交通大学 软件 学院，辽宁 大连 116028) 摘要 ：提出了把支持向量机和遗传算法结合起来，应用于数控机床的刀具故障监测。应用支持 向量机 的分类步骤 ，能够有效地解决小样本问题。利用遗传算法对支持向量机所用核函数的参数进行优化 ，以 致在较短的时间内找到全局最优解。这两种方法的结合是数控机床的刀具诊断的行之有效的方法。 关键词：支持向量机 ；遗传算法；核函数 ；斜率指数模型 ；刀具故障诊断 中图分类号 ：TH122；TP274 ．2 文献标识码 ：A SupportVectorM achineandGeneticAlgorithm-based ToolFailureDiagnosis WANG Jiao，LIU Hai—yan (SoftwareTechnologyInstituteofDalianJiaotongUniversity，DalianLiaoning116028，China) Abstract：SVM and GA combined，appliedto aCNC machinetoolfailuremonitoring．Theapplication ofSVM classification procedure，an effective solution tothe smallsample sizeproblem ．Kernelfunction parameterstooptimizetheuseofSVM usinggeneticalgorithmstofindtheglobaloptimalsolution，resul— ting in ashorterperiodoftime．Thecombination ofthesetwomethodsisaneffectivemethodofdiagno— sisbytheCNC machine too1． Keywords：SVM ；GA ；kernelfunction；SEM ；toolfaultdiagnosis 0 引言 (1)按照一定 的准则和诊断策略对前期提取 出 的能够准确表达设备状态的信息，进行训练。 随着集成制造技术的不断进步 ，数控机床也逐 (2)输出分类结果 。 渐向高智能、高速度、多功能、网络化 的方 向发展。 (3)根据分类的结果确定设备 的状态 。分类 问 同时 ，在数控机床中刀具的故障也逐渐成为生产过 题求解时 ，需要选择不同的映射核函数 ，相似性和相 程 中的瓶颈之～ 。 似程度的评价标准就不同现在常用的核函数有 ： 支持向量机的机器学习方法通过结构风险最小 多项式核函数 ： 化归纳原理来控制学习单元的VC维上界，同时 ，支 K(， )= [( · )+C] (1) 持 向量机能够有效解决例如小样本 ，非线性和高效 其中C≥0，d为任意正数。 模式识别的实际问题。支持 向量机还具有神经网络 Gauss径 向基核函数 ： 无法 比拟的优 点，网络结构和神经 网络相 比较容易 K(，)：exp(一 ≠ 1 (2) 确定 ，收敛速度相对较快 ，