- 1、本文档共3页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于支持向量机和遗传算法的刀具故障诊断
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 ,
文档评论(0)