本文主要研究内容
作者冯胜（2019）在《基于LMD-PE与SVM机床刀具磨损故障诊断》一文中研究指出：针对机床刀具磨损故障信号具有信号噪声大、频带混叠以及信噪比低的问题,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)—排列熵(Permutation Entroy,PE)与支持向量机(Support Vector Machines,SVM)的机床刀具磨损故障诊断方法。首先对刀具磨损故障信号进行LMD分解,再根据相关系数去除噪声信号以及由于分解误差所带来的冗余信号后,选取合适的乘积分量(Product Function,PF)进行信号重构,然后将重构后的信号计算排列熵并通过标量量化处理后得到特征向量,最终将特征向量输入到已训练完成的支持向量机中来判别刀具的磨损状态,试验结果验证了该方法对机床刀具磨损故障诊断的有效性和实用性。
Abstract
zhen dui ji chuang dao ju mo sun gu zhang xin hao ju you xin hao zao sheng da 、pin dai hun die yi ji xin zao bi di de wen ti ,di chu le yi chong ji yu ju bu jun zhi fen jie (Local Mean Decomposition,LMD)—pai lie shang (Permutation Entroy,PE)yu zhi chi xiang liang ji (Support Vector Machines,SVM)de ji chuang dao ju mo sun gu zhang zhen duan fang fa 。shou xian dui dao ju mo sun gu zhang xin hao jin hang LMDfen jie ,zai gen ju xiang guan ji shu qu chu zao sheng xin hao yi ji you yu fen jie wu cha suo dai lai de rong yu xin hao hou ,shua qu ge kuo de cheng ji fen liang (Product Function,PF)jin hang xin hao chong gou ,ran hou jiang chong gou hou de xin hao ji suan pai lie shang bing tong guo biao liang liang hua chu li hou de dao te zheng xiang liang ,zui zhong jiang te zheng xiang liang shu ru dao yi xun lian wan cheng de zhi chi xiang liang ji zhong lai pan bie dao ju de mo sun zhuang tai ,shi yan jie guo yan zheng le gai fang fa dui ji chuang dao ju mo sun gu zhang zhen duan de you xiao xing he shi yong xing 。
论文参考文献
论文详细介绍
论文作者分别是来自工具技术的冯胜，发表于刊物工具技术2019年07期论文，是一篇关于刀具磨损论文,局部均值分解论文,排列熵论文,支持向量机论文,故障诊断论文,工具技术2019年07期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自工具技术2019年07期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：刀具磨损论文; 局部均值分解论文; 排列熵论文; 支持向量机论文; 故障诊断论文; 工具技术2019年07期论文;