论文部分内容阅读
刀具状态监测关系到工件加工质量,因此实时掌握刀具的磨损状态具有重要的意义。针对单一模式识别分类器的局限性,提出了基于异态集成学习模型的刀具状态监测系统。在该系统中,根据集成学习基分类器选择原则,选取了支持向量机（SVM）、隐马尔科夫模型（HMM）以及径向基神经网络（RBF）这3个单分类器作为基分类器。为了验证监测系统的有效性,进行了复合材料钻削实验,提取了加工过程中的钻削力信号、振动信号的时域特征并利用局部保持法（LPP）进行了特征选择。通过与单分类器和集成学习分类效果的对比,表明了集成学习模型相比于单一