CAJ | 학술논문

针对刀具磨损监测中多传感器融合监测方法的缺点，提出了基于声发射信号多特征融合与最小二乘支持向量机（lease square support vector machine ，简称LS-SVM ）相结合的刀具磨损状态监测方法。首先，分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征，构造联合多特征向量；然后，利用核主元分析法（kernel principal component analysis ，简称KPCA）对联合多特征向量进行融合降维处理，通过提取累积贡献率大于85％的主元，剔除了联合多特征中与刀具磨损相关性较小的冗余特征，生成融合特征；最后，将融合特征送入最小二乘支持向量机，有效地实现了（尤其在小样本下）刀具磨损状态的识别，与神经网络识别方法相比具有更高的识别率。
침대도구마손감측중다전감기융합감측방법적결점，제출료기우성발사신호다특정융합여최소이승지지향량궤（lease square support vector machine ，간칭LS-SVM ）상결합적도구마손상태감측방법。수선，분별채용경험모태분해법、쌍보분석법이급소파포분석법제취채양신호재시역、빈역、시-빈역내적특정，구조연합다특정향량；연후，이용핵주원분석법（kernel principal component analysis ，간칭KPCA）대연합다특정향량진행융합강유처리，통과제취루적공헌솔대우85％적주원，척제료연합다특정중여도구마손상관성교소적용여특정，생성융합특정；최후，장융합특정송입최소이승지지향량궤，유효지실현료（우기재소양본하）도구마손상태적식별，여신경망락식별방법상비구유경고적식별솔。