AVMD-Kriging砂轮寿命周期磨削性能在线监测方法

摘要：

为了对砂轮寿命周期磨削性能进行特征提取与智能识别,课题组提出了一种改进的变分模态分解算法与Kriging模型相结合的砂轮寿命周期磨削性能识别方法AVMD-Kriging.首先,通过人工鱼群算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题;再利用皮尔逊相关系数选取与原始信号相关性最高的本征模态函数并计算其样本熵值组成特征向量,将其输入Kriging模型进行砂轮寿命周期磨削性能识别;最后利用实验采集的声发射数据,将提出的AVMD-Kriging方法与传统的KNN模型、Tree模型进行对比.结果表明:AVMD-Kriging方法的识别准确率优于KNN模型和Tree模型,能有效提高砂轮寿命周期磨削性能的识别准确率,同时具有较好的泛化能力和鲁棒性.

关键词：砂轮寿命周期磨削性能、声发射、变分模态分解、人工鱼群、Kriging模型

所属期刊栏目：41

分类号：TH162;TG502

在线出版日期：2023-07-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：88-99