基于极限学习机与遗传算法的刀具状态监测

摘要

刀具状态监测是实现制造过程自动化、智能化的必要技术.该技术目前仍存在识别率不够理想、稳定性差等问题.本研究使用振动传感器和声发射传感器同时采集信号，通过实验获得不同刀具磨损状态在不同切削工况下的两种传感器的数据，使用LabVIEW软件平台对数据进行分析处理，提取信号在时域、频域以及时频域内的特征，并对特征进行筛选.基于极限学习机(Extreme Learning Machine, ELM)算法训练单隐藏层前馈神经网络(Single-Hidden-Layer Feedforward Networks, SLFN)识别模型，并结合遗传算法(Genetic Algorithm, GA)优化神经网络中输入层至隐藏层的连接权重和隐藏层偏置以提高模型的准确率.结果表明，相比于仅使用ELM,使用ELM结合GA算法的识别准确率由92.592%提高至95.06%.

关键词

刀具磨损监测 / 信号处理 / 神经网络 / 极限学习机 / 遗传算法