KMDW和ISVDD方法在钻头磨损状态识别中的应用

摘要

为识别钻头的磨损状态，解决多分类过程中支持向量数据描述(SVDD)对混叠样本识别精度差的问题，提出一种基于结合K均值密度权重(KMDW)聚类和改进SVDD(ISVDD)的方法。采用小波包分解多尺度排列熵值(WPD-MPE)方法提取特征向量；结合KMDW和SVDD模型进行故障分类，对混叠样本采用K近邻隶属度值进行识别，并采用改进的蝴蝶优化算法(IBOA)优化SVDD模型参数。在标准数据集上验证所提方法的优越性，结果表明：加入K近邻隶属度值可使F值和准确率分别提升6.36%和6.59%;KMDW相比K均值聚类方法的ARI值和NMI值分别提升10.01%和10.75%,能够达到更好的聚类效果；经蝴蝶优化算法改进后模型识别精度进一步提高。将所提方法应用于钻头磨损状态的识别，识别准确率达到92.83%,证明其具有较好的识别精度和通用性。

关键词

SVDD / K均值密度权重聚类 / 蝴蝶优化算法 / K近邻算法 / 钻头磨损状态识别