2011年：基于EMD-LS-SVM的刀具磨损识别技术提升

本文档主要探讨了"基于经验模态分解( Empirical Mode Decomposition, EMD)与最小二乘支持向量机(Least Squares Support Vector Machine, LS-SVM)"的刀具磨损状态识别方法，发表于2011年2月的《北京航空航天大学学报》。针对刀具磨损过程中产生的声发射信号非平稳特性，该方法试图解决BP神经网络在处理此类问题时存在的挑战，如学习算法收敛速度慢和容易陷入局部极小值问题。 首先，研究者采用经验模态分解技术对声发射信号进行分析，这是一种数据解析工具，它能够将复杂信号分解为多个独立的固有模态函数，这些函数反映了信号的内在结构和频率成分。通过这种方法，信号的动态行为被更好地理解和描述。 接着，针对每个固有模态函数，进行了自回归建模，这是一种时间序列分析方法，用来预测一个变量的未来值基于其过去的行为。通过对每一个自回归模型的系数进行提取，形成特征向量，这是将原始信号特征转化为机器学习算法可以理解的形式。 特征向量被分为两部分，一部分用于训练最小二乘支持向量机，这种机器学习模型因其强大的泛化能力和对小样本学习的适应性而被选中。LS-SVM通过寻找最优超平面来分割数据，区分正常磨损和异常磨损状态，避免了BP神经网络可能遇到的过拟合问题。 实验结果显示，该基于EMD和LS-SVM的方法在刀具磨损状态识别上表现出色，相比于传统的BP神经网络，它具有更高的识别精度。这证明了该方法的有效性和实用性，对于工业生产中的刀具磨损监控和维护具有重要意义。 总结来说，本文的研究提供了一种有效的工具磨损状态监测策略，利用EMD的信号处理技术和LS-SVM的分类能力，显著提高了磨损信号处理的准确性和效率，为精密制造业的高效运行提供了技术支持。