基于SVM的刀具状态识别系统设计——开题报告

本科生本科生毕业设计（论文）开题报告毕业设计（论文）开题报告 题 目： 基于 SVM 的刀具状态识别系统设计 1 1、选题的依据及意义 支持向量机（SVM）曾作为最优秀的机械学习算法，有如下主要几个特点： 1、 非线性映射是SVM 方法的理论基础,SVM 利用内积核函数代替向高维空间 的非线性映射； 2、对特征空间划分的最优超平面是 SVM 的目标,最大化分类边际的思想是 SVM 方法的核心； 3、支持向量是 SVM 的训练结果,在 SVM 分类决策中起决定作用的是支持向 量； 4、SVM 是一种有坚实理论基础的新颖的小样本学习方法。 它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。 从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预 报样本的“转导推理”, 大大简化了通常的分类和回归等问题； 5、SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支 持向量的数目, 而不是样本空间的维数,这在某种意义上避免了“维数灾难”。 6、少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔 除”大量冗余样本,而且注定了该方法不但算法简单,而且具有较好的“鲁棒” 性。 故其在工程应用上有很大的应用，带来了巨大的便利，经过多年的研究支持 向量机的研究也达到成熟，学习其用法与原理对今后的学习有着深远的意义。 同时随着科技的迅速发展，视场竞争的加剧，社会需求的多样化，制造业 也从人工操作到局部自动化，最终走向全部自动化。 自动化程度的不断提高， 带来了许多工业问题，其中的刀具磨损，破损一直收到人们的关注。 在早期的 机械加工中，全凭人们观察刀具和更换刀具，但在现在化、 连续自动化的生产 过程中，刀具磨损不仅会导致机床功能失效，还会导致整个系统的故障，因 此，在切割的过程中对道具的状态进行检测具有很深远的意义。 刀具加工状态 检测技术的运用，对企业经济效益的提高会有很大的帮助，具有以下的一些 意义： 1、降低废品率和加工成本，提高工件的加工品质； 2、减少设备的停机时间，提高设备的利用率和生产率； 3、防止机床事故，最大限度地保证机床加工系统地安全性； 4、实现工厂自动化，最大限度地减少人对机床地干预； 2、国内外研究现状及发展趋势 目前SVM算法在模式识别、 回归估计、 概率密度函数估计等方面都有应用。 例 如，在模式识别方面，对于手写数字识别、 语音识别、 人脸图像识别、 文章分类 等问题，算法在精度上已经超过传统的学习算法或与之不相上下。 目前，国际 上对这一理论的讨论和进一步研究逐渐广泛，而我国国内尚未在此领域开展 研究，因此我们需要及时学习掌握有关理论，开展有效的研究工作，使我们 在这一有着重要意义的领域中能够尽快赶上国际先进水平。 尽管SVM算法的性 能在许多实际问题的应用中得到了验证，但是该算法在计算上存在着一些问 题，包括训练算法速度慢、算法复杂而难以实现以及检测阶段运算量大等等， SVM方法的训练运算速度是限制它的应用的主要方面。 目前寻优的方法有“块 算法”等。 20 世纪 30 年代提出的刀具磨损状态的分析, 在研究思想上, 一般力 图寻求某一阈值作为状态识 别的依据, 但由于刀具磨损的复杂性、 随机性和不 确 定性, 使阈值设置困难, 不能适应加工条件多变的自 动化场合, 因此进展不 大。几十年来, 国内外学者 都在致力于这方面的研究, 但是一般偏重于算法研 究, 如采用从理论上计算刀具所受应力的变化来判 别刀具状态, 有采用时序分 析的方法对刀具进行监测等, 这些方法主要从理论上进行探讨, 难于适合实际 变化的生产条件。总言之刀具识别的研究在当代还存在着很大的意义。 从国外的研究状况来看，刀具识别的最初就是源于国外研究，其发展时间 较国内来说也相对较长，内容方面也相对较深，技术也相对成熟，但还是有 进一步研究的必要 从国内从近况来看，刀具识别的研究还有很大的发展空间，以后的研究也 将会朝着更深更广的领域开展，因此也产生了多种算法的需要要求研究人员 具有广泛而又扎实的基础，需要具有应对多种现象的能力。 三、本课题研究内容 在金属切削过程中会产生非常丰富的震动信号，它与刀具的状态密切相关， 它主要由切削力中的动态分量引起，且和刀具-工件-机床构成的切削系统本身 的动态特性密切相关。 其中重要的方法的是经验模态分解，经验模态分解是一种 自适应的信号分解方法.该方法不受不确定原理的束缚,在时域、 频域同时具有很 高的分辨率,在许多领域，都得到应用.最小二乘支持向量机是基于结构风险最 小化原则的模式识别方法,解决了小样本、 非线性、 高维数和局部极小值等实际问 题。本文结合金属切削过程中震动信号非平稳性的特点,采用经验模态分解方法 将震动信号分解为多个平稳的固有模态函数之和,然后分别对每个 IMF 分量建 立自回归模型,提取模型系数组成特征向量,作为 LS-SVM 的输入参数对刀具的 磨损状态进行识别。 针对刀具磨损声发射信号的非平稳特征和 BP 神经网络学习算法收敛速度慢、 易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀 具磨损状态识别方法。 4、本课题研究方案 基于统计学习理论的支持向量机是一种专门研究小样本情况下的机器学习方 法,它在很大程度上解决了模型选择、 过学习和欠学习、 局部最优解、 维数灾难等 问题。 本文采集与磨损量密切相关的振动信号和多向切削力信号进行分析,选取均值、 均方根和小波变换后的特定频段能量以及近似熵组成特征向量,以超球面支持向 量机作为磨损状态特征的分类器方法,实现小样本条件下对刀具磨损状态的自动 识别 4.1.震动信号的模态分解 1）功能描述：对声发射信号进行经验模态分解,将其分解为若干个固有 模态函数之和，为后面数学分析做准备 2）结构设计：由放大器和计算机来完成这部分工作。 4.2.模型的建立 其主要步骤为：分别对每一个固有模态函数进行自回归建模,最后提取每一个 自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支 持向量机训练,另一组用于识别刀具磨损。 4.3.系统大致结构 放 大 器 预 处 理 信 号 采 集 振动传感器 4.4.MATLAB 程序编程 此过程包括训练，支持向量的识别，超平面的建立等。 5、 研究目标、主要特色及工作进度 研究目标：应用支持向量机的识别功能，解决工程应用上刀具识别的问题， 达到几时识别磨损刀具的效果，提高工作效率与减轻操作人员的负担。 主要特色：从原理来看，SVM 是一种有坚实理论基础的新颖的小样本学 习方法。 它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。 从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预 报样本的“转导推理”,大大简化了通常的分类和回归等问题。 从系统来看，检测过程全自动，速度迅速且精准，大大减轻了劳动人员 的工作强度。 工作进度： 序号各阶段工作内容起讫日期 1收集资料、阅读文献2017-3-102017-3-25 2写开题报告、外文资料翻译2017-3-262017-4-01 3 SVM 的深度学习2017-4-012017-4-15 4Matlab、等软件的学习2017-4-162017-4-26 5系统的整体设计加程序2017-4-272017-5-11 6撰写、修改论文2017-5-122017-5-25 7论文答辩2017-5-262017-5-31