作者:王国锋,李启铭,秦旭达,喻秀,崔银虎,彭东彪 单位:天津大学 出版:《天津大学学报(自然科学与工程技术版)》2011年第01期 页数:5页  (PDF与DOC格式可能不同) PDF编号:PDFTJDX2011010080 DOC编号:DOCTJDX2011010089 下载格式:PDF + Word/doc 文字可复制、可编辑
《基于EEMD-SVM的刀具磨损状态研究》PDF+DOC2016年第01期 江雁,傅攀,李晓晖 《基于多传感器数据融合的刀具磨损状态监测研究》PDF+DOC2017年第11期 陈刚,焦黎,颜培,王西彬,史雪春,彭振新 《基于切削力实现铣刀实时监测的实用性研究》PDF+DOC2011年第11期 夏海涛,孟广耀,李长河,胡知音 《一种融合多传感器信息的移动图像识别方法》PDF+DOC2015年第08期 桂振文,吴侹,彭欣 《基于功率和质量信息的批量加工换刀决策方法》PDF+DOC2017年第10期 阳涛,刘飞,刘培基,刘霜 《手机加速度计的行人行进状态识别》PDF+DOC2020年第06期 刘清华,郭英,郎爱坤,冯茗扬,孙建立 《刀具切削状态的电机电流监测新方法》PDF+DOC1998年第07期 徐春广,王信义 《切削力信号在重型刀具破损中的应用》PDF+DOC1997年第01期 严复纲,孙艳秋,吴杰,王志宝 《数控机床刀具磨损监测实验数据处理方法研究》PDF+DOC2009年第01期 曾祥超,陈捷 《刀具监控技术在金属切削过程中的应用》PDF+DOC2009年第13期 龚廷恺,王细洋
  • 基于多传感器信号、采用多分类支持向量机(support-vector-machine,SVM)实现了刀具监测的多状态辨识.通过对切削过程中的多向切削力和振动信号等多传感器信息进行分析,分别获得时域、频域和小波域的信息作为磨损分类特征;同时,运用基于一对多(one-versus-all,OVA)的多分类支持向量机对刀具不同磨损状态下的特征数据样本进行训练和识别.对切削过程中不同磨损状态的分类结果表明,多分类支持向量机具有出色的学习能力,能够实现在小样本情况下的不同磨损阶段分类,并具有较高的识别精度。

    提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。