机械工程学报

作者：李亚, 黄亦翔, 赵路杰, 刘成良

单位：上海交通大学机械系统与振动国家重点实验室 上海 200240

关键词：刀具磨损,健康评估,t分布邻域嵌入,XGBoost；

基金：国家重点研发计划（2017YFB1302004）与国家自然科学基金（51975356）资助项目。

刀具磨损的在线检测是未来自动化生产的必备功能，良好的评估模型可以有效地提高加工质量，降低经济损失。在现有研究基础上，提出了一种优化的刀具磨损评估方法，该方法综合使用了刀具切削过程中主轴的电流信号与振动信号，改善了单信号分析的不足。对采集到的信号提取时域、频域以及小波包特征，尽可能全面地提取了信号的有效信息。采用t分布邻域嵌入算法对特征进行降维，并使用K-means算法将多种不同的工况根据特征进行聚类，进一步提高了模型预测的准确率和泛化能力。最后使用XGBoost集成学习算法作为评估器，采用回归和分类两种方式对该模型进行评价。结果表明，样本不平衡问题对XGBoost算法的影响较小，和随机森林等传统集成学习算法相比，XGBoost在预测精度上有明显提升，在预测时间上减少一个数量级，是一种更为准确高效的刀具磨损检测算法，可以广泛地在工业上进行应用。

来源：2020年第1期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2020年第1期