摘要：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。

关键词：刀具磨损 健康评估 t分布邻域嵌入 xgboost 

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