《表3 风险指标权重:基于核主成分和灰狼优化算法的刀具磨损状态识别》
常见的数据降维除了特征提取还有特征选择,遗传算法(Genetic Algorithm,GA)为最常用的特征选择方法[22]。为了对比特征提取和特征选择对模型识别效果的影响,构建GA-GWO-SVM与本文构建的KPCA-GWO-SVM模型进行对比,其中GA-GWO-SVM模型中GA的参数,即每代种群数、每代精英染色体数、交叉率、变异率和最大迭代次数分别设为28,2,0.8,0.001,40。为了进一步验证本文构建的KPCA-GWO-SVM模型的分类精度,与一些文献的刀具磨损分类模型进行对比。文献[8]采用主成分分析(Principal Components A-nalysis,PCA)对电流功率特征进行降维,并结合GS方法优化的C-SVM识别了刀具磨损的两种状态,构建了PCA-GS-SVM;文献[7]采用KPCA对切削力信号进行特征降维,并用SVM实现了刀具状态的回归预测,构建了KPCA-GS-SVM。PCA-GS-SVM和KPCA-GS-SVM的参数设置如下:PCA和KPCA的累计方差贡献阈值均设为90%,GS搜索方法的搜索范围上下限与GWO相同,SVM的核函数也设置为RBF。将上述方法在程序上运行10次并取结果的众数。比较结果如表3所示,分类结果如图8~图10所示。
图表编号 | XD00197599400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 廖小平、黎宇嘉、陈超逸、张振坤、鲁娟、马俊燕、薛斌 |
绘制单位 | 广西大学机械工程学院、广西大学广西制造系统及先进制造重点实验室、广西大学机械工程学院、广西大学机械工程学院、广西大学机械工程学院、广西大学机械工程学院、广西船舶数字化设计与先进制造工程技术研究中心(北部湾大学)、广西大学机械工程学院、广西船舶数字化设计与先进制造工程技术研究中心(北部湾大学) |
更多格式 | 高清、无水印(增值服务) |