基于FIR-Stacking的刀具磨损预测
Tool Wear Prediction Based on FIR-Stacking
李备备 1陈春晓 2郑飂默 1张强1
作者信息
- 1. 中国科学院沈阳计算技术研究所,沈阳 110168;沈阳中科数控技术股份有限公司,沈阳 110168
- 2. 中国科学院沈阳计算技术研究所,沈阳 110168;中国科学院大学,北京 100049
- 折叠
摘要
针对铣刀加工工件时传感器信号存在噪声、单一传统机器学习模型预测效果不理想的问题,提出一种基于自适应FIR滤波器和Stacking集成模型的刀具磨损预测方法.首先,采用自适应FIR滤波器去噪,计算时域、频域和时频域常用统计量作为信号特征,并对同一信号的多源信号特征进行拼接,经Pearson相关系数筛选保留相关系数大于0.2 的特征;最后,以LightGBM、支持向量回归(support vector regression,SVR)、多层感知机(multilayer perceptron,MLP)作为基模型,Lasso作为元模型,构建Stacking集成模型进行刀具磨损预测.使用铣削加工数据集进行验证,结果表明该方法可有效提高预测准确性.
Abstract
To address the issues of noisy sensor signals during milling and inadequate performance of single traditional machine learning models,a method for milling tool wear prediction based on adaptive FIR filte-ring and Stacking ensemble model is proposed.Firstly,an adaptive FIR filter is applied to remove noise,and statistical features in the time domain,frequency domain,and time-frequency domain are calculated as sig-nal characteristics.Multiple source signal features of the same signal are concatenated,and features with Pearson correlation coefficients greater than 0.2 are selected.Finally,the Stacking ensemble model is con-structed using LightGBM,support vector regression(SVR),multilayer perceptron(MLP)as base models,and Lasso as the meta-model for predicting tool wear.The proposed method is validated using a milling dataset,demonstrating its effectiveness in improving prediction accuracy.
关键词
刀具磨损预测/FIR滤波器/Stacking集成模型/机器学习Key words
tool wear prediction/FIR filter/Stacking ensemble model/machine learning引用本文复制引用
基金项目
中国博士后科学基金面上项目(2021M703394)
沈阳市中青年科技创新人才支持计划项目(RC201475)
沈阳市中青年科技创新人才支持计划项目(RC210487)
烟台市科技创新发展计划重点项目(2022JCYJ036)
山东省科技型中小企业创新能力提升工程项目(2023TSGC0853)
国家科技重大专项项目(2019ZX04014001)
国家科技重大专项项目(2023YTKXGH001)
出版年
2024
NETL
NSTL
维普
万方数据