针对叠层材料钻削加工特点,提出一种通过改进遗传算法(SAMGA)优化学习向量量化(LVQ)网络的刀具磨损在线监测方法。该方法在刀具磨损监测实验过程中,采集制孔过程中的声发射信号与红外温度信号,利用小波包分解与主元分析法对采集到的信号进行滤波与降维处理,将处理后的信号特征作为输入特征向量导入到LVQ网络模型中,并通过改进遗传算法优化其初始权值与阈值。结果表明SAMGA-LVQ模型相比BP网络对于刀具磨损的预测识别精度更高,改进遗传算法对LVQ网络优化后训练速度有明显提升,更适用于刀具磨损在线监测系统。

针对BP神经网络模型在刀具监控中收敛速度慢容易出现局部极小化问题,提出一种基于鱼群算法(AFSA)的BP神经网络优化算法。采集振动钻孔的声发射(AE)信号,使用小波包算法对数据进行降噪和特征提取。使用鱼群优化算法(AFSA)对BP神经网络预测模型进行优化,使用优化后的模型对测试集数据进行模式识别,对比各模型识别精度。结果表明使用鱼群优化后的算法(AF-BP)模型能够降低神经网络陷入局部极小化的情况,提高神经网络对刀具磨损的识别精度。