技术特征：
1.一种拉刀磨损状态识别模型建立方法，其特征在于：包括以下步骤：1)、通过加工过程中的拉刀性能试验，采集刀具有效生命周期过程原始的振动信号和对应的刀具磨损状态，采集原始振动信号过程中，对采集的振动信号进行小波包阈值降噪处理并对刀具磨损状态进行标签编码；2)、将步骤1)中磨损状态标签编码后的振动信号数据随机分为测试集及训练集，分别对测试集及训练集中振动信号进行特征提取，并经过mrmr特征优选，移除相关性高和冗余大的提特征，进行降维处理；3)、建立gwo
‑
svm模型，将步骤2)中经过降维处理的训练集振动信号输入gwo
‑
svm模型中进行训练，保存训练后的模型结构及参数；4)、将步骤2)中经过降维处理的测试集振动信号输入步骤3)中训练好的gwo
‑
svm模型，验证模型的识别精度。2.根据权利要求1所述的一种拉刀磨损状态识别模型建立方法，其特征在于所述步骤1)中，刀具磨损状态包括初期磨损、正常磨损和剧烈磨损三个磨损状态。3.根据权利要求2所述的一种拉刀磨损状态识别模型的建模方法，其特征在于刀具磨损量为0
‑
0.05mm时，记为初期磨损状态，标签为1、刀具磨损量为0.05
‑
0.2mm时，记为正常磨损状态，标签为2、刀具磨损量为大于0.2
‑
mm时，记为剧烈磨损状态，标签为3。4.根据权利要求3所述的一种拉刀磨损状态识别模型建立方法，其特征在于所述刀具磨损量记录过程如下：记录拉刀刀齿后刀面在粗加工、半精加工及精加工状态下的磨损值，并将三个加工状态下记录的磨损值取平均，该平均值记为拉刀的当前磨损值。5.根据权利要求1所述的一种拉刀磨损状态识别模型建立方法，其特征在于所述步骤1)中，小波包阈值降噪处理的具体过程如下：s1、择小波基函数并确定分解层次，对原始的振动信号进行小波包分解得到小波系数；s2、确定小波包变换阈值估计方法，对小波包分解系数进行阈值量化，得到有效小波系数；s3、利用逆变换可以对有效小波系数进行重构，达到降噪的目的。6.根据权利要求1所述的一种拉刀磨损状态识别模型建立方法，其特征在于所述步骤2)中，测试集及训练集中提取的特征包括时域、频域和时频域特征。7.根据权利要求6所述的一种拉刀磨损状态识别模型建立方法，其特征在于所述时域特征包括均值、均方根、方差、峰差、峭度、峰值因子、脉冲因子和裕度因子八个信号特征；所述频域特征包括重心频率、频率方差和均方频率三个频域信号特征。8.根据权利要求1所述的一种拉刀磨损状态识别模型建立方法，其特征在于所述时频域特征的提取过程如下：通过小波包变换的方法，对采集到的振动信号进行三层小波包分解重构，得到八个不同频段的时序信号，所述时序信号作为时频域特征。9.根据权利要求1所述的一种拉刀磨损状态识别模型建立方法，其特征在于所述步骤3)中，gwo
‑
svm模型的训练过程如下：3.1、设置gwo参数狼群数量和最大迭代次数，将svm的惩罚参数c和核参数作为狼群位置的坐标，随机初始化惩罚参数c和核参数。3.2、利用训练集寻找svm的最优参数，gwo的适应度选择状态分类精度作为指标，并根
据适应度对狼群进行位置更新。3.3、狼群经过逐渐缩小搜索空间靠近猎物，计算并更新狼群的适应度，包围猎物并更新位置，使狼群逐渐搜索到全局变量最优或最大迭代次数时，得到最优的惩罚参数c和核参数。3.4、利用最优惩罚参数c和核参数训练svm，保存模型结构和参数。
技术总结
一种拉刀磨损状态识别模型建立方法，属于拉刀磨损状态识别技术领域。它包括以下步骤：1、采集原始振动信号，并同步对振动信号进行预处理及磨损状态编码；2、将振动信号分为测试集及训练集，并进行特征提取及优选；3、建立并训练GWO
技术研发人员：应申舜 孙意诚 徐益栋
受保护的技术使用者：浙江工业大学
技术研发日：2021.08.23
技术公布日：2021/11/9