机床与液压

作者：尚连锋，王一帆，周思康，张明柱，王宁宁，姚国光

单位：黄河科技学院工学部；河南科技大学机电工程学院；河南科技大学机电工程学院；黄河科技学院工学部；河南科技大学机电工程学院；河南科技大学机电工程学院；福优特（洛阳）智能装备有限公司

关键词：砂轮;磨损状态识别;部分集成局部特征尺度分解;多尺度卷积神经网络;黑翅鸢优化算法;最小二乘支持向量机

基金：山东省重点研发计划项目(2020CXGC011001)

针对轴承套圈磨削过程中砂轮磨损状态识别精度低的问题，提出一种基于多尺度卷积神经网络(MSCNN)、黑翅鸢优化算法(BKA)和最小二乘支持向量机(LSSVM)的砂轮磨损状态识别模型。采集不同磨削工况下的砂轮全寿命周期声发射信号，使用部分集成局部特征尺度分解(PELCD)对声发射信号进行降噪处理，选取方差贡献率大于5%的本征尺度分量对信号进行重构；使用MSCNN提取信号特征，同时构建MSCNN全连接层结果特征数据集；最后，将特征集划分为训练集、验证集和测试集，使用BKA算法优化LSSVM的惩罚因子与核参数，以提升模型分类性能，并基于优化后的BKA-LSSVM实现磨损状态的识别。结果表明：经PELCD降噪后，MSCNN-BKA-LSSVM模型对砂轮初期、中期和严重磨损状态的识别准确率分别达到97.613%、96.322%和95.802%；消融实验中，在不同磨削工况下，模型的平均识别准确率达到97.309%，仅使用LSSVM的基准模型准确率为81.502%，加入BKA优化后的BKA-LSSVM模型准确率提升至88.195%。所建模型对砂轮磨损状态具有更好的泛化性能和识别效果。

来源：2026年第5期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第5期