本文将获得的数据作为支持向量机的输入向量，通过支持向量机的二分类方法将刀具监测的数据进行处理，分为磨损和不磨损两种状态。对刀具进行实时监测，能够及时发现刀具磨损状态，节约人力物力资源成本。

本文研究通过支持向量机的方法，将检测出来的机床数据分为磨损状态和非磨损状态。机床数据的监测是通过振动频率测量法获得的。

刀具在切削过程中，刀具与工件会发生摩擦从而产生不同频率的振动

论文总结

在工业领域，影响企业运作最重要的一环就是生产效率，生产效率往往由很多因素决定，生产设备起着至关重要的作用。特别是在机床领域，由于刀具与工件不可避免地存在着接触与摩擦，而在刀具高速运转的过程中磨损是不可避免的，刀具磨损到一定程度后果轻则影响产品质量，重则引起生产事故。而刀具高速运转停机开机成本高昂，所以常常使用间接测量法对与刀具磨损相关量进行检测，获取数据后经过分析得出刀具是否处于磨损状态。判断刀具是否磨损是一个非常典型的二分类问题，而SVM是在数据挖掘领域应用非常广的一种算法，对于小样本分类有非常好的效果。随着信息技术的发展，支持向量机算法也得到了迅速的发展。

本课题研究的主要内容是：利用支持向量机的算法，对高速运转的刀具监测数据进行分类，判断刀具是否磨损。由于条件限制，直接获取大量的机床数据是相当困难的。所以本文主要是构造一个支持向量机的二分类模型，通过实验验证模型对于数据有良好的分类效果。那么可以利用此模型，对现有的机床数据进行分类。本文通过对现有机床磨损监测方法分析，选择了振动加速度间接测量法。在理论上对支持向量机原理进行分析，最后使用matlab实现SVM二分类的算法。