1.一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法，其特征在于：该方法包括如下步骤：步骤1、在边缘侧进行刀具数据的预处理和特征提取；

步骤2、在云端服务器中对步骤1得到的特征矩阵进行划分并建立相应的SVM模型；

步骤3、在云端服务器中使用改进后的粒子群算法和训练集数据优化SVM模型的参数；

步骤4、在云端服务器中用测试集对优化后的支持向量机模型进行刀具寿命磨损判定。

2.根据权利要求1所述的一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法，其特征在于：在所述步骤1中，刀具数据的预处理和特征提取具体步骤包括：步骤1.1对原始信号进行异常值剔除、缺失值补充和小波阈值滤噪的操作；

步骤1.2对滤噪后的信号利用皮尔逊相关系数进行分析，选取与刀具磨损密切相关的变量构建特征集；

步骤1.3将步骤1.2得到的特征集作归一化处理，公式为：式中： 表示归一化后的第k维特征的第i个数据， 表示第k维特征的第i个数据,表示第k维特征的最大值， 表示第k维特征的最小值；

步骤1.4将步骤1.3处理后的特征集用PCA技术进行特征提取，具体步骤包括：步骤1.4.1每一维特征数据减去个各自维的均值；

步骤1.4.2计算特征协方差矩阵；

步骤1.4.3计算协方差矩阵的特征值和特征向量；

步骤1.4.4将特征值按从大到小的顺序排序，取前K个特征值，然后将K个特征值分别对应的特征向量作为列向量组成特征向量矩阵；

步骤1.4.5其中K的选取主要依赖降维后的方差和占比，比例越大，保留的信息越多；

步骤1.5将步骤1.4得到的特征向量矩阵上传至云端服务器。

3.根据权利要求1所述的一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法，其特征在于：在所述步骤2中，在云端服务器中对S1得到的特征矩阵进行划分具体为：在云端服务器中对边缘侧上传的特征矩阵进行4:1的比例划分为训练集和测试集，训练集数据用于SVM参数寻优以及建立优化后的SVM模型，测试集数据用于对优化后的SVM模型进行刀具寿命磨损判定；

其中，SVM是指支持向量机模型，是一种基于统计学习理论的机器学方法，将低维空间线性不可分的数据映射到高维空间，然后在高维空间中构建一个最优分类超平面对数据进行区分，并将分类间隔最大化；在支持向量机模型中核函数的类型选择为径向基核函数，确定好核函数后我们需要确定两个最优核函数组合，核函数参数g和惩罚参数c。

4.根据权利要求1所述的一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法，其特征在于：所述步骤3中，在云端服务器中使用改进后的粒子群算法优化支持向量机的参数包括两个部分，第一部分是对于粒子群算法的改进，包括以下步骤：

步骤3.1传统的粒子群算法公式为：

式中，ω表示惯性权重，c1和c2是学习因子， 分别表示第i个粒子的第k次迭代中的第d维的位置和速度，rand()是[0,1]范围内均匀分布的随机数， 表示第i个粒子的个体最优位置的第d维， 表示粒子群历史最优位置的第d维；

步骤3.2：基于粒子群算法的原理ω应该随着搜索的进行而不断减少，故采用一种动态调整ω大小的公式为：其中，ωmax表示惯性权重的最大值，ωmin表示惯性权重的最小值，k表示当前的迭代次数，kmax表示最大的迭代次数步骤3.3学习因子c1和c2体现了粒子往个体最优解和全局最优解靠近的能力，故设计了一种动态调整c1和c2大小的公式为：其中k表示当前的迭代次数，kmax表示最大的迭代次数；

第二部分是使用改进后的粒子群算法优化支持向量机的参数，优化过程包括以下步骤：步骤3.4参数初始化；设置种群大小，最大迭代次数，定义适应度函数，权重ω的最大值与最小值，最大迭代次数，每个粒子的位置和速度的初始化，核函数参数g和惩罚因子c的取值范围；

步骤3.5计算每个粒子的适应度值，更新个体最优值和全局历史最优值；

步骤3.6通过步骤3.1、步骤3.2、步骤3.3更新粒子的速度和位置；

步骤3.7判断是否达到最大迭代次数，如果是则输出支持向量机的最优参数，否则返回步骤3.5。