如何使用小波包熵與SVM實(shí)現(xiàn)導(dǎo)軌摩擦磨損狀態(tài)識(shí)別的設(shè)計(jì)

　　針對(duì)摩擦振動(dòng)和噪聲信號(hào)較難獲得、信號(hào)抗干擾能力差以及生產(chǎn)中難以得到大量摩損狀態(tài)樣本的情況，提出小波包熵和支持向量機(jī)（ＳＶＭ）相結(jié)合的機(jī)床導(dǎo)軌摩擦磨損狀態(tài)識(shí)別方法。該方法通過(guò)小波包分解方法將信號(hào)分解到獨(dú)立相鄰的節(jié)點(diǎn)頻帶中，設(shè)計(jì)對(duì)比實(shí)驗(yàn)獲得導(dǎo)軌摩擦信息特征頻帶對(duì)應(yīng)的小波包節(jié)點(diǎn)序列，以該序列小波包能量熵值建立特征向量作為ＳＶＭ 的輸入參數(shù)。實(shí)驗(yàn)結(jié)果表明，以多項(xiàng)式核函數(shù)和徑向基核函數(shù)建立的ＳＶＭ 分類器平均識(shí)別率分別達(dá)到７２．２％和８３．３％，具有較好的預(yù)測(cè)推廣能力及較高的識(shí)別準(zhǔn)確率。

　　對(duì)于數(shù)控機(jī)床伺服進(jìn)給系統(tǒng)，摩擦是引起高速、高精度數(shù)控機(jī)床產(chǎn)生輪廓誤差的主要因素之一［１］。機(jī)械加工過(guò)程中需要機(jī)床進(jìn)給工作臺(tái)具備良好的潤(rùn)滑狀況，潤(rùn)滑不良將導(dǎo)致導(dǎo)軌產(chǎn)生變形、磨損、點(diǎn)蝕等現(xiàn)象，并在低速重載下出現(xiàn)嚴(yán)重的爬行現(xiàn)象［２］。使機(jī)床進(jìn)給工作臺(tái)保持在良好的潤(rùn)滑狀態(tài)有助于提高加工精度以及延長(zhǎng)導(dǎo)軌使用壽命，需要對(duì)機(jī)床導(dǎo)軌進(jìn)行摩擦磨損狀態(tài)在線識(shí)別從而達(dá)到對(duì)潤(rùn)滑狀況的實(shí)時(shí)控制。

　　進(jìn)行摩擦磨損狀態(tài)在線識(shí)別的關(guān)鍵在于快速準(zhǔn)確地獲得摩擦信息，傳統(tǒng)的監(jiān)測(cè)方法是對(duì)摩擦振動(dòng)信號(hào)以及噪聲信號(hào)進(jìn)行時(shí)域和頻域分析［３６］，從而得到摩擦特征頻帶以及不同潤(rùn)滑狀態(tài)下的摩擦特征信息。而振動(dòng)信號(hào)以及噪聲信號(hào)會(huì)受到工作環(huán)境的干擾，穩(wěn)定性差，且抗干擾能力弱，微弱的摩擦信息往往會(huì)淹沒(méi)在大量的噪聲干擾信息中，考慮采取具有信號(hào)獲取方便、信息集成度高、測(cè)試系統(tǒng)簡(jiǎn)單等特點(diǎn)的電流法間接分析摩擦效應(yīng)，有效地彌補(bǔ)其他監(jiān)測(cè)技術(shù)存在的缺陷［７］。

　　電流信號(hào)包含有機(jī)床豐富的加工信息和狀態(tài)信息，采用小波包能量熵理論提取摩擦特征值能有效排除其他狀態(tài)信息與噪聲信息的干擾。相對(duì)于神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）具有更強(qiáng)的泛化能力，能較好地解決小樣本學(xué)習(xí)分類問(wèn)題，在特征信息有限的情況下，最大限度地發(fā)掘樣本數(shù)據(jù)中隱含的分類知識(shí)，解決神經(jīng)網(wǎng)絡(luò)無(wú)法避免的局部極值問(wèn)題及維數(shù)災(zāi)難問(wèn)題［８１０］，適用于難以獲得大量樣本數(shù)據(jù)的情況。采用小波包熵值理論提取電流信號(hào)中對(duì)摩擦信息變化敏感的小波包序列構(gòu)造摩擦特征向量作為ＳＶＭ 的輸入，能有效地對(duì)摩擦磨損過(guò)程中經(jīng)歷的磨合期、穩(wěn)定期和磨損期進(jìn)行識(shí)別和分類。本文以電機(jī)電流為分析對(duì)象，提出一種結(jié)合小波包分解及支持向量機(jī)技術(shù)的摩擦磨損狀態(tài)在線識(shí)別方法。
?