針對摩擦振動和噪聲信號較難獲得、信號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（ＳＶＭ）相結(jié)合的機床導(dǎo)軌摩擦磨損狀態(tài)識別方法。該方法通過小波包分解方法將信號分解到獨立相鄰的節(jié)點頻帶中，設(shè)計對比實驗獲得導(dǎo)軌摩擦信息特征頻帶對應(yīng)的小波包節(jié)點序列，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)。實驗結(jié)果表明，以多項式核函數(shù)和徑向基核函數(shù)建立的ＳＶＭ 分類器平均識別率分別達到７２．２％和８３．３％，具有較好的預(yù)測推廣能力及較高的識別準(zhǔn)確率。

　　對于數(shù)控機床伺服進給系統(tǒng)，摩擦是引起高速、高精度數(shù)控機床產(chǎn)生輪廓誤差的主要因素之一［１］。機械加工過程中需要機床進給工作臺具備良好的潤滑狀況，潤滑不良將導(dǎo)致導(dǎo)軌產(chǎn)生變形、磨損、點蝕等現(xiàn)象，并在低速重載下出現(xiàn)嚴(yán)重的爬行現(xiàn)象［２］。使機床進給工作臺保持在良好的潤滑狀態(tài)有助于提高加工精度以及延長導(dǎo)軌使用壽命，需要對機床導(dǎo)軌進行摩擦磨損狀態(tài)在線識別從而達到對潤滑狀況的實時控制。

　　進行摩擦磨損狀態(tài)在線識別的關(guān)鍵在于快速準(zhǔn)確地獲得摩擦信息，傳統(tǒng)的監(jiān)測方法是對摩擦振動信號以及噪聲信號進行時域和頻域分析［３６］，從而得到摩擦特征頻帶以及不同潤滑狀態(tài)下的摩擦特征信息。而振動信號以及噪聲信號會受到工作環(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淹沒在大量的噪聲干擾信息中，考慮采取具有信號獲取方便、信息集成度高、測試系統(tǒng)簡單等特點的電流法間接分析摩擦效應(yīng)，有效地彌補其他監(jiān)測技術(shù)存在的缺陷［７］。

　　電流信號包含有機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。相對于神經(jīng)網(wǎng)絡(luò)，支持向量機（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）具有更強的泛化能力，能較好地解決小樣本學(xué)習(xí)分類問題，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，解決神經(jīng)網(wǎng)絡(luò)無法避免的局部極值問題及維數(shù)災(zāi)難問題［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中對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，能有效地對摩擦磨損過程中經(jīng)歷的磨合期、穩(wěn)定期和磨損期進行識別和分類。本文以電機電流為分析對象，提出一種結(jié)合小波包分解及支持向量機技術(shù)的摩擦磨損狀態(tài)在線識別方法。
?