资料下载
如何使用小波包熵与SVM实现导轨摩擦磨损状态识别的设计
分享资料个
针对摩擦振动和噪声信号较难获得、信号抗干扰能力差以及生产中难以得到大量摩损状态样本的情况，提出小波包熵和支持向量机（ＳＶＭ）相结合的机床导轨摩擦磨损状态识别方法。该方法通过小波包分解方法将信号分解到独立相邻的节点频带中，设计对比实验获得导轨摩擦信息特征频带对应的小波包节点序列，以该序列小波包能量熵值建立特征向量作为ＳＶＭ 的输入参数。实验结果表明，以多项式核函数和径向基核函数建立的ＳＶＭ 分类器平均识别率分别达到７２．２％和８３．３％，具有较好的预测推广能力及较高的识别准确率。
对于数控机床伺服进给系统，摩擦是引起高速、高精度数控机床产生轮廓误差的主要因素之一［１］。机械加工过程中需要机床进给工作台具备良好的润滑状况，润滑不良将导致导轨产生变形、磨损、点蚀等现象，并在低速重载下出现严重的爬行现象［２］。使机床进给工作台保持在良好的润滑状态有助于提高加工精度以及延长导轨使用寿命，需要对机床导轨进行摩擦磨损状态在线识别从而达到对润滑状况的实时控制。
进行摩擦磨损状态在线识别的关键在于快速准确地获得摩擦信息，传统的监测方法是对摩擦振动信号以及噪声信号进行时域和频域分析［３６］，从而得到摩擦特征频带以及不同润滑状态下的摩擦特征信息。而振动信号以及噪声信号会受到工作环境的干扰，稳定性差，且抗干扰能力弱，微弱的摩擦信息往往会淹没在大量的噪声干扰信息中，考虑采取具有信号获取方便、信息集成度高、测试系统简单等特点的电流法间接分析摩擦效应，有效地弥补其他监测技术存在的缺陷［７］。
电流信号包含有机床丰富的加工信息和状态信息，采用小波包能量熵理论提取摩擦特征值能有效排除其他状态信息与噪声信息的干扰。相对于神经网络，支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）具有更强的泛化能力，能较好地解决小样本学习分类问题，在特征信息有限的情况下，最大限度地发掘样本数据中隐含的分类知识，解决神经网络无法避免的局部极值问题及维数灾难问题［８１０］，适用于难以获得大量样本数据的情况。采用小波包熵值理论提取电流信号中对摩擦信息变化敏感的小波包序列构造摩擦特征向量作为ＳＶＭ 的输入，能有效地对摩擦磨损过程中经历的磨合期、稳定期和磨损期进行识别和分类。本文以电机电流为分析对象，提出一种结合小波包分解及支持向量机技术的摩擦磨损状态在线识别方法。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
