基于连续小波和多类球支持向量机的颤振预报

研究了一种应用连续小波特征和多类球支持向量机进行铣削系统颤振预报的方法,该方法基于连续小波变换提取铣削振动信号的特征,利用多类球支持向量机对正常铣削状态、颤振孕育状态和颤振爆发状态的振动信号进行三分类识别,通过识别颤振孕育状态预测颤振爆发。试验结果表明,在铣削颤振识别与预测中,铣削振动信号的连续小波特征与多类球支持向量机相结合具有良好的识别颤振孕育状态和颤振爆发状态的能力,颤振孕育状态的识别正确率达95.0%,颤振爆发状态的识别正确率达97.5%。     

铣削颤振过程中的振动非线性特征试验

为了分析铣削过程振动信号的非线性特征,使用双谱、李雅普诺夫系数、变形维数和近似熵分析变切深铣削过程中平稳铣削振动信号、颤振孕育振动信号和颤振振动信号.试验结果表明,振动信号在铣削颤振孕育和发生状态时具有强混沌特征,其双谱特征和混沌特征相结合可以作为识别颤振孕育、发生的有效手段,基于球形支持向量机分类器对平稳铣削、颤振孕育和颤振发生进行识别,识别准确率达98.0％.     

铝合金薄壁件的铣削加工颤振的建模与识别

选取力信号和加速度信号来预测薄壁件的颤振状态,分别提取铣削力信号的实时方差特征与加速度信号的小波能量特征,并采用该两个特征量构建颤振信号识别特征量。用测力仪、加速度传感器等设备搭建了铝合金薄壁件铣削颤振实验台,在不同切削参数条件下设计了正交实验分组。区别于以往的二分类SVM模型,文中设计了基于二叉树决策的多分类SVM模型,并结合信号实时方差与小波能量特征,将机床加工状态分为稳定阶段、趋于颤振和颤振阶段这三种状态,实验获得的160组信号特征量数据分别用来完成多分类SVM模型的训练和检验。结果表明:在切削参数下,设计的SVM识别模型具有96.67%的准确率,能在工程实践中达到颤振预测的目的。     

基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究

针对铣削刀具磨损状态识别问题,提出谐波小波包和最小二乘支持向量机（LS-SVM）的状态识别方法。为克服传统小波包分解的频带交叠问题,采用谐波小波包提取不同磨损状态下铣削力信号的各频段信号能量,归一化处理后,输入LS-SVM多类分类器,实现铣削刀具磨损状态的识别。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大的问题,提出回溯搜索算法（BSA）进行自动参数寻优。实验结果表明,谐波小波包比小波包在刀具磨损状态特征提取时具有更好的识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更高的识别精度。     

基于超球面支持向量机的丝杠故障诊断技术

针对高档数控机床丝杠故障样本不易获取以及样本分布不均的问题,提出了一种用小波包分解和超球面支持向量机进行分类的丝杠故障智能诊断技术.该方法将振动信号小波包分解后的频带能量作为特征向量,输入到超球面支持向量机分类器进行故障识别.通过改变相关参数,研究了模型参数选择在构造超球面支持向量机中的重要作用.试验结果表明,建立的超球面支持向量机模型能够有效地对机床丝杠故障进行诊断.     

基于LE-SVM的切削颤振识别

为了减少切削颤振对机械加工的影响,提出了结合流形学习和支持向量机的颤振识别方法。首先采集切削加工中的振动信号,对信号进行小波滤波和归一化处理;然后对预处理后的信号进行数据流形降维;最后把降维后数据输入到支持向量机,建立切削加工振动信号的识别模型。试验结果表明,该方法具有较好的识别效果和较高的运算速度。     

小波包分析和支持向量机在刀具故障诊断中的应用

利用小波包分析技术适于对非平稳信号进行特征提取和支持向量机在小样本情况下具有较强分类能力的特点,提出了一种基于小波包分析和支持向量机相结合进行刀具切削故障诊断的方法.该方法采用小波包分析对其提取特征向量,利用支持向量机故障分类器实现对刀具切削故障分类.试验结果表明,小波包分析和支持向量机能对刀具故障进行有效诊断,故障预报正确率为90%.     

基于小球大间隔方法的机械故障检测

针对机械故障检测中,正常样本多、故障样本少、训练样本严重不平衡的客观情况,将小球大间隔方法引入其中,提出了一种不平衡样本下的机械故障检测方法。该方法同时使用大量的正常样本和少量的故障样本进行训练,在特征空间中构造一个包围正常样本的超球,在该超球体积最小化的同时,进一步使超球边界与故障样本之间的间隔最大化,从而显著减小将故障情况误判为正常情况的概率。将该方法应用到滚动轴承故障检测中,并与传统的支持向量机和支持向量数据描述方法进行了比较,实验结果表明,该方法在解决不平衡样本下机械故障检测问题具有优越性。     

基于自适应小波分解和SVM的模拟电路故障诊断

为了降低模拟电路参数故障的测试难度,提出了基于自适应小波分解和SVM的模拟电路故障诊断的新方法,该方法对电路故障响应进行小波分解提取最优故障特征,母小波的选择是根据被测电路的正常响应和故障响应小波系数之差的最大均方根原则,并引入支持向量机对故障进行分类识别.小波分解具有自适应性,支持向量机结构简单,泛化能力强.实验结果证明了所提的基于自适应小波分解和SVM的模拟电路故障诊断方法是有效的,其故障诊断率大于96.8%.     

基于支持向量机的颤振在线智能检测

为了检测车削过程中的颤振,提出一种颤振在线智能检测方法。使用最小二乘一类支持向量机,训练出描述特征矢量集的超球面,通过计算被测样本与超球面的距离来判断其是否颤振。基于相干准则和分块矩阵求逆,构造了在线稀疏结构的最小二乘一类支持向量机,将特征信息存储于特征库(字典)中,通过更新特征库实现检测模型的在线进化。在颤振检测的应用中,首先使用小波包分解,得到第三层节点能量的比例作为特征矢量,以离线数据构造特征矢量作为输入,训练得到初始检测模型以及特征库,在线检测中不断更新特征库,实现检测模型的在线进化。试验结果表明,在车削颤振识别中,在线进化的检测模型的识别效果更好,颤振预报准确率高达至99.04%,优于离线模型的预报准确率96.74%。