基于超球面支持向量机的丝杠故障诊断技术

• 论文 •

基于超球面支持向量机的丝杠故障诊断技术

吴希曦,高宏力,燕继明,赵敏,黄柏权,许明恒

1.西南交通大学机械工程学院，四川成都610031；2.中国航空工业集团公司，成都飞机工业（集团有限责任公司，四川成都610092

出版日期:2010-12-15 发布日期:2010-12-25

Fault diagnosis technology for NC machine screw based on hyper-sphere support vector machines

WU Xi-xi, GAO Hong-li, YAN Ji-ming, ZHAO Min, HUANG Bai-quan, XU Ming-heng

1.School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China;2.Chengdu Aircraft Industrial Corporation, Aviation Industry Corporation of China, Chengdu 610092, China

Online:2010-12-15 Published:2010-12-25

摘要/Abstract

摘要： 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。

关键词: 故障诊断, 超球面, 支持向量机, 小波包, 丝杠, 数控机床

Abstract: It was difficult to obtain fault samples and the samples were distributed unevenly in Numerical Control(NC) machine tool screw. To deal with these problems, a novel method for screw fault diagnosis based on wavelet packet decomposition and Hyper-Sphere Support Vector Machines (HSSVM) classifier was put forward. The decomposed frequency band energy of vibration signal was selected as feature vectors and was inputted to HSSVM classifier which realized faults pattern recognition. The important role of model parameters selection in HSSVM classifier constructions were studied by shifting correlation parameters. Test results showed that HSSVM classifier model structured could detect screw faults of NC machine tool effectively.

Key words: fault diagnosis, hyper-sphere, support vector machines, wavelet packet, screw, numerical control machines

中图分类号:

TP18
TP206

吴希曦,高宏力,燕继明,赵敏,黄柏权,许明恒. 基于超球面支持向量机的丝杠故障诊断技术[J]. .

WU Xi-xi, GAO Hong-li, YAN Ji-ming, ZHAO Min, HUANG Bai-quan, XU Ming-heng. Fault diagnosis technology for NC machine screw based on hyper-sphere support vector machines[J]. .

[1]	杨泽青,王春方,彭凯,刘丽冰,张亚彬. 基于深度支持向量机的曲轴智能识别方法[J]. 计算机集成制造系统, 2021, 27(6): 1629-1640.
[2]	代康,张松,舒雨,张伟,张振. 数控机床平动轴几何误差辨识方法改进[J]. 计算机集成制造系统, 2021, 27(5): 1319-1327.
[3]	张雷,刘检华,庄存波,王勇. 基于数字孪生的多轴数控机床轮廓误差抑制方法[J]. 计算机集成制造系统, 2021, 27(12): 3391-3402.
[4]	付松,钟诗胜,林琳,张永健. 基于迁移学习的民航发动机小样本故障诊断[J]. 计算机集成制造系统, 2021, 27(12): 3450-3461.
[5]	王欢,张春,张宁,陈耀华. 具有强泛化性的高铁逆变器开路故障诊断算法[J]. 计算机集成制造系统, 2021, 27(11): 3236-3246.
[6]	徐彦伟,蔡薇薇,颉潭成,陈立海,刘明明. 变工况下基于信息融合的地铁牵引电机轴承故障智能诊断[J]. 计算机集成制造系统, 2021, 27(11): 3247-3258.
[7]	孙晨,文龙,李新宇,高亮,丛建臣. 基于自动机器学习的不平衡故障诊断方法[J]. 计算机集成制造系统, 2021, 27(10): 2837-2847.
[8]	刘鹏程,孙林夫,张常有,王波. 基于交互注意力机制网络模型的故障文本分类[J]. 计算机集成制造系统, 2021, 27(1): 73-90.
[9]	彭成,贺婧,唐朝晖,陈青,桂卫华. 基于双维度EKNN的滚动轴承早期故障分类算法[J]. 计算机集成制造系统, 2021, 27(1): 91-102.
[10]	熊红林,樊重俊,赵珊,余莹. 基于多尺度卷积神经网络的玻璃表面缺陷检测方法[J]. 计算机集成制造系统, 2020, 26(第4): 900-909.
[11]	张文龙,胡天亮,王艳洁,魏永利. 云/边缘协同的轴承故障诊断方法[J]. 计算机集成制造系统, 2020, 26(第3): 589-599.
[12]	刘华一,鄢萍,周强,辛洋,张自凯,潘吉财. 基于语义网的机床故障诊断知识扩展方法[J]. 计算机集成制造系统, 2020, 26(第3): 609-622.
[13]	闻辉,贾冬顺,严涛,陈德礼,林元模. 势函数聚类的优化下采样SVM分类方法[J]. 计算机集成制造系统, 2020, 26(第1): 152-160.
[14]	戴稳,张超勇,孟磊磊,李晋航,肖鹏飞. 基于深度学习与特征后处理的支持向量机铣刀磨损预测模型[J]. 计算机集成制造系统, 2020, 26(9): 2331-2343.
[15]	何彦,陈文奇,王禹林,岳冠楠,李育锋,田小成. 集成设计参数和制造参数的车削工件机加工能耗预测方法[J]. 计算机集成制造系统, 2020, 26(9): 2355-2366.