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中難以得到大量摩損狀態樣本的情況，提出小波包熵和支持向量機（ＳＶＭ）相結合的機床導軌摩擦磨損狀態識別方法。該方法通過小波包分解方法將信號分解到獨立相鄰的節點頻帶中，設計對比實驗獲得導軌摩擦信息特征頻帶對應的小波包節點序列，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。實驗結果表明，以多項式核函數和徑向基核函數建立的ＳＶＭ 分類器平均識別率分別達到７２．２％和８３．３％，具有較好的預測推廣能力及較高的識別準確率。

　　對于數控機床伺服進給系統，摩擦是引起高速、高精度數控機床產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，潤滑不良將導致導軌產生變形、磨損、點蝕等現象，并在低速重載下出現嚴重的爬行現象［２］。使機床進給工作臺保持在良好的潤滑狀態有助于提高加工精度以及延長導軌使用壽命，需要對機床導軌進行摩擦磨損狀態在線識別從而達到對潤滑狀況的實時控制。

　　進行摩擦磨損狀態在線識別的關鍵在于快速準確地獲得摩擦信息，傳統的監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境的干擾，穩定性差，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、測試系統簡單等特點的電流法間接分析摩擦效應，有效地彌補其他監測技術存在的缺陷［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信息與噪聲信息的干擾。相對于神經網絡，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習分類問題，在特征信息有限的情況下，最大限度地發掘樣本數據中隱含的分類知識，解決神經網絡無法避免的局部極值問題及維數災難問題［８１０］，適用于難以獲得大量樣本數據的情況。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歷的磨合期、穩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，提出一種結合小波包分解及支持向量機技術的摩擦磨損狀態在線識別方法。
?