滚珠丝杠副润滑状态识别方法.pdf

《滚珠丝杠副润滑状态识别方法.pdf》由会员分享，可在线阅读，更多相关《滚珠丝杠副润滑状态识别方法.pdf（16页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010194479.2 (22)申请日 2020.03.19 (71)申请人 南京理工大学 地址 210094 江苏省南京市玄武区孝陵卫 200号 (72)发明人 周长光张向东冯虎田 (74)专利代理机构 南京理工大学专利中心 32203 代理人 朱炳斐马鲁晋 (51)Int.Cl. B23Q 11/12(2006.01) (54)发明名称 滚珠丝杠副润滑状态识别方法 (57)摘要 本发明公开了一种滚珠丝杠副润滑状态识 别方法， 包括以下步骤： 采集滚珠丝杠副在不同 润滑状。

2、态下的振动信号； 对振动信号进行小波包 变换， 并与时域和频域特征值相结合构建特征 集； 利用Relief-F对特征集进行初次优化， 筛选 出对润滑状态识别权重值大的特征向量构建新 的特征集； 然后将初次优化后的特征集输入至支 持向量机， 并通过优化算法对SVM进行训练优化； 设置识别准确度进行二次优化， 找出润滑状态识 别的最佳特征组合， 从而对滚珠丝杠副的润滑状 态进行判断。 本发明的滚珠丝杠副润滑状态识别 方法， 可有效解决当前滚珠丝杠副润滑状态识别 困难、 效率低下、 准确率低等问题。 权利要求书4页 说明书9页 附图2页 CN 111360578 A 2020.07.03 CN 11。

3、1360578 A 1.一种滚珠丝杠副润滑状态识别方法， 其特征在于， 所述方法包括以下步骤： 步骤1， 采集滚珠丝杠副在不同润滑状态下的振动信号； 步骤2， 提取振动信号特征， 构建润滑特征集； 步骤3， 利用润滑特征集训练优化SVM； 步骤4， 根据SVM识别准确度对所述润滑特征集进行优化， 获取润滑状态识别的最佳特 征组合， 之后结合优化后的SVM完成对待识别滚珠丝杠副润滑状态的判断。 2.根据权利要求1所述的滚珠丝杠副润滑状态识别方法， 其特征在于， 步骤2所述提取 振动信号特征， 构建润滑特征集， 具体过程包括： 步骤2-1， 从振动信号中提取若干组振动数据； 步骤2-2， 对每组振。

4、动数据进行小波包变换； 步骤2-3， 求取每组振动数据的时域特征值； 步骤2-4， 求取每组振动数据的频域特征值； 步骤2-5， 将上述过程获得的每一种特征视为一个润滑特征， 并由上述过程获得的所有 结果构建润滑特征集， 该集合中的每个样本为每组振动数据对应的一个润滑特征值； 步骤2-6， 对润滑特征集进行优化， 具体为： 根据每一个润滑特征对识别润滑状态所占 的权重值， 从所述润滑特征集中筛选出权重值大于预设权重阈值的特征值， 构建新的润滑 特征集。 3.根据权利要求2所述的滚珠丝杠副润滑状态识别方法， 其特征在于， 步骤2-2所述对 每组振动数据进行小波包变换， 具体过程包括： (1)利用。

5、一个高通滤波器gkkZ和一个低通滤波器hkkZ对振动数据信号进行全频带 分解， 所用公式为： 式中， d表示小波包分解频率带的小波系数， k， lZ； 两个公式分别表示将第j层第n个 频率带分解为第j+1层的第2n与2n+1个频率带； (2)对分解后的信号进行重构， 重构公式为： 式中， pk和qk分别为hk和gk的对偶滤波器； (3)计算分解后各节点信号xkm的能量值大小： 式中， ejk表示小波包进行第j层分解和重构后第k个节点所在频带的能量值大小， x为重 构信号在离散点的幅值， N为信号长度； (4)计算各节点频带的能量占比： 权利要求书 1/4 页 2 CN 111360578 A 。

6、2 式中， Ejk表示各节点频带的能量占比大小。 4.根据权利要求3所述的滚珠丝杠副润滑状态识别方法， 其特征在于， 步骤2-3中所述 时域特征值， 包括有量纲参数和无量纲参数； 其中， 有量纲参数包括： (1)均值 式中， x表示每一个振动信号的离散数据幅值， n表示离散数据的个数； (2)均方根值 (3)方根幅值 (4)绝对平均值 (5)方差 (6)峰值： 取信号中绝对值最大的几个数， 求其算术平均值作为峰值； 无量纲参数包括： (1)波形指标 (2)峰值指标 (3)脉冲指标 (4)裕度指标 (5)峭度指标 5.根据权利要求4所述的滚珠丝杠副润滑状态识别方法， 其特征在于， 步骤2-4中所。

7、述 频域特征值包括： (1)重心频率 式中， fi为i时刻所对应振动信号的瞬时频率， F(fi)表示该瞬时频率所对应的功率谱幅 权利要求书 2/4 页 3 CN 111360578 A 3 值； (2)均方频率 (3)频率方差 6.根据权利要求5所述的滚珠丝杠副润滑状态识别方法， 其特征在于， 步骤2-6所述对 润滑特征集进行优化， 具体利用Relief-F对润滑特征集进行优化， 具体过程包括： 步骤2-6-1， 建立特征权重集W， 令特征权重集中各特征初始权重W(i)0， i1,2, 3,N1， N1表示特征数量， 初始化迭代次数s1， 设置迭代次数阈值M； 步骤2-6-2， 从润滑特征集中。

8、随机抽取一个特征样本r； 步骤2-6-3， 从润滑特征集中找出与特征样本r为同一润滑状态的k0个最近邻特征样本 Qa， a1,2,3,k0， 并分别找出与样本r为不同润滑状态的k0个最近邻特征样本Qa(c)， c表 示非同类润滑状态的类别个数； 步骤2-6-4， 更新特征权重集W中每一个特征的权重值， 更新公式为： 式中， p(c)表示第c个润滑状态的分布概率， C(r)表示特征样本r的润滑状态， p(C(r) 表示特征样本r所属润滑状态的分布概率， diff(F,r,Qa(c)表示特征样本r与Qa(c)在第i个 特征F上的距离差； 其中diff(F,r,Qa)根据特征集中特征数据的离散或连续。

9、定义为： 式中， Fr、 FQa分别表示特征样本r和特征样本Qa在第i个特征F上的取值； 步骤2-6-5， 判断s是否小于M， 若是， 则令s递增1， 返回执行步骤2-6-2直至满足条件为 止， 之后从润滑特征集中筛选出权重值大于预设权重阈值的特征值， 构建新的润滑特征集。 7.根据权利要求6所述的滚珠丝杠副润滑状态识别方法， 其特征在于， 步骤3所述利用 润滑特征集训练优化SVM， 具体过程包括： 步骤3-1， 将润滑特征集输入至SVM， 并通过优化算法对SVM进行参数寻优， 获取SVM的惩 罚因子c和核函数g的最佳参数组合； 步骤3-2， 将求出的最佳参数组合c和g输入SVM的参数设置中，。

10、 获得优化后的SVM。 8.根据权利要求7所述的滚珠丝杠副润滑状态识别方法， 其特征在于， 步骤3-1中所述 优化算法具体采用网格搜索法或遗传优化算或粒子群优化算法。 权利要求书 3/4 页 4 CN 111360578 A 4 9.根据权利要求7或8所述的滚珠丝杠副润滑状态识别方法， 其特征在于， 步骤4所述根 据SVM识别准确度对所述润滑特征集进行优化， 获取润滑状态识别的最佳特征组合， 之后结 合优化后的SVM完成对待识别滚珠丝杠副润滑状态的判断， 具体过程包括： 步骤4-1， 设置识别准确度阈值； 步骤4-2， 从润滑特征集内提取权重值最大的润滑特征对应的所有特征值， 将这些特征 值构。

11、成的特征向量输入至优化后的SVM， 判断准确度是否小于识别准确度阈值， 若是， 则将 该权重值最大的润滑特征添加至最佳特征组合， 并针对其余域重复执行本步骤； 否则将该 权重值最大的润滑特征添加至最佳特征组合， 并执行下一步； 步骤4-3， 采集待识别滚珠丝杠副的振动信号， 依据最佳特征组合提取该振动信号的组 合特征值输入至优化后的SVM， 获得待识别滚珠丝杠副的润滑状态。 权利要求书 4/4 页 5 CN 111360578 A 5 滚珠丝杠副润滑状态识别方法 技术领域 0001 本发明属于滚珠丝杠副润滑状态识别领域， 特别涉及一种滚珠丝杠副润滑状态识 别方法。 背景技术 0002 滚珠丝杠。

12、副是数控机床中的关键滚动功能部件， 具有摩擦小、 零间隙、 传动效率高 等特点， 广泛应用于航空航天、 船舶、 汽车和数控机床等领域， 它的性能直接影响着数控机 床的加工精度。 然而在实际加工过程中， 由于保养不善、 润滑不良导致滚珠丝杠副滚珠与滚 道之间的摩擦加剧， 使得丝杠局部温度骤然升高， 影响数控机床的加工精度， 进而影响产品 的加工质量。 因此， 在数控机床的实际运行过程中， 需要对滚珠丝杠副的润滑状态进行监 测， 了解滚珠丝杠副的润滑状况， 一旦出现润滑不良现象时， 可及时对滚珠丝杠副的润滑状 况进行改善， 进而保证滚珠丝杠副的加工精度， 延长使用寿命。 0003 目前对滚珠丝杠副。

13、润滑状态监测和故障诊断方面的研究比较少， 且多数研究方法 比较单一， 没有考虑各种方法之间的组合优化， 这也使得在实际的润滑状态识别过程中， 对 滚珠丝杠副润滑状态判断不准确， 一定程度上制约了滚珠丝杠副状态监测方向的发展。 因 此急需一种更加完善的方法对滚珠丝杠副的润滑状态进行更加准确的判断。 发明内容 0004 本发明的目的在于提供一种滚珠丝杠副润滑状态识别方法， 解决当前滚珠丝杠副 润滑状态识别困难、 效率低下、 准确率低等问题。 0005 实现本发明目的的技术解决方案为： 一种滚珠丝杠副润滑状态识别方法， 所述方 法包括以下步骤： 0006 步骤1， 采集滚珠丝杠副在不同润滑状态下的振。

14、动信号； 0007 步骤2， 提取振动信号特征， 构建润滑特征集； 0008 步骤3， 利用润滑特征集训练优化SVM； 0009 步骤4， 根据SVM识别准确度对所述润滑特征集进行优化， 获取润滑状态识别的最 佳特征组合， 之后结合优化后的SVM完成对待识别滚珠丝杠副润滑状态的判断。 0010 进一步地， 步骤2所述提取振动信号特征， 构建润滑特征集， 具体过程包括： 0011 步骤2-1， 从振动信号中提取若干组振动数据； 0012 步骤2-2， 对每组振动数据进行小波包变换； 0013 步骤2-3， 求取每组振动数据的时域特征值； 0014 步骤2-4， 求取每组振动数据的频域特征值； 0。

15、015 步骤2-5， 将上述过程获得的每一种特征视为一个润滑特征， 并由上述过程获得的 所有结果构建润滑特征集， 该集合中的每个样本为每组振动数据对应的一个润滑特征值； 0016 步骤2-6， 对润滑特征集进行优化， 具体为： 根据每一个润滑特征对识别润滑状态 所占的权重值， 从所述润滑特征集中筛选出权重值大于预设权重阈值的特征值， 构建新的 说明书 1/9 页 6 CN 111360578 A 6 润滑特征集。 0017 进一步地， 步骤2-2所述对每组振动数据进行小波包变换， 具体过程包括： 0018 (1)利用一个高通滤波器gkkZ和一个低通滤波器hkkZ对振动数据信号进行全 频带分解，。

16、 所用公式为： 0019 0020 0021 式中， d表示小波包分解频率带的小波系数， k， lZ； 两个公式分别表示将第j层第 n个频率带分解为第j+1层的第2n与2n+1个频率带； 0022 (2)对分解后的信号进行重构， 重构公式为： 0023 0024 式中， pk和qk分别为hk和gk的对偶滤波器； 0025 (3)计算分解后各节点信号xkm的能量值大小： 0026 0027 式中， ejk表示小波包进行第j层分解和重构后第k个节点所在频带的能量值大小， x 为重构信号在离散点的幅值， N为信号长度； 0028 (4)计算各节点频带的能量占比： 0029 0030 式中， Ejk表。

17、示各节点频带的能量占比大小。 0031 进一步地， 步骤2-3中所述时域特征值， 包括有量纲参数和无量纲参数； 0032 其中， 有量纲参数包括： 0033(1)均值式中， x表示每一个振动信号的离散数据幅值， n表示离散数据 的个数； 0034(2)均方根值 0035(3)方根幅值 0036(4)绝对平均值 0037(5)方差 0038 (6)峰值： 取信号中绝对值最大的几个数， 求其算术平均值作为峰值； 说明书 2/9 页 7 CN 111360578 A 7 0039 无量纲参数包括： 0040(1)波形指标 0041(2)峰值指标 0042(3)脉冲指标 0043(4)裕度指标 004。

18、4(5)峭度指标进一步地， 步骤2-4中的频域特征值包括： 0045(1)重心频率式中， fi为i时刻所对应振动信号的瞬时频率， F(fi) 表示该瞬时频率所对应的功率谱幅值； 0046(2)均方频率 0047(3)频率方差 0048 进一步地， 步骤2-6所述对润滑特征集进行优化， 具体利用Relief-F对润滑特征集 进行优化， 具体过程包括： 0049 步骤2-6-1， 建立特征权重集W， 令特征权重集中各特征初始权重W(i)0， i1,2, 3,N1， N1表示特征数量， 初始化迭代次数s1， 设置迭代次数阈值M； 0050 步骤2-6-2， 从润滑特征集中随机抽取一个特征样本r； 0。

19、051 步骤2-6-3， 从润滑特征集中找出与特征样本r为同一润滑状态的k0个最近邻特征 样本Qa， a1,2,3,k0， 并分别找出与样本r为不同润滑状态的k0个最近邻特征样本Qa (c)， c表示非同类润滑状态的类别个数； 0052 步骤2-6-4， 更新特征权重集W中每一个特征的权重值， 更新公式为： 0053 0054 式中， p(c)表示第c个润滑状态的分布概率， C(r)表示特征样本r的润滑状态， p(C (r)表示特征样本r所属润滑状态的分布概率， diff(F,r,Qa(c)表示特征样本r与Qa(c)在 说明书 3/9 页 8 CN 111360578 A 8 第i个特征F上的。

20、距离差； 其中diff(F,r,Qa)根据特征集中特征数据的离散或连续定义为： 0055 0056 0057 式中， Fr、 FQa分别表示特征样本r和特征样本Qa在第i个特征F上的取值； 0058 步骤2-6-5， 判断s是否小于M， 若是， 则令s递增1， 返回执行步骤2-6-2直至满足条 件为止， 之后从润滑特征集中筛选出权重值大于预设权重阈值的特征值， 构建新的润滑特 征集。 0059 进一步地， 步骤3所述利用润滑特征集训练优化SVM， 具体过程包括： 0060 步骤3-1， 将润滑特征集输入至SVM， 并通过优化算法对SVM进行参数寻优， 获取SVM 的惩罚因子c和核函数g的最佳参。

21、数组合； 0061 步骤3-2， 将求出的最佳参数组合c和g输入SVM的参数设置中， 获得优化后的SVM。 0062 进一步地， 步骤4所述根据SVM识别准确度对所述润滑特征集进行优化， 获取润滑 状态识别的最佳特征组合， 之后结合优化后的SVM完成对待识别滚珠丝杠副润滑状态的判 断， 具体过程包括： 0063 步骤4-1， 设置识别准确度阈值； 0064 步骤4-2， 从润滑特征集内提取权重值最大的润滑特征对应的所有特征值， 将这些 特征值构成的特征向量输入至优化后的SVM， 判断准确度是否小于识别准确度阈值， 若是， 则将该权重值最大的润滑特征添加至最佳特征组合， 并针对其余域重复执行本步。

22、骤； 否则 将该权重值最大的润滑特征添加至最佳特征组合， 并执行下一步； 0065 步骤4-3， 采集待识别滚珠丝杠副的振动信号， 依据最佳特征组合提取该振动信号 的组合特征值输入至优化后的SVM， 获得待识别滚珠丝杠副的润滑状态。 0066 本发明与现有技术相比， 其显著优点为： 1)可有效解决当前滚珠丝杠副润滑状态 识别困难、 效率低下、 准确率低等问题； 2)采用Relief-F算法对振动信号润滑特征集合进行 初次优化， 极大地降低了润滑特征集合的维度， 减少了后续计算时间， 提高识别效率； 3)通 过设置识别模型准确度对润滑特征集合进行二次优化， 可有效筛选出能够表征润滑状态的 最佳特。

23、征组合， 在保证润滑状态识别准确度的同时降低了润滑状态识别的复杂度； 4)整体 方法操作简便， 方法准确， 科学合理。 0067 下面结合附图对本发明作进一步详细描述。 附图说明 0068 图1为一个实施例中滚珠丝杠副润滑状态识别方法流程图。 0069 图2为一个实施例中振动信号经小波包4层分解结构示意图。 0070 图3为一个实施例中振动信号二次特征优化后测试集的识别效果图。 具体实施方式 0071 为了使本申请的目的、 技术方案及优点更加清楚明白， 以下结合附图及实施例， 对 说明书 4/9 页 9 CN 111360578 A 9 本申请进行进一步详细说明。 应当理解， 此处描述的具体实。

24、施例仅仅用以解释本申请， 并不 用于限定本申请。 0072 在一个实施例中， 结合图1， 提供了一种基于Relief-F和SVM的滚珠丝杠副润滑状 态识别方法， 该方法包括以下步骤： 0073 步骤1， 采集滚珠丝杠副在不同润滑状态下的振动信号； 0074 步骤2， 提取振动信号特征， 构建润滑特征集； 0075 步骤3， 利用润滑特征集训练优化SVM； 0076 步骤4， 根据SVM识别准确度对润滑特征集进行优化， 获取润滑状态识别的最佳特 征组合， 之后结合优化后的SVM完成对待识别滚珠丝杠副润滑状态的判断。 0077 这里， 需要说明的是， 步骤3和步骤4除了可以采用SVM， 还可以采用。

25、神经网络等其 他机器学习手段实现， 只要是能够实现训练、 分类识别等目的的算法均可， 这些都在本发明 的保护范围内。 0078 进一步地， 在其中一个实施例中， 步骤1采集滚珠丝杠副在不同润滑状态下的振动 信号， 基于包括以数据采集设备、 计算机、 传感器为核心的滚珠丝杠副振动信号采集系统实 现。 0079 这里， 传感器可以采用单轴加速度传感器， 还可以采用三轴加速度传感器等等。 0080 这里， 针对不同的滚珠丝杠副安装结构， 传感器可以安装于螺母法兰截面位置处， 也可以安装于法兰端面位置处等等。 0081 进一步地， 在其中一个实施例中， 步骤2中提取振动信号特征， 构建润滑特征集， 具。

26、 体过程包括： 0082 步骤2-1， 从振动信号中提取若干组振动数据； 0083 步骤2-2， 对每组振动数据进行小波包变换； 0084 步骤2-3， 求取每组振动数据的时域特征值； 0085 步骤2-4， 求取每组振动数据的频域特征值； 0086 步骤2-5， 将上述过程获得的每一种特征视为一个润滑特征， 并由上述过程获得的 所有结果构建润滑特征集， 该集合中的每个样本为每组振动数据对应的一个润滑特征值； 0087 步骤2-6， 对润滑特征集进行优化， 具体为： 根据每一个润滑特征对识别润滑状态 所占的权重值， 从润滑特征集中筛选出权重值大于预设权重阈值的特征值， 构建新的润滑 特征集。 。

27、0088 进一步地， 在其中一个实施例中， 步骤2-2对每组振动数据进行小波包变换， 具体 过程包括： 0089 (1)利用一个高通滤波器gkkZ和一个低通滤波器hkkZ对振动数据信号进行全 频带分解， 所用公式为： 0090 0091 0092 式中， d表示小波包分解频率带的小波系数， k， lZ； 两个公式分别表示将第j层第 n个频率带分解为第j+1层的第2n与2n+1个频率带； 说明书 5/9 页 10 CN 111360578 A 10 0093 (2)对分解后的信号进行重构， 重构公式为： 0094 0095 式中， pk和qk分别为hk和gk的对偶滤波器； 0096 (3)计算分。

28、解后各节点信号xkm的能量值大小： 0097 0098 式中， ejk表示小波包进行第j层分解和重构后第k个节点所在频带的能量值大小， x 为重构信号在离散点的幅值， N为信号长度； 0099 (4)计算各节点频带的能量占比： 0100 0101 式中， Ejk表示各节点频带的能量占比大小。 0102 示例性优选地， 在其中一个实施例中， 小波包分解选择4层分解， 小波基函数为 “db10” 。 0103 进一步地， 在其中一个实施例中， 步骤2-3中的时域特征值， 包括有量纲参数和无 量纲参数； 0104 其中， 有量纲参数包括： 0105(1)均值 0106 式中， x表示每一个振动信号的。

29、离散数据幅值， n表示离散数据的个数； 0107(2)均方根值 0108(3)方根幅值 0109(4)绝对平均值 0110(5)方差 0111 (6)峰值： 取信号中绝对值最大的几个数， 求其算术平均值作为峰值； 0112 无量纲参数包括： 0113(1)波形指标 0114(2)峰值指标 0115(3)脉冲指标 说明书 6/9 页 11 CN 111360578 A 11 0116(4)裕度指标 0117(5)峭度指标 0118 进一步地， 在其中一个实施例中， 步骤2-4中的频域特征值包括： 0119(1)重心频率 0120 式中， fi为i时刻所对应振动信号的瞬时频率， F(fi)表示该瞬。

30、时频率所对应的功率 谱幅值； 0121(2)均方频率 0122(3)频率方差 0123 进一步地， 在其中一个实施例中， 步骤2-6对润滑特征集进行优化， 具体利用 Relief-F对润滑特征集进行优化， 具体过程包括： 0124 步骤2-6-1， 建立特征权重集W， 令特征权重集中各特征初始权重W(i)0， i1,2, 3,N1， N1表示特征数量， 初始化迭代次数s1， 设置迭代次数阈值M； 0125 步骤2-6-2， 从润滑特征集中随机抽取一个特征样本r； 0126 步骤2-6-3， 从润滑特征集中找出与特征样本r为同一润滑状态的k0个最近邻特征 样本Qa， a1,2,3,k0， 并分别。

31、找出与样本r为不同润滑状态的k0个最近邻特征样本Qa (c)， c表示非同类润滑状态的类别个数； 0127 步骤2-6-4， 更新特征权重集W中每一个特征的权重值， 更新公式为： 0128 0129 式中， p(c)表示第c个润滑状态的分布概率， C(r)表示特征样本r的润滑状态， p(C (r)表示特征样本r所属润滑状态的分布概率， diff(F,r,Qa(c)表示特征样本r与Qa(c)在 第i个特征F上的距离差； 其中diff(F,r,Qa)根据特征集中特征数据的离散或连续定义为： 0130 说明书 7/9 页 12 CN 111360578 A 12 0131 0132 式中， Fr、 。

32、FQa分别表示特征样本r和特征样本Qa在第i个特征F上的取值； 0133 步骤2-6-5， 判断s是否小于M， 若是， 则令s递增1， 返回执行步骤2-6-2直至满足条 件为止， 之后从润滑特征集中筛选出权重值大于预设权重阈值的特征值， 构建新的润滑特 征集。 0134 示例性优选地， 在其中一个实施例中， 上述Relief-F算法权重阈值为0.02， 迭代次 数M设置为20。 0135 进一步地， 在其中一个实施例中， 步骤3利用润滑特征集训练优化SVM， 具体过程包 括： 0136 步骤3-1， 将润滑特征集输入至SVM， 并通过优化算法对SVM进行参数寻优， 获取SVM 的惩罚因子c和核。

33、函数g的最佳参数组合； 0137 步骤3-2， 将求出的最佳参数组合c和g输入SVM的参数设置中， 获得优化后的SVM。 0138 示例性优选地， 在其中一个实施例中， 上述步骤3-1中优化算法具体采用网格搜索 法或遗传优化算或粒子群优化算法。 0139 进一步地， 在其中一个实施例中， 步骤4根据SVM识别准确度对润滑特征集进行优 化， 获取润滑状态识别的最佳特征组合， 之后结合优化后的SVM完成对待识别滚珠丝杠副润 滑状态的判断， 具体过程包括： 0140 步骤4-1， 设置识别准确度阈值； 0141 步骤4-2， 从润滑特征集内提取权重值最大的润滑特征对应的所有特征值， 将这些 特征值构。

34、成的特征向量输入至优化后的SVM， 判断准确度是否小于识别准确度阈值， 若是， 则将该权重值最大的润滑特征添加至最佳特征组合， 并针对其余域重复执行本步骤； 否则 将该权重值最大的润滑特征添加至最佳特征组合， 并执行下一步； 0142 步骤4-3， 采集待识别滚珠丝杠副的振动信号， 依据最佳特征组合提取该振动信号 的组合特征值输入至优化后的SVM， 获得待识别滚珠丝杠副的润滑状态。 0143 进一步地， 在其中一个实施例中， 上述步骤3和步骤4可以同时执行， 具体过程包 括： 0144 步骤34-1， 针对润滑特征集， 将集合中同一特征对应的所有特征值构成一个特征 向量； 0145 步骤34-。

35、2， 从润滑特征集中选取权重值最大的润滑特征对应的特征向量构建新的 润滑特征集； 0146 步骤34-3， 将新的润滑特征集输入至SVM， 并通过优化算法对SVM进行参数寻优， 获 取SVM的惩罚因子c和核函数g的最佳参数组合； 0147 步骤34-4， 将求出的最佳参数组合c和g输入SVM的参数设置中， 获得优化后的SVM； 0148 步骤34-5， 设置识别准确度阈值； 0149 步骤34-6， 从新的润滑特征集内提取权重值最大的润滑特征对应的特征向量， 将 其输入至优化后的SVM， 判断准确度是否小于识别准确度阈值， 若是， 则将该权重值最大的 润滑特征添加至最佳特征组合， 并从新的润滑。

36、特征集中的其余特征域(若开始提取的是小 说明书 8/9 页 13 CN 111360578 A 13 波包变换对应的特征， 则这里的其余特征域表示时域和频域)内提取权重值最大的润滑特 征对应的特征向量， 进一步构建新的润滑特征集， 之后返回步骤34-3； 否则将该权重值最大 的特征添加至最佳特征组合， 并执行下一步； 0150 步骤34-7， 采集待识别滚珠丝杠副的振动信号， 依据最佳特征组合提取该振动信 号的组合特征值输入至优化后的SVM， 获得待识别滚珠丝杠副的润滑状态。 0151 作为一种具体示例， 对本发明的方法进行验证， 具体内容包括： 0152 1、 在某立式加工中心上采集X轴丝杠。

37、关闭自动润滑泵后的振动信号， 提取 “润滑 优” 、“润滑中” 、“润滑差” 各60组数据。 0153 2、 对采集到的振动数据进行小波包4层分解如图2所示， 设置小波基函数为 “db10” ， 提取最后一层所有频段能量值并结合时域有量纲参数均值、 均方根值、 方根幅值、 绝对平均值、 方差、 峰值和无量纲参数波形指标、 峰值指标、 脉冲指标、 裕度指标、 峭度指标 以及频域特征重心频率、 频率方差、 均方频率构建润滑特征集。 0154 3、 利用Relief-F对润滑特征集进行初次优化， 设置权重值大小为0.02， 筛选出符 合要求的特征值重新构建润滑特征集， 如表1所示。 0155 表1 。

38、特征集初次优化结果 0156 0157 4、 按照3:1的比例将润滑特征集随机划分训练样本集和测试样本集， 将每个集合 中的特征向量(每一个特征对应的所有特征值构成一个特征向量)按照润滑特征的权重值 进行降序排列， 从训练样本集中选取权重值最大的特征向量构建新的训练样本集。 采用改 进粒子群优化算法寻找SVM的惩罚因子c和核函数g的最佳参数组合， 设置初始参数自身学 习因子1.3， 社会性学习因子1.2， 种群数量40， 初始及终止惯性权值分别为0.1和0.9， 迭代 次数200。 0158 5、 设置识别准确度阈值为95， 将新的训练样本集内权重值最大的特征向量输入 至优化后的SVM， 若准。

39、确度小于所设置的阈值大小， 则将该权重值最大的润滑特征添加至最 佳特征组合， 并从训练样本集中提取其余域内权重值最大的特征向量构建新的训练样本 集， 然后返回执行过程4和过程5， 直至符合要求结束二次优化。 润滑特征集二次优选结果如 下表2所示： 0159 特征集二次优选结果下如表2所示： 0160 表2 润滑状态特征集二次优选结果 0161 0162 将二次优化后提取出的特征作为状态识别的最佳特征组合， 并由其构建新的测试 集输入到SVM内进行测试验证， 测试结果准确度为93.33， 如图3所示。 0163 由上可知， 本发明提出的基于Relief-F和SVM的滚珠丝杠副润滑状态识别方法， 通 过Relief-F对各域特征值进行优化并利用SVM对润滑状态进行分类预测来判断滚珠丝杠副 的润滑状态， 可有效解决当前滚珠丝杠副润滑状态识别困难、 效率低下、 准确率低等问题。 说明书 9/9 页 14 CN 111360578 A 14 图1 图2 说明书附图 1/2 页 15 CN 111360578 A 15 图3 说明书附图 2/2 页 16 CN 111360578 A 16 。