针对支持向量数据描述（SVDD）算法对滚动轴承早期故障不敏感、参数选择困难的问题,提出了一种基于果蝇优化算法-小波支持向量数据描述（FOA-WSVDD）的滚动轴承性能退化评估方法。提取滚动轴承早期无故障振动信号的时域、时频域特征向量,并基于单调性进行特征选择;针对现有核函数对滚动轴承早期故障不敏感问题,将小波核函数引入到SVDD算法中;针对SVDD算法参数选择困难的问题,以支持向量个数与总样本数的比值作为适应度函数,采用改进的FOA算法对其核参数进行优化,建立FOA-WSVDD评估模型;最后,将轴承后期振动数据的特征向量输入到该WSVDD模型中,得到轴承的性能退化指标。试验结果表明,采用所提方法能准确地对轴承早期故障作出预警,与基于高斯核函数的SVDD算法相比,提前了17h。

为了解决深孔加工过程中刀具的磨损状态难以监测及其可靠性评估过程中样本难以获取的情况,提出了一种基于小波核Logistic模型的深孔加工运行可靠性模型。在该方法中,首先,建立了小波核Logistic模型以解决小子样情况下的可靠性评估问题,其次,以刀杆自激振动相对小波能量及从电流信号提取的切削力比为模型输入参数以解决状态难以监测的问题;最后,用一个深孔加工实验对模型进行了验证,结果表明该方法具有一定的实用价值。