随着全球工业的迅速发展,机床设备逐渐向自动化、高速化和智能化的方向发展,然而机床的工作环境复杂,导致了机床刀具的磨损和颤振等情况的出现,严重影响着机床的加工精度,因此需要机床改进技术,使其能够及时的对故障做出判断,确保机床的安全运行。在车床切削颤振的研究中,切削颤振信号的检测分析、颤振特征的提取和颤振的判别方法尤为关键。因此,本文的主要研究内容如下:(1)通过动力学建模的方式对车床切削颤振机理进行了简要的分析,并设计切削颤振检测系统,进行车床切削实验,收集不同切削参数下的车削振动数据,进一步验证了切削颤振的产生,为后续的切削颤振分析奠定基础。(2)提出了基于改进Variational Nonlinear Chirp Mode Decomposition(VNCMD)算法的切削颤振分析方法。改进后的算法不仅具有VNCMD算法的优点,还采用了相关系数法确定了信号的最佳本征模态分量,既解决了Empirical Mode Decomposition(EMD)算法对信号分解的端点效应和伪分量问题,又克服了VMD(Variational Mode Decomposition)算法对宽带信号提取的缺陷和本征模态分量无法确定的缺点。接下来,将改进后的算法应用于实验数据上,提取实验数据的本征模态分量做进一步分析。(3)经过VNCMD算法提取后的本征模态分量虽然已经过滤掉了大部分噪声,但是对于颤振特征的描述还是有些模糊,需要进一步提取切削颤振的特征。因此本文引入了四阶累积量,在研究四阶累积量原理的基础上,通过不同类型的仿真信号做研究来验证该方法的可靠性。然后提取实验数据的统计特征,将其作为切削颤振判别的一个特征向量。(4)如果只是上述一个特征向量对颤振特征进行描述,有可能会产生误判。因此本文引入了排列熵算法,在研究排列熵原理的基础上,通过不同类型的仿真信号验证了排列熵检测突变信号的有效性。然后利用排列熵算法分析了实验数据的特征,并将其作为切削颤振的第二个特征向量。(5)上述信号的分析和颤振特征提取只是切削颤振的初步判断,在实际应用中,当所处理的数据又大又复杂时,直接观察以上特征量进行故障判断就变得非常困难,因此本文提出了基于优化深度置信网络的故障特征判别方法。该算法不仅具有深度置信网络对小样本数据分析的优点,还根据数据本身的特点优化了神经元的分布以及训练次数,通过积累切削数据不断地训练神经网络以达到更准确的颤振识别。经过上述方法对实验数据的分析表明,该方法可以得到较高的故障状态识别率,对切削颤振做出了准确的判别。最后,总结全文所做的工作,强调方法改进的必要性,并对切削颤振以后的研究工作做出了进一步展望,为未来的研究奠定基础。