谢锋云, 江炜文， 陈红年， 谢三毛， 李雪萌， 刘博文(华东交通大学 机电与车辆工程学院，南昌 330013)

切削颤振是切削加工中的一种自激振动，其存在将降低加工质量和加工效率。对切削加工状态进行识别及实时监测，为提高切削加工质量和机床寿命等有着重要意义[1]。切削颤振识别是运用传感技术、信号处理技术及模式识别进行分类识别的方法。近年来，学者对识别切削颤振方法进行了广泛的研究。Tangjitsitcharoen等[2]提出了阈值法识别颤振，将颤振特征划分为三个分量比I1、I2和I3，并设定阈值分别为1.5、2.5和1.3；张小龙等[3-4]提出支持向量机对铣削颤振进行识别；Kuljanic等[5]采用人工神经网络对多颤振特征进行信息融合、学习训练和分类识别；Zhang等[6]采用人工神经网络和隐马尔科夫组合对颤振进行识别。然而这些识别方法对传感器获取的数据及识别模型的不确定性没有进行充分考虑，这将影响识别结果的准确性。

广义区间不确定性分析方法将工程问题中具有不确定性属性的量如：数值，参数等描述成广义区间形式，利用广义区间的宽度来处理不确定性问题[7]。本文拟将广义区间与传统的广义BP神经网络结合组成广义BP神经网络模型。将传统BP神经网络模型参数拓展成广义区间形式，用以解决传统BP神经网络模型中由于模型相似性及模型学习时参数误差等引起的模型不确定性问题[8]；同时针对加速度传感器获取颤振加工信号中的测量不确定性问题，将加速度信号转换为广义区间量，通过广义区间量解决加速度信号中的测量不确定性问题；……