随着机器人轴孔装配在工业领域的不断发展,准确、快速的自动装配任务已成为近年来的一个重要课题。接触状态是装配任务中的关键信息,通过智能识别方法可以自动识别装配过程中采集到的接触状态。支持向量机是一种高效、准确的智能识别方法,而新型的支持向量机在分类性能上具有较大的优势。因此,基于新型支持向量机的轴孔装配接触状态识别研究是一个重要的课题。本文首先分析了支持向量机的基础原理,创建了依密度量化的最小二乘支持向量机和加权线性损失孪生支持向量机等新型支持向量机的算法模型,详细研究了这两种分类器的优缺点,分析了内部参数对其分类的影响。在此基础上,介绍了新型支持向量机参数优化的工作原理。根据轴孔装配的特点,建立典型轴孔装配的实验平台,分析了不同材质零件对识别精度的影响,并在此基础上设计了轴孔零件的机器人装配动作。利用RT Tool Box2和MATLAB等软件设计接触状态识别系统,完成六维力数据的采集和分析,并描述了新型支持向量机应用于接触状态识别的方式。针对轴孔装配存在多种接触状态的情况,本文推导了依密度量化的最小二乘支持向量机的多分类模型,实验表明该多分类模型可快速有效的执行接触状态识别。此外,本文对鲸鱼优化算法进行改进,提出了一种逻辑全局鲸鱼优化算法,这种算法成功地确定了多分类形式的依密度量化的最小二乘支持向量机和加权线性损失孪生支持向量机等新型支持向量机的最优内部参数。实验表明基于逻辑全局鲸鱼优化算法的两种新型支持向量机实现了对轴孔装配接触状态的快速识别,且与其他接触状态识别分类器相比具有明显的精度和计算速度优势,为机器人轴孔装配提供了稳定高效的技术支持。为了进一步验证新型支持向量机的优越性,本文将基于逻辑全局优化算法的加权线性损失孪生支持向量机应用于较为复杂的低压电器轴孔装配实验,并利用该方法去诊断实际的装配过程异常情况。实验结果表明,所提出的新型支持向量机可快速高效地执行低压电器轴孔装配的异常诊断任务。