本文關(guān)鍵詞：基于多源信息融合的數(shù)控機(jī)床進(jìn)給系統(tǒng)復(fù)合故障診斷研究

  更多相關(guān)文章： 數(shù)控機(jī)床 復(fù)合故障 故障診斷 SLLE算法 獨(dú)立分量分析(ICA) 流形聚類 D-S證據(jù)理論

【摘要】：數(shù)控機(jī)床是現(xiàn)代工業(yè)生產(chǎn)中最常用、最典型的機(jī)電一體化設(shè)備,進(jìn)給系統(tǒng)作為數(shù)控機(jī)床中的重要環(huán)節(jié),其性能參數(shù)和進(jìn)給效率直接影響數(shù)控機(jī)床的加工精度和生產(chǎn)質(zhì)量。滾動軸承和滾珠絲杠副是進(jìn)給系統(tǒng)中的兩大主要部件,分別起到支撐和傳動的作用,若二者發(fā)生故障,則會影響整個傳動系統(tǒng)的傳動效率,進(jìn)而對數(shù)控機(jī)床產(chǎn)生巨大影響,甚至損壞。因此,開展關(guān)于數(shù)控機(jī)床進(jìn)給系統(tǒng)的性能檢測和故障診斷研究,對保障數(shù)控機(jī)床安全、可靠、高效的運(yùn)行具有十分重要的意義,對實(shí)際工程應(yīng)用也具有很高的實(shí)用價值。本文以數(shù)控機(jī)床進(jìn)給系統(tǒng)中的滾動軸承和滾珠絲杠副為研究對象,綜合分析國內(nèi)外復(fù)合故障的研究現(xiàn)狀,針對單一傳感器信息量小、信息來源有限的缺陷,提出了基于多源信息融合的復(fù)合故障診斷方法。采用振動傳感器、噪聲傳感器和溫度傳感器采集復(fù)合故障的多源信息,并借助MATLAB和LabVIEW平臺進(jìn)行編程,實(shí)現(xiàn)對復(fù)合故障的模式識別和故障診斷。分析了滾動軸承和滾珠絲杠副的故障機(jī)理及常見失效形式,確定了研究的十種復(fù)合故障類型,利用NI數(shù)據(jù)采集卡和五個外置傳感器,并設(shè)計基于MATLAB的LabVIEW編程對故障信號進(jìn)行采集和存儲。利用時域、頻域以及時頻域中的EEMD方法對故障信號進(jìn)行特征提取。引入SLLE降維方法對龐大的特征向量進(jìn)行簡化、篩選,為提高診斷的速度和精度打下了基礎(chǔ)。在分析其振動信號特征的基礎(chǔ)上,提出了基于EEMD-FastICA的復(fù)合故障振動信號分離方法。通過MATLAB平臺建立了滾動軸承復(fù)合故障的仿真數(shù)學(xué)模型,并與試驗(yàn)結(jié)果進(jìn)行對比分析。分析了故障數(shù)據(jù)結(jié)構(gòu)特點(diǎn),提出了流形聚類分析的復(fù)合故障診斷方法,用流形距離來描述數(shù)據(jù)之間的相互關(guān)系,對復(fù)合故障進(jìn)行分類識別和診斷。并與其它方法進(jìn)行對比,發(fā)現(xiàn)該方法診斷過程更加直觀、簡單,診斷結(jié)果準(zhǔn)確率較高。建立了BP、RBF和GRNN三種神經(jīng)網(wǎng)絡(luò)的智能診斷系統(tǒng),對復(fù)合故障篩選之后的特征值進(jìn)行特征級融合。通過試驗(yàn)對比研究三種網(wǎng)絡(luò)的識別性能,結(jié)果表明,GRNN神經(jīng)網(wǎng)絡(luò)在復(fù)合故障診斷中更具有優(yōu)勢,診斷結(jié)果更準(zhǔn)確。基于復(fù)合故障信息具有不確定性的特點(diǎn),提出了改進(jìn)D-S證據(jù)理論的診斷方法。引入聚類系數(shù)的概念,對證據(jù)理論進(jìn)行改進(jìn),并應(yīng)用到滾動軸承和滾珠絲杠副的復(fù)合故障診斷中,實(shí)現(xiàn)決策級融合。試驗(yàn)表明,該方法降低了各證據(jù)體之間的沖突率,可有效提高復(fù)合故障診斷的準(zhǔn)確率。
【關(guān)鍵詞】：數(shù)控機(jī)床 復(fù)合故障 故障診斷 SLLE算法 獨(dú)立分量分析(ICA) 流形聚類 D-S證據(jù)理論
【學(xué)位授予單位】：青島理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TG659
【目錄】：

• 摘要10-12
• Abstract12-14
• 第1章 緒論14-20
• 1.1 概述14-15
• 1.1.1 課題來源14
• 1.1.2 課題研究的目的及意義14-15
• 1.2 復(fù)合故障診斷技術(shù)綜述15-18
• 1.2.1 復(fù)合故障診斷技術(shù)的國內(nèi)外研究現(xiàn)狀15-16
• 1.2.2 復(fù)合故障的主要特征16
• 1.2.3 復(fù)合故障診斷的主要方法16-18
• 1.2.4 基于多源信息融合的復(fù)合故障診斷18
• 1.3 本文研究的主要內(nèi)容18-20
• 第2章 數(shù)控機(jī)床進(jìn)給系統(tǒng)典型故障機(jī)理分析20-28
• 2.1 引言20
• 2.2 滾動軸承及其故障機(jī)理分析20-24
• 2.2.1 滾動軸承簡介20-21
• 2.2.2 滾動軸承結(jié)構(gòu)21-22
• 2.2.3 滾動軸承常見失效形式22-23
• 2.2.4 滾動軸承振動特征分析23-24
• 2.3 滾珠絲杠副及其故障機(jī)理分析24-27
• 2.3.1 滾珠絲杠副簡介24
• 2.3.2 滾珠絲杠副結(jié)構(gòu)24-25
• 2.3.3 滾珠絲杠副常見失效形式25-26
• 2.3.4 滾珠絲杠副振動特征分析26-27
• 2.4 本章小結(jié)27-28
• 第3章 復(fù)合故障信號采集系統(tǒng)設(shè)計與特征提取28-50
• 3.1 引言28-29
• 3.2 試驗(yàn)故障件的制備與儀器選擇29-33
• 3.2.1 滾動軸承故障件制備29
• 3.2.2 滾珠絲杠副故障件制備29-30
• 3.2.3 試驗(yàn)傳感器的選擇30-33
• 3.2.4 數(shù)據(jù)采集平臺及數(shù)據(jù)采集卡選擇33
• 3.3 復(fù)合故障信號采集系統(tǒng)設(shè)計33-36
• 3.3.1 試驗(yàn)臺簡介與傳感器的安裝33-35
• 3.3.2 基于LabVIEW的信號采集編程35-36
• 3.4 進(jìn)給系統(tǒng)復(fù)合故障信號特征提取36-43
• 3.4.1 時域特征參數(shù)提取36-37
• 3.4.2 頻域特征參數(shù)提取37-39
• 3.4.3 時頻域特征參數(shù)提取39-43
• 3.5 基于SLLE方法的特征向量構(gòu)造43-49
• 3.5.1 LLE方法原理43-45
• 3.5.2 SLLE方法45-46
• 3.5.3 SLLE降維處理及性能比較46-48
• 3.5.4 SLLE方法在復(fù)合故障特征篩選中的應(yīng)用48-49
• 3.6 本章小結(jié)49-50
• 第4章 基于EEMD-FASTICA的復(fù)合故障振動信號分離診斷方法50-68
• 4.1 引言50
• 4.2 ICA基本原理50-55
• 4.2.1 ICA問題的提出50
• 4.2.2 ICA算法模型50-52
• 4.2.3 ICA信號獨(dú)立性判據(jù)52-53
• 4.2.4 FastICA算法及步驟53-55
• 4.3 EEMD與ICA相結(jié)合的分離方法55-56
• 4.3.1 信號相關(guān)性判據(jù)55-56
• 4.3.2 EEMD-ICA方法的分離模型56
• 4.4 復(fù)合故障仿真信號研究56-62
• 4.4.1 仿真信號的建立56-59
• 4.4.2 仿真信號的分離及故障識別59-62
• 4.5 復(fù)合故障振動信號分離試驗(yàn)分析62-67
• 4.5.1 軸承內(nèi)圈磨損和外圈磨損信號分離63-65
• 4.5.2 軸承外圈磨損和絲杠滾道磨損信號分離65-67
• 4.6 本章小結(jié)67-68
• 第5章 基于流形聚類分析的復(fù)合故障診斷方法68-76
• 5.1 引言68
• 5.2 聚類算法68-69
• 5.2.1 聚類分析原理68-69
• 5.2.2 傳統(tǒng)聚類方法存在的問題69
• 5.3 基于流形距離的聚類算法69-74
• 5.3.1 流形學(xué)習(xí)概念69-70
• 5.3.2 流形距離方法70-71
• 5.3.3 基于流形距離的聚類方法在復(fù)合故障診斷中的應(yīng)用71-74
• 5.4 本章小結(jié)74-76
• 第6章 復(fù)合故障診斷的智能識別方法研究76-90
• 6.1 引言76
• 6.2 基于BP神經(jīng)網(wǎng)絡(luò)的復(fù)合故障診斷方法76-78
• 6.2.1 BP神經(jīng)網(wǎng)絡(luò)概述76-77
• 6.2.2 BP神經(jīng)網(wǎng)絡(luò)算法及結(jié)構(gòu)特點(diǎn)77-78
• 6.3 基于RBF神經(jīng)網(wǎng)絡(luò)的復(fù)合故障診斷方法78-80
• 6.3.1 RBF神經(jīng)網(wǎng)絡(luò)概述78-79
• 6.3.2 RBF神經(jīng)網(wǎng)絡(luò)算法及結(jié)構(gòu)特點(diǎn)79-80
• 6.4 基于GRNN神經(jīng)網(wǎng)絡(luò)的復(fù)合故障診斷方法80-82
• 6.4.1 GRNN神經(jīng)網(wǎng)絡(luò)概述80-81
• 6.4.2 GRNN神經(jīng)網(wǎng)絡(luò)算法及結(jié)構(gòu)特點(diǎn)81-82
• 6.5 三種神經(jīng)網(wǎng)絡(luò)模型在復(fù)合故障診斷中的應(yīng)用82-88
• 6.6 本章小結(jié)88-90
• 第7章 基于改進(jìn)D-S證據(jù)理論的復(fù)合故障診斷方法90-100
• 7.1 引言90
• 7.2 D-S證據(jù)理論90-93
• 7.2.1 D-S證據(jù)理論基本原理90-92
• 7.2.2 聚類系數(shù)92-93
• 7.2.3 改進(jìn)的D-S證據(jù)理論融合步驟93
• 7.3 進(jìn)給系統(tǒng)復(fù)合故障的決策級融合93-99
• 7.3.1 改進(jìn)D-S證據(jù)理論的復(fù)合故障診斷模型設(shè)計93-94
• 7.3.2 改進(jìn)D-S證據(jù)理論在復(fù)合故障診斷中的應(yīng)用94-99
• 7.4 本章小結(jié)99-100
• 第8章 結(jié)論與展望100-102
• 8.1 論文工作總結(jié)100-101
• 8.2 研究展望101-102
• 參考文獻(xiàn)102-107
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文107-108
• 致謝108

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳安華;莫志軍;蔣玲莉;潘陽;;基于復(fù)雜網(wǎng)絡(luò)社團(tuán)聚類的復(fù)合故障特征分離診斷方法[J];振動與沖擊;2016年07期

2 徐元博;魏振東;;EEMD與EFICA在單通道復(fù)合故障診斷中的應(yīng)用[J];計算機(jī)測量與控制;2015年10期

3 張偉;周維佳;劉曉源;;基于擴(kuò)展LLE方法的非線性系統(tǒng)故障診斷研究[J];電子學(xué)報;2015年09期

4 張弘強(qiáng);皮炳坤;;一種基于模糊理論融合證據(jù)理論的網(wǎng)絡(luò)輿情評估方法[J];信息通信;2015年06期

5 胥永剛;孟志鵬;陸明;;雙樹復(fù)小波包和ICA用于滾動軸承復(fù)合故障診斷[J];振動.測試與診斷;2015年03期

6 梅檢民;趙慧敏;肖云魁;周斌;;基于多分類支持向量機(jī)和D-S證據(jù)理論的軸承故障診斷[J];汽車工程;2015年01期

7 唐貴基;鄧飛躍;;基于改進(jìn)諧波小波包分解的滾動軸承復(fù)合故障特征分離方法[J];儀器儀表學(xué)報;2015年01期

8 崔玲麗;吳春光;鄔娜;;基于EMD與ICA的滾動軸承復(fù)合故障診斷[J];北京工業(yè)大學(xué)學(xué)報;2014年10期

9 李強(qiáng);皮智謀;;基于FastICA-SLLE的轉(zhuǎn)子系統(tǒng)故障診斷研究[J];組合機(jī)床與自動化加工技術(shù);2014年08期

10 孟智慧;王昌;;應(yīng)用多分辨SVD和ICA的軸承復(fù)合故障診斷研究[J];現(xiàn)代制造工程;2014年08期

，

本文編號：927706