隨著智能化系統(tǒng)的發(fā)展和應(yīng)用,汽車總裝輸送裝備趨向于復(fù)雜化和多功能化,使得日常維護(hù)變得日益困難。針對(duì)汽車總裝輸送裝備運(yùn)行維護(hù)過程中低效、高成本的問題以及故障實(shí)時(shí)預(yù)警、故障預(yù)警可視化的需求,本文對(duì)汽車總裝輸送裝備故障預(yù)警技術(shù)進(jìn)行了研究。從故障診斷,健康狀態(tài)評(píng)估和信息可視化三個(gè)方面出發(fā)進(jìn)行了理論研究,提出了具有創(chuàng)新性的理論方法。并且根據(jù)Web平臺(tái)開發(fā)框架,實(shí)現(xiàn)了汽車總裝輸送裝備故障預(yù)警系統(tǒng)的開發(fā)。首先,提出了針對(duì)于總體裝備的故障診斷框架和一種新的故障診斷方法,通過信號(hào)處理和機(jī)器學(xué)習(xí)算法相結(jié)合來實(shí)現(xiàn)設(shè)備的故障診斷。根據(jù)經(jīng)驗(yàn)小波變換和奇異值分解來提取信號(hào)特征,然后根據(jù)提出的基于多種基分類器的多分類改進(jìn)Adaboost提升算法實(shí)現(xiàn)故障分類。最后,利用汽車總裝輸送設(shè)備中常用的軸承來對(duì)算法進(jìn)行了驗(yàn)證。在狀態(tài)評(píng)估方面,提出了一種基于信息熵和自組織映射神經(jīng)網(wǎng)絡(luò)的機(jī)械設(shè)備狀態(tài)評(píng)估方法。用基于密度的離群點(diǎn)檢測(cè)方法來移除噪聲點(diǎn)和故障點(diǎn),通過熵值法來得到速率影響因子,最后將速率影響因子與SOM神經(jīng)網(wǎng)絡(luò)結(jié)合計(jì)算設(shè)備的健康因子,通過皮帶提升機(jī)來對(duì)方法進(jìn)行驗(yàn)證。在故障診斷和狀態(tài)評(píng)估研究的基礎(chǔ)上,為了實(shí)現(xiàn)汽車總裝輸送裝備... 

【文章來源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：85 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

汽車總裝輸送設(shè)備

全文框架

3 個(gè)融合層結(jié)構(gòu)中，數(shù)據(jù)層融合雖然保留了最多的客觀信息，不過其處理的數(shù)大，實(shí)時(shí)性也相對(duì)較弱。特征層融合雖然需要對(duì)傳感器進(jìn)行預(yù)處理，但是其要信息的同時(shí)，又減少了數(shù)據(jù)量，這有助于提高數(shù)據(jù)處理的實(shí)時(shí)性。決策層容錯(cuò)性、實(shí)時(shí)性以及抗干擾性[45]，但由于決策層需要多步預(yù)處理，因此對(duì)系。這三種融合方式可以根據(jù)情況進(jìn)行獨(dú)立使用也可以結(jié)合使用。圖 2.1 為層


本文編號(hào)：3094734