基于证据推理和置信规则库推理的工程机械磨损故障诊断方法
发布时间：2021-01-27 08:57
工程机械内部由大量的摩擦学系统组成,机械零部件之间的摩擦磨损随机械运动持续发生,因此摩擦磨损是造成工程机械故障的主要原因之一。为了避免机械设备异常磨损带来的严重后果,需对工程机械磨损故障诊断进行研究,判断磨损故障的严重程度,辨识磨损故障模式,并以此为依据实现对设备的早期、快速维修保养。本文以工业机器人和柴油机两种复杂工程机械为研究对象,针对当前工程机械磨损故障诊断中存在的缺乏定量和定性信息的综合应用、信息不确定性、诊断模型复杂性和容错性需进一步改善等问题,基于置信规则库推理（BRB）方法和证据推理（ER）规则,开展智能诊断方法研究,主要工作如下:（1）基于BRB推理的工业机器人曲柄轴磨损故障诊断方法。针对工业机器人曲柄轴磨损特征和磨损严重程度之间存在着非线性映射关系的问题,综合利用定性和定量的信息,建立了基于BRB推理的工业机器人曲柄轴磨损故障诊断模型。以置信度的形式表示磨损故障信息中的模糊不确定性和未知不确定性,并利用解析证据推理对不确定信息进行融合与推理。相较于仅基于定量数据建模的方法,基于BRB推理的磨损故障诊断模型准确性高,模型可解释性好。（2）基于改进ER规则的柴油机磨损故障...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
RV传动机构简图
杭州电子科技大学硕士学位论文15会产生严重的安全事故。图3.1RV传动机构简图图3.2机器人减速机曲柄轴通过对汽车生产装焊车间一号线提供的大量实测数据进行分析，发现在工业机器人伺服电机上采集到的扭矩信号与曲柄轴磨损状态之间存在较为明显的对应关系。依据生产经验，通常把曲柄轴定量分为三种不同的磨损状态：可满足安全装焊需求的正常状态(Ⅰ级)；装焊次品率较高的中度磨损状态(Ⅱ级)；以及无法正常装焊的重度磨损状态(Ⅲ级)。通过对大量磨损故障数据进行统计分析，选取三种磨损状态下振动传感器采集的电机扭矩信号和电流信号，建立工业机器人曲柄轴磨损故障诊断模型，如图3.3-3.5所示。由图3.3-3.5椭圆所标注的区域可知，每种状态下电流周期的波谷（波峰）时刻对应的波形扭矩之间差异较大，即正常状态的波形扭矩平稳，明显区别于中度磨损状态的轻微抖动及重度磨损状态的剧烈变化。随着磨损程度的加深，扭矩信号剧烈变化越来越明显。所以将平稳电流下扭矩的均值作为一个输入特征，进一步计算扭矩的斜率，将扭矩斜率的均值作为另一个输入特征，作为反映曲柄轴磨损状态的两个输入特征。图3.3正常状态下的电机扭矩信号和电流信号
杭州电子科技大学硕士学位论文33其中：{|1,2,...,;1,2,...,}ijiC=wi=Mj=T表示模型需要被优化的参数集合。在优化模型中的初始的种群从0到1的区间内利用随机函数产生，种群数量定为80，进化代数的上限为100。式(4.18)所示的优化目标函数作为适应度函数。在每一步的优化中，适应度是衡量种群中个体优劣的指标，其中产生更好适应度的父代个体被用来生成子代个体，这一步骤会不断循环直到达到优化终止的条件。通常可以将代数、适应度极限等作为优化终止的条件。模型辨识准确性UA值随着遗传代数的增加而增加，即模型的辨识准确性越来越高。将优化后的模型作为最终的诊断模型。4.4模型性能验证与分析4.4.1模型的诊断实施流程范例本章提出的推理模型较之第3章的BRB模型结构复杂，为了更详细的介绍所提模型的整个推理诊断过程，这里以船用ZHXXX柴油机缸套-活塞磨损故障诊断为例，介绍整个方法的实施过程。其中，图4.4为油液采集和监测系统实拍图，图4.5为五种磨粒类型的显微镜图片。通过ZHXXX柴油机缸套-活塞试验获得磨粒样本，提取磨粒样本的二维和三维特征并确定磨粒的类型。共获得150个样本，样本集中包含本章4.2节中提到的柴油机的五种典型磨粒各30个样本。在建模和优化过程中使用五折交叉验证，将原样本集随机分成五份大小相等的样本集，每次取五份样本集中的一份作为测试样本，剩下的四份作为训练样本。通过五折模型性能的平均值来判断模型的性能好坏。图4.4油液采集和监测系统
【参考文献】：
期刊论文
[1]信息融合与贝叶斯集成的船用中高速发动机磨损故障诊断[J]. 王永坚,陈丹,戴乐阳. 集美大学学报(自然科学版). 2018(03)
[2]基于置信规则库专家系统的司控器开关量健康状态评估[J]. 张邦成,步倩影,周志杰,尹晓静,隋元昆. 控制与决策. 2019(04)
[3]基于振动和声发射信号的截齿磨损程度识别研究[J]. 张强,刘志恒,代晓丹,黄传辉,张石磊,田莹. 机械设计与研究. 2018(01)
[4]基于证据推理规则的信息融合故障诊断方法[J]. 徐晓滨,郑进,徐冬玲,杨剑波. 控制理论与应用. 2015(09)
[5]基于置信规则库推理的轨道高低不平顺检测方法[J]. 徐晓滨,汪艳辉,文成林,孙新亚,徐冬玲. 铁道学报. 2014(12)
[6]置信规则库规则约简的粗糙集方法[J]. 王应明,杨隆浩,常雷雷,傅仰耿. 控制与决策. 2014(11)
[7]基于油液监测的船舶柴油机故障预测与健康管理技术研究[J]. 姚晓山,张卫东,周平,朱子梁. 武汉理工大学学报(交通科学与工程版). 2014(04)
[8]机械设备状态监测及智能诊断系统的研究[J]. 杨兰. 化学工程与装备. 2013(01)
[9]基于粗糙集的模糊神经网络在故障诊断中的应用[J]. 韩江,李雪冬,夏链,余道洋. 合肥工业大学学报(自然科学版). 2012(05)
[10]基于改进半监督模糊C-均值聚类的发动机磨损故障诊断[J]. 徐超,张培林,任国全,傅建平. 机械工程学报. 2011(17)
博士论文
[1]磨损过程中的磨粒表面和磨损表面特征及其相互关系研究[D]. 袁成清.武汉理工大学 2005
本文编号：3002781
【文章来源】：杭州电子科技大学浙江省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
RV传动机构简图
杭州电子科技大学硕士学位论文15会产生严重的安全事故。图3.1RV传动机构简图图3.2机器人减速机曲柄轴通过对汽车生产装焊车间一号线提供的大量实测数据进行分析，发现在工业机器人伺服电机上采集到的扭矩信号与曲柄轴磨损状态之间存在较为明显的对应关系。依据生产经验，通常把曲柄轴定量分为三种不同的磨损状态：可满足安全装焊需求的正常状态(Ⅰ级)；装焊次品率较高的中度磨损状态(Ⅱ级)；以及无法正常装焊的重度磨损状态(Ⅲ级)。通过对大量磨损故障数据进行统计分析，选取三种磨损状态下振动传感器采集的电机扭矩信号和电流信号，建立工业机器人曲柄轴磨损故障诊断模型，如图3.3-3.5所示。由图3.3-3.5椭圆所标注的区域可知，每种状态下电流周期的波谷（波峰）时刻对应的波形扭矩之间差异较大，即正常状态的波形扭矩平稳，明显区别于中度磨损状态的轻微抖动及重度磨损状态的剧烈变化。随着磨损程度的加深，扭矩信号剧烈变化越来越明显。所以将平稳电流下扭矩的均值作为一个输入特征，进一步计算扭矩的斜率，将扭矩斜率的均值作为另一个输入特征，作为反映曲柄轴磨损状态的两个输入特征。图3.3正常状态下的电机扭矩信号和电流信号
杭州电子科技大学硕士学位论文33其中：{|1,2,...,;1,2,...,}ijiC=wi=Mj=T表示模型需要被优化的参数集合。在优化模型中的初始的种群从0到1的区间内利用随机函数产生，种群数量定为80，进化代数的上限为100。式(4.18)所示的优化目标函数作为适应度函数。在每一步的优化中，适应度是衡量种群中个体优劣的指标，其中产生更好适应度的父代个体被用来生成子代个体，这一步骤会不断循环直到达到优化终止的条件。通常可以将代数、适应度极限等作为优化终止的条件。模型辨识准确性UA值随着遗传代数的增加而增加，即模型的辨识准确性越来越高。将优化后的模型作为最终的诊断模型。4.4模型性能验证与分析4.4.1模型的诊断实施流程范例本章提出的推理模型较之第3章的BRB模型结构复杂，为了更详细的介绍所提模型的整个推理诊断过程，这里以船用ZHXXX柴油机缸套-活塞磨损故障诊断为例，介绍整个方法的实施过程。其中，图4.4为油液采集和监测系统实拍图，图4.5为五种磨粒类型的显微镜图片。通过ZHXXX柴油机缸套-活塞试验获得磨粒样本，提取磨粒样本的二维和三维特征并确定磨粒的类型。共获得150个样本，样本集中包含本章4.2节中提到的柴油机的五种典型磨粒各30个样本。在建模和优化过程中使用五折交叉验证，将原样本集随机分成五份大小相等的样本集，每次取五份样本集中的一份作为测试样本，剩下的四份作为训练样本。通过五折模型性能的平均值来判断模型的性能好坏。图4.4油液采集和监测系统
【参考文献】：
期刊论文
[1]信息融合与贝叶斯集成的船用中高速发动机磨损故障诊断[J]. 王永坚,陈丹,戴乐阳. 集美大学学报(自然科学版). 2018(03)
[2]基于置信规则库专家系统的司控器开关量健康状态评估[J]. 张邦成,步倩影,周志杰,尹晓静,隋元昆. 控制与决策. 2019(04)
[3]基于振动和声发射信号的截齿磨损程度识别研究[J]. 张强,刘志恒,代晓丹,黄传辉,张石磊,田莹. 机械设计与研究. 2018(01)
[4]基于证据推理规则的信息融合故障诊断方法[J]. 徐晓滨,郑进,徐冬玲,杨剑波. 控制理论与应用. 2015(09)
[5]基于置信规则库推理的轨道高低不平顺检测方法[J]. 徐晓滨,汪艳辉,文成林,孙新亚,徐冬玲. 铁道学报. 2014(12)
[6]置信规则库规则约简的粗糙集方法[J]. 王应明,杨隆浩,常雷雷,傅仰耿. 控制与决策. 2014(11)
[7]基于油液监测的船舶柴油机故障预测与健康管理技术研究[J]. 姚晓山,张卫东,周平,朱子梁. 武汉理工大学学报(交通科学与工程版). 2014(04)
[8]机械设备状态监测及智能诊断系统的研究[J]. 杨兰. 化学工程与装备. 2013(01)
[9]基于粗糙集的模糊神经网络在故障诊断中的应用[J]. 韩江,李雪冬,夏链,余道洋. 合肥工业大学学报(自然科学版). 2012(05)
[10]基于改进半监督模糊C-均值聚类的发动机磨损故障诊断[J]. 徐超,张培林,任国全,傅建平. 机械工程学报. 2011(17)
博士论文
[1]磨损过程中的磨粒表面和磨损表面特征及其相互关系研究[D]. 袁成清.武汉理工大学 2005
本文编号：3002781
本文链接：https://www.wllwen.com/jingjilunwen/jianzhujingjilunwen/3002781.html
