超高压磨料水射流切割机床故障诊断研究
发布时间：2020-12-23 18:46
磨料水射流切割是一种在切割过程中不会产生热量的特殊加工技术,使其适应范围十分广泛。一台超高压磨料水射流机床的造价昂贵,且结构比较复杂,部件与部件之间的耦合关联紧密,如果故障发生,而操作人员仅依靠自身经验去判断故障原因,往往会使得超高压磨料水射流切割机床得不到及时诊断,导致设备受到严重破坏,给企业和人员带来严重的损害。因此,对超高压磨料水射流切割机床的故障预警与诊断技术提出更为迫切的要求。本文针对超高压磨料水射流切割机床智能化故障诊断的需求,将利用传感器技术,人工神经网络模型和优化后的神经网络模型,研究出一种适用于超高磨料水射流切割机床的故障诊断方法,并建立对机床的故障预测的智能模块系统。首先通过分析磨料水射流的工作原理、元器件特征参数以及常见故障,来选取本文研究的特征参数和故障类型;其次,对比现有的智能型故障诊断方法的优缺点,并选取出神经网络的方法,分析其故障诊断过程,利用传感器技术收集机床的原始数据,结合神经网络对训练数据的需求,整理出样本数据并建立特征参数矩阵和故障类型矩阵;然后,通过对BP神经网络各层的节点数设置和故障类型的编码,将样本数据和对应的故障类型编码分别作为BP神经网络...
【文章来源】：西华大学四川省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
水射流切割机床Fig1.1WaterJetCuttingMachineTool
2 超高压磨料水射流切割系统工作原理及特征参数和故障分析在超高压磨料水射流切割机床的故障诊断中，特征参数的选取是一个关键点，特征参数必须要精确的反映出设备的工作情况，所以在进行建立故障诊断模型之前，需要对超高压磨料水射流切割机床几个关键元器件设备的工作状态进行分析，并确立超高压磨料水射流切割机床的特征参数和常见故障类型，作为本文研究对象。2.1 超高压磨料水射流切割系统工作原理磨料水射流切割系统主要是由增压系统、低压供水系统、磨料供给系统、数控系统和循环系统等构成[28]。
来进行预测。在故障诊断中，灰色模型可以根据已有的特征信息来对预测设发展趋势。由于灰色模型基于少量数据就可以建立模型，在诊断大样本的预测力，预测效果不够好[38]。4、专家系统专家系统隶属于人工智能技术，并仿照专家的经验和知识来处理问题[39]。换句是依靠许多经验和知识组成的程序系统，是一组智能化程序[40]。包含知识库和前者主要功能是储存知识，而知识的形式不是固定单一的，可能是多种多样的结构，可能是规则等，因此，知识库就是反映专家系统性能最要指标，知识库以及存储知识的质量就很大程度的决定着专家系统性能；后者就是具体求解问执行部门，按照一定的方法和推理逻辑来找到知识，它与知识库是分离的，可机就是专家系统的解题思路。故障诊断专家系统知识库的知识来源于维修人员或者很多专业的专家多年来的经验。具体的流程是：设备有故障，将故障的表象输入到计算机，通过故障现推理机一系列的分析推理算法，结合知识库中的知识进行选择匹配，得到故障通过人机交互界面提出具体的方案来解决故障。
【参考文献】：
期刊论文
[1]一种BP神经网络的汽车齿轮箱故障诊断方法及实验验证[J]. 杨家印. 机械传动. 2019(01)
[2]状态监测与故障诊断技术在化工设备维护中的应用[J]. 胥天婷,吴玮. 智能城市. 2018(20)
[3]关于故障预测与健康管理技术的几点认识[J]. 年夫顺. 仪器仪表学报. 2018(08)
[4]基于REF网络的船用柴油机故障检测[J]. 张寒,刘亦薇. 科技风. 2018(04)
[5]一种改进的算法在天然气净化脱硫装置中的应用[J]. 闫龙. 天然气化工(C1化学与化工). 2017(04)
[6]微波散射计反演海面风场的神经网络方法研究[J]. 陈坤堂,董晓龙,徐星欧,郎姝燕. 遥感技术与应用. 2017(04)
[7]改进的基于遗传优化BP神经网络的电网故障诊断[J]. 袁圃,毛剑琳,向凤红,刘恋,张茂兴. 电力系统及其自动化学报. 2017(01)
[8]微磨料水射流加工技术研究现状[J]. 李增强,赵佩杰,宋雨轩,孙涛. 纳米技术与精密工程. 2016(02)
[9]基于BP神经网络的机械系统故障诊断[J]. 李群燕,幸福堂,桂瞬丰. 安全与环境工程. 2015(06)
[10]模糊理论在系统故障诊断中的应用[J]. 杨国忠,吴碧容,辛少菲. 计算机与数字工程. 2015(05)
博士论文
[1]齿轮箱振动特性分析与智能故障诊断方法研究[D]. 何俊.浙江大学 2018
[2]高维遥感数据土地覆盖特征提取与分类研究[D]. 刘正军.中国科学院研究生院（遥感应用研究所） 2003
硕士论文
[1]基于遗传算法-BP神经网络的旋回式破碎机故障诊断系统研究[D]. 田晶晶.西安建筑科技大学 2018
[2]改进GABP算法的磨料水射流切割质量智能控制研究[D]. 鄢烈忠.西华大学 2018
[3]高速列车电磁发射测量与数据分析[D]. 孙晓英.北京交通大学 2017
[4]基于改进神经网络的变压器故障诊断方法的研究[D]. 李江浩.华北电力大学 2015
[5]危化品运输船舶远程监控及故障诊断关键技术研究[D]. 冒志敏.南京航空航天大学 2015
[6]一种新的神经网络混合预报模型的应用研究[D]. 李雪莲.南京信息工程大学 2013
[7]遗传算法与RBF神经网络融合技术应用于微车后桥故障诊断[D]. 刘委.武汉理工大学 2013
[8]基于BP神经网络的再生混凝土强度预测[D]. 孟红.青岛理工大学 2012
[9]基于SaaS模式的电子采购平台的研究及实现[D]. 张哲.复旦大学 2012
[10]基于主元分析的动态系统故障检测方法研究[D]. 陈志文.中南大学 2012
本文编号：2934179
【文章来源】：西华大学四川省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
水射流切割机床Fig1.1WaterJetCuttingMachineTool
2 超高压磨料水射流切割系统工作原理及特征参数和故障分析在超高压磨料水射流切割机床的故障诊断中，特征参数的选取是一个关键点，特征参数必须要精确的反映出设备的工作情况，所以在进行建立故障诊断模型之前，需要对超高压磨料水射流切割机床几个关键元器件设备的工作状态进行分析，并确立超高压磨料水射流切割机床的特征参数和常见故障类型，作为本文研究对象。2.1 超高压磨料水射流切割系统工作原理磨料水射流切割系统主要是由增压系统、低压供水系统、磨料供给系统、数控系统和循环系统等构成[28]。
来进行预测。在故障诊断中，灰色模型可以根据已有的特征信息来对预测设发展趋势。由于灰色模型基于少量数据就可以建立模型，在诊断大样本的预测力，预测效果不够好[38]。4、专家系统专家系统隶属于人工智能技术，并仿照专家的经验和知识来处理问题[39]。换句是依靠许多经验和知识组成的程序系统，是一组智能化程序[40]。包含知识库和前者主要功能是储存知识，而知识的形式不是固定单一的，可能是多种多样的结构，可能是规则等，因此，知识库就是反映专家系统性能最要指标，知识库以及存储知识的质量就很大程度的决定着专家系统性能；后者就是具体求解问执行部门，按照一定的方法和推理逻辑来找到知识，它与知识库是分离的，可机就是专家系统的解题思路。故障诊断专家系统知识库的知识来源于维修人员或者很多专业的专家多年来的经验。具体的流程是：设备有故障，将故障的表象输入到计算机，通过故障现推理机一系列的分析推理算法，结合知识库中的知识进行选择匹配，得到故障通过人机交互界面提出具体的方案来解决故障。
【参考文献】：
期刊论文
[1]一种BP神经网络的汽车齿轮箱故障诊断方法及实验验证[J]. 杨家印. 机械传动. 2019(01)
[2]状态监测与故障诊断技术在化工设备维护中的应用[J]. 胥天婷,吴玮. 智能城市. 2018(20)
[3]关于故障预测与健康管理技术的几点认识[J]. 年夫顺. 仪器仪表学报. 2018(08)
[4]基于REF网络的船用柴油机故障检测[J]. 张寒,刘亦薇. 科技风. 2018(04)
[5]一种改进的算法在天然气净化脱硫装置中的应用[J]. 闫龙. 天然气化工(C1化学与化工). 2017(04)
[6]微波散射计反演海面风场的神经网络方法研究[J]. 陈坤堂,董晓龙,徐星欧,郎姝燕. 遥感技术与应用. 2017(04)
[7]改进的基于遗传优化BP神经网络的电网故障诊断[J]. 袁圃,毛剑琳,向凤红,刘恋,张茂兴. 电力系统及其自动化学报. 2017(01)
[8]微磨料水射流加工技术研究现状[J]. 李增强,赵佩杰,宋雨轩,孙涛. 纳米技术与精密工程. 2016(02)
[9]基于BP神经网络的机械系统故障诊断[J]. 李群燕,幸福堂,桂瞬丰. 安全与环境工程. 2015(06)
[10]模糊理论在系统故障诊断中的应用[J]. 杨国忠,吴碧容,辛少菲. 计算机与数字工程. 2015(05)
博士论文
[1]齿轮箱振动特性分析与智能故障诊断方法研究[D]. 何俊.浙江大学 2018
[2]高维遥感数据土地覆盖特征提取与分类研究[D]. 刘正军.中国科学院研究生院（遥感应用研究所） 2003
硕士论文
[1]基于遗传算法-BP神经网络的旋回式破碎机故障诊断系统研究[D]. 田晶晶.西安建筑科技大学 2018
[2]改进GABP算法的磨料水射流切割质量智能控制研究[D]. 鄢烈忠.西华大学 2018
[3]高速列车电磁发射测量与数据分析[D]. 孙晓英.北京交通大学 2017
[4]基于改进神经网络的变压器故障诊断方法的研究[D]. 李江浩.华北电力大学 2015
[5]危化品运输船舶远程监控及故障诊断关键技术研究[D]. 冒志敏.南京航空航天大学 2015
[6]一种新的神经网络混合预报模型的应用研究[D]. 李雪莲.南京信息工程大学 2013
[7]遗传算法与RBF神经网络融合技术应用于微车后桥故障诊断[D]. 刘委.武汉理工大学 2013
[8]基于BP神经网络的再生混凝土强度预测[D]. 孟红.青岛理工大学 2012
[9]基于SaaS模式的电子采购平台的研究及实现[D]. 张哲.复旦大学 2012
[10]基于主元分析的动态系统故障检测方法研究[D]. 陈志文.中南大学 2012
本文编号：2934179
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/2934179.html
