数控机床滚动轴承健康状况监测系统设计与实现

发布时间：2022-07-29 18:05

　　数控机床是制造业的基础产业也是战略产业,随着现代科技的进步,数控机床也在朝着高可靠性,高精度,智能化和网络化的道路上发展。在此基础上监控数控机床的健康状况以及故障诊断和预警是实现这一目标的必然选择。滚动轴承是数控机床的故障易发的关键部件。其故障振动信号通常具有较强的非线性和非平稳性,并且由于工作环境的复杂往往还受噪声的干扰。因而国内外众多的学者对进行了研究。各种时频方法及其改进方法不断被提出,深度学习也被逐步应用到滚动轴承故障的诊断中来,使得诊断的准确率不断提高,智能性也不断增强。但随着工业大数据时代的来临,机械健康状态的监测也进入了大数据时代,带来新的机遇与挑战。本文以数控机床滚动轴承为研究对象,从滚动轴承故障发生的原因及振动特征分析入手,对各种时频分析方法做了比较,并将传统的时频分析方法与深度卷积神经网络有机结合,即EEMD与VMD同卷积神经网络结合的滚动轴承健康状况诊断方法。该方法既能够发挥EEMD与VMD在处理非线性非平稳信号的优势,又能够充分发挥深度卷积神经网络在故障特征自提取的强大能力,适应大数据故障诊断的需求,避免了人为特征的选择,增强了特征提取的智能性,是一种端到端的滚... 

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

旋转机械故障原因

滚动轴承基本结构

EMD方法流程图

【参考文献】：
期刊论文
[1]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬.  振动与冲击. 2018(19)
[2]基于深度学习的轴承健康因子无监督构建方法[J]. 赵光权,刘小勇,姜泽东,胡聪.  仪器仪表学报. 2018(06)
[3]基于深度学习的滚动轴承故障诊断研究综述[J]. 张雪英,栾忠权,刘秀丽.  设备管理与维修. 2017(18)
[4]基于深度神经网络的滚动轴承故障诊断[J]. 卫洁洁,杨喜旺,黄晋英,尹学慧,卫晓洁.  组合机床与自动化加工技术. 2017(11)
[5]基于变分模态分解和Teager能量算子的滚动轴承故障特征提取[J]. 马增强,李亚超,刘政,谷朝健.  振动与冲击. 2016(13)
[6]基于深度信念网络的轴承故障分类识别[J]. 李巍华,单外平,曾雪琼.  振动工程学报. 2016(02)
[7]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)
[8]参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用[J]. 唐贵基,王晓龙.  西安交通大学学报. 2015(05)
[9]滚动轴承运行状态智能化监测[J]. 李露加.  河南科技. 2014(01)
[10]基于改进粗糙集的滚动轴承故障诊断的计算机仿真研究[J]. 崔永良,李见伟.  煤矿机械. 2012(11)

博士论文
[1]基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究[D]. 吕中亮.重庆大学 2016
[2]齿轮箱复合故障诊断特征提取的若干方法研究[D]. 王志坚.太原理工大学 2015
[3]基于振动信号特征提取与表达的旋转机械状态监测与故障诊断研究[D]. 黄伟国.中国科学技术大学 2010
[4]基于EMD和支持向量机的旋转机械故障诊断方法研究[D]. 杨宇.湖南大学 2005

硕士论文
[1]基于深度信念网络的故障诊断研究[D]. 文红权.北京交通大学 2018
[2]大数据在滚动轴承故障诊断中的应用研究[D]. 白广晨.北京邮电大学 2017
[3]基于多源不确定信息融合的数控机床滚动轴承故障诊断方法与实验研究[D]. 冯春生.青岛理工大学 2015
[4]滚动轴承故障诊断系统设计[D]. 赵江萍.中国计量学院 2015
[5]基于振动信号的滚动轴承故障诊断与预测系统研究[D]. 王泽文.中国矿业大学 2014
[6]基于多信息源的滚动轴承故障诊断方法与实验研究[D]. 温国强.青岛理工大学 2013
[7]基于支持向量机的数控机床进给系统滚动轴承故障诊断研究[D]. 王岩.青岛理工大学 2013
[8]网络智能滚齿机故障诊断及维护系统设计与应用研究[D]. 胡林桥.重庆大学 2012
[9]小波变换在轴承故障诊断中的研究与应用[D]. 姜绍俊.大连交通大学 2010
[10]基于BP神经网络的滚动轴承故障诊断方法[D]. 于婷婷.大连理工大学 2008



本文编号：3666924