基于绿色再制造技术的电主轴故障预测性诊断与分析

发布时间：2023-03-29 02:33

　　为了应对日趋严峻的环境问题,制造业已经不能够为了经济利益而对环境造成甚至不可逆的影响。为了实现行业和社会的可持续发展,汽车、航空航天等行业提出了实现零部件再制造、绿色制造、智能制造的发展方向。本文以制造业中数控机床核心部件电主轴为研究对象,通过研究机器学习算法分析其故障诊断方法。并建立绿色再制造评价指标,评价零件再制造价值。研究旨在为零部件再制造奠定基础,将其再制造价值最大化。本文主要工作及研究内容如下:(1)选择研究对象。通过文献研究、实习考察等方式对高速切削加工中心的电主轴主要结构及其主要发生的故障进行分析。通过分析选定电主轴最易损坏、疲劳程度最高的两端轴承作为重点研究对象。(2)建立诊断算法。总结分析传统诊断方法、数学诊断方法、智能诊断方法的工作机理,包括波形分析法、频谱分析法、支持向量机、K-最邻近等。确定使用K-最邻近算法作为本文的诊断算法。首先对电主轴轴承全生命周期数据进行PCA处理,再通过对PCA处理后的维度进行K-最邻近算法的应用,最终,PCA-KNN的模式能够准确判断轴承所处的工作状态,准确率优于SVM、决策树、随机森林等机器学习算法。(3)建立了绿色再制造评价指标。...

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题背景及研究意义
        1.1.1 课题来源
        1.1.2 课题背景
        1.1.3 电主轴诊断技术的研究意义
    1.2 电主轴故障诊断国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 本文主要研究内容
第二章 电主轴工作特点及故障机理
    2.1 电主轴结构特点
    2.2 电主轴故障来源及主要成因
    2.3 滚动轴承故障分析
        2.3.1 疲劳剥落
        2.3.2 磨损
        2.3.3 锈蚀
        2.3.4 胶合
        2.3.5 保持架损坏和断裂
    2.4 振动信号的采集
        2.4.1 传感器类型
        2.4.2 传感器选择
        2.4.3 传感器安装
        2.4.4 轴承振动信号
    2.5 振动信号的分析
        2.5.1 传统诊断
        2.5.2 数学诊断
        2.5.3 智能诊断
第三章 基于PCA与 KNN的故障诊断方法
    3.1 诊断方法概述
        3.1.1 K-最邻近算法
        3.1.2 主成分分析法
    3.2 诊断实例
        3.2.1 数据准备
        3.2.2 PCA
        3.2.3 KNN
        3.2.4 结论
第四章 电主轴的绿色再制造评价指标
    4.1 概述
    4.2 经济属性分析
        4.2.1 时间
        4.2.2 经济收益
        4.2.3 人力
    4.3 资源化属性分析
        4.3.1 再制造后直接重用率
        4.3.2 再制造后零件部分重用率
        4.3.3 原材料和能源消耗
    4.4 环保属性分析
        4.4.1 废水
        4.4.2 废气
        4.4.3 噪声
    4.5 再制造潜力
第五章 创新点总结与展望
    5.1 创新点总结
    5.2 展望
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢



本文编号：3773809