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

发布时间：2017-03-20 03:02

  本文关键词：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，由笔耕文化传播整理发布。

【摘要】：滚动轴承是机械设备中主要的基础旋转部件之一,同时也是机械设备主要的故障源之一。因此,开展关于滚动轴承故障机理与诊断方法的研究工作对于及时发现并排除滚动轴承故障,以保证机械设备正常运转、提高生产效率和生产质量具有重要的理论和实际工程意义。本论文以数控机床进给工作台中滚珠丝杠轴端的滚动轴承作为研究对象,综合分析了滚动轴承故障产生机理及其常见失效形式、常用故障诊断方法及其适应性。考虑到滚动轴承故障产生的随机性、传感器的测量误差、环境的复杂性等因素会导致实验获得的故障信息具有随机性、不确定性和不完全性等特点,采用外部多传感器与提取机床内部伺服信息相结合的方法获取滚动轴承的多源故障信息,借助相应的信号处理与信息融合方法实现了对多源信息的数据级、特征级和决策级融合,搭建了一套基于多源不确定信息融合的数控机床滚动轴承故障诊断系统。主要研究工作如下:从滚动轴承的结构特点入手,研究了滚动轴承的故障产生机理、常见失效形式和常用故障检测方法及其适应性,确定了本文选取的故障检测方法、外置传感器类型以及传感器安装测点;根据机床内部伺服信息与滚动轴承故障状态之间的关系,选择并提取了部分机床内部伺服参数;基于NI PCI-6143多通道采集板卡与Lab VIEW软件平台搭建了多通道数据采集系统。基于对滚动轴承故障信号非线性、非平稳性的考虑,引入统计学理论与小波包分解方法,对滚动轴承故障信号进行了时域、频域和时频域分析并提取了相关特征值;为有效剔除冗余信息、简化故障诊断过程并提高故障诊断效率,应用粗糙集理论实现对故障特征值的筛选,建立故障特征值的训练集与测试集。引入SVM方法,将数据采集、特征提取与筛选和模式识别相结合,建立了一套基于多源信息融合的滚动轴承故障诊断系统,实现多源信息数据级与特征级融合;为优化SVM诊断效果,引入遗传算法对SVM网络的部分参数进行了优化。考虑滚动轴承故障信息的随机性、不确定性和不完全性特点,提出了基于云模型和证据理论的多源不确定信息融合方法。研究了云模型中云参数的获取方法,通过云模型获取证据矩阵;提出一种改进D-S证据理论的方法对证据融合权重重新分配后进行融合;将云模型与改进D-S证据理论相结合,实现对滚动轴承故障模式的识别,通过实验证明了该方法的可行性。
【关键词】：滚动轴承 故障诊断 多源信息融合 粗糙集 小波包 云模型 证据理论 模式识别
【学位授予单位】：青岛理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TG659
【目录】：

• 摘要9-11
• Abstract11-13
• 第1章 绪论13-21
• 1.1 课题概述13-14
• 1.1.1 课题来源13
• 1.1.2 课题研究背景及意义13-14
• 1.2 滚动轴承故障诊断技术发展与研究现状14-19
• 1.2.1 滚动轴承故障诊断技术的发展与现状14-15
• 1.2.2 常用滚动轴承故障信息检测技术概述15-16
• 1.2.3 现代常用滚动轴承故障诊断方法简介16-18
• 1.2.4 基于多源信息融合的故障诊断18-19
• 1.3 本论文主要研究内容19-21
• 第2章 滚动轴承及其故障机理分析21-28
• 2.1 滚动轴承简介21-23
• 2.1.1 滚动轴承结构简介21-22
• 2.1.2 滚动轴承典型失效形式22-23
• 2.2 滚动轴承振动特征分析23-26
• 2.2.1 滚动轴承振动产生机理23
• 2.2.2 滚动轴承的故障特征频率计算23-24
• 2.2.3 频谱分析24-26
• 2.3 滚动轴承故障检测方法的确定26-27
• 2.4 本章小结27-28
• 第3章 滚动轴承故障信号采集实验系统设计28-39
• 3.1 实验系统设计28
• 3.2 实验材料制备与仪器选取28-33
• 3.2.1 实验故障件制备28-29
• 3.2.2 实验用传感器选择29-32
• 3.2.3 数据采集平台及数据采集卡选型32-33
• 3.3 基于LabVIEW的数据采集系统搭建33-35
• 3.3.1 传感器布置33-34
• 3.3.2 基于LabVIEW的信号采集程序编制34-35
• 3.4 机床内部伺服信息的提取35-38
• 3.4.1 操作面板信息提取35-37
• 3.4.2 其他机床伺服信息提取37-38
• 3.5 本章小结38-39
• 第4章 滚动轴承故障信号的分析处理39-58
• 4.1 信号分析与处理概述39
• 4.2 滚动轴承故障信号特征提取39-48
• 4.2.1 时域特征提取39-41
• 4.2.2 频域特征提取41-45
• 4.2.3 时频域特征提取45-48
• 4.3 基于粗糙集理论的滚动轴承故障信号特征值筛选48-57
• 4.3.1 特征筛选概述48-49
• 4.3.2 粗糙集理论49-57
• 4.4 本章小结57-58
• 第5章 基于优化支持向量机的滚动轴承故障模式识别方法研究58-68
• 5.1 概述58
• 5.2 基本理论58-62
• 5.2.1 支持向量机58-61
• 5.2.2 遗传算法61-62
• 5.3 基于遗传优化的SVM方法62-67
• 5.4 本章小结67-68
• 第6章 基于云模型和改进D-S证据理论的滚动轴承故障诊断方法68-85
• 6.1 概述68
• 6.2 基本理论68-71
• 6.2.1 云模型68-70
• 6.2.2 D-S证据理论70-71
• 6.3 基于云模型与D-S证据理论的多源信息融合与模式识别方法71-77
• 6.3.1 故障诊断中的信息融合71-72
• 6.3.2 云模型建模72-73
• 6.3.3 隶属度计算73-74
• 6.3.4 融合证据计算74
• 6.3.5 融合决策74-77
• 6.4 实验研究77-84
• 6.5 本章小结84-85
• 第7章 总结与展望85-88
• 7.1 论文研究工作总结85-86
• 7.2 研究展望86-88
• 参考文献88-91
• 攻读硕士学位期间发表的学术论文91-92
• 致谢92

【参考文献】

中国期刊全文数据库 前7条

1 钟秉林;颜廷虎;;智能化故障诊断理论与方法的研究现状和展望[J];东南大学学报;1993年S1期

2 韩辉;梁国军;丛培田;;基于共振解调法的机车轴承故障诊断[J];机床与液压;2010年09期

3 韩峰;杨万海;袁晓光;;基于模糊集合的证据理论信息融合方法[J];控制与决策;2010年03期

4 张园;史永芳;迮素芳;李力;;基于邻域相关性小波去噪的滚动轴承包络解调及故障分类[J];轻工机械;2014年03期

5 尹学忠;王杰贵;;一种异类源信息融合中证据冲突问题的解决方法[J];宇航学报;2009年04期

6 陈侃;傅攀;李威霖;曹伟青;;钛合金车削加工过程中刀具磨损状态监测的小波包子带能量变换特征提取新方法[J];组合机床与自动化加工技术;2011年01期

7 裴峻峰;毕昆磊;吕苗荣;贺超;沈科君;;基于多特征参数和概率神经网络的滚动轴承故障诊断方法[J];中国机械工程;2014年15期

中国博士学位论文全文数据库 前1条

1 苏文胜;滚动轴承振动信号处理及特征提取方法研究[D];大连理工大学;2010年

中国硕士学位论文全文数据库 前2条

1 冯晓光;近似熵在往复式压缩机故障诊断中的研究应用[D];大连理工大学;2006年

2 温国强;基于多信息源的滚动轴承故障诊断方法与实验研究[D];青岛理工大学;2013年

  本文关键词：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，由笔耕文化传播整理发布。

，

本文编号：257013