基于多源信息融合的数控机床进给系统复合故障诊断研究

发布时间：2017-09-27 04:42

  本文关键词：基于多源信息融合的数控机床进给系统复合故障诊断研究

  更多相关文章： 数控机床 复合故障 故障诊断 SLLE算法 独立分量分析(ICA) 流形聚类 D-S证据理论

【摘要】：数控机床是现代工业生产中最常用、最典型的机电一体化设备,进给系统作为数控机床中的重要环节,其性能参数和进给效率直接影响数控机床的加工精度和生产质量。滚动轴承和滚珠丝杠副是进给系统中的两大主要部件,分别起到支撑和传动的作用,若二者发生故障,则会影响整个传动系统的传动效率,进而对数控机床产生巨大影响,甚至损坏。因此,开展关于数控机床进给系统的性能检测和故障诊断研究,对保障数控机床安全、可靠、高效的运行具有十分重要的意义,对实际工程应用也具有很高的实用价值。本文以数控机床进给系统中的滚动轴承和滚珠丝杠副为研究对象,综合分析国内外复合故障的研究现状,针对单一传感器信息量小、信息来源有限的缺陷,提出了基于多源信息融合的复合故障诊断方法。采用振动传感器、噪声传感器和温度传感器采集复合故障的多源信息,并借助MATLAB和LabVIEW平台进行编程,实现对复合故障的模式识别和故障诊断。分析了滚动轴承和滚珠丝杠副的故障机理及常见失效形式,确定了研究的十种复合故障类型,利用NI数据采集卡和五个外置传感器,并设计基于MATLAB的LabVIEW编程对故障信号进行采集和存储。利用时域、频域以及时频域中的EEMD方法对故障信号进行特征提取。引入SLLE降维方法对庞大的特征向量进行简化、筛选,为提高诊断的速度和精度打下了基础。在分析其振动信号特征的基础上,提出了基于EEMD-FastICA的复合故障振动信号分离方法。通过MATLAB平台建立了滚动轴承复合故障的仿真数学模型,并与试验结果进行对比分析。分析了故障数据结构特点,提出了流形聚类分析的复合故障诊断方法,用流形距离来描述数据之间的相互关系,对复合故障进行分类识别和诊断。并与其它方法进行对比,发现该方法诊断过程更加直观、简单,诊断结果准确率较高。建立了BP、RBF和GRNN三种神经网络的智能诊断系统,对复合故障筛选之后的特征值进行特征级融合。通过试验对比研究三种网络的识别性能,结果表明,GRNN神经网络在复合故障诊断中更具有优势,诊断结果更准确。基于复合故障信息具有不确定性的特点,提出了改进D-S证据理论的诊断方法。引入聚类系数的概念,对证据理论进行改进,并应用到滚动轴承和滚珠丝杠副的复合故障诊断中,实现决策级融合。试验表明,该方法降低了各证据体之间的冲突率,可有效提高复合故障诊断的准确率。
【关键词】：数控机床 复合故障 故障诊断 SLLE算法 独立分量分析(ICA) 流形聚类 D-S证据理论
【学位授予单位】：青岛理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TG659
【目录】：

• 摘要10-12
• Abstract12-14
• 第1章 绪论14-20
• 1.1 概述14-15
• 1.1.1 课题来源14
• 1.1.2 课题研究的目的及意义14-15
• 1.2 复合故障诊断技术综述15-18
• 1.2.1 复合故障诊断技术的国内外研究现状15-16
• 1.2.2 复合故障的主要特征16
• 1.2.3 复合故障诊断的主要方法16-18
• 1.2.4 基于多源信息融合的复合故障诊断18
• 1.3 本文研究的主要内容18-20
• 第2章 数控机床进给系统典型故障机理分析20-28
• 2.1 引言20
• 2.2 滚动轴承及其故障机理分析20-24
• 2.2.1 滚动轴承简介20-21
• 2.2.2 滚动轴承结构21-22
• 2.2.3 滚动轴承常见失效形式22-23
• 2.2.4 滚动轴承振动特征分析23-24
• 2.3 滚珠丝杠副及其故障机理分析24-27
• 2.3.1 滚珠丝杠副简介24
• 2.3.2 滚珠丝杠副结构24-25
• 2.3.3 滚珠丝杠副常见失效形式25-26
• 2.3.4 滚珠丝杠副振动特征分析26-27
• 2.4 本章小结27-28
• 第3章 复合故障信号采集系统设计与特征提取28-50
• 3.1 引言28-29
• 3.2 试验故障件的制备与仪器选择29-33
• 3.2.1 滚动轴承故障件制备29
• 3.2.2 滚珠丝杠副故障件制备29-30
• 3.2.3 试验传感器的选择30-33
• 3.2.4 数据采集平台及数据采集卡选择33
• 3.3 复合故障信号采集系统设计33-36
• 3.3.1 试验台简介与传感器的安装33-35
• 3.3.2 基于LabVIEW的信号采集编程35-36
• 3.4 进给系统复合故障信号特征提取36-43
• 3.4.1 时域特征参数提取36-37
• 3.4.2 频域特征参数提取37-39
• 3.4.3 时频域特征参数提取39-43
• 3.5 基于SLLE方法的特征向量构造43-49
• 3.5.1 LLE方法原理43-45
• 3.5.2 SLLE方法45-46
• 3.5.3 SLLE降维处理及性能比较46-48
• 3.5.4 SLLE方法在复合故障特征筛选中的应用48-49
• 3.6 本章小结49-50
• 第4章 基于EEMD-FASTICA的复合故障振动信号分离诊断方法50-68
• 4.1 引言50
• 4.2 ICA基本原理50-55
• 4.2.1 ICA问题的提出50
• 4.2.2 ICA算法模型50-52
• 4.2.3 ICA信号独立性判据52-53
• 4.2.4 FastICA算法及步骤53-55
• 4.3 EEMD与ICA相结合的分离方法55-56
• 4.3.1 信号相关性判据55-56
• 4.3.2 EEMD-ICA方法的分离模型56
• 4.4 复合故障仿真信号研究56-62
• 4.4.1 仿真信号的建立56-59
• 4.4.2 仿真信号的分离及故障识别59-62
• 4.5 复合故障振动信号分离试验分析62-67
• 4.5.1 轴承内圈磨损和外圈磨损信号分离63-65
• 4.5.2 轴承外圈磨损和丝杠滚道磨损信号分离65-67
• 4.6 本章小结67-68
• 第5章 基于流形聚类分析的复合故障诊断方法68-76
• 5.1 引言68
• 5.2 聚类算法68-69
• 5.2.1 聚类分析原理68-69
• 5.2.2 传统聚类方法存在的问题69
• 5.3 基于流形距离的聚类算法69-74
• 5.3.1 流形学习概念69-70
• 5.3.2 流形距离方法70-71
• 5.3.3 基于流形距离的聚类方法在复合故障诊断中的应用71-74
• 5.4 本章小结74-76
• 第6章 复合故障诊断的智能识别方法研究76-90
• 6.1 引言76
• 6.2 基于BP神经网络的复合故障诊断方法76-78
• 6.2.1 BP神经网络概述76-77
• 6.2.2 BP神经网络算法及结构特点77-78
• 6.3 基于RBF神经网络的复合故障诊断方法78-80
• 6.3.1 RBF神经网络概述78-79
• 6.3.2 RBF神经网络算法及结构特点79-80
• 6.4 基于GRNN神经网络的复合故障诊断方法80-82
• 6.4.1 GRNN神经网络概述80-81
• 6.4.2 GRNN神经网络算法及结构特点81-82
• 6.5 三种神经网络模型在复合故障诊断中的应用82-88
• 6.6 本章小结88-90
• 第7章 基于改进D-S证据理论的复合故障诊断方法90-100
• 7.1 引言90
• 7.2 D-S证据理论90-93
• 7.2.1 D-S证据理论基本原理90-92
• 7.2.2 聚类系数92-93
• 7.2.3 改进的D-S证据理论融合步骤93
• 7.3 进给系统复合故障的决策级融合93-99
• 7.3.1 改进D-S证据理论的复合故障诊断模型设计93-94
• 7.3.2 改进D-S证据理论在复合故障诊断中的应用94-99
• 7.4 本章小结99-100
• 第8章 结论与展望100-102
• 8.1 论文工作总结100-101
• 8.2 研究展望101-102
• 参考文献102-107
• 攻读硕士学位期间发表的学术论文107-108
• 致谢108

【参考文献】

中国期刊全文数据库 前10条

1 陈安华;莫志军;蒋玲莉;潘阳;;基于复杂网络社团聚类的复合故障特征分离诊断方法[J];振动与冲击;2016年07期

2 徐元博;魏振东;;EEMD与EFICA在单通道复合故障诊断中的应用[J];计算机测量与控制;2015年10期

3 张伟;周维佳;刘晓源;;基于扩展LLE方法的非线性系统故障诊断研究[J];电子学报;2015年09期

4 张弘强;皮炳坤;;一种基于模糊理论融合证据理论的网络舆情评估方法[J];信息通信;2015年06期

5 胥永刚;孟志鹏;陆明;;双树复小波包和ICA用于滚动轴承复合故障诊断[J];振动.测试与诊断;2015年03期

6 梅检民;赵慧敏;肖云魁;周斌;;基于多分类支持向量机和D-S证据理论的轴承故障诊断[J];汽车工程;2015年01期

7 唐贵基;邓飞跃;;基于改进谐波小波包分解的滚动轴承复合故障特征分离方法[J];仪器仪表学报;2015年01期

8 崔玲丽;吴春光;邬娜;;基于EMD与ICA的滚动轴承复合故障诊断[J];北京工业大学学报;2014年10期

9 李强;皮智谋;;基于FastICA-SLLE的转子系统故障诊断研究[J];组合机床与自动化加工技术;2014年08期

10 孟智慧;王昌;;应用多分辨SVD和ICA的轴承复合故障诊断研究[J];现代制造工程;2014年08期

，

本文编号：927706