面向健康状态诊断的数控机床故障辨识方法研究
发布时间：2021-04-21 14:03
数控机床作为现代制造生产中的关键技术设备,以其高精密度、高效率的生产特性成为了现代工业之母。因机床故障而引起的停机事件给企业带来了巨大的经济损失,而数控机床机械部件由于诊断困难广泛采用定期维护与更换的维修制度,造成人力与物质资源的极大浪费,因此对数控机床的健康诊断和故障辨识方法研究具有十分重要的意义。本文以数控机床的常见故障部件伺服系统、滚动轴承和变速齿轮箱为研究对象,以现代机器学习理论及方法为基础,针对其故障机理、故障特征提取、故障模式分类以及健康状态评估等方面进行深入地研究,分别开展了基于贝叶斯网络的灰色关联区间三角模糊多属性伺服系统故障诊断方法、基于流形学习的变速箱故障特征提取方法和基于深度卷积神经网络的滚动轴承故障分类方法的研究,并搭建了面向健康状态诊断的数控机床故障辨识系统。论文的主要工作如下:（1）针对数控机床伺服系统故障信息属性权重未知的特点,通过对伺服系统机理分析,提出一种基于贝叶斯网络的灰色关联区间三角模糊多属性故障诊断方法。将主轴伺服系统各故障信息之间多属性层次结构利用贝叶斯网络建立了逻辑关系,为了获得各故障信息的权重值,在传统灰色关联分析理论的基础上,通过构建多目...
【文章来源】：山东农业大学山东省
【文章页数】：106 页
【学位级别】：博士
【文章目录】：
中文摘要
Abstract
1 绪论
1.1 研究背景、意义及目的
1.2 数控机床故障诊断国内外研究现状
1.2.1 伺服系统故障诊断国内外研究现状
1.2.2 变速齿轮箱故障诊断国内外研究
1.2.3 滚动轴承故障诊断国内外研究现状
1.3 健康状态诊断评估国内外研究现状
1.4 本文研究内容和技术路线
1.5 本章小结
2 故障信息权重未知的主轴伺服系统故障诊断方法研究
2.1 引言
2.2 伺服系统故障机理分析
2.3 基于贝叶斯网络的灰色系统关联分析法
2.3.1 贝叶斯网络
2.3.2 灰色系统理论
2.4 基于灰色关联法修正的区间三角模糊多属性方法
2.5 基于区间三角模糊多属性灰色关联决策方法的主轴伺服系统故障分析
2.6 本章小节
3 基于流形学习的变速箱故障特征提取方法研究
3.1 引言
3.2 变速齿轮箱故障机理分析
3.2.1 齿轮箱动力学分析
3.2.2 齿轮振动原理分析
3.3 流形学习
3.4 监督拉普拉斯特征学习算法
3.5 基于监督拉普拉斯特征学习的变速箱故障特征提取方法
3.6 故障特征提取试验分析
3.6.1 IRIS样本集
3.6.2 转子试验台模拟数据
3.6.3 机床变速箱数据
3.7 本章小结
4 基于深度卷积神经网络的滚动轴承故障分类方法研究
4.1 引言
4.2 滚动轴承故障机理分析
4.2.1 滚动轴承动力学分析
4.2.2 滚动轴承振动分析
4.3 深度学习
4.4 深度卷积神经网络
4.4.1 深度卷积神经网络结构
4.4.2 卷积层
4.4.3 池化层
4.4.4 全连接层
4.5 基于深度卷积神经网络的轴承故障分类方法
4.6 滚动轴承故障诊断实例
4.7 本章小结
5 数控机床健康状态诊断与故障辨识系统试验
5.1 引言
5.2 数控机床健康状态诊断与故障辨识系统构建
5.3 试验方案设计
5.3.1 传感器选择
5.3.2 I/O模块选择
5.3.3 数据采集平台选择
5.4 数控机床主轴伺服系统故障试验
5.5 数控机床变速箱故障试验
5.6 数控机床滚动轴承故障试验
5.7 数控机床健康诊断与故障辨识系统
5.7.1 系统设置模块
5.7.2 数据采集分析模块
5.7.3 健康分析模块
5.7.4 故障辨识模块
5.8 本章小结
6 总结与展望
6.1 结论
6.2 论文创新点
6.3 研究展望
参考文献
致谢
攻读学位期间主要成果
【参考文献】：
期刊论文
[1]CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究[J]. 张立智,井陆阳,徐卫晓,谭继文. 机械科学与技术. 2019(10)
[2]基于卷积神经网络的层级化智能故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰. 控制与决策. 2019(12)
[3]滚动轴承故障诊断的自适应包络谱谱峰因子算法[J]. 张龙,毛志德,熊国良,崔路瑶. 机械科学与技术. 2019(04)
[4]数控机床控制及故障诊断系统的设计与实现[J]. 周少梅. 自动化与仪器仪表. 2018(10)
[5]基于阶频谱相关组合切片能量和SVM的滚动轴承故障诊断[J]. 汪治安,夏均忠,白云川,刘鲲鹏,吕麒鹏. 军事交通学院学报. 2017(12)
[6]基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断[J]. 张曹,陈珺,刘飞. 计算机测量与控制. 2017(12)
[7]基于卷积神经网络的异步电机故障诊断[J]. 王丽华,谢阳阳,周子贤,张永宏,赵晓平. 振动.测试与诊断. 2017(06)
[8]伺服系统故障诊断专家系统设计[J]. 张翔翔,汤岳斌. 微电机. 2017(09)
[9]基于激光自混合干涉技术和小波变换的齿轮箱故障诊断[J]. 姜春雷,周旭明. 光学技术. 2017(01)
[10]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)
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]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
[3]基于异类传感器融合的数控机床伺服系统故障诊断关键技术研究[D]. 孙显彬.青岛理工大学 2016
[4]面向飞行器关键部件健康管理的故障预测方法研究[D]. 范彬.国防科学技术大学 2015
[5]局部特征尺度分解方法及其在机械故障诊断中的应用研究[D]. 郑近德.湖南大学 2014
[6]异步电机定子绕组匝间故障诊断方法研究[D]. 王旭红.湖南大学 2012
[7]几种模糊多属性决策方法及其应用[D]. 张市芳.西安电子科技大学 2012
[8]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
[9]信息融合和贝叶斯网络集成的故障诊断理论方法及实验研究[D]. 刘思远.燕山大学 2010
[10]混合智能技术及其在故障诊断中的应用研究[D]. 雷亚国.西安交通大学 2007
硕士论文
[1]基于机器学习的故障预测与健康管理（PHM）方法研究[D]. 李永亮.电子科技大学 2017
[2]基于模糊理论和时间序列分析的开关柜在线健康状态评估与预测辅助系统研究[D]. 彭炎亮.安徽师范大学 2016
[3]基于核密度估计和K-L散度的旋转机械故障诊断与健康评估方法研究[D]. 张凡.电子科技大学 2015
[4]基于健康状态评估的数控机床维修决策[D]. 雷刚.华中科技大学 2014
[5]基于小波包特征提取和流向图故障决策的齿轮故障诊断[D]. 牛培路.哈尔滨工业大学 2013
[6]基于隐Markov模型的重型数控机床健康状态评估方法研究[D]. 孙耀宗.华中科技大学 2013
[7]高速滚珠丝杠副性能试验台的研制及丝杠温升试验[D]. 程鑫.山东大学 2011
[8]基于小波神经网络的数控机床关键部件故障诊断[D]. 乔宏.西南交通大学 2011
[9]振动诊断技术在数控机床状态监测与故障诊断中应用的研究[D]. 邓晓云.大连交通大学 2010
[10]基于场路耦合的交流电机故障引起的振动研究[D]. 黎腊红.河海大学 2007
本文编号：3151894
【文章来源】：山东农业大学山东省
【文章页数】：106 页
【学位级别】：博士
【文章目录】：
中文摘要
Abstract
1 绪论
1.1 研究背景、意义及目的
1.2 数控机床故障诊断国内外研究现状
1.2.1 伺服系统故障诊断国内外研究现状
1.2.2 变速齿轮箱故障诊断国内外研究
1.2.3 滚动轴承故障诊断国内外研究现状
1.3 健康状态诊断评估国内外研究现状
1.4 本文研究内容和技术路线
1.5 本章小结
2 故障信息权重未知的主轴伺服系统故障诊断方法研究
2.1 引言
2.2 伺服系统故障机理分析
2.3 基于贝叶斯网络的灰色系统关联分析法
2.3.1 贝叶斯网络
2.3.2 灰色系统理论
2.4 基于灰色关联法修正的区间三角模糊多属性方法
2.5 基于区间三角模糊多属性灰色关联决策方法的主轴伺服系统故障分析
2.6 本章小节
3 基于流形学习的变速箱故障特征提取方法研究
3.1 引言
3.2 变速齿轮箱故障机理分析
3.2.1 齿轮箱动力学分析
3.2.2 齿轮振动原理分析
3.3 流形学习
3.4 监督拉普拉斯特征学习算法
3.5 基于监督拉普拉斯特征学习的变速箱故障特征提取方法
3.6 故障特征提取试验分析
3.6.1 IRIS样本集
3.6.2 转子试验台模拟数据
3.6.3 机床变速箱数据
3.7 本章小结
4 基于深度卷积神经网络的滚动轴承故障分类方法研究
4.1 引言
4.2 滚动轴承故障机理分析
4.2.1 滚动轴承动力学分析
4.2.2 滚动轴承振动分析
4.3 深度学习
4.4 深度卷积神经网络
4.4.1 深度卷积神经网络结构
4.4.2 卷积层
4.4.3 池化层
4.4.4 全连接层
4.5 基于深度卷积神经网络的轴承故障分类方法
4.6 滚动轴承故障诊断实例
4.7 本章小结
5 数控机床健康状态诊断与故障辨识系统试验
5.1 引言
5.2 数控机床健康状态诊断与故障辨识系统构建
5.3 试验方案设计
5.3.1 传感器选择
5.3.2 I/O模块选择
5.3.3 数据采集平台选择
5.4 数控机床主轴伺服系统故障试验
5.5 数控机床变速箱故障试验
5.6 数控机床滚动轴承故障试验
5.7 数控机床健康诊断与故障辨识系统
5.7.1 系统设置模块
5.7.2 数据采集分析模块
5.7.3 健康分析模块
5.7.4 故障辨识模块
5.8 本章小结
6 总结与展望
6.1 结论
6.2 论文创新点
6.3 研究展望
参考文献
致谢
攻读学位期间主要成果
【参考文献】：
期刊论文
[1]CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究[J]. 张立智,井陆阳,徐卫晓,谭继文. 机械科学与技术. 2019(10)
[2]基于卷积神经网络的层级化智能故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰. 控制与决策. 2019(12)
[3]滚动轴承故障诊断的自适应包络谱谱峰因子算法[J]. 张龙,毛志德,熊国良,崔路瑶. 机械科学与技术. 2019(04)
[4]数控机床控制及故障诊断系统的设计与实现[J]. 周少梅. 自动化与仪器仪表. 2018(10)
[5]基于阶频谱相关组合切片能量和SVM的滚动轴承故障诊断[J]. 汪治安,夏均忠,白云川,刘鲲鹏,吕麒鹏. 军事交通学院学报. 2017(12)
[6]基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断[J]. 张曹,陈珺,刘飞. 计算机测量与控制. 2017(12)
[7]基于卷积神经网络的异步电机故障诊断[J]. 王丽华,谢阳阳,周子贤,张永宏,赵晓平. 振动.测试与诊断. 2017(06)
[8]伺服系统故障诊断专家系统设计[J]. 张翔翔,汤岳斌. 微电机. 2017(09)
[9]基于激光自混合干涉技术和小波变换的齿轮箱故障诊断[J]. 姜春雷,周旭明. 光学技术. 2017(01)
[10]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)
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]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
[3]基于异类传感器融合的数控机床伺服系统故障诊断关键技术研究[D]. 孙显彬.青岛理工大学 2016
[4]面向飞行器关键部件健康管理的故障预测方法研究[D]. 范彬.国防科学技术大学 2015
[5]局部特征尺度分解方法及其在机械故障诊断中的应用研究[D]. 郑近德.湖南大学 2014
[6]异步电机定子绕组匝间故障诊断方法研究[D]. 王旭红.湖南大学 2012
[7]几种模糊多属性决策方法及其应用[D]. 张市芳.西安电子科技大学 2012
[8]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
[9]信息融合和贝叶斯网络集成的故障诊断理论方法及实验研究[D]. 刘思远.燕山大学 2010
[10]混合智能技术及其在故障诊断中的应用研究[D]. 雷亚国.西安交通大学 2007
硕士论文
[1]基于机器学习的故障预测与健康管理（PHM）方法研究[D]. 李永亮.电子科技大学 2017
[2]基于模糊理论和时间序列分析的开关柜在线健康状态评估与预测辅助系统研究[D]. 彭炎亮.安徽师范大学 2016
[3]基于核密度估计和K-L散度的旋转机械故障诊断与健康评估方法研究[D]. 张凡.电子科技大学 2015
[4]基于健康状态评估的数控机床维修决策[D]. 雷刚.华中科技大学 2014
[5]基于小波包特征提取和流向图故障决策的齿轮故障诊断[D]. 牛培路.哈尔滨工业大学 2013
[6]基于隐Markov模型的重型数控机床健康状态评估方法研究[D]. 孙耀宗.华中科技大学 2013
[7]高速滚珠丝杠副性能试验台的研制及丝杠温升试验[D]. 程鑫.山东大学 2011
[8]基于小波神经网络的数控机床关键部件故障诊断[D]. 乔宏.西南交通大学 2011
[9]振动诊断技术在数控机床状态监测与故障诊断中应用的研究[D]. 邓晓云.大连交通大学 2010
[10]基于场路耦合的交流电机故障引起的振动研究[D]. 黎腊红.河海大学 2007
本文编号：3151894
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3151894.html
