数控机床滚动轴承故障预警系统的设计与实现

发布时间：2022-08-02 21:28

　　随着工业和科技的快速发展,数控机床的智能化水平不断提高,设备部件的故障诊断技术已经趋于成熟,但是故障诊断只能做到对部件的故障分类,不能智能预警。因此,滚动轴承的故障预警系统受到大家的青睐,该系统具有状态检测、预知故障以及提供预警建议的能力。但目前的系统大多通过轴承的失效机理和本身的服役性能来间接的提供预警,这种方式不具有很强的智能性,因此本文通过深度学习技术来预测轴承的剩余寿命,通过寿命的结果给出相应的预警措施,结合软件工程理论搭建易于操作的预警系统。首先,对滚动轴承的具体结构进行分析,给出了轴承的退化类型;介绍轴承振动产生的原因,通过对轴承振动频率进行分析,对比自身运行产生振动和退化造成振动的区别,为振动信号可用于预测寿命提供理论依据;总结出轴承性能的退化规律,给出轴承剩余寿命预测和故障预警的联系。然后,针对滚动轴承剩余寿命难预测的情况,在分析了轴承原始信号特征提取困难的基础上,提出了降噪自编码器信号预处理以及基于多尺度卷积神经网络的轴承剩余寿命预测方式。该方法首先使用降噪自编码器对轴承原始振动信号进行编码,然后将编码结果依次经过浅层特征提取模块、深层特征提取模块、数据融合模块和输出... 

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 选题的背景和意义
    1.2 国内外相关领域的研究现状
        1.2.1 轴承信号监测技术
        1.2.2 剩余寿命预测技术
    1.3 研究内容和组织结构
    1.4 本章小结
第2章 轴承退化机理和剩余寿命介绍
    2.1 引言
    2.2 滚动轴承结构
    2.3 滚动轴承退化类型
    2.4 滚动轴承的振动分析
        2.4.1 滚动轴承振动原因
        2.4.2 滚动轴承振动频率分析
    2.5 滚动轴承剩余寿命介绍
        2.5.1 滚动轴承故障率变化规律
        2.5.2 滚动轴承剩余寿命预测定义
    2.6 本章小结
第3章 卷积神经网络
    3.0 引言
    3.1 模型对比
    3.2 传统卷积神经网络结构
        3.2.1 卷积层
        3.2.2 激活层
        3.2.3 池化层
        3.2.4 全连接层
    3.3 防止过拟合技术
        3.3.1 正则化技术
        3.3.2 Dropout技术
    3.4 本章小结
第4章 基于多尺度卷积神经网络的轴承剩余寿命研究
    4.1 引言
    4.2 信号预处理
    4.3 多尺度卷积神经网络模型
        4.3.1 模型结构
        4.3.2 浅层特征提取模块
        4.3.3 深层特征提取模块
        4.3.4 数据融合模块
        4.3.5 损失函数
    4.4 轴承剩余寿命预测流程
    4.5 实验与结果分析
        4.5.1 实验数据来源
        4.5.2 实验结果
        4.5.3 结果对比分析
    4.6 本章小结
第5章 轴承故障预警系统的设计与实现
    5.1 引言
    5.2 系统的总体规划
    5.3 系统软硬件设计
        5.3.1 硬件设计
        5.3.2 软件程序设计
    5.4 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果



本文编号：3669282