基于流形学习的主轴系统故障诊断方法研究

发布时间：2017-04-29 22:11

  本文关键词：基于流形学习的主轴系统故障诊断方法研究，由笔耕文化传播整理发布。

【摘要】：随着航天技术、原子能、微电子学、信息技术及生物工程等新兴科学技术的发展，对机械加工精度的要求越来越高。高速超精密数控机床是实现精密加工的首要基础条件，也是现代化制造业的关键生产设备。主轴系统故障诊断技术在企业中的应用能够及早发现数控机床故障，保持运行精度，节约维修费用，提高利用率及施行科学维护。 本文介绍了主轴系统关键部件的故障信号特征，以主轴、滚动轴承和齿轮作为研究对象，应用非线性、非平稳信号分析方法对非线性微弱信号特征提取技术与早期故障诊断技术进行深入的理论研究和应用研究。 针对主轴系统早期微弱非线性非平稳故障的特征提取技术，通过研究适合处理非线性、非平稳信号的EEMD方法和小波包分解方法，，探究流形学习算法对高维非线性数据的特征提取，提出了基于EEMD和小波包的故障敏感特征提取方法、基于流形学习的时频域统计指标的敏感特征提取方法、基于流形学习的轴心轨迹特征提取方法。 研究了流形学习和SVM的参数优化问题，考察目前常用的优化方法，包括网格搜索算法、粒子群优化算法和遗传算法，对比分析了它们的优缺点。最后将网格搜索算法应用于流形学习和SVM的参数寻优，提出了基于流形学习和SVM的故障诊断方法。 利用MATLAB和LABVIEW语言，开发了主轴系统的故障诊断系统。系统包括主轴信号分析系统、轴承与齿轮信号分析系统两个部分，分别可以实现数据采集、轴心轨迹显示、趋势分析、离线诊断等。
【关键词】：主轴系统 EEMD 小波包分解 流形学习 轴心轨迹 SVM
【学位授予单位】：北京信息科技大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP181;TH165.3
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 绪论9-16
• 1.1 论文背景及研究意义9-10
• 1.2 国内外研究现状10-14
• 1.2.1 主轴系统的诊断技术现状11
• 1.2.2 早期微弱故障特征提取技术研究11-12
• 1.2.3 故障诊断方法研究现状12-14
• 1.3 课题研究的主要内容14-16
• 第2章 主轴系统的故障特征分析16-23
• 2.1 主轴故障的信号特征16-18
• 2.1.1 主轴不平衡时的信号特征16-17
• 2.1.2 主轴回转精度不良时的信号特征17
• 2.1.3 主轴存在裂纹缺陷时的信号特征17-18
• 2.2 主轴系统关键部件的故障信号特征18-22
• 2.2.1 滚动轴承的振动机理18-19
• 2.2.2 滚动轴承的固有振动频率和故障特征频率19-20
• 2.2.3 齿轮的固有特性20-22
• 2.2.4 齿轮故障的信号特征22
• 2.3 本章小结22-23
• 第3章 主轴系统早期微弱非线性非平稳故障的特征提取方法23-46
• 3.1 EMD 的基本概念及原理23-25
• 3.1.1 基本概念23-24
• 3.1.2 经验模态分解过程24-25
• 3.1.3 经验模态分解方法存在的问题25
• 3.2 基于 EEMD 的早期特征获取方法25-29
• 3.2.1 EEMD 的分解原理25-26
• 3.2.2 IMF 选择算法及 EEMD 降噪26-27
• 3.2.3 基于 EEMD 和小波包的故障敏感特征提取27-29
• 3.3 基于流形学习的早期故障敏感特征提取29-37
• 3.3.1 流形学习算法29-33
• 3.3.1.1 等距映射算法29-31
• 3.3.1.2 局部线性嵌入算法31-32
• 3.3.1.3 局部切空间排列算法32-33
• 3.3.2 基于流形学习的时频域统计指标的敏感特征提取33-36
• 3.3.3 基于流形学习的轴心轨迹特征提取36-37
• 3.4 早期微弱故障敏感特征获取的仿真验证和实验验证37-45
• 3.4.1 早期故障敏感特征提取技术的仿真验证37-41
• 3.4.1.1 基于 EEMD 和小波包的轴承故障敏感特征提取37-39
• 3.4.1.2 基于流形学习的时频域统计指标的敏感特征提取39-41
• 3.4.2 早期微弱敏感特征获取技术的实验验证41-45
• 3.4.2.1 实验对象和样本41-42
• 3.4.2.2 基于 EEMD 和小波包的故障敏感特征提取42-43
• 3.4.2.3 基于流形学习的时频域统计指标的敏感特征提取43
• 3.4.2.4 基于流形学习的轴心轨迹特征提取43-45
• 3.4.3 早期微弱故障敏感特征提取方法的分析与对比45
• 3.5 本章小结45-46
• 第4章 基于流形学习和 SVM 的故障诊断46-71
• 4.1 支持向量机46-51
• 4.1.1 支持向量机原理46-49
• 4.1.2 多类支持向量机49-51
• 4.2 支持向量机参数的选择方法51-55
• 4.2.1 交叉验证选择法52
• 4.2.2 基于网格搜索算法的参数寻优52-53
• 4.2.3 基于粒子群优化算法的参数寻优53-54
• 4.2.4 基于遗传算法的参数寻优54-55
• 4.3 基于流形学习和 SVM 的故障诊断步骤55-56
• 4.4 实验验证56-70
• 4.4.1 滚动轴承振动信号分析56-63
• 4.4.1.1 基于流形学习和 SVM 的滚动轴承故障诊断58-61
• 4.4.1.2 基于 EEMD 和小波包的滚动轴承故障诊断61-62
• 4.4.1.3 基于流形学习的时频域统计指标的滚动轴承故障诊断62
• 4.4.1.4 三种故障诊断方法对比62-63
• 4.4.2 基于 LTSA 和 SVM 的转子系统故障诊断实例63-65
• 4.4.3 主轴运行状态的诊断实例65-69
• 4.4.3.1 基于 LTSA 和 SVM 的主轴状态诊断66-67
• 4.4.3.2 基于流形学习的轴心轨迹的主轴状态诊断67-68
• 4.4.3.3 基于流形学习的时频域特征指标的主轴状态诊断68-69
• 4.4.4 基于 LTSA 和 SVM 的主轴故障诊断实例69-70
• 4.5 本章小结70-71
• 第5章 主轴系统的故障诊断系统设计71-85
• 5.1 系统总体设计71-72
• 5.1.1 系统开发的运行环境71-72
• 5.1.2 系统总体设计72
• 5.2 系统各模块设计72-79
• 5.2.1 登陆模块72-73
• 5.2.2 分支模块73-74
• 5.2.3 主轴信号分析模块74-79
• 5.2.4 轴承与齿轮信号分析模块79
• 5.3 系统实现的关键技术79-84
• 5.3.1 算法编写79-81
• 5.3.2 图形显示81-82
• 5.3.3 GUI 设计82-83
• 5.3.4 通过 LABVIEW 调用 MATLAB 的 GUI83-84
• 5.4 本章小结84-85
• 第6章 结论与展望85-87
• 6.1 总结和主要创新点85-86
• 6.2 展望86-87
• 参考文献87-91
• 个人简历 攻读硕士期间发表的论文91-92
• 致谢92

【参考文献】

中国期刊全文数据库 前10条

1 胡劲松,杨世锡;基于HHT的转子横向裂纹故障诊断[J];动力工程;2004年02期

2 邓三鹏;徐小力;张建新;张香玲;;基于噪声小波包络谱的数控机床主轴故障诊断研究[J];机床与液压;2009年12期

3 吕建新;吴虎胜;田杰;;EEMD的非平稳信号降噪及其故障诊断应用[J];计算机工程与应用;2011年28期

4 邓蕾;李锋;姚金宝;;基于流形学习和隐Markov模型的故障诊断[J];计算机集成制造系统;2010年10期

5 董文智;张超;;基于EEMD能量熵和支持向量机的轴承故障诊断[J];机械设计与研究;2011年05期

6 赵洪杰;潘紫微;叶金杰;罗文;;一种基于非线性流形的滚动轴承复合故障诊断方法[J];机械传动;2012年07期

7 胡劲松;杨世锡;;EMD方法基于径向基神经网络预测的数据延拓与应用[J];机械强度;2007年06期

8 黄文虎，纪常伟，姜兴渭，荣吉利;基于故障树模型的智能诊断的确定性推理[J];机械强度;1995年02期

9 阳建宏;徐金梧;杨德斌;黎敏;;基于主流形识别的非线性时间序列降噪方法及其在故障诊断中的应用[J];机械工程学报;2006年08期

10 王太勇;何慧龙;王国锋;冷永刚;胥永刚;李强;;基于经验模式分解和最小二乘支持矢量机的滚动轴承故障诊断[J];机械工程学报;2007年04期

中国重要会议论文全文数据库 前2条

1 蒋全胜;贾民平;胡建中;许飞云;;一种基于流形学习的故障模式识别方法[A];第九届全国振动理论及应用学术会议论文集[C];2007年

2 孙华刚;冯广斌;毛向东;;基于EMD与SSA的齿轮减速箱微弱信号提取方法研究[A];2012年全国机械行业可靠性技术学术交流会暨第四届可靠性工程分会第四次全体委员大会论文集[C];2012年

中国博士学位论文全文数据库 前4条

1 刘永斌;基于非线性信号分析的滚动轴承状态监测诊断研究[D];中国科学技术大学;2011年

2 陈建国;基于独立分量分析的机械故障特征提取及分类方法研究[D];大连理工大学;2011年

3 胡劲松;面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D];浙江大学;2003年

4 何清波;多元统计分析在设备状态监测诊断中的应用研究[D];中国科学技术大学;2007年

中国硕士学位论文全文数据库 前10条

1 万海波;数控机床主轴系统性能劣化分析及误差补偿技术研究[D];浙江大学;2011年

2 苏文宇;主轴回转精度测试实验系统改造及其误差分析[D];哈尔滨工业大学;2010年

3 卢磊;基于弱信号特征提取的早期诊断方法及其应用研究[D];哈尔滨工业大学;2011年

4 陈进;齿轮和滚动轴承的状态监测与故障诊断[D];西北工业大学;2006年

5 易健雄;基于小波分析的旋转机械故障诊断仪的研究与开发[D];江南大学;2007年

6 张楠;关于支持向量机中的参数优化的研究[D];西北大学;2008年

7 吕冰;机床主轴组件振动检测与评估技术研究[D];兰州理工大学;2008年

8 刘敏;超精密主轴回转精度测试研究[D];哈尔滨工业大学;2007年

9 周辉;数控机床常见故障诊断系统软件的开发[D];北方工业大学;2009年

10 邓晓云;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];大连交通大学;2010年

  本文关键词：基于流形学习的主轴系统故障诊断方法研究，由笔耕文化传播整理发布。

本文编号：335696