故障检测开题报告PPT.ppt
- 文档编号:18807270
- 上传时间:2023-11-25
- 格式:PPT
- 页数:14
- 大小:346KB
故障检测开题报告PPT.ppt
《故障检测开题报告PPT.ppt》由会员分享,可在线阅读,更多相关《故障检测开题报告PPT.ppt(14页珍藏版)》请在冰点文库上搜索。
基于流行学习的数控主轴故障特征提取研究,导师:
王红军教授学生:
付伟清专业:
机械工程方向:
机械制造及其自动化,北京信息科技大学,选题来源及依据国内外研究现状主要研究内容研究方法及研究思路论文创新点论文时间安排参考文献,论文选题来源和依据,选题来源:
北京市自然科学基金项目北京教育委员会科技计划重点项目基于流形学习的超精密主轴回转精度劣化溯源技术研究,选题依据:
高档数控机床为国家的高科技产品和新技术的开发提供了重要的设备保障,其功能和可靠性是反应国家制造业水平的关键指标,同时也是综合国力的体现1。
数控机床作为我国军事、航天以及汽车等制造业的基础和关键设备,其可靠性水平直接影响着这些行业的发展。
随着科技的进步,制造的产品复杂多样,这使得对数控机床的要求也越来越高,其中之一就是保证数控机床高速运转,提高其工作效率。
要实现主轴的高速运转就要实现主轴的零传动,将主轴电机以定子和转子的形式装入主轴组件的内部,形成电主轴2。
高速运转会导致电主轴发热、振动,同时也会加快轴承的磨损,这些现象不仅会影响机床的加工精度,影响产品质量,同时也会加大数控机床发生故障的概率,电主轴转速越高越容易发生故障。
国内外研究现状,20世纪70年代中期,随着数控机床在工业发达国家的普及和先进功能的不断增加,机床的故障问题开始引起行业的关注。
高速超精密数控机床作为典型的机电系统,其故障诊断与预警技术是保障机床可靠运行、提高机床服役性能的核心技术之一。
国外对数控机床加工过程检测诊断技术的研究开发工作十分重视,并将其视为高质量数字化加工的重要技术基础。
这些研究可以分为以下方面:
信号获取与传感技术;故障机理与征兆联系;信号处理与诊断方法;识别分类与智能决策方面等。
英国机床工业协会的STEWART8采用数控机床用户现场跟踪试验的方法收集了数控机床的现场故障数据,并对数控机床进行了故障分析,并于1977年在Macclesfield国际可靠性会议上做了关于数控机床可靠性的报告,报告指出:
由于机床故障导致机床的停机时间占整个机床考核时间的7.6%,每个月机床平均发生12次故障。
1982年,前苏联的学者9对数控机床的研究和使用经验进行总结,撰写了数控机床可靠性领域的首本专著数控机床的精度与可靠性,书中系统地论述了数控机床可靠性的概念,并给出了相应的评定指标。
同年,KELLER等10对35台数控机床进行了为期3年的现场跟踪试验,分别利用对数正态分布和威布尔分布函数对机床的故障间隔工作时间进行了拟合,建立了数控机床的可靠性模型,并由此得到了数控机床平均故障间隔工作时间(MeanTimebetweenfailures,MTBF)的估计值。
1986年,英国学者MCGOLDRICK等11采用向专家和操作者进行问卷调查的方式对在英国和土耳其使用的一批相同类型数控机床的故障模式进行了分析,表明数控机床的设计者对其实际运行状况了解不足所导致的设计缺陷是致使数控机床故障频繁的主要原因。
美国亚利桑那大学的学者首先根据单元的劣化机理选择恰当的退化轨迹模型,然后对所有单元的劣化轨迹参数运用最小二乘法评估,接着运用多变量多重线性回归法建立在某个退化机理下随机参数和应力之间的关系,最后运用Bootstrap模拟法评估多重失效模式的子系统的失效概率分布12。
国内外研究现状,2000年J.B.Tenenbaum和S.T.Roweis等人在Science上发表了两篇关于流形学习的文章,他们分别提出了各自的流形学习算法、等距映射算法13(IsometricMapping,ISOMAP)和局部线性嵌入算法14(LocallyLinearEmbedding,LLE)。
流形学习方法作为一种新的非线性维数约简的方法,在数据挖掘和特征提取等领域中被广泛应用。
SadeghianAlireza15将小波包分解和神经网络技术结合,提出了一种关于转子的故障在线监测系统。
ZachariasE.Gketsis16等人利用小波变化提取信号中故障特征,然后用人工神经网络的方法进行诊断识别,该方法可以自动识别电机绕组的短路故障。
Crampton17等人发现当采集的数据含有噪声时,使用SVM检测故障的方法比其它同类方法效果更好。
Jack等18人将SVM应用于滚动轴承的状态检测中,利用遗传算法优化SVM的参数,取得比较好的推广性能。
瑞士KISTLER公司推出了基于切削力的加工监测系统,西门子的数控机床远程监测诊断系统EPS,FANUC公司的18i和30i也具有类似功能,但是他们只能实现机床电气系统类型的故障检测。
在国内,北京机床研究所和原吉林工业大学是较早开展数控机床可靠性研究的科研机构,于20世纪80年代前后开始对数控机床可靠性的概念及其表征方法、数控机床零部件的疲劳强度可靠性进行探讨19-21。
胡新等22在分析数控机床故障诊断技术发展现状及数控机床故障特点的基础上,以数控车床的工件质量品质因素为对象构建贝叶斯网络,开发了基于贝叶斯网络的故障诊断系统,并通过实验验证了系统的有效性。
国外研究现状,人工智能和计算机技术的发展使故障诊断也有了新的发展方向,即智能故障诊断。
通过将一些智能算法与传统的故障诊断方法、经验等相结合,形成诸如神经网络、模糊专家系统等智能诊断方法23。
胡德金教授等24提出了针对数控机床故障诊断的神经网络方法,将Sugeno模糊模型用于数控机床故障诊断系统,实现了对各个诊断专家诊断结果的模糊综合。
利用该方法基于诊断专家系统技术可以实现对数控机床的自动诊断,而且诊断结果准确、可靠。
西安交通大学的张周锁等提出了基于支持向量机的机械故障诊断方法25以及基于粒计算的智能诊断方法26。
与此同时,各种其他方面的算法理论也被应用到故障诊断中,如流形学习算法、粒子群寻优算法、遗传算法等。
阳建宏27将流形学习用于非线性时间序列降噪取得很好的效果;栗茂林等28针对早期故障微弱特征难以提取的问题,提出了一种基于非线性流形学习的滚动轴承早期故障特征提取方法,通过对状态样本的低维嵌入聚类来提取敏感特征;黎敏等29以机械设备的运行状态为研究对象,提出一种基于高维空间流形变化的趋势分析方法,张熠卓30、赵洪杰等31-32人将流形学习用于喘振、滚动轴承的故障诊断,取得明显成效。
对主轴系统热特性的研究今年来主要集中在主轴-轴承的热特性研究上,如清华大学的高赛等33提出使用三路单光束干涉仪对机床主轴热误差进行非接触式的实时测量,实验结果表明该方法快速、准确,测量误差可达到1.0um。
陈小安等34建立一种考虑系统热响应和预紧方式响应的角接触球轴承热-机耦合动力学模型。
主要研究内容,主要研究加工过程轴心轨迹、基于有限元的损伤状态下的动特性特征、考虑加工过程中切削力的变化;研究基于轴心轨迹的多流形空间嵌入智能决策方法的机制;研究低维空间中的知识推理规则和非线性映射函数,并在此基础上设计具备连续自适应学习能力的动态识别模型,建立动态模式识别模型的性能评价指标和模型优化策略,提高故障模式的正确率,实现对主轴系统状态变化的跟踪描述;研究主轴动特性测试系统。
在进行状态识别时综合考虑主轴电流信号、功率信号、工件的加工精度、振动、温度等信息,采用多空间域综合信息进行特征的识别与判断。
主要的构想与思路有以下几个方面:
(1)构建主轴系统实验平台。
用pro/E对主轴系统进行三维建模,然后用WorkBench软件对不同的工作状态进行仿真分析,仿真模拟主轴的工作环境。
(2)硬件测试系统的搭建。
包括传感器的采购、传感器支架的设计、数据采集卡的采购、采集系统的调试等,构建频响函数测量测试系统。
本课题采用的振动测试方法为分时快速稳态正弦扫频激振频响函数测量技术。
(3)现场复杂状态信号的采集方法和信号处理技术。
设计传感器信号调理电路,研究状态信号传输中的抗干扰技术、扩频通信技术和信号处理技术,确定信号特征的时域和频域提取方法。
(4)基于LabVIEW的数据采集和处理技术的研究。
(5)基于轴心轨迹流形学习的主轴故障动态模式识别理论研究,包括加工过程的热变形、基于有限元的损伤状态下的动特性特征、考虑加工过程中切削力的变化等。
研究的方法及思路,研究基于流形学习的主轴故障动态模式识别理论,包括加工过程的热变形导致的轴心轨迹、基于有限元的损伤状态下的动特性特征、考虑加工过程中的切削力的变化等。
在划分软件功能模块时应遵循内聚性强、耦合性弱这两条原则。
状态监测与故障诊断软件中的模块设置方式如下:
第一:
典型设备的信号采集及分析模块。
首先搭建好硬件平台,然后进行信号的采集和分析。
信号的采集主要是通过高性能工业数据采集卡来完成;数据的分析主要是利用美国NI公司(NationalInstrumentCompany)推出的一种基于G语言(GraphicsLanguage)的虚拟仪器软件开发工具LabVIEW来进行数据分析及数据处理。
主要的分析有:
形状误差分析、回转误差分析、动静特性实验的数据分析以及轴承预紧状态测量的数据处理分析等。
第二:
状态监测模块。
它主要是通过控制系统定时器来实现的,每间隔一段时间采集一组数据,并绘图显示采集的数据,从而形成动态效果。
第三:
趋势分析模块。
模块分别采用基于模型的、基于人工智能的和基于混沌时间序列的方法进行趋势预测,然后对比方法的优劣,得出一个最适合该设备的趋势分析方法。
第四:
故障诊断模块。
本模块采用流形学习的方法对主轴系统进行故障诊断。
本课题创新点:
采用局部线性嵌入流行学习的算法(后期还要进一步改进此算法)将实际采集的主轴系统数据经过信号预处理、滤波降噪、提取主轴轴心轨迹和构建信号的高维特征空间、采用局部线形降维(LLE)流行理论进行高维特征空间进行变换,将高维空间转化为低维空间,获取数据内在低维流行特征,确定故障原因,为机床主轴工作状态劣化评估提供相关技术依据。
论文创新点,论文时间安排,1王志琼.电主轴故障分析及可靠性增长技术研究D.吉林大学,2012.2吕全英,穆敬巍,李青远,等.电主轴的故障分析及解决措施J.轴承,2009,11:
28-29.3万鹏.基于流形学习的主轴系统故障诊断方法研究D.北京信息科技大学,2012.4王润孝.先进制造技术导论.北京:
科学出版社,2004.5贺大兴,盛伯浩.超精密加工技术的发展现状与趋势J.新技术新工艺,2006(5):
2-3.6王红军,左云波.基于局部线形降维拓扑空间的主轴故障诊断方法,2014,02-0055-047万鹏,基于流行学习的主轴系统故障诊断方法研究,20128STEWARTE.AsurveyofmachinetoolbreakdownsR.MTIRA:
Macclesfield,1977.9.M.:
,1982.POSNIKOFFAC.AccuracyandreliabilityofmachinetoolsM.Moscow:
Engineering,1982.10KELLERAZ,KAMATHAR.ReliabilityanalysisofCNCmachinetoolsJ.ReliabilityEngineering,1982,3(6):
449-473.11MCGOLDRICKPF,KULLUKH.Machinetoolreliability-AcriticalfactorinmanufacturingsystemsJ.ReliabilityEngineering,1986,14(3):
205-221.12Crk,Componentandsystemreliabilityassessmentfromdegradationdata.DoctorofPhilosophy:
TheUniversityofArizona,1998.,参考文献,参考文献,13TenenbaumJ.B,SilvaV.D,LangfoldJ.C.AglobalgeometricframeworkfornonlineardimensionalityreductionJ.Science,2000,290:
2319-2323.14RoweisS.T,SaulL.K.NonlineardimensionalityreductionbylocallylinearembeddingJ.Science,2000,290:
2323-2326.15SadeghianAlireza,YeZhongming,WuBin.OnlineDetectionofBrokenRotorBarsinInductionMotorsbyWaveletPacketDecompositionandArtificialNeuralNetworksJ.IEEETransactionsonInstrumentationandMeasurement,2009,58(7):
2253-2263.16ZachariasE.Gketsis,MichalisE.Zervakis,GeorgeStavrakakis.DetectionandclassificationofwindingfaultsinwindmillgeneratorsusingwavelettransformandANNJ.ElectricPowerSystemsResearch,2009,79(11):
14831494.17CramptonA,MasonJC.DetectingandapproximatingfaultlinesfromrandomlyscattereddataJ.NumericalAlgorithms.2005,39(1-3):
115-130.18JackLB,NandiAK,SupportVectorMachinesforDetectionandCharacterizationofRollingElementBearingFaultsJ.JournalofMechanicalEngineeringScience,2001,215(9):
1065-1074.19树志.对数控系统可靠性、稳定性的一些认识-谈数控系统抗干扰措施J.机床,1976(3):
1-4.20蔡亲民.试论数控机床及数控系统可靠性的特征量J.机床,1992(7):
49-51.21JIAYazhou.AnalysisandcalculationoffatigueloadingofmachinetoolgearsJ.Int.J.Fat,1991,13(6):
483-487.22胡新,傅建中,贺永.基于贝叶斯网络的数控机床故障诊断研究J.机床与液压,2011,39(19):
141-144.23孙旭,惠晓滨,李永宾.远程故障诊断系统中的故障信息研究J空军工程大学报:
自然科学版,2004(5):
3941,24宋刚,胡德金.基于Sugeno模糊模型的数控机床故障诊断法J上海交通大学学报,2005,39
(1):
919425张周锁,李凌均,何正嘉.基于支持向量机的机械故障诊断方法研究J西安交通大学学报,2002,36(12):
1303130626张周锁,闫晓旭,成玮.粒计算及其在机械故障智能诊断中的应用J西安交通大学学报2009(9):
374127阳建宏,徐金梧,杨德斌等.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,2006,42(8):
154-158.28栗茂林,王孙安,梁霖.利用非线性流形学习的轴承早期故障特征提取方法J.西安交通大学学报,29黎敏,阳建宏,徐金梧,基于高维空间流形变化的设备状态趋势分析方法J.机械工程学报,2009,45
(2):
213-218.30张熠卓,徐光华,梁霖.基于非线性流形学习的喘振监测技术研究J.西安交通大学学报,2009,(07):
44-48.31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,2012,36(7):
89-91.32李锋,汤宝平,陈法法.基于线性局部切空间排列维数化简的故障诊断J振动与冲击,2012,31(13):
36-40.33高赛,曾理江,殷纯永等.基于单光束干涉仪的机床主轴热误差实时测量J.计量学报,2001,22
(1):
1-6,参考文献,谢谢,请老师批评指正,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 故障 检测 开题 报告 PPT
![提示](https://static.bingdoc.com/images/bang_tan.gif)