【摘 要】
：
提出了一种基于粒子群-支持向量机(PSO-SVM)及时序环节的数控刀架故障诊断方法.首先,将数控刀架划分为5个子系统,并将一个工作周期划分为4个时序环节(T1、T2、T3、T4);其次,探索了数控刀架不同时序环节振动、电机电流、油压以及接近开关等信号的特征提取方法;最后,提出了基于PSO-SVM的数控刀架故障诊断方法,并开展了不同时序环节的数控刀架故障试验.根据故障数据对支持向量机(SVM)和PSO-SVM两种故障诊断方法进行了对比验证.结果 表明:时序环节T2、T3和T4的故障诊断准确率分别提高了28％
【机 构】
：
吉林大学数控装备可靠性教育部重点实验室,长春130022;吉林大学机械与航空航天工程学院,长春130022;长春设备工艺研究所,长春130012;深圳技术大学中德智能制造学院,深圳518118
论文部分内容阅读
提出了一种基于粒子群-支持向量机(PSO-SVM)及时序环节的数控刀架故障诊断方法.首先,将数控刀架划分为5个子系统,并将一个工作周期划分为4个时序环节(T1、T2、T3、T4);其次,探索了数控刀架不同时序环节振动、电机电流、油压以及接近开关等信号的特征提取方法;最后,提出了基于PSO-SVM的数控刀架故障诊断方法,并开展了不同时序环节的数控刀架故障试验.根据故障数据对支持向量机(SVM)和PSO-SVM两种故障诊断方法进行了对比验证.结果 表明:时序环节T2、T3和T4的故障诊断准确率分别提高了28％、23％和5％,验证了该故障诊断方法的有效性.本文方法不仅适用于数控刀架,还为其他复杂机电系统的故障诊断研究提供了一个新思路.
其他文献
在考虑刀具误差和本身尺寸误差导致加工后零件尺寸精度预测不符合实际使用要求情况的基础上,提出了一种耦合模糊区间和模糊权重的隶属函数模型,该模型考虑了加工过程中各种影响因素占比非固定的情况,还动态表征了多种影响因素在加工过程的贡献变化情况.此外,实际零件加工尺寸的大小多为模糊值,本文将零件尺寸视为一种可能性分布并结合模糊隶属函数构造了新的可靠性预测模型.将预测值与实验数据对比后发现,加工精度可靠性分析的准确度得到显著提升.
针对现有数控机床故障模式影响及危害分析(FMECA)中分析因素少、未考虑因素间相互影响、各因素权重相同等问题,将网络层次分析法(ANP)和数据包络分析OCD模型应用于数控机床使用阶段FMECA的研究,以各因素打分作为输入指标,以经济损失作为输出指标建立OCD模型,并得到各故障模式的效率值,进而提出一种计算风险优先数RPN的新方法,根据(RPN)值得到故障模式的危害度排序.以某型数控机床为例,应用该方法对其进行故障模式影响及危害性分析,验证了该方法的有效性.
针对大规模多输入多输出正交频分复用系统复杂度高的问题,提出一种低复杂度维纳滤波信道估计算法.首先将大维度原位替换方法运用于最小均方误差算法,有效降低了多天线的运算复杂度,通过将二维维纳滤波拆分成时域和频域两次一维维纳滤波来减少运算量;同时,为了降低由两次维纳滤波噪声方差不同产生的估计误差,引入噪声方差中位值进行修正.仿真结果表明,与多种传统算法相比,本文算法运算量至少降低了20％,误码率至少降低了9％.
针对传统故障诊断模型参数多,训练、检测时间长,抗噪性差,不适用于在线实时诊断的问题,提出了基于残差连接和一维可分离卷积(1D-RSCNN)的滚动轴承故障诊断方法,构建了由Jetson Nano和信号采集电路组成的嵌入式系统.利用一维可分离卷积和全局平均池化对模型尺寸进行压缩,改善传统卷积的运算效率;通过宽卷积核,残差网络中引入Dropout提高对噪声的容忍度.试验结果表明,该方法诊断准确率高达99.92％,与其他模型相比,诊断精度高,实时性好,抗干扰能力强,适用于电机轴承故障的实时检测.
针对传统均匀圆形阵列孔径受限的问题,设计了一种互质圆形阵列,并在此基础上,研究了一种基于相位模式激励的二维波达方向估计方法.首先利用两个均匀圆形子阵列进行堆叠形成互质圆形阵列结构.然后,基于相位模式变换算法将元素空间问题转化到波束空间,将互质圆形阵列合成类似于ULA的范德蒙结构且中心埃尔米特对称的阵列流型,减小谱峰搜索维度.最后,通过酉变换实现阵列流型的实数化,降低算法复杂度.理论分析和仿真实验表明:在相同条件下,相比于均匀圆形阵列MUSIC算法,所提互质圆形阵列相位模式激励MUSIC算法的运行时间从1.
目前,针对薄壁件铣削加工过程中的颤振识别问题,普遍采用传感器信号进行判别与预测,而没有建立颤振特征与加工表面的相关联系.本文利用图像处理与模式识别技术,通过铣削表面图像实现薄壁件加工状态的精确辨识与预测.首先,设计了混合滤波方案,实现了采集图像的预处理;然后,通过改进的局部二值模式和灰度共生矩阵提取图像的颤振纹理特征,并以K近邻分类算法对铣削加工过程中采集的图像进行预测和识别.实验结果表明:该模型辨识的准确率为95.5％,算法平均运行时间为0.069 s.实验结果验证了该方法具有较高的辨识准确率,同时满足
针对发动机的失火故障,提出了一种基于卷积神经网络(CNN)的失火诊断方法,构建了基于STM32单片机的柴油机失火故障实时诊断系统.通过STM32CubeMX软件将柴油机失火故障诊断的卷积神经网络写入到单片机中,在试验过程中利用单片机的定时器输入捕获功能采集柴油机的转速信号,且将上止点信号作为转速采集的触发信号,将采集到的转速进行预处理作为卷积神经网络的输入.通过柴油机台架试验证明,所建立的柴油机失火实时诊断系统在较宽的转速与负荷工况下有较高的诊断准确率.
以双螺母预紧滚珠丝杠副为研究对象,分析其失效机理,建立了性能退化失效与疲劳点蚀失效共存状态下的竞争失效模型.综合考虑滚珠直径、滚道半径、接触角、摩擦因数、运行速度等结构参数和使用参数与可靠性指标之间的关系,建立了滚珠丝杠副可靠性设计的数学模型,提出了滚珠丝杠副可靠性定量设计的方法,并通过样本分析验证了该方法的有效性.
针对长期演进LTE网络上行干扰分类模型中噪声敏感、训练时间长的问题,建立了结合堆栈降噪自编码器与极限学习机的LTE网络上行干扰分析模型.使用上行干扰原始数据无监督地预训练堆栈降噪自编码(SDAE)提取高层抽象特征,并为极限学习机(ELM)分类器提供初始参数.该模型发挥了ELM收敛快和SDAE抑制噪声的优势,同时克服了ELM参数随机赋值造成的鲁棒性不足的问题.实验结果表明,该模型提高了LTE网络上行干扰分析的效率,并具有较强的鲁棒性.
针对实际应用中缺乏统一集成的用于数控装备可靠性分析的信息物理融合系统框架和算法实现,本文提出了一种基于数字孪生的方法,研究了具体的框架搭建和算法实现.通过数据采集、数据处理、数字孪生模型训练和评估、模型调试和优化、模型在线部署、可靠性分析、预测性维护7步序列化的工作流程实现了从物理层到信息层再返回物理层的闭环控制.通过数控装备主轴回转误差预测可靠性实验验证了该信息物理融合框架的可行性和有效性,该框架和算法能够对数控装备进行可靠性分析,有助于支持更有效和科学的预测性维护.