基于小波神经网络的数控机床关键部件故障诊断

论文摘要

数控机床作为典型的机电一体化设备,在现代机械制造行业占据了重要地位,它的拥有量已经成为衡量一个地区制造业能力的标准,并且其应用还在不断地推广,因此数控机床的故障诊断技术也就显得尤为重要。滚珠丝杠作为数控机床上常用的进给传动部件,对机床的加工性能具有很大的影响,丝杠的微小异常有可能会导致机床的加工零件不合格,甚至影响到产品的加工进度,所以对滚珠丝杠的状态进行监测,及时发现故障是保证数控机床正常工作的一个重要条件。小波分析凭借其在时域与频域的综合分析能力,成为信号分析领域中非常重要的一种分析技术。它采取变时窗方法克服了傅里叶变换的频域局部分析弱点,将时域与频域结合起来,更加准确地描述了信号的特征。小波包分析是对小波分析的延伸,通过对在小波分析中被忽略掉的高频信号部分进行补充分析来完善小波分析的结果。本文所研究的小波神经网络将小波分析引入到对信号进行模式识别与故障诊断的人工神经网络中,利用小波函数替换人工神经元中的激励函数,将小波变换的多尺度特性引入神经网络,从而使小波神经网络不但具有小波的多分辨率特性而且保留了神经网络的自学习与模式识别的能力。本文在BP神经网络的基础上引入morlet小波函数作为隐层神经元的激励函数,从而搭建起小波神经网络。利用正弦函数进行仿真验证后,证实了该小波神经网络的可行性,即本文所建立的小波神经网络可以用来进行模式识别。本文对采集到的滚珠丝杠的振动信号进行分析,并在时域、频域以及时频域等各个方面从信号中提取出能够体现丝杠状态的有效特征值,将这些有效特征值输入建立的小波神经网络进行训练及模式识别,证实了小波神经网络在数控机床故障诊断中的实用性。通过与BP神经网络的对比,突出了小波神经网络稳定性好、识别率高等特点。本文的重点在于通过对BP神经网络算法及应用的研究,成功地将小波函数引入其中,从而建立起新型的小波神经网络。并运用此网络成功地对实际工程中的数控机床滚珠丝杠振动数据进行模式识别,正确地诊断滚珠丝杠的故障状态。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 数控机床故障诊断的意义及内容
• 1.1.1 数控机床故障诊断的意义
• 1.1.2 数控机床故障诊断的指标
• 1.1.3 数控机床故障诊断的主要内容
• 1.2 数控机床及关键部件故障诊断技术的发展
• 1.2.1 数控机床的产生与发展
• 1.2.2 数控机床故障诊断技术的产生与发展
• 1.2.3 滚珠丝杠故障诊断的发展及现状
• 1.3 本论文的课题背景与研究内容
• 第2章 数控机床关键部件故障介绍
• 2.1 数控机床的传动系统机械结构
• 2.1.1 数控机床主传动系统
• 2.1.2 数控机床进给传动系统
• 2.1.3 滚珠丝杠螺母副
• 2.2 数控机床故障介绍
• 2.3 滚珠丝杠螺母副故障
• 2.4 实验装置介绍
• 2.4.1 数控机床介绍
• 2.4.2 传感器选择及安装
• 2.4.3 数据采集卡选择
• 第3章 信号分析与特征提取
• 3.1 数据说明
• 3.2 信号预处理
• 3.2.1 数据缩放
• 3.2.2 剔除异常数据
• 3.2.3 零均值化处理
• 3.3 幅域分析与幅域特征
• 3.3.1 有量纲幅域特征值
• 3.3.2 无量纲幅域特征值
• 3.3.3 提取幅域特征值
• 3.4 频域分析与频域特征
• 3.4.1 傅里叶分析
• 3.4.2 功率谱估计
• 3.4.3 频域特征值
• 3.4.4 提取频域特征值
• 3.5 小波包分析与小波包特征
• 3.5.1 从傅里叶分析到小波分析
• 3.5.2 小波变换
• 3.5.3 小波包分析
• 3.6 特征值处理
• 3.6.1 有效特征值选取
• 3.6.2 特征值归一化
• 3.7 特征值总结
• 第4章 BP神经网络及其模式识别
• 4.1 神经元
• 4.2 BP人工神经网络
• 4.3 BP神经网络的应用
• 4.3.1 BP网络设计
• 4.3.2 BP网络训练及识别
• 4.4 BP神经网络小结
• 第5章 小波神经网络及其模式识别
• 5.1 全局逼近神经网络和局部逼近神经网络
• 5.2 小波与神经网络的结合
• 5.3 小波神经网络的建立
• 5.3.1 小波神经网络的设计
• 5.3.2 小波神经网络搭建
• 5.3.3 小波神经网络仿真验证
• 5.4 小波神经网络在数控机床故障诊断中的应用
• 5.4.1 小波神经网络的训练
• 5.4.2 小波神经网络模式识别
• 5.5 小波神经网络小结
• 结论
• 致谢
• 参考文献
• 攻读硕士研究生期间发表的论文