高档数控机床关键部件故障智能诊断技术研究

论文摘要

数控机床具有较高的加工精度和效率,是发展现代机械制造业必须的基础设备。高档数控机床已经成为航空航天、汽车等各种高新技术行业机械制造的主要装备。数控机床故障造成的停机事故将给企业带来巨大的经济损失。应用数控机床故障智能诊断技术可以防止突发事故的发生,维持正常的生产秩序,减少过度维修,可以大幅度减少维修的费用,具有很强的实用价值。数控机床故障智能诊断的实质是对机械部件运行状态进行实时监测,通过检测、分析机械部件运行状态的相关信息和数据,提取对性能退化敏感的一系列特征值,采用人工智能的方法拟合特征值与部件寿命之间的复杂映射关系,建立符合部件实际性能的故障诊断数学模型,对不同工况下部件的故障进行预测。实际运用中,机械部件的故障复杂,通过传感器采集到的数据样本分布一般并不均匀,并且一旦出现故障就会及时停机进行检修,可以得到的故障样本量很小。经典的人工智能方法很难对这些样本进行准确分类。本文利用超球面支持向量机算法构造故障诊断模型。将传感器采集的数据进行小波包分解后提取能量特征值作为特征向量。其中一部分对故障数据进行训练处理,将另外的一部分故障样本进行数控机床故障的诊断。并与BP神经网络和RBF神经网络进行比较,结果证明了这种方法具有更高的诊断精度,特别是在小样本诊断方面具有很强的优势。最后,利用VC++与MATLAB开发了故障智能诊断系统,并在长征718机床上安装传感器采集数据,对诊断系统进行现场运行测试,试用结果证明,所开发的系统能有效的对数控机床故障进行诊断。由于数控机床的相通性,本文所采用的方法可以很好的应用到其他机床以及柔性线的故障诊断中。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景与意义
• 1.2 数控机床的发展概况
• 1.2.1 数控机床的发展历程
• 1.2.2 数控技术的发展方向
• 1.3 数控机床故障诊断技术内容
• 1.3.1 数控机床故障诊断技术的现状与发展
• 1.3.2 数控机床故障的分类
• 1.3.3 数控机床故障的总体特点
• 1.4 现代智能故障诊断方法
• 1.4.1 基于人工智能的诊断方法
• 1.4.2 支持向量机在故障诊断中的应用研究
• 1.5 本文所研究的主要内容
• 第2章 数控机床智能故障诊断系统结构
• 2.1 设备故障诊断过程
• 2.2 数控机床关键机械部件故障特点
• 2.2.1 主轴部件的故障特点
• 2.2.2 滚珠丝杠副故障特点
• 2.2.3 导轨副故障特点
• 2.3 信号测量系统配置
• 2.3.1 确定测量参数
• 2.3.2 信号测点的选择
• 2.3.3 传感器的选择
• 2.4 建立信号采集测试系统
• 2.5 信号的采集
• 2.5.1 信号采集基本原理
• 2.5.2 信号采集基本参数设置
• 2.5.3 A/D转换器的位数选择
• 2.6 本章小结
• 第3章 信号处理方法
• 3.1 机械信号的分类
• 3.2 机械信号的预处理
• 3.2.1 信号的放大
• 3.2.2 信号的滤波
• 3.2.3 信号的调制与解调
• 3.3 基于小波包的信号特征提取
• 3.3.1 传统信号的时域分析
• 3.3.2 传统信号的频域分析
• 3.3.3 小波包信号特征提取
• 3.4 本章小结
• 第四章 支持向量机理论
• 4.1 统计学习理论基础
• 4.1.1 机器学习概念
• 4.1.2 VC维理论
• 4.1.3 推广性的界
• 4.1.4 结构风险最小化原则
• 4.2 支持向量机
• 4.2.1 最优分类超平面
• 4.2.2 支持向量机模型
• 4.2.3 支持向量机核函数
• 4.3 本章小结
• 第五章 超球面支持向量机理论
• 5.1 超球面支持向量机算法
• 5.1.1 超球面支持向量机算法思想
• 5.1.2 One-class SVM算法
• 5.1.3 超球面二类别SVM算法
• 5.2 超球面支持向量机算法研究
• 5.3 本章小结
• 第六章 数控机床故障智能诊断系统设计
• 6.1 采集硬件选择与安装
• 6.1.1 采集卡的选择
• 6.1.2 传感器的选择
• 6.1.3 传感器的安装
• 6.2 信号采集系统
• 6.2.1 信号采集基本参数设置
• 6.2.2 采集系统软件实现
• 6.3 基于超球面支持向量机的丝杠故障诊断
• 6.3.1 特征量的选择
• 6.3.2 超球面支持向量机在丝杠故障诊断中的应用
• 6.4 本章小结
• 结论与展望
• 致谢
• 参考文献
• 攻读学位期间参加的科研项目和发表的学术论文