免费看男阳茎进女阳道视频

                        24小時論文定制熱線

                        咨詢電話

                        熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
                        您當前的位置:論文定制 > 畢業設計論文 >
                        快速導航
                        畢業論文定制
                        關于我們
                        我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
                        代做畢業設計
                        常見問題

                        主軸振動信號采集與狀態監測系統的開發

                        添加時間:2020/07/18 來源:電子科技大學 作者:龔帝武
                        主軸振動是主軸健康狀態指標的重要影響因素,因此,要想提高機床制造過程工作性能,必須感知主軸振動信息,進行主軸振動在線監測。
                        以下為本篇論文正文:

                        摘 要

                          為響應"中國制造 2025"規劃,使中國制造走向智能制造的未來發展道路,數控機床作為"中國制造"的機械制造基礎裝備,正在進行全面的信息化升級,監測制造過程中的機床各部件信息。主軸作為機床關鍵部件,其健康狀態決定了機床工作性能。主軸振動是主軸健康狀態指標的重要影響因素,因此,要想提高機床制造過程工作性能,必須感知主軸振動信息,進行主軸振動在線監測。

                          制造過程中,數控機床主軸處于多刀多工序的多工況條件下,主軸振動具有不同的振動狀態,且長期監測數據量大,因此,要實現主軸振動狀態監測的目的,就需要解決振動原始數據量大、振動狀態多且缺乏異常振動數據樣本等問題。本文針對以上問題,從振動信息特征提取方法、主軸振動狀態監測方法、機床主軸振動信號采集與振動狀態監測系統實現進行研究,實現了機床工作過程中產生的大量主軸振動映射為主軸振動健康信息的目的,主要內容如下:

                         。1) 本文研究了機床主軸振動信號特征提取方法,解決機床主軸振動原始數據量大、信息含量大,不利于長期在線監測的問題。根據主軸振動特性,對振動信號進行 FFT 頻域變換和趨勢項消除處理,結合頻譜分析和統計值分析,提取主軸振動信號局部峰值-中心頻率譜參數,譜段子帶總能量-質心頻率譜參數和統計值特征參數,并通過主軸外殼振動仿真信號驗證特征提取方法的有效性。

                         。2) 本文研究了基于概率神經網絡(PNN)與相似度結合的在線振動狀態監測方法,解決了主軸振動狀態多且缺乏異常振動數據樣本的問題。本文結合機床主軸振動狀態特點,分析了振動狀態模型數據集合結構,對模型數據集合進行歸一化處理和基于 DBSCAN 聚類算法的異常數據處理。采用了基于標準偏差的振動特征離散度評估,基于歐式距離的振動可定義狀態差異度評估。經過評估的模型數據集合結合多重 PNN 模型結構,構建多重 PNN 振動狀態模型,進行狀態識別與相似度計算,最后通過主軸外殼振動仿真信號驗證了基于多重 PNN-相似度的振動狀態在線監測方法的正確性。

                         。3) 開發了主軸振動信號采集與狀態監測系統; STM32 搭建了振動采集系統硬件,開發了 AD 采集、SPI 通信和基于 WIFI 通信的數據傳輸等程序;基于Qt 平臺,開發了振動狀態在線監測系統軟件,實現了特征測試、狀態構建、狀態擴建和狀態監測四個工作模式。最后測試了系統用于振動狀態監測的有效性。

                          關鍵詞:特征提取,PNN 模型,振動狀態監測

                        振動狀態監測
                         

                        ABSTRACT

                          In response to the "Made in China 2025" plan and to make China move towards the future development of intelligent manufacturing, CNC machine tools, as the basic equipment for "Made in China" machinery manufacturing, are undergoing comprehensive information upgrades to monitor the information of various machine tool components in the manufacturing process . As the key component of the machine tool, the spindle's health determines its performance. Spindle vibration is an important influencing factor of the spindle health status. Therefore, in order to improve the performance of the machine tool manufacturing process, it is necessary to perceive the spindle vibration information and carry out online monitoring of the spindle vibration.

                          During the manufacturing process, the spindle of the CNC machine tool is under the multi-tool and multi-process conditions. The spindle vibration has different vibration states and the amount of long-term monitoring data is large. Therefore, to achieve the purpose of spindle vibration state monitoring, it is necessary to solve the original vibration Problems such as large data volume, many vibration states, and lack of abnormal vibration data samples. Aiming at the above problems, this paper studies from the vibration information feature extraction method, spindle vibration state monitoring method, machine tool spindle vibration signal acquisition and vibration state monitoring system implementation, and realizes that a large number of spindle vibrations generated during machine tool work are mapped to spindle vibration health information The main contents are as follows:

                         。1) In this paper, the method of extracting the characteristics of the vibration signal of the machine tool spindle is studied to solve the problem of the large amount of raw data and large information content of the machine tool spindle vibration, which is not conducive to long-term online monitoring. According to the vibration characteristics of the main shaft, the FFT frequency domain transformation and trend term elimination processing of the vibration signal are combined with the spectral analysis and statistical value analysis to extract the local peak-center frequency spectrum parameter of the main shaft vibration signal, the total energy of the sub-band of the spectral segment-centroid frequency spectrum parameter and Statistical characteristic parameters, and the effectiveness of the feature extraction method is verified by the vibration simulation signal of the spindle shell.

                         。2) In this paper, an online vibration state monitoring method based on the combination of probabilistic neural network (PNN) and similarity is studied, which solves the problem of spindles with many vibration states and lack of abnormal vibration data samples. In this paper, combined with the characteristics of the vibration state of the machine tool spindle, the structure of the vibration state model data collection is analyzed, and the model data collection is normalized and the abnormal data processing based on the DBSCAN clustering algorithm. The dispersion evaluation of vibration characteristics based on standard deviation is used, and the evaluation of the difference in state of vibration based on Euclidean distance can be defined. After evaluating the model data set combined with multiple PNN model structure, the multiple PNN vibration state model is constructed to perform state recognition and similarity calculation. Finally, the spindle shell vibration simulation signal verifies the correctness of the online monitoring method of vibration state based on multiple PNN-similarity.

                         。3) Developed a spindle vibration signal acquisition and condition monitoring system. Based on STM32, the vibration acquisition system hardware was built, and programs such as AD acquisition, SPI communication and data transmission based on WIFI communication were developed; based on the Qt platform, the online monitoring system software for vibration state was developed to realize feature testing, state construction, state expansion Four working modes of condition monitoring. Finally, the effectiveness of the system for vibration state monitoring was tested.

                          Key words: feature extraction,PNN model,vibration condition monitoring

                        目 錄

                          第一章 緒論

                          1.1 課題研究的背景與意義

                          智能制造是當代全球制造行業發展的未來趨勢[1].隨著德國"工業 4.0"概念的提出,全球各國紛紛提出類似的概念,如我國提出的"中國制造 2025",美國推出的"再工業化",其核心特征都是智能化和物聯網。近年來,信息技術領域發展迅速,特別是人工智能、大數據、物聯網、云計算等前沿科技不斷實現工程化應用,進一步推進了以智能制造為目標的制造業的變革[2].當代制造業正不斷的向著信息化、網絡化、智能化、服務化和綠色化的方向發展 [3-6].先進裝備制造業是我國"十二五"提出的要重點發展的新興產業。在"十二五"規劃期間,我國提出要優先發展高端制造裝備。在重大科技專項的指引和推動下,我國的數控機床作為裝備制造業的基礎制造設備,正逐步進行信息化、智能化改造升級,不斷提升數控機床制造過程性能。信息化是數控機床向自動化和智能化方向發展的技術基礎,數控機床的信息化需要全面掌握數控機床在運行過程中的各項信息,并實時反饋至控制中心,達到對機床的各項性能進行在線監測的目的。

                          機床主軸是數控機床的關鍵子系統,主軸運行過程中的健康狀態直接影響機床的加工質量與生產效率。因此,為提升數控機床主軸運行過程性能,保障加工質量與生產效率,需要對主軸運行過程進行在線監測[7-8].機床主軸在運行過程中時刻伴隨著振動信息的產生,主軸振動含有大量主軸運行特征的信息[9-11],比如主軸系統自身的振動特性、主軸機械結構故障的產生和主軸系統性能退化等[12-13].

                          在不同工況下,主軸一旦產生不同于當前振動狀態下的異常振動,都會對加工工件產生影響。因此,要想提高數控機床制造過程性能,必須要對主軸振動進行在線監測,獲取不同工況下的主軸振動狀態健康程度。

                          當前對于機床主軸振動信息的采集與分析,主要是為了研究機床主軸的動態特性、性能可靠性、健康狀態評估、故障診斷和故障預警等[14-15].采用的主要監測方法是在實驗室加速主軸性能退化,或模擬主軸故障,在整個過程中對主軸振動進行監測分析,這種方法無法用于實際數控機床制造過程。國內制造生產線采用主軸振動監測,較為常見的做法為,對振動信號進行采樣并實時顯示原始信息或經過信號處理,顯示其特征信息。由于制造過程工況復雜,不同工況的振動狀態特征不同,很難在不同狀態下判斷振動異常,所以這種常見的在線振動監測方法很難反映主軸振動狀態的健康狀況。因此,研究能夠識別不同工況下主軸振動異常程度的監測方法就顯得尤為重要。

                          圍繞"十二五"規劃中高檔數控機床制造過程信息化升級,針對數控機床主軸振動狀態的信息化,本課題旨在研究一種能夠識別主軸振動狀態并提供主軸振動健康程度信息的在線監測方法及其系統。目的是通過感知機床主軸的振動狀態信息,分析主軸的健康狀態,提升主軸運行過程性能,保障數控機床加工質量與工作效率。

                          1.2 國內外研究現狀及其存在的問題

                          1.2.1 振動信號特征提取研究現狀

                          機床主軸在運行狀態下產生的振動屬于旋轉機械振動,旋轉機械振動的實測原始信號通常都是伴隨著隨機的非平穩特性、有較大的背景噪聲、多路信號混疊在一起的或有時變特性的信號,很難直接進行分析。要對振動狀態進行分析,就需要對原始信號進行處理,并提取出振動狀態對應的特征量,根據特征量分析出振動狀態特征情況,獲得有效的旋轉機械振動狀態信息。至今國內外已有大量學者投入到了振動信號特征提取的研究,并取得了大量的研究成果。在振動信號這方面研究的主要方法有時域分析法、頻域分析法、時頻域分析法。

                          時域分析方法主要是直接對振動信號的時間歷程進行分析評估,評估的特征量可以按照有無綱量來劃分,有綱量的特征值主要有:最大最小值、峰峰值、均值、方差、均方值、均方根等。無綱量的特征值有:峰值因子、脈沖因子、波形因子、裕度、峭度和偏度等。時域分析法是信號處理與特征提取比較簡潔、直觀的方法,當信號中含有周期成分、簡諧成分和短時脈沖時比較實用。部分學者利用時域特征量對滾動軸承進行早期故障識別、診斷和壽命預測。張玉[16]利用一系列時域幅值參數特征量對滾動軸承早期故障進行監測和診斷,分析了包括均方根值、峰值、峭度、裕度、峰值因子、脈沖因子和波形因子等特征量在故障診斷中的敏感程度,得出了峭度的敏感程度高于其他指標的結論。練曉婷[17]利用峭度分析選取滾動軸承故障識別的振動頻帶。戴邵武等人[18]提取振動信號的時域特征,結合主成分分析的方法進行滾動軸承的壽命預測,結果顯示時域特征融合可以有效表征軸承振動信號微弱變化趨勢。趙柄錫等人[19]利用時域特征分析結合 SVM 模型,研究了轉子系統的碰磨故障識別,并驗證了其有效性。Yunhan Kim, Jungho Park,Kyumin Na 等人[20]通過時域特征量結合時域平均,進行機器人變速箱故障檢測的研究。綜上,時域分析方法用于周期信號中含短時脈沖等的振動信號的較多。但時域分析方法只能體現時域上的特征,不能獲取原始信號頻譜中包含的信息。

                          頻域分析方法是將振動信號由時域表示方式通過傅里葉變換公式轉換為頻域表示方式,獲取原始信號的頻率譜信息,包括主頻率、各諧波頻率、對應幅值、相位、功率和能量等。傅里葉變換是頻域分析方法的基礎,為工程需要,傅里葉變換演變出了很多種方法,常用的有快速傅里葉變換、分數傅里葉變換和短時傅里葉變換等。Jianquan Shi, Gangquan Si 等人[21]提出了一種基于分數階傅里葉變換(FrFT)的特征提取方法來估計管狀球磨機的負荷,通過 FrFT 獲得原始信號的多階頻譜,建立軟感測模型,驗證了頻域特征用于建立模型來模擬磨機負荷數據的有效性。頻域分析有多種方法,主要包括頻譜分析、倒頻譜分析、細化譜分析和包絡譜分析等。在分析旋轉機械振動信號中的故障成分時,包絡譜分析應用的比較多,通常是機械系統的固有頻率和低頻故障成分混疊,利用包絡譜分析,過濾高頻信息,提取低頻故障成分,進而提取故障特征頻率。黃中華,謝雅等人[22]運用基于 Hilbert 變換的包絡譜分析,對軸承的振動信號進行解調,在載波信號中提取調制信號,驗證了基于 Hilbert 變換的包絡解調技術應用于滾動軸承故障診斷的有效性。但在原始信號信噪比較低的條件下,包絡譜分析就很難有效識別低頻故障成分,一般都是結合其他分析手段,如共振解調法和倒頻譜分析等方法,可以有效提高特征提取的精確度。王聰[23]結合 Hilbert 包絡解調技術和倒譜分析,對齒輪箱的點蝕問題進行了診斷研究。驗證了包絡譜分析和倒頻譜分析方法的有效結合對齒輪箱點蝕故障識別的有效性。Altmann[24]提出了包絡自回歸譜分析方法,并基于該方法對低速運動滾動軸承的故障嚴重性問題進行分析。但是頻域分析方法也有其局限性,該方法是分析實測原始信號內所出現過的頻率成分,無法識別信號所出現的瞬態頻率變化的相關信息。

                          時頻域分析方法主要是針對非平穩信號,特別是頻率變化較頻繁的振動信號。

                          時頻分析可以識別信號頻率分量,揭示其時變特征,并且是提取非平穩信號中包含的機械健康信息的有效工具;谠摲椒ǹ梢垣@得實測原始信號在該段時間內的瞬時頻率和對應的幅值,并且可以獲取時域與頻域的聯合分布信息,進而實現時頻濾波,高效、精確的獲得振動狀態的特征信息。迄今為止的研究已經提出了各種時頻分析方法,并將其應用于機械故障診斷。其中包括線性和雙線性時頻表示(例如小波變換,科恩和仿射類分布),自適應參數時頻分析(基于原子分解和時頻自回歸移動平均模型),自適應非參數時間-頻率分析(例如,Hilbert-Huang變換,局部均值分解和能量分離)以及隨時間變化的高階譜。Feng Z, Liang M 等 人[25]對時頻域分析方法做了很詳細的總結,并通過實驗驗證了各個方法的有效性比較了各個方法的優缺點。Yang Y, Peng Z 等人[26]對參數化時頻域分析(TFA)中的 TFA 參數化方法進行了綜述,為研究人員在不同領域應用參數化 TFA 提供了參考和指導。比較典型的時頻方法有 Wigner Ville 時頻分布、短時傅里葉變換、小波變換、經驗模態分解(EMD)等。EMD 方法對于非平穩振動信號處理有較好的效果。M. Amarnath, I. R 等人[27]采用 EMD 方法分解振動和聲音信號以提取高階統計參數,用于診斷斜齒輪齒上局部故障的嚴重性,比較了 EMD 的峰度值以及從振動和聲音信號獲得的峰度值,證明了基于 EMD 的技術的優越性。剡昌鋒,吳黎曉等人[28]采用小波降噪和經驗模態分解-支持向量機(EMD-SVM)結合的方法,對采集的原始信號進行處理與分析,進而對加工中心主軸系統進行監測和故障識別。

                          馬富齊[29]采用復數據經驗模態分解對風電機組振動信號進行特征提取,有效抑制了模態混疊現象,獲取了較好的特征信息。但時頻域分析方法需要有足夠的數據驅動,適用于對大量數據的原始信號進行信號處理與特征提取。

                          近年來,有許多學者致力于時域、頻域、時頻域方法的整合與改進,以獲得更好的信號處理與特征提取方法。Lei Y, Lin J 等人[30]通過將小波變換(WPT)引入譜峭度圖分析中,作為過濾器過濾噪聲,可以較好的獲取故障特性,最后證明了該方法在滾動軸承故障特征分析和診斷故障中的有效性。Wang D, Peter WT 等人[31]將包絡功率譜引入譜峭度分析,并證明該方法在滾動軸承故障檢測中的有效性。

                          Wang Y, Liang M 等人[32]提出了一種自適應光譜峰度(SK)技術,即改進型譜峭度分析方法,自適應的確定帶寬和中心頻率的方法,用于滾動軸承的故障檢測。

                          綜上,對于振動信號的特征信息提取并沒有固定的技術方法,在不同的工況環境和不同的信號采集對象情況下,需要采取不同的或者融合多種特征提取方法進行原始信號的分析。主軸在不同工況下,具有不同的振動特性,屬于非穩定振動信號。在同一工況下,振動信號較為穩定。運行過程中的主軸振動可看作分段較穩定信號,現階段多采用基于頻域分析的特征提取方法進行穩定信號的研究。

                          1.2.2 機床主軸振動狀態監測研究

                          現狀機床主軸的狀態監測,有助于保持機床主軸運行的有效性和最佳狀態。對于機床主軸振動狀態的監測,本質是機械狀態的監測,監測內容一般包括:監測主軸系統的實時運行狀態、系統的健康程度狀態和系統機械的故障預測等。

                          在狀態監測領域的研究,最早可以追溯到 20 世紀 60 年代末期。1967 年,美國宇航局建立了美國機械故障預防小組 MFPG(Machinery Fault Prevention Group),這標志了狀態監測與故障診斷的領域已進入研究與應用階段[33].Jay Lee [34]提出"近零故障"(Near-Zero Breakdown)理念,并由美國威斯康星大學聯合多個大學,包括密歇根大學、密蘇里科技大學、德州大學,還有工業界共同成立了 IMS(Intelligent Maintenance Systems,智能維護系統中心)。實現了對機械設備系統、制造生產線、風力發電系統、電動汽車等多個領域設備的狀態監測與故障診斷。

                          歐洲國家在設備狀態監測與故障診斷領域也有諸多研究與應用,如挪威的船舶監測診斷、瑞典的軸承診斷技術和英國發電機監測技術等[35-37].我國在機械設備狀態監測和故障診斷技術研究始于 20 世紀 70 年代,主要是學習國外相關理論技術。

                          目前發展速度快,已有大量研究成果,廣泛應用于礦山機械、冶金、石油、汽車和機械制造等領域[38].

                          當前的狀態監測與故障診斷技術研究主要包括以下幾個方面:

                         。1) 基于故障機理的狀態監測與故障診斷研究,這個方面主要是通過理論研究分析和實驗分析找出能反映監測狀態和故障的參數化模型。Lin J 和 Dou C 等人[39]

                          研究了旋轉機械的增量序列的縮放特性,引入了一種稱為診斷線的概念,并從理論和數值上研究了診斷線的性能,開發了一種基于診斷線的旋轉機械狀態監測新標準。Lin J 和 Dou C[40]隨后又研究了基于統計語言分析和加權相似度的旋轉機械狀態監測,作者將原始振動數據映射為二進制符號序列并利用統計語言方法進行分析,用文中定義的加權相似性度量建立參數化模型表征機械運行狀態變化,最后使用變速箱和滾動軸承的振動數據驗證了該方法的性能。

                         。2) 基于多傳感器信號融合或信號特性分析的狀態監測與故障診斷研究,主要是通過多種信號相互融合處理或根據單信號特性進行采集和分析處理,獲得能表征設備狀態和故障的信息。段禮祥、陳瑞典等人[41]根據振動信號的非平穩性設計了一種自適應采集算法,該算法通過突變檢測模型對數據采集進行自適應調整,再通過對數據插值重構獲得特征數據,最后通過離心泵振動信號驗證了該方法的有效性。賈進林,林振昌等人[42]以工業機組為對象,采集振動數據,通過歷史數據經驗分析振動數據運行譜,預判其健康狀態與故障。K. Gryllias, H. Andre 等人[43]

                          基于信號周期平穩性指標的泛化對周期非平穩信號進行分析,并基于該分析方法提出一種利用角速度平均算子估算角速度的方法,基于該方法提取振動信號瞬時旋轉頻率,最后通過采集變速條件下運行的風力渦輪機變速箱振動信號驗證了該方法的有效性。Lei You, Jun Hu 等人[44]設計了一種新型的旋轉機械振動信號故障診斷系統,可以準確地測量振動加速度和速度信號并分析振動信號的振動強度和分頻幅度譜以監測和診斷機械故障。Jyoti K. Sinha 和 Keri Elbhbah[45]融合多個振動信號以獲得一臺機器的復合頻譜,計算高階頻譜(HOS),以便有效管理振動數據并能進行振動狀態監測。

                         。3) 基于振動信號特征提取的狀態監測與故障診斷研究,通過對原始信號進行分析,提取和運行狀態、故障等相關的信息特征,以達到狀態監測和故障診斷的目的。竇春紅[46]研究了基于奇異譜分解的滾動軸承微弱故障特征增強方法,通過仿真實驗證明了該方法的有效性。Xiaomin Zhao, Tejas H. Patel 等人[47]提出了一種利用多元 EMD 和全譜提取故障信息的方法對旋轉機械進行狀態監測,基于互信息的準則選擇信號本征模式函數(IMF),并從選定的故障敏感 IMF 提取全頻譜特征,以獲得多信號來源的聯合信息,通過對轉子裝置中葉輪葉片后緣的損壞和轉子-定子摩擦的監測實驗驗證了方法有效性。Kevin Bossley, R. Mckendrick 等人[48]利用小波包分析從健康渦輪軸振動數據提取頻譜特征,使用貝葉斯推理的高斯模型對渦輪軸進行狀態監測。

                         。4) 基于智能算法的狀態監測與故障診斷研究,通過信號處理和特征提取方法與現代智能算法相結合或直接通過原始信息與智能算法結合的研究方法,主要包括:神經網絡、支持向量機、遺傳算法、隱馬爾科夫模型等。Adrian Stetco, FatemeDinmohammadi 等人[49]綜述了基于機器學習(ML)模型的風力發電機狀態監測研究現狀。Ruonan Liu, Boyuan Yang 等人[50]從理論背景和工業應用的角度對旋轉機械故障診斷中的智能(AI)算法進行全面介紹,討論了不同 AI 算法的優點,局限性,實際意義以及一些新的研究趨勢。M.J. Gómez, C. Castejón 等人[51]將小波包變換與具有徑向基函數結構的人工神經網絡(RBF-ANN)相結合,基于該方法分析帶有不同裂紋狀態的鉆機旋轉軸振動信號,最后應用于對鉆機旋轉軸裂紋狀態的監測驗證了該方法的有效性。Qiang Miao 和 Viliam Makis[52]提出了一種具有自適應模型重估計算法的在線故障分類系統,基于振動信號的小波極大值的觀測序列結合隱馬爾可夫模型(HMM)實現對機械故障進行分類分析,并利用該方法開發在線故障分類系統。Aijun Hu, Zerui Bai 等人[53]基于工業設備多信息源多維特征提出HMM 多參數狀態評估技術,該技術不僅可以評估機械的運行狀況,而且可以反映出運行狀況的變化。Wei Zhang, Xiang Li 等人[54]為了提高網絡訓練效率,提出了一種殘差學習算法,應用于旋轉機械狀態監測和故障診斷。

                          1.2.3 目前存在的問題

                          數控機床主軸在運行狀態下,經常處于多刀多工序的復雜工況,運行過程中主軸振動蘊含著大量的工況信息和自身的運行狀態信息,加之主軸系統作為被監測的對象,在正常運行狀態下具有使用壽命長、不易故障、不易性能退化和工況復雜等特殊性。所以對機床主軸進行振動狀態監測的方法研究存在以下幾個問題:

                         。1) 針對一個工件的整個工作過程中,主軸振動蘊含信息量大,數據量大,難以做全數據特征提取。運行狀態下主軸振動包括:自身機械系統振動信息、機械結構健康狀態信息、機械故障狀態信息、工件振動信息和刀具振動信息等,若將整個工作過程作為一個工作周期,則難以實現針對性的數據處理和特征提取。

                         。2) 主軸運行工況復雜,可定義狀態較多。主軸在多刀多工序的工況下,振動狀態可根據空載、負荷量、轉速、刀具和工序等定義狀態,甚至根據精確度的需要可定義到每條數控程序作為運行的振動狀態,在多狀態下采用現有研究方法所提供的模型,如支持向量機、人工神經網絡、深度學習網絡和 HMM 等模型,需要大量不同狀態下的訓練樣本,且出現新的狀態時很難在現有模型上擴建模型。

                         。3) 主軸與刀具不同,屬于非易損件,缺乏工況條件下的健康狀態與故障數據。

                          刀具可以通過實驗,加速其壽命損耗獲取磨損和性能退化數據,或模擬工況條件下的故障試驗,以獲得故障模式數據,從而建立基于數據驅動的智能監測與診斷模型。但正常工況下,主軸不易損耗和發生故障,且主軸運行工況復雜,很難通過試驗模擬工況下的損耗和故障,所以難以獲取大量健康狀態與故障模式數據。

                          綜上所述,目前對于機床主軸振動的監測存在振動蘊含信息量大、原始數據量大、機床主軸振動狀態較多、缺乏工況條件下的完整樣本數據等問題。

                          1.3 本文研究的主要內容及其結構

                          本課題根據振動信號特征提取和數控機床主軸振動狀態監測方法的研究現狀和目前存在的問題,結合信號處理與特征提取算法、機器學習算法、傳感器技術、集成電路技術和軟件開發技術等,以五軸數控機床主軸振動為研究對象,主要研究了基于頻譜特征提取的數控機床主軸的振動狀態長期在線監測方法,搭建了振動采集節點并開發了采集程序,開發了振動狀態監測系統。主要研究內容如下:

                         。1) 本文采用基于快速傅里葉變換(FFT)頻域分析的主軸實測信號頻譜特征提取方法,提取主軸振動特征,準備解決主軸振動原始數據量大、信息量大的問題。本文采用 FFT 對實測信號進行頻譜預處理分析;再對頻譜進行局部峰值-中心頻率特征提取,譜段分割后的子帶能量譜-中心頻率特征提取,頻域統計值特征提;最后進行主軸振動頻譜特征提取的方法有效性驗證。

                         。2) 本文采用基于概率神經網絡-相似度計算(PNN-S)的主軸振動狀態監測方法,準備解決機床主軸振動狀態較多、缺乏工況條件下的完整樣本數據的問題。

                          主軸振動可定義狀態多,PNN 基于數據驅動的智能算法模型可實現多狀態建模與識別,具有很高的靈活性;谝炎R別狀態進行狀態健康程度計算,獲取健康值。

                          該方法首先對被定義的狀態采集振動信號并進行頻譜特征提;獲得多段特征樣本以后進行特征的離散性、有效性、單個樣本有效性評估;再基于改進的多重 PNN利用多維特征樣本進行振動狀態度量模型的建立;最后,在監測的過程中基于已識別模型對特征樣本進行相似度計算,獲得當前狀態健康程度的監測參考值。

                         。3) 為了達到 PNN-S 主軸振動狀態監測方法用于主軸在線監測的目的,本課題進行主軸振動信號采集與振動狀態監測系統開發。為實現振動信號在線采集并輸入監測系統,研究并搭建振動信號無線采集節點硬件系統,采集節點主要包括:

                          電源模塊、IEPE 傳感器接口電路(恒流源模塊),RC 隔直模塊、放大器模塊、濾波器模塊、ADC 模塊、MCU 模塊、無線通信模塊。MCU 模塊采用的是 STM32,基于 STM32 進行了采集程序的分析與設計,主要包括 ADC 轉換程序、SPI 通信程序、定時器中斷服務程序(采集程序);基于主軸振動的頻譜特征提取和狀態監測方法,開發了振動狀態監測系統,該系統主要包括四個部分:通信接口部分、可調參數部分、工作模式部分、監測選項部分。

                          本課題研究的主要內容及其結構如圖 1-1 所示。

                          根據圖 1-1 可知,第一章是緒論部分;第二章是主軸振動信號頻譜特征提取方法的研究與基于仿真數據的方法驗證;第三章是基于第二章的振動頻譜特征提取方法,獲取頻譜特征作為振動狀態模型數據集合的數據組成,進行基于 PNN-S 的主軸振動狀態監測方法的研究;第四章是在第二章、第三章的方法基礎上進行主軸振動信號采集與狀態監測系統開發;第五章是對全文的總結與本文研究的展望。







                          第二章 機床主軸振動信號頻譜特征提取方法
                          2.1 振動信號特征提取方法相關理論
                          2.2 機床主軸振動信號特征及其預處理分析
                          2.2.1 機床主軸振動信號特征分析
                          2.2.2 基于 FFT 的頻譜預處理
                          2.3 振動信號頻譜特征提取
                          2.3.1 局部峰值特征提取
                          2.3.2 譜段分割特征提取
                          2.3.3 統計值特征提取
                          2.3.4 機床主軸振動信號的特征提取方法驗證
                          2.4 本章小結

                          第三章 基于 PNN-相似度的機床主軸振動狀態監測方法
                          3.1 主軸振動狀態模型及度量模型數據分析
                          3.2 模型數據預處理
                          3.2.1 歸一化處理
                          3.2.2 基于 DBSCAN 聚類算法的異常數據處理
                          3.3 振動狀態模型數據多維特征與狀態的評估方法
                          3.3.1 基于標準偏差的特征離散度評估
                          3.3.2 基于歐式距離的狀態差異度評估

                          3.4 基于多重 PNN-相似度的振動狀態監測
                          3.4.1 基于 PNN 的振動狀態模型
                          3.4.2 多重 PNN 振動狀態識別
                          3.4.3 基于多重 PNN-相似度的振動狀態監測算法
                          3.5 主軸振動狀態多重 PNN-相似度監測方法驗證
                          3.6 本章小結

                          第四章 機床主軸振動信號采集與狀態監測系統開發
                          4.1 采集與監測系統功能需求分析與整體框架設計
                          4.1.1 系統設計功能需求
                          4.1.2 系統整體框架
                          4.2 振動信號采集系統硬件搭建與程序設計
                          4.2.1 振動傳感器選型
                          4.2.2 相關模塊搭建
                          4.2.3 采集系統軟件設計與實現

                          4.3 主軸振動狀態監測系統開發
                          4.3.1 監測系統界面設計
                          4.3.2 監測系統底層實現
                          4.4 主軸振動信號采集與狀態監測系統測試
                          4.4.1 采集系統數據傳輸測試
                          4.4.2 監測系統功能測試
                          4.5 本章小結

                        第五章 總結與展望

                          5.1 總結

                          主軸振動狀態的健康程度是數控機床加工過程狀態的最直接反映,主軸異常振動可導致機床主軸加工過程質量不佳,效率低下。因此,要想提高主軸運行過程性能,必須對主軸振動狀態進行監測,感知主軸振動信息。數控機床主軸在運行狀態下,經常處于多刀多工序的復雜工況,在不同的工況下,主軸振動具有不同的時頻特性,因此對主軸振動進行長期在線監測,亟需解決主軸振動信息和數據量大、可定義振動狀態多和缺乏異常振動數據樣本的問題。

                          本文以數控機床主軸為對象,采用了振動信號的頻譜特征提取方法,對振動信號進行特征提取,提取特征信息并輸入監測模型進行監測,大量減少了振動原始數據量;基于振動信號頻譜特征提取的振動狀態序列樣本,組成振動狀態模型數據集合,并結合多重 PNN-相似度構建主軸振動狀態模型,進行主軸振動狀態識別與監測,解決了主軸振動狀態較多,缺乏異常振動數據樣本的問題;最后基于主軸振動信號頻譜特征提取方法和狀態監測方法開發了主軸振動信號采集與狀態監測系統,并對系統進行了功能測試。本文主要工作總結如下:

                         。1) 研究了基于頻譜特征提取方法,解決了主軸振動原始數據量大的問題。首先分析了振動信號特征提取方法的相關理論;通過對機床主軸振動狀態的影響因素和振動特性的分析,研究了主軸振動特征,確定了振動特征分析方法,并結合FFT 方法進行頻譜預處理;提出了振動信號的頻譜特征提取方法,該方法包括對振動頻譜進行局部峰譜段處理,提取局部峰值-中心特征頻率特征參數,基于局部峰譜對振動頻譜進行譜段分割,提取分割后子帶總能量-質心特征頻率參數,基于振動頻譜,提取統計特征參數,并研究了該方法的相關算法;最后通過主軸外殼振動模擬信號進行了振動信號頻譜特征提取方法的仿真驗證,驗證結果表明了該方法用于主軸振動特征提取的有效性,為振動狀態序列樣本數據提供了簡單高效的處理方法。

                         。2) 研究了基于多重 PNN-相似度的振動狀態監測方法,解決了主軸振動狀態多,缺乏異常振動數據樣本的問題。以主軸振動狀態為研究對象,分析了主軸振動狀態模型數據集合、度量模型數據集合和狀態監測數據集合,并構建了振動狀態模型數據集合結構;分析了振動狀態模型數據集合的預處理方法,包括采用歸一化方法對數據集合進行標準化,采用基于 DBSCAN 聚類算法對數據集合的異常數據進行處理;分析了 PNN 的相關理論,結合振動狀態模型數據集合改進了 PNN的模型結構,并研究了基于多重 PNN-相似度振動狀態監測方法流程的相關算法;最后通過主軸外殼振動模擬信號進行了監測方法的仿真驗證,驗證結果表明了該方法用于主軸振動狀態識別與監測的有效性。

                         。3) 開發了主軸振動信號采集與狀態監測系統。首先分析了采集與監測系統的功能需求;根據振動信號采集系統的功能需求搭建了硬件模塊,基于 STM32 開發了采集程序;根據振動狀態監測系統的功能需求,基于 Qt 應用程序開發平臺,開發了基于振動信號頻譜特征提取方法和多重 PNN-相似度的狀態監測方法的狀態監測系統,實現了主軸振動的特征測試、狀態模型構建、狀態模型擴建、狀態識別與監測等工作模式;通過系統測試,表明了該系統用于主軸振動狀態監測的有效性。為主軸連續長期的振動狀態監測提供了有效的解決方案。

                          5.2 展望

                          本課題研究的核心是數控機床主軸振動狀態的在線監測方法問題。本文針對主軸振動信號監測,研究并采用了基于振動信號頻譜特征提取和多重 PNN-相似度振動狀態監測的方法,并開發了對應的振動信號采集與狀態監測系統。但由于個人時間、精力等原因,研究內容有限,在此對于主軸振動信號采集與狀態監測工程實現的后續工作進行展望:

                         。1) 本文中采集系統硬件采用模塊化搭建,并未進行小型化集成,在工廠數控機床加工過程中,對主軸振動信號的采集不易完成,后續工作需要對采集系統硬件進行小型化集成并設計出適合安裝在主軸上的裝置,使系統硬件適宜對主軸加工過程中的振動信號采集。

                         。2) 監測系統測試中,機床主軸振動已定義狀態較少,狀態樣本較少,后續工作還需要根據工程實際,進行更多的復雜工況振動狀態定義與對應的振動信號樣本采集,以補充監測系統的實用性論據。

                        致 謝

                          時光荏苒,光陰如梭,轉眼間三年的研究生生涯即將成為過去。遙想三年前,我滿懷激動與憧憬,來到心儀的電子科技大學,這三年來受益匪淺,感觸不少。

                          三年的求學之路充滿波折、煎熬和喜悅,最有幸遇到老師們和同學們的陪伴與關懷,親人和愛人的理解與支持,在此,向你們表示最最真心誠意的感謝!

                          在三年光陰里,杜麗老師作為我的研究生導師,在生活中給予我幫助,在學習上給予我關懷和指導。在每隔一周的團隊匯報中,杜老師都會對我的課題研究作細心指導,在我為課題研究而感到迷惘的時候,為我指明方向,答疑解惑。正是在杜老師的悉心督導之下,我才能在研究生生涯中獲得更快的成長與進步。在此,我真誠的向您說一聲:杜老師,謝謝您!這三年里,您辛苦了!

                          在進入教研室學習和研究的這段時間里,非常感謝丁杰雄老師、王偉老師、黃智老師、蔣勁茂老師等幾位老師在每周團隊匯報中對我課題研究進展的指導與幫助,特別是丁老師在我們每次匯報研究路線與進展時都能提出獨到的見解和遠瞻的思維,為我們的課題研究提供正確的方向。蔣老師在我課題研究的調研時期經常為我做出及時的指導,王老師經常為我提供課題研究的前沿信息,和我悉心探討我的課題研究進展方向。老師們對學生嚴格要求和中肯建議,使我對學習和研究工作有了更高的認知和更嚴謹的思維。特此,對教研室的老師們表示衷心的感謝!

                          感謝教研室的各位師兄師姐師弟師妹,感謝你們的陪伴與相互鼓勵,使得我的研究生生活有了更多的歡樂與欣喜!

                          此外,我也要感謝一直給予我理解、幫助和支持的家人們和愛人,你們是我一直向前的動力源泉!

                          最后,非常感謝參與論文評閱和答辯的老師們,感謝您們能在百忙之中抽出時間對學生的論文和答辯進行耐心指導!

                          參考文獻
                          [1] 侯志霞,鄒方,王湘念,呂瑞強。關于建設航空智能生產線的思考[J].航空制造技術,2015, 24(08):50-52
                          [2] 單繼東,曹增義,王昭陽。航空發動機制造企業智能工廠建設[J].航空制造技術,2018, 61(15):70-77
                          [3] 李伯虎,張霖,王時龍等。云制造-面向服務的網絡化制造新模式[J].計算機集成制造系統,2010, 16(01):1-7
                          [4] 李伯虎,張霖,任磊。再論云制造[J].計算機集成制造系統,2011, 17(03):449-457
                          [5] 李伯虎,張霖,任磊。云制造典型特征關鍵技術與應用[J].計算機集成制造系統,2012, 18(07):1345-1356
                          [6] D. Wu, M. J. Greer, D. W. Reson. Cloud manufacturing: strategic vision and state-of-the-art[J]. Journal of Manufacturing Systems, 2013, 19(05):1078-1084
                          [7] 朱文營。加工中心主軸在線檢測技術研究[D].山東: 山東大學, 2012.
                          [8] 張心羽;谶^程數據分析的數控機床狀態預測及故障預警研究[D].四川:電子科技大學, 2017
                          [9] 萬海波,楊世錫; HHT 的數控機床主軸振動監測系統的研制[J].振動與沖擊,2014, 33(06): 48-52
                          [10] W. Chen, Z. Yang, C. Chen. Health Condition Evaluation Method for Motorized Spindle Based on Rotation Error and Vibration[J]. Institute of Electrical and Electronics Engineers Inc, 2018, 38(04):11-15
                          [11] 劉頡;谡駝有盘柗治龅男D機械故障診斷方法研究[D].武漢:華中科技大學,2018
                          [12] 周大帥。高速電主軸綜合性能測試及若干關鍵技術研究[D].北京:北京工業大學,2011
                          [13] 董新峰,李郝林,余慧杰;谧畲箪卦砼c鑒別信息的機床主軸系統退化分析[J].振動與沖擊,2013, 32(05) : 62-64
                          [14] 陳超。高速電主軸動態加載可靠性試驗及其故障診斷研究[D].吉林:吉林大學,2016
                          [15] 黃偉迪。高速電主軸動力學建模及振動特性研究[D].浙江:浙江大學,2018
                          [16] 張 玉 . 基于 振動 幅 域參數 指 標的 滾動 軸 承 故障 診 斷 [J]. 機 械制 造與 自動 化 ,2011, 40(03):47-51
                          [17] 練曉婷。旋轉機械故障早期識別方法研究與應用[D].大連理工大學,2013
                          [18] 戴邵武,陳強強,丁宇;跁r域特征的滾動軸承壽命預測[J].計算機測量與控制,2019, 27(10):60-63.
                          [19] 趙柄錫,冀大偉,袁奇,李浦,葛慶;跁r域與時頻域聯合特征提取和可分度分析的轉子系統碰磨故障診斷[J].西安交通大學學報,2019, 89(03):1-5
                          [20] Yunhan Kim, Jungho Park, Kyumin Na, Hao Yuan, D. Youn, Chang-soon Kang. Phase-based time domain averaging (PTDA) for fault detection of a gearbox in an industrial robot using vibration signals[J]. Mechanical Systems and Signal Processing, 2020, 138(02):145-153
                          [21] Jianquan Shi, Gangquan Si, Shuiwang Li, Babajide Oresanya, Yanbin Zhang. Feature extraction based on the fractional Fourier transform for vibration signals with application to measuring the
                          load of a tumbling mill[J]. Control Engineering Practice, 2019, 84(09):238-246
                          [22] 黃中華,謝雅; Hilbert 變換的滾動軸承內環和外環故障診斷[J].中南大學學報(自然科學版),2011, 42(07):1992-1996
                          [23] 王聰; Hilbert 解調及倒譜的齒輪箱點蝕故障診斷研究[J].電力科學與工程,2011, 27(03):36-40
                          [24] J. Altmann, J. Mathew. Multiple band-pass autoregressive demodulation for rolling-element bearing fault diagnosis[J]. Mechanical systems and signal processing, 2001, 15(05):963-977
                          [25] Zhipeng Feng, Ming Liang, Fulei Chu. Recent advances in time–frequency analysis methods for machinery fault diagnosis: A review with application examples[J]. Mechanical Systems and Signal Processing, 2013, 38(01):165-205
                          [26] Y. Yang, Z. Peng, Wenming Zhang, Guang Meng. Parameterised time-frequency analysis methods and their engineering applications[J]. Mechanical Systems and Signal Processing, 2019, 64(06):182-221
                          [27] M. Amarnath, I. R. Praveen Krishna. Local fault detection in helical gears via vibration and acoustic signals using EMD based statistical parameter analysis[J], Measurement, 2014, 58(10):154-164
                          [28] 剡昌鋒,王偉,王慧濱,朱濤,吳黎曉; EEMD-SVD 與時域分析的馬田系統軸承故障診斷[J].蘭州理工大學學報,2019, 45(03):39-45
                          [29] 馬富齊;趶蛿祿涷災B分解和隨機森林理論的風電機組多域特征故障診斷研究[D].西安理工大學,2019
                          [30] Y. Lei, J. Lin, Z. He, Y. Zi. Application of an improved kurtogram method for fault diagnosis of rolling element bearings[J]. Mechanical Systems and Signal Processing, 2011, 25(5):1738-1749
                          [31] D. Wang, W. T. Peter, K. L. Tsui. An enhanced Kurtogram method for fault diagnosis of rolling element bearings[J]. Mechanical Systems and Signal Processing, 2013, 35(1):176-199
                          [32] Y. Wang, M. Liang. An adaptive SK technique and its application for fault detection of rolling element bearings[J]. Mechanical Systems and Signal Processing, 2011, 25(5):1750-1764
                          [33] 何正嘉,陳進,王太勇。機械故障診斷理論及應用[M].北京: 高等教育出版社,2010
                          [34] S. K. Hot Technologies[J]. Fortune Magazine, 2002, 23(11):158-162
                          [35] J.J.Kruzic.Predicting Fatigue Failures[J]. Science, 2009, 325(5937): 156-158
                          [36] 何慧龍。機電設備微弱特征提取與診斷方法研究[D].天津: 天津大學,2006
                          [37] G. Rigatos, P. Siano. Power transformers'condition monitoring usingneural modeling and the local statistical approach to faultdiagnosis[J]. International Journal of Electrical Power and EnergySystems, 2016, 26(12):148-155
                          [38] 吳秀星,關佳亮。旋轉機械故障診斷與狀態監測發展綜述[J].設備管理與維修,2018, 44(10): 170-173
                          [39] J. Lin, C. Dou, The diagnostic line: A novel criterion for condition monitoring of rotating machinery[J]. ISA Transactions, 2015, 59(07): 232-242
                          [40] J Lin, C Dou. A novel method for condition monitoring of rotating machinery based on statistical linguistic analysis and weighted similarity measures[J]. Journal of Sound and Vibration, 2017, 390, 27(14): 272-288
                          [41] 段禮祥,陳瑞典,張來斌,秦天飛,王寧。機械設備振動監測的自適應變采樣算法研究[J].儀表技術與傳感器,2019, 56(07): 121-126
                          [42] 賈進林,林振昌,劉立強;谡駝颖O測工業機組狀態的方法[J].中國新技術新產品,2019, 33(13): 74-75
                          [43] K. Gryllias, H. Andre, Q. Leclere, J. Antoni. Condition monitoring of rotating machinery under varying operating conditions based on Cyclo-Non-Stationary Indicators and a multi-order probabilistic approach for Instantaneous Angular Speed tracking[J]. IFAC-PapersOnLine, 2017, 50(01):4708-4713
                          [44] Lei You, Jun Hu, Fang Fang, Lintao Duan. Fault Diagnosis System of Rotating Machinery Vibration Signal[J]. Procedia Engineering, 2011, 15(04):671-675
                          [45] K. Jyoti. Sinha, Keri Elbhbah. A future possibility of vibration based condition monitoring of rotating machines[J]. Mechanical Systems and Signal Processing, 2013, 34(02):231-240
                          [46] 竇春紅。風電齒輪箱運行狀態監測與故障診斷[D].北京交通大學,2019
                          [47] Xiaomin Zhao, H. Tejas, J. Zuo. Multivariate EMD and full spectrum based condition monitoring for rotating machinery[J]. Mechanical Systems and Signal Processing, 2012, 27(11):712-728
                          [48] Kevin Bossley, R. Mckendrick, C. J. Harris, C. Mercer. Wavelet Packet Analysis in the Condition Monitoring of Rotating Machinery[J]. IFAC Proceedings , 1998, 31(29):89-94.
                          [49] Adrian Stetco, Fateme Dinmohammadi, Xingyu Zhao, Valentin Robu, David Flynn, Mike Barnes, John Keane, Goran Nenadic. Machine learning methods for wind turbine condition monitoring: A review[J]. Renewable Energy, 2019, 133(15):620-635
                          [50] Ruonan Liu, Boyuan Yang, Enrico Zio, Xuefeng Chen. Artificial intelligence for fault diagnosis of rotating machinery: A review[J]. Mechanical Systems and Signal Processing, 2018, 108(22):33-47
                          [51] M. J. Gómez, C. Castejón, J. C. García-Prada. Automatic condition monitoring system for crack detection in rotating machinery[J]. Reliability Engineering & System Safety, 2016, 152(03):239-247
                          [52] Qiang Miao, Viliam Makis. Condition monitoring and classification of rotating machinery using wavelets and hidden Markov models[J]. Mechanical Systems and Signal Processing, 2007, 21(2):840-855
                          [53] Aijun Hu, Zerui Bai, Jianfeng Lin, Ling Xiang. Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system[J]. Measurement, 2020, 149(02):107-114
                          [54] Wei Zhang, Xiang Li, Qian Ding. Deep residual learning-based fault diagnosis method for rotating machinery[J]. ISA Transactions, Volume 95, 2019, 95(04):295-305
                          [55] Ye Q, Wang T. Optimization modal analysis with PSO based on spectrum segmentation. Chinese Journal of Scientific Instrument[C].2009, 547-588

                        (如您需要查看本篇畢業設計全文,請您聯系客服索。

                        相關內容
                        相關標簽:機械畢業設計
                        好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
                        所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
                        如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!
                        免费看男阳茎进女阳道视频