基于多源信息融合的數(shù)控機(jī)床進(jìn)給系統(tǒng)機(jī)械故障診斷研究.pdf

1、數(shù)控機(jī)床是指采用數(shù)字控制系統(tǒng)的自動化機(jī)床，可實(shí)現(xiàn)自動換刀以及復(fù)雜曲線、曲面的加工，具有加工精度高、加工質(zhì)量穩(wěn)定、生產(chǎn)效率高的特點(diǎn)，因而成為現(xiàn)代制造生產(chǎn)中的關(guān)鍵技術(shù)設(shè)備，其技術(shù)發(fā)展水平與擁有數(shù)目成為體現(xiàn)一個(gè)國家工業(yè)現(xiàn)代化水平的重要標(biāo)志。從結(jié)構(gòu)組成來看，數(shù)控機(jī)床是集機(jī)械、電子、液壓等技術(shù)于一體的復(fù)雜系統(tǒng)。在使用過程中，任何一個(gè)部分出現(xiàn)故障，均會影響機(jī)床的正常運(yùn)行，尤其機(jī)械部分出現(xiàn)故障時(shí)，長時(shí)間的停機(jī)檢修，導(dǎo)致整個(gè)生產(chǎn)線停產(chǎn)，造成巨大的經(jīng)濟(jì)損

2、失。目前數(shù)控機(jī)床機(jī)械部件仍然廣泛采用定期維護(hù)與定期更換的維修制度，這種維修制度下維修過度與維修不足的矛盾突出，一方面造成人力與物質(zhì)資源的極大浪費(fèi)，另一方面無法避免數(shù)控機(jī)床突發(fā)性故障的發(fā)生。因此，開展數(shù)控機(jī)床狀態(tài)監(jiān)測與故障診斷研究，實(shí)現(xiàn)維護(hù)方式由定期更換到預(yù)防維護(hù)、預(yù)知維修的轉(zhuǎn)換是非常必要的。
　　本文以信息融合技術(shù)為基礎(chǔ)，對數(shù)控機(jī)床狀態(tài)監(jiān)測與故障診斷的策略、信號處理與特征提取的方法、故障模式智能識別模型的建立以及全局綜合決策融合方

3、法等進(jìn)行了深入地研究，設(shè)計(jì)了基于多層次信息融合的數(shù)控機(jī)床機(jī)械部件狀態(tài)監(jiān)測與故障診斷系統(tǒng)。
　　論文從切削力分析入手，根據(jù)數(shù)控機(jī)床載荷多變、高頻沖擊的工況以及加工多樣性的特點(diǎn)，得出其切削力傳播路徑上的機(jī)械零部件更易發(fā)生故障的結(jié)論，分析了數(shù)控機(jī)床上機(jī)械零部件與普通設(shè)備故障成因的不同，確定了論文的研究對象以及故障失效形式。研究了基于振動、溫度、電機(jī)電流、伺服誤差等多種參量的故障診斷機(jī)理，并按照參量信息來源的不同，構(gòu)建了由外部傳感器、內(nèi)部

4、信息、程序參數(shù)以及警報(bào)信息組成的數(shù)控機(jī)床多維感知狀態(tài)監(jiān)測體系，從機(jī)床本體、刀具磨損、加工過程、工件加工質(zhì)量等多個(gè)角度、多個(gè)方面反映數(shù)控機(jī)床運(yùn)行狀態(tài)，實(shí)現(xiàn)數(shù)控機(jī)床的全方面監(jiān)測，為后續(xù)診斷過程提供充足的信息。
　　通過實(shí)驗(yàn)數(shù)據(jù)分析發(fā)現(xiàn)僅用傳統(tǒng)的時(shí)域與頻譜分析不能對復(fù)合故障進(jìn)行有效地區(qū)分，為進(jìn)一步挖掘隱藏在原始信號中的故障特征，本文提出了小波包與經(jīng)驗(yàn)?zāi)B(tài)分解聯(lián)合的信號處理方法，利用小波包對信號進(jìn)行降噪，并將小波重構(gòu)信號擴(kuò)展為高頻與低頻兩

5、個(gè)窄帶信號，再分別對兩個(gè)窄帶信號進(jìn)行EMD處理的方法。這種小波包與經(jīng)驗(yàn)?zāi)B(tài)分解聯(lián)合的信號處理方法，利用小波包對信號進(jìn)行降噪，大大提高EMD分解的精度與質(zhì)量，而且通過重構(gòu)節(jié)點(diǎn)的擴(kuò)展，可以更加細(xì)致地分析故障信息。提取EMD分解后每個(gè)IMF的能量作為特征，與時(shí)域特征、頻域特征組成多域混合特征集合。基于特征之間相關(guān)性分析的特征選擇方法，以模糊聚類為主要手段進(jìn)行特征降維，獲取敏感特征子集。
　　根據(jù)數(shù)控機(jī)床需要診斷的對象及其故障多的特點(diǎn)，提

6、出了分級診斷的策略，將診斷劃分為故障定位、故障類別與程度兩個(gè)層次。主網(wǎng)絡(luò)在對故障定位的同時(shí)，負(fù)責(zé)局部子網(wǎng)絡(luò)模型結(jié)果的聚合;局部子網(wǎng)絡(luò)診斷具體的故障類型與程度。通過任務(wù)分工與協(xié)作，達(dá)到了簡化網(wǎng)絡(luò)結(jié)構(gòu)的目的。研究了數(shù)控機(jī)床故障診斷的BP神經(jīng)網(wǎng)絡(luò)模型、RBF神經(jīng)網(wǎng)絡(luò)模型及支持向量機(jī)(SVM)模型的構(gòu)建依據(jù)和方法，以敏感特征作為模型輸入，分別構(gòu)建了基于BP、RBF與SVM的數(shù)控機(jī)床故障診斷主網(wǎng)絡(luò)與局部診斷子網(wǎng)絡(luò)的模型，對比研究了三種模型對不同故

7、障類別的診斷能力。
　　建立了基于模糊綜合評判的全局診斷模型與基于加權(quán)D-S證據(jù)理論的全局診斷模型，進(jìn)一步地提高了故障識別率。首先針對數(shù)控機(jī)床模糊綜合評判建模的難點(diǎn)，提出了以多分類器的初步診斷結(jié)果為基礎(chǔ)，將評價(jià)因素由高維特征轉(zhuǎn)變?yōu)榈途S的初級診斷結(jié)果，降低了模型的復(fù)雜程度，成功構(gòu)建了基于信息融合的數(shù)控機(jī)床單級模糊綜合評判故障診斷模型，并提出了從正確性與診斷精度兩個(gè)方面評價(jià)分類器分類能力的方法，構(gòu)造了基于信息熵的評價(jià)函數(shù)以及分類器整體