故障检测开题报告PPT.pptVIP

基于流行学习的数控主轴故障特征提取研究 导 师： 王红军 教授 学 生： 付伟清 专 业： 机械工程 方 向： 机械制造及其自动化 选题来源及依据 国内外研究现状 主要研究内容 研究方法及研究思路 论文创新点 论文时间安排 参考文献 论文选题来源和依据 选题来源： 北京市自然科学基金项目 北京教育委员会科技计划重点项目 基于流形学习的超精密主轴回转精度劣化溯源技术研究 选题依据： 高档数控机床为国家的高科技产品和新技术的开发提供了重要的设备保障，其功能和可靠性是反应国家制造业水平的关键指标，同时也是综合国力的体现[1]。数控机床作为我国军事、航天以及汽车等制造业的基础和关键设备，其可靠性水平直接影响着这些行业的发展。随着科技的进步，制造的产品复杂多样，这使得对数控机床的要求也越来越高，其中之一就是保证数控机床高速运转，提高其工作效率。要实现主轴的高速运转就要实现主轴的零传动，将主轴电机以定子和转子的形式装入主轴组件的内部，形成电主轴[2]。高速运转会导致电主轴发热、振动，同时也会加快轴承的磨损，这些现象不仅会影响机床的加工精度，影响产品质量，同时也会加大数控机床发生故障的概率，电主轴转速越高越容易发生故障。 国内外研究现状 20 世纪 70 年代中期，随着数控机床在工业发达国家的普及和先进功能的不断增加，机床的故障问题开始引起行业的关注。高速超精密数控机床作为典型的机电系统，其故障诊断与预警技术是保障机床可靠运行、提高机床服役性能的核心技术之一。国外对数控机床加工过程检测诊断技术的研究开发工作十分重视，并将其视为高质量数字化加工的重要技术基础。这些研究可以分为以下方面：信号获取与传感技术；故障机理与征兆联系；信号处理与诊断方法；识别分类与智能决策方面等。 英国机床工业协会的STEWART[8]采用数控机床用户现场跟踪试验的方法收集了数控机床的现场故障数据，并对数控机床进行了故障分析，并于1977年在 Macclesfield 国际可靠性会议上做了关于数控机床可靠性的报告，报告指出：由于机床故障导致机床的停机时间占整个机床考核时间的7.6%，每个月机床平均发生1～2次故障。1982年，前苏联的学者[9]对数控机床的研究和使用经验进行总结，撰写了数控机床可靠性领域的首本专著《数控机床的精度与可靠性》，书中系统地论述了数控机床可靠性的概念，并给出了相应的评定指标。同年，KELLER 等[10]对35台数控机床进行了为期3年的现场跟踪试验，分别利用对数正态分布和威布尔分布函数对机床的故障间隔工作时间进行了拟合，建立了数控机床的可靠性模型，并由此得到了数控机床平均故障间隔工作时间(Mean Time between failures，MTBF)的估计值。1986年，英国学者 MCGOLDRICK等[11]采用向专家和操作者进行问卷调查的方式对在英国和土耳其使用的一批相同类型数控机床的故障模式进行了分析，表明数控机床的设计者对其实际运行状况了解不足所导致的设计缺陷是致使数控机床故障频繁的主要原因。美国亚利桑那大学的学者首先根据单元的劣化机理选择恰当的退化轨迹模型，然后对所有单元的劣化轨迹参数运用最小二乘法评估，接着运用多变量多重线性回归法建立在某个退化机理下随机参数和应力之间的关系，最后运用Bootstrap模拟法评估多重失效模式的子系统的失效概率分布[12]。 国内外研究现状 2000年J.B.Tenenbaum和S.T.Roweis等人在《Science》上发表了两篇关于流形学习的文章，他们分别提出了各自的流形学习算法、等距映射算法[13](Isometric Mapping，ISOMAP）和局部线性嵌入算法[14]（Locally Linear Embedding，LLE）。流形学习方法作为一种新的非线性维数约简的方法，在数据挖掘和特征提取等领域中被广泛应用。Sadeghian Alireza[15]将小波包分解和神经网络技术结合，提出了一种关于转子的故障在线监测系统。Zacharias E. Gketsis[16]等人利用小波变化提取信号中故障特征，然后用人工神经网络的方法进行诊断识别，该方法可以自动识别电机绕组的短路故障。Crampton[17]等人发现当采集的数据含有噪声时，使用SVM检测故障的方法比其它同类方法效果更好。Jack 等[18]人将 SVM 应用于滚动轴承的状态检测中，利用遗传算法优化 SVM 的参数，取得比较好的推广性能。 瑞士KISTLER公司推出了基于切削力的加工监测系统，西门子的数控机床远程监测诊断系统EPS，FANUC公司的18i和30i也具有类似功能，但是他们只能实现机床电气系统类型的故障检测。 在国内，北京机床研究所和原吉林工业大学是较早开展数控机床可靠性研究的