支持向量空间方法在刀具运行可靠性评估中的应用

针对单台或小样本数控机床刀具可靠性评估时,传统的基于大样本统计的可靠性评估方法因缺乏时间、动态、个性化的精确性描述而难以发挥作用。为了提高单台或小样本条件下的机床刀具运行可靠性评估精度和可信性,作者提出了一种基于奇异值分解(SVD)和支持向量空间的运行可靠性评估方法。首先通过实验对机床切削加工过程中的刀架振动信号进行获取,采用小波包分解、能量分布和时频域统计量分析,提取出与刀具磨损量密切相关的显著特征指标。为了降低计算复杂程度和减小冗余成分,进一步利用SVD对所提取的刀具正常磨损条件的振动信号时频域高维特征数据集进行降维处理。然后将降维数据作为测试样本代入支持向量空间模型构造支持向量空间超球体,以该超球体所定义的圆心和半径为计算依据,将待检样本相对于超球体的相对距离作为描述刀具的性能退化指标,并引入降半型隶属度函数,将相对距离指标映射到[0,1]区间,将其定义为刀具的运行可靠性。分别以两把磨损状态为失效与正常的刀具作为评估案例,通过对其降维前后数据进行支持向量超球体空间构造以及可靠性评估,结果表明维数据约简可有效减小数据分散性过大所导致的超球体形状变形问题。最后以多把刀具统一失效阈值下的通用数据对刀具1进行可靠性评估,结果表明在训练数据条件足够大的情况下,刀具的相对距离和运行可靠度趋势性更加明显,波动性减少,特别是在磨损后期,这种变化有利于刀具服役性能的精准评估。所提出的运行可靠性评估方法摆脱了传统可靠性评估对大样本统计数据的依赖,为丰富和发展小样本数据的可靠性评估提供了新的理论支持和技术手段。     

深度学习在机械设备故障预测与健康管理中的研究综述

随着机械装备不断朝高速化、大型化、智能化方向发展,为了保障机械设备高效、安全、可靠运行,故障预测与健康管理(PHM)一直是工业领域研究的热点问题。机械装备的工作环境恶劣,工况复杂,多系统相互耦合,在长期服役过程中,其状态监测信息呈现出典型的"体量浩大、多源异构、生成快速、价值稀疏"的大数据4V特征。因此,"大数据"背景下的机械装备健康管理呈现出"三高"特点:(1)需要高容量的大数据存贮能力;(2)需要高效实时的数据处理能力;(3)需要高强的多源异构适应性。针对上述特点,亟需一种能够从海量数据中自适应提取故障特征并进行有效诊断、评估和预测的数据处理方法。深度学习理论作为机器学习的进一步发展,以强大的建模与数据处理能力,在图像处理、语音识别、自然语言处理等领域取得了巨大的成功,国内外诸多学者也将深度学习理论逐步引入到设备PHM当中,做了一些开拓性的工作。从深度学习在机械装备故障预测与健康管理应用中的基本流程入手,分析PHM深度神经网络的输入特征及其主要类型和特点,对比了PHM应用中常见的4类神经网络模型与其对应的模型训练算法,对深度学习在PHM应用的国内外研究进展进行了归纳总结,并展望了深度学习在PHM应用中的发展方向。