数控机床主轴轴承故障知识获取方法

提出了一种基于粗糙集理论的主轴轴承组件故障识别方法,针对具有连续属性的实验数据,将等间距聚类法引入连续属性离散化,通过应用区分矩阵算法进行决策表条件属性约简,提取了清晰、简明的故障模式规则。结果表明,该方法可以实现数控机床主轴轴承组件故障模式识别,在实际模式识别中具有很好的应用价值,可为数控机床机械部件故障诊断提供方法和依据。     

应用变精度粗糙集获取柴油机故障有效监测点

提出基于变精度粗糙集(Variable Precision Rough Set,简称VPRS)理论获取柴油机故障有效监测点的方法.通过变精度粗糙集在不同精度时分类近似质量的计算,得到柴油机在不同采集点的分类近似质量,进一步计算出各采集点条件属性与决策属性的近似依赖值,得出在故障监测中最敏感的状态信息监测点.通过变精度粗糙集理论对采集点数据的处理,找出故障诊断系统中最有效工作状态监测点.有效信息的采集,可以最大限度地减少噪声对故障诊断的影响,提高故障诊断系统的工作效率和准确率.     

基于邻域粗糙集的转子故障数据属性约简

特征数据集的属性约简是机械故障智能诊断的关键步骤之一。目前利用粗糙集理论从大量的且含有噪声以及非线性、非平稳信号的故障数据集中提取出有用特征信息是一件值得研究的事情。针对原始故障数据集直接离散化会导致一些关键属性丢失以及时域内分析不能有效获取故障本质的问题,提出了一种以频域内的频谱值为条件属性,以故障类别为决策属性建立邻域粗糙集决策表对数据集进行属性约简的方法。通过处理转子实验台数据对该方法进行验证和对比,结果表明该方法能有效地获得典型故障的关键属性和更加准确的决策规则。     

粗糙集在滚动轴承故障诊断中的应用

对滚动轴承几种常见点蚀故障的振动信号特征值进行分析,使用粗糙集基于熵的离散化算法进行属性离散化,并采用基于属性重要度的启发式约简算法进行属性约简,然后选用径向基核函数的支持向量机将经过属性约简的特征向量输入支持向量机训练,建立支持向量机模型并进行故障识别与诊断。实验分析结果表明,应用粗糙集和支持向量机相结合的混合智能诊断方法,将粗糙集作为支持向量机的前置系统对数据进行预处理,利用粗糙集可以减少信息表达的属性数量和故障诊断决策系统的规则数,使支持向量机输入端数据量大大减少,提高系统的处理速度,对于滚动轴承振动信号的故障模式识别可以获得良好的效果。从而验证了粗糙集理论对滚动轴承故障诊断的有效性以及其应用价值。     

基于阶次小波包与粗糙集的轴承复合故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳非高斯特征,传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入到轴承的复合故障诊断中,利用计算阶次跟踪算法对瞬态振动信号进行重采样,采用小波包对该信号分解-重构,并对每个频段的能量进行归一化,构成一个特征向量,通过粗糙集理论得到清晰、简明的决策规则.并通过复合故障实例验证了此方法的有效性.     

HS-RNN在机械主轴振动预报方法中的研究

机械主轴在高速运行过程中由于转子质量分布不均,造成主轴振动,从而影响其加工精度,因此常常采用动平衡方法来降低此类原因造成的振动。由于机械主轴长时间工作在变化频繁的工况条件下,难以在较短的时间内对主轴振动值进行准确调节,因此机械主轴振动预报模型对动平衡调节有着重要意义。机械主轴振动预报模型机理复杂,振动幅值具有随转速变化而非线性变化的特性,难以建立精确的机械主轴振动预报模型。且内置平衡块位置的选择忽略了变化工况对位置更新参数的影响,导致机械主轴振动预报模型精度较低。采用RNN(Recurrent Neural Network)递归神经网络建立机械主轴振动预报模型,对内置平衡块不同位置和主轴转速下的振动幅值预报,并引入HS(Harmony Search)和声搜索算法对平衡块位置参数通过自学习更新,从而提高机械主轴振动预报模型的精度。实验结果表明,提出的基于HSRNN的机械主轴振动预报方法能够自动确定网络结构,并对机械主轴的振动幅值进行准确预报。     

VPRS在轴承故障诊断中的应用

将变精度粗糙集(VPRS)理论引入到轴承的故障诊断中,提出了一种故障决策规则提取方法。首先用等间距法对连续属性进行离散化,然后根据实际,选取不同的β(正确的分类率),利用变精度粗糙集的近似分类质量进行条件属性约简,得到β近似决策规则,最后通过轴承故障实例验证了此方法的有效性和实用性。     

基于粗糙集的旋转机械振动故障诊断研究

振动故障是旋转机械最常见的故障,旋转机械故障诊断常用的是振动分析法.粗糙集理论是一种研究不完整数据、不精确知识的表达、学习和归纳的数学工具.基于粗糙集理论,对旋转机械的振动故障诊断决策表进行分类、约简和核集的形成,推导出最简明的决策表,从而提取故障诊断的重要属性,降低决策表的冗余性.研究表明,粗糙集理论应用于旋转机械振动故障诊断可得到更明晰的诊断规则,从而提高了故障诊断的实时性和快速性.     

基于谐波小波和Hilbert的滚动轴承故障诊断方法

主轴滚动轴承是数控机床的重要部件,它的运行状态往往直接影响整套机械设备的性能。为了提高主轴滚动轴承的故障诊断可靠性,针对数控机床主轴轴承振动信号非平稳的特点,利用谐波小波滤波的方法对现场采集的振动信号进行滤波,并提出对滤波后的信号进行Hilbert包络分析,从而提取出故障激发的共振信号。实例验证表明,谐波小波具有良好的滤波效果,Hilbert包络分析能有效地提取滤波后信号的故障特征,此方法提高了数控机床主轴滚动轴承故障诊断的准确性。     

基于全相位快速傅里叶变换的主轴不平衡特征提取及实验

主轴作为数控机床的核心部件,因其质量不平衡而产生的振动严重影响机床的加工精度。对主轴不平衡振动进行有效抑制的前提是需要准确提取振动信号特征。为了准确提取主轴系统的不平衡振动特征,获取振动幅值和相位,提出基于全相位快速傅里叶变换的主轴不平衡振动特征提取方法,全相位快速傅里叶变换利用自身的频谱分析功能实现对信号相位和振幅的准确提取。分别通过仿真与实验的方式将该方法与其他3种方法进行振动特征提取对比,全相位傅里叶变换提取振动幅值和相位准确度和稳定性更好,提取后的振动相位准确性可达97%,而提取后进行动平衡振动抑制实验,振动量下降65.21%,进一步验证了该方法的有效性。     

变精度粗糙集在齿轮故障诊断中的应用

在二级齿轮箱的变负载过程中,为了有效地处理非平稳信号,采用小波包提取特征参量(条件属性值);为了有效地处理带噪声的数据,将变精度粗糙集理论引入到齿轮的故障诊断中,提出了一种条件属性约简方法.首先对连续属性进行离散化;然后定义集合M,根据实际情况,选取不同的正确分类率β,利用变精度粗糙集的近似分类质量进行条件属性约简,并与加入噪声数据后所得的约简结果进行了对比;最后通过齿轮故障实例验证了此方法的有效性和实用性.     

基于矢谱和粗糙集理论的旋转机械故障诊断

矢谱融合了转子同源双通道的信息,能准确反映转子运动状态．粗糙集理论是一种对决策表进行简化,去除冗余属性的数据分析和处理方法．提出了基于矢谱和粗糙集理论的旋转机械故障诊断方法．计算了旋转机械振动4种典型故障的矢谱征兆,使用粗糙集理论对其进行约简,根据约简的结果生成矢谱诊断规则,并利用得到的规则对故障测试样本进行了诊断．结果表明：相对于单通道数据,基于矢谱和粗糙集理论的故障诊断不仅简化了诊断规则,而且明显提高了故障诊断的准确率．     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

Rough set based rule learning and fuzzy classification of wavelet features for fault diagnosis of monoblock centrifugal pump

The fault diagnosis problem is conceived as a classification problem. In the present study, vibration signals are used for fault diagnosis of centrifugal pumps using wavelet analysis. Rough set theory is applied to generate the rules from the vibration signals. Based on the strength of the rules the faults are identified. The different faults considered for this study are: pump at good condition, cavitation, pump with faulty impeller, pump with faulty bearing and pump with both faulty bearing and impeller. However, the classification accuracy is based on the strength and number of rules generated using rough set theory. Wavelet features are computed using Discrete Wavelet Transform (DWT) from the vibration signals and rules are generated using rough sets and classified using fuzzy logic. The results are presented in the form of confusion matrix which shows the classification capability of wavelet features with rough set and fuzzy logic for fault diagnosis of monoblock centrifugal pump.     

设备故障智能诊断方法的研究

模糊聚类、粗糙集理论、灰色系统理论等相关技术曾被广泛应用于设备故障诊断中,但是模糊聚类只能对已知样本做出决策,不具有柔性,不能通过已知信息和聚类结果对问题所涉及领域内的新样本的类别做出决策;粗糙集理论不能处理连续变量;而灰色系统理论无法去除故障诊断中冗余的特征参数,不能区分各特征参数的重要性,因而制约了它们在故障诊断中的应用.在本文中,这几种理论被有机地结合起来,应用于设备故障诊断中.在故障诊断过程中,首先利用模糊c均值聚类对样本的参数进行离散化处理,求得各类别的聚类中心,接着基于粗糙集原理对设备特征参数进行约简,去除冗余参数,定量确定各特征参数的重要程度,然后根据约简的特征参数和各参数的重要程度,利用灰色关联分析的方法确定各种标准故障状态与目前设备状态的关联度,从而找到设备的故障所在之处.在本文最后部分通过实例证明,将模糊c均值聚类、粗糙集理论和灰色系统理论结合起来,应用于设备的故障诊断中是一种行之有效的方法,为智能故障诊断提供了理论基础.     

切削振动条件下工件表面轮廓的形成机理

本文通过分析振动频率、主轴旋转频率等加工参数与被加工表面之间的关系。发现振动频率和主轴旋转频率的比值对表面空间和幅度起着决定作用。在此基础上，对被加工表面进行了仿真研究，提出了通过调整主轴转速表面进行了优化的方法。     

A novel experimental research on vibration characteristics of the running high-speed motorized spindles

Because of the complicated running condition and many unpredicted factors such as unmodelled dynamics and external disturbances, the fault analysis of the high-speed motorized spindle is proved difficult. In this paper, a novel experimental method is proposed to research the vibration characteristics of the running high-speed motorized spindle. The method consists of four steps. Firstly, the vibration signal measurement and processing system are built according to data collector and signal analysis software, and then, the vibration signal of the spindle extracted from sophisticated experimental environment is studied by using harmonic wavelet transform for its advantages, such as ultra-narrow band, high resolution detection and ability of extracting weak signal. After that, local frequency domain zooming technique of harmonic wavelet packet is employed to study the vibration spectrum of the spindle at eight different rotating speeds. Furthermore, the axis orbit of the rotor is purified successfully, which can serve as verification basis for subsequent on-site fault diagnosis. Finally, a comparative analysis of eight different vibration signals under the same load but different speeds condition is carried out, the spectral components are classified into two types: the repeated ones and the regular ones. The accordance between experimental results and theoretical analysis suggests that the proposed method in this paper is effective.     

粗糙集规则获取在旋转注水机组故障诊断中的应用

粗糙集理论能够有效地处理不精确、不完整的数据和知识,并从中发现隐含知识,提示潜在规律。提出一种基于粗糙集理论的大型旋转机械故障诊断和知识获取模型。该模型从包含冗余和不一致信息的原始数据出发, 构建决策表,通过属性约简和基于分明矩阵的属性值约简获取故障诊断的最小约简属性集和诊断规则,并建立诊断规则知识库。基于该模型以某旋转注水机组故障分析为例,从来自实际的经验数据获取旋转注水机组转子故障诊断的规则知识,其属性约简率可达25％,并能有效解决旋转注水机组故障诊断中规则获取的知识冗余或缺失问题,验证了其有效性。     

基于故障先兆判定模型和动态置信度匹配的主轴润滑故障预测方法

为提高数控机床主轴传动系统润滑不良故障的预测能力和预知性维护能力,针对现有故障预测方法的局限性以及主轴零部件耦合、故障并发等特征,提出一种基于故障先兆判定模型和动态置信度匹配的主轴润滑故障预测方法。根据关联程度约简故障先兆表征参数,基于故障历史数据集定义故障先兆状态序列,结合小波分析和概率神经网络技术构建故障先兆判定模型,设计动态置信度匹配算法,进而从可靠性和正确性的角度融合各故障先兆参数状态匹配结果,在线预测故障发生的概率及时间。试验结果表明,该方法能够有效实现主轴传动系统润滑不良故障的预测。     

A hybrid approach of rough set theory and genetic algorithm for fault diagnosis

This paper proposes an integrated intelligent system that builds a fault diagnosis inference model based on the advantage of rough set theory and genetic algorithms (GAs). Rough set theory is a novel data mining approach that deals with vagueness and can be used to find hidden patterns in data sets. Based on this approach, minimal condition variable subsets and induction rules are established and illustrated using an application for motherboard electromagnetic interference (EMI) test fault diagnosis. This integrated system successfully integrated the rough set theory for handling uncertainty with a robust search engine, GA. The result shows that the proposed method can reduce the number of conditional attributes used in motherboard EMI fault diagnosis and maintain acceptable classification accuracy. The average diagnostic accuracy of 80% shows that this hybrid model is a promising approach to EMI diagnostic support systems .