基于信号共振稀疏分解的自动换刀装置故障诊断

针对刀库中刀柄拉钉可产生松动的故障,研究一种基于信号共振稀疏分解的自动换刀装置故障诊断方法。以链式刀库为例,采集刀柄拉钉在不同旋转角度时自动换刀装置在自动换刀过程中所产生的振动信号,利用双可调品质因子小波变换的共振稀疏分解将所采集的振动信号分解成包含故障信息的周期瞬态低共振分量和自身运动的振荡谐波高共振分量。在此基础上,通过比对分析不同条件下的周期瞬态低共振分量信号,得到链式刀库自动换刀装置振动冲击成分与拉钉旋转角度的关系,并据此诊断自动换刀装置的故障。诊断结果显示,刀柄拉钉松动旋转角度为360°时,振动较大,该自动换刀装置需要进行维修,以增加其可靠性。研究结果可用于自动换刀装置的故障诊断,对于促进自动换刀装置健康状态监测方法的发展具有重大意义。     

基于多尺度解调谱熵的轴承故障特征提取方法

为了解决直驱风力发电机主轴轴承故障诊断问题,针对实际工程中振动信号的复杂特性,提出了一种基于改进经验模态分解(EMD)的多尺度解调谱熵的特征提取算法。多尺度解调谱熵利用EMD自适应分解特性与信息熵融合,首先对轴承振动信号进行EMD分解,将得到的各阶固有模态函数(IMF)分量进行Teager能量算子解调,获得不同频段的解调信号;其次,对各解调信号构造能量矩阵,并进行奇异值分解求取解调谱熵作为特征向量,从而实现对信号的多分辨率分析;最后,通过支持向量机(SVM)对实例数据进行故障分类实验,实现了较高的分类准确率,证明了该方法对于轴承故障诊断的有效性。     

数控机床刀具磨损状态特征参数提取

基于振动信号小波包分解理论对不平稳信号特征提取的优势,提出了一种利用振动信号的能量变化来监测刀具磨损状态的方法.该方法利用db4小波基对振动信号进行4层小波包分解,并将分解后的各频带能量值作为刀具磨损状态判断的特征参数.在新刀和刀具磨损的状态下提取特征向量,并根据频段能量的变化判断刀具磨损程度.试验结果证明该方法在刀具磨损状态判断中的可行性.     

基于EEMD的滚动轴承故障特征主元分析和PNN建模

利用滚动轴承各种工作状态下测量得到的声发射信号,建立了一种基于总体平均经验模态分解(EEMD)与概率神经网络(PNN)的滚动轴承故障特征提取和诊断方法。通过EEMD对信号进行自适应时频分解,在不同频段上分析本征模态函数(IMF)分量;计算IMF的能量值并做能量贡献分析,确定主元分量以组成故障特征向量;利用PNN网络实现故障特征向量与故障模式之间的函数映射,进行故障诊断。仿真结果和试验数据的对比证明了提出方法的有效性。     

基于VMD的螺栓松动状态识别（英文）

针对螺栓出现松动故障信号产生非线性、非平稳的现象,提出一种基于VMD与LSSVM模型相结合的螺栓松动状态识别方法。搭建螺栓松动实验平台采集螺栓松动状态下4种工况的振动信号;利用VMD分解对螺栓松动状态各个工况下的振动信号进行分解,并计算VMD分解后各模态分量的能量熵,最后以各工况下VMD分解的各模态分量能量熵为特征构造特征向量矩阵,通过LSSVM模型进行训练与状态识别。实验结果表明:该方法可以有效的识别出的螺栓松动状态,并通过与EMD-LSSVM模型进行对比,验证了该方法用于螺栓松动状态识别的有效性、可行性与相较其EMD分解方法的优越性。     

基于VMD的螺栓松动状态识别

针对螺栓出现松动故障信号产生非线性、非平稳的现象,提出一种基于VMD与LSSVM模型相结合的螺栓松动状态识别方法。搭建螺栓松动实验平台采集螺栓松动状态下4种工况的振动信号;利用VMD分解对螺栓松动状态各个工况下的振动信号进行分解,并计算VMD分解后各模态分量的能量熵,最后以各工况下VMD分解的各模态分量能量熵为特征构造特征向量矩阵,通过LSSVM模型进行训练与状态识别。实验结果表明:该方法可以有效的识别出的螺栓松动状态,并通过与EMD-LSSVM模型进行对比,验证了该方法用于螺栓松动状态识别的有效性、可行性与相较其EMD分解方法的优越性。     

基于EEMD多维特征的旋转机械故障识别方法研究

为有效诊断旋转机械故障,提出基于集合经验模态分解（EEMD）的多维特征提取故障诊断识别方法。利用EEMD将原始振动信号分解为若干个本征模态函数（IMF）,分别计算原始信号和IMF分量的时域指标;将时域指标进行奇异值分解,得到奇异值特征向量,计算原始信号频率带能量比和IMF分量能量比;将IMF分量能量比、奇异值特征向量、频率带能量比组合为故障特征向量,作为神经网络的输入,对转子的工作状态进行诊断识别。结果表明：多维特征向量的识别效果优于EEMD能量特征,能更充分反映出转子的故障特征。     

EEMD能量熵与优化LS-SVM的滚动轴承故障诊断

针对滚动轴承振动故障信号非平稳、非线性难以有效诊断的问题,提出基于集成经验模式分解(ensemble empirical mode decomposition,EEMD)能量熵与优化最小二乘支持向量机(least square support vector machine,LS-SVM)的滚动轴承故障诊断方法。首先利用EEMD对滚动轴承的振动故障信号进行分解,得到各阶的内禀模态函数分量(IMF)并计算其能量构造成特征向量矩阵,随后将该特征向量矩阵输入给优化的LS-SVM进行故障模式的分类辨识。通过实验验证了该方法的有效性和可行性,结果表明,基于EEMD能量熵特征与优化LS-SVM的滚动轴承故障诊断方法能够有效的诊断滚动轴承的实际运行工况。     

基于精度衰减分析的自动换刀装置动作可靠性设计方法

从满足自动换刀装置动作可靠性要求出发,对其换刀过程进行分析.在此基础上,建立了传动系统精度模型,分析了其传动系统磨损过程中的精度衰减情况.从而提出了一种基于精度衰减分析的动作可靠性设计方法.结合某链式刀库及自动换刀装置,应用所提出的动作可靠性设计方法进行了仿真计算及分析,结果表明该方法符合换刀装置动作可靠性设计要求.     

盘式刀库及自动换刀装置可靠性评价

圆盘式刀库及自动换刀装置是加工中心的重要功能部件,也是加工中心故障部位的薄弱环节,其可靠性水平直接关系到主机的性能.目前圆盘式刀库及自动换刀装置的可靠性还没有适当的标准.鉴于此,在对国内外数控机床及其关键功能部件可靠性评价研究进行归纳分析的基础上,本文通过平均故障间隔换刀次数MTCNBF及平均修复时间MTTR指标对YP系列圆盘式刀库及自动换刀装置进行了可靠性评价.并基于可靠性加速试验数据对圆盘式刀库及自动换刀装置的故障模式、故障原因进行了分析,得到了圆盘式刀库及自动换刀装置最容易发生故障的部位、主要故障模式,可为刀库及自动换刀装置的改进设计提供依据.     

基于DT-LMD机床轴承故障信号提取研究

为了准确得到机床故障轴承的运行状态,结合双树复小波变换(Daul-Tree Complex Wavelet Transform,DT-CWT)和局域均值方法 (LMD)分解的方法提出了一种新的方法 (DT-LMD),对轴承故障振动信号提取,首先利用双树复小波变换对信号进行降噪和重构,其次通过局域均值方法分解,再次利用该方法对机床轴承实际振动信号进行分解,提取其能量特征值并将特征值进行归一化处理,得到各个分量的能量值;最后判断轴承的故障类型。     

基于机器学习机床机械加工特征信息与加工材料关联性研究

为了开展数控机床机械加工特征信息检测与分析方面的研究,以健康状态的机床对不同工件材料进行切削加工,通过数据采集系统采集在不同切削状态下机床主轴输出的机械特征信息,利用机器学习的方法对特征信息进行分析和判断,提出一种基于机床主轴振动信号与机床主轴负载电流特征信息融合的工件材料精确识别判断模型。首先,获取机床在不同加工状态下的主轴振动信号以及主轴负载电流信号,利用变分模态分解(VMD)算法对其进行分解获得本征模态分量(IMF)并计算各个IMF的多尺度加权排列熵(MWPE)进行信息融合构建特征向量;然后使用灰狼优化(GWO)算法对传统支持向量机进行优化并对4种常见工况进行识别判断。试验结果表明:基于信息融合的特征提取与GWO-SVM相结合的方法能够利用机床加工状态输出的数据特征信息对正在加工的材料种类进行精确识别判断。     

基于参数优化变分模态分解的滚动轴承微弱故障诊断研究

为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。     

基于SHO-VMD分解和多特征参数的变工况滚动轴承故障诊断

风机在多种工况条件下运行时,利用轴承的振动监测系统所检测到的信号难以实现故障诊断,而大量文献研究的轴承故障诊断多是在恒定转速下进行的。针对变工况下运行的滚动轴承,提出一种基于SHO-VMD分解和多特征参数融合的特征提取方法,使用t-SNE降维可视化,提取出振动信号的故障信息与转速变化信息。变分模态分解(VMD)方法的分解效果取决于分解个数和惩罚因子的取值,采用自私羊群优化算法（SHO）对参数进行优化,将振动信号分解为一些本征模态分量,再对每组分量进行特征参数提取,基于奇异值特征、能量熵、样本熵特征进行多特征量融合,使用t-SNE降维来提取轴承故障信息以及速度变化信息,实验结果表明：提出的方法可以有效提取出轴承的故障和速度信息。     

基于多传感器信号分析的故障诊断

为解决复杂环境中难以诊断的机械故障,以振动信号和温度、压力等测量信号为基础,建立一种基于多种传感器信号分析的故障诊断模型。针对振动信号,采用小波包对原始振动信号进行分解,提取特征值组成原始特征向量,然后采用粗糙集方法对原始特征向量进行特征约简,将约简后的分类规则作为对向神经网络的训练集。针对温度、压力等测量信号,将各个传感器测量的数据融合形成特征向量,利用遗传算法优化的BP神经网络对其进行训练和模式识别。最后对这两类信号的诊断结果进行融合,构成了一种复合故障诊断模型。实验证明,该诊断模型有较高诊断精度和准确度。     

一种基于超声波测厚的薄壁件自动补偿加工方法

针对薄壁工件在加工时易发生加工变形而出现加工误差,导致工件加工精度降低的问题,提出了一种基于超声波测厚装置的自动补偿加工方法。该方法首先利用超声波测量原理提出了一种厚度测量装置,利用该装置对特征刀位点进行厚度测量,并由测得的厚度值插值得到所有刀位点厚度,进而补偿加工量,完成补偿加工。最后以航空薄壁件加工为例,对该方法进行了仿真分析与试验验证,结果表明,该方法能够有效保证加工精度。     

基于DT-CWT和能量算子解调的滚动轴承故障诊断研究

滚动轴承出现局部损伤时会产生周期性冲击,振动信号往往具有调制特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波和能量算子解调的诊断方法。首先运用双树复小波对采集到的轴承振动信号进行分解,得到若干个不同频带的分量,提取信号中能量集中的高频调制频带进行信号重构。然后采用能量算子的方法对重构信号进行解调。最后对解调得到的瞬时幅值进行频谱分析便能准确提取故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

基于最小熵解卷积和能量算子的滚动轴承故障诊断方法

针对滚动轴承故障识别困难这一问题,提出了基于最小熵解卷积和能量算子的诊断方法。首先利用最小熵解卷积算法对原始振动信号进行预处理,削弱冗余噪声成分的干扰,增强故障特征,继而计算解卷积信号的Teager能量算子输出,并对所得的瞬时能量信号做频谱分析,最终通过分析能量谱中的频率成分实现故障类型的准确判定。实测信号分析结果表明,基于最小熵解卷积和能量算子的诊断方法能够有效提取轴承故障信号中的微弱特征信息,具有一定工程应用价值。     

基于同步提取变换的旋转机械振动信号时频分析北大核心

为提升工业现场采集摩擦故障振动信号时频分辨率,采用小波变换、短时傅里叶变换、同步挤压变换和同步提取变换(SET)4种时频分析算法对多分量仿真信号和旋转机械的摩擦故障振动信号进行时频分析,并对同步提取变换算法原理进行详细介绍。通过实验与其他3种算法Renyi熵值进行比较。结果表明:针对多分量仿真信号,利用SET算法可有效去除能量发散现象、混叠和端点效应,与原始多分量仿真信号的真实时频谱一致,在时间分辨率和频率分辨率上均实现了最优;针对现场摩擦故障振动信号,利用SET可以很好地抑制摩擦故障信号中的背景噪声,得到的时频图时频聚焦性较好,同时能量发散情况得到极大改善,在时频图中可以清晰地看出摩擦故障信号对应的频率。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。