机载电子设备的故障诊断和趋势预测

提高机载电子设备的可靠性,已成为保证飞机性能的当务之急。本文首先指出机载电子设备失效的主要原因是耗损性故障,接着分析了其常见的故障预测方法,最后给出了采用时间序列自回归（AR）模型和基于支持向量回归的时间序列预测（TS—SVR）模型对某机载雷达故障预测的实例。研究发现,AR模型仅适用于短期预测,而TS—SVR方法推广能力强、具有较强的鲁棒性和容错性,对较长区间预测仍具有较好的效果。因此,将TS—SVR方法应用于机载电子设备的故障预测,可以取得良好的结果。     

基于H∞ 控制策略的机床主轴综合鲁棒控制研究

针对数控机床主轴的控制问题,采用综合鲁棒控制器实现数控机床主轴的有效控制,并对控制效果进行仿真验证。构造数控机床主轴系统模型简图,建立了考虑切削力的数控机床主轴的完整动力学模型。基于H_∞控制策略开发针对机床主轴的综合鲁棒控制器。采用MATLAB软件对数控机床主轴进行仿真,并与传统PID控制器的仿真结果进行对比和分析。结果显示:采用综合鲁棒控制器控制的数控机床主轴转速超调量小,能快速消除波动;所需控制电压范围减少了约50%;即使受到较大随机干扰,主轴系统也能够快速消除干扰,处于受控状态且稳定。采用综合鲁棒控制器可以提高机床主轴的动态稳定性以及抗干扰能力。     

数控机床主轴磨损失效的MTBF预测及实验研究

目前数控机床的MTBF主要通过统计得到,这就带来跟踪统计时间长、数据量大等弊端。用数控机床加工零件时,由磨损引起的主轴振动的振幅会随着时间的增加而增大,当磨损量达到极限值时,振幅激增,加工零件质量不达标,此时认为主轴失效;由此可以通过振幅、磨损与时间之间的关系推算出数控机床主轴的MTBF。针对主轴的磨损失效,提出一种通过数控机床的振动试验来预计主轴MTBF的方法,并结合具体机床进行实验分析和验证。     

复杂机械系统监测诊断中的时间序列模式识别技术

随着系统设备和功能的日益复杂化,复杂机械系统和过程的监测诊断问题是一个广泛的研究课题,该文针对复杂机械系统故障现象的特点,分析了自回归(AR)模型分析技术在复杂机械系统监测诊断中的应用.研究了AR模型的建模过程及其参数估计,讨论了典型模型的定阶准则,建立了模型识别信息距离判别函数,并就非平稳时间序列异常值分析、非平稳残差修正方法等问题进行了探讨.     

最不利工况下大型数控机床主轴的强度计算

本文根据某大型数控机床主轴不等截面及主轴工作时轴承支座产生小弹性变形的特征建立主轴计算模型，并以超静定法及强度理论计算及校验最不利工况下机床主轴的强度。本文介绍的计算方法对同类机床主轴的设计、强度及刚度校验具有实际参考价值。     

数控机床主轴的神经网络热评价模型研究

热误差作为影响机床加工精度的重要因素之一,严重制约着机床加工精度的提高。而主轴是数控机床的关键功能部件,对其进行热特性研究对提高机床的加工精度具有重要的意义。将同一类型、不同使用年限的机床主轴温度值和热变形值作为评价指标,建立数控机床主轴的神经网络热评价模型;针对BP神经网络易陷入局部最优值、收敛速度慢等问题,采用粒子群优化（PSO）算法优化加权朴素贝叶斯（WNB）的初始权值,获取权值全局最优解,构建了粒子群优化加权朴素贝叶斯机床主轴热评价模型,实现对机床主轴热特性的评价。MATLAB仿真结果表明：PSO-WNB模型精度为941%,收敛速度快,预测精度高,优于BP神经网络,为数控机床热特性评价提供了新思路。     

基于灰色理论的数控机床故障预测的研究

针对数控机床可靠性故障间隔预测模型过程中数据采样难度大、成本高、数据量小、常规数据拟合和预测方法误差较大、数据难以处理等问题,提出一种基于传统灰色预测模型,将灰色残差优化模型和BP神经网络模型相结合的预测方法。在预测过程中该模型首先根据灰色理论建立主轴可靠性故障模型,再用BP神经网络训练并优化灰色理论的残差,最后用文献的主轴故障数据验证预测精度。通过不同的算法对数控机床主轴故障的试验数据验证,证明了灰色神经网络模型在主轴可靠性故障间隔工作时间的预测上优于单一算法及GM(1,1,P)模型,验证了灰色神经网络模型的可行性及有效性。     

基于FMECA的数控机床主轴系统故障分析

数控机床主轴系统是数控机床的关键子系统,其故障较多,而每次故障现象又比较单一,因此,单纯通过故障现象往往不能作为故障诊断和排除的依据。应用 FMECA 分析方法,分析数控机床主轴系统各组成部分的故障模式及故障原因,并进一步计算各组成部分的危害程度,得到的危害程度为制定设备维修策略提供了参考。     

基于噪声小波包络谱的数控机床主轴故障诊断研究

使用采集仪采集数控机床主轴噪声信号,利用小波分析将测得的机体噪声信号变换到时频域,对包含有主轴故障的噪声信号的高频成分加以提取并进行包络谱分析,并对包络曲线进行频谱分析,得到了故障频率信息.通过实验验证了该方法可利用机体噪声信号监测主轴的故障状态.     

基于STL分解的平均故障间隔时间组合预测

由于影响数控机床刀架系统平均故障间隔时间的因素较多,采用单一的模型作预测无法充分提取已知数据中的隐含信息,导致预测困难。应用基于STL进行时间序列分解的组合模型预测算法,将原始故障数据分解为趋势项、季节项和随机项,应用指数平滑法和支持向量机回归分别对前两项数据进行预测,根据时序分解的加法模型将其结合,得到组合模型预测结果,并将组合模型与单一的预测模型进行对比分析。实例证明:组合模型预测优于单一模型预测。此方法应用于MTBF的预测,有助于工作人员针对故障发生时间点提前采取措施,同时为数控机床可靠性评估提供了新的研究方法。     

磁流变振动装置的AR双谱分析

研制了磁流变振动台,它由可控减振装置、信号检测器、计算机磁流变阻尼器动态分析软件等组成。当有零均值、非高斯的白噪声干扰装置时,利用采样实验数据建立自回归模型（AR模型）,并用AR双谱和重构功率谱研究了磁流变振动装置的动态特性。研究表明,用AR双谱分析磁流变振动装置是可行的,有效的。     

设备退化状态识别的两种方法

本文提出了基于AR时序模型的方法和基于CMAC神经网络的方法，对设备的退化状态进行识别。并且以旋转轴为例，对几种程度不同的不平衡状态进行了识别。结果表明，这两种方法均能够基于正常状态的特征识别出设备的退化状态，而且可以定量地表示出退化的程度。最后对两种方法的特点进行了分析和比较。     

A multi-sensor strategy for tool failure detection in milling

A multi-sensor monitoring strategy for detecting tool failure during the milling process is presented. In this strategy, both cutting forces and acoustic emission signals are used to monitor the tool condition. A feature extracting algorithm is developed based on a first order auto-regressive (AR) model for the cutting force signals. This AR(1) model is obtained by using average tooth period and revolution difference methods. Acoustic emission (AE) monitoring indices are developed and used in determining the setting threshold level on-line. This approach was beneficial in minimizing false alarms due to tool runout, cutting transients and variations of cutting conditions. The proposed monitoring system has been verified experimentally by end milling Inconel 718 with whisker reinforced ceramic tools at spindle speeds up to 3000 rpm.     

基于时间序列分析的行星齿轮箱故障诊断

齿轮箱运转的环境会导致信号采集时产生强大的噪声干扰,提出时间序列的方法对齿轮箱进行故障诊断。采用时间序列分析对行星齿轮箱进行谱分析,通过与传统频谱分析比较可以看出,该方法具有较好的识别能力。通过Labview虚拟仪器设计的数据采集系统进行数据的采集提取特征信号,确定模型阶次为5阶,最后利用AR模型参数算法来确定其正常状态下齿轮参数容差范围,在阶次不变的情况下分析出故障信号的模型参数,与正常信号参数容差范围进行对比,从而对齿轮箱故障进行诊断,该方法在齿轮诊断方面效果较为显著。     

基于极大熵谱法的滚动轴承故障诊断的应用研究

针对轴承运行状态采用极大熵谱法建立了 AR模型 ,计算了轴承正常及故障状态的时序模型。对饱含着信号的时间序列进行了故障敏感因子计算、极大熵谱分析 ,对滚动轴承故障进行了定性的诊断 ,同时将功率谱和极大熵谱进行比较分析 ,为诊断提高可靠信息     

Kalman滤波在机械故障信号预处理中的应用

简要介绍了Kalman滤波的基本原理及其递推算法，给出利用时间序列自回归（AR）模型建立信号状态方程和观测方程的方法，并依托这两个方程结合Kalman递推算法形成一种信号滤波处理方法，最后通过仿真和实测信号对这一方法进行验证。研究结果表明：利用Levinson-Durbin算法获得AR系数建立信号模型，再通过Kalman递推能够有效地剔除振动信号噪声。     

机床主轴系统静刚度分析及实验研究

为研究机床主轴系统静刚度特性,建立一种高性能加工中心主轴-轴承系统模型,该模型包括主轴转子和轴承。采用有限元法建立主轴轴系零件模型,并与轴承拟静力学模型集成得到主轴系统有限元模型,通过计算得到主轴系统3个方向的静刚度。对该机床主轴系统进行静刚度测试实验,以验证理论计算结果的正确性。研究表明:理论计算结果和实验结果具有较好一致性,因此可以有效地证明该有限元模型的准确性;此外,由于主轴系统内部存在阻尼效应及摩擦作用,卸载时静刚度大于加载时静刚度;同时其轴向静刚度存在一定非线性。     

Cutting state monitoring in milling by a neural network

The application of a neural network to cutting state monitoring in face milling was introduced and evaluated on multiple sensor data such as cutting forces and vibrations. This monitoring system consists of a statistically based adaptive preprocessor (autoregressive (AR) time series modeling) for generating features from each sensor, followed by a highly parallel neural network for associating the preprocessor outputs (sensor fusion) with the appropriate decisions. AR model parameters were used as features, and the cutting states (normal, unstable and tool life end) were successfully detected by monitoring the evolution of model parameters during face milling. The proposed system offers fast operation through recursive preprocessing and highly parallel association, and a data-driven training scheme without explicit rules or a priori statistics. It appears proven on limited experimental data.     

数控车床主轴回转精度寿命的灰色预测

将数控车床主轴回转精度的过去及现在已知的或非确知的情况,视作一个灰色系统。通过定期检测5台同一型号数控车床主轴的径向跳动误差、轴向窜动误差和卡盘端面跳动误差值,构成原始等间隔数据序列。据此建立灰色系统GM(1,1)模型,求解灰色系统的微分方程。结果表明:通过残差模型的修正提高了计算精度;修正后的GM(1,1)模型可用来预测数控车床的主轴回转精度寿命,为数控车床的后期检修周期、更换主轴轴承、恢复机床精度提供了依据。