付伟清基于流行学习的机床主轴故障特征提取.docx

付伟清基于流行学习的机床主轴故障特征提取.docx

《付伟清基于流行学习的机床主轴故障特征提取.docx》由会员分享，可在线阅读，更多相关《付伟清基于流行学习的机床主轴故障特征提取.docx（18页珍藏版）》请在冰点文库上搜索。

付伟清基于流行学习的机床主轴故障特征提取

北京信息科技大学

（专业型）硕士学位论文选题报告

选题名称基于流形学习的机床主轴的故障特征提取研究

姓名付伟清

专业、年级机械制造及其自动化研1402

指导教师王红军教授

报告日期2015年01月4日

填表说明

1.应根据表中所提出的要求作开题报告，听取意见修改后，方可填写此表。

2.封面“指导教师”一栏仅限正式指导教师，“协助指导教师”限在研究生部正式备案的协助指导教师。

3.本表一式二份，经评议组及学科（专业）所在分委会批准后，本人、各分委会各持一份，研究生部留存电子版备案。

4.选题报告（连同评分附表）在第三学期结束前，由所在学院分委员会签署意见后备案。

一、选题背景和立论依据

1.选题背景（课题来源）

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

2.文献综述（包括选题依据和国内外研究现状、发展动态、课题研究目的、意义等，可加附页，应不少于3000字）

2.1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。

为了更好地为建设创新型城市服务，北京市教育委员会和北京市自然科学基金将装备制造列为重点支持领域。

产品寿命预测和安全服役基础理论是“十二五”国家科技计划先进制造技术领域的重要研究内容，数控机床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[3]。

在全球技术竞争日益激烈的今天，超精密加工作为机械制造业中极具竞争力的技术之一，目前已受到许多国家的关注。

从某种意义上来说，超精密加工技术担负着支持最新科学技术进步的重要使命，也是衡量一个国家制造技术水平的重要标志[4]。

主轴部件是保证超精密机床加工精度的核心，也是最容易失效的部位之一，其动态性能的好坏对机床的切削抗振性、加工精度及表面粗糙度都有很大的影响，是制约数控机床加工精度和使用效率的关键因素[5]。

其中轴弯曲和质量偏心将会造成主轴的不平衡，当主轴旋转时，它将与转速同步并会产生周期激振力，发生同步涡动。

弯曲主轴与质量偏心主轴的振动特性有些相似，也存在差别。

另外带有裂纹的主轴的振动特性会受到裂纹的张开与闭合的严重影响。

主轴在回转过程中，其表面上的裂纹可能会一直处于张开状态，也可能助于闭合状态，也可能随着主轴变化的旋转角度或变化的应力而成比较规律的开闭，使主轴旋转时的振动特性不稳定[6-7]。

高档超精密数控机床由于结构复杂、传递环节较多，导致故障不能准确定位，盲目的拆修会造成安装精度误差、机床服役性能下降和可靠性降低。

因此对数控装备的工作状态进行实时监测、诊断和预警非常重要。

2.2国内外研究现状及趋势

2.2.1国外研究现状

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。

下面简单介绍国外专家学者对数控机床故障的研究进展：

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（MeanTimebetweenfailures，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]。

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]（IsometricMapping，

ISOMAP）和局部线性嵌入算法[14]（LocallyLinearEmbedding，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。

SadeghianAlireza[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。

ZachariasE.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。

2.2.2国内研究现状

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科研机构，于20世纪80年代前后开始对数控机床可靠性的概念及其表征方法、数控机床零部件的疲劳强度可靠性进行探讨[19-21]。

胡新等[22]在分析数控机床故障诊断技术发展现状及数控机床故障特点的基础上，以数控车床的工件质量品质因素为对象构建贝叶斯网络，开发了基于贝叶斯网络的故障诊断系统，并通过实验验证了系统的有效性。

人工智能和计算机技术的发展使故障诊断也有了新的发展方向，即智能故障诊断。

通过将一些智能算法与传统的故障诊断方法、经验等相结合，形成诸如神经网络、模糊专家系统等智能诊断方法［23］。

胡德金教授等[24]提出了针对数控机床故障诊断的神经网络方法，将Sugeno模糊模型用于数控机床故障诊断系统,实现了对各个诊断专家诊断结果的模糊综合。

利用该方法基于诊断专家系统技术可以实现对数控机床的自动诊断,而且诊断结果准确、可靠。

西安交通大学的张周锁等提出了基于支持向量机的机械故障诊断方法［25］以及基于粒计算的智能诊断方法［26］。

与此同时，各种其他方面的算法理论也被应用到故障诊断中，如流形学习算法、粒子群寻优算法、遗传算法等。

阳建宏[27]将流形学习用于非线性时间序列降噪取得很好的效果；栗茂林等[28]针对早期故障微弱特征难以提取的问题，提出了一种基于非线性流形学习的滚动轴承早期故障特征提取方法,通过对状态样本的低维嵌入聚类来提取敏感特征；黎敏等[29]以机械设备的运行状态为研究对象,提出一种基于高维空间流形变化的趋势分析方法，张熠卓[30]、赵洪杰等[31-32]人将流形学习用于喘振、滚动轴承的故障诊断，取得明显成效。

对主轴系统热特性的研究今年来主要集中在主轴-轴承的热特性研究上，如清华大学的高赛等[33]提出使用三路单光束干涉仪对机床主轴热误差

进行非接触式的实时测量，实验结果表明该方法快速、准确，测量误差可达到1.0um。

陈小安等[34]建立一种考虑系统热响应和预紧方式响应的角接触球轴承热-机耦合动力学模型。

2.2.3主轴故障动态模式识别理论的发展趋势

设备故障诊断技术与当代前沿科学的融合是设备故障诊断技术的发展方向。

当今故障诊断技术的发展趋势是传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊

断技术的智能化。

随着传感器技术、信号采集及处理技术、网络技术、智能控制理论技术等的高速发展，快速、有效提取故障信号特征并给出相应的控制方案和预测设备的运

行状态以便合理安排检修，进而提高设备的利用率是故障诊断技术研究的根本出发点[35]。

具体来说主要表现在如下方面：

（1）与当代最新传感技术尤其是激光测试技术相融合。

随着科技的发展，激光技术已经从军事、医疗、机械加工等领域深入发展到振动测量和设备故障诊断中，并且己经成功应用于旋转机械对中等方面。

（2）与最新信号处理方法相融合。

随着新的信号处理方法在设备故障诊断领域中的应用，传统的基于快速弗利叶变换的信号分析技术有了新的突破性进展。

现代信号采集及处理技术的综合应用提高了系统故障诊断决策的实时性和准确性。

（3）与非线性原理和方法的融合、与多元传感技术的融合。

（4）与现代智能方法的融合。

现代智能技术包括专家系统、模糊逻辑、神经网络、进化计算、粗糙集理论等。

现代智能方法在设备故障诊断技术中己得到了广泛的应用，随着智能科技的不断发展，设备状态的智能监测和故障诊断将是故障诊断技术的最终目标[36]。

（5）故障数据采集、状态监测与诊断决策网络集成化。

故障数据采集、状态监测信号通常来自于工程现场的传感器，但是故障的诊断决策往往是通过中控计算机来完成，所以网络数据传输成为实现系统故障诊断的重要环节。

随着计算机软硬件技术、网络技术的不断更新和发展，局域网技术逐渐成为工业控制领域较为成熟和完善的网络传输模式，计算机丰富的软硬件资源和数据传输网络为信号的采集、分析、存储及决策等提供了很好的技术支持。

对于实际对象的故障诊断，单一的方法有时很难准确快速地完成对复杂对象的故障诊断。

因此将多种不同的智能技术结合起来的混合诊断系统，已经成为智能故障诊断研究的一个发展趋势。

智能故障诊断系统的核心问题是它的学习能力，知识的自动获取是智能故障诊断系统研究中的难点，解决知识获取问题的途径是机器学习，即让机器自身

具有获取知识的能力，能在实际工作中不断总结成功和失败的经验教训，对知识库中的知识自动进行调整和修改，以丰富和完善系统的知识。

机器学习是提高故障诊断系统智

能的主要途径，也是衡量一个系统智能程度的主要标志。

因此，发展和完善现有的机器学习方法，探索新的学习方法，建立实用的机器学习系统，特别是多种学习方法协同工作的智能诊断系统，将是今后研究的一个重要方向[37]。

2.3研究的目的与意义

机械故障诊断是以机械学为基础，随着电子、计算机技术的产生发展而迅速成熟的

一门综合技术，包括状态检测、故障原因分析以及劣化趋势预测等内容。

通过了解和掌握设备运行过程中的状态进而确定其整体或局部是否正常，以便早期发现故障、查明原因，并掌握故障发展的趋势。

其目的是避免故障的发生，最大限度地提高机械的使用效

率。

数控机床故障诊断及维护是机床调试和使用过程中的重要组成部分，是目前制约数

控机床发挥正常作用的主要因素之一[38]。

主轴是机床一个非常重要的构件，它直接参与机床加工，其动态特性对切削稳定性和加工精度有很大的影响，因此，对主轴系统的动力学特性进行分析与评价就显得非常有必要，同时分析与评价结果也能够帮助人们更深刻了解整体机床系统的动力特性[39]。

主轴系统动态特性的影响因素有轴承预载（预紧方式和预紧力）、轴承类型、材料、结合面刚度、电动机发热和轴承发热以及主轴支承跨距和附加质量、加工过程等。

与国外研究相比，国内学者对高转速下主轴系统的软化、热-弹耦合效应及各零部件间结合面参数识别等问题研究得不够，这直接导致所建立的模型与实际情形有差距，模型普遍比较粗糙，且绝大部分模拟结果都无相关的实验验证，在主轴系统结构改进方面，大多从已有的结构入手采用理论建模，修改主轴跨距、轴承类型、刀具重量、刀具悬伸长度等参数，对主轴整体结构创新性的改进并不多见。

目前国内外对机床主轴动态特性的研究还有很多方面需要完善。

首先，对主轴系统运动部件之间的非线性摩擦特性关注较少，仅提出在设计研制阶段，对主轴单元的非线性摩擦机理特性作综合分析的必要性；其次，主轴系统的结构、间隙、摩擦特性、热产生、热变形等对主轴动态特性影响方面的研究只是孤立的，还未建立起复杂主轴结构的热-弹闭环耦合有效模型；主轴系统主轴-刀具、主轴-轴承、主轴-轴套等结合面的阻尼和刚度系数，以及它们在机床切削过程中产生的非线性变化也需要准确识别。

因此对主轴在各种因素耦合作用下的动力学特性进行研究，提高主轴故障动态模式识别的准确率，在保证产品质量提高生产效率等方面具有重要意义。

3.所查阅的与选题有关的中外文献名称、作者、期刊及所用查阅手段

[1]王志琼.电主轴故障分析及可靠性增长技术研究[D].吉林大学,2012.

[2]吕全英,穆敬巍,李青远,等.电主轴的故障分析及解决措施[J].轴承,2009,11:

28-29.

[3]万鹏.基于流形学习的主轴系统故障诊断方法研究[D].北京信息科技大学，2012.

[4]王润孝.先进制造技术导论.北京:

科学出版社,2004.

[5]贺大兴,盛伯浩.超精密加工技术的发展现状与趋势[J].新技术新工艺,2006（5）:

2-3.

[6]王红军,左云波.基于局部线形降维拓扑空间的主轴故障诊断方法,2014,02-0055-04

[7]万鹏,基于流行学习的主轴系统故障诊断方法研究,2012

[8]STEWARTE.Asurveyofmachinetoolbreakdowns[R].MTIRA：

Macclesfield，1977.

[9]ПрониковАС.Точностьинадежностьстанковсчисловий[M].Москва：

МАШИНОСТРОЕНИЕТ，1982.POSNIKOFFAC.Accuracyandreliabilityofmachinetools[M].Moscow：

Engineering，1982.

[10]KELLERAZ，KAMATHAR.ReliabilityanalysisofCNCmachinetools[J].ReliabilityEngineering，1982，3（6）：

449-473.

[11]MCGOLDRICKPF，KULLUKH.Machinetoolreliability-Acriticalfactorinmanufacturingsystems[J].ReliabilityEngineering，1986，14（3）：

205-221.

[12]Crk，Componentandsystemreliabilityassessmentfromdegradationdata.DoctorofPhilosophy:

TheUniversityofArizona，1998.

[13]TenenbaumJ.B,SilvaV.D,LangfoldJ.C.Aglobalgeometricframeworkfornonlineardimensionalityreduction[J].Science,2000,290:

2319-2323.

[14]RoweisS.T，SaulL.K.Nonlineardimensionalityreductionbylocallylinearembedding[J].Science，2000，290:

2323-2326.

[15]SadeghianAlireza,YeZhongming,WuBin.OnlineDetectionofBrokenRotorBarsinInductionMotorsbyWaveletPacketDecompositionandArtificialNeuralNetworks[J].IEEETransactionsonInstrumentationandMeasurement,2009,58（7）:

2253-2263.

[16]ZachariasE.Gketsis,MichalisE.Zervakis,GeorgeStavrakakis.DetectionandclassificationofwindingfaultsinwindmillgeneratorsusingwavelettransformandANN[J].ElectricPowerSystemsResearch，2009，79（11）：

1483—1494.

[17]CramptonA,MasonJC.Detectingandapproximatingfaultlinesfromrandomlyscattereddata[J].NumericalAlgorithms.2005,39（1-3）:

115-130.

[18]JackLB,NandiAK,SupportVectorMachinesforDetectionandCharacterizationofRollingElementBearingFaults[J].JournalofMechanicalEngineeringScience,2001,215（9）:

1065-1074.

[19]树志.对数控系统可靠性、稳定性的一些认识-谈数控系统抗干扰措施[J].机床，1976（3）：

1-4.

[20]蔡亲民.试论数控机床及数控系统可靠性的特征量[J].机床，1992（7）：

49-51.

[21]JIAYazhou.Analysisandcalculationoffatigueloadingofmachinetoolgears[J].Int.J.Fat，1991，13（6）：

483-487.

[22]胡新,傅建中,贺永.基于贝叶斯网络的数控机床故障诊断研究[J].机床与液压,2011,39（19）:

141-144.

[23]孙旭，惠晓滨，李永宾.远程故障诊断系统中的故障信息研究［J］．空军工程大学报:

自然科学版，2004（5）:

39－41．

[24]宋刚,胡德金.基于Sugeno模糊模型的数控机床故障诊断法［J］．上海交通大学学报，2005，39

（1）:

91－94．

[25]张周锁,李凌均，何正嘉.基于支持向量机的机械故障诊断方法研究［J］．西安交通大学学报，2002，36（12）:

1303－1306．

[26]张周锁,闫晓旭,成玮.粒计算及其在机械故障智能诊断中的应用［J］．西安交通大学学报．2009（9）:

37－41．

[27]阳建宏,徐金梧,杨德斌等.基于主流形识别的非线性时间序列降噪方法及其在故障诊断中的应用[J].机械工程学报,2006,42（8）:

154-158.

[28]栗茂林,王孙安,梁霖.利用非线性流形学习的轴承早期故障特征提取方法[J].西安交通大学学报,2010,44（5）:

45-49.

[29]黎敏,阳建宏,徐金梧,基于高维空间流形变化的设备状态趋势分析方法[J].机械工程学报,2009,45

（2）:

213-218.

[30]张熠卓,徐光华,梁霖.基于非线性流形学习的喘振监测技术研究[J].西安交通大学学报,2009,（07）:

44-48.

[31]赵洪杰,潘紫微,叶金杰,罗文.一种基于非线性流形的滚动轴承复合故障诊断方法[J].机械传动，2012,36（7）:

89-91.

[32]李锋,汤宝平,陈法法.基于线性局部切空间排列维数化简的故障诊断［J］．振动与冲击,2012,31（13）:

36-40.

[33]高赛,曾理江,殷纯永等.基于单光束干涉仪的机床主轴热误差实时测量[J].计量学报,2001,22

（1）:

1-6.

[34]陈小安,刘俊峰,合烨等.高速电主轴热泰兴能及影响[J].机械工程学报,2013,49（11）：

135-142.

[35]车立志,徐文尚,刘倩倩.旋转机械系统故障诊断发展综述[J].矿山机械,2008,36（12）:

6-9.

[36]姚桂艳,孙丽媛,程秀芳等.机械故障诊断技术的研究现状及发展趋势[J].河北理工学院学报,2005,27（3）:

35-37.

[37]卿宇搏,莫学芳,吴上海.故障诊断技术综述及发展趋势[J].中国储运,2012,11:

124-127.

[38]谢小正,陈惠贤,周志苗.一种具有切割装置的金属物料采样头,发明专利（201210217958.7）,中国国家知识产权局.

[39]高尚晗,孟光.机床主轴系统动力学特性研究进展[J].振动与冲击,2007,26（6）:

103-109.

二、研究内容

1.学术构想与思路、主要研究内容及创新点

1.1构想与思路及主要研究内容

主要研究加工过程轴心轨迹、基于有限元的损伤状态下的动特性特征、考虑加工过程中切削力的变化；研究基于轴心轨迹的多流形空间嵌入智能决策方法的机制；研究低维空间中的知识推理规则和非线性映射函数，并在此基础上设计具备连续自适应学习能力的动态识别模型，建立动态模式识别模型的性能评价指标和模型优化策略，提高故障模式的正确率，实现对主轴系统状态变化的跟踪描述；研究主轴动特性测试系统。

在进行状态识别时综合考虑主轴电流信号、功率信号、工件的加工精度、振动、温度等信息，采用多空间域综合信息进行特征的识别与判断。

主要的构想与思路有以下几个方面：

（1）构建主轴系统实验平台。

用pro/E对主轴系统进行三维建模，然后用WorkBench软件对不同的工作状态进行仿真分析，仿真模拟主轴的工作环境。

（2）硬件测试系统的搭建。

包括传感器的采购、传感器支架的设计、数据采集卡的采购、采集系统的调试等,构建频响函数测量测试系统。

本课题采用的振动测试方法为分时快速稳态正弦扫频激振频响函数测量技术，其测量系统总体安装图如图2所示。

图2分时快速稳态正弦扫频激振频响函数测量系统总体安装图

（3）现场复杂状态信号的采集方法和信号处理技术。

设计传感器信号调理电路，研究状态信号传输中的抗干扰技术、扩频通信技术和信号处理技术，确定信号特征的时域和