| 【中文题名】 | 数控机床故障信号分析与特征提取 |
| 【英文题名】 | |
| 【学科专业】 | 机械工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-16 |
| 【中关键词】 | 数控机床,故障诊断,Kalman滤波,Laplace小波相关滤波,故障类型, |
| 【英关键词】 | NC machine,fault diagnosis,Kalman filtering,Laplace correlatied filtering,fault pattern, |
| 【分类导航】 | 工业技术>金属学与金属工艺>金属切削加工及机床>程序控制机床、数控机床及其加工>> |
| 【论文摘要】 |
数控机床在现代化生产中起着重要的作用。若发生故障或安全事故，一方面会由于数控机床故障维修周期长而造成停产；另一方面，由于数控机床各种配件价格昂贵使维修费用增加，这两方面将给企业造成巨大的损失。数控机床自带数控系统中的自诊断功能可以完成简单的对与系统相连部件的故障诊断，但是故障出现率最高的机械部分的故障检测和预报还是盲点。因此，对高级数控机床进行在线监测，完成早期的故障诊断和在线预报，把故障消灭在萌芽状态，可大大降低故障发生的机率。
本文提出了数控机床的故障诊断与预报系统的设计思路，初步设计了系统的结构，确定了系统的主要功能；重点分析了数控机床机械部分故障的产生原因，得到的分析结论是机械部分故障主要是由齿轮和轴承的故障引起的；根据齿轮和轴承由于缺陷造成冲击振动的特点，建立了齿轮和轴承的运动学模型；使用Kalman滤波算法滤除齿轮和轴承故障振动信号中由于不同轴、偏心等制造安装误差引起的振动信号；应用Laplace小波相关滤波法提取齿轮和轴承的故障参数，如故障频率、阻尼比等，并为两种算法作了仿真实验验证。最后通过采集数控机床主轴的振动信号，并对采集下来的振动信号使用Kalman和Laplace小波... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-7 |
|
第一章 综述 |
7-15 |
|
1.1 应用背景及研究方向 |
7-8 |
|
1.2 数控机床结构及其特点 |
8-9 |
|
1.3 数控机床的故障描述 |
9 |
|
1.4 数控系统自诊断功能的介绍 |
9-10 |
|
1.5 数控机床故障诊断与预报系统 |
10-11 |
|
1.5.1 传统数控机床故障诊断方法 |
10 |
|
1.5.2 数控机床故障诊断与预报系统概念的提出 |
10-11 |
|
1.6 数控机床故障信号的分析方法 |
11-12 |
|
1.7 自适应滤波在除噪中的应用 |
12 |
|
1.8 Laplace小波相关滤波法在提取故障特征中的应用 |
12-13 |
|
1.9 本文内容和结构 |
13-14 |
|
1.10 小结 |
14-15 |
|
第二章 数控机床故障诊断及预报系统初步设计 |
15-24 |
|
2.1 系统的初步设计及其功能 |
15-16 |
|
2.2 系统硬件结构的初步设计方案 |
16-19 |
|
2.3 系统软件功能的初步设计方案 |
19-20 |
|
2.4 使用的关键技术 |
20-22 |
|
2.4.1 小波技术 |
20 |
|
2.4.2 神经网络技术 |
20-21 |
|
2.4.3 自适应滤波在除噪中的应用 |
21 |
|
2.4.4 信息融合技术 |
21 |
|
2.4.5 本文使用技术 |
21-22 |
|
2.5 系统特点 |
22 |
|
2.6 小结 |
22-24 |
|
第三章 数控机床机械部件故障的分类 |
24-29 |
|
3.1 数控机床机械部件的故障分析 |
24-25 |
|
3.2 数控机床机械故障分类新方法的提出 |
25-28 |
|
3.3 小结 |
28-29 |
|
第四章 齿轮和轴承故障模型的建立 |
29-45 |
|
4.1 齿轮的故障分析 |
29-33 |
|
4.1.1 数控机床用齿轮特点 |
29 |
|
4.1.2 齿轮的故障机理分析 |
29-30 |
|
4.1.3 齿轮的振动机理 |
30-33 |
|
4.1.4 齿轮的故障诊断技术 |
33 |
|
4.2 滚动轴承的故障分析 |
33-43 |
|
4.2.1 数控机床上滚动轴承的特点 |
33-34 |
|
4.2.2 滚动轴承的故障形式 |
34-35 |
|
4.2.3 滚动轴承的振动机理 |
35 |
|
4.2.4 滚动轴承的故障特征 |
35-37 |
|
4.2.5 轴承元件表面剥落的力学理论模型 |
37-42 |
|
4.2.6 轴承表面剥落时运动学模型的建立 |
42-43 |
|
4.2.7 滚动轴承的故障诊断技术 |
43 |
|
4.3 传递路径对振动信号的影响 |
43-44 |
|
4.4 小结 |
44-45 |
|
第五章 故障信号的除噪和特征量的提取 |
45-66 |
|
5.1 Kalman滤波在本系统中的应用 |
45-49 |
|
5.1.1 本系统使用Kalman滤波法的原因 |
45-46 |
|
5.1.2 传统Kalman滤波算法 |
46-48 |
|
5.1.3 系统中使用的Kalman滤波优化算法 |
48-49 |
|
5.2 轴承振动信号的卡尔曼滤波算法设计 |
49-50 |
|
5.2.1 轴承振动状态模型和观测模型的建立 |
49-50 |
|
5.3 齿轮振动信号的Kalman滤波算法设计 |
50-52 |
|
5.3.1 齿轮信号状态模型和观测模型的建立 |
50-52 |
|
5.4 Kalman滤波算法的仿真验证 |
52-57 |
|
5.4.1 Kalman滤波的仿真验证 |
52-54 |
|
5.4.2 轴承振动信号的Kalman滤波算法仿真 |
54-55 |
|
5.4.3 齿轮振动信号的Kalman滤波算法仿真 |
55-57 |
|
5.5 Laplace小波及相关滤波法在系统中的应用 |
57-60 |
|
5.5.1 Laplace小波的定义和特性及其使用原因 |
57-58 |
|
5.5.2 Laplace小波相关滤波算法介绍 |
58-59 |
|
5.5.3 齿轮和轴承的Laplace小波相关滤波算法设计 |
59-60 |
|
5.5.4 故障特征量的提取 |
60 |
|
5.6 Laplace小波的仿真 |
60-64 |
|
5.6.1 Laplace小波算法的实现 |
60-62 |
|
5.6.2 用于齿轮或轴承信号处理的Laplace小波算法的仿真验证 |
62-64 |
|
5.7 小结 |
64-66 |
|
第六章 实验 |
66-76 |
|
6.1 实验设备及实验步骤 |
66 |
|
6.2 实验数据分析 |
66-74 |
|
6.2.1 齿轮振动实验数据及其分析 |
68-71 |
|
6.2.2 轴承振动实验数据及其分析 |
71-74 |
|
6.3 实验结论 |
74-75 |
|
6.4 小结 |
75-76 |
|
第七章 结论 |
76-78 |
|
参考文献 |
78-81 |
|
致谢 |
81-82 |
|
攻读工程硕士期间主要的研究成果 |
82 |
|
| 【DOI】 | LunWen.ID:2.2008.386009 |
