数控系统机床环境仿真仪设计

研制一种可用于华中HNC-21M3铣床数控系统主机调试、仿真运行和故障诊断的电子装置,设计该装置的硬件电路原理和嵌入式程序。装置具有可编程模拟机床环境功能,可以与数控系统主机的主轴、伺服、PLC接口对接,针对数控系统主机进行参数调试、PLC程序调试、仿真运行、故障诊断等操作。     

基于多轴运动控制方法的高速切削复合轨迹研究

为了解决复杂曲面数控加工中的高速数控加工问题,从过程集成控制的角度构建了多轴平滑运动模型、插补控制、位置跟踪等。速度优化模型采用数学方法,构造了加、减速控制。速度预处理中通过简化优化模型,提出了柔性加减速控制算法,并对其进行了优化设计。为了克服高速进给系统的非线性影响,通过引入新的加速度和速度的前馈控制,提出了高速位置跟踪算法;实现了基于双核处理器的嵌入式数控系统,且该结构能保证六轴插补周期的要求。现场数据显示该系统在高速运动平稳性好,能满足叶轮复杂轨迹控制要求等。     

一种基于网络的系统结构研究

本文通过对专用数控系统、PC—Based数控系统、开放式数控系统的分析，提出了一种基于网络的数控系统(Web-CNC)的结构模型。Web—CNC能实现资源与信息共享、在线监控、任务兑争等功能，能与企业信息EIS进行集成。     

嵌入式精密内圆磨削数控系统集成PLC控制研究

针对精密内圆磨削加工控制要求,提出了一种嵌入式精密内圆磨削数控系统PLC集成控制方案.以工业级触摸屏作为系统人机交互装置,共用嵌入式数控系统的ARM处理器,通过开发相应的接口电路和控制软件,将PLC控制功能集成于嵌入式数控系统中,提高了系统控制稳定性,增强了人机交互性能.     

基于片上系统的可重构数控系统研究

为适应柔性化制造的发展趋势,提出一种基于可编程片上系统的机床数控系统设计方案,使得数控系统可以按需重构。给出了嵌入式数控系统的总体硬件设计;说明了可编程片上系统(SOPC)的内部架构和Nios II软核处理器具体配置,实现了MCU、DSP和用户逻辑在一片FPGA芯片上的集成;设计了数控系统的重构方案并在EP2C50芯片上进行了重构实验,结果表明:整个重构周期耗时748 ms,能满足数控机床使用中的现场实时重构要求。     

嵌入式数控系统NCUC-Bus现场总线设备驱动研究与开发

针对NCUC-Bus现场总线技术在嵌入式数控系统中的应用,分析了基于NCUC-Bus的嵌入式数控系统的网络结构、工作原理和对设备驱动的设计要求,搭建了基于ARM+FPGA的NCUC-Bus嵌入式数控系统硬件平台。在嵌入式实时Linux操作系统下,采用RTDM编写NCUC-Bus总线设备驱动程序,解析了驱动程序中用到的关键函数。对驱动程序进行了功能和性能测试后,成功应用到NCUC-Bus嵌入式数控系统中。结果表明在实时Linux操作系统下,设计能有效地操作NCUC-Bus总线设备。     

基于优化VMD和MHA-DenseNet的滚动轴承故障诊断北大核心

针对传统特征提取的故障诊断技术不能充分表征振动信号故障特征导致故障识别精度不高的问题,提出一种优化VMD和MHA-DenseNet的滚动轴承故障诊断方法。首先,采用麻雀搜索算法(SSA)对变分模态分解算法(VMD)的相关参数组合进行寻优;其次,采用优化VMD分解滚动轴承故障信号,获得的本征模态函数分量(IMF)作为神经网络输入数据;最后,构建多头注意密集神经网络(MHA-DenseNet)故障诊断模型来有效学习故障数据中的特征信息并完成滚动轴承的准确诊断。实验结果表明,提出的故障诊断方法识别率高达99.03%,相较于对比实验该方法提高了故障诊断的准确率。     

一种面向计算机数控领域的建模语言

采用特定领域建模方法研究计算机数控系统(CNC)的设计,建立面向计算机数控领域的建模语言。阐述该建模语言的词法、语法和语义。采用该领域建模语言,分别搭建人际交互控制、运动控制、PLC控制模块的应用模型,通过模型验证和模型解释器实现在设计早期模型级的系统功能和非功能验证以及面向目标平台的代码自动生成。以车床数控系统为实施对象进行验证,结果表明,采用该领域建模语言进行数控系统的开发具备高效、可靠、快速定制的特点。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

数控机床智能化的关键技术及应用研究

基于嵌入式技术、网络通信技术以及智能技术的最新成果,提出了嵌入式智能化、模块化、网络化数控系统,并对其整体架构、各智能模块的功能与作用以及所采用的总线技术进行了阐述。利用嵌入式技术来设计该系统,能够达到模块化、智能化、网络化的效果及有效地提升系统的性价比,且能充分利用系统的资源,方便扩展,具有重构架构,同时能很好地实现远程监控,对智能数控系统的研究具有一定的参考价值。     

基于迁移学习的滚动轴承复合故障诊断研究

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型（TConvNeXt）。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化,分析网络诊断错误起因并对网络进行调整;将训练准确率最高的模型用于滚动轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：TConvNeXt网络模型具有高诊断精度,它不仅在混叠故障诊断中表现突出,在单一故障诊断中也具有优势,能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。     

基于改进贝叶斯分类的电机轴承故障诊断系统研究

针对电机轴承故障诊断模型构建时间长、准确率不高的问题,提出一种基于改进贝叶斯分类的故障诊断方法。首先通过小波包变化、粗糙集及主成分分析方法分别构造原始故障特征集、降维后的故障特征集,再将原始故障特征集和降维后的故障特征集输入到改进贝叶斯分类模型中实现故障诊断,以此为基础设计一套交流发电机轴承故障诊断系统。最后以国内车辆车载电机轴承振动数据为依据,将改进贝叶斯分类方法和神经网络及最小二乘支持向量机方法作对比分析,结果表明：改进贝叶斯分类方法建模时间更短,故障诊断准确率更高。     

基于峭度排序的特征构造在行星齿轮箱故障诊断中的应用研究

针对行星齿轮箱故障诊断中存在的故障诊断样本数少、故障诊断精度低等问题,提出一种经验模态分解(EMD)、峭度排序和BP神经网络相结合的故障诊断方法.该方法首先对原始振动信号进行EMD,然后对分解获得的固有模态函数(IMF)进行峭度排序;根据训练样本数自适应地选择对应的IMF,将对应IMF的能量值作为特征向量输入BP神经网...     

基于深度学习与电子听诊器的轴承故障诊断

针对滚动轴承故障诊断,受启发于传统人工听诊的做法,以及利用传统机器学习方法提取故障特征过度依赖人工、诊断正确率低等问题,提出一种基于深度学习与电子听诊器相结合的滚动轴承故障诊断方法。该方法利用电子听诊器获取轴承不同健康状态下运行的声音信号,以轴承转动周期为数据样本长度,采用重采样数据集增强方法提高模型的泛化性。搭建基于TensorFlow的一维卷积神经网络深度学习模型进行实验验证,并利用t-SNE对分类过程进行可视化,诊断正确率达到99%。     

基于孪生网络结构的轴承故障诊断研究

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题，提出将深度神经网络扩展为孪生网络结构的框架，以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征，采用L₁距离判定样本对的特征相似度，实现轴承故障诊断。不同于传统深度神经网络，孪生网络采取输入样本对的方法，在故障数据不足的情况下，可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构，在实测轴承数据集上进行小样本故障诊断实验。实验结果表明，通过扩展为孪生网络结构可以提高故障诊断结果的准确率，孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。     

基于振动时域特征的船用滚动轴承故障诊断方法

基于机器学习故障诊断方法,针对船用滚动轴承复合故障特征提取多样化的特点,提出一种以振动信号时域指标为特征的随机森林故障诊断方法。将振动时域信号进行清洗转换,构造5个量纲一化指标的衍生特征,并选取以决策树为基本分类器的随机森林算法建立训练模型;通过特征筛选、评估测试和模型优化得到较为理想的故障诊断分类模型;采用滚动轴承竞赛数据集进行模型仿真,并结合实际模拟8种船用滚动轴承故障状态。通过三向振动实验和算法建模,证明特征提取的科学性和故障诊断模型的有效性。结果表明:采用该方法,数据仿真诊断准确率为98.61%,实验诊断准确率为98.85%,且该方法在振动采集方向为轴向时诊断效果最优。     

基于GAF与GoogLeNet的轴承故障诊断研究

为提高滚动轴承故障识别准确率,同时避免繁琐的频谱分析,提出基于GAF与GoogLeNet的轴承故障诊断模型.在实验室中采集滚动轴承正常、内环故障、外环故障和滚动体故障4种工况下的振动信号,利用EMD对振动信号进行分解并提取累积贡献90％的分量;基于重叠采样原理,利用格拉姆算法将选择的EMD分量和原始振动信号处理为二维图...     

多尺度加权CEEMD-1DCNN旋转机械故障诊断

旋转机械振动信号具有较强的非线性、非平稳性的特点，互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷，提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异，提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs），然后求取各个IMF分量的峭度值，计算各分量峭度所占权重，根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集，将训练集输入到一维卷积神经网络中学习更新网络参数，然后用验证集进行验证得到最优诊断模型，最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证，诊断精度分别为99.98%和99.73%，表明所提方法能够快速准确地诊断出不同故障类型，并且具有较高的故障诊断准确率和鲁棒性。     

基于深度LSTM残差网络的旋转机械故障诊断研究

伴随制造加工业对可靠度与精准度的需求不断提升,及时而有效地获取旋转机械的故障信息能够保证设备的正常运行。采用深度LSTM残差网络完成旋转机械的故障诊断,主要包含3个模块：初始数据处理层、SP-LSTM残差网络信号诊断层与GAP-ELM网络下的故障分类层。该方法能够完成初始数据的深层特征发掘,利用LSTM元中的记忆与遗忘门获取故障数据的细微变化。所采用的GAP-ELM网络可规避传统Softmax方法分类准确度不高的问题,从而有效完成故障诊断。通过CWRU集完成该方法与文献方法的实验对比,结果表明该方法的鲁棒性较好,诊断正常信号、滚动体与内外圈的故障信号准确率均优于文献方法,此外,所提方法可在较少的epoch中实现稳定,并随着epoch的增加,损失值会逐渐减小。     

基于DE-SVM的风电机组高速轴承故障诊断

为减少风电机组传动链故障造成的重大损失和安全隐患,保证机组健康平稳运行,针对风电机组传动链轴承的故障诊断问题,提出一种基于差分进化算法改进支持向量机的故障诊断方法。利用集合经验模态分解方法对原始数据进行处理,提取有效的故障特征,实现信噪分离;采用差分进化算法对支持向量机关键参数进行优化以提高模型的泛化能力和预测精度;利用训练好的模型进行故障诊断。结果表明：所提方法具有准确性和有效性。