工程機械內(nèi)部由大量的摩擦學(xué)系統(tǒng)組成,機械零部件之間的摩擦磨損隨機械運動持續(xù)發(fā)生,因此摩擦磨損是造成工程機械故障的主要原因之一。為了避免機械設(shè)備異常磨損帶來的嚴重后果,需對工程機械磨損故障診斷進行研究,判斷磨損故障的嚴重程度,辨識磨損故障模式,并以此為依據(jù)實現(xiàn)對設(shè)備的早期、快速維修保養(yǎng)。本文以工業(yè)機器人和柴油機兩種復(fù)雜工程機械為研究對象,針對當前工程機械磨損故障診斷中存在的缺乏定量和定性信息的綜合應(yīng)用、信息不確定性、診斷模型復(fù)雜性和容錯性需進一步改善等問題,基于置信規(guī)則庫推理（BRB）方法和證據(jù)推理（ER）規(guī)則,開展智能診斷方法研究,主要工作如下:（1）基于BRB推理的工業(yè)機器人曲柄軸磨損故障診斷方法。針對工業(yè)機器人曲柄軸磨損特征和磨損嚴重程度之間存在著非線性映射關(guān)系的問題,綜合利用定性和定量的信息,建立了基于BRB推理的工業(yè)機器人曲柄軸磨損故障診斷模型。以置信度的形式表示磨損故障信息中的模糊不確定性和未知不確定性,并利用解析證據(jù)推理對不確定信息進行融合與推理。相較于僅基于定量數(shù)據(jù)建模的方法,基于BRB推理的磨損故障診斷模型準確性高,模型可解釋性好。（2）基于改進ER規(guī)則的柴油機磨損故障... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

RV傳動機構(gòu)簡圖

杭州電子科技大學(xué)碩士學(xué)位論文15會產(chǎn)生嚴重的安全事故。圖3.1RV傳動機構(gòu)簡圖圖3.2機器人減速機曲柄軸通過對汽車生產(chǎn)裝焊車間一號線提供的大量實測數(shù)據(jù)進行分析，發(fā)現(xiàn)在工業(yè)機器人伺服電機上采集到的扭矩信號與曲柄軸磨損狀態(tài)之間存在較為明顯的對應(yīng)關(guān)系。依據(jù)生產(chǎn)經(jīng)驗，通常把曲柄軸定量分為三種不同的磨損狀態(tài)：可滿足安全裝焊需求的正常狀態(tài)(Ⅰ級)；裝焊次品率較高的中度磨損狀態(tài)(Ⅱ級)；以及無法正常裝焊的重度磨損狀態(tài)(Ⅲ級)。通過對大量磨損故障數(shù)據(jù)進行統(tǒng)計分析，選取三種磨損狀態(tài)下振動傳感器采集的電機扭矩信號和電流信號，建立工業(yè)機器人曲柄軸磨損故障診斷模型，如圖3.3-3.5所示。由圖3.3-3.5橢圓所標注的區(qū)域可知，每種狀態(tài)下電流周期的波谷（波峰）時刻對應(yīng)的波形扭矩之間差異較大，即正常狀態(tài)的波形扭矩平穩(wěn)，明顯區(qū)別于中度磨損狀態(tài)的輕微抖動及重度磨損狀態(tài)的劇烈變化。隨著磨損程度的加深，扭矩信號劇烈變化越來越明顯。所以將平穩(wěn)電流下扭矩的均值作為一個輸入特征，進一步計算扭矩的斜率，將扭矩斜率的均值作為另一個輸入特征，作為反映曲柄軸磨損狀態(tài)的兩個輸入特征。圖3.3正常狀態(tài)下的電機扭矩信號和電流信號

杭州電子科技大學(xué)碩士學(xué)位論文33其中：{|1,2,...,;1,2,...,}ijiC=wi=Mj=T表示模型需要被優(yōu)化的參數(shù)集合。在優(yōu)化模型中的初始的種群從0到1的區(qū)間內(nèi)利用隨機函數(shù)產(chǎn)生，種群數(shù)量定為80，進化代數(shù)的上限為100。式(4.18)所示的優(yōu)化目標函數(shù)作為適應(yīng)度函數(shù)。在每一步的優(yōu)化中，適應(yīng)度是衡量種群中個體優(yōu)劣的指標，其中產(chǎn)生更好適應(yīng)度的父代個體被用來生成子代個體，這一步驟會不斷循環(huán)直到達到優(yōu)化終止的條件。通常可以將代數(shù)、適應(yīng)度極限等作為優(yōu)化終止的條件。模型辨識準確性UA值隨著遺傳代數(shù)的增加而增加，即模型的辨識準確性越來越高。將優(yōu)化后的模型作為最終的診斷模型。4.4模型性能驗證與分析4.4.1模型的診斷實施流程范例本章提出的推理模型較之第3章的BRB模型結(jié)構(gòu)復(fù)雜，為了更詳細的介紹所提模型的整個推理診斷過程，這里以船用ZHXXX柴油機缸套-活塞磨損故障診斷為例，介紹整個方法的實施過程。其中，圖4.4為油液采集和監(jiān)測系統(tǒng)實拍圖，圖4.5為五種磨粒類型的顯微鏡圖片。通過ZHXXX柴油機缸套-活塞試驗獲得磨粒樣本，提取磨粒樣本的二維和三維特征并確定磨粒的類型。共獲得150個樣本，樣本集中包含本章4.2節(jié)中提到的柴油機的五種典型磨粒各30個樣本。在建模和優(yōu)化過程中使用五折交叉驗證，將原樣本集隨機分成五份大小相等的樣本集，每次取五份樣本集中的一份作為測試樣本，剩下的四份作為訓(xùn)練樣本。通過五折模型性能的平均值來判斷模型的性能好壞。圖4.4油液采集和監(jiān)測系統(tǒng)

【參考文獻】：
期刊論文
[1]信息融合與貝葉斯集成的船用中高速發(fā)動機磨損故障診斷[J]. 王永堅,陳丹,戴樂陽.  集美大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[2]基于置信規(guī)則庫專家系統(tǒng)的司控器開關(guān)量健康狀態(tài)評估[J]. 張邦成,步倩影,周志杰,尹曉靜,隋元昆.  控制與決策. 2019(04)
[3]基于振動和聲發(fā)射信號的截齒磨損程度識別研究[J]. 張強,劉志恒,代曉丹,黃傳輝,張石磊,田瑩.  機械設(shè)計與研究. 2018(01)
[4]基于證據(jù)推理規(guī)則的信息融合故障診斷方法[J]. 徐曉濱,鄭進,徐冬玲,楊劍波.  控制理論與應(yīng)用. 2015(09)
[5]基于置信規(guī)則庫推理的軌道高低不平順檢測方法[J]. 徐曉濱,汪艷輝,文成林,孫新亞,徐冬玲.  鐵道學(xué)報. 2014(12)
[6]置信規(guī)則庫規(guī)則約簡的粗糙集方法[J]. 王應(yīng)明,楊隆浩,常雷雷,傅仰耿.  控制與決策. 2014(11)
[7]基于油液監(jiān)測的船舶柴油機故障預(yù)測與健康管理技術(shù)研究[J]. 姚曉山,張衛(wèi)東,周平,朱子梁.  武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版). 2014(04)
[8]機械設(shè)備狀態(tài)監(jiān)測及智能診斷系統(tǒng)的研究[J]. 楊蘭.  化學(xué)工程與裝備. 2013(01)
[9]基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用[J]. 韓江,李雪冬,夏鏈,余道洋.  合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2012(05)
[10]基于改進半監(jiān)督模糊C-均值聚類的發(fā)動機磨損故障診斷[J]. 徐超,張培林,任國全,傅建平.  機械工程學(xué)報. 2011(17)

博士論文
[1]磨損過程中的磨粒表面和磨損表面特征及其相互關(guān)系研究[D]. 袁成清.武漢理工大學(xué) 2005



本文編號：3002781