基于表征學習的滾珠絲杠副系統(tǒng)狀態(tài)監(jiān)測與性能評估技術(shù)研究.pdf

1、滾珠絲杠副系統(tǒng)是一類將旋轉(zhuǎn)運動轉(zhuǎn)換為直線運動的機械傳動裝置，廣泛應用于精密機械定位與測量系統(tǒng)。其在運行過程中不可避免的會出現(xiàn)磨損，結(jié)構(gòu)松動等現(xiàn)象。而滾珠絲杠副系統(tǒng)發(fā)生故障或者出現(xiàn)性能退化會嚴重影響機械設備的精度與運行安全。因此研究滾珠絲杠副系統(tǒng)的狀態(tài)監(jiān)測與性能評估對于提高制造業(yè)水平，減少企業(yè)經(jīng)濟損失非常重要。滾珠絲杠副系統(tǒng)的振動信號包含了豐富的設備狀態(tài)與性能信息。但是，采集的振動信號中往往包含有大量的噪聲成分，這對有效信息提取造成了一定

2、困擾。同時，如何有效提取與表達信號中的信息成分也是信號處理領(lǐng)域中的研究熱點與難點。論文結(jié)合表征學習在滾珠絲杠副系統(tǒng)狀態(tài)監(jiān)測與性能評估方面展開了深入的研究，具體內(nèi)容如下:
　　(1)以字典學習和深度學習為代表系統(tǒng)研究了表征學習的基本算法與結(jié)構(gòu)。揭示了表征學習的內(nèi)涵屬性是不引入先驗知識的情況下從原始信號中學習得到其本質(zhì)特征表示。同時，通過圖像信號處理說明了表征學習可以學習得到信號的基本組成成分，并可廣泛應用于信號去噪與分類。
　

3、　(2)研究了基于字典學習和稀疏編碼的機械振動信號去噪技術(shù)。針對滾珠絲杠副支撐軸承振動信號的特點，構(gòu)建了由固定字典函數(shù)和軸承振動信號構(gòu)成的復合異構(gòu)訓練樣本集合。探索了振動信號在學習字典域內(nèi)稀釋表示進行去噪的方法。提出利用在線字典學習來增強算法計算實時性。并通過仿真信號和實驗數(shù)據(jù)驗證了算法的可行性和有效性。
　　(3)設計了滾珠絲杠副系統(tǒng)絲杠變速工況下的故障定位算法。通過多項式調(diào)頻小波方法，計算出絲杠旋轉(zhuǎn)瞬時頻率。提出了基于幅值閥值

4、和導數(shù)閥值的時域信號異常檢測方法定位絲杠故障時間點?；诮z杠瞬時旋轉(zhuǎn)頻率和故障時間點計算獲得絲杠在不同工況下的故障位置點。通過實驗平臺研究了兩種不同工況下的絲杠多故障點定位。實驗結(jié)果表明，提出的算法可有效判斷絲杠故障并計算出準確位置，定位誤差小于兩個絲杠導程。
　　(4)研制了滾珠絲杠副系統(tǒng)綜合加速性能退化實驗臺。根據(jù)絲杠壽命公式，分析了影響絲杠運行壽命的因素，設計了滾珠絲杠副系統(tǒng)絲杠性能退化實驗方案。通過改變運行速度，負載大小模

5、擬滾珠絲杠副系統(tǒng)的不同運動工況，并采集了不同工況下的振動、扭矩等傳感器信號，為滾珠絲杠副系統(tǒng)的準確性能評估提供了數(shù)據(jù)保障。
　　(5)提出了基于深度神經(jīng)網(wǎng)絡的滾珠絲杠副系統(tǒng)性能評估方法。對實驗采集的滾珠絲杠副系統(tǒng)振動信號進行時域、頻域和時頻域特征提取，設計了頻域譜峭度相關(guān)系數(shù)這一新的頻域特征值，可分辨能力強。深度神經(jīng)網(wǎng)絡學習提取深層次的特征參數(shù)并降低特征維數(shù)，提高可識別性。引入去噪深度學習算法，將輸入向量中某些位置的值用隨機噪聲代

6、替，增強了模型的魯棒性。
　　(6)基于以上理論和實驗，進行了滾珠絲杠副系統(tǒng)狀態(tài)監(jiān)測與性能評估系統(tǒng)的實用化研究?；赟ocket原理設計了數(shù)據(jù)采集端與上位機客戶端的數(shù)據(jù)通信協(xié)議，實現(xiàn)了系統(tǒng)的遠程化操作。研究了基于圖形處理單元的算法并行化加速方案，縮短了模型計算時間?；赪xPython開發(fā)了圖像化顯示界面，便于可視化操作與顯示。
　　本文在滾珠絲杠副系統(tǒng)性能退化實驗，數(shù)據(jù)表征學習，狀態(tài)監(jiān)測與性能評估等方面進行了深入研究。探索