机械加工误差管理论文提纲

论文题目：基于机器学习的机床关键部件健康评估研究与应用

摘要：随着工业4.0的飞速发展,数控机床在机械加工中发挥着日益增长的作用。一方面,随着数控机床向精细化、智能化发展,对加工精度的要求愈来愈高。另一方面,随着加工过程进行,机床各关键部位的磨损会造成精度缺失,引起加工误差增大甚至导致部件失效发生安全事故。基于以上背景,亟需对机床设备进行在线状态监测,并对关键部件开发对应方法进行精准健康评估。为了对国产数控机床建立完善设备监测和健康评估系统,本文对数控机床的滚珠丝杠健康状态判别、主轴刀具磨损分析以及轴承剩余寿命预测等进行研究分析,建立了传感数据与设备健康状态之间的非线性映射。本论文主要内容包括如下四个方面:第一,针对滚珠丝杠健康状态判别分析,提出了基于栈式去噪自编码器特征优化的极端梯度提升集群模型方法。对于滚珠丝杠状态监测,采用振动、扭矩、电流信号融合特征提取方式,利用小波包分解提取主要特征,使用栈式去噪自编码器进行特征编码,最终通过极端梯度提升集群模型对编码向量进行状态评估,避免了复杂模型引入对模型泛化带来的困难。第二,对于刀具磨损程度分类,采用了基于元学习的小样本训练方法。针对刀具磨损处于多种工况和样本数量小等问题,设计采用小样本元学习进行基模型训练,利用未知模型在不同任务上的先验快速泛化迁移到任务模型。使用刀具磨损的加速度和切削力数据,基于时域、频域统计特征和短时傅里叶变换时频表示进行特征提取,具有目标任务快速泛化、多工况自适应和良好鲁棒性等特点。第三,对于数控机床上的轴承剩余寿命预测问题,开发了多尺度冻结卷积与激活记忆神经网络模型。本文提出使用原始多通道时域信号,利用分步式模型训练策略进行模型部署。首先,采用自适应多尺度卷积神经网络对原始时域信号进行特征提取。其次,冻结多尺度卷积网络接入卷积堆叠记忆网络进行网络训练;最后,激活全网络进行训练微调。第四,对数控机床监测进行需求分析,搭建了针对数控机床集群的设备监测与健康评估系统平台。利用多传感器系统采集机床各关键部件信号,集成开发了设备监测、数据分析、故障诊断、人工智能判别、系统管理等模块。系统平台基于浏览器服务系统,采用神经网络模型嵌入式开发技术,为数控机床的设备监测和健康评估提供了理论、实验以及系统验证。

关键词：数控机床;数据驱动;状态监测;故障诊断;寿命预测;极端梯度提升;元学习;卷积记忆网络

学科专业：机械工程

摘要

ABSTRACT

第一章 绪论

1.1 课题研究背景及意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 机床关键部件健康评估方法研究现状

1.2.2 设备监测与健康评估系统研究现状

1.2.3 设备监测与健康评估面临的挑战

1.3 课题的主要研究内容及章节安排

第二章 基于自编码器和极端梯度提升的滚珠丝杠健康识别

2.1 滚珠丝杠性能衰退机理

2.2 滚珠丝杠健康状态监测形式

2.3 基于自编码器和极端梯度提升的滚珠丝杠状态判别机理

2.3.1 滚珠丝杠状态判别流程

2.3.2 自编码器编码

2.3.3 极端梯度提升判别

2.4 滚珠丝杠健康状态识别实验验证

2.4.1 滚珠丝杠试验台

2.4.2 数据集介绍

2.4.3 特征工程

2.4.4 模型评估

2.5 本章小结

第三章 基于小样本元学习的刀具磨损状态判断

3.1 刀具性能衰退机理

3.2 刀具磨损监测形式

3.3 基于小样本元学习的刀具磨损判别机理

3.3.1 刀具磨损判别流程

3.3.2 元学习与小样本学习

3.3.3 未知模型元学习法

3.4 刀具磨损状态判断实验验证

3.4.1 刀具磨损试验台

3.4.2 数据集介绍

3.4.3 特征工程

3.4.4 模型评估

3.5 本章小结

第四章 基于冻结卷积激活记忆的轴承剩余寿命预测

4.1 轴承性能衰退机理

4.2 基于冻结卷积激活记忆网络的轴承剩余寿命预测

4.2.1 轴承寿命预测流程

4.2.2 冻结卷积-自适应多尺度卷积网络

4.2.3 激活记忆-迁移卷积堆叠记忆网络

4.3 轴承剩余寿命预测实验验证

4.3.1 轴承加速磨损试验台

4.3.2 数据集介绍

4.3.3 特征工程

4.3.4 结果评估

4.3.5 方法对比

4.4 本章小结

第五章 机床设备监测与健康评估系统

5.1 机床健康评估系统分析与架构

5.1.1 在线监测系统分析

5.1.2 机床健康监测系统架构

5.2 系统硬件布置

5.3 系统软件开发

5.3.1 数据库模块

5.3.2 监测模块

5.3.3 分析模块

5.3.4 人工智能模块

5.3.5 系统管理模块

5.4 系统展示

5.4.1 系统运行环境

5.4.2 系统人机交互

5.4.3 实际案例分析

5.5 本章小结

第六章 结论与展望

6.1 研究结论

6.2 研究展望

参考文献

致谢