基于振动分析的机床状态识别与人机效能评估方法研究

摘要

设备的振动信号涵盖了大量关于设备的信息，而且采集方便，分析方法较多，在故障诊断与状态监测领域以被广泛应用，但利用振动信号判断设备的工作状态、统计每种工作状态的时间，进而利用统计的时间做一些人机相关评估的研究比较少。因此本文尝试着研究此类问题。文中用三种不同分析方法对一台普通机床进行状态识别，并统计每种工作状态的时间，利用统计的时间做一些对工人及设备的评价。应用的方法有：
　　(1)基于BP神经网络实现机床状态分类
　　通过寻找每种工作状态的时域以及频域特征作为网络的输入，根据特征个数以及输出的种类，确定BP神经网络的结构。分别用了信号的时域特征、频域特征、以及频域与时域特征组合在一起的三种数据作为网络输入，拟合出三个网络，对数据进行分类，统计每种工作状态时间长短。试验结果表明混合特征作为特征统计时间的成功率最高。
　　(2)基于人耳听觉模型(ZCPA)进行机床状态分类
　　将改进听觉模型ZCPA模型用于机械振动信号征提取中，根据振动信号的特点对模型做了相应的调整，采用S函数模拟耳蜗内毛细胞，使用Gammatone滤波器组对耳蜗基底膜进行建模，将频率箱按照频率范围等比递增的方式在频率轴上进行分布。分析结果表明:利用ZCPA模型对五种工作状态进行特征提取，能够准确区分不同工作状态。通过计算输出值与标准值之间的相关性，统计出每种工作状态的时间。
　　(3)基于三次包络处理后进行机床状态分类
　　工作状态发生变化时，信号幅值变化较大。通过对信号做半波整流及三次包络，建立相应的约束条件，能准确识别出信号当中的突变部分，分析突变点前后的工作状态，找出状态突变点。实验结果表明利用寻找状态突变点的方法能准确识别出不同的工作状态，能提取出突变信号，统计出每种工作状态的时间。
　　(4)每一种工作状态的时间与工作过程中出现的冲击数都与工人的操作水平相关。利用统计出的每种工作状态的时间与提取的冲击信号，为机床的设备折旧费计算、设备维修期制定提供参考数据，以及对工人的操作水平、工作情绪等做一些评估。

目录

声明

摘要

第1章 绪论

1．1 课题研究的目的与意义

1．2 国内外发展现状

1．3 论文研究的主要内容

第2章 振动数据采集实验

2．1 实验设备

2．2 实验对象

2．3 实验过程

第3章 基于BP神经网络进行机床状态分类

3．1 人工神经网络的简介

3．2 人工神经网络的工作原理

3．3 BP神经网络学习算法

3．4 利用BP神经网络对数据进行分类

3．4．1 建立神经网络结构

3．4．2 提取时域特征建立网络

3．4．3 提取频域特征建立网络

3．4．4 提取时域和频域特征建立网络

3．5 本章小结

第4章 基于听觉模型(ZCPA)的机床状态分类

4．1 人类听觉系统简介

4．2 听觉模型的简介

4．3 ZCPA听觉模型

4．3．1 ZCPA听觉模型基本原理

4．3．2 基底膜带通滤波器

4．3．3 特征提取

4．4 ZCPA模型的调整与实现

4．5 基于ZCPA进行状态分类

4．5．1 建立试验标准

4．5．2 数据识别分类

4．6 本章小结

第5章 基于三次包络提取冲击的机床状态分类

5．1 冲击信号

5．2 利用三次包络识别与提取冲击信号

5．2．1 冲击信号的识别

5．2．2 冲击信号的提取

5．3 状态分类

5．4 本章小结

第6章 机床性能及工人操作水平评价

6．1 工作时间占用率

6．1．1 加工时间占用率

6．1．2 换刀时间占用率

6．1．3 对刀时间占用率

6．1．4 装卸时间占用率

6．1．5 停车时间占用率

6．1．6 统计每种工作状态时间占有率

6．2 利用统计的时间及冲击对设备及工人做评价

6．2．1 对工人技术水平的评价

6．2．2 利用冲击对工人评价

6．2．3 工人操作柔顺度

6．2．4 工人工作情绪的研究

6．3 设备的折旧

6．4 预算设备维修期

6．5 本章小结

第7章 总结与展望

7．1 总结

7．2 展望

参考文献

致谢