论文部分内容阅读
数控机床是现代工业中重要的大型机械设备,滚珠丝杠副因具有很高的传动效率、定位精度和刚度等特点而成为数控机床进给系统中主要的基础传动部件之一,在机床的力矩传动以及加工定位过程中起到不可替代的作用。然而,滚珠丝杠副也是进给系统中容易发生故障的部件之一,如若发生故障,就会影响整个机床的加工精度,甚至造成停机。因此,研究开发高效可靠的状态监测及故障诊断技术,用于指导数控机床的维护保养,对于提高数控机床的高速、高精度运行能力具有十分重要的意义。本文以数控机床滚珠丝杠副为研究对象,在综合分析故障诊断技术、滚珠丝杠副故障诊断的国内外研究现状以及无传感器数控机床监测技术发展的基础上,提出了基于数控机床内置传感器获取内部伺服信息的滚珠丝杠副故障诊断方法,并与传统的外置传感器监测机床状态信息的故障诊断方法进行对比分析。针对滚珠丝杠副的正常、滚道磨损、滚珠破损和丝杠弯曲四种状态类型设计了试验方案,基于Lab VIEW和MATLAB软件进行混合编程,最终建立了基于BP神经网络和PNN神经网络的滚珠丝杠副智能诊断模型,对数控机床滚珠丝杠副的状态类型进行识别研究。在分析了数控机床伺服进给系统的组成及内置传感器作用的基础上,提出了数控机床伺服进给系统中滚珠丝杠副状态信息的无传感器监测的概念,研究了滚珠丝杠副状态信息的获取方法。基于滚珠丝杠副的结构组成,分析了其故障机理和振动特征;确定了针对滚珠丝杠副的正常状态、滚道磨损、滚珠破损和丝杠弯曲四种状态类型的状态监测与故障诊断方法。设计了数控机床滚珠丝杠副的试验方案和试验系统的总体架构,搭建了状态信息监测试验台;基于Lab VIEW及西门子STARTER软件平台,针对传统监测与无传感器监测两种监测方法建立了滚珠丝杠副状态信息的数据采集系统,并对数据采集系统的硬件和软件进行了详细设计。进行了数据的分析和处理,对基于两种采集方法所采集到的滚珠丝杠副状态信息进行时域、频域及时频域分析,获得初始特征量;通过核主元分析方法,对初始特征向量进行降维、约简处理,最终分别确定了33组和27组状态信息数据作为滚珠丝杠副各状态类型的有效特征量组合。建立了BP神经网络与PNN神经网络两种网络模型分别对两种监测方法所得到的数据进行智能模式识别;对比分析两种网络模型及其对两种监测方法所获滚珠丝杠副状态信息的识别性能,结果表明,基于无传感器信息和PNN神经网络的滚珠丝杠副故障诊断方法更具有优势,能够有效的完成滚珠丝杠副的故障诊断。