滚动轴承是旋转机械中起动力支撑作用的关键部件,一旦出现故障将严重影响设备的正常运行”。建立滚动轴承故障诊断系统来监测和定位故障,可以有效提高旋转机械的运行可靠性。
在滚动轴承的故障诊断过程,从时频域提取故障特征构造故障特征集可以扩大信息量,使得诊断结果更为准确[23)。然而,由于时频域特征集中的故障信息往往并不是孤立的,它们往往存在一-定的关联,或依赖、或重叠,从而导致故障特征集中存在大量冗余信息,大大增加了故障诊断的复杂度[4。依据故障特征之间的关联特点,采用非线性流形学习方法局部切空间排列(localtangentspacealignment,LTSA)进行优化融合,可以剔除大量冗余信息,提高故障特征的敏感性在获取了滚动轴承的敏感特征之后,则需采用合理的智能诊断方法实现故障的可靠辨识。支持向量机(supportvectormachine,SVM)作为--种模式识别方法,能够在有限的故障特征信息中挖掘出隐含的故障类别信息,具有比神经网络等传统故障诊断方法更强的泛化推广能力门。支持向量机通过核函数将输人特征映射到高维特征空间,从而实现故障样本的线性可分,小波函数作为一种优良的时频分析工具,理论上可以逼近任意函数,为此以小波函数为基础,构造小波核支持向量机(waveletsupportvectormachine,WSVM)作为智能诊断模型。综上,本文提出基于局部切空间排列与小波核支持向量机的滚动轴承故障诊断方法,首先基于典型的时频信号处理方法—集成经验模式分解构造故障样本特征集,再利用局部切空间排列对故障样本特征集进行约简降维处理,提取其中的敏感特征输人给WSVM实现滚动轴承的智能故障诊断。
本文建立了双转台五轴数控机床的运动学模型,包括运动学正解和运动学逆解,并得出结论:刀心位置轮廓误差与五个轴的误差都有关,而刀轴方向轮廓误差只与两个旋转轴的误差有关。提出了一种基于运动学正逆解模型的轮廓误差补偿控制方法,并进行了仿真验证。对于五轴联动数控机床,在每个采样周期综合考虑刀心位置轮廓误差和刀轴方向轮廓误差,对五个进给轴进行补偿控制,可有效提高机床轮廓精度。
完整版论文请点击下方链接阅读或者下载