论文部分内容阅读
3D打印技术具备个性化、复杂化和快速化等方面的优势逐步被应用于各个领域。3D打印机是3D打印技术发展的过程中重要的研究对象,但在智能故障诊断在3D打印机领域的研究还不够完善。本文针对Delta 3D打印机的传动系统故障,借助姿态传感器从数据驱动角度进行故障诊断以及故障程度评估的研究。在本研究中提出了在传动系统的末端,即动平台安装姿态传感器的故障信息采集的方法,再结合机器学习模型,从浅层学习到深度学习建立了Delta 3D打印机的故障识别模型和故障程度评估模型。本文开展的主要研究工作如下:(1)通过分析Delta 3D打印机的结构和工作原理得出常见的故障形式。以小样本和高精度为目标,提出基于支持向量机结合工业级姿态传感器的故障诊断方法。该方法在Delta 3D打印机的动平台上安装工业级姿态传感器进行故障数据采集,再使用故障数据建立LS-SVM故障识别模型,该模型的平均精度达到了94.44%。此外,还使用了相同的数据建立了BPNN故障识别模型,其结果显示BPNN模型的故障识别精度或稳定性都远低于LS-SVM模型。(2)从降低3D打印机的故障模式识别的成本出发,建立一种基于低成本姿态传感器的故障模式识别模型。为了解决低成本姿态传感器带来的低精度和高噪声等问题,采用了基于ESN结合特征提取的故障识别方法。用低成本姿态传感器采集故障数据后建立了ESN的3D打印机故障识别模型,该模型能够识别更多类型的故障且故障识别精度为97.17%。同时,使用低成本传感器的故障数据建立了SVM、LPPSVM和PCASVM故障识别模型,其识别精度较低。(3)在实现3D打印机的故障识别后,还研究了3D打印机的故障程度方法,该方法是一种基于SAE的深度学习方法。在故障程度评估中,通过使用低成本姿态传感器采集了两个案例(即关节轴承A和关节轴承B)的不同故障程度信息。对两个案例的故障数据归一化和提取时域统计学特征和时频域特征提取来降低数据维度减少SAE模型计算时间和提高模型精度。以SAE隐含层作为样本矩阵,通过计算正常样本矩阵分别和不同故障程度样本矩阵的矩阵相似度作为指标拟合出了案例1和案例2故障程度变化趋势曲线。