论文部分内容阅读
数控机床是制造之母,在现代制造业中起着至关重要的作用,机床发生故障时,若不能及时对故障进行准确地诊断,轻则引起产品质量下降,重则影响生产进度,故及时发现并消除数控机床的故障是十分必要的。机床机械设备的故障诊断本质上是一个模式识别的过程,传统基于SVM故障诊断方法都是基于样本均衡的前提条件下进行的,但是在现实生活中故障数据收集困难且体量较小,这就导致了数据集不平衡。针对数据集不平衡、样本严重重叠以及噪声干扰时SVM的诊断效果不佳的劣势,本文在采样算法方面研究了更适用于不平衡数据的采样算法,在诊断方面,提出了一种基于不平衡数据分类方法的新型故障诊断方法,并以机床主轴轴承故障诊断为例进行了实验验证,验证结果表明本文所提采样算法和故障诊断方法可行有效,主要研究内容如下:(1)以含有三个特殊点的人造数据集TD为例,通过SVM、RAMO-SVM、SMOTE-SVM、BSMOTE-SVM、ADASYN-SVM对其进行训练;基于训练结果,详细地分析了RAMO、SMOTE、BSMOTE、ADASYN四种传统过采样算法的优缺点;通过汲取四类传统过采样方式的优点,提出了一种考虑信息量的过采样(OCAI)算法思想,为基于样本特性的过采样算法(OSSC)的提出作了铺垫。(2)根据OCAI思想提出一种基于样本特性的过采样(OSSC)算法,该算法综合考虑样本距离、近邻域密度以及样本的信息量,将正类样本进行排序,从而将噪声点排于正常样本之后,然后利用基于SVM的(9)K-信息量近邻域降合成比的SMOTE算法对排序后的样本进行新样本合成。分类试验证明,OSSC比已有的过(欠)采样方式,拥有更高的正负类样本的辨识率,同时该算法具有更强的鲁棒性,为后续新型故障诊断方式的提出作了铺垫。(3)基于ICEEMDAN模态分解算法、Shannon能量熵和OSSC算法提出了一种基于样本特性的故障诊断方式(ICEEMDAN-Shannon-OSSC-SVM)。以机床滚动轴承内圈为故障诊断对象进行实验验证,实验结果表明:ICEEMDAN-Shannon-OSSC-SVM新型故障诊断方式在故障识别率、算法稳定性以及鲁棒性三个方面上相比CEEMDAN、EEMD、EMD模态分解算法,Shannon能量熵,SMOTE、BSMOTE、SC过采样算法的不同组合法的故障诊断方式均有一定的提高。