高速电主轴间歇故障混合模型建模与智能诊断研究

Faults occur in the spinning process due to the impact by complex working conditions. The faults of high speed spindle system showed typical intermittent features charaterized by periodic, intermittent, and repetitive. Considering the particularity and complexity of intermittent fault characteristics. This project presents an overall solution for intermittent fault diagnosis of high-speed spindle based on the fault hybrid model of mechanism model and deep learning model. The mechanism model is a coupling system of high speed motorized spindle drive system model, motor model, structural model, thermal expansion model and temperature field. This project focuses on the error compensation problem of the hybrid model, analyzes the data characteristics of the "fault state" and "recovery state" of the intermittent fault, the relationships between mechanism modeling and data features were analyzed and established. We hope to get a good result at the fault mechanism modeling under the coupling field condition, the intermittent fault mixed model compensation, the online diagnosis and other key technologies. The hybrid model of intermittent fault of high - speed motorized spindle system is proposed to improve the diagnosis accuracy and implement the intermittent fault intelligent diagnosis of high - speed motorized spindle.

高速电主轴在旋转过程中，由于受到各种工况的影响，故障时有发生。并且故障通常具有周期性、间歇性和反复性等特点，是典型的间歇性故障。本项目针对高速电主轴间歇故障特性的故障诊断问题，建立高速电主轴驱动系统模型、电机模型、结构模型、热膨胀模型、温度场的耦合机理模型和间歇故障机理模型，提出融合故障机理模型和深度学习数据模型的高速电主轴系统间歇性故障诊断总体解决方案，重点研究混合模型的误差补偿和建模问题，三态状态识别，剖析间歇故障的“故障态”和“恢复态“的数据特性，建立故障机理与数据特征的关联关系，搭建机理与特征提取正反两方面问题相互支持与印证的桥梁，建立混合模型，提出智能诊断方案。预期在耦合场条件下的间歇故障机理建模、间歇故障混合模型误差补偿、智能诊断等关键技术上有所突破，建立符合实际工况的三态状态下故障演化机理的高速电主轴间歇故障混合模型，实现高速电主轴间歇故障智能诊断。

高速电主轴在旋转过程中，时常会发生带有周期性、间歇性和反复性等特点的间歇性故障。本项目结合间歇性故障的特点，从故障机理与故障数据两个角度对高速电主轴及其主要核心部件轴承转子系统故障与运行特征之间的映射关系展开了研究。以电主轴动力学、塑性材料故障形变理论等为研究理论基础，考虑由于结构参数与运转工况影响下滚动体不均匀承载、轴承外圈-轴承座配合间隙变化等因素，建立了包含滚动体间歇承载与温变配合间隙等非线性因素的轴承转子系统动力学模型，得到了结构参数与工况参量发生变化时电主轴系统的运行状态变化情况。针对早期间歇故障特征微弱且不显著，故障信号常常被掩埋在强噪声背景下的问题，为了提高电主轴轴承故障诊断准确率，减少过拟合现象，提出了Deep EMD-PCA、SWDAE-LSTM神经网络等故障诊断方法，实现了早期故障的精确诊断。研究表明，相比于传统单参数组合神经网络诊断方法，本项目所提出的改进方法能显著提升诊断效率，缩短诊断时间。研究深入揭示了电主轴系统中间歇性故障机理，建立了故障与运行状态特征之间的映射关系，对于电主轴中轴承转子系统性能退化监测具有重大参考价值。项目研究过程中共发表学术论文46篇，其中ESI高被引论文1篇，领域TOP期刊5篇，SCI收录期刊论文32篇，EI收录期刊论文4篇，出版学术专著2部，制定国家标准2部，申报专利20余项，培养博士、硕士研究生27人，3名硕士研究生毕业论文获校优秀学位论文，1名研究生毕业论文获省优秀学位论文。在项目执行期内，负责人获辽宁省科技进步一等奖1项，辽宁省青年科技奖1项，华夏科技进步三等奖等奖项；入选辽宁省“兴辽英才”青年拔尖人才、辽宁省“百千万人才工程”百人层次、沈阳市优秀科技工作者和沈阳市优秀研究生教师等荣誉称号。研发技术成果在多家行业龙头企业成功转化，有力的推动了科技进步、经济建设和社会发展。