基于深度学习的精密滚珠丝杠副服役性能退化过程状态评估及预测方法研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    51805262
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    25.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    E0503.机械动力学
  • 结题年份:
    2021
  • 批准年份:
    2018
  • 项目状态:
    已结题
  • 起止时间:
    2019-01-01 至2021-12-31

项目摘要

Prognostics and health management (PHM) is an important way to improve the serviceability and maintainability of mechanical systems, which are being increasingly complex, integrated, intelligent. The development trend of high-end CNC machine tool of being high reliability and smart health management requires a high precision retaining ability of ball screw. Based on the idea of PHM, this project carries out the health monitoring, status assessment and performance prognostics of the precision degradation process of ball screw under the actual working conditions. Specifically, the vibration and temperature signals during the operation of ball screw are acquired. The empirical mode decomposition and wavelet decomposition methods are employed to extract the energy entropy, intrinsic mode function entropy, statistical features, etc. from the raw signals. The auto-associative kernel regression method is used to fuse the multiple features to reconstruct the health indicators. Three metrics are constructed to quantify the goodness of the health indictors. The optimization algorithm, multi-objective binary differential evolution is used to select the optimal health indictor, which will be used to characterize the precision degradation of ball screw. The long short-term memory neural network is proposed to assess the status of degradation process while the nonlinear autoregressive with external inputs neural network is employed to perform the prognostics of the ball screw degradation. The distribution of the remaining useful life of ball screw is predicted. The implementation of this project is expected to provide support for the smart health management of the high-end CNC machine tool.
预测及健康管理(PHM)技术是提高日趋复杂、综合化和智能化机械系统服役性和维修保障性的重要手段。本项目针对高档数控机床高可靠性及整机智能化健康保障的发展方向对精密滚珠丝杠副日益增长的高精度保持性需求,基于PHM思想开展滚珠丝杠副实际工况下精度退化过程的在线监测、状态评估及性能预测相关方法研究。采集丝杠副运行中振动和温升信号,基于经验模态分解、小波包分解等方法提取能量熵、本征模函数熵在内的多维特征,提出自相关内核回归多维重构方法对多维特征进行融合构建特征空间。设计考察特征优劣性的多维量化指标,并以上述指标为目标,基于多目标二元差分演化方法在特征空间中选择最优解,作为描述丝杠副性能退化的健康因子。设计深度学习中的长短期记忆神经网络对健康因子时序序列进行分类实现对精度退化状态的评估。设计带外部输入非线性自回归网络实现对未来精度退化水平的预测。本项目的实施有望为数控机床整机智能化健康保障提供支持。

结项摘要

预测及健康管理(PHM)技术是提高日趋复杂、综合化和智能化机械系统服役性和维修保障 性的重要手段。本项目针对高档数控机床高可靠性及整机智能化健康保障的发展方向对精密滚珠丝杠副日益增长的高精度保持性需求,基于PHM思想开展滚珠丝杠副实际工况下精度退化过程的在线监测、状态评估及性能预测相关方法研究。经历3年研究,本项目进行了滚珠丝杠副预紧力、润滑退化实验,连续采集了三轴加速度信号与温度信号,提取信号中包括均值、方差、小波包能量、瞬时谱熵、瞬时频率等在内的15中特征;采用斯皮尔曼等级相关系数对上述特征以单调性为评价指标进行排序,选出单调性好的若干种特征;采用主成分分析法将选出的特征进行融合构成表征退化的健康因子;再采用贝叶斯更新理论对丝杠预紧力退化趋势实现预测。最终实现以传感器信号间接表征丝杠预紧力退化的研究目标。.此外,为了进一步探索深度学习方法在其他工业设备如旋转机械关键部件轴承、齿轮状态监测与诊断方面的应用前景,申请人带领课题组研究生赴江苏无锡厚德自动化仪表有限公司开展若干组轴承、行星减速度不同故障状态下的数据采集,还收集了公开轴承故障、齿轮故障、刀具磨损、轴承全寿命数据等PHM Society论坛公开数据集和历届PHM数据挑战赛的公开数据,深入研究探索了基于深度学习的数据驱动类故障诊断与剩余寿命预测方法,一定程度上解决了变工况变设备下的迁移诊断、针对诊断模型面对新诊断任务时复用性差、需要重新设计诊断模型、依赖人工经验、手动调参、试错迭代等劳动密集工作,提出了基于强化学习与神经结构搜索的诊断模型自动化建模方法,实现诊断模型的快速设计。.在完成上述项目基础上,基于本课题研究内容与成果,基于深度学习PHM建模技术在航空航天兵器等领域科研项目上得到应用。

项目成果

期刊论文数量(8)
专著数量(0)
科研奖励数量(0)
会议论文数量(1)
专利数量(4)
A Multistage Deep Transfer Learning Method for Machinery Fault Diagnostics Across Diverse Working Conditions and Devices
用于跨不同工作条件和设备进行机械故障诊断的多级深度迁移学习方法
  • DOI:
    10.1109/access.2020.2990739
  • 发表时间:
    2020-04
  • 期刊:
    IEEE ACCESS
  • 影响因子:
    3.9
  • 作者:
    Jian Zhou;Lianyu Zheng;Yiwei Wang
  • 通讯作者:
    Yiwei Wang
Automated model generation for machinery fault diagnosis based on reinforcement learning and neural architecture search
基于强化学习和神经架构搜索的机械故障诊断自动模型生成
  • DOI:
    --
  • 发表时间:
    --
  • 期刊:
    IEEE Transactions on Instrumentation and Measurement
  • 影响因子:
    5.6
  • 作者:
    Jian Zhou;Lianyu Zheng;Yiwei Wang;Cheng Wang;Robert X. Gao
  • 通讯作者:
    Robert X. Gao
基于模块服役状态的盒式连接可重构型架稳定性评估方法
  • DOI:
    --
  • 发表时间:
    2020
  • 期刊:
    航空学报
  • 影响因子:
    --
  • 作者:
    张宏博;郑联语;王艺玮
  • 通讯作者:
    王艺玮
A model-based prognostics method for fatigue crack growth in aircraft fuselage panels
基于模型的飞机机身面板疲劳裂纹扩展预测方法
  • DOI:
    10.1016/j.cja.2018.11.010
  • 发表时间:
    --
  • 期刊:
    Chinese Journal of Aeronautics
  • 影响因子:
    5.7
  • 作者:
    Yiwei WANG;Christian GOGU;Nicolas BINAUD;Christian BES;Jian FU
  • 通讯作者:
    Jian FU
An end-to-end fault diagnostics method based on convolutional neural network for rotating machinery withmultiple case studies
基于卷积神经网络的旋转机械端到端故障诊断方法并多案例研究
  • DOI:
    10.1007/s10845-020-01671-1
  • 发表时间:
    2020
  • 期刊:
    Journal of Intelligent Manufacturing
  • 影响因子:
    8.3
  • 作者:
    Yiwei Wang;Jian Zhou;Lianyu Zheng
  • 通讯作者:
    Lianyu Zheng

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

基于屏幕空间变换的大型装配型架测量可视性分析
  • DOI:
    --
  • 发表时间:
    2013
  • 期刊:
    计算机集成制造系统
  • 影响因子:
    --
  • 作者:
    朱绪胜;蔡志为;郑联语;王艺玮
  • 通讯作者:
    王艺玮

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

王艺玮的其他基金

非精确机理引导自数据驱动的航天机电伺服系统自适应退化预测与诊断
  • 批准号:
    52375476
  • 批准年份:
    2023
  • 资助金额:
    50.00 万元
  • 项目类别:
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码