电主轴采用主轴电动机与机床主轴“合二为一”的传动结构形式,实现了机床的“零传动”。作为高档机床的核心部件,电主轴的服役性能对精密制造过程中加工精度具有决定性作用。由于长时间工作在重载、疲劳、腐蚀等恶劣的工况下,电主轴定子绕组不可避免地发生本不应该连接的线圈直接接触形成低阻抗环路。此时,三相电流的不平衡会降低电主轴的转矩,影响高端数控机床的加工精度和效率。因此,十分有必要对电主轴驱动系统的运行状态进行实时监测与早期匝间短路故障诊断。论文以电主轴驱动系统为研究对象,研究基于观测器的早期匝间短路故障检测与隔离方法,主要内容如下:（1）针对三相坐标下高阶、多变量、强耦合的复杂电主轴驱动系统难以进行观测器设计的问题,利用坐标变换（Clark变换,Park变换）减少变量,消除电磁之间耦合关系,实现对电主轴驱动系统匝间短路故障模型的简化。在两相旋转坐标下对定子绕组匝间短路故障的电主轴驱动系统进行机理建模,此模型作为后续章节的基础。此外,对早期匝间短路故障进行定量描述,将早期故障分为三个等级。本文实现的是对第二等级匝间短路故障的检测与隔离。（2）针对Luenberger观测器和常数阈值在电磁干扰的影响下很难准确检测电主轴定子绕组早期匝间短路的问题,提出了一种基于改进观测器的早期匝间短路故障检测方法。改进观测器相比于Luenberger观测器具有更多的设计自由度,可以使其产生的残差在优化过程中具有更好的电磁干扰鲁棒性以及早期匝间短路故障敏感度,提高了早期匝间短路故障检测精度。此外,产生残差的同时引入待优化的正定标量给出了自适应阈值的数学表达形式,相比于常数阈值大大降低了早期匝间短路故障检测的保守性。（3）针对具有更好实时性的Luenberger区间观测器在电主轴定子绕组早期匝间短路故障检测中无法使用的问题,提出了一种基于新型区间观测器的早期匝间短路故障检测方法。在存在电磁干扰的情况下,可以从以下两个方面更早地检测出电主轴定子绕组早期匝间短路故障。首先,在实际电主轴驱动系统的应用中,Luenberger区间观测器存在无解的情况,而新型区间观测器克服这一缺点,使其产生的残差区间在优化过程中具有更好的表现和更广泛的应用范围。然后,在残差区间生成过程中引入了l1/H∞性能指标并转化为线性矩阵不等式约束条件下的凸优化问题,使新型区间观测器具有最优的电磁干扰鲁棒性和早期匝间短路故障敏感度。（4）针对有限通讯带宽下完全分布式的多主轴系统早期匝间短路故障检测与隔离未得到充分考虑的问题,提出了一种基于事件触发区间观测器的早期匝间短路故障检测与隔离方法。首先,考虑到本地和相邻电主轴的输出瞬时电流,电主轴定子绕组匝间短路故障信号边界,电磁干扰的影响和事件触发的误差,构造了新的事件触发故障检测和隔离区间观测器。然后,给出了电磁干扰鲁棒性条件,匝间短路故障敏感性条件和非负性条件,这些约束条件用来求解事件触发故障检测和隔离区间观测器中的增益参数。最后,当故障隔离区间观测器产生的残差区间不包含原点时,表示此电主轴定子绕组无故障,否则表示有故障。在此框架下,每个电主轴不仅有能力确定哪个邻居电主轴定子绕组出现早期匝间短路故障,而且还引入了事件触发策略来降低通讯次数和节省计算资源。通过电主轴实验平台验证了上述基于观测器的早期匝间短路故障检测和隔离方法。结果表明,本文所提出的方法在电主轴定子绕组早期匝间短路故障诊断中具有良好的表现,是电主轴驱动系统早期故障诊断的一种替代方法。

天然石材的化学成分和物理属性非常复杂,切削工艺性差异性大,切削载荷特性变化复杂。传统基于单一类别参数的切削载荷预测算法,无法满足这一复杂工况条件下的切削载荷预测要求。为此本文分析了天然石材铣削加工条件下的工艺特性,研究了基于多参数融合的自适应神经模糊推理系统算法,开展了该工况条件下的载荷预测分析与实验验证。主要研究内容包括:论文在分析传统神经网络算法和自适应神经模糊推理系统算法的理论基础上,通过在GMC10400机床上,设计并开展了不同切削参数条件下的天然石材铣削加工实验,并比较了两种算法的切削载荷预测精度。研究表明:相较于传统的神经网络算法,自适应神经模糊推理系统算法拥有更高的预测精度,其切削载荷预测精度可以达到90.28%。论文使用皮尔逊相关系数方法,提取了与切削载荷相关性较大的均方根,标准差,四阶中心矩和平均值特征,在该算法的基础上,采用多参数融合技术,以振动信号特征和切削三要素作为输入参数,建立了三种切削载荷预测模型。研究表明:以振动信号特征和切削三要素共同作为输入参数的模型预测精度更高,其预测精度可以达到95.05%,明显高于其它基于单一类别参数的预测模型。论文为天然石材铣削加工条件下的切削载荷智能预测奠定了基础,解决了这一复杂工况条件下切削载荷难以预测的问题,并且相较于使用测力仪的直接测量法,论文提出的智能预测方法更具有经济性和实用价值。也为解决其他复杂工况条件下的切削参数智能预测提供了参考。

滚动轴承是机械设备关键部件之一,其使用工况复杂多变,极易受到损坏。为了保证机械设备健康运转和正常生产,对滚动轴承进行故障诊断具有重要意义。随着大数据时代的到来,基于深度学习技术的故障诊断方法在滚动轴承故障诊断的任务中得到了更多的应用,并且一些研究也表明深度学习方法在故障诊断的很多领域中已经取得了比传统方法更好的效果。因此,本文以滚动轴承作为研究对象,研究了堆叠降噪自编码网络（Stacked Denoising Autoencoders,SDAE）和长短时记忆网络（Long Short Term Memory Network,LSTM）在滚动轴承故障诊断中的应用,本文的主要工作如下:（1）提出一种基于SDAE网络的滚动轴承故障诊断模型,通过数据重构从被损坏的数据中获取原始未被损坏的数据信息,并通过逐层训练和反向精调的方法对数据的鲁棒特征进行提取。在转子——轴承实验台上开展了滚动轴承故障实验,利用采集的滚动轴承各类型故障的原始振动信号对SDAE故障诊断模型进行训练,通过结果可视化的方法验证了SDAE优异的故障分类性能。（2）针对现有滚动轴承故障诊断方法忽略振动信号时序关联特性的问题,结合LSTM的时序数据处理高效性,提出了一种滑动窗SDAE网络和LSTM网络（SWDAELSTM）的滚动轴承故障诊断模型。使用滑动窗算法保留数据的非线性特征和时序特征,通过SADE和LSTM提取数据的这两种特征用于故障诊断。实验结果表明SDAE网络提取的数据非线性相关特征和LSTM网络提取的数据时序特征可以显著提高故障诊断精度,对比传统方法和未改进的深度学习方法,SWDAE-LSTM模型的性能更稳定。并且讨论了传感器数量和位置对诊断结果的影响,为传感器数量选择和布置方式优化提供指导。（3）针对现有的滚动轴承故障诊断方法提供的故障提前相应时间短的问题,提出一种基于改进SWDAE-LSTM的滚动轴承初期故障检测模型。通过使用正常数据训练模型,使模型学习滚动轴承的正常运行状态趋势,最后利用模型的预测值与真实值的残差检测滚动轴承初期故障,并使用贝叶斯优化方法对模型的超参数进行调优选择。使用滚动轴承的全生命周期数据验证了模型可以有效检测滚动轴承的初期故障,通过与未改进的方法和基于时域指标的方法对比,改进后的SWDAE-LSTM模型可以更早的检测出滚动轴承的初期故障。本文提出的SWDAE-LSTM滚动轴承故障诊断方法可以有效识别滚动轴承的故障类型和检测滚动轴承初期故障发生时间,性能稳定智能化程度高。

滚动轴承被广泛用于各行各业的机械设备中,是工业界不可缺失的零部件,在机械机构中起着至关重要的角色。滚动轴承的健康状态对整个机器起着重大意义。所以对轴承健康状态的诊断是非常有必要的。由于现代机械的大型化,集成化的影响,对机械设备实时采集到大量的反映轴承健康状况的数据。所以,基于大数据化的轴承的故障诊断成为了近几年的热点研究话题。本论文针对滚动轴承的故障诊断,结合数据采集技术和深度学习理论,提出了三种神经网络针对轴承的不同工况的故障诊断的方法。主要研究内容如下:第一、针对由于轴承采集数据维度大,冗余信息过多等问题,提出一种基于压缩采集与CNN+SVM的轴承的故障诊断的方法。使用压缩感知技术从采样数据中进行降维处理,从源头减少数据的数据量,去除数据中无关故障特征的信息,使压缩采集的数据中保留了原始数据中的故障数据,使用压缩后的数据进行故障诊断,这样可以减轻后期处理故障数据的储存压力和计算压力等。卷积神经网络具有良好的提取特征的能力,所以使用一维卷积神经网络（1DCNN）进行特征提取,为了提高网络的分类效果,使用支持向量机（SVM）代替Softmax进行故障的分类。第二、针对一维卷积神经网络是端对端的诊断模型,只使用时域信号作为故障诊断的输入,缺少对故障信息频域信息的识别,提出一种基于短时傅里叶变换（STFT）与二维卷积神经网络（2DCNN）的轴承的故障诊断模型。原始数据使用滑动窗采集技术进行样本采样,以1024个数据点为一个样本进行样本采样,然后本文使用STFT技术对采集样本进行变换后,得到了二维的时频数据。将二维信号作为2DCNN的输入信号,对2DCNN进行训练,2DCNN具有良好的特征提取能力,可以达到100%的分类效果,在实际的工况中,样本的数据集存在不平衡现象,使用本模型在数据集不平衡的情况下依旧可以达到很好的故障诊断精度。第三、针对在轴承故障数据采集过程中,由于工作环境的影响,数据中会夹杂噪声数据,会影响数据的特征提取,对于不同载荷力下,噪声对数据的影响也不相同的问题,而使用1DCNN与2DCNN对含噪数据特征提取不明显,分类精度低,所以提出一种基于堆叠降噪自编码器（SDAE）与改良的长短时记忆神经网络（Attention＿LSTM）的故障诊断模型,对原始数据通过重叠采样获得数据样本,在数据中加入不同种类、不同强度的噪声,用SDAE对加噪数据进行去噪处理,而LSTM具有对非线性数据映射和数据特征提取的能力,为了加强LSTM的特征提取能力,在LSTM中加入Attention机制,可以对网络所提取的特征加入不同的概率进行取舍,对无关轴承故障数据的特征进行舍弃。所以使用Attention＿LSTM对降噪数据进行特征提取,最后使用Softmax对提取特征进行故障分类。本文提出CS+1DCNN＿SVM、STFT＿2DCNN、SDAE+ALSTM故障诊断模型,可以有效的应对轴承不同工况下故障诊断,具有很高的研究意义和实用意义。

随着近些年制造业的不断发展,机械设备对滚动轴承工作性能的要求不断提高,全陶瓷球轴承在航空航天、高档机床和冶金设备等领域逐渐替代传统钢制轴承逐渐占据主导地位。在全陶瓷轴承工作过程中,轴承外圈损伤是造成全陶瓷轴承发生故障进而影响轴承工作性能的主要原因之一,由于工业陶瓷材料具有较高的硬度和脆性,全陶瓷球轴承的运行性能对外圈故障的尺度和发生位置十分敏感。全陶瓷球轴承外圈的主要故障形式为剥落和裂纹,两种故障往往同时发生于全陶瓷球轴承外圈中,考虑到全陶瓷球轴承常见的失效形式,外圈裂纹对全陶瓷球轴承工作性能的影响大于剥落对其工作性能的影响,因此本文主要针对全陶瓷球轴承外圈发生的裂纹故障的尺度和位置进行量化研究,主要工作如下:第一,针对全陶瓷球轴承外圈剥落故障中衍生出裂纹的量化研究,全陶瓷轴承外圈发生剥落故障时,外圈裂纹的形貌根据外圈剥落故障位置处裂纹产生机理的不同主要含有张开型裂纹和复合型裂纹两种形式,对滚动体经过外圈剥落故障位置过程中对外圈施加作用力进行分析,针对外圈剥落位置处衍生出张开型裂纹,通过计算全陶瓷球轴承外圈发生剥落故障时产生的故障冲击力函数模型,建立全陶瓷球轴承外圈仅含剥落故障的动力学模型,考虑张开型裂纹的产生机理,基于陶瓷材料断裂力学理论建立外圈裂纹尺度与裂纹处应变能释放率之间的函数关系,结合陶瓷外圈应变能的变化推导出含剥落故障外圈出现张开型裂纹的时变刚度,建立外圈剥落位置处衍生张开型裂纹的故障动力学模型,对外圈故障进行量化研究。第二,针对全陶瓷球轴承外圈剥落故障中衍生出复合型裂纹尺度的量化研究,通过拟静力学方法对全陶瓷球轴承外圈发生剥落故障时的载荷分布进行分析,考虑外圈剥落位置处发生复合型裂纹的产生机理,基于脆性材料断裂力学理论,结合剥落对裂纹位置载荷分布的影响,建立复合型裂纹尺度与断裂韧性之间的函数关系,结合陶瓷外圈应变能的变化推导出含剥落故障外圈出现复合型裂纹的时变刚度,通过外圈剥落位置处衍生复合型裂纹的故障动力学模型对外圈故障进行量化研究。通过实验结果与剥落位置出现张开型裂纹和复合型裂纹的研究进行比对,分析全陶瓷球轴承外圈剥落故障位置处发生两种形貌裂纹所占比重,以及裂纹尺度对故障信号特征的影响。第三,针对全陶瓷球轴承外圈裂纹位置的量化研究,建立全陶瓷球轴承外圈裂纹动力学模型,考虑故障振动信号沿外圈传导过程中的振动衰减,构建振动衰减矩阵,建立全陶瓷球轴承外圈位置判断模型并对仿真结果进行分析,推导故障振动信号均方根差值与外圈故障位置的函数关系,建立外圈故障位置判断方法,对全陶瓷球轴承外圈位置进行量化研究。实验仿真结果证明外圈故障位置判断方法的可行性。通过动力学模型的方法对全陶瓷球轴承外圈剥落位置处衍生裂纹的尺度和位置进行量化研究,建立不同尺度和位置外圈裂纹与全陶瓷球轴承运动响应特征的之间的关系,为全陶瓷球轴承故障诊断与健康监测提供理论基础,为保障全陶瓷球轴承在工作过程的安全性有重大的现实意义。

轴承作为电主轴的核心结构,一旦出现故障,必将导致电主轴乃至整条生产线瘫痪。为了确保电主轴能够安全可靠的运行,对电主轴轴承的故障进行诊断是必不可少的。随着深度学习方法的发展,从数据本身自主学习特征的思想为故障诊断提供了新思路。而稀疏降噪自编码器（Sparse denoising auto encoders,SDAE）和卷积神经网络（Convolutional neural network,CNN）作为深度学习中泛化能力最强的一种方法,也为电主轴轴承故障诊断领域开辟了广阔的发展前景。本文以电主轴轴承故障为研究对象,将轴承故障数据作为SDAE以及改进后的CNN方法的输入样本,并将改进后的方法诊断电主轴轴承的故障类型,本文的主要工作如下:（1）结合电主轴轴承的理论知识,利用模拟实验平台对电主轴轴承的内、外圈故障、滚动体、转子轴承不对中、转子轴承不平衡等故障进行数据采集。（2）对SDAE结构和训练方式展开研究。同时利用电主轴轴承内、外圈以及滚动体中度故障的仿真信号验证了 SDAE优异的分类性能,对比传统神经网络和SDAE的分类准确率,总结了 SDAE的结构优点。（3）为了提高电主轴轴承故障诊断准确率,减少过拟合现象,设计了一种基于改进的卷积神经网络CNND电主轴轴承故障诊断方法。在CNN中加入多种防止过拟合的方法,经过对比可以得出dropout方法效果最好。仿真结果表明将dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,能够避免出现过拟合现象的同时提高诊断准确率。（4）为了增强模型对故障数据特征的提取能力,设计了一种改进的SDAE-CNN电主轴轴承故障诊断方法。首先,对SDAE隐含层数以及隐含层神经元个数组合进行优化;其次,对CNN结构中卷积层个数、卷积核个数、卷积核尺寸等参数值进行最优选择;然后,用SDAE特征表达训练CNN;最后,选择适应性据估计（Adaptive moment estimation,Adam）优化算法减少交叉熵函数值;并以电主轴轴承外圈裂化程度不同的故障为研究对象,仿真结果表明,该方法的特征提取能力以及最终的故障诊断准确率都要高于其它方法。本文设计的改进SDAE-CNN的电主轴轴承故障诊断方法可有效识别电主轴轴承的故障类型,提高故障诊断精度。

一个国家的综合国力及其在国际上的竞争力的强弱常以制造业为标志来衡量,而传统的制造业机械加工方式始终根据设定好的切削参数来进行加工,无法根据加工状态来进行实时的调控,这种方式大大降低了加工效率与加工质量。因此制造系统需要具备能够根据实时制造过程信息实现对生产系统的主动感知和动态调整的功能。加工状态监测的效果好坏与监测信号的各个操作环节有直接关系,主要是受到信号采集、滤波、特征提取与优化等步骤的影响。国内外学者对加工状态的智能识别以及故障诊断也进行了很多的研究,本文课题来源为国家自然科学基金（51705341）,针对硬脆石材加工状态的智能识别问题,提出了以下研究内容:（1）分析了石材的去除机理,研究了石材的物理特性和化学特性对石材加工性能的影响,并通过切削力实验分析了切削力与切削参数的关系,实验结果表明切削力随着主轴转速的增加而减小,随着进给速度和切削深度的增加而增大,并且切削深度对切削力的影响最大以及石材的不均质性会导致切削力出现波动,为切削力信息能够作为切削参数动态调整的依据提供理论支持。（2）分析了铣削力的传递和机电转换过程,分析结果显示将铣削力通过进给伺服电机电流来间接测量这一方法是可取的,接下来对采集到的电流信号和切削力信号进行分析,发现其频带对应,为实现基于切削力信号和电流信号的切削状态的智能识别提供了理论依据。（3）针对切削过程中的切削状态识别,提出了一种基于密度聚类算法的切削载荷及电流信号智能识别算法;该方法通过对切削力载荷以及电流信号特性的识别、判断,使用密度聚类算法建立簇分类算法,以距离度量作为簇分类判据,以簇的核心点作为切削载荷以及电流信号学习对象,通过切削载荷以及电流信号理想值做出判断,实现对切削状态的智能识别。论文应用该算法,结合Agent技术,对石材高速铣削条件下的切削力载荷及伺服电机电流状况进行了智能识别和可视化表述。本文以石材加工过程为研究对象,研究表明,该算法能够实现对切削加工状态的智能识别与判断,提高了加工效率与加工质量,为切削加工参数的智能优化奠定了理论基础,为智能制造未来的发展提供了全新的视角。

滚动轴承是旋转机械设备中最常见的传动部件,起着传递运动的重要作用。由于滚动轴承工作环境复杂,容易受到高温、高负荷、高转速等因素的影响,滚动轴承也是机械设备中最易受损的传动部件。在滚动轴承的早期故障阶段及时地发现故障,对提高生产的效率和效益起着至关重要的作用。研究滚动轴承早期故障,并对其进行检测,可以将滚动轴承故障对设备的危害降到最低,具有重要的研究意义。本文通过引入深度分解定理,对原始数据进行细致的划分,充分挖掘滚动轴承微弱的早期故障特征,从而实现对滚动轴承进行早期故障检测的目的。本文以滚动轴承为主要研究对象,研究了改进的主元分析方法和深度分解理论在滚动轴承早期故障检测中的应用。为了验证本文提出方法的准确性,选取以实验的方式进行验证,本文的主要研究内容如下:（1）由于滚动轴承在信号采集过程中的传递路径复杂,采集振动信号的过程中会有一定的损耗。这导致了滚动轴承早期故障特征微弱,影响滚动轴承故障特征提取的准确性。针对上述问题,提出了一种基于深度经验模态分解和主成分分析的滚动轴承早期故障检测方法。该方法通过建立多个数据处理层来提取微弱的早期故障特征。并且利用经验模态分解法来分解振动信号。该方法建立了精确的数据模型,提高了系统的早期故障检测能力。（2）针对在滚动轴承运行过程中采集的振动信号反映了轴承随运行时间发生的变化,这种时序关联特性是一种重要的特征,而这一重要特征影响滚动轴承早期故障检测的结果,提出了一种基于深度递推动态主元分析的滚动轴承早期故障检测方法。该方法利用深度分解定理和动态主元分析方法建立动态深度主元模型,实现在强噪声背景下提取时变微弱故障信息特征的作用。该方法通过引入“移动窗口”技术,对变化后的系统能得到较好的实时反映,从而准确地检测出滚动轴承的早期故障。（3）针对滚动轴承的振动信号是一组具有非线性和时序相关性的时间序列,滚动轴承较弱的早期故障特征给故障检测带来了障碍的问题,提出了一种基于深度递推非线性动态主元分析的滚动轴承早期故障检测方法。采用核函数和移动窗口算法建立了系统的非线性动态模型,得到了系统的实时特性。同时,采用深度分解方法提取强噪声下的微弱故障特征,检测出滚动轴承的早期故障。本文针对滚动轴承的早期故障,提出了基于改进Deep PCA早期故障检测方法,可以有效的提高滚动轴承早期故障检测的能力。