并联式3D打印机传动系统增量式健康监测方法研究

作     者：雷晓彤 

作者单位：东莞理工学院 

学位级别：硕士

导师姓名：李川;张清

授予年度：2024年

学科分类：08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：健康监测 增量学习 3D打印机 传动系统 故障诊断 

摘      要：3D打印机在先进制造领域广泛应用,在长期运行中其传动系统可能出现磨损、松动、疲劳等故障,影响3D打印质量。3D打印机健康监测旨在及时检测并诊断故障,以便对打印机开展视情维护(Condition-Based Maintenance)。传统上,构造故障诊断模型需要先收集设备在正常以及不同类型故障状态下的数据,然而,在实际3D打印机应用中,初始只有正常状态数据,在长期运行中发生多次故障后才能获取到不同类型的故障数据,且并不能保证覆盖了全部的故障类型,导致故障诊断模型构建困难、建立的模型不能检测新类别。要在3D打印机投入运行后的全生命周期(从完好到不可维修的报废状态,或达到使用年限)开展健康监测,要求故障诊断模型具备增量学习能力,能够利用在线监测数据流检测新故障并扩充已有故障知识。本论文以并联式3D打印机传动系统为研究对象,围绕增量式健康监测方法开展研究。本论文的主要研究内容如下: 针对轴承故障振动信号的特性,对比了多种特征提取方法,包括基于人工经验的方法和基于智能算法的方法,并提出了一种基于对比学习的特征提取方法,该方法适用于只有正常数据的情况。在两个轴承故障数据集上进行了实验,结果表明:基于对比学习的特征提取方法具有良好的特征提取性能,可以提取出具有区分度的代表性特征。 为了识别运行中出现的新故障类别,提出了基于同源及异类特征的故障模式增量识别方法ICLHIF(Incrementally Contrastive Learning with Homologous and Interclass Features),利用对比学习捕获不同类别之间的同源特征及异类特征,构建了具备特征提取、异常检测、新颖性检测和增量识别功能的故障诊断模型,并在基准轴承故障数据集及3D打印机传动系统数据集上做了性能验证,实验结果表明:ICLHIF相较于其他算法,具有更高的异常检测准确率和新颖性检测精度。 为了减少故障模式增量识别模型ICLHIF对历史旧数据的依赖,采用黑暗经验重放和终生无监督混合技术进行优化,通过构建插值实例找到新旧类之间的连续性特征,提出了基于无监督特征连续性的故障模式增量识别方法UFC(Unsupervised Feature Continuity),在3D打印机传动系统数据集上进行实验验证,实验结果表明:UFC的平均准确率最高,同时平均遗忘率较低,在减少历史数据依赖的同时,有效地减轻了灾难性遗忘问题。 最后,设计了一个基于Qt及MySQL的3D打印机在线监测平台,将所提出的两种故障模式增量识别方法集成至平台,实现对多台3D打印机的全面监控和故障检测,以满足实际工业生产中对设备运行状态的持续关注和及时响应的需求。