鸭脖自动切割机设计

VII参考文献1绪论1.1研究背景目前，对于鸭脖的加工，首先需要将鸭脖和鸭头一起从鸭身脱离，然后再将鸭脖和鸭头分开，现有切鸭脖通常采用人工手切，在面对大型加工时，显得费时费力，且切下来的鸭脖规格差异较大，即使有些加工厂采用专门的鸭脖切割机，而这些鸭脖切割机中装料盘与底盘之间的间隙处容易藏污纳垢，不方便清理，对于鸭脖的收集也不方便。本次设计提供一种用于切割鸭脖的切割设备，将鸭脖切成长短相差不大的段状，以提高生产效率。用鸭脖自动切割机对鸭脖进行切割可以有效将鸭脖切割成长短相差不大的大小，这样可以方便后续的称重封装。1.2国内外鸭脖自动切割机研究现状1.2.1鸭脖自动切割机下图为鸭脖切割机。它包括工作台、给料机、控制柜和固定底座。送料器包括一个提供动力的送料电机和一个将鸭脖输送到工作台的送料带。进料带的两端与进料器相连。进给电机的输出端连接其中一个进给轮，控制柜和固定座安装在工作台上，气缸安装在固定座上，进给电机和气缸电连接到控制器柜体，输出端与压力机可拆卸连接。该装置用于压鸭脖，切割单元和送料盒可拆卸地安装在工作台上，对应送料带的输出端。这是鸭脖式切割腔，接收盒位于切割腔的下端，切割块位于压块的正下方，多个垂直排列的切割刀滑入切割腔。使用上图，切割机可以切割鸭脖，接收箱可以用来收集掉出切割腔的鸭脖，送料器可以用来将鸭脖输送到切割位置。同时，本实用新型只需通过气缸向下推动压块，使压块压缩鸭脖，向下移动时鸭脖被切断。从而制作任何形状的鸭脖可裁剪，通用性强。综上所述，本实用新型包括以下至少一项有益技术效果：1、切刀可切割鸭脖，接收箱可用于收集掉出切割腔的鸭脖，可通过送料装置将鸭脖输送至鸭脖所在的切割腔.位于。本实用新型在切刀腔内切刀时，只有压块被气缸压下，压块压住鸭脖，鸭脖下移时被切开。2、当切割后需要调整鸭脖长度时，只需通过设置通孔和设置柱来调整相邻两个切割刀片之间的距离即可。所以剪完后，可以调整鸭脖的长度。3、安装的弧形挡板能更好地匹配鸭脖的形状，拦截鸭脖，进一步防止鸭脖从工作台上脱落。1、工作台；2、送料装置；21、送料电机；22、送料皮带轮；23、送料皮带；24、导向板；3、控制柜；4、固定座；41、气缸；5、切割块；51、切割腔；52、切刀；53、限位板；54、限位通孔；6、收料箱；71、定位柱；72、定位板；81、压紧块；82、压紧柱；9、挡板图1.1切鸭脖机1.2.2一种基于电子仪表的切鸭脖机装置下图为基于电子仪表的鸭脖切割机，全自动鸭脖切割机，由鸭脖槽、轮毂、刀槽、皮带轮主轴、进口、大皮带轮、大皮带、电机、小皮带、刀具组成.主轴、齿轮、倒档、切割轮、切割刀片、支架、小皮带轮、出料口、箱体、支腿。鸭颈槽沿轮毂轴向开，鸭颈槽用于安装全长鸭脖。鸭颈槽全断面沿经向开有数条环形切割槽，使切割轮上的刀片切入，主轴活动装在箱体上，轮毂随主轴转动，相应的切割轮固定在切割轮上。一排槽盘，刀轴与箱体和支架活动联接，切割盘随切割轮转动，电机带动轮毂和切割轮转动。通过大小滑轮同时转动，换向轮的作用保证了鸭槽轮毂颈和切割轮在如图所示相反方向转动，当鸭颈插入鸭槽时从入口侧的颈部，轮毂旋转，同时切割轮旋转。当鸭脖旋转到刀片位置时，鸭脖会被切割轮上的几个切割刀片切割成合适的长度，切割好的鸭脖会从盒子下方的出口流出，可以取出入锅后。使用时，先启动机器，机器运转时，可将鸭脖从入口沿轴线插入鸭脖槽，然后用锅将其连接到底部出线，然后关闭切割后的机器。图1图21为鸭脖槽，2为轮毂，3为切刀槽，4为槽轮主轴，5为入口，6为大皮带轮，7为大皮带，8为电动机，9为小皮带，10为切刀主轴，11为齿轮，12为换向齿轮，13为切刀轮，14为切刀片，15为支座，16为小皮带轮，17为出口，18为箱体，19为支脚。1.3研究目标及研究内容1.3.1研究目标根据目前的市场上的鸭脖自动切割机，设计一款具有高效率和两个重要物理参数（适用率和高效率）都兼顾的鸭脖自动切割机具有相当大的挑战，必须毫不动摇的坚持以实践为主要理论思想，理论基础为辅助，加上目前市场的机械装置技术做支撑，课题主要以研究鸭脖自动切割机为前提，本着以最大化的节省材料、成本低、安全简便、效率高的原则，着眼于鸭脖自动切割机装置的设计与研制，它满足高适用率和自动化的要求，降低了处理成本，同时降低了能耗，提高了效率。1.3.2研究内容依据目前的设计计划和打算，着眼于鸭脖自动切割机的设计与研制，力求设计一款高适用率和自动化的要求，降低了处理成本，同时降低了能耗，提高了效率。研究的主要内容主要分为以下几个方面：根据调查结果制定出技术攻关。在初步调查和分析过程中，我们将在技术路径上进行技术突破，通过理论研究制定技术目标，并通过理论分析该方案的可行性。参考以往的鸭脖自动切割机技术关键思想，做出思维导图然后逐项解决。根据调查结果制定出技术攻关。在初步调查和分析过程中，我们将在技术路径上进行技术突破，通过理论研究制定技术目标，并通过理论分析该方案的可行性。参考以往的鸭脖自动切割机技术关键思想，做出思维导图然后逐项解决。鸭脖自动切割机的结构设计；根据前面理论思想合理设计机械装置的，传动装置，电器控制等，通过技术攻关，并根据样机的实际情况进行适当的改进。本着节省材料、成本低廉、安全简易、高效率的五大原则继续为产品做可行性方案。鸭脖自动切割机的二维研究与设计；对鸭脖自动切割机工作关键部件设计，通过各工作部件设计,利用二维建模的方式将样机呈现出来，通过建模的方式则可以直观的看出样机的整体结构装配方式，根据机体结构，为以下设计提供科学和理论可行性依据。1.3.3研究方法通过查找文献和其他参考资料，研究方法主要以借助互联网和其他媒介为主，通过搜集方法为主要手段，着眼于解决切鸭脖机装置的研究方法为主要目标，主要方法主要分为以下几个方面：文献研究法：根据研究主题，通过搜索文档获取技术数据[4]，通过以往的研究成果分析出最佳技术方案。定量分析法：根据调查结果制定出技术攻关，依据工作原理制定出力学或者材料学分析论证。模拟法：通过使用3D建模平台组装零件[5]，创建类似的模型，然后用于研究机械模型的一些基本特征。2鸭脖自动切割机总体方案确认2.1方案分析通过调研发现市场有更多的鸭脖切割机，他们大多是通过圆形刀片进行切割，这样破坏了鸭脖的纤维组织，破坏了口感，市场上的鸭脖自动切割机由于下面的传送带与刀架下落速度不一致，常常会堵塞出料口，也会出现肉切刀。为了解决以上的问题，作用一个棘齿轮机构就很好的解决了以上的问题，放入鸭脖的时候下面的传送带开始运动，通过与上面的抓链机构，把鸭脖运到刀架下面，当刀架下降的时候传送带与抓链机构都不运动，这样都完成了切鸭脖的动作，剁好的鸭脖会运送到后方接接料筐中。图2.1整体结构三维图2.2选择电动机（1）电动机输出功率由电动机到输出轴之间的总传动效率为： （2.1）式中——轴传动，由机械设计课程手册查得其值为0.99；——轴承，由机械设计课程手册查得其值为0.98；——电机与减速机间的传动，由机械设计课程手册查得其值为0.98；——齿轮减速器的传动效率，由机械设计课程手册查得其值为0.98。将，，，代入式（2.1）得传动总效率：考虑到每次投入鸭脖质量取10kg,：图2.2电机与切割刀片传动所以，负载重量为： （2.2）式中——投入鸭脖质量取定为10；——重力加速度。将，代入式（2.2）得。按一般装置平均运行速度：取中间值：所需功率：取标准功率值：所以，电动机工作时需要的输出功率：选取电动机额定功率，查《机械设计手册》得Y系列三相异步电动机技术数据：，选额定功率为1.0的电动机。图2.3电机尺寸图表2.1电动机尺寸中心高外形尺寸地脚安装尺寸地脚螺栓孔直径轴伸尺寸键部位尺寸HL×HDA×BKD×EF×G132475×315216×1401238×8010×332.3刀片的设计下图为鸭脖自动切割机的核心工作刀片部件所示，在整个工作过程中，刀具可谓起到了至关重要的地位，刀具采用的是废料切刀，它是一种用于机械装置加工的刀具，是一种切削工具，大部分刀具都是由机械设计制造出来的，由于机械在生产过程中使用的刀具通常用于切割金属材料，因此术语“工具”通常被解释为切割金属的工具；样本鸭脖从进料口进入鸭脖的工作区域内，刀头和电机使用固定螺钉相互连接，这样能够最大保证刀盘高速运转过程中不会因松动而造成影响，废料切刀的安装高度与刀具的转速有着密切关系，电机带动刀盘产生垂直向下运动，这时开始从顶部的漏斗处投放鸭脖，落入传送带上，与装有废料切刀产生接触和摩擦，样本鸭脖在刀具上做不规则的运动，运动的刀片与样本鸭脖的运动形成一定的速度差，各个鸭脖间相互挤压和碰撞，反复的运动，这时的鸭脖会与鸭脖骨架分离，最终实现鸭脖的分离；在一开始设计的时候本课题主要以研究鸭脖自动切割机为前提，本着以最大化的节省材料、成本低、安全简便、效率高的原则，着眼于鸭脖自动切割机的设计与研究，努力设计出适应不同成熟度和尺寸的鸭脖自动切割机，它满足高脱壳率和低损率的要求，降低了处理成本，同时降低了能耗，提高了效率。图2.4刀盘的结构示意图查阅机械设计教材等文献得知：式中:Ra;鸭脖与刀片接触时所受工作最小应力点到刀盘中心的距离，由经验值取值知，取为0.031,单位m;ρ;一刀盘材料的密度，单位g/cm;r;一刀盘定为中心圆孔的半径，拟定0.0125，单位m;h;一刀盘的厚度，拟定0.003,单位m;m;刀盘质量,单位kg;N;一电动机需满足的转速，单位r/min;并带入选取设计参数，经计算得电动机的最小转速是1350r/min，根据圆轴扭转时抗扭截面最大扭转切应力许用应力公式:式中：τMAX:扭转最大切应力，单位为Mpa;TMAX:刀盘运动所受的最大扭矩，单位为Nm;Wt:抗扭截面系数，单位为Mpa;Ip:横截面对转轴圆心O点的极惯性矩，单位为m4;ρ:刀盘材料的密度，单位10*kg/m;D:计算紧固螺钉轴线所在位置的刀盘直径，单位为m;d:定位中心圆刀盘直径，单位为m;n:电动机输出转速，单位为r/min;根据上面公式计算得到其大小为38.07N，刀片剥壳力的力学性能满足其设计条件。2.4计算齿轮强度电机通过连接减速器将动力运输给齿轮，齿轮带动曲柄机构带动水平轮进行水平摇摆，从而达到摇椅的目的，现对大小齿轮进行设计和计算。2.4.1计算齿面接触疲劳强度(1)选定上述公式中的各项参数值①选取载荷系数｡②小齿轮的传递转矩｡③翻选《机械设计》表10-7REF_Ref21079\r\h[11],选用齿宽系数｡④翻选《机械设计》图10-20REF_Ref21079\r\h[11]得区域系数｡⑤翻选《机械设计》表10-5REF_Ref21079\r\h[11]得弹性影响系数｡⑥依据公式,可获知接触疲劳强度,为重合度系数则可以得到:⑦计算接触疲劳许用应力｡翻选《机械设计》图10-25(d)REF_Ref21079\r\h[11],可获知小齿轮的接触疲劳极限,大齿轮的接触疲劳极限｡现设可使用年限为20years(设每年使用天数为300day),每日运作时间为12th,由公式可获知齿轮的应力循环次数:大齿轮的应力循环次数为:翻选《机械设计》图10-23REF_Ref21079\r\h[11],可分别获知大小齿轮的接触疲劳寿命系数｡选用失效的效率为1%,选用安全系数S=1,则两者互相对比,选用其中数据较低的数值｡则齿轮接触疲劳许用应力为: (2)计算小齿轮分度圆直径2.4.2调整小齿轮分度圆直径(1)实际载荷系数前的数据①圆周速度②齿宽(2)实际载荷系数翻选《机械设计》表10-2REF_Ref21079\r\h[11],可得使用系数翻选《机械设计》图10-8REF_Ref21079\r\h[11],依据及7级精度,可得动载系数｡齿轮的圆周力:翻选《机械设计》表10-3REF_Ref21079\r\h[11],可得出齿间载荷分配系数｡翻选《机械设计》表10-4REF_Ref21079\r\h[11],获知所选精度为7级以及齿向载荷分布系数｡由此,可得到实际载荷系数:经过演算,可得分度圆的直径由此又可求出相对应的模数:2.4.3齿根弯曲强度计算(1)公式各参数值的确定①载荷系数｡②由公式计算出齿轮的弯曲疲劳强度重合度系数为③计算翻选《机械设计》10-17REF_Ref21079\r\h[11],可分别得到小大齿轮的齿型系数｡翻选《机械设计》图10-18REF_Ref21079\r\h[11],可分别得到小大齿轮的应力修正系数｡翻选《机械设计》10-24cREF_Ref21079\r\h[11],可分别得到小齿轮的齿根弯曲疲劳强度极限以及｡翻选《机械设计》10-22REF_Ref21079\r\h[11],可得到弯曲疲劳寿命系数取弯曲疲劳安全系数,由公式计算得:因为小齿轮的比大齿轮的小,所以取(2)试算齿轮副模数(3-30)(3)调整齿轮模数①圆周速度②试算齿宽③试算宽高比b/h(4)计算在齿轮中实际载荷系数①根据已知圆周速度,7级精度,由得｡②由公式可以得翻选《机械设计》表10-3REF_Ref21079\r\h[11],可以得到该齿轮齿间载荷分配系数｡③翻选《机械设计》表10-4REF_Ref21079\r\h[11]用插值法可以得,结合查图10-13,得到综上可以演算得出实际载荷系数由公式,可以较为精确得出的模数把演算答案进行相互比较,可知齿根弯曲疲劳强度模量,小于齿面上的接触疲劳强度模量｡而齿面上的接触疲劳强度只是和齿轮的直径有关｡演算整合后可以获知由弯曲疲劳强度得到的模数,取｡依靠这种方法所设计出来的小型齿轮,可以演算得到一个小型齿轮的齿数｡取,则大齿轮齿数｡2.4.4计算齿轮的几何尺寸(1)分度圆直径:(2)齿轮组的中心距:(3)齿轮宽度:小齿轮图如图2-5,大齿轮图如图2-6:图2-5小齿轮图图2-6大齿轮图2.4.5齿轮的强度校核(1)齿面接触疲劳强度校核由于,得出小齿轮的齿面接触疲劳强度｡齿面接触疲劳强度为:由上述设计可知,(即疲劳强度载荷系数)､(即小齿轮传递的转矩)､(即齿宽系数)､(即区域系数)､(即小齿轮的直径)､(即的弹性影响系数)､(即重合度系数)､(即小大齿轮的传动比)｡将上述数据带入公式:由于齿面接触疲劳强度小于许用齿面接触疲劳强度,即即此齿轮弯的曲疲劳强度满足标准需求｡注:(对于减少齿轮的磨损消耗其正面作用)(2)齿根弯曲疲劳强度校核齿轮齿根弯曲疲劳强度由以上设计可知,(即弯曲疲劳强度载荷系数)､(即小齿轮的传递转矩)､､(即大小齿轮的齿型系数)､(即大小齿轮的应力修正系数)､(即弯曲疲劳强度重合度系数)､(即齿宽系数)､(即模数)､(即大小齿轮的齿数)｡将上述数据分别带入计算公式可得:则齿根弯曲疲劳强度满足要求｡2.4.6齿轮的设计结论由上述设计可知,小大齿轮的压力角,齿轮间的中心距,齿轮齿宽｡齿轮的齿数｡齿轮的精度位于7级,小齿轮选材为,大齿轮选材为｡大齿轮与小齿轮的齿面抗接触疲劳能力,以及齿根抗弯曲能力均满足要求REF_Ref21343\r\h[10]｡3鸭脖自动切割机的传动系统设计3.1鸭脖自动切割机传动方案确定在机械设计书中可以了解到传动的形式一般为带传动、链传动和齿轮传动。每一个传动方案都有着不同的优点与缺点。（1）带传动的特点：1）皮带具有良好的柔韧性，可以吸收运动部件传递的振动。2）当传动装置过载时，皮带会在皮带轮上打滑，以保护传动部件。3）皮带轮与皮带轮之间会有一些弹性滑动，不适合传动比要求严格的场合。4）带轮在安装时会选择对带进行张紧来阻止带与带轮之间的弹性滑动，不过这样对带造成很大的张紧力，加快带的磨损，减短带的寿命。结合以上带传动的优缺点，得到皮带传动只适用于传动功率低的场合，而不适用于鸭脖自动切割机等高传动功率的场合。（2）链传动的特点：1）链传动由链条和链轮组成，两者之间基本没有弹性变化，得到的传动比更可靠，适合鸭脖自动切割机的要求；2）因为链传动能够在高低温等恶劣环境下工作，所以它的使用范围也比较广泛。3）链传动与带传动一样，都能够在中心距很长的场合使用，而且安装简单，维护也方便。根据链传动的特点，适用于对传动功率要求高，但对工作范围要求低的场合。（3）齿轮传动的特点：1）和前两者相比，齿轮传动的传动效率高达98%。2）工作空间紧凑，整体体积小，占用空间小。3）不过鸭脖自动切割机的工作空间比较大，如果使用齿轮传动，需要很多齿轮传动组成才行，成本过大。结合以上三种传动方式的优缺点，只有链传动适合鸭脖自动切割机。3.2链传动叙述设计采用的链传动由链条、链轮、链轮轴等组成。链传动布置方案如下图3.1，3.2所示：图3.1链传动布置方案图3.2链传动设计图从上图3.1，3.2中可以看出，链轮通过与轴承的过盈配合安装在阶梯链轮轴的两端，轴承的轴向定位，内侧均依靠轴肩定位，外侧使用弹性挡圈实现定位。3.3链条链轮设计3.3.1链轮设计（1）链轮齿数确定在操作鸭脖自动切割机时，链轮链齿的强度和刚度都应满足要求，链轮齿数不应取过大，根据设计的需求暂取链轮齿数。（2）链型号的确定鸭脖自动切割机载重，链条总载荷，根据实际需求结合市面上常用链条型号，取链条型号为,链条极限拉伸载荷为q=31.1KN，为保证稳定性，在设计中使用两排链条。（3）链轮相关尺寸计算由上文分析可知，鸭脖自动切割机传动链条采用牌号为的规格，查表得节距，滚子直径。链轮分度圆直径：(3.1)链轮在进行三维建模时，可以只画一个齿的齿形，如下图3.3所示，然后通过阵列得到链轮相关参数图3.4。图3.3链轮单个齿的齿形草图图3.4链轮链齿的相关参数图对链轮的计算过程如下：1）齿形部分分度圆节距(3.2) 齿顶圆直径(3.3)齿根圆直径 (3.4)齿形半角 (3.5)2）齿沟部分齿沟圆弧半径(3.6)齿沟半角(3.7)齿沟圆心到齿顶圆弧中心距离(3.8)e点至齿沟圆弧中心连线的距离(3.9)3）工作段工作段圆弧中心坐标(3.10)工作段圆弧半径(3.11)工作段圆弧中心角(3.12)工作段圆弧弦长(3.13)工作段直线部分长度(3.14)4）齿顶部分齿顶圆弧中心的坐标(3.15)齿顶圆弧半径(3.16)5）其余部分齿侧凸缘，齿宽。（4）链轮结构因为链轮的齿顶圆直径，外形尺寸小巧，因此采用实心结构去制作链轮，结构如图3.5所示：图3.5链轮结构图（5）链轮的热处理链轮采用45钢制作，其齿数小于等于25，热处理工艺采用先淬火后回火，将其硬度提升到。3.3.2链条设计（1）链节数确定由上文分析，链条的牌号为其基本尺寸如下：节距，滚子直径。设计鸭脖自动切割机的提升高度为，设定链节数节。（2）链条静力学分析与强度校核鸭脖自动切割机正常工作时链条的运动速度，所传递的功率P为其所受载荷与速度的乘积，即，由于采用两条链条，因此一根链条的负载，则。链条运动速度,在此场合属于低速运动，链条只有被拉断的才会失效［14］，所以需要对链条进行静力强度校核。链条的静强度安全系数S(3.17)式中：--单排链的极限拉伸载荷；m--链条使用数量；--链条工作情况系数；F--链的工作拉力。所选链的极限拉伸载荷；采用两个链传动，即；根据其工作情况，查表选取；链的工作拉力，则(3.18)满足强度要求。（3）验证链条速度(3.19)在预先设计的范围内。（4）确定链条的润滑方式使用人工定期涂抹润滑脂的方式进行润滑。3.3.3链轮轴的设计校核（1）由链条的载荷计算链条对链轮施加的载荷F` F`图3.6链轮轴结构图链轮承受到的载荷传递给液压缸活塞，材料要求不是很高，使用45钢来加工就行，再经过调质处理来增加硬度。查阅机械设计手册得45钢的疲劳强度极限，许用应力[]=200。根据链轮施加给链轮轴的扭转力初步估算两侧安装轴的直径。由公式，得，P代表链轮轴传递的功率，(3.20)式中：n代表链轮转速。查表得，所以 (3.21)按照机械手册取标准轴径d=25mm。链轮轴的结构剖视图如图3.6所示。（2）计算弯曲强度校核链轮轴直径链轮轴的受力分析如（图3.7所示）图3.7轮轴受力分析草图受力分析得：根据材料力学计算弯曲当量的公式设之间距离为x（如图3.8所示）图3.8受力分析图(3.22)因为扭矩M的方向为逆时针，数学符号为负号所以，(3.23)因为x是在和之间任意取值。所以x的取值范围为。因为链轮轴x段是阶梯轴，轴的直径不相等，所以当时，可能会存在危险截面∴当时，∴在和之间任取一段长度为Y的轴进行分析（如图3.9所示）图3.9受力分析图数学推导得，N,(3.24)因为Y是在之间任取的一段长度，所以Y的取值范围为所以当Y取最大时，3.4链轮轴承选择3.4.1计算轴承的的载荷依据以上计算得知，链轮与链轮轴的联合方式采用轴承连接，为确保运动的平稳性，在链轮里面布置左右对称的两个轴承。在明确轴承型号以前，需先计算轴承所受的当量载荷，因为这是一对轴承受到的链轮传来的载荷，所以单个轴承受到的载荷数值为。查看轴承设计手册知道，轴承的当量动载荷，在没有确定轴承具体型号前无法知道轴承的径向系数x和轴向系数y，因此根据值去确定，而cor代表额定静载荷也是未知的，因此只能先暂时取值，等到计算结束后在校核。取则，，，。即轴承在载荷的作用下，寿命相当于在纯径向载荷作用下所拥有的寿命。（1）计算径向基本额定静载荷计算轴承需要的径向基本额定静载荷由式 (3.27)式中：，，。所以（2）确定轴承型号查表选型轴承其所以轴承的与假定选取值接近，该轴承在此处选取合适。轴承内径25mm，外径47mm，厚度为12mm。3.4.2轴承润滑方式润滑方式可以减少链轮与轴承、轴承与链轮轴之间的磨损，降低零件之间的摩擦阻力，提高链轮的传动效率，增加其使用寿命，保证链轮的正常使用。液压系统。还可以起到降温、防锈、降噪的作用。润滑方式根据自动鸭脖切割机链传动的实际工况选择。由于链传动工作速度小，对环境无要求，鸭脖切割机可采用手动润滑方式，定期润滑必要的润滑部位，可增加自动鸭脖切割机关键部位的使用寿命。4控制系统设计4.1步进电机驱动器选型4.1.1混合式两相步进电机在鸭脖自动切割机中共计使用了1个步进电机，42混合式两相步进电机(17HS4401)1台，该装置中选用的步进电机均为三维立方公司生产，性能较好，特点显著。此外，该电机具有良好的阻尼性，运行稳定，无明显的振荡区，转速稳定，噪音低，结构稳定，不卡机，能够满足自动化行业中不同工况的要求。电机参数如表1-1所示。表1-117HS4401电机参数表4.1.步进电机驱动器及选型方法步进电机驱动器作用是驱动步进电机运行。驱动器接线时直接和PLC的输出端口连接。可以通过接收来自控制器的信号经过处理后向步进电机发送相应的信号改变其运行状态。步进电机驱动器的控制计算部分由励磁序列器和曲线调节器组成。励磁顺序器是准备好了的数字，它决定了每一个绕组的激励顺序，而电流调节器是一个模拟控制器，它控制着恒定的电流。步进电机驱动器的选型方法：（1）按照电流选型选择步进电机驱动器时需要看驱动器的额定电流，步进电机驱动器的电流要比步进电机的额定电流稍高一些。（2）按照驱动器的细分选型步进电机就是通过改变细分来调整控制电机运转时的精度的，细分也是步进电机驱动器的一项重要指标往往增大细分可以使步进电机运行更加地平稳，同时控制精度也会得到相应的改善。（3）按照电压选型步进电机驱动器可以控制电机运行的加速度，电机加速度的快慢也是衡量步进电驱动器性能的重要指标，而电压正是这项指标的外在体现。4.1.3步进电机驱动器选型结果按照装置中已经选好的步进电机的参数性能，选择了与步进电机同一厂家美蓓亚斯生产的步进驱动器来控制以上两种型号的步进电机。该厂家生产步进电机的同时生产了与该步进电机配套的步进电机驱动器，能够满足步进电机的电流、细分以及电压需求。选型综合了上述的选型方法并结合了生产厂家的推荐，选用出满足需求的驱动器。步进电机驱动器如图1.1所示。图4.1步进电机驱动器选用的是美蓓亚斯科技有限公司生产的MAD432R与MAD556R（V2）数字式步进电机驱动器，该厂家的步进驱动器采用了内置微细分技术与低温技术，能够达到高细分的效果，使得电机低中高速运行都很平稳，噪音极低，使电机工作温度降低10-20℃。步进驱动器电流有较大的适配范围，故要进行电流档位的调整以满足电机电流要求，即档位电流应小于电机的额定电流。该驱动器的档位变化如表1-4、表1-5所示。表1-4MAD432R驱动器电流档位表电流峰值（A）电流有效值（A）SW1SW2SW31.00.7OFFOFFOFF1.30.9ONOFFOFF1.61.2OFFONOFF1.91.4ONONOFF2.21.6OFFOFFON2.51.8ONOFFON2.92.1OFFONON3.22.3ONONON表1-5MAD556R(V2)驱动器电流档位表电流峰值（A）电流有效值（A）SW1SW2SW31.41.0OFFOFFOFF2.11.5ONOFFOFF2.71.9OFFONOFF3.22.3ONONOFF3.82.7OFFOFFON4.33.1ONOFFON4.93.5OFFONON5.64.0ONONON42混合式两相步进电机额定电流为1.5A，故将MAD432R驱动器电流档位SW1设置为OFF，SW2设置为ON，SW3设置为OFF，即电流峰值1.6A，有效电流1.2A。57混合式两相步进电机的额定电流为4.2A，故将MAD556R驱动器电流档位SW1设置为ON，SW2设置为OFF，SW3设置为ON，即电流峰值4.3A，有效电流3.1A。4.2开关电源选型4.2.1开关电源的选型方法开关电源又被称为开关变换器，由主电路、控制电路、检测电以及辅助电源等几部分组成，是一种运用了现代电力电子技术实现电能转换的电子设备。开关电源的应用十分广阔，在通讯、医疗、生产生活等各个领域都广泛应用，在人们的生活、工作中有着不可取代的位置。近年来开关电源逐渐向越来越小的方向发展，变得更加轻便许多，推动了电源的应有，在环保方面也起着积极的作用。当前市场上有很多生产开关电源的厂家，有施耐德电气、西门子、欧姆龙、菲尼克斯等较著名的国外品牌，但是当前国内自动化及电气发展也很迅猛，有很多厂家的产品品质好并且性价比高，国内的厂家有台达、航天长峰朝阳电源有限公司、德力西、明纬公司等。该控制系统设计中选择了明纬公司的开关电源。开关电源如图1.2所示。图1.2明纬开关电源选择开关电源的方法：（1）根据使用开关电源的电压和电流的范围和性质选择，这是非常关键的一步，选择的电压和电流一定要适用，不合适的电源会造成不好的后果，轻则不能工作运行，重则可能破坏电源，毁坏电路。（2）确认输入电压性质AD/DC，确认输出电压值，根据后端用电器选择输出电压值，不合适的电压值会损坏电路[14]。（3）确认输出功率，选择的功率应该比用电器的功率要大1.25到2倍，这样可以获得更好的使用效率和寿命。4.2.2开关电源的选型结果在控制系统的设计中使用了1个开关电源，42式步进电机及驱动器供电，称为驱动电源。对于驱动电源1，该电源为4个57混合式两相步进电机供电，供电电压为直流24V，电机的额定电流为3A且4个电机并联连接，可以计算得功率为403.2W，所以驱动电源1的额定功率应大于403.2W。考虑到选择的功率应该比用电器的功率要大1.25到2倍，所以控制电源选择明纬公司型号为NES-50-24的开关电源，功率50W，电流2.2A。驱动电源1、2均选择型号为RSP-500-24的开关电源，功率为500W，电流21A。开关电源的参数如表1-6所示。表1-6开关电源参数表型号电压电流功率效率NES-50-2424V2.2A52.8W86.0%4.2.3低压断路器选型低压断路器又称为空气开关，它既有作为手动开关的作用如：不频繁的启动控制回路等，又可以自动的保护电路[15]，当电路中有严重的过载或者短路及欠压的故障发生时能够自动切断电路，从而保护电路。低压断路器选择的方法：（1）当配电线路在正常使用中和用电设备正常起动时，断路器不能发生动作。（2）保护电器必须按规范在规定的时间内切断故障电路[16]。（3）断路器的额定电压和额定电流应大于或等于负载的额定电压和额定电流。（4）断路器用于断开短路电流时，必须满足短路条件下的通断能力[17]。4.2.4低压断路器选型结果在本控制系统的设计中选择了国内正泰公司生产的NXB-63系列与NB1Z-63系列的低压断路器。NXB-63系列低压断路器用在交流回路中，NB1Z-63系列用在为步进电机供电的直流电路中，使用NB1Z-63系列低压断路器主要是为了实现在设备调试时能够对单个步进电机进行控制。NXB-63系列与NB1Z-63系列的低压断路器如图3.2、图3.3所示。图3.2正泰NXB-63系列低压断路器图3.3正泰NB1Z-63系列低压断路器根据上面的选型方法，在保证回路正常工作的状态下，对所需要的低压断路器进行了选型。选型如下：开关电源（QF04）：负责位驱动回路供电，开关电源的工作电流为2.65A，故选用NXB-63C6断路器。步进电机驱动器（QF07–QF15）：42混合式两相步进电机的工作电流分别为直流1.5A，由于只需要做开关控制其电路的通断不需要考虑电路保护，故选用NB1Z-63C6断路器。总空开（QF01）：总空开的工作电流要大于所有支路断路器的工作电流之和，支路总电流之和约为7A，故选择NXB-63C16断路器。4.3阀选型设计在棉纤维罗拉牵伸的过程时需要用气流来吹罗拉辊子，从而使辊子上不粘棉。气阀的启、停由中间继电器控制，KA接通，则气阀启动，KA断开，气阀关闭，停止吹气。在气阀选型时选择了亚德客3V200系列电磁阀。电磁阀如图3.4所示。图3.4亚德客3V200系列电磁阀电磁阀的功能符号如图3.5所示，当通电时在左位，气阀接通，开始吹气；当不通电时处于默认的关闭状态。其中P为进气口，A为工作口，R为排气口。4.4其他电器元件选型4.4.1紧急停止按钮紧急停止按钮即急停按钮，当发生紧急情况是可以通过迅速拍下此按钮来达到保护的措施。在一些机械设备或者电器上都可以看到急停按钮，该按钮多为醒目的红色。按钮的额定电流应当大于电路中的电流，交流220V电压下，额定电流0.3A，而电路电流只有几十毫安，故选择型号为LAY39-01ZS/4的按钮作急停按钮。4.4.2启动停止按钮启动、停止按钮按下后设备通电开始运行。同急停按钮选型，根据按钮的电流以及电路电流选择了型号为LAY39-10BN/3的按钮作启动按钮，选择了型号为LAY39-01BN/4的按钮作停止按钮。

4.5电气原理图绘制4.5.1主回路绘制鸭脖自动切割机控制系统的电气原理图中的主电路主要包括电源，步进电机驱动器和电机等电器元件。图4.1鸭脖自动切割机控制系统电气原理图主回路步进电机需要由步进电机驱动器来控制，接线方式如图4.2所示。图4.2单个步进电机驱动器接线图4.6被控对象分析4.6.1鸭脖自动切割机设备控制要求此设备主要适用,此设备的控制部分要求：对加热模块的温度检测、加热装置的启动和停止进行控制，要求能够通过控制加热块的通电和断电来及时控制加热装置的启动和停止并且实时显示加热温度，保护加热温度可以达到30-40C；表2.1设备被控对象特性及控制要求序号被控对象功能特性控制要求1加热块熔化树脂纤维通电开始加热，断电停止加热逻辑控制，通过控制加热棒的通断电，来控制加热温度2步进电机送树脂纤维能够使纤维丝以一定速度送下运动控制，PLC通过发送脉冲控制电机运动的准确速度4.7确定输入输出设备1）电磁阀PLC通过控制电磁换向电磁铁的动作来控制刀片的伸出/退回。2）信号指示灯等PLC通过控制指示灯的亮/灭来指示设备当前状态。确定PLC系统输入输出设备加热设备主要的控制对象包括：1）一个加热线棒，用于对加热块加热，PLC通过继电器（接触器）控制线圈通断电；2）一个步进电机，用于控制加热设备中加热线圈的上下移动，PLC通过步进电机驱动器控制步进电机运动；3）两个电磁阀，用于控制刀片的伸缩；加热设备中反馈元件主要包括：1）一个温度传感器，用于实时监测树脂熔融的加热温度。加热设备中主令电器元件主要包括：1）一个启动按钮，用于启动系统自动运行；2）一个停止按钮，用于停止系统自动运行；综合上述分析，加热设备PLC的输入输出设备如表3.1所示。表3.1设备被控对象特性及控制要求输入/输出序号名称控制对象控制信号类型输出设备1电磁阀刀片伸缩开关量信号2电磁阀刀片伸缩开关量信号输入设备1温度传感器温度模拟量信号2按钮自动启动信号开关量信号3按钮自动停止信号开关量信号4.8PLC选型she'ji根据前述统计的输入输出设备数量、种类（开关量、模拟量或脉冲信号）和控制要求来选择PLC的品牌、CPU模块（主模块）、I/O扩展模块、电源模块等。推荐大家优先选用目前国内市场占有率较高的西门子S7-200SMART系列，各种参考资料齐全，应用案例较多。如果设备或系统比较复杂，需要显示或输入设定的信息量较大，可以选择一个触摸屏作为设备的人机界面。也就是说，PLC相当于电脑的主机，而触摸屏相当于电脑的显示器加鼠标和键盘。目前市场上主流的触摸屏是7寸和10寸。各品牌都有。4.8.1PLC选型在确定好控制方案之后，就要进行PLC的选型了，在选型过程中，要充分考虑到设备的工艺特点以及本次的设计方案的要求，以及PLC的软、硬件配置应与装置相适应。此外，PLC及与之相互连接的其他设备应是集成的、标准的。一般来说，PLC选型应该遵循使用方便、PLC与各组成模块通用、具有良好的兼容性等原则，并按照选择PLC生产的厂家，对输入输出点进行估算，对PLC存储器的容量进行估算，合理选择通讯功能的步骤进行选择。最后确定好性价比较高的CPU以及扩展模块，并合理设计相应的控制系统。4.8.2PLC选型结果根据鸭脖自动切割机的特点以及应用要求，本次选用了西门子S7-1200系列的PLC。西门子S7-1200是一款紧凑型、模块化的PLC，这种类型的PLC具有强大的功能，不仅可以完成简单的编程、高级的逻辑控制、触摸屏设计与演示、在线通信等功能，而且，它还支持小型的运动控制方案的设计、控制过程的系统监控等应用。此外，还能够实现多种类型设备的自动化系统控制，并且SIMATICS7-1200PLC可以与新型的SIMATICHMIBasicPanel进行完美的匹配，从而确保自动化任务的高效进行，易于开发和调试[14]。因此，选择了西门子品牌S7-1200系列的PLC，可以满足本次的设计要求。在具体选型过程中，要考虑控制方案中输入输出地址的点数，首先要确定好成捆塑料袋在线橡皮筋自动捆扎设备控制系统所需的全部输入设备（如磁性开关等）和输出设备（如继电器等）。本控制系统的输入包括2个磁性开关，共有2个输入点，输出包括1个交流异步电机、1个加热块。共2个输出点。SIMATICS7-1200PLCCPU型号如表3-1所示。PLC可选用为S7-1200CPU1214C型号，具有14个输入点和10个输出点，并且自带2入2出的模拟量，能带8个扩展模块（SM），能装机身扩展版1个，存储容量75K，符合本设备控制要求。表4.1SIMATICS7-1200PLCCPU型号CPU1211CCPU1212CCPU1214CCPU1215CCPU1217C点数6入4出8入6出14入10出14入10出14入10出自带模拟量2入2入2入2入2出2入2出能带扩展模块（SM）02888能装机身扩展板（信号板SB、电池板BB、通信板CB）11111左侧扩展通信模块（CM）33333存储容量30K50K75K100K125KProfinet以太网接口11122（2）扩展模块一般选型时留有10％以上的I/O裕量，故需要接扩展模块。西门子S7-1200系列扩展模块有多种类型，其中常用的扩展模块有如表4-2所示的几种。根据控制系统所需的12个输入点数，13个输出点数，所以本次选择了型号为SM1232AQ的扩展模块，这种扩展模块具有4个模拟量输出口，故满足本控制系统的要求。表4.2S7-1200扩展模块选型拓展模块型号开关量8入SM1221开关量16SM1221开关量8出SM1222开关量16出SM1222开关量8入8出SM1223开关量16入16出SM1223模拟量4入SM1231模拟量8入SM1231热电阻4入SM1231热电偶4入SM1231热电阻8入SM1231热电偶8入SM1231模拟量2出SM1232模拟量4出SM1232模拟量4入2出SM12334.8.4控制系统总体方案经过市场调查，将本课题用到的主要控制元件的价格列举出来，如表5.1所示。表5.1各元器件的成本汇总名称单价（元）数量（个）总价（元）PLC164511645扩展模块138011380合计302523025除表5.1中的元器件以外，还需要用到按钮、接线端子等其他元件，经过筹算，其他元件所需的费用累计约200元左右，PLC控制系统的成本大约在3200元左右。与同类型设备相比，具有较高的性价比。该控制系统方案可行。5大数据小样本下基鸭脖自动切割机的理论研究和发展现状故障诊断技术最早产生于19世纪末至20世纪初，由最初的相关领域专家根据经验知识来人为地判断机械设备的健康状态。简易的诊断方法在早期的设备故障诊断中起到了一定的作用，但是其主观性过强，很难精确的判断设备的健康状态。随着现有科技不断进步，及计算机技术和传感器技术的应用越加成熟，利用振动信号对轴承进行故障分析已成为使用最广泛的分析方法，且这些诊断方法呈现多样性发展，并愈加成熟。对近些年的文献进行总结，目前的滚动轴承故障诊断方法主要包括基于物理模型的诊断方法、传统的数据驱动方法和基于深度学习的诊断方法。下面将从这三种方法分析目前故障诊断技术的研究现状。5.1基于物理模型诊断方法基于物理模型的诊断方法是从物体的机理角度出发，通过构建动力学模型来实现诊断[7]。通常，通过比较物理模型的输出和实际系统的测量值来检测故障。基于物理模型进行故障诊断的一个例子是通过测量轴承部件的固有频率来对轴承缺陷进行分类，这些固有频率来自于对系统建模后的等式求解。基于物理模型的诊断方法具有精度高、可从原理上了解设备退化规律等优点。龙建等人[8]建立了轴承单点损伤复合故障的动力学模型，该模型具有较好的动力学反应特性。Ankur等[9]提出考虑接触­变形域的轴承仿真模型,论证了表面损伤会影响整个轴承的运动和力学行为。Ahmad等[10]采用两自由度方程模拟了内、外圈和滚动体故障，分析了轴承周期、准周期和混沌运动。Mohsen等[11]研究了轴承元件的动态接触机制,用键合图建立了相应的振动模型,获取了损伤轴承的振动响应。从已有研究结果来看,基于物理模型的诊断方法大多对轴承部件进行建模，研究相关的动力学行为及其响应特点。从上述论述可知，基于物理模型的诊断方法可以较好的反应轴承运动规律，得到较好的诊断效果，然而，基于物理模型的诊断方法需要对轴承的内部机理知识进行大量研究，需要有一定的数学和结构基础，且该方法的最大局限性是泛化性较差。对于不同的对象，细小的差别就会导致模型失效，而对于一个对象的机理研究是耗时耗力的。随着大数据时代的来临和传感器技术的日渐成熟，基于物理模型的故障诊断方法逐渐被其他方法所取代，然而需要说明的是，从物体的机理角度进行研究也有其独特的价值。5.2传统数据驱动诊断方法传统的数据驱动诊断方法是信号分析技术与机器学习的有机结合，一般包括特征提取和模式识别两个部分。先用信号处理的方法对振动信号进行预处理，利用降维技术得到低维的特征向量，然后设计分类器进行故障识别[12]。这两个部分相辅相成、密不可分。首先，对数据进行预处理对后续的诊断十分重要。查阅相关文献可知，许多信号处理方法已经被应用于故障识别的预处理，包括时域分析、频域分析和时频分析。时域分析方法，例如信号的均值、方差和峰值，是直接基于时间信号本身。经验模态分解是一种最常用的特征提取方法[13]。频域分析方法，例如快速傅里叶变化和双频谱分析，是基于频域变换后的信号。时频分析方法，例如短时傅里叶变换，希尔伯特黄变换[14]，小波变换[15]，小波包变换和稀疏分解[16]经常被用于特征提取。借助于提取的特征，一些较为传统的分类器，如支持向量机、贝叶斯分类器等就可以发挥作用。不同的特征提取方法与不同的分类器相结合，可以达到不同的效果。目前大多数的数据驱动诊断方法都是以此为研究对象开展相关工作。Kankar等人[17]使用多项逻辑回归与WPT相结合的方法诊断故障，并证明了两种小波特征（能量和波峰）在诊断故障方面的有效性。Samanta等人[18]利用非常简单的预处理对信号段进行直接处理，得到了信号的特征的均方根、方差、偏度、峰度等时域特征，将这些时域特征作为BP神经网络的输入对轴承进行故障诊断。将He等人[19]提出了一种基于包络分析和EMD的两步塑性轴承故障诊断方法;然后利用频域特征识别轴承外套圈故障，利用时域特征构建k­NN分类器识别其他类型的轴承故障。Li等人[20]首先将高维时频域特征集通过无监督方法投影压缩成低维特征向量，然后将低维特征向量作为k­NN的输入，用于旋转机械的寿命等级识别。Phuong等人[21]提出了一种综合的轴承早期故障多故障诊断方法，该方法首先通过基于WPT的kurtogram提取特征;然后，利用LDA选择判别特征作为朴素贝叶斯分类器的输入，对轴承故障条件进行分类。Zhang等人[22]提出了提出了一种基于集成经验模态分解(EEMD)和优化支持向量机(SVM)的滚动轴承多故障诊断新方法。利用EEMD方法将振动信号自适应地分解为若干固有模态函数。提取了两类特征:EEMD能量熵和矩阵奇异值。用EEMD能量熵来确定轴承是否有故障。如果轴承存在故障，则将奇异值输入到特征空间中通过簇间距离优化的多类SVM中，以判断故障类型。这些诊断方法由于其有效的特征提取和合理的分类器设计，可以实现对轴承故障数据集的高诊断精度[23]。虽然传统的数据驱动诊断方法在旋转机械的故障诊断中做出了显著的成绩，但是固有的局限性仍然存在如下：（1）在实际工业应用中，收集到的轴承振动信号一直不稳定,旋转机械轴承不间断地工作，即使在恶劣的环境中,在这种情况下，故障特征仍与沉重的噪音。因此，需要利用先进的信号处理技术对微弱故障信号进行特征提取。（2）在传统方法中，研究人员选择的信号特征在很大程度上依赖于对信号处理技术和诊断专业知识的先验知识，这种情况会导致信号信息的丢失或特征[24]的维数灾难。（3）传统的分类器模型是一种浅层的学习模型，在其体系结构中包含了一些隐含层。这些模型的简单架构限制了故障诊断问题中复杂非线性关系的学习[25][26]。5.3基于深度学习诊断方法随着人工智能的快速发展，基于深度学习方法可以从原始振动信号直接提取有用特征，摆脱对信号先验知识依赖的高级处理技术和专家知识[27]实现了端到端的故障诊断，从而推进了轴承故障诊断的自动化和智能化[28]。端到端的故障诊断方法可以省略传统方法中计算量大且会阻碍监控程序实时使用的人工特征提取[29]过程，从而建立振动信号和故障类型间的直接联系。为了更有效率地识别时间序列，一些端到端的深度模型被相继提出[30]。例如，Huang结合传统非线性信号分析方法和ResNet[31]识别算法对轴承故障进行诊断。Liu基于RNN[32]的模型，以自编码器的形式提出了一种新的轴承故障诊断方法。与此同时，还有基于MLP[33]的时间序列分类模型和基于深度CNN的轴承故障诊断模型[34]等。经过实验验证，这些模型的故障诊断准确率都比较理想。但是，这些规则的全连接深度学习网络在解决更复杂的问题时会受到限制，因为其网络偏置和权重参数会随着模型层数的增加呈现指数级增长，导致过拟合和梯度消失的问题。而且，当在时序信号长度大于1000时，这些模型失去了优异的表现，均有不同程度的下降[35]。由于卷积神经网络（CNN）[36]具有一些吸引人的优势，例如位移不变性和权重分配[37]，并且相较于包含大量隐藏层的RNN，其层级特征能够可视化的特性更加易于研究与利用，这已在许多领域证明是成功的[38-41]。DBN是深度学习领域较早提出的方法之一，并在故障诊断领域中的使用较为常见。DBN具有两大优点，使得DBN在故障诊断中具有很大的吸引力和适用性。首先，DBN具有更广泛的适应性和映射能力，能够以任意精度逼近任意连续函数来解决许多复杂问题，因此被用于多变量非线性系统的建模和控制[42]。其次，DBN是一个非参数数据驱动模型，它不需要对生成数据的底层流程进行限制性假设。Tamilselvanet等人[43]提出了一种基于DBN的多传感器健康诊断方法，解决了飞机发动机和电力变压器故障诊断问题；Shao等人[44]提出了一种新型优化的DBN网络，先对受限玻尔兹曼机进行预训练，然后用随机梯度下降法进行微调，提高了DBN的分类精度；Zhu等人[45]利用DBN构造了一种分层的诊断网络，提取了小波包能量特征作为网络的输入，利用两层结构的分层网络分别实现了轴承的故障类型和故障严重程度的辨识，并与SVM和BPNN进行对比，验证了DBN具有较高的可靠性，可以实现精确的多阶段诊断。DAE是一个纯粹的无监督特征学习模型，对输入信号进行重构并通过重构误差对模型进行训练，可以通过中间的隐含层提取到输入信号的特征，一般可用于图像的压缩和解压。在故障诊断领域，DAE显示出其独特的性能。Li等人[46]提出了一种深度卷积自编码器，通过判断输入数据的重构误差，实现了对风机叶片的异常检测。Shao等人[47]提出了一种基于集成深度自编码器的滚动轴承故障诊断方法，并将该方法应用于轴承振动信号的实验分析，结果表明，该方法克服了人工提取特征和单个深度学习模型的局限性，比现有的智能诊断方法更有效。Chen等人[48]提出了基于堆叠降噪自编码器的深度神经网络，该方法以振动信号的频域信息作为输入信号，通过去噪自编码器一层一层提取特征，得到深度神经网络，通过该模型可以有效地提取到原始振动信号中的特征，避免了复杂的人工特征提取。CNN是应用于故障诊断的最有效的深度学习方法之一。由于CNN独特的结构，使其在进行故障诊断时具有较好性能。相对于上述的深度学习方法，CNN能够以更低的代价来实现更高的性能。首先，CNN能够自动地从原始输入信号中提取特征。在卷积运算中引入了局部感受野，解决了由于丢失特征信息而导致的分类性能问题。其次，与神经网络结构的变体相比，CNN在较短的训练时间内获得了更好的性能。目前，利用CNN进行故障诊断已经是较为主流的一种深度学习智能诊断方法。Janssens等人[49]将原始的振动信号经过离散傅里叶变换后作为CNN的输入实现故障诊断，并与传统的智能诊断方法随机森林进行对比，发现所提方法具有更高的诊断精度。随后，Wang等人[50]通过使用粒子群优化算法来决定CNN的核大小和学习率，从而解决了针对不同场景CNN参数选取问题，该模型具有很好的可适应性，并且针对轴承不同数据集场景，该方法都实现了94%以上的诊断精度。从上述描述可以看出，基于深度学习的故障诊断技术相对于传统的智能诊断技术已经展现出较好的可适应性及准确率，特别是CNN。本文亦将基于深度学习方法对轴承的故障诊断展开研究。5.4基于长时间序列故障诊断模型的提出本文提出的多尺度特征提取模块，去掉了Inceptionv3卷积模块中并行分支的池化分支，并且通过将不同空洞率的卷积替代原始11的卷积来提取同一层内三种感受野的特征信息，进而弥补在长时间序列关键信息的丢失，缓解网络层数加深带来的梯度消失问题。从图五可以看到，模块由两部分构成。一是多分支卷积，也就是利用不同空洞率的卷积核来捕捉不同间隔数据点的特征关系；二是将不同分支的得到的卷积特征融合，利用11卷积进行处理，以下是两个步骤的具体过程：模块上一层是卷积核大小为1，步长为1的卷积层，然后将卷积层的输出作为模块的输入，通过将1个卷积核为11、空洞率为0的空洞卷积和3个卷积核为31、空洞率分别为6、12、18的空洞卷积并行来提取特征。然后，预先设定好Batch的值，将四个分支输出的1D大小的特征按照列结合起来，得到4D大小的特征。再利用11的卷积处理特征，得到1D大小的特征集合作为模块的输出，然后进行最大池化，最后用ReLU函数激活。图2.多尺度特征提取模块结构Fig.2.Thestructureofmulti-scalefeatureextractionmodule.多尺度特征提取的算法实现：算法1:多尺度特征提取模块输入:特征，;输出:特征.1:对输入向量进行卷积核大小为11，步长为1的卷积操作,得到卷积后的特征向量.2:对输入向量进行卷积核大小为31，空洞率为6的卷积操作,得到卷积后的特征向量.3:对输入向量进行卷积核大小为31，空洞率为12的卷积操作,得到卷积后的特征向量.4:对输入向量进行卷积核大小为31，空洞率为18的卷积操作,得到卷积后的特征向量4:对进行根据通道拼接，得到特征向量.5:对进行11卷积操作压缩特征维度，得到特征向量.6:对进行22，步长为2的最大池化操作并经过ReLU激活与BN操作，得到最后的特征向量,.5.5多尺度最大池化模块及其算法本文提出了多尺度最大池化模块，旨在增加模型的感受野，弥补最大池化过程中的信息丢失，具体结构如图六所示。模块工作原理共分为三部分，第一部分为三个池化分支并行，分别进行44、88、1616大小的最大池化操作，得到原图的1/4，1/8，1/16大小的三个尺寸的特征图,模块通过不同尺度的最大池化操作，保留原始信号中不同间隔的数据点间的空间相关性。然后，对于分辨率小的两个特征进行最近邻插值到原特征的1/4大小。最后将得到的大小相同三个特征按照通道拼接起来，并利用11的卷积进行降维并融合特征，得到对原特征4倍下采样的包含多尺度采样信息的特征，并作为模块的输出。图3.多尺度最大池化模块结构Fig.3.ThestructureofMulti-scalepoolingmodule.多尺度池化模块算法实现：算法2:多尺度池化模块输入:特征，;输出:特征.1:对输入向量进行大小为44,步长为4的最大池化操作,得到池化后的特征向量.2:对输入向量进行大小为88,步长为8的最大池化操作,得到池化后的特征向量.3:对输入向量进行大小为1616,步长为16的最大池化操作,得到池化后的特征向量.4:对利用最近邻线性插值进行二倍上采样，得到特征向量.5:对利用最近邻线性插值进行四倍上采样，得到特征向量.6:将，，按照通道拼接，得到特征向量.7:对进行11的卷积操作进行融合特征并经过ReLU激活与BN操作，得到输出向量，基于LSCN的故障诊断方法整体流程基于LSCN的故障诊断方法流程如图4所示，共分为四个阶段：数据获取，训练集、测试集分配，模型训练和测试，特征可视化和结果诊断。图4.基于LSCN的诊断方法流程Fig.4.TheflowchartofLSCN-baseddiagnosismethod图5展示了本文网络中卷积层的结构,首先是11的卷积，然后进行批量归一化，最后用ReLU函数激活。图5.卷积层结构Fig.5.ConvolutionalBlock.本文提出的模型结构由图6所示，主要利用CNN作为主干网络提取故障信号特征。模型的输入为N15120维的故障数据，卷积网络的卷积核大小为1，卷积核步数为1，其中N为批量处理的个数,1代表通道数，5120代表数据维度。接下来进行池化核大小为4，步数为4的最大池化下采样。通过第一个模块将通道数扩大为40，然后引入第二个多尺度最大池化模块，通过将多个步数池化叠加到一起，以在同一层获得不同下采样率的信息。连续经过两个模块的处理后，得到N80320的输出。通过多次的卷积和最大池化，最后用Sigmoid函数进行归一化，得到通道数为6，维度为1的向量。网络的处理过程和每一步的输出尺寸详细地在表1中进行展示。图6.新模型结构Fig.6.Thestructureofthenewmodel.表1网络结构和不同阶段下的输出尺寸Table1.Networkprocessandoutputsizeofdifferentstage.结构输出尺寸结构输出尺寸阶段0卷积层N205120阶段4卷积层N202041最大池化N20128021最大池化N2010阶段1多尺度特征提取层N401280阶段5卷积层N1010多尺度池化层N4032021最大池化N105阶段2多尺度特征提取层N80320阶段6卷积层N105多尺度池化层N808051最大池化N75阶段3卷积层N4080阶段7SigmoidN71多尺度池化层N40202.1.3CWRU和MFPT数据集上LSCN的实验验证本文基于美国凯斯西储大学轴承故障数据集和MFPT轴承故障数据集进行了网络的训练以及结果的验证。网络主要参数如表2所示,*代表无参数。在本文的模型中，训练的批量数选择为64，epoch为200。学习率的范围是0.00001至0.01。考虑到精度和收敛性，根据实验结果选择0.001。表2新网络的主要参数Table2.ThemainparametersofNewNet.核的数量大小步长卷积层1201141最大池化层*44多尺度特征提取层200**多尺度池化层***多尺度特征提取层2400**多尺度池化层2***卷积层24011多尺度池化层3***卷积层3201121最大池化层*22卷积层4101121最大池化层*22卷积层561151最大池化层*55sigmoid***滚动轴承数据集介绍本文分析了来自CaseWesternReserveUniversity（CWRU）轴承数据中心的数据集。该实验设备由一个两马力的电动机，一个扭矩传感器和一个测力计组成，如图七所示。加速度计用于采集来自三个不同位置的振动信号：驱动器端，风扇端和底座。在该实验中，主要使用了驱动端轴承故障数据，组成的数据集如表3所示。为了更好地验证网络的泛化性，本文将数据集A、B、C混合后得到数据集D。每个数据集都包含6个故障类型和一个无故障类型，采用10折交叉验证的方式，将A、B、C中663个样本和D中的1989个样本按照8:2的比例随机生成训练集和测试集,具体样本数见表3，每个样本包含5120个采样点。表3西储大学数据集的训练集和测试集Table3.TrainingsetandTestingsetofCWRU数据集电机转速/rpm负载/hp训练样本数测试样本数故障类型ORMALIF18RF18OF18IF36RF36OF3617303530133D1797、1772、1750、17300、1、2、31590399注：表中NORMAL-正常状态,IF18、RF18、OF18分别表示故障直径都为0.18mm的内圈故障、滚子故障和相对于负载中心6：00位置外圈故障；IF36、RF36、OF36分别表示故障直径都为0.36mm的内圈故障、滚子故障、相对于负载中心6：00位置外圈故障。图7西储大学提供的实验设备Fig.7.ExperimentequipmentprovidedbyCWRU.基于长时间序列的标准卷积网络的故障诊断实验为了验证信号长度对网络准确率的影响，本文首先搭建了一个标准的一维卷积网络，并基于数据集A、B、C和D做了验证实验。由表4可以看到，在实现1000维数据的分类上，该网络已经可以达到平均96.75%的准确度。但是当数据的维度增加到5120维时，该网络的平均分类准确率却下降到了86.35%，性能出现了明显地下降。表4不同长度信号下的准确率对比Table4.Comparisonoftheaccuracyofdifferentlengthofsignals.1000维准确率(%)5120维准确率(%)A95.0093.23B97.0579.70C97.4390.23D97.5182.22平均准确率(%)96.7586.35基于不同模块的消融实验为了验证本文创新的模块对网络测试准确率产生的影响，本节基于同一西储大学数据集D和相同工况条件下应用控制变量原则在网络中进行了实验，得到结果如图8。图8消融实验结果Fig.8.Theablationexperimentresults从图8可以看到，在标准CNN在未加入任何创新模块时，在长时间信号数据集上的分类准确率只能达到86.35%，在仅加入改进后的多尺度特征提取模块后，分类准确率为91.25%，仅加入多尺度池化模块后，分类准确率为97.58%。将两个模块同时加入后准确率提升到了99.89%，相对于标准CNN增加了21.49%，这证明了本文所创新的模块很好地达到了有效提取特征的目的。基于不同模块顺序的准确率对比实验为了验证所开发的模块在模型中不同顺序下的表现，以确定最优的模型内部组合。基于表5中的结果进行了观察后发现，在前三个stage使用模块达到的准确率更高。经过思考后发现，这是由于在信号初始情况下，可以通过扩大感受野使信号中的空间相关性更好地被保存和提取。模块1为多尺度特征提取模块，模块2为多尺度最大池化模块。表5不同模块顺序下的三种模型的故障诊断结果Table5.Faultdiagnosisresultsofthethreemodelswithdifferentmoduleorders.模型1模型2模型3模块1模块2模块1模块2模块1模块2阶段0阶段1√√√√阶段2√√√√阶段3√√√√阶段4√√阶段5√阶段6阶段7Sigmoid准确率（%）99.8995.8297.03与传统方法的对比实验及模型鲁棒性和泛化性实验为了进一步证明本文方法的优越性，本文在西储大学A、B、C、D数据集上分别进行了实验，并与传统方法DBN、BPNN、CNN和RNN进行了比较。图9.不同网络下的准确率比较Fig.9.Comparisonoftestaccuracyofdifferentnetworks.通过观察图9，在比较不同方法的准确率后通过计算可以发现，本文提出的新方法在四个数据集上分类准确率为99.44%，而CNN、DBN、BPNN和RNN的准确率分别为86.35%、74.95%、75.99%、56.95%。在准确率上，本文的新方法相对于CNN、DBN、BPNN和RNN分别提高了15.16%、32.68%、30.86%和74.60%。对于大样本D的诊断结果，本文方法与RNN方法相差不大，但在样本量较少的情况下，RNN在数据集A、B、C上的性能很差，而本文提出的算法更有优势。在深度学习中，常用鲁棒性形容算法模型对异常噪声数据的适应性，这里引入信噪比来表征信号含噪水平。在统计学中，信噪比的表达式为：(2)其中，为信号的方差，为噪声的方差。而在实际工程应用中，信噪比的表达式为：(3)公式（3）中，为信号功率，为噪声功率，为信号的方差，为噪声的方差。而信噪比在-14dB到0dB之间的信号定义为弱信号。为了验证网络在强弱信号下的诊断性能，本文根据统计学公式（2）和工程应用公式（3），对所有样本分别加入了-5dB、-3dB、0dB、3dB、5dB信噪比的随机高斯噪声，并基于西储大学数据集D与标准CNN、RNN、DBN和BP神经网络进行了测试准确率对比。其对比图如下：图10.不同信噪比下的模型测试准确率Fig.10.TestaccuracyofdifferentmodelsunderdifferentSNRonCWRU.从图10中可以看到新的方法在5种信噪比的条件下与其他三种方法相比均获得最高的测试准确率，除了在0dB信噪比条件下，RNN的方法在准确率上有微小的领先。在表5中，可以发现新的方法在分类准确率上相对于DBN平均提高了28.53%，相对于BPNN平均提高了25.07%，相对于一维CNN平均提高了7.77%。通过与RNN方法的对比，可以发现在信噪比低于0dB的情况下，本文的方法明显优于RNN。这表明了在工程实际应用中强噪声的情况下，相比于RNN，本文的方法依然具有较大的优势。为了更好地验证网络的泛化性，本文又选择了机械故障预防技术协会轴承故障数据集来进行实验。试验台配备了滚筒直径rd=0.235、直径pd=1.245、接触角ca=0的NICE轴承。表6为MFPT数据集训练集和测试集的设置。表6MFPT数据集上的训练集和测试集参数Table6.TrainingsetandTestingsetofMFPT故障类型负载/1bs训练样本数测试样本数采样率/spsNORMAL2702736997656OF12702736997656OF225、50、100、150、200、250、3001564048828IF0、50、100、150、200、250、3001564048828将本文提出的方法与传统方法DBN、BPNN、CNN和RNN进行了比较，结果如图11所示。在此数据集上的进一步进行鲁棒性验证，如表7所示。图11MFPT数据集上不同信噪比下模型的准确率Fig.11.TestaccuracyofdifferentmodelsunderdifferentSNRonMFPT.由图12中可以看到，虽然RNN和CNN在MFPT数据集上获得了较高的准确率，但新的方法依然在5种信噪比条件下均获得了领先。通过表7可以发现新的方法在分类准确率上相对于DBN平均提高了48.19%，相对于BPNN平均提高了16.15%，相对于一维CNN平均提高了5.40%，相对于RNN平均提高了3.28%。基于T-SNE的LSCN模型内部可视化实验为了探索网络的内部机制以及更好地观察文章创新部分在故障诊断中起到的作用，我们进行了内部的可视化工作。通过观察图12可以发现，随着网络层的加深，特征的区别变得越来越明显。在前四个阶段中，已经可以明显地区分不同的功能，这表明本文的改进模块发挥了重要作用。但是，值得注意的是，在网络的最后一层，OF18和IF36具有部分重叠区域，这意味着该模型在区分外圈故障0.18mm和内圈故障0.36mm时存在一定误差。原始信号阶段0阶段1阶段2阶段3阶段4阶段5阶段6Sigmoid图12.学习的特征可视化：分别从原始信号，七个阶段和sigmoid层提取的特征表示。Fig.12.Learnedfeaturevisualization:featurerepresentationsextractedfromrawsignal,sevenstagesandsigmoidlayerrespectively.2.1.4基于小样本故障诊断方法的提出为了有效处理样本数量不足和采集条件下噪声较强的问题，本文提出了一种基于EAPN的智能故障诊断网络模型。图7展示了整个诊断模型的框架，包括原始一维振动信号获取和样本扩充，重叠采样和利用FSWT进行信号预处理，EAPN模型的建立和诊断结果分析。图13.基于EAPN模型的故障诊断方法Fig.13FaultdiagnosismethodbasedonEAPNmodel.数据扩充本文采用了重叠采样的方法来实现样本扩充，在西储大学数据集上重叠率设置为0.5，在转子数据集上为0.75。图14中展示了样本扩充的原理。通过以上样本扩充的方法，可以使样本中相邻元素间保留更多的相关性从而提高模型鲁棒性。图14.样本扩充原理Fig.14.Theprincipleofsampleexpansion.基于FSWT的