一、GM(1,1)逐步优化建模方法及其在数控系统故障诊断中的应用(论文文献综述)
石杰[1](2021)在《基于非参主动学习的数控系统故障诊断技术的研究与应用》文中研究指明现今,随着计算机科学技术的显着发展,特别是人工智能、大数据等关键技术的蓬勃发展,越来越多的机构开始研究基于人工智能自动诊断的数控系统故障诊断技术。随着新模式新方法的蓬勃发展,企业主体依赖于大规模数控生产线上的设备也越来越多,其物理机械结构也复杂多样,这就无法做到人工及时介入检测,从而给设备维护、生产线诊断等工作提出了全新的思考。传统模式“按时维护”和“事故后维护”的方式已远不能达到现代化大规模生产作业的要求。这更突显了高危故障一旦在生产过程中突然产生,不仅会极大影响生产设备和既定效率,更会对现场员工的生命安全造成一定威胁。这就内在要求我们研发基于AI技术的数控系统故障诊断方法。基于AI的实时检测方法最本质的特点是免除人工监测,可以24小时实时分析现场情况,从而预先制定适当的维护计划,检测系统潜在风险。它不仅可以大大减少故障对生产工作的影响,而且还可以对设备进行有针对性的维护,从而大大提高设备的有效使用率,并在整个生产周期内保证安全生产的预期寿命,这就使得数控系统使用周期进一步节省公司的可预防性花费。因此,如何有效地预测CNC系统的故障并为后续的一系列工作提供相应的保证是我们关注的问题。但是以上方法全部需要对数控系统产生的所有数据进行人工标注进而分析。实际上,在大型工程中,数控系统产生的数据量是巨大的,且绝大多数情况下是正常运行的数据,这就产生了大量冗余数据的关键问题。同时,全部数据的存储和标记也对系统的实用性造成巨大挑战。显然,在实时性要求极高的高精密数控系统中,找出代表性数据分析,摒弃冗余数据的干扰是提升系统实时性能、降低数据标注成本、降低冗余数据存储量是未来少量数据快速部署的高精数控系统故障诊断技术的内在要求。基于此,我们系统分析了大规模工业数据集的冗余度、数据代表性、数据选择的瓶颈问题。系统研究了针对大规模数据中选取典型性代表的理论方法。我们在非参贝叶斯推断、迪利克雷随机过程、计算几何和蒙特卡罗近似等思想的基础上,第一次提出了一种新颖的主动学习方法——非参数主动学习方法(Nonparametric Active Learning),并且理论证明了 NAL 获得函数(NAL acquisition function)是其原始形式 BALD(Bayesian Active Learning by Disagreement)的紧致上确界。本文的具体贡献如下:1、NAL方法,这是一个非参的主动学习方法,可以从海量未标记的数据中挑选出最有价值的数据进行标记,极大提高了数据的效率,显着降低了因标记、分析数据导致的部署时间。2、理论上证明了 NAL是其主动学习其中特定形式BALD的紧致上确界(tightly upperbound),并且适用于最新的神经网络架构,包括全连接神经网络、卷积神经网络、循环神经网络、全卷积神经网络等各种AI架构。这是因为NAL不依赖于具体架构的决策,只需要AI架构的反馈。3、在数控系统行业基准数据库CWRU benchmark中取得了最小数据消耗最高准确率的最佳的效果。这为故障诊断工业领域提供了强大的数据效率方法。
骆伟超[2](2020)在《基于Digital Twin的数控机床预测性维护关键技术研究》文中认为数控机床是工业生产的母机,是制造业最核心的基础装备。随着数控机床面向高速、高精、智能发展,其功能越来越强大、复杂。如何保障数控机床能够安全、可靠地稳定运行,以适应无人工厂/智能工厂的高自动化/智能化要求,直接关系到智能制造实施的成败。然而目前国产数控机床产品尤其在可靠性、稳定性方面,与国外先进水平仍有较大差距,由于故障造成的非计划停机事件时有发生,严重影响了其在汽车、国防军工等重点行业的应用。预测性维护可以有效地保证系统的可靠性和稳定性,是提高数控机床无故障运行时间,减少非计划停机的有效手段。目前预测性维护主要有基于历史统计概率、基于传感数据驱动和基于物理模型的三种方法,但上述单一方法均存在局限性和缺陷,如模型保真性差、数据有效利用率低、预测算法精度差等问题。Digital Twin虚实实时客观映射、时间/空间多维度多层次虚实融合的理念,为上述问题的解决提供了思路。本文基于Digital Twin的理念和方法,对数控机床预测性维护关键技术进行了以下研究:(1)研究了基于Digital Twin的数控机床预测性维护的体系结构。基于系统工程思想,分析了基于Digital Twin的数控机床预测性维护的功能和关键技术问题。设计了包括数控机床Digital Twin的模型构建、场景感知、智能预测性维护的体系结构。然后基于层次分析法从系统层面制定了数控机床预测性维护的方案,基于模糊评价法制定了方案的有效性评价机制。(2)研究了数控机床Digital Twin模型的构建方法。研究了面向对象的增量式数控机床Digital Twin多领域统一建模方法。构建了数控机床Digital Twin的机械模型、电气模型、控制模型和液压模型,并实现了多领域模型耦合。设计了模型的精度验证方法与更新机制,实现了数控机床Digital Twin模型的高保真性和一致性。(3)研究了数控机床Digital Twin场景感知方法。设计了基于Hadoop、HBase与Map-Reduce的分布式数控机床大数据的智能场景感知软硬件结构。在此基础上实现了数据的获取与存储、数据预处理、特征提取、特征选择等算法,从而降低了数据维度、缩减了机床感知数据量,解决了由于数据量大造成的数据使用效率低、有效信息挖掘困难的“大数据、小信息”问题,为预测性维护提供了有效的多维度特征。(4)研究了数控机床Digital Twin模型和数据融合的预测性维护方法。基于粒子滤波算法和迁移学习,研究了 Digital Twin模型和感知数据的融合方法,克服了传统预测性维护中模型方法一致性差和数据驱动方法适应性差的缺点,解决了预测性维护实验难的问题。从而实现了比单一预测性维护方法更加准确的预测与诊断结果,同时提高了预测性维护的可行性。(5)进行了基于Digital Twin的数控机床预测性维护应用与验证。在模型/数据服务器上搭建了模型仿真平台和机床感知数据的分布式存储、分析平台;在高性能运算服务器上构建了数据驱动的故障诊断和寿命预测算法。最后基于粒子滤波算法和迁移学习实现了模型和数据融合的预测性维护,并将其应用于数控机床铣削刀具的寿命预测、主轴系统和进给系统的故障诊断。从而验证了本文所提方法。通过以上研究,本文解决了基于Digital Twin的数控机床预测性维护中,系统级体系结构的制定、高保真一致性模型构建、机床智能场景感知和融合型预测性维护算法等关键问题,为Digital Twin应用于数控机床以及其他复杂机电设备的预测性维护提供了有效解决方案。
韩凤霞[3](2020)在《高端数控机床服役过程可靠性评价与预测》文中指出随着新一代信息技术、人工智能技术与制造技术的不断融合,制造产业向智能化转型已成为发展的必然趋势。高端数控机床及由其组成的柔性制造系统是智能制造的重要基础。高端数控机床服役过程中,使用工况多变、运行环境复杂,导致数控机床系统性能状态呈现不可逆的退化趋势。在服役阶段,性能劣化及频繁的故障会严重的影响加工精度和生产效率。因此,如何保证数控机床的服役性能成为了设计者、生产厂商及使用者共同关注的焦点问题。对于高端数控机床,其部件退化特征多样,可靠性数据具有小样本特征,传统的基于失效数据的单一性能评估方法有一定的局限性。本文基于“状态监测数据”、“标准S形试件”及“多源数据融合”,在寿命预测、整机运行可靠性评价方面对高端数控机床的服役性能进行评价与预测。主要研究内容如下:(1)构建了基于混合预测方法的关键部件剩余寿命预测模型。对于退化型失效的数控机床关键功能部件,由于运行工况、使用环境、维修程度等因素的影响,功能部件的退化程度和失效时间存在较大的离散性。采用数据驱动和人工智能相结合的综合预测方法,构建了基于RVM和改进幂函数相结合的剩余寿命预测模型,该模型可以适应退化过程的不确定性,在不影响实际的切削过程的前提下,快速、便捷地对运行状态进行评估并对剩余寿命进行预测。(2)研究了基于S试件的高端数控机床整机运行可靠性的评价方法。对于服役阶段的高端数控机床,在复杂、多因素动态作用下,使其运行性能及精度保持性在时间维度内的退化情况各异。目前,在运行工况下,基于加工精度的运行可靠性评价还没有形成统一的标准。探讨了结合面性能劣化与加工精度映射的误差传递模型,提出基于S形试件整机运行可靠性的评价模型。该模型通过标准化S试件的加工工况,对整机施加恒定的激振力,定期监测固定切削工况的特征信号。构建三个维度评价指标(熵值维度、三维希尔伯特幅值谱的可视化维度,边际谱的重心频率的数值量化维度)来综合评估机床的劣化程度,从而对数控机床整机的运行性能及加工质量进行量化与评估。(3)构建了多源信息融合的高端数控机床综合可靠性评价模型。高端数控机床的运行可靠性不但与设计制造阶段的固有可靠性有关,而且与服役阶段的使用维修水平相关。系统地研究了维修履历数据、运行状态信息、加工精度三个维度的可靠性数据融合建模方法,构建了基于模糊层次分析法的高端数控机床综合可靠性评价模型。建立了运行可靠性及质量可靠性评价指标体系,提出的可靠性评估方法既能兼顾机床故障时间反映的“先天因素”,也能兼顾运行状态和加工质量反映的“后天因素”,以此多维度、准确地评价数控机床的综合可靠性。(4)构建了基于模糊贝叶斯网络的生产线中数控机床可靠性评价模型。深度融合子系统可靠性实验数据、现场运维数据、相似系统的维修数据。将模糊理论和贝叶斯网络相结合,解决了多态系统各根节点状态概率难以精确获得的问题,提高了处理不确定性问题的能力。(5)提出了基于寿命预测的联合维修决策模型。为保障高端数控机床高可靠性、低成本运行,针对计划维修容易造成过修或欠修,提出了基于视情维修与计划维修的联合决策模型。该模型综合利用了关键功能部件的整体的寿命分布函数及个体部件的寿命预测结果,以平均维修费用最小为优化目标,采用维修时间间隔和剩余寿命维修阈值为优化变量。通过蒙特卡罗仿真进行了维修费用、维修间隔及维修阈值的协同分析,为维修方案的决策及维修费用的预算提供技术支撑。
刘允昊[4](2020)在《基于多信号流模型的故障诊断技术研究》文中研究指明为满足现代高速发展的需要,工业生产中出现了越来越多地大型复杂系统,系统的复杂度将会使故障具有复杂性,任何一部分组成部件发生故障都可能会影响系统正常运转,严重时会引起设备的失效,造成巨大的时间损失、财产损失甚至人员伤亡。为了使系统设备更加安全可靠,研究大型复杂系统的故障诊断技术十分必要。近年来,随着诊断测试技术的不断发展,业内专家提出在系统设计初进行可测试性设计,即在系统设计时就考虑测试诊断的问题。在可测试性设计的情况下进行故障诊断研究并将结果反馈给研究人员,有利于研究人员优化系统设计。然而,在可测试性设计中进行故障诊断对算法的效率和计算的参数有很大影响。本文针对可测试性设计中的故障诊断问题,从诊断策略和故障传播路径辨识两个方面进行分析,为提高算法效率,更好应用于大型复杂系统可测试设计提供了新的思路。首先,基于多信号流图的建模思想分析确定多信号流模型建模步骤,并以雷达发射机系统为例建模,用于后续故障诊断分析。其次,分析诊断策略优化常用的算法,针对序贯测试中的AO*算法进行分析,在原有AO*算法基础上提出采用信息熵作为启发式函数,应用于诊断策略优化中,以便提高算法效率,应用于大型复杂系统时算法不易崩溃。该方法的思想是减少AO*算法中构建霍夫曼树的过程,减少算法的运行时间以提高算法效率。再次,利用多信号流模型的图论信息和模型中模块的基本信息对多信号流模型进行分层重构,体现模型的分布扩散结构,减少疑似故障源,方便更快实现故障源的定位;针对可测试性设计没有大量历史数据进行定量分析的问题,提出分析故障传播路径的结构性指标参数,计算其故障传播强度值以明确故障在系统中的传播路径。最后,将本文所提出的方法集成为软件,实现可视化操作,对软件设计的思路、原则、关键功能模块的实现进行介绍。
杨英豪[5](2020)在《数控成形磨齿机可靠性技术的分析与研究》文中研究表明数控成形磨齿机自问世以来便定位于中高端装备并得到广泛的应用。目前我国在该领域的研究工作取得了长足的进展,但依然还存在技术竞争力不足、自主化程度低、难以走出去的困境,这主要是由于我国数控成形磨齿机在可靠性、一致性及稳定性等一些核心指标上难以达到国际先进水平。因此开展数控成形磨齿机可靠性研究工作对于我国工业的发展及实现制造强国战略具有重要的意义。本文在总结国内外可靠性技术的发展与研究趋势基础上,围绕数控成形磨齿机可靠性相关技术展开了一系列比较深入的研究,全文的研究工作主要包括:(1)对可靠性建模方法进行了分析。内容主要包括可靠性评价特征量及之间的相互关系、可靠性分布模型的建立、求解及检验。其中对分布模型的求解与检验进行了重点分析,推导了基于极大似然(MLE)的参数估计求解过程,引入了如Mann、灰色关联度分析、误差面积比指数等效果较好的分布模型检验方法,为可靠性评估的研究提供了基础。(2)对小样本可靠性评估方法进行了研究。针对小样本问题,在传统可靠性建模及可靠性评估流程基础上,研究了基于径向基(RBF)神经网络的扩充算法,该算法通过不断学习调整之后可以较好的实现对可靠性数据的扩充,由此提出来了一种新的数控机床可靠性评估流程。最后利用建立的方法实现了对数控成形磨齿机的可靠性评估,并验证了该方法在处理小样本可靠性评估问题时具有独特的优势和有效性。(3)对数控成形磨齿机进行了故障综合分析。首先分析了基于经验模态分解(EMD)的振动信号故障特征提取技术,并通过实验验证了该方法对于实现机床设备的故障检测具有可用性和有效性;其次进行了故障树分析(FTA),完成了对机床各主要子系统及整机系统的故障建树和分析,理清了机床故障事件之间的逻辑因果关系,分析了系统的故障谱及存在的薄弱环节,为实现故障排除的快速响应和延长机床无故障工作时间提供了参考借鉴。(4)研究了基于模糊FMECA的可靠性风险评价方法。首先对机床各子系统主要故障模式做了详细分析,并相应地提出了改善措施;其次针对传统风险评价方法存在的问题,利用模糊风险评价模型完成了对数控成形磨齿机的可靠性风险评价。评价结果为采取合理的预防性措施,降低故障产生的不利影响,从而提高整机的可靠性水平提供了相关借鉴。最后根据研究工作建立了数控成形磨齿机可靠性提升流程,对于实现机床可靠性持续增长具有重要的指导意义。
房昕宇[6](2020)在《基于边缘计算的机床进给系统健康状态检测与智能维护》文中指出数控机床作为工业制造的母机,是现代工业生产中最典型的机电一体化设备。进给系统是决定数控机床整体加工精度和生产率的重要部件。随着现代工业生产对数控机床加工精度及稳定性的要求越来越高,开展相关工作确保对进给系统健康状态的准确辨识、维持进给系统的安全稳定工作也越发重要。本文结合国内外的研究现状,针对现有技术存在的不足,以滚动轴承和滚珠丝杠副作为切入点开展基于边缘计算的机床进给系统健康状态检测与智能维护的相关研究,主要包括以下几方面内容:(1)针对数控机床进给系统中最容易发生故障的两个结构:滚动轴承与滚珠丝杠副,描述了其主要的机械结构及各部分的功能,分析了其典型的失效形式及故障的成因,同时对其发生故障时的振动特征作了简要分析。为后续的状态信号的选择与故障特征的提取提供理论依据。(2)针对汽车动力总成机加工生产线的实际生产需求,设计了一套基于边缘计算的状态信号采集与处理系统。通过分析该系统的功能需求,依次完成了系统的硬件架构、通信方案以及主要功能模块的详细设计。在主要功能模块的设计方案部分,分析了状态信号的选择原理,确定了传感器最优的选型和布置方法,提出了数控机床信号的采集方法;对进给系统状态信号特征提取的分析方法开展了研究,开发了一种基于S变换结合奇异值分解的特征提取算法。(3)针对进给系统滚动轴承磨损产生的非平稳振动信号,建立了基于S变换和极端梯度提升算法的进给系统健康状态辨识模型。在对自适应提升算法、梯度提升决策树以及极端梯度提升算法的算法模型及结构特点对比分析的基础上,设计实验验证了基于S变换-奇异值分解的特征提取算法能够高效地实现对状态信号故障特征的提取,同时基于极端梯度提升算法的进给系统健康状态辨识模型较其他模型具备最优的检测效果。此外,针对进给系统健康状态辨识模型无法描述进给系统损耗程度的不足,提出基于峭度指标的进给系统健康度评估方法,并设计实验验证了该方法的可行性。(4)以汽车动力总成关键零部件机械加工生产线为应用对象,针对目前实际工业生产中产线设备健康状态检测与智能维护中存在的不足,在基于边缘计算的状态信号采集与处理系统设计基础上,结合上述的进给系统健康状态辨识与评估方法相关研究,提出了一体化的进给系统健康状态检测与智能维护解决方案,并利用上海临港某汽车动力总成生产线的实际应用数据对该方案的有效性进行验证测试。测试结果验证了该方案的有效性和适用性。
张安思[7](2019)在《数字车间数据感知、融合及可视化研究》文中研究指明制造业是国民经济的主体,是兴国之器、强国之基。《中国制造2025》明确指出“智能制造工程”作为五大重点工程启动实施,旨在完成制造业向智能化的顺利转型。数字车间的建设是制造企业实现智能制造的关键环节,车间的自主决策、自组装生产,以及设备互联、自动感知、数据融合、实时分析及可视化等技术已在学界和工业界得到广泛的重视。本课题在智能制造、工业大数据的背景下,以数字车间设备为研究对象,重点研究数字车间制造现场设备数据的感知方法,数字车间制造现场设备数据融合与分析技术,数字车间数可视化技术,将数字车间设备数据融合、分析结果可视化。对数字车间设备实时监控与评估,并构建数字车间设备实时运行状态监控与评估平台,为实现数字车间设备安全、稳定、高效和绿色生产等提供保障。主要内容及创新点如下:(1)围绕数字车间设备数据的“聚、通、用”,针对数字车间设备的数据感知与汇聚、融合与分析、共享与应用等问题,提出了数字车间数据感知、融合及可视化技术方案及系统架构。运用云计算、大数据、物联网、人工智能等技术解决数字车间数据存储量大、采集速度频率快、结构复杂等瓶颈问题。(2)针对数据感知面临的工业协议标准不统一且数据开放性不够,解决协议适配、协议解析和数据互联互通的困难等问题做重点研究,对不同设备采集方法加以区分,根据设备实际情况进行数据采集设计,解决了异构设备数据汇聚问题;引入OPC UA架构能很好解决异构数据、异构网络互通互联问题;然后研究作为数据互联的基础标准与规范OPC UA架构,设计数字车间设备数据感知系统基于OPC UA服务的设备数据访问接口,方便在SCADA、MES、ERP等异构系统网络中对车间设备数据访问,解决异构设备数据、异构网络互通互联问题;(3)针对数据融合与分析在设备故障诊断的应用中存在难获得足够的故障样本来训练算法模型以保证算法的鲁棒性及泛化能力的问题,提出基于小样本学习的故障诊断数据融合分析方法,此方法不仅有效提升了融合分析算法模型在小数据集或者非平衡数据集里的小样本数据的准确性,同时也保证算法模型的鲁棒性及泛化能力。小样本学习方法同样也适用于其他数据业务融合与分析应用中。此外,为了便于学者使将小样本学习应用于其他车间设备数据业务融合与分析上,本文开源基于小样本故障诊断算法模型及代码。(4)针对设备在获取高质量以及海量运行故障数据困难引起的多工况、多故障的诊断困难的问题,提出基于深度迁移学习技术的故障诊断模型并用于设备健康状况评估模型中,运用已有的从大量相关的不同工况或不同种类的各种故障数据学到的相关知识来尽快地辅助学习少量新的工况或种类的新知识,充分利用相关设备采集运行故障数据,有效缓解设备难以获取高质量以及海量的运行故障数据的问题,可以更好更快地完成设备的故障诊断和剩余使用寿命预测。能有效解决多工况多故障的设备数据融合与寿命预测问题。迁移学习的融合分析方法同样也适用于其他车间设备数据业务融合与分析应用中。(5)基于基础理论研究,研发了一套数字车间数据感知、融合及可视化原型系统。目前系统已在某航天企业三个工厂投入使用并能稳定运行,充分利用和挖掘数字车间设备数据,降低数字车间设备故障率,延长设备使用寿命,降低企业生产成本,提高企业生产效益,为企业实现数字车间安全、稳定、高效和绿色生产等提供保障。因此本研究具有重要的理论和现实意义。
田海龙[8](2019)在《油液污染对重型数控机床液压系统可靠性的影响规律研究》文中进行了进一步梳理数控机床作为具有高科技含量的“工作母机”,是装备制造业的基石。其中,重型数控机床(下文称重型机床)是多系统构建、多技术集成的机电液一体化的高端制造装备,其技术水平、产品质量是国民经济的重要支撑和国防安全的强力保障。然而,国产重型机床暴露出严重的可靠性问题,严重影响了其市场占有率,对国家战略具有一定的潜在隐患。为了承受大载荷,重型机床普遍采用静压支撑和液压驱动,配置有复杂的液压系统,现场故障数据表明重型机床液压系统故障占比及造成的经济损失巨大,且有很大比例是由油液中的固态颗粒污染物引起的。面向油液污染研究重型机床的可靠性对提升重型机床可靠性具有重要的理论意义和应用价值。机床可靠性问题是我国机械工业跨越式发展重视功能不重视可靠性导致的历史遗留问题,因行业内可靠性人才缺乏、现有的机械可靠性技术不能照搬照用、研究人员因重型机床样本匮乏而望而却步等原因,重型机床可靠性工作举步维艰,油液污染与重型机床可靠性的关系更是因处于研究边缘而少有涉足。而明确两者关系可为重型机床设计优化、状态监测、故障预警、故障诊断提供重要参考。为此,本文以重型卧式车床和重型龙门镗铣床为研究对象,面向其油液污染开展了重型机床液压系统的可靠性研究。论文主要研究内容如下:(1)基于重型机床可靠性研究基础较缺乏的状况,首先论证了液压系统确为重型机床可靠性的薄弱环节。针对仅以故障率评定子系统薄弱程度的片面性及以FMECA判断薄弱环节时未考虑产品使用过程中的维修成本、维修时间信息的不足,划分了重型机床子系统;制定了科学的故障数据采集规范并采集了不同厂家生产、不同环境下工作的55台重型机床的故障数据;依据数据对各子系统进行了FMECA及维修费用、维修时间统计分析,并整合为FMECA信息。综合考虑信息中各项指标的主观权重、相关性权重、信息量权重,对指标进行了筛选;利用认知最优最劣方法给出了信息权重;用逼近理想点排序法对加权的FMECA信息排序,实现了子系统可靠性薄弱程度排序。结果表明,液压系统是所研究的重型机床可靠性最薄弱的环节。(2)进一步采用D-S证据理论及区间粗糙数论证了油液污染确为重型机床液压系统故障的主要原因。深入分析了液压系统故障数据,归纳出重型机床液压系统的故障模式,并建立了故障树,应用布尔运算划分出最小割集;选择底事件概率重要度为故障原因的评价指标;考虑到底事件概率无法获得,定义由底事件“主观发生度”和“客观发生度”融合成的“综合发生度”为替代参与重要度计算。在计算“客观发生度”时,对已知故障原因的故障数据统计其故障原因频率,对未知故障原因的故障数据则通过D-S证据理论计算其故障原因信任不确定区间,并将二者叠加;在计算“主观发生度”时,设计人员、维修人员、使用人员对故障数据中未出现的故障原因的可能发生程度进行区间粗糙数评分,并计算评分的期望值。用基于布尔矩阵的区间数排序方法对底事件重要度进行了排序。结果表明,油液污染是重要度最高的故障原因。(3)为了建立油液污染与重型机床可靠性的定量关系,进行了油液污染趋势变化分析试验、油液污染与环境相关性分析试验、故障部位油液污染检测试验。通过对油样测试数据的时域分析,获得了油样颗粒数有量纲参数和无量纲参数;通过Q-Q图和K-S检验分析趋势变化分析试验数据的有量纲参数,获知污染颗粒数是退化量服从正态分布的退化数据;通过相关系数法分析环境相关性分析试验数据的无量纲参数与环境因素的关系,获知油液污染颗粒数变化量与一定范围内的温度、流量、压力相关性小。将液压元件分为管路、阀、过滤器三类,用5μm左右的颗粒研究管路、阀件的堵塞,以大于15μm的颗粒研究管路、阀件的磨损,以过滤器过滤精度大小的颗粒研究过滤器的堵塞,设定ISO4406标准20/17级对应的颗粒数为阈值,分别基于退化轨迹、退化量分布建立了各类元件针对单一故障模式的可靠性模型;考虑到实际中阈值并非定值,采用应力强度干涉模型再次建模;其中,强度函数通过故障部位油液污染测试试验数据的折算得到,折算时,对管路、阀件采用了相似比较法,过滤器借鉴了颗粒尺寸分布函数;最后,利用竞争失效模型将各元件单一故障模式下的可靠性模型融合为多故障模式下的可靠性模型。所建立的3个可靠性模型反映了油液污染与重型机床可靠性的定量关系。(4)为了将建立的模型应用于液压系统的可靠性增长中,提出了一种针对液压系统可靠性的概念设计。以重型机床液压系统的某一支路为研究对象,建立了油液污染控制模型,利用最小二乘法和极大似然法估计了模型参数,并对其进行了检验。结合液压元件可靠性模型和油液污染控制模型,建立了液压系统全局可靠性模型。分析了液压系统设计需要考虑的尺寸结构、维护费用、油液压力;建立了以单位时间维护费用最小为目标函数,尺寸结构范围、系统MTBF、油液压力为约束条件,尺寸结构、换油周期为优化变量的液压系统优化设计模型;用粒子群算法对模型进行了求解。分析了优化结果对油液污染控制模型参数的敏感性。其中,换油周期为重型机床新使用说明书的制定提供了参考。(5)为了评价研究成果的应用效果,针对通常评价产品可靠性增长率时不考虑可靠性增长前后设备本身存在差异的问题,引入“净增长率“的概念,提出了一种计算可靠性增长率的新方法。以可靠性增长前的整机MTBF为基准,建立了整机“净增长率”模型;通过可靠性框图建立了整机和子系统的可靠性关系,将问题转化为求解子系统MTBF的问题;利用试验数据和产品信息建立了子系统“净增长率”的叠加模型;在处理产品信息时,综合考虑了产品结构、设计、制造装配和使用环境的影响,建立了影响设备可靠性因素的网络分析模型,并获得了可靠性增长前后反映设备本身差异的可靠性综合评分及因设备本身差异改变的可靠性变化率;网络分析模型中引入了区间数来考虑主观判断的模糊性。通过实例验证了方法的可行性,证实了重型机床液压系统可靠性增长技术的有效性。通过本文的研究,得出了一套面向油液污染对重型机床液压系统进行可靠性分析、可靠性建模、可靠性设计、可靠性评价的理论体系,为后续通过油液污染分析开展重型机床的可靠性相关研究、故障诊断、故障预警等提供了方法和支撑。
谢贺年[9](2018)在《基于EL冷光线的数控机床电气故障可视化高效排查方法研究》文中研究指明随着国内经济的快速发展,数控机床设备在制造业中的应用已经非常普遍。据统计,国内现有上千万台数控机床设备,而且正以每年几十万台甚至上百万台的数量激增。如此巨大的市场保有量,带来的也是巨大的数控机床设备保养、维修问题。目前,数控机床设备电气故障的主流检修方式是万用表电压电流测试法,其优点是操作简单,对检测工具要求不高,方法成熟,缺点是排查时间长,对排故人员经验要求高,效率极其低下。因此,有必要探索一种更高效的排故方法,降低高技能人才依赖程度,实现数控机床设备电气故障的快速、直观性检测,为企业的连续生产保驾护航。本文以数控机床设备典型电气系统为研究对象,建立了基于马尔可夫离散概率的数控机床设备电气故障排查时间模型;通过分析排查时间模型的各个参数,找到影响排故时间的关键性因素;基于关键因素,提出利用EL冷光线的发光特性,快速识别故障点,从而降低排故总时间。随后,文章介绍了 EL冷光线的发光工作原理,计算了 EL冷光线的热效应和使用寿命,并将EL冷光线的热效应和使用寿命两方面与普通工业导线进行对比,得到EL冷光线的物理特性可以满足使用要求的结论。因此,基于EL冷光线的数控机床电气故障可视化高效排查方法是可行的。在文章的后半部分,作者将这种理论用于实践,解决了电源匹配问题、驱动器接入、EL冷光线接线方式等工艺问题。随后,文章进行了故障试验,通过虚拟界面、实物接线两种方式,验证典型单回路、多回路中,应用EL冷光线时的故障表现形式;再进行效率试验,在典型单点故障、多点故障中,分别测量应用传统万用表和EL冷光线技术的故障排查时间,通过试验数据分析,得出EL冷光线技术在数控机床电气故障排查方面具有显着优势。
池正[10](2017)在《柔性制造系统的Petri网故障诊断与调度方法研究》文中研究指明制造业是国民经济的基础,随着全球化市场经济的发展,客户的需求也越来越复杂多样,制造行业之间的竞争也更加激烈。由于柔性制造系统拥有柔性好、运行灵活、产品多样化等特点,使其在制造行业得到广泛的应用。然而,柔性制造系统内的资源众多,如何合理高效地分配使用这些资源,使系统的利益最大化;或是在系统出现故障时,如何调整原本的生产计划以达到减小损失的目的,都为柔性制造系统的建模、控制与调度提出了挑战。因此,对柔性制造系统的故障诊断与控制调度方法研究具有重要的科学意义和应用价值。数控机床是柔性制造系统中最主要的一种资源。因此,本文以Petri网为工具,对数控机床控制系统的建模、故障诊断方法与柔性制造系统的控制调度方法进行了研究,主要研究内容如下:1、分析了数控机床控制系统的组成,分别给出其中各个工作单元的Petri网建模方法,并根据数控机床各工作单元之间的运行逻辑和动态特性,给出数控机床控制系统的Petri网建模方法,由此建立数控机床控制系统的标签Petri网模型。2、根据数控机床控制系统各故障类型的行为特征,将这些故障进行分类,采用故障变迁来模拟故障,获得数控机床控制系统的故障Petri网模型。再根据系统内检测到的任意信号序列,对系统是否存在故障进行判断,给出一种基于故障Petri网模型的故障诊断方法。3、根据柔性制造系统内部的资源和工作任务,建立一个具体的柔性制造系统的Petri网模型。并为了提高柔性制造系统整个生产过程的调度效率,采用了一种基于A*算法的启发式搜索算法,对柔性制造系统的Petri网模型进行启发式搜索,最终给出时间最短的加工策略。4、为柔性制造系统的Petri网模型添加数控机床故障变迁,该类故障变迁的发生与否由上述机床故障诊断方法来检测,从而得到柔性制造系统的故障诊断Petri网模型,并根据该Petri网模型,给出其在生产加工过程中出现故障后的优化调度策略。本文以一个典型的数控机床控制系统和柔性制造系统为例,对文中的方法进行了演示说明。
二、GM(1,1)逐步优化建模方法及其在数控系统故障诊断中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、GM(1,1)逐步优化建模方法及其在数控系统故障诊断中的应用(论文提纲范文)
(1)基于非参主动学习的数控系统故障诊断技术的研究与应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 数控系统故障诊断技术国内外研究现状 |
1.2.2 主动学习方法国内外研究现状 |
1.3 主要研究内容 |
1.4 论文章节安排 |
第2章 背景理论介绍 |
2.1 引言 |
2.2 深度学习思想介绍 |
2.2.1 深度学习流程 |
2.2.2 深度学习模型架构 |
2.2.3 TCN模型架构 |
2.3 主动学习方法介绍 |
2.3.1 主动学习与半监督学习及迁移学习的区别 |
2.3.2 主动学习查询策略 |
2.3.3 主动学习与深度学习结合的必要性与挑战 |
2.3.4 主动学习的典型问题设置 |
2.3.5 典型深度主动学习方法 |
2.4 贝叶斯统计学习思想介绍 |
2.4.1 深度贝叶斯主动学习方法 |
2.4.2 蒙特卡罗方法介绍 |
2.5 本章小结 |
第3章 NAL方法介绍 |
3.1 主动学习理论基础 |
3.2 问题背景设定 |
3.3 NAL非参主动学习方法 |
3.4 NAL的贪婪近似算法 |
3.5 本章小结 |
第4章 实验结果 |
4.1 CWRU数据集介绍 |
4.2 实验环境介绍 |
4.3 NAL实验结果 |
4.4 实验总结 |
第5章 结论与展望 |
5.1 论文总结 |
5.2 领域其他相关工作 |
5.3 展望 |
5.4 本章小结 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(2)基于Digital Twin的数控机床预测性维护关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题的提出及意义 |
1.2 复杂设备预测性维护的研究现状 |
1.2.1 基于可靠性统计概率的方法 |
1.2.2 基于物理模型的方法 |
1.2.3 基于数据驱动的方法 |
1.3 Digital Twin及其关键技术的研究现状 |
1.3.1 Digital Twin的概念 |
1.3.2 Digital Twin的研究现状 |
1.3.3 机电设备建模的研究现状 |
1.3.4 机电设备场景感知的研究现状 |
1.4 本文主要工作 |
1.4.1 本文研究目标 |
1.4.2 本文研究内容 |
1.4.3 本文章节安排 |
第2章 基于Digital Twin的数控机床预测性维护体系结构 |
2.1 预测性维护体系结构制定思路 |
2.2 数控机床预测性维护需求及功能分析 |
2.2.1 数控机床系统分析 |
2.2.2 数控机床故障分析 |
2.2.3 数控机床预测性维护难点分析 |
2.2.4 数控机床Digital Twin功能分析 |
2.3 基于Digital Twin的预测性维护体系结构设计 |
2.4 基于Digital Twin的预测性维护方案制定 |
2.4.1 预测性维护层次结构模型构建 |
2.4.2 预测性维护层次判断矩阵构建 |
2.4.3 判断矩阵特征向量求解 |
2.4.4 预测性维护层次总排序 |
2.5 基于Digital Twin的预测性维护方案评价 |
2.6 本章小结 |
第3章 数控机床Digital Twin模型构建方法 |
3.1 数控机床Digital Twin模型构建原则 |
3.1.1 面向对象的建模方法 |
3.1.2 多领域统一的建模方法 |
3.1.3 增量式的建模方法 |
3.2 数控机床Digital Twin机械模型构建 |
3.2.1 机械几何模型构建 |
3.2.2 机械多体运动学/动力学模型构建 |
3.2.3 机械性能衰减模型构建 |
3.3 数控机床Digital Twin电气模型构建 |
3.3.1 整流器电气模型构建 |
3.3.2 逆变器电气模型构建 |
3.3.3 伺服电机电气模型构建 |
3.4 数控机床Digital Twin控制模型构建 |
3.4.1 位置控制器和速度控制器 |
3.4.2 电流控制器和解耦控制器 |
3.4.3 Clark/Park正逆变换及整体模型 |
3.5 数控机床Digital Twin液压模型构建 |
3.6 数控机床Digital Twin多领域模型耦合 |
3.6.1 多领域建模要素分析 |
3.6.2 多领域模型耦合方法 |
3.7 数控机床Digital Twin精度验证与模型更新方法 |
3.7.1 数控机床Digital Twin模型精度验证方法 |
3.7.2 基于工况数据的数控机床Digital Twin更新方法 |
3.8 本章小结 |
第4章 数控机床Digital Twin场景感知方法 |
4.1 数控机床Digital Twin场景感知软硬件结构 |
4.2 数控机床Digital Twin场景数据获取与存储 |
4.2.1 数控机床场景数据分析 |
4.2.2 数控机床场景数据获取 |
4.2.3 数控机床场景数据分布式存储与运算 |
4.3 数控机床Digital Twin场景数据预处理 |
4.3.1 场景数据数值变换与缺失值补充 |
4.3.2 场景数据趋势项消除 |
4.3.3 场景数据平滑与降噪 |
4.3.4 场景数据属性编码与变换 |
4.4 数控机床Digital Twin场景数据特征提取 |
4.4.1 数控机床场景数据时域特征提取 |
4.4.2 数控机床场景数据频域特征提取 |
4.4.3 数控机床场景数据特征自动提取 |
4.5 数控机床Digital Twin场景数据特征选择 |
4.5.1 标准相关系数分析 |
4.5.2 基于T-test的特征值排序 |
4.6 本章小结 |
第5章 Digital Twin模型与数据融合的预测性维护方法 |
5.1 基于Digital Twin的融合型预测性维护方案 |
5.1.1 基于滤波算法的模型与数据融合方法 |
5.1.2 基于迁移学习的模型与数据融合方法 |
5.2 基于Digital Twin的数据驱动算法构建 |
5.2.1 随机森林算法特点分析 |
5.2.2 长短期记忆网络算法特点分析 |
5.2.3 卷积神经网络算法特点分析 |
5.2.4 数据驱动算法选择 |
5.3 基于迁移学习的融合型预测性维护 |
5.4 基于滤波算法的融合型预测性维护 |
5.4.1 基于滤波算法的融合原理 |
5.4.2 基于滤波算法的融合方法流程 |
5.5 本章小结 |
第6章 基于Digital Twin的数控机床预测性维护应用验证 |
6.1 方案制定与实验环境搭建 |
6.1.1 预测性维护方案制定 |
6.1.2 存储与运算平台搭建 |
6.2 基于Digital Twin的预测性维护方案验证 |
6.2.1 基于Digital Twin的刀具寿命预测 |
6.2.2 基于Digital Twin的主轴系统故障诊断 |
6.2.3 基于Digital Twin的进给系统故障诊断 |
6.3 预测性维护措施与结果评价 |
6.3.1 预测性维护措施 |
6.3.2 预测性维护效果评价 |
6.4 本章小结 |
第7章 结论与展望 |
7.1 全文总结 |
7.2 本文主要创新点 |
7.3 研究展望 |
参考文献 |
攻读博士学位期间撰写的论文专利及参与的项目 |
攻读博士学位期间发表的论文 |
攻读博士学位期间申请的专利 |
攻读博士学位期间参与的科研项目 |
致谢 |
学位论文评阅及答辩情况表 |
(3)高端数控机床服役过程可靠性评价与预测(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 论文选题背景 |
1.2 课题来源 |
1.3 数控机床可靠性指标体系 |
1.3.1 数控机床固有可靠性 |
1.3.2 数控机床运行可靠性 |
1.3.3 数控机床加工精度可靠性 |
1.4 国内外研究现状 |
1.4.1 数控机床可靠性研究现状 |
1.4.2 寿命预测研究现状 |
1.4.3 数控机床精度评价研究现状 |
1.4.4 数控机床维修策略研究现状 |
1.5 论文主要研究内容 |
1.5.1 综述总结与问题提出 |
1.5.2 本文主要内容 |
第2章 高端数控机床功能部件剩余寿命预测方法研究 |
2.1 引言 |
2.2 性能退化相关概念 |
2.3 电主轴/刀柄结合面性能退化建模 |
2.3.1 主轴/刀柄性能退化指标构建 |
2.3.2 电流损耗与刀柄性能退化分析 |
2.3.3 小波包降噪 |
2.4 融合RVM和改进幂函数的预测模型 |
2.4.1 小波包熵 |
2.4.2 相关向量机概述 |
2.4.3 回归模型及拟合性能评价 |
2.4.4 剩余寿命综合预测模型 |
2.5 实验验证 |
2.6 本章小结 |
第3章 基于S试件的高端数控机床运行可靠性评价 |
3.1 引言 |
3.2 基于S试件的机床运行精度分析 |
3.2.1 S试件的结构特点 |
3.2.2 数控机床的运动误差分析 |
3.3 数控机床结合面动特性研究 |
3.3.1 数控机床结合面性质 |
3.3.2 结合面研究概述 |
3.4 高端数控机床切削过程中动态性能评价 |
3.4.1 运行状态感知 |
3.4.2 基于CEEMDAN的特征提取 |
3.4.3 基于S试件的运行状态评价 |
3.5 实验验证 |
3.6 本章小结 |
第4章 基于多源信息数据数控机床综合可靠性评价 |
4.1 引言 |
4.2 高端数控装备的多源可靠性评价指标 |
4.2.1 基于故障时间的可靠性评价 |
4.2.2 基于运行状态的可靠性评价 |
4.2.3 基于加工质量的可靠性评价 |
4.3 高端数控装备多源信息融合评价体系 |
4.3.1 基于层次分析法的权重分配 |
4.3.2 基于故障数据的模糊可靠性评价 |
4.3.3 基于多源信息数控机床评价体系构建 |
4.3.4 实例验证 |
4.4 本章小结 |
第5章 基于贝叶斯网络生产线中数控机床可靠性评价 |
5.1 引言 |
5.2 航空结构柔性生产线可靠性评价模型 |
5.3 制造子系统信息融合及状态划分 |
5.4 构建多状态贝叶斯网络 |
5.5 实例验证 |
5.6 本章小结 |
第6章 基于寿命预测的维修策略研究 |
6.1 引言 |
6.2 维修保障与维修策略概述 |
6.2.1 维修决策模型 |
6.2.2 维修程度及优化决策 |
6.3 基于寿命预测的维修决策模型 |
6.3.1 视情维修相关研究 |
6.3.2 视情维修与定期维修的联合维修策略 |
6.3.3 基于维修时机和维修阈值的联合优化 |
6.4 蒙特卡罗仿真 |
6.5 实例验证 |
6.6 本章小结 |
第7章 总结与展望 |
7.1 研究结论 |
7.2 创新点 |
7.3 研究展望 |
参考文献 |
致谢 |
在学期间发表的学术论文和参加科研情况 |
作者简介 |
详细摘要 |
(4)基于多信号流模型的故障诊断技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 国内外研究现状 |
1.2.1 诊断策略优化技术研究现状 |
1.2.2 故障传播路径辨识技术研究现状 |
1.2.3 国内外研究现状分析 |
1.3 本文的主要研究内容 |
第2章 多信号流模型的建立方法及实例分析 |
2.1 引言 |
2.2 多信号流图模型建模方法 |
2.2.1 多信号流图建模理论 |
2.2.2 多信号流图建模步骤 |
2.3 多信号流图模型建模实例分析 |
2.3.1 复杂系统多信号流建模过程问题分析及处理 |
2.3.2 雷达发射机系统分析 |
2.3.3 划分系统组成模块及设定测试点 |
2.3.4 构建雷达发射机多信号流模型 |
2.4 本章小结 |
第3章 基于多信号流模型的诊断策略优化方法研究 |
3.1 引言 |
3.2 诊断策略优化理论概述 |
3.2.1 诊断策略优化问题的构成要素 |
3.2.2 诊断策略优化基本假设 |
3.2.3 诊断策略优化目标 |
3.3 面向诊断策略优化的启发式搜索算法 |
3.3.1 霍夫曼启发式函数 |
3.3.2 信息熵启发式函数 |
3.4 基于启发式搜索的诊断策略优化方法设计 |
3.4.1 诊断策略优化算法理论 |
3.4.2 诊断策略优化算法实现 |
3.5 诊断策略优化算法对比分析 |
3.5.1 计算原理对比分析 |
3.5.2 计算时间复杂度对比分析 |
3.5.3 计算结果对比分析 |
3.6 本章小结 |
第4章 基于多信号流模型的故障传播路径辨识 |
4.1 引言 |
4.2 基于系统分层重构的多信号流模型建立 |
4.2.1 系统分层重构思想 |
4.2.2 系统分层重构实例 |
4.3 故障传播模型结构性指标建立 |
4.3.1 基于隶属度函数故障程度分析 |
4.3.2 基于相容路径的传播通路 |
4.3.3 基于有向边负荷属性的有向边重要度 |
4.4 基于结构性指标的故障传播路径辨识 |
4.5 本章小结 |
第5章 基于多信号流模型的综合诊断软件设计与实现 |
5.1 引言 |
5.2 需求分析 |
5.3 软件总体设计 |
5.3.1 总体设计原则 |
5.3.2 软件功能模块组成 |
5.4 模型数据的管理 |
5.4.1 模型数据的存储结构 |
5.4.2 模型数据的读写 |
5.4.3 模型工具箱的开发 |
5.5 软件功能模块的实现 |
5.5.1 可视化建模模块 |
5.5.2 图形化诊断树模块 |
5.5.3 故障传播路径可视化模块 |
5.6 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(5)数控成形磨齿机可靠性技术的分析与研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 可靠性技术的发展与研究趋势 |
1.3 数控机床可靠性国内外研究现状 |
1.4 论文主要研究内容 |
第2章 数控成形磨齿机可靠性建模分析 |
2.1 可靠性评价特征量 |
2.1.1 可靠性评价函数 |
2.1.2 可靠性评价指标 |
2.2 可靠性分布模型 |
2.2.1 威布尔分布及模型求解 |
2.2.2 指数分布及模型求解 |
2.2.3 正态分布及模型求解 |
2.2.4 对数正态分布及模型求解 |
2.3 可靠性分布模型检验 |
2.3.1 统计假设检验 |
2.3.2 拟合优度检验 |
2.4 本章小结 |
第3章 基于RBF神经网络的可靠性评估分析 |
3.1 RBF神经网络概述 |
3.1.1 RBF神经网络基本结构 |
3.1.2 RBF神经网络学习算法 |
3.2 基于RBF神经网络的扩充算法 |
3.2.1 RBF神经网络扩充算法设计及实现 |
3.2.2 RBF神经网络可靠性评估流程 |
3.3 算法实例分析 |
3.3.1 原始故障间隔时间分布模型求解 |
3.3.2 RBF神经网络扩充数据的产生及分析 |
3.3.3 数控成形磨齿机可靠性评估 |
3.4 本章小结 |
第4章 数控成形磨齿机故障综合分析 |
4.1 基于EMD的振动信号故障特征提取技术 |
4.1.1 EMD基本理论 |
4.1.2 实验数据采集 |
4.1.3 数据的处理与分析 |
4.2 数控成形磨齿机FTA分析 |
4.2.1 FTA基本理论 |
4.2.2 数控成形磨齿机系统及故障事件定义 |
4.2.3 数控成形磨齿机故障树建立 |
4.2.4 数控成形磨齿机故障树定性分析 |
4.3 本章小结 |
第5章 基于模糊FMECA的可靠性风险评价 |
5.1 传统FMECA可靠性风险评价 |
5.2 模糊风险评价模型 |
5.2.1 模糊语言变量 |
5.2.2 模糊综合评判 |
5.3 数控成形磨齿机子系统FMEA |
5.4 数控成形磨齿机子系统模糊风险评价(CA) |
5.4.1 电气控制子系统模糊风险评价 |
5.4.2 进给伺服子系统模糊风险评价 |
5.4.3 磨削砂轮子系统模糊风险评价 |
5.4.4 机床液压子系统模糊风险评价 |
5.4.5 冷却润滑子系统模糊风险评价 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(6)基于边缘计算的机床进给系统健康状态检测与智能维护(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景、意义及课题来源 |
1.1.1 研究背景与意义 |
1.1.2 课题来源 |
1.2 国内外研究现状 |
1.2.1 数控机床进给系统故障产生机理研究 |
1.2.2 数控机床进给系统故障诊断方法发展现状 |
1.2.3 状态信息的获取与处理技术研究 |
1.2.4 边缘计算技术的发展与应用 |
1.3 现有研究存在的问题 |
1.4 主要研究内容与体系结构 |
第二章 数控机床进给系统典型故障机理分析 |
2.1 引言 |
2.2 进给系统滚动轴承故障机理分析 |
2.2.1 滚动轴承机械结构 |
2.2.2 滚动轴承常见失效形式及分析 |
2.2.3 滚动轴承振动特征分析 |
2.3 进给系统滚珠丝杠副故障机理分析 |
2.3.1 滚珠丝杠副机械结构 |
2.3.2 滚珠丝杠副常见失效形式及分析 |
2.3.3 滚珠丝杠副振动特征分析 |
2.4 本章小结 |
第三章 基于边缘计算的状态信号采集与处理系统设计 |
3.1 引言 |
3.2 信号采集与处理系统功能需求分析 |
3.2.1 状态信号采集功能 |
3.2.2 状态信息特征提取与选择功能 |
3.2.3 模块间通信功能 |
3.3 系统硬件及通信方案设计 |
3.3.1 总体硬件结构 |
3.3.2 边缘计算系统与云计算设备间通信方案 |
3.3.3 系统内部模块间通信方案 |
3.4 系统关键模块设计 |
3.4.1 状态信号采集模块 |
3.4.2 状态信息特征提取 |
3.5 本章小结 |
第四章 进给系统健康状态辨识与评估方法研究 |
4.1 引言 |
4.2 各提升集成分类算法模型及结构特点 |
4.3 基于S变换和XGBoost算法的健康状态辨识方法 |
4.3.1 方法流程 |
4.3.2 实验及验证 |
4.4 基于峭度指标的健康度评估方法 |
4.4.1 方法流程 |
4.4.2 实验及验证 |
4.5 本章小结 |
第五章 进给系统智能维护方案工程应用 |
5.1 引言 |
5.2 进给系统智能维护方案的设计 |
5.2.1 方案框架与流程 |
5.2.2 系统搭建与应用对象选择 |
5.3 进给系统智能维护方案的应用与验证 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 主要研究工作总结 |
6.2 论文主要创新点 |
6.3 研究展望 |
参考文献 |
致谢 |
攻读硕士学位期间的学术成果 |
(7)数字车间数据感知、融合及可视化研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 数字车间数据感知研究现状 |
1.2.2 数字车间数据融合技术研究现状 |
1.2.3 数字车间设备健康状况监测的研究现状 |
1.2.4 数字车间数据可视化研究现状 |
1.3 研究内容与创新点 |
1.3.1 研究内容 |
1.3.2 主要创新点 |
1.4 论文组织结构 |
第2章 数字车间数据感知、融合及可视化相关理论 |
2.1 研究框架与技术路线 |
2.2 数字车间数据感知相关理论 |
2.2.1 数据车间数据感知原则 |
2.2.2 数据采集方法分类 |
2.2.3 智能制造新网络架构与OPCUA |
2.3 数字车间数据融合方法 |
2.3.1 数据融合分析框架 |
2.3.2 传统数据融合方法 |
2.3.3 深度自编码数据特征提取 |
2.3.4 卷积神经网络数据特征提取 |
2.3.5 循环神经网络数据特征提取 |
2.4 数字车间数据可视化方法 |
2.4.1 纯可视化图表生成工具 |
2.4.2 商业智能分析BI工具 |
2.4.3 可视化大屏工具 |
2.4.4 数字孪生 |
2.5 本章小结 |
第3章 数字车间设备数据感知研究 |
3.1 数字车间设备数据感知方法 |
3.2 数字车间设备数据采集设计与实现 |
3.2.1 基于网口的设备数据采集 |
3.2.2 基于串口模块的设备数据采集 |
3.2.3 基于网络IO硬件模块的设备数据采集 |
3.2.4 设备数据采集系统实现 |
3.3 设备数据采集系统OPCUA服务接口设计与实现 |
3.3.1 采集系统OPCUA信息模型设计 |
3.3.2 采集系统OPCUA服务接口实现 |
3.4 数据存储与管理 |
3.5 本章小结 |
第4章 基于深度小样本学习的设备故障诊断方法 |
4.1 引言 |
4.2 小样本学习融合分析方法 |
4.3 小样本学习的设备故障诊断流程 |
4.4 融合小样本学习理论的神经网络模型 |
4.5 设备故障诊断数据集 |
4.6 测试与分析 |
4.6.1 样本数量对小样本学习模型诊断效果影响 |
4.6.2 噪声环境下的小样本学习模型鲁棒性分析 |
4.6.3 新故障类别下的小样本学习模型鲁棒性分析 |
4.6.4 新工况下的小样本学习模型鲁棒性分析 |
4.7 本章小结 |
第5章 基于深度迁移学习的设备寿命预测 |
5.1 引言 |
5.2 迁移学习融合分析方法 |
5.3 深度迁移学习的设备寿命预测流程 |
5.4 融合迁移学习的寿命预测神经网络模型 |
5.5 设备寿命预测数据集 |
5.6 评估函数 |
5.7 测试与分析 |
5.7.1 不同工况下深度迁移学习性能测试与分析 |
5.7.2 设备工况对深度迁移学习性能影响分析 |
5.7.3 深度迁移学习产生负迁移原因分析 |
5.8 本章小结 |
第6章 数字车间设备数据可视化研究 |
6.1 数据可视化理念 |
6.2 设备数据感知可视化研究 |
6.3 设备数据融合分析可视化研究 |
6.4 设备健康状况监测可视化研究 |
6.5 本章小结 |
第7章 原型系统设计与开发 |
7.1 系统设计 |
7.1.1 功能需求分析 |
7.1.2 系统架构设计 |
7.1.3 开发和运行环境 |
7.2 数据融合接口设计 |
7.3 功能应用模块开发 |
7.4 系统应用效果展示 |
7.4.1 系统主界面 |
7.4.2 数据感知与汇聚 |
7.4.3 数据融合与大数据分析 |
7.4.4 数据可视化应用 |
7.5 本章小结 |
第8章 总结与展望 |
8.1 工作总结 |
8.2 研究展望 |
致谢 |
参考文献 |
附录 |
附录 A 攻读博士学位期间获得的学术成果清单 |
a 学术论文 |
b 软件着作权 |
c 专利 |
附录 B 攻读博士学位期间参与课题相关的重大科研项目 |
图版 |
图目录 |
表目录 |
(8)油液污染对重型数控机床液压系统可靠性的影响规律研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 课题来源 |
1.3 国内外研究现状 |
1.3.1 重型机床可靠性研究发展与现状 |
1.3.2 液压系统可靠性研究发展与现状 |
1.3.3 油液污染研究的发展与现状 |
1.4 面临的问题和研究难点 |
1.5 论文主要研究内容及结构 |
第2章 重型机床子系统广义FMECA |
2.1 引言 |
2.2 重型机床子系统划分 |
2.3 重型机床故障数据采集 |
2.3.1 规范性 |
2.3.2 代表性 |
2.4 考虑维修成本及时间的重型机床使用阶段FMECA |
2.5 基于广义FMECA信息的子系统薄弱程度排序 |
2.5.1 基于广义FMECA信息的子系统薄弱程度排序原理 |
2.5.2 影响因素的确定 |
2.5.3 基于CBWM的信息权重确定 |
2.5.4 基于TOPSIS的子系统薄弱程度排序 |
2.6 实例分析 |
2.7 本章小结 |
第3章 基于区间粗糙数和D-S证据理论的液压系统FTA |
3.1 引言 |
3.2 重型机床液压系统故障树分析 |
3.2.1 故障树分析概要 |
3.2.2 液压系统故障分析 |
3.2.3 建立液压系统故障树 |
3.2.4 最小割集划分 |
3.3 底事件重要度分析 |
3.3.1 重要度分析函数 |
3.3.2 基于D-S证据理论的底事件客观发生度估算 |
3.3.3 基于区间粗糙数的底事件主观发生度估算 |
3.3.4 基于区间数运算的底事件综合发生度估算 |
3.4 基于区间数排序方法的底事件重要度排序 |
3.5 实例分析 |
3.6 本章小结 |
第4章 面向油液污染的重型机床液压元件可靠性建模 |
4.1 引言 |
4.2 油液污染检测试验 |
4.2.1 油液污染检测概要 |
4.2.2 试验仪器 |
4.2.3 试验规范 |
4.2.4 试验方案 |
4.3 数据分析 |
4.3.1 数据预处理 |
4.3.2 数据模型 |
4.3.3 环境因素相关性分析 |
4.4 基于油液污染数据的可靠性建模 |
4.4.1 基于退化轨迹的可靠性建模 |
4.4.2 基于退化量分布的可靠性建模 |
4.4.3 基于应力强度干涉模型的可靠性建模 |
4.5 本章小结 |
第5章 基于污染控制模型的重型机床液压系统可靠性设计 |
5.1 引言 |
5.2 研究对象 |
5.3 油液污染控制模型 |
5.3.1 模型建立 |
5.3.2 参数估计 |
5.3.3 模型检验 |
5.4 基于污染控制模型的液压系统全局可靠性模型 |
5.5 液压系统设计考虑的因素 |
5.5.1 可靠性因素 |
5.5.2 结构因素 |
5.5.3 性能因素 |
5.5.4 费用因素 |
5.6 液压系统优化设计模型 |
5.6.1 模型建立 |
5.6.2 模型求解 |
5.7 敏感性分析 |
5.8 本章小结 |
第6章 基于ANP的重型机床液压系统可靠性增长率评价 |
6.1 引言 |
6.2 可靠性增长率计算模型建立流程 |
6.3 整机与子系统的可靠性映射关系 |
6.4 子系统MTBF增长率计算模型 |
6.5 子系统MTBF“自然增长率”计算模型 |
6.5.1 子系统MTBF“自然增长率”的综合评分计算模型 |
6.5.2 综合评分的获取 |
6.5.3 综合评分影响因素权重的获取 |
6.6 实例分析 |
6.6.1 分析对象 |
6.6.2 分析过程 |
6.6.3 结果分析 |
6.7 本章小结 |
第7章 总结和展望 |
7.1 全文总结 |
7.2 研究展望 |
参考文献 |
攻读博士学位期间取得的学术成果 |
攻读博士学位期间参加的科研项目 |
致谢 |
(9)基于EL冷光线的数控机床电气故障可视化高效排查方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状及发展动态分析 |
1.3 常用数控机床电气设备故障诊断技术 |
1.3.1 电气故障的分类 |
1.3.2 排除电气故障的一般步骤 |
1.3.3 电气故障诊断的方法 |
1.4 论文主要研究内容 |
第2章 基于马尔可夫离散概率的数控机床设备电气故障排查时间模型 |
2.1 马尔可夫离散概率原理 |
2.2 基于马尔可夫离散概率理论建立数控机床设备电气故障排查时间模型 |
2.2.1 数控机床设备典型电气系统 |
2.2.2 针对典型电气系统建立故障排查时间模型 |
2.3 影响数控机床设备电气故障排查时间的关键因素分析 |
2.4 基于故障排查关键因素提出解决方案 |
2.5 本章小结 |
第3章 EL冷光线技术在数控机床诊断中的可行性分析 |
3.1 EL冷光线技术原理 |
3.2 基于EL冷光线技术的故障诊断机理 |
3.3 EL冷光线的热效应分析 |
3.3.1 热效应计算 |
3.3.2 温升百分比 |
3.4 EL冷光线寿命计算 |
3.4.1 活化能E的确定 |
3.4.2 热老化寿命计算 |
3.5 EL冷光线在数控机床诊断中的可行性分析 |
3.5.1 普通机床导线与EL冷光线寿命及热效应对比分析 |
3.5.2 EL冷光线寿命及热效应 |
3.5.3 普通机床导线与EL冷光线额定电流的对比分析 |
3.6 本章小结 |
第4章 基于EL冷光线技术的数控机床电气故障排查效能分析 |
4.1 EL冷光线在数控机床中的硬件设计 |
4.1.1 电压匹配性方案 |
4.1.2 驱动器设计 |
4.1.3 EL冷光线接线方法 |
4.1.4 EL冷光线在数控机床实际接线中的应用 |
4.2 应用EL冷光线技术的数控机床设备故障试验 |
4.2.1 试验方案 |
4.2.2 试验装置 |
4.2.3 试验材料 |
4.2.4 试验结果 |
4.3 应用EL冷光线技术的数控机床设备效率试验 |
4.3.1 试验方案 |
4.3.2 单点位故障排查过程及效率分析 |
4.3.3 多点位故障排查过程及效率分析 |
4.4 本章小结 |
第5章 总结及展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
攻读学位期间成果 |
A.作者在攻读硕士学位期间发表的论文 |
B.作者在攻读硕士学位期间申请的专利 |
(10)柔性制造系统的Petri网故障诊断与调度方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景与意义 |
1.2 国内外研究现状 |
1.3 本文研究内容和结构安排 |
1.3.1 研究内容 |
1.3.2 文章结构安排 |
第2章 理论基础 |
2.1 引言 |
2.2 数控机床控制系统 |
2.3 Petri网理论 |
2.3.1 Petri网的基本概念 |
2.3.2 Petri网的基本性质 |
2.3.3 标签Petri网 |
2.3.4 赋时Petri网 |
2.4 本章小结 |
第3章 数控机床控制系统的Petri网建模方法 |
3.1 引言 |
3.2 数控机床控制系统工作单元的Petri网建模方法 |
3.2.1 建模方法 |
3.2.2 实例分析 |
3.3 伺服电机编码器的建模方法 |
3.3.1 编码器的工作原理 |
3.3.2 伺服电机编码器建模方法 |
3.4 数控机床控制系统的Petri网建模方法 |
3.4.1 建模方法 |
3.4.2 数控机床控制系统的标签Petri网建模方法 |
3.5 本章小结 |
第4章 数控机床控制系统的故障诊断方法 |
4.1 引言 |
4.2 数控机床控制系统的故障类型 |
4.3 数控机床控制系统的故障Petri网模型 |
4.4 数控机床控制系统的故障诊断算法 |
4.5 实例分析 |
4.6 本章小结 |
第5章 基于A~*算法的柔性制造系统的优化调度 |
5.1 引言 |
5.2 柔性制造系统的Petri网建模 |
5.2.1 建模原理 |
5.2.2 实例分析 |
5.3 基于A~*算法的柔性制造系统的启发式搜索 |
5.3.1 A~*算法简介 |
5.3.2 A~*算法的具体步骤 |
5.3.3 启发函数的构造 |
5.3.4 实例分析 |
5.4 发生故障后的柔性制造系统的优化调度方法 |
5.4.1 柔性制造系统的故障Petri网模型 |
5.4.2 实例分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 文章总结 |
6.2 对未来工作的展望 |
参考文献 |
致谢 |
个人简历、在学期间发表学术论文及研究成果 |
四、GM(1,1)逐步优化建模方法及其在数控系统故障诊断中的应用(论文参考文献)
- [1]基于非参主动学习的数控系统故障诊断技术的研究与应用[D]. 石杰. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [2]基于Digital Twin的数控机床预测性维护关键技术研究[D]. 骆伟超. 山东大学, 2020(01)
- [3]高端数控机床服役过程可靠性评价与预测[D]. 韩凤霞. 机械科学研究总院, 2020
- [4]基于多信号流模型的故障诊断技术研究[D]. 刘允昊. 哈尔滨工业大学, 2020(01)
- [5]数控成形磨齿机可靠性技术的分析与研究[D]. 杨英豪. 河南科技大学, 2020(06)
- [6]基于边缘计算的机床进给系统健康状态检测与智能维护[D]. 房昕宇. 上海交通大学, 2020(09)
- [7]数字车间数据感知、融合及可视化研究[D]. 张安思. 贵州大学, 2019(05)
- [8]油液污染对重型数控机床液压系统可靠性的影响规律研究[D]. 田海龙. 吉林大学, 2019(12)
- [9]基于EL冷光线的数控机床电气故障可视化高效排查方法研究[D]. 谢贺年. 西安工程大学, 2018(12)
- [10]柔性制造系统的Petri网故障诊断与调度方法研究[D]. 池正. 华侨大学, 2017(02)