基于RBF神经网络的高精度数控机床可靠性分析方法

高精度数控机床可靠性分析能够快速解决数控机床故障问题。为提高高精度数控机床可靠性分析准确性,设计一个基于RBF神经网络的高精度数控机床可靠性分析方法。应用多体系统模型,对数控机床建模,提取机床内部特征,对故障数据分类处理,完成故障数据分布拟合。在此基础上,建立数控机床可靠性评价指标,训练RBF神经网络,实现高精度数控机床可靠性分析。实验结果表明：所提出的高精度数控机床可靠性分析方法的定位误差较小,能够准确统计出数控机床的故障模式频次,确保了可靠性分析效果,提高了数控机床可靠性分析准确性。     

基于混合神经网络的数控机床故障诊断技术研究

为了实现数控机床故障诊断的自动化和智能化,提出了一种基于混合神经网络的数控机床故障诊断技术.首先通过一级BP神经网络对输入的故障信息进行分类,然后针对分类后的故障再通过二级ART神经网络实现故障的诊断和排除.基于两级混合神经网络的故障诊断系统不但具有故障自动诊断功能,而且还具有自学习和自组织等智能.     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。     

基于循环神经网络的数控机床故障诊断研究

为快速对数控机床故障进行在线定位与诊断,提出基于循环神经网络的数控机床故障诊断技术。通过提取网络节点,建立基于循环神经网络的“门”判别结构;引入模糊边界理论,对机床故障特征空间进行分类;通过组织故障诊断样本的方式,完成规则可信度率的统计与判别,实现对数控机床故障的在线诊断。以CAK6150数控机床作为研究对象,经过数据归纳可知,在循环神经网络支持下,故障诊断数据的实际输出与理论值非常接近,且收敛速度较快,能够较好解决制造类企业的机械设备应用故障问题。     

RBF云神经网络在数控机床刀具磨损状态识别中的应用

在数控机床加工过程中,刀具破损是造成加工设备损坏和加工安全事故的主要起因,且刀具的磨损对加工质量有着直接影响,因此,正确对数控机床的刀具状态进行识别有着重要的工程价值。提出一种云理论与RBF神经网络相结合的RBF云神经网络模型,该模型既有云理论的随机性和模糊性,又有RBF的学习、记忆能力。将其应用到数控机床的刀具磨损状态识别中,实验结果表明:该网络模型的精确度较高,具有较强实用性。     

基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究

数控机床故障具有隐蔽性和复杂性的特点,为了快速准确地识别数控机床发生的故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的数控机床故障诊断方法。为了改善粒子群算法局部搜索能力,在标准粒子群算法的基础上,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络结构参数,从而建立起改进PSO优化模糊神经网络的数控机床主轴伺服系统故障诊断模型。实验和仿真结果表明:与RBF神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。     

基于多模态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络（MECNN）用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明：在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。     

基于RBF神经网络的内燃机活塞-缸套磨损故障诊断

以RBF网络为识别模型，对内燃机活塞-缸套磨损的几种故障进行分类训练，并应用于待识别故障样本的识别仿真，结果表明，基于RBF的故障诊断方法优于基于BP网络故障诊断，在活塞-缸套故障诊断中是行之有效的方法。     

基于LMD和RBF结合的齿轮箱故障诊断

局域均值分解(Local Mean Decomposition,LMD)是近年来出现的一种新的时频分析方法,在机械设备故障诊断领域中的应用日益广泛。针对齿轮箱振动故障信号的非平稳性和非线性,提出了一种基于局域均值分解和径向基函数神经网络(Radial Basis Function Neural Network,RBF)相结合的齿轮箱故障诊断方法。该方法利用小波包对原始信号进行消噪;利用LMD对处理后信号进行分解,得到一系列PF分量(Product Function,PF);选取包含主要故障信息的PF分量并从中提取偏度系数等特征参数对RBF神经网络进行训练,并对齿轮箱故障进行识别和分类。通过实例验证了该方法的有效性。     

经济型数控机床常见的加工故障分析与处理

文章针对在采用华中HNC-1型数控系统的经济型数控车床、铣床加工零件过程中,出现的一些常见的硬件方面的加工故障及系统软件方面的不足问题进行了分析,并给出合理的解决方案.     

基于补偿模糊神经网络的数控机床热误差预报模型

文章提出了一种基于补偿模糊神经网络的数控机床热误差预报模型,讨论了该模型的详细结构、模糊规则、训练算法及相关技术问题,并给出了智能预报结果和精度评价.     

传感器在数控机床上的应用

传感器是数控机床的关键部件之一,正是各种各样新传感器的产生,才使数控机床加工有可能成为自动化,本文介绍了传感器在数控机床上的应用。     

数控机床远程故障诊断技术研究

本文介绍了数控机床远程故障诊断系统的结构与功能,论述了系统的构成、实现方法以及所涉及的主要技术。     

数控机床回参考点的故障分析与排除

本文分析了数控机床返归参考点的回归原理，结合具体数控机床事例，对故障各种形式进行分析、诊断及排除。数控机床回参考点的故障分析是在其确定了回参考点方式下准确诊断出来的，并加以及时排除，从而进一步提高了数控机床的开动率和可靠性。     

并联运动机床数控加工后置处理

在分析研究了并联机床的结构和坐标转换关系的基础上，针对清华大学研制的6—PSS型并联机床，提出了刀位后处理计算方法，包括刀轴矢量与机床坐标夹角的计算和NC数据的计算；为编制并联机床数控后处理程序提供一条捷径。     

机床的数控化改造及其未来发展趋势

普通机床数控化改造是综合性很强的一门机电一体化技术,本文就如何实现改造进行了分析并提供了一些方法和思路。同时对数控设备的发展趋势作了介绍,为进一步改造提供了一些参考。     

数控机床热误差的模型预报补偿

阐述了数控机床热误差补偿技术的基本概念，提出了一种基于人工神经网络的数控机床热误差模型预报补偿系统，介绍了该方法的原理，并对该系统的建立及相关技术进行了讨论。     

汽车同步器齿套摆线加工数控机床结构总体方案设计

将传统的汽车同步器齿套倒锥及滑块槽的几种加工方法，与用摆线逼近法加工汽车同步器齿套倒锥及滑块槽的加工方法加以比较，阐明了这种新方法产生的背景和优势；介绍了用摆线加工滑块槽的原理；在此基础上设计了汽车同步器齿套摆线加工数控机床的总体结构；给出了机床的主要动力和运动参数，最后展望了这种方法的应用前景。     

RBR和CBR在数控机床故障诊断专家系统中的应用

文章以数控机床为对象,研究了实例与规则协调工作的故障诊断专家系统.规则、案例在数据库中与数控机床的功能结构结合并分别存储,在推理中混合执行.规则是对实例的归纳总结.克服了规则获取难的缺点,在诊断中规则又指导实例,使得故障快速定位,提高了诊断的效率.同时文章以JSP为开发语言,采用Spring+hibernate+Struts2架构,开发了基于B/S模式的数控机床故障诊断系统,具有较好的诊断功能.