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RBF神经网络的数控机床故障诊断研究

本文介绍神经网络用于数控机床控制系统的故障诊断技术，分析了数控机床故障诊断的方法，并采用RBF神经网络实现数控机床控制系统故障诊断的算法和程序设计。     

LM算法BP神经网络的数控机床主轴系统故障诊断

针对目前数控机床故障复杂、诊断困难的问题,提出基于人工神经网络的故障诊断方法。在研究传统BP神经网络故障诊断模型基础上,引入改进的BP算法-LM算法,建立机床主轴系统LM-BP神经网络故障诊断模型,对机床主轴系统故障进行分析与诊断,再通过Matlab仿真与传统BP神经网络相对比,仿真结果表明:传统BP神经网络存在较难实现快速、准确的故障定位问题,而BP神经网络LM算法作为故障诊断的核心算法收敛速度快、识别准确。该方案设计合理可行,有较好的应用前景,并给出应用了实例。     

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。     

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BP神经网络数控机床切削能耗的研究

数控机床的能耗来源于工作时的电动机空载和切削过程中的负载消耗。分析切削过程中的切削速度、进给速度、切削深度等切削参数对数控机床能耗的影响;基于BP神经网络搭建数控机床能耗与切削参数的模型,简化了经验公式繁琐的计算过程;利用遗传算法对切削参数进行优化。对比试验表明:用优化后的参数进行加工,能明显地降低能耗,为加工过程能耗控制提供了一个良好的方案。     

基于遗传算法优化BP神经网络的液压系统故障诊断

液压系统作为控制和动力传输设备的核心部件,在现代工业生产机械中被广泛应用,准确诊断其故障具有提高生产效率和保障工作安全性等重要的工程意义。液压系统一旦发生故障往往是多故障同时出现,传统BP神经网络故障诊断算法往往不能满足多故障诊断准确率,提出一种基于遗传算法改进BP神经网络（GA-BP）的液压系统故障诊断方法,针对不同采样频率下多传感器信息融合的液压系统3种典型的故障模式进行对比分析。结果表明：GA-BP故障诊断算法相对于传统的BP神经网络具有更好的诊断性能。     

基于故障树的数控机床故障诊断算法设计的研究

根据故障树分析法的具体理论基础,以数控机床急停实例分析了算法流程;设计了递归算法、基于BDD图求解MCS算法及模块化分解算法;并进行了故障树相关的定量分析,为基于故障树的数控机床故障诊断奠定了基础。     

基于神经网络的数控机床位置控制的研究

本文提出了一种新型的神经网络结构的位置控制器，给出了该控制器的学习算法，并进行了数控机床位置伺服系统的仿真实验，结果表明这种控制器性能优越，自适应能力强。     

基于网络的数控机床故障预警与诊断平台设计与实现

以大型数控曲轴磨床、重型轧辊磨床和用于核电装备制造的重型数控镗铣床等为研究对象,研究了这类装备关键部件信号采集、故障诊断与预警技术,研制了现场监测与故障诊断仪,建立了这类装备的故障诊断知识库,开发了数控机床故障预警与诊断模型和数控机床故障预警与诊断平台,实现了轧辊数控磨床、数控曲轴磨床和重型数控镗铣床等机床的状态显示、故障诊断和性能预报。     

一种改进的BP神经网络在故障诊断中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行故障诊断.本文结合计算机综合业务的一些实际问题,探讨了利用改进的BP神经网络进行故障诊断的方法和应该注意的问题,在分析神经网络的基础上提出了基于改进的BP模型神经网络的故障诊断推理方法.结果表明,基于BP神经网络的故障诊断方法是行之有效的.     

数控机床远程故障诊断数据库及其实现

建立数控机床故障诊断系统数据库，使远程技术中心通过网络了解到用户方数控机床的工作状态后，利用ODBC数据库的接口技术调用数据库的内容对数控机床故障进行诊断，提出可行的解决方案。     

基于BP神经网络的SCARA机器人故障诊断

以SCARA机器人为研究对象,在ADAMS软件中建立SCARA机器人模型,进行仿真。采集SCARA机器人大臂前后端、小臂前后端及底座等容易出现裂纹部位的加速度数据;在MATLAB中运用BP神经网络建立SCARA机器人故障诊断模型,实现利用BP神经网络对SCARA机器人故障进行智能识别与分类。结果表明：BP神经网络的计算结果与期望输出基本一致,验证了其准确性及可靠性。     

数控机床网络故障诊断系统的开发与应用

以FANUC 0i-C系统为例,提出一种可进行数控机床网络故障诊断的方法。通过建立机床数据信息库,将参数、接口状态、诊断信息等存储到数据库中,为机床故障诊断提供数据支撑。用户可根据机床正常时与故障时的数据比较与信息提示,快速定位机床故障。