基于RBF神经网络的LSD2000点焊机故障诊断

本文介绍神经网络用于LSD 2000点焊机控制系统的故障诊断技术，分析了点焊机故障诊断的方法，并采用RBF神经网络实现点焊机控制系统故障诊断的算法和程序设计。     

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。     

数控机床电气控制系统故障的诊断与维护

主要进行数控机床电气控制系统故障诊断的分析,提出故障诊断的直观诊断法、自行诊断和参数诊断法、仪器检查,诊断和置换诊断法、转移诊断法等,同时,提出了能够保障系统维护效果的措施,以此进一步提升数控机床电气控制系统的故障诊断和维护水平,为系统的良好运行夯实基础。     

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。     

数控机床故障诊断技术的研究进展

数控机床作为一种现代化制造的核心设备,其发生故障不仅会对工作人员的自身安全造成威胁,而且还会给企业造成巨大的经济损失,仅通过工作人员的维护是很难实现的。由于数控机床故障诊断技术在我国起步较晚,功能与精度水平与发达国家存在着较大的差距,提高国产数控机床的诊断技术迫在眉睫。本文作者在系统总结国内外研究成果的基础上,结合(BAM)神经网络修正模型、非线性动态系统、神经网络与"在停机时冷却液压力的瞬态响应特征"、Case Based Reasoning、蚁群算法、集成KPCA与PSO-RBF等方法的数控机床故障诊断技术7个方面分析了数控机床故障诊断技术理论与研究进展。     

基于小波神经网络的航空发动机传感器故障诊断

航空发动机传感器故障诊断系统对于保证航空发动机控制系统可靠性和安全性至关重要,针对传统基于发动机模型的传感器故障诊断中存在建模精度不足导致故障诊断存在误诊和漏诊的问题,提出以小波变换和神经网络为基础,使用正常传感器预测故障传感器值。通过对比传感器输出和神经网络预测值的残差来实现传感器的故障诊断,其中神经网络可以在传感器故障后估计出正常的模拟信号代替故障信号供发动机控制系统使用,实现航空发动机控制系统的容错控制;使用改进粒子群优化算法优化BP神经网络的阈值和权值,以提高神经网络诊断和预测信号精度。仿真结果表明:该方法可以有效完成故障诊断,减少漏诊和误诊的发生。     

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BP神经网络的武器火控系统故障诊断平台

武器火控系统广泛采用PLC控制系统。首先根据火控系统工作流程建立故障诊断模型,然后详细介绍了BP神经网络的原理及如何在武器火控系统故障诊断中应用,特别是故障诊断中BP神经网络结构和故障诊断训练样本的确定方法。最后根据上述分析建立火控系统故障诊断实例。实践表明,应用BP神经网络算法后故障诊断系统的诊断准确率达到90％以上,该方法具有一定的参考及实用价值。     

基于传感网络的数控机床故障监控系统的设计

设计一种新型的数控机床故障监控系统,通过在数控机床上安装不同类型的传感器,对易产生故障的部位进行多参数综合监控。数据采集模块负责对各种动态参数进行实时采集,并通过无线网络方式将数据传输至上位机。上位机中安装有相应的故障监控软件,将通过软件界面显示故障信息并报警。实验结果表明:基于传感网络的数控机床故障监控系统可降低机床停机率,提高机床利用率并早期预防某些隐性故障。     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。     

基于Internet的数控机床远程故障诊断技术研究

利用Inernet Explorer作为GUI界面,采用多层C/S的B/S结构建立跨平台的、开放式的数控机床远程故障诊断系统的框架,并对智能诊断模型、网络数据库技术进行了详细的分析,该系统充分发挥因特网的优势,使故障得到及时准确的诊断,提高了设备利用率.     

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。     

计算机辅助机床故障诊断与管理系统

系统通过分析数控机床常见故障，总结出故障发生的原理，并运用直观形象的方式演示出来。分析常见故障的处理流程，采用交互式流程图的方式，根据实际判断条件决定处理的流程，完成常见故障的诊断。详细统计数控机床出现的故障，为后续机床的维护和维修提供历史实例。     

基于威布尔分布的数控机床可靠性分析

通过对一系列数控机床截尾故障数据进行了收集整理,假设数据服从二参数威布尔分布并求得相关参数,同时进行了相关性检验和假设检验的验证,得出了该批数控机床故障间隔时间分布的数学模型,进而确定了数控机床可靠性的相关指标,机床的观测值、点估计及区间估计等指标值为机床可靠性研究提供了参考。     

数字孪生驱动的数控车床主传动系统故障诊断研究

数控车床主传动系统是机床的核心部件,其一旦发生故障会造成加工质量甚至作业安全问题。数字孪生技术能降低故障诊断的难度,但目前研究仍存在物理实体到虚拟实体转换效率低和神经网络过拟合问题。为了解决上述问题,提出一种基于数字孪生和正则化BP神经网络的故障诊断方法。建立数控车床主传动系统数字孪生模型,通过OPC UA通信完成了物理实体和虚拟实体间孪生数据的交换,对比分析正则化改善过拟合问题的4种方法,构建了丢弃法正则化BP神经网络故障诊断模型。通过对比不同信噪比下BP神经网络、丢弃法正则化BP神经网络和卷积神经网络的损失函数和预测准确度,验证了诊断模型的可行性和算法的适用性。     

基于神经网络的机床智能定位控制系统

提出了一种基于神经网络算法的机床精确定位控制的方法,介绍了系统的软硬件设计及软件的实现流程。该智能定位控制系统以多点控制单元(MCU)为核心,以光栅尺为检测元件,以步进电机为驱动部件,采用基于神经网络算法的控制软件作支持,对机床进行预测定位控制。     

数控机床直线伺服系统智能反推控制的研究

针对高速高精数控机床直线伺服系统,考虑参数变化、外部负载扰动和摩擦力等不确定因素对系统伺服性能的影响,设计基于递归模糊神经网络( RFNN)的反推控制器,利用了递归神经网络具有捕获系统动态信息的优点,可实时补偿不确定因素对跟踪性能的影响.仿真结果表明,该控制策略明显降低了不确定因素对系统性能的影响,从而显著提高了直线伺服系统的位置跟踪精度.