基于粗糙集理论的数控机床智能故障诊断研究

面向数控机床智能化发展需求,提出了基于数据挖掘技术的智能故障诊断方法.建立机床智能诊断单元的系统框架,框架由状态监控及特征信号采集、历史故障数据分析及诊断规则获取、故障推理机制3个功能模块组成.重点研究诊断规则的获取技术,提出了基于粗糙集理论的故障诊断决策规则生成算法.算法充分利用信息决策系统的特性,通过简化对不必要属性和核心属性的分析,并引入回溯思想计算约简集,有效降低了属性集约简的计算复杂度,提高规则求取效率.在建立规则库的基础上,引入基于证据理论的信息融合技术,解决多传感器故障监测数据与诊断规则准确匹配的问题,建立故障推理机制.实例研究证明该方法可行.     

多传感器融合的数控机床热误差回归建模新方法

热误差对机床的加工精度影响很大,高性能的补偿系统依赖于多传感器融合建立的三维模型的精度、鲁棒性和合适的温度进行反馈输入。本文使用温度与位移传感器的模糊聚类进行温度分类,基于评价模型比对分析最优的温度分类,从每个分类中选择具有代表性温度作为候选温度。归纳试验数据,使用分段逆回归SIR模型进行热误差建模,SIR模型将高维前移回归问题转化为多个一维的回归问题,并且进一步消除了候选温度之间的耦合。热误差试验表明,SIR模型具有泛化能力强、预测精度高及鲁棒性好的特点,能够准确地描述多种典型工况条件下的实际热误差特性。     

基于通信质量约束的主轴热监测无线传感器布点优化

引入信息论和图论的相关方法,采用互信息量来描述测点温度与主轴热变形的相关性.通过图论中的邻接矩阵来表示无线传感器间的通信路径,利用Warshall算法判断图的连通性,得到传感器间的通信可达性,从而保证测点选择满足通信可靠性约束条件.采用人工鱼群算法求解在该约束条件下的大规模组合优化问题,在合理的时间耗费内得到可选测点组合的优化解.在数控机床主轴热误差建模实验中,通过有、无约束条件2种情况下的建模实验验证了该传感器方法的有效性     

改进混沌粒子群优化的灰色系统模型在机床热误差建模中的应用

为减少热误差对数控机床加工精度的影响,提高灰色系统模型(Grey system Model,GM)的预测精度,尝试将改进混沌粒子群优化(Improvemen Chaotic Particle Swarm Optimization,ICPSO)算法引入到灰色系统模型中,提出一种基于改进混沌粒子群优化算法的灰色系统模型数控机床热误差建模方法。首先,建立粒子群优化(Particle Swarm Optimization,PSO)粒子与GM(1,N)系数的映射关系;其次,ICPSO中混沌理论的Logistic映射对粒子群的位置和速度进行初始化,通过优化搜索得到最优GM(1,N)系数和输入子集;最后,建立改进混沌粒子群优化的灰色系统模型(ICPSO-GM),对数控机床热误差进行预测。仿真实验表明,ICPSO-GM预测精度高于GM和人工神经网络(ANN)模型,证明了ICPSO-GM能有效地解决数控机床热误差预测问题。     

碳纤维复合材料原位增材制造设备与工艺

为了实现碳纤维增强热塑性复合材料（CFRTC）高质高效原位增材制造,设计一种激光聚焦加热CFRTC原位增材制造平台,以单向连续碳纤维增强聚醚醚酮热塑性复合材料（T800 CF/PEEK UD）预浸带为原材料开展CFRTC成型工艺相关研究. 制备环形样件进行剪切强度测试表征,通过扫描电子显微镜观察样件的截面形貌,确立激光聚焦加热CF/PEEK的可行工艺参数窗口与较优工艺参数. 结果表明,CF/PEEK成型件强度受激光聚焦加热温度、成型速度影响较大,均表现出随激光聚焦加热温度与成型速度的增加,先增大后减小,当成型速度为30 mm/s和激光加热温度为450 ℃时,环形样件有较高的剪切强度,并且表现出较少的微观缺陷.     

微制造数控系统的实时有限状态机建模研究

为提高传统有限状态机（FSM）分析微制造数控系统（NCS）实时性特征的能力，提出了一种实时有限状态机（RTFSM）模型.该模型对传统FSM概念进行扩展，通过增加时间属性来描述状态行为的执行时间以及状态间切换所需的时间耗费.考虑到对复杂NCS控制流程进行设计、分析计算量较大，引入图论中的时间约束网络理论，采用经过修正的Floyd算法对模型中各个状态行为开始和结束时间的取值范围进行分析计算，从而实现控制流程的可调度性判定.实例研究表明，实时有限状态机可有效地建立微制造NCS控制流程模型，并降低对控制流程进行可调度性分析的复杂度，适用于NCS实时性研究.     

贝叶斯证据框架下的LS-SVM多工况数控机床热误差建模

最小二乘支持向量机(LS-SVM)模型是表征数控机床热误差特性的有效工具,但该模型中的参数设置直接影响建模的精度。传统的基于交叉验证法或网格法的参数获取方法存在计算量大、精度低的缺点,且同一组模型常数往往不能准确表征机床多种工况条件下所产生的热误差。为解决这一问题,提出了一种基于贝叶斯证据框架理论的LS-SVM多工况参数优化方法。通过测量不同工况下数控机床温度值与主轴热变形量,采用贝叶斯证据框架的3个推断对LS-SVM模型进行训练并对参数进行辨识和优化,推导出了不同工况所对应的最优模型和参数。热误差建模实验验证了该参数优化方法的有效性,结果显示,经优化的模型具有泛化能力强、预测精度高、计算速度快的特点,能够较准确地描述多种典型工况条件下的实际热误差特性。     

基于图神经网络的零件机加工特征识别方法

针对现有基于深度学习的方法存在的难以识别相交特征、无法精确确定加工特征面的问题,提出基于图神经网络的加工特征识别方法.通过压缩激励模块提取节点与邻接边的特征,构建节点级与邻接边级的双层注意力网络,分割每个节点对应的加工特征.该方法充分利用了零件模型的面特征与边特征,结合零件模型的拓扑结构,基于注意力机制对特征信息进行深度学习,可以有效地解决非面合并相交特征的识别问题.在多加工特征零件数据集上,将该方法与其他3种特征识别方法进行实验对比,在准确率、平均类准确率和交并比3项指标上均取得最优结果,识别准确率高于95%.     

面向数控系统的优化调度算法及容错策略研究

建立了混合关联任务集描述模型,并引入人工智能领域的启发式搜索算法,以实现该模型任务集的最佳优先调度.在此基础上,进一步提出了基于回卷恢复机制的容错调度策略,通过对瞬时故障的容错恢复,提高数控系统运行的可靠性.与传统实时容错调度算法相比,基于回卷恢复机制和最佳优先调度算法的容错策略,能很好地适用于混合关联任务集.同时,通过降低错误恢复所需的时间开销,有效地提高了系统的资源利用率.实例分析和算法模拟研究证明了该算法应用于数控系统的有效性.     

基于回卷恢复的数控系统实时容错调度策略

针对数控系统对时间确定性和可靠性的要求,建立混合关联任务集描述模型,提出了基于回卷恢复机制和最佳优先（BF）算法的容错调度策略.该策略对数控系统关键任务的执行过程进行周期性分段验证,通过保存正确的检查点状态,使得出现瞬时故障时任务可以从检查点开始继续执行,从而以较低的计算损失达到容错的效果.与传统的实时容错调度算法相比,基于回卷恢复机制的容错调度策略能很好地适用于数控系统多类型任务并存和任务间相互约束的特点,同时,通过降低错误恢复所需的时间开销,有效地提高了系统的资源利用率.该算法应用于数控系统的有效性在实例分析和算法模拟研究中得到验证.