基于灰色理论的数控机床故障预测的研究

针对数控机床可靠性故障间隔预测模型过程中数据采样难度大、成本高、数据量小、常规数据拟合和预测方法误差较大、数据难以处理等问题,提出一种基于传统灰色预测模型,将灰色残差优化模型和BP神经网络模型相结合的预测方法。在预测过程中该模型首先根据灰色理论建立主轴可靠性故障模型,再用BP神经网络训练并优化灰色理论的残差,最后用文献的主轴故障数据验证预测精度。通过不同的算法对数控机床主轴故障的试验数据验证,证明了灰色神经网络模型在主轴可靠性故障间隔工作时间的预测上优于单一算法及GM(1,1,P)模型,验证了灰色神经网络模型的可行性及有效性。     

多维非平稳时间序列在机床主轴故障诊断中的应用

采用ARIMA模型将数控机床主轴故障初期的非平稳时间序列转化成标准平稳时间序列,然后利用多维自回归(AR)模型进行数据处理与趋势预测,并分析了基于多维自回归序列参数估计的Yule-Walker算法以及FPE阶次判定准则.实测数据的计算结果表明:经稳态处理后的多维AR时序模型能够很好地拟合数控机床主轴故障模型,预测的精度符合要求.     

基于EMD-LSTM的冷轧煤气消耗量预测模型仿真

针对煤气消耗数据量大，而传统机器学习模型在处理大数据时准确度不高，且数据在时间上有一定规律可循的特点，利用长短时记忆神经网络（LSTM）独特的记忆能力对煤气进行预测。为提高LSTM预测模型精度，使用经验模态分解（EMD）算法将煤气消耗数据分解为若干个相对平稳的固有模态函数和一个残差项r(t)，提出基于EMD-LSTM算法的组合煤气预测模型。结果表明：与BP、EMD-BP、LSTM模型相比，该方法能够准确预测煤气消耗量，为企业节约成本和调度人员进行煤气分配提供参考。     

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

数控机床的数控系统的可靠性对数控机床质量起着非常重要的作用，但其故障信息是少信息的，如何对其故障做出合理的预测，具有重大的实践意义和理论价值。灰色系统理论是研究贫乏信息的科学理论，具有广泛的适应性。在GM（1，1）建模思想的基础上提出了一种逐步优化的建模方法。应用该模型对数控机床数控故障的预测进行了应用，效果令人满意，它为数控机床故障预测提供了科学而合理的新方法，值得推广使用。     

滚动轴承自适应组合状态预测方法研究

滚动轴承的状态预测组合模型中配比权重多为固定权重,自适应动态调整权重的组合型状态预测方法较少。为解决此问题,提出一种基于ARIMA与Elman的轴承自适应组合状态预测方法;采用IMS提供的轴承加速性能退化数据集进行验证。结果表明：使用单一ARIMA模型的预测相对误差为3.95%,使用单一Elman模型的预测相对误差为5.62%,而使用文中提出的变权重Elman-ARIMA组合预测模型的平均相对误差为3.22%,低于2种单一预测模型,预测结果具有更高的可靠性,证明了组合预测方法的可行性。     

基于ARIMA 和SVR 的滚动轴承状态预测方法研究

滚动轴承作为多种机械设备的关键零件,其运行状态的好坏往往影响着整机设备的运行状况,因此高精度的滚动轴承状态预测对整机设备的运行状态有着重要的意义。针对滚动轴承单一预测模型精度较差的问题,构建一种基于时间序列ARIMA和支持向量回归机SVR理论的组合预测模型。首先针对单一模型进行预测,应用误差平方和倒数法得到两种预测模型的权重结果,最终将该组合模型的预测结果分别与单一预测模型作比对分析。结果表明：该组合预测模型的预测误差均小于单一模型,具有较高的可靠性。     

基于WASVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WASVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

基于PSO优化SVM数控机床主轴系统故障诊断的研究

通过分析主轴系统的故障特征和产生机理,提出了一种基于变分模态分解(VMD)与多尺度加权排列熵(MWPE)的故障特征提取方法和粒子群(PSO)优化支持向量机(SVM)的数控机床主轴系统故障分析诊断模型。首先,利用变分模态分解方法对所采集的主轴系统振动信号进行分解,得到若干有效本征模态分量(IMFs);其次,通过多尺度加权排列熵提取故障特征信息,利用SVM模型对故障特征信息进行分类与识别;为了提高模型的识别准确率,将引入粒子群优化算法(PSO)对SVM模型参数进行优化。实验验证表明,所提出的信号特征提取方法和状态识别模型在数控机床主轴系统的故障诊断方面取得了很好的成效,其故障识别准确率最高达99.56%。     

基于SO-LSTM的立柱液压系统故障诊断方法研究

针对目前无法快速、准确地诊断矿用立柱液压系统故障等问题,在建立仿真模型分析单一故障机制的基础上,基于优化算法提出多种故障诊断方法。将立柱物理模块与立柱液压系统模块相结合,建立立柱液压系统仿真模型;基于Simulink分析单一故障的影响,基于蛇优化LSTM神经网络建立诊断模型;最后,根据实际数据进行模型的实例验证。结果表明：蛇优化LSTM模型对液压立柱故障仿真数据识别率达到99.5%,对液压立柱故障真实数据识别率达到97%,与模型仿真数据的预测精度仅相差2.5%,预测精度较高,达到了预期目标。     

GA-LSTM模型在数控机床故障预测中的应用

数控机床加工中的机床故障会影响加工精度。提出一种预测方法，在加工前预判机床的故障，避免机床在加工中发生故障影响加工精度。为了快速准确地预测数控机床故障，采用遗传算法优化长短期记忆神经网络模型，预测服役过程数控机床中可能出现的故障。采集不同状态下的故障信号作为网络训练样本，采用网络模型预测机床出现故障的状态。结果表明：GA-LSTM是一种精度较高的预测模型，在数控机床故障预测中具有良好的表现，可以避免机床出现故障而影响加工精度的情况。     

数控机床主轴热误差的数据驱动模型研究

当实际工况与建模工况存在差异时,传统的热误差模型往往表现出较差的鲁棒性和预测精度,主要原因在于建模数据的局限性和模型的未建模动态。为了改善上述状况,提出了一种基于数据驱动的数控机床主轴补偿模型。此模型采用无模型自适应控制算法建模,结合机床运行中生成的数据(温度数据和误差数据)对热误差模型进行实时修正,使模型能快速适应新的加工工况,从而提高模型的鲁棒性。在一台数控车床主轴上进行了试验验证,结果表明:无模型自适应控制与多元回归模型比较,其标准差、最大残差和误差平方和分别提高了41%、62%和56%,此模型的鲁棒性和预测效果好。同时,此方法为大数据在机床主轴热误差补偿中的应用奠定了基础。     

基于多体系统理论的数控机床加工精度几何误差预测模型

针对多轴联动数控机床加工精度误差补偿问题,从分析数控机床误差产生机制和建立精度误差补偿模型的角度,提出基于多体系统理论的数控机床加工精度几何误差预测模型。分析B-A摆头五轴龙门数控机床的拓扑结构关系、低序体阵列、各典型体坐标变换,推导出B-A摆头五轴龙门数控机床的精度几何误差预测函数模型。采用平动轴十二线法误差参数辨识算法,计算出B-A摆头五轴数控机床21项空间几何误差,为精度几何误差预测函数提供有效的误差参数。该精度误差参数建模方法,对不同结构和运动关系的数控机床具有通用性,为后续数控机床误差动态实时补偿提高切削加工精度提供了理论基础。     

机床热误差非线性组合预测模型研究

在精密及超精密加工过程中,数控机床热误差是影响加工精度的一项重要误差源,最经济和有效地减少热误差的方法是热误差补偿技术。针对热误差补偿预测模型的预测精度问题,提出一种非线性组合预测模型。该预测模型利用灰色关联度方法对单项预测模型进行筛选,对筛选出的单项预测模型基于不同优化准则进行线性组合,通过广义回归神经网络对该线性组合模型进行非线性组合,得到非线性组合预测模型。误差预测结果表明:对比典型的BP神经网络预测模型,非线性组合预测模型的预测精度更高,最大误差由4.78μm减小到0.7μm。     

数控机床热误差建模及预测方法分析

热误差作为制约数控机床加工精度的关键因素,在重型数控机床上表现得尤为明显。以重型落地镗铣床为例,根据热误差测量试验数据,分析重型数控机床温度场特性,并基于兼顾相关系数和欧式距离的系统聚类准则,对温度测点系统进行优化,以减小温度测点间共线性。通过优化温度测点,采用多元线性回归分析,建立重型数控机床热误差预测模型。由现场试验可知,建立的热误差预测模型可将均方根误差控制在10μm以内,有效地提高了热误差预测精度。     

基于NC程序的重型数控铣齿机床能耗预测

准确预测重型数控铣齿机床的能耗是制造过程节能降耗的理论基础。以重型数控高速铣齿机为研究对象，提出基于NC程序的能耗预测方法。分析数控机床耗能部件的能耗特征，并按能耗特征进行部件分类；建立各部件能耗模型，并提出齿轮成形铣齿的材料去除率计算方法；最后，开发重型齿轮铣削加工能耗预测程序。在2台不同型号重型数控铣齿机上的试验表明预测方法的预测精度在95%以上，方法可行；此外，分别提高10%进给速度在实验的2台高速铣齿机上，其分别节能7.52%和4.25%，结果表明重型机床规格越大，节能潜力越大。     

一种大数据驱动的机床组群互学习精度优化方法及验证

数控机床目前急需解决效率提高和精度保证的问题,传统数控机床难以精确、全面地预测和优化各种加工工况下的误差。提出一种通过应用制造大数据来提高数控机床组群整体性能的新思路和实现方法,使机床组群能够以单台机床无法实现的速度进行学习和精度优化,研究制造过程数据的特点和表征方法。实验表明：大数据模型驱动下的机床组群互学习精度优化加工方法,加工精度和表面质量明显优于普通传统数控加工方法,实现了数控铣削的高效高质量加工。     

FMA结构化分解下基于Bayes-GO的数控机床可靠性评估

为提高数控机床可靠性,提出一种FMA功能结构分解下基于Bayes-GO的可靠性评估模型。将产品按照功能－运动－动作进行功能结构化分解,得到实现产品功能的所有元动作单元;利用Bayes法综合元动作单元样本信息和验前信息,获取元动作单元可靠性模型;将FMA结构化分解树映射成GO图,并根据GO法操作符和信号流运算规则进行可靠性定量分析,为机床可靠性设计提供重要依据。以国产某磨齿机砂轮架为例进行可靠性评估,验证所提方法的合理性与可行性。     

基于改进卷积神经网络的数控铣床能效等级预测

针对数控铣床能效影响要素多、要素间关联关系复杂而导致的机床能效等级预测问题,提出一种基于卷积神经网络的数控铣床能效等级预测方法。通过数控机床运行过程能效影响要素分析,从设备、工艺、工件、刀具的维度对影响要素进行了分类;依据不同维度数据的来源,提出数控铣床多维数据的采集与预处理方法;提出基于LeNet-5改进卷积神经网络的数控铣床能效等级预测方法。并通过案例验证了方法的可行性和适用性,最终的训练准确度达到97.29%,在测试集上的准确度达到93.32%,预测结果较好,可以指导设备以及可控参数的选择,有较好的应用前景。     

基于神经网络系统的滚珠丝杠热误差建模

在追求高精度加工的现代数控系统中,热误差的消除具有重要的意义.文章首先简述了神经网络系统的特性及训练方法,成功地将神经网络模型应用于对数控机床直线进给系统的热误差进行建模,并取得了预期的成果,使最大预测误差降低到2μm,为进一步的热误差补偿奠定了基础.详细阐述了实际建模流程,根据训练数据的具体特征提出了一种新的数据预处理方法,使这些数据能更有效地应用于模型训练,是论文的一个创新点.