CN101846992A - 基于数控机床故障案例的故障树构造方法 - Google Patents
基于数控机床故障案例的故障树构造方法 Download PDFInfo
- Publication number
- CN101846992A CN101846992A CN 201010168297 CN201010168297A CN101846992A CN 101846992 A CN101846992 A CN 101846992A CN 201010168297 CN201010168297 CN 201010168297 CN 201010168297 A CN201010168297 A CN 201010168297A CN 101846992 A CN101846992 A CN 101846992A
- Authority
- CN
- China
- Prior art keywords
- fault
- incident
- case
- relation
- tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于数控机床故障案例的故障树构造方法,包括:1.基于案例推理的故障诊断系统设计:故障案例的表示以及故障案例的组织和检索,采用结构索引的方法,将案例库组织成树状结构,实现故障案例的检索;2.基于数控机床故障案例的故障树构造方法:由若干故障案例生成可达矩阵,通过事件的层次分析以及事件的“与”、“或”关系分析,确定顶事件、中间事件、底事件以及它们之间的逻辑关系,建立可达矩阵式所对应的故障树。该方法克服了构建故障树需要非常熟悉数控机床的结构、故障形式以及相互间的影响关系,根据故障案例即可自动生成数控机床故障树。通过故障案例的积累,故障树愈加完善,从而更加明确故障现象与原因之间的本质关系,有利于及时排除故障。
Description
技术领域
本发明涉及一种数控机床故障诊断系统,尤其是一种应用基于案例推理解决数控机床故障诊断的方法。
背景技术
现代生产系统中,随着数控机床在自动化生产系统的广泛应用,同时也潜伏着一个很大的问题,即一旦发生故障所造成的直接与间接损失将是十分严重的。因此,及时排除故障成为现代生产系统必须要考虑的问题。由于企业数控机床品种繁多,每一台数控机床故障诊断的经验数据较少,且不同机床其故障机理不同,其它机床积累下的故障数据与诊断经验又无法照搬使用,往往使得数控机床的故障不能及时的得到处理。基于案例的推理(Case-based reasoning,简称CBR)是近年来人工智能领域中兴起的一项问题求解和学习的推理技术,在缺乏大量系统适用的机床故障诊断经验数据的情况下,应用基于案例推理解决问题的思想和方法,为建立机床故障诊断系统,提供了一条切实可行的途径,同时该方法又能收集、处理和利用机床加工过程积累的各种有用的故障诊断经验和数据。基于案例推理的故障诊断系统是通过访问事例库中的同样或相似故障征兆的求解,获得当前故障解决方案的一种推理方法。案例推理系统的关键是实例的表示、组织和检索、实例的修改、维护等方面。然而,该系统仅仅是将故障征兆与故障原因间建立起一种因果关系,供以后发生类似情况时进行查询,以便尽快排除故障。它不能反映出数控机床各种故障现象间的逻辑关系,例如,一种故障征兆可能对应不同的故障原因,其关系无法用案例推理系统表示出来。故障树分析是建立在系统的结构和原理基础上,反映故障的传播方式和故障事件之间因果关系的一种表示方法,可以直观的反映出各种故障现象之间的逻辑关系,是一种适用于复杂系统可靠性和安全性分析的有效工具,已经形成了系统的理论分析方法并应用于各种设备的故障诊断系统之中。然而,建造故障树需要非常熟悉数控机床的结构、故障形式以及相互间的影响关系,是一件困难的工作。
发明内容
本发明是要提供一种基于数控机床故障案例的故障树构造方法,该方法通过故障案例的积累,分析各个故障案例间可能存在的逻辑关系,根据故障树的数学描述模型,自动构成数控机床故障树,供数控机床操作者进行故障诊断。
为实现上述目的,本发明的技术方案是:一种基于数控机床故障案例的故障树构造方法,包括:
(1)基于案例推理的故障诊断系统设计
(1.1)故障案例的表示
根据数控轧辊磨床的故障诊断特点,考虑故障现象、故障原因、故障检测等知识的表达方法,将故障案例抽象为如下形式的多元组:case={I,E,P,F,G,T,M,D,A},其中:
I--案例号:case i
E--故障现象:E1,E2,…,Eq,其中,Ei={ei,di},ei为定性征兆,di为征兆现象的级别;
P--故障部位:Pi
F--故障特征:[特征,特征值,权值],用于故障特征测量值的知识表示;
G--故障原因:Gi
T--检测顺序:T1,T2,…,Tw,其中,Ti={ti,di},ti为检测对象,di为检测结果;
M--排除方法:M1,M2,…,Mk
D--故障说明:发生日期,操作人员,维修日期,维修人员;
A--附件:图片及相关文档;
(1.2)故障案例的检索
根据数控机床故障诊断的特点以及上述案例的表示方法,采用结构索引的方法,将案例库组织成树状结构,实现故障案例的检索:将数控轧辊磨床的故障案例库按故障现象的发生部位组织成树状结构的索引模型;
(2)基于数控机床故障案例的故障树构造方法
(2.1)生成可达矩阵
设N个故障案例case 1,case 2,…,case N,其对应的故障现象分别为E1,E2,…,EN,故障原因分别为G1,G2,…,GN,对每一个故障现象Ei进行分析,对若干个对象进行检测,设检测结果异常的检测对象为ti1,ti2,…,tik,这些变量之间的关系由图论中的可达矩阵表示:
在式(1)中,如果一个事件可以导致另一个事件的发生,则在两个事件的行与列的交点处标注1,否则为0;
(2.2)事件层次分析
构建故障树时,故障树的第一层事件是已知的,从第二层开始确定,假设事件Ei不是第一层事件,来推论事件Ei是否为第二层事件;事件Ei可以影响的事件包括其本身、与其有“与”关系的事件、以及比事件Ei更高一级的事件,将这些事件集合称为事件Ei的可达集,记为R(Ei);可能引发事件Ei的事件包括其本身、其下层各事件、以及与其具有“与”关系的事件,将这些事件集合称为事件Ei的原因集,记作A(Ei);比事件Ei高层的事件不会出现在R(Ei)和A(Ei)交集内,因此在求第二层时,把第一层对应的行和列去掉,如果R(Ei)和A(Ei)的交集为R(Ei)本身,即R(Ei)IA(Ei)=R(Ei),那么事件Ei就是第二层;依此类推,直到将所有的事件分层完毕,经判断式(1)中事件E1 E2…EN为第二级;G1…GN为第三级;t11…t1k t21…t2l tN1…tNm为第四级,其中事件的顶事件是已知的。
(2.3)事件间的“与”、“或”关系
根据图论的相关理论,如果式(3)为单位阵,则各个事件之间是“或”关系;若不是,则事件间有“与”关系存在,当前,式(3)不是单位阵,在事件t11…t1k,t21…t2l,…,tN1…tNm对应的行和列中有1,说明t11…t1k,t21…t2l,…,tN1…tNm各组具有强连接关系,则事件t11…t1k为“与”关系,t21…t2l为“与”关系,…,tN1…tNm为“与”关系;其余事件间均为“或”关系;
通过上述事件的层次分析以及事件的“与”、“或”关系分析,建立可达矩阵式(1)所对应的故障树。
本发明的有益效果是:
1.本发明提出的基于数控机床故障案例的故障树构造方法,由若干故障案例生成可达矩阵,再由可达矩阵生成故障树。该方法克服了构建故障树需要非常熟悉数控机床的结构、故障形式以及相互间的影响关系,根据故障案例即可自动生成数控机床故障树。
2.本发明提出的故障树构造方法在故障案例不多的情况下,仍然有效,克服了构建故障树需要大量数据的要求。而且,通过故障案例的积累,故障树愈加完善,从而更加明确故障现象与原因之间的本质关系,有利于及时排除故障。
附图说明
图1是案例的索引图;
图2是可达矩阵式(1)所对应的故障树;
图3是故障案例Case1-23所对应的故障树。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
本发明的基于数控机床故障案例的故障树构造方法,包括:
1.基于案例推理的故障诊断系统设计
基于案例推理故障诊断系统设计的关键是要设计一种有效地历史案例检索方法,使用户能够及时找到所需要的历史案例。一个典型的基于案例推理的故障诊断过程通常包括以下4个主要步骤,即检索(Retrieve)、重用(Reuse)、修改(Revise)和保留(Retain)。其中检索主要是计算案例库中案例与新问题的匹配度,获得新问题的相似案例;重用主要是比较源案例与目标案例之间的差异,将被用户选取认可的解决方案提交给用户;修改主要指若用户对系统给出的方案不满意,则需要根据当前问题的具体情况,对案例所提供的解决方案进行修改以适合当前问题的求解;保留主要指分析新案例,若有必要则按一定的存储策略将其纳入案例库中。数控机床故障诊断系统能否有效运行的关键是取决于案例知识的表示方法以及设置的检索方法是否适当。
1.1故障案例的表示
在基于案例的故障诊断系统设计中,故障案例的表示应该能够充分反映故障诊断所需要的方法与知识。根据数控轧辊磨床的故障诊断特点,考虑故障现象、故障原因、故障检测等知识的表达方法,将故障案例抽象为如下形式的多元组:case={I,E,P,F,G,T,M,D,A},其中:
I--案例号:case i
E--故障现象:E1,E2,…,Eq,其中,Ei={ei,di},ei为定性征兆,di为征兆现象的级别(例如严重、较严重等);
P--故障部位:Pi
F--故障特征:[特征,特征值,权值],主要用于故障特征测量值的知识表示;
G--故障原因:Gi
T--检测顺序:T1,T2,…,Tw,其中,Ti={ti,di},ti为检测对象,di为检测结果(正常,异常);
M--排除方法:M1,M2,…,Mk
D--故障说明:发生日期,操作人员,维修日期,维修人员;
A--附件:图片及相关文档。
以上故障案例表示方法,较为全面地反映了故障诊断的方法与知识。
1.2故障案例的检索
根据数控机床故障诊断的特点以及上述案例的表示方法,本发明采用结构索引的方法,将案例库组织成树状结构,实现故障案例的检索。如图1所示,将数控轧辊磨床的故障案例库按故障现象的发生部位组织成树状结构的索引模型。
当案例检索时,首先按照故障部位的编码进行检索,依据机床结构的复杂程度,故障部位的编码可以采用一级或多级编码,分别对应机床部件与子部件的部位。
2基于数控机床故障案例的故障树构造方法
建造故障树是故障树分析的关键,也是进行故障树分析的前提条件。确定顶事件、中间事件、底事件以及它们之间的逻辑关系是构造故障树的关键。本发明提出的基于案例的故障树构造方法首先由若干故障案例生成可达矩阵,再由可达矩阵生成故障树。整个构造方法的理论基础是图论。
2.1可达矩阵的生成
设N个故障案例case 1,case 2,…,case N,其对应的故障现象分别为E1,E2,…,EN,故障原因分别为G1,G2,…,GN,对每一个故障现象Ei进行分析,都需要对若干个对象进行检测,设检测结果异常的检测对象为ti1,ti2,…,tik,这些变量之间的关系可由图论中的可达矩阵表示:
在式(1)中,如果一个事件可以导致另一个事件的发生,则在两个事件的行与列的交点处标注1,否则为0。
根据生成的可达矩阵构建故障树,首先需要分析事件的层次,找出顶事件、中间事件以及底事件;其次要分析事件间的“与”、“或”关系。
2.2事件层次分析
构建故障树时,故障树的第一层事件是已知的,因此只需从第二层开始确定。系统中故障总是由下一层事件传向上一层事件。假设事件Ei不是第一层事件,来推论事件Ei是否为第二层事件。事件Ei可以影响的事件包括其本身、与其有“与”关系的事件、以及比事件Ei更高一级的事件,将这些事件集合称为事件Ei的可达集,记为R(Ei)。可能引发事件Ei的事件包括其本身、其下层各事件、以及与其具有“与”关系的事件,将这些事件集合称为事件Ei的原因集,记作A(Ei)。比事件Ei高层的事件不会出现在R(Ei)和A(Ei)交集内,因此在求第二层时,把第一层对应的行和列去掉,如果R(Ei)和A(Ei)的交集为R(Ei)本身,即R(Ei)IA(Ei)=R(Ei),那么事件Ei就是第二层。例如对于事件E1,根据式(1)所述的可达矩阵可知:R(E1)=[100…000000…000],A(E1)=[111…100000…000],R(E1)IA(E1)=R(E1),因此事件E1是第二层。当求第三层事件时,把可达矩阵中第一层和第二层事件所对应的行和列删除,如果该事件的可达集和原因集的交集为该事件的可达集,则该事件为第三层。同理求第四层事件时,把可达矩阵中第一层、第二层和第三层事件所对应的行和列删除,如果该事件的可达集和原因集的交集为该事件的可达集,则该事件为第四层。依此类推,直到将所有的事件分层完毕。经判断式(1)中事件E1 E2…EN为第二级;G1…GN为第三级;t11…t1k t21…t2l tN1…tNm为第四级。其中事件的顶事件是已知的。
2.3事件间的“与”、“或”关系
对事件进行分层后,还要分析各个事件间的关系,即事件间的“与”、“或”关系。将式(1)记为B,则式(1)的转置矩阵为:
根据图论的相关理论,如果式(3)为单位阵,则各个事件之间是“或”关系。若不是,则事件间有“与”关系存在。当前,式(3)不是单位阵,在事件t11…t1k,t21…t2l,…,tN1…tNm对应的行和列中有1,说明t11…t1k,t21…t2l,…,tN1…tNm各组具有强连接关系,则事件t11…t1k为“与”关系,t21…t2l为“与”关系,…,tN1…tNm为“与”关系。其余事件间均为“或”关系。
至此,通过上述事件的层次分析以及事件的“与”、“或”关系分析,可达矩阵式(1)所对应的故障树,如图2所示。
3.应用实例
现有以下故障案例(根据1.1节所述的表示方法进行表示):
Case=(case1,机床进给驱动系统故障,P1,[λ,ξ,α],软件故障,干扰,M1,D1,A1);
Case=(case2,机床进给驱动系统故障,P2,[λ,ξ,α],硬件故障,高低压大电流和过载,M2,D2,A2);
Case=(case3,机床进给驱动系统故障,P3,[λ,ξ,α],无报警,干扰,M3,D3,A3);
Case=(case4,机床进给驱动系统故障,P4,[λ,ξ,α],软件故障,程序保护电池、元器件故障,M4,D4,A4);
Case=(case5,机床进给驱动系统故障,P5,[λ,ξ,α],软件故障,伺服电机过热,M5,D5,A5);
Case=(case6,机床进给驱动系统故障,P6,[λ,ξ,α],软件故障,检测元件故障,M6,D6,A6);
Case=(case7,机床进给驱动系统故障,P7,[λ,ξ,α],软件故障,旋转编码器故障,M7,D7,A7);
Case=(case8,软件故障,P8,[λ,ξ,α],系统出错,干扰,M8,D8,A8);
Case=(case9,软件故障,P9,[λ,ξ,α],系统出错,程序保护电池、元器件故障,M9,D9,A9);
Case=(case10,软件故障,P10,[λ,ξ,α],检测元件故障,旋转编码器故障,M10,D10,A10);
Case=(case11,机床进给驱动系统故障,P11,[λ,ξ,α],高低压大电流和过载,负载过大,M11,D11,A11);
Case=(case12,机床进给驱动系统故障,P12,[λ,ξ,α],高低压大电流和过载,频繁正反转,M12,D12,A12);
Case=(case13,机床进给驱动系统故障,P13,[λ,ξ,α],高低压大电流和过载,传动链润滑不良,M13,D13,A13);
Case=(case14,硬件故障,P14,[λ,ξ,α],高低压大电流和过载,可控硅等损坏,M14,D14,A14);
Case=(case15,硬件故障,P15,[λ,ξ,α],高低压大电流和过载,负载过大,M15,D15,A15);
Case=(case16,硬件故障,P16,[λ,ξ,α],高低压大电流和过载,频繁正反转,M16,D16,A16);
Case=(case17,硬件故障,P17,[λ,ξ,α],高低压大电流和过载,传动链润滑不良,M17,D17,A17);
Case=(case 18,机床进给驱动系统故障,P18,[λ,ξ,α],无报警,电机和检测元件故障,M18,D18,A18);
Case=(case19,机床进给驱动系统故障,P19,[λ,ξ,α],无报警,加减速时间设定过少,M19,D19,A19);
Case=(case20,无报警,P20,[λ,ξ,α],机床振动噪声过大,加减速时间设定过少,M20,D20,A20);
Case=(case21,无报警,P21,[λ,ξ,α],机床振动噪声过大,电机和检测元件故障,M21,D21,A21);
Case=(case22,无报警,P22,[λ,ξ,α],机床过冲,干扰,M22,D22,A22);
Case=(case23,无报警,P23,[λ,ξ,α],机床过冲,电机和检测元件故障,M23,D23,A23)。
如2.1节所述,生成可达矩阵只涉及故障现象、故障原因和检测对象,因此在上述案例表示中除故障现象、故障原因和检测对象外,其余要素均用符号代替。
将case1~23案例中的故障现象,故障原因和检测对象,按照特征术语的不同,分别标记为如下事件:
a-机床进给驱动系统故障;b-软件故障;c-硬件故障;d-无报警;e-系统出错;f-伺服电机过热;g-检测元件故障;h-高低压大电流;i-过载;j-机床振动噪声过大;k-机床过冲;l-干扰;m-程序保护电池、元器件故障;n-旋转编码器故障;o-可控硅损坏;p-负载过大;q-频繁正反转;r-传动链润滑不良;s-加减速时间设定过少;t-电机和检测元件故障;。
根据2.2节所述,判断式(4)中顶事件为a;b,c,d为第二级;e,f,g,h,I,j,k为第三级;l,m,n,o,p,q,r,s,t为第四级。
继续判断事件间的“与”和“或”关系。先计算式(4)的转置矩阵BT,再计算
式(5)不是单位阵,在h事件和i事件对应的行和列中有1,说明h和i是强连接关系,由此判断式(5)中事件h和i为“与”关系,其余均为“或”关系。
由Case1~23故障案例生成可达矩阵,再经过事件的层次分析以及事件的“与”、“或”关系分析,自动生动对应的故障树,如图3所示:
4.结论
1)本发明提出的基于数控机床故障案例的故障树构造方法,由若干故障案例生成可达矩阵,再由可达矩阵生成故障树。该方法克服了构建故障树需要非常熟悉数控机床的结构、故障形式以及相互间的影响关系,根据故障案例即可自动生成数控机床故障树。
2)本发明提出的故障树构造方法在故障案例不多的情况下,仍然有效,克服了构建故障树需要大量数据的要求。而且,通过故障案例的积累,故障树愈加完善,从而更加明确故障现象与原因之间的本质关系,有利于及时排除故障。
Claims (1)
1.一种基于数控机床故障案例的故障树构造方法,其特征在于:包括:
(1)基于案例推理的故障诊断系统设计
(1.1)故障案例的表示
根据数控轧辊磨床的故障诊断特点,考虑故障现象、故障原因、故障检测等知识的表达方法,将故障案例抽象为如下形式的多元组:case={I,E,P,F,G,T,M,D,A},其中:
I--案例号:case i
E--故障现象:E1,E2,…,Eq,其中,Ei={ei,di},ei为定性征兆,di为征兆现象的级别;
P--故障部位:Pi
F--故障特征:[特征,特征值,权值],用于故障特征测量值的知识表示;
G--故障原因:Gi
T--检测顺序:T1,T2,…,Tw,其中,Ti={ti,di},ti为检测对象,di为检测结果;
M--排除方法:M1,M2,…,Mk
D--故障说明:发生日期,操作人员,维修日期,维修人员;
A--附件:图片及相关文档;
(1.2)故障案例的检索
根据数控机床故障诊断的特点以及上述案例的表示方法,采用结构索引的方法,将案例库组织成树状结构,实现故障案例的检索:将数控轧辊磨床的故障案例库按故障现象的发生部位组织成树状结构的索引模型;
(2)基于数控机床故障案例的故障树构造方法
(2.1)生成可达矩阵
设N个故障案例case 1,case 2,…,case N,其对应的故障现象分别为E1,E2,…,EN,故障原因分别为G1,G2,…,GN,对每一个故障现象Ei进行分析,对若干个对象进行检测,设检测结果异常的检测对象为ti1,ti2,…,tik,这些变量之间的关系由图论中的可达矩阵表示:
在式(1)中,如果一个事件可以导致另一个事件的发生,则在两个事件的行与列的交点处标注1,否则为0;
(2.2)事件层次分析
构建故障树时,故障树的第一层事件是已知的,从第二层开始确定,假设事件Ei不是第一层事件,来推论事件Ei是否为第二层事件;事件Ei可以影响的事件包括其本身、与其有“与”关系的事件、以及比事件Ei更高一级的事件,将这些事件集合称为事件Ei的可达集,记为R(Ei);可能引发事件Ei的事件包括其本身、其下层各事件、以及与其具有“与”关系的事件,将这些事件集合称为事件Ei的原因集,记作A(Ei);比事件Ei高层的事件不会出现在R(Ei)和A(Ei)交集内,因此在求第二层时,把第一层对应的行和列去掉,如果R(Ei)和A(Ei)的交集为R(Ei)本身,即R(Ei)I A(Ei)=R(Ei),那么事件Ei就是第二层;依此类推,直到将所有的事件分层完毕,经判断式(1)中事件E1 E2…EN为第二级;G1…GN为第三级;t11…t1k t21…t2l tN1…tNm为第四级,其中事件的顶事件是已知的;
(2.3)事件间的“与”、“或”关系
根据图论的相关理论,如果式(3)为单位阵,则各个事件之间是“或”关系;若不是,则事件间有“与”关系存在,当前,式(3)不是单位阵,在事件t11…t1k,t21…t2l,…,tN1…tNm对应的行和列中有1,说明t11…t1k,t21…t2l,…,tN1…tNm各组具有强连接关系,则事件t11…t1k为“与”关系t21…t2l为“与”关系,…,tN1…tNm为“与”关系;其余事件间均为“或”关系;
通过上述事件的层次分析以及事件的“与”、“或”关系分析,建立可达矩阵式(1)所对应的故障树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101682974A CN101846992B (zh) | 2010-05-07 | 2010-05-07 | 基于数控机床故障案例的故障树构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101682974A CN101846992B (zh) | 2010-05-07 | 2010-05-07 | 基于数控机床故障案例的故障树构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101846992A true CN101846992A (zh) | 2010-09-29 |
CN101846992B CN101846992B (zh) | 2011-12-07 |
Family
ID=42771630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101682974A Expired - Fee Related CN101846992B (zh) | 2010-05-07 | 2010-05-07 | 基于数控机床故障案例的故障树构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101846992B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
CN103020436A (zh) * | 2012-11-30 | 2013-04-03 | 工业和信息化部电子第五研究所 | 元器件失效归零分析方法与系统 |
CN103049346A (zh) * | 2012-12-11 | 2013-04-17 | 工业和信息化部电子第五研究所 | 基于失效物理的元器件故障树构建方法和系统 |
CN104200168A (zh) * | 2014-08-22 | 2014-12-10 | 国家电网公司 | 一种利用矩阵方法定位异常原因和预警异常结果的方法 |
WO2016188279A1 (zh) * | 2015-05-25 | 2016-12-01 | 阿里巴巴集团控股有限公司 | 一种故障谱的生成、基于故障谱的检测方法和装置 |
CN106406229A (zh) * | 2016-12-20 | 2017-02-15 | 吉林大学 | 一种数控机床故障诊断方法 |
CN106875015A (zh) * | 2015-12-11 | 2017-06-20 | 中国航空工业集团公司成都飞机设计研究所 | 一种飞机故障诊断方法及系统 |
CN107179765A (zh) * | 2017-06-08 | 2017-09-19 | 电子科技大学 | 一种重型数控机床电气控制与驱动系统可靠性分析方法 |
CN107628539A (zh) * | 2017-11-11 | 2018-01-26 | 福建省特种设备检验研究院 | 基于案例推理的流动式起重机故障诊断系统 |
CN107844641A (zh) * | 2017-10-24 | 2018-03-27 | 北京航空航天大学 | 一种基于故障机理树和故障树相结合的可靠性建模方法 |
CN108319673A (zh) * | 2018-01-25 | 2018-07-24 | 北京航天发射技术研究所 | 一种基于关系数据库的故障树构建方法 |
CN108574585A (zh) * | 2017-03-08 | 2018-09-25 | 中国移动通信集团内蒙古有限公司 | 一种系统故障解决方案获取方法及装置 |
CN109143972A (zh) * | 2018-08-28 | 2019-01-04 | 大连理工大学 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
CN109238455A (zh) * | 2018-11-16 | 2019-01-18 | 山东大学 | 一种基于图论的旋转机械振动信号监测方法及系统 |
WO2019141144A1 (zh) * | 2018-01-17 | 2019-07-25 | 华为技术有限公司 | 确定网络故障的方法和装置 |
CN115390550A (zh) * | 2022-10-27 | 2022-11-25 | 潍柴雷沃智慧农业科技股份有限公司 | 联合收割机的故障诊断方法、系统、控制器和联合收割机 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544389B (zh) * | 2013-10-18 | 2018-07-10 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0566756A1 (de) * | 1992-04-21 | 1993-10-27 | Siemens Aktiengesellschaft | Verfahren zur Fehlererkennung in numerischen Steuerungen |
CN101387582A (zh) * | 2008-10-24 | 2009-03-18 | 西北工业大学 | 一种基于pda的故障诊断系统及方法 |
CN101634605A (zh) * | 2009-04-10 | 2010-01-27 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
CN101660969A (zh) * | 2009-09-25 | 2010-03-03 | 北京工业大学 | 一种用于齿轮箱故障智能诊断的方法 |
CN101697072A (zh) * | 2009-10-29 | 2010-04-21 | 上海第二工业大学 | 数控机床故障诊断系统及其方法 |
-
2010
- 2010-05-07 CN CN2010101682974A patent/CN101846992B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0566756A1 (de) * | 1992-04-21 | 1993-10-27 | Siemens Aktiengesellschaft | Verfahren zur Fehlererkennung in numerischen Steuerungen |
CN101387582A (zh) * | 2008-10-24 | 2009-03-18 | 西北工业大学 | 一种基于pda的故障诊断系统及方法 |
CN101634605A (zh) * | 2009-04-10 | 2010-01-27 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
CN101660969A (zh) * | 2009-09-25 | 2010-03-03 | 北京工业大学 | 一种用于齿轮箱故障智能诊断的方法 |
CN101697072A (zh) * | 2009-10-29 | 2010-04-21 | 上海第二工业大学 | 数控机床故障诊断系统及其方法 |
Non-Patent Citations (1)
Title |
---|
《机床与液压》 20090930 程德蓉 案例推理在数控机床故障诊断学习系统中的应用 275-277,181 1 第37卷, 第9期 2 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819239B (zh) * | 2011-06-08 | 2014-09-17 | 同济大学 | 一种数控机床智能故障诊断方法 |
CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
CN103020436B (zh) * | 2012-11-30 | 2015-08-12 | 工业和信息化部电子第五研究所 | 元器件失效归零分析方法与系统 |
CN103020436A (zh) * | 2012-11-30 | 2013-04-03 | 工业和信息化部电子第五研究所 | 元器件失效归零分析方法与系统 |
US10191480B2 (en) | 2012-11-30 | 2019-01-29 | Fifth Electronics Research Institute Of Ministry Of Industry And Information Technology | Method and system of close-loop analysis to electronic component fault problem |
CN103049346A (zh) * | 2012-12-11 | 2013-04-17 | 工业和信息化部电子第五研究所 | 基于失效物理的元器件故障树构建方法和系统 |
CN103049346B (zh) * | 2012-12-11 | 2015-03-18 | 工业和信息化部电子第五研究所 | 基于失效物理的元器件故障树构建方法和系统 |
CN104200168A (zh) * | 2014-08-22 | 2014-12-10 | 国家电网公司 | 一种利用矩阵方法定位异常原因和预警异常结果的方法 |
WO2016188279A1 (zh) * | 2015-05-25 | 2016-12-01 | 阿里巴巴集团控股有限公司 | 一种故障谱的生成、基于故障谱的检测方法和装置 |
CN106875015A (zh) * | 2015-12-11 | 2017-06-20 | 中国航空工业集团公司成都飞机设计研究所 | 一种飞机故障诊断方法及系统 |
CN106875015B (zh) * | 2015-12-11 | 2019-05-21 | 中国航空工业集团公司成都飞机设计研究所 | 一种飞机故障诊断方法及系统 |
CN106406229A (zh) * | 2016-12-20 | 2017-02-15 | 吉林大学 | 一种数控机床故障诊断方法 |
CN108574585A (zh) * | 2017-03-08 | 2018-09-25 | 中国移动通信集团内蒙古有限公司 | 一种系统故障解决方案获取方法及装置 |
CN107179765A (zh) * | 2017-06-08 | 2017-09-19 | 电子科技大学 | 一种重型数控机床电气控制与驱动系统可靠性分析方法 |
CN107844641A (zh) * | 2017-10-24 | 2018-03-27 | 北京航空航天大学 | 一种基于故障机理树和故障树相结合的可靠性建模方法 |
CN107628539B (zh) * | 2017-11-11 | 2019-02-19 | 福建省特种设备检验研究院 | 基于案例推理的流动式起重机故障诊断系统 |
CN107628539A (zh) * | 2017-11-11 | 2018-01-26 | 福建省特种设备检验研究院 | 基于案例推理的流动式起重机故障诊断系统 |
WO2019141144A1 (zh) * | 2018-01-17 | 2019-07-25 | 华为技术有限公司 | 确定网络故障的方法和装置 |
CN108319673A (zh) * | 2018-01-25 | 2018-07-24 | 北京航天发射技术研究所 | 一种基于关系数据库的故障树构建方法 |
CN108319673B (zh) * | 2018-01-25 | 2021-09-21 | 北京航天发射技术研究所 | 一种基于关系数据库的故障树构建方法 |
CN109143972A (zh) * | 2018-08-28 | 2019-01-04 | 大连理工大学 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
CN109143972B (zh) * | 2018-08-28 | 2020-04-07 | 大连理工大学 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
CN109238455A (zh) * | 2018-11-16 | 2019-01-18 | 山东大学 | 一种基于图论的旋转机械振动信号监测方法及系统 |
CN115390550A (zh) * | 2022-10-27 | 2022-11-25 | 潍柴雷沃智慧农业科技股份有限公司 | 联合收割机的故障诊断方法、系统、控制器和联合收割机 |
Also Published As
Publication number | Publication date |
---|---|
CN101846992B (zh) | 2011-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101846992B (zh) | 基于数控机床故障案例的故障树构造方法 | |
CN102819239B (zh) | 一种数控机床智能故障诊断方法 | |
US6336065B1 (en) | Method and system for analyzing fault and snapshot operational parameter data for diagnostics of machine malfunctions | |
US6636771B1 (en) | Method and system for analyzing continuous parameter data for diagnostics and repairs | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
CN106779402A (zh) | 核电厂应急状态判断专家系统及方法 | |
CN112254972B (zh) | 挖掘机油温预警方法、装置、服务器及挖掘机 | |
CN115145252B (zh) | 基于故障树的水轮机调速器故障诊断方法、系统及介质 | |
CN106610626A (zh) | 诊断装置及诊断方法 | |
JP2008546084A (ja) | 生産機械のための評価装置の動作方法 | |
Jinfei et al. | Fault tree analysis using Bayesian optimization: A reliable and effective fault diagnosis approaches | |
CN113051685A (zh) | 一种数控装备健康状态评价方法、系统、设备及存储介质 | |
DE112018007100T5 (de) | Anzeigevorrichtung, anzeigesystem und verfahren zum erzeugen einer displayanzeige | |
CN117111589A (zh) | 一种基于Petri网的数控机床控制系统故障诊断方法 | |
CN108825482B (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测系统 | |
CN106875015B (zh) | 一种飞机故障诊断方法及系统 | |
CN116880337A (zh) | 一种流域梯级电厂集控中心监控系统告警辅助决策方法 | |
CN114997333B (zh) | 一种风力发电机的故障诊断方法和装置 | |
CN115469643A (zh) | 一种核电站旋转机械健康管理方法、系统及介质 | |
CN114943281A (zh) | 一种热管冷却反应堆智能决策方法及系统 | |
Simoudis et al. | Automated support for developing retrieve-and-propose systems | |
Tuszynski et al. | A pilot project on alarm reduction and presentation based on multilevel flow models | |
Lin et al. | Development and assessment of a nearly autonomous management and control system during a single loss of flow accident | |
Fan et al. | Research on embedded PLC control system fault diagnosis: a novel approach | |
CN105335817B (zh) | 一种“三未”设备排查方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111207 Termination date: 20140507 |