CN102889988B - 一种滚珠丝杠副精度预测方法 - Google Patents
一种滚珠丝杠副精度预测方法 Download PDFInfo
- Publication number
- CN102889988B CN102889988B CN201210374610.9A CN201210374610A CN102889988B CN 102889988 B CN102889988 B CN 102889988B CN 201210374610 A CN201210374610 A CN 201210374610A CN 102889988 B CN102889988 B CN 102889988B
- Authority
- CN
- China
- Prior art keywords
- ball screw
- screw assembly
- precision
- lambda
- function
- 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.)
- Expired - Fee Related
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种滚珠丝杠副精度预测方法,该方法通过对试验滚珠丝杠副在模拟工况下精度退化与振动信号的全过程监测,并将监测结果用于训练具有联想记忆功能的精度退化神经网络,从而较准确地得出滚珠丝杠副振动信号的敏感特征和精度之间的映射关系;进而将与试验滚珠丝杠副相同型号规格的滚珠丝杠副的当前振动信号的敏感特征输入到精度退化神经网络中,即可得到滚珠丝杠副的当前精度,实现了滚珠丝杠副精度的在线预测。可根据滚珠丝杠副精度退化趋势,在精度值接近不能满足规定要求时,提前采购滚珠丝杠副,以减少机床停机时间,降低企业损失,节约企业成本。还能为操作人员分析、判断、维修维护提供有效依据和指导,提高滚珠丝杠副的使用寿命。
Description
技术领域
本发明涉及机械系统状态监测与故障诊断领域,具体地讲,是一种滚珠丝杠副精度预测方法。
背景技术
滚珠丝杠副是由滚珠丝杠、滚珠螺母和滚珠组成的部件,可将旋转运动变为直线运动,或将直线运动变为旋转运动。其中,用于精确定位且能够根据旋转角度和导程间接测量轴向行程的滚珠丝杠副叫做定位滚珠丝杠副;用于传递动力的滚珠丝杠副叫做传动滚珠丝杠副。与滑动丝杠相比,滚珠丝杠具有驱动扭矩小、精度高、刚性大、发热低等优点,已被广泛的应用到以数控机床为代表的装备制造业中。
近年来,随着国家装备制造业振兴规划和数控机床发展战略的实施,企业对数控机床的依赖程度越来越高。滚珠丝杠副的精度下降会引起工件尺寸精度下降及表面光洁度降低,严重时可导致机床振动。滚珠丝杠副的精度达不到要求时必须更换,但由于其备件周期长,会引起机床的长时间停机,给企业带来巨大的经济损失。同时,不能在线监测滚珠丝杠副的精度,也不利于操作人员分析滚珠丝杠副精度下降的原因,从而其操作及维修维护带有一定的盲目性,降低滚珠丝杠副的使用寿命。
发明内容
本发明的目的是提供一种滚珠丝杠副精度预测方法,该方法能够实现滚珠丝杠副精度的在线预测,便于提前采购滚珠丝杠副,以减少机床停机时间,降低企业损失,节约企业成本;同时,能及时提供滚珠丝杠副的精度退化趋势,为操作人员分析、判断、维修维护提供有效的依据和指导,提高滚珠丝杠副的使用寿命。
本发明为实现其发明目的所采用的技术方案是:一种滚珠丝杠副精度预测方法,其步骤依次是:
(1)将精度满足要求的试验滚珠丝杠副安装在滚珠丝杠副性能退化试验台上;
(2)模拟实际工况,对试验滚珠丝杠副进行性能退化试验,在性能退化试验进行到设定的时间间隔时,用振动传感器采集试验滚珠丝杠副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的试验滚珠丝杠副的敏感特征向量;
(3)暂停性能退化试验,检测试验滚珠丝杠副的目标行程公差、有效行程内允许的行程变动量、300mm行程内允许的行程变动量、2π弧度内允许的行程变动量,进而得出当前时刻试验滚珠丝杠副的精度;
(4)将当前时刻的试验滚珠丝杠副的敏感特征向量作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验滚珠丝杠副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量,对精度退化神经网络进行训练;
(5)重复步骤(2)~步骤(4)的操作,直至试验滚珠丝杠副的精度降低至设定值,得到滚珠丝杠副训练好的具有联想记忆功能的精度退化神经网络;
(6)对规格、型号与试验滚珠丝杠副完全相同的实际运行中的滚珠丝杠副,用振动传感器采集实际运行中的滚珠丝杠副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的滚珠丝杠副的敏感特征向量;
将滚珠丝杠副的敏感特征向量输入到训练好的精度退化神经网络,即可输出滚珠丝杠副的当前精度,从而实现滚珠丝杠副精度的在线预测。
与现有技术相比,本发明的有益效果是:
一、通过对试验滚珠丝杠副在模拟工况下精度退化与振动信号的全过程监测,并将监测结果用于训练具有联想记忆功能的精度退化神经网络,从而较准确地得出滚珠丝杠副振动信号的敏感特征和精度之间的映射关系;进而将与试验滚珠丝杠副相同型号规格的滚珠丝杠副的当前振动信号的敏感特征输入到精度退化神经网络中,即可得到滚珠丝杠副的当前精度,实现了滚珠丝杠副精度的在线预测。可根据滚珠丝杠副精度退化趋势,在精度值接近不能满足规定要求时,提前采购滚珠丝杠副,以减少机床停机时间,降低企业损失,节约企业成本。
二、采用具有联想记忆功能的神经网络建立滚珠丝杠副的精度退化神经网络,学习是按局部方式修改网络响应曲面,知识被局部存储于局部化隐层基函数及相应连接权中,因此,采用具有联想记忆功能的神经网络建立滚珠丝杠副的精度退化模型对前期及后期的输入均具有较好的识别率。既能提前预测滚珠丝杠副的精度失效时间,还能及时提供滚珠丝杠副的精度退化趋势,为操作人员分析、判断、维修维护提供有效的依据和指导,提高滚珠丝杠副的使用寿命。
上述(2)步中由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩,得到当前时刻的试验滚珠丝杠副的敏感特征向量的具体做法是:
对振动信号c(t)进行经验模态分解得到振动信号的内禀模态函数cv(t),v是内禀模态函数的序号,选取前m个内禀模态函数,m==2~100;再利用公式求出第v个内禀模态函数的能量Ev;将前m个内禀模态函数的能量构造出特征向量T=[E1,E2,…,Em];再利用公式及公式T′=[E1/E,E2/E,…,Em/E],对特征向量T进行归一化处理,得到归一化后的特征向量T′;再用主分量分析的方法对归一化后的特征向量T′内的特征数量进行压缩后,得到当前时刻的试验滚珠丝杠副的敏感特征向量X=[x1,x2,…,xp]=[xi](i=1,2,…,p)。
这种方法的好处是采用经验模态分解方法对振动信号进行分解是一种自适应分解,信号频带的划分随信号本身的变化而变化,包含了信号从高到低不同频率段的成分,分解过程中保留了数据本身的特性,考察各内禀模态函数分量能量的变化能够全面获得各频带内隐含的故障特征信息。同时,机械设备的背景噪声往往比较大,在提取特征向量之前采用经验模态分解方法对振动信号进行分解,丢弃后面的低频段的内禀模态函数,有利于突出故障信息,提高信噪比。
上述(4)步中具有联想记忆功能的精度退化神经网络的建立方法是:
a、确定坐标轴的个数:
坐标轴的个数等于上述(2)步得到的敏感特征向量X中的特征xi的数量p;
b、内、外节点的划分:
对每个坐标轴根据先验知识划分节点,第i(i=1,2,…,p)个坐标轴的内节点为ri-1个(2≤ri≤50),和分别为第i个坐标轴输入的敏感特征向量X中特征xi的最小值和最大值,第i个坐标轴上的内节点λi,j(j=1,2,…,ri-1)需满足以下关系:
每个坐标轴的输入域的两端点为外节点且其两端点的外侧还分别有ki-1个外节点λi,j(j=-1,…,-ki+1;j=ri+1,…,ri+ki-1),ki为第i个坐标轴B样条函数的阶数,且满足下列关系:
且
c、单变量B样条基函数的计算:
在第i个坐标轴的输入域内,则以 为节点序列构成ki阶单变量B样条基函数,可由递推公式计算:
式中,表示第i个坐标轴上的第ji(ji=1,2,…,ri-1+ki)个k阶单变量B样条基函数,k=ki时,即为第i个坐标轴的ki阶单变量B样条基函数
d、多变量B样条基函数的计算:
多变量B样条基函数Nu由p个坐标轴上的单变量B样条基函数的张量积构成,即:
其中,u=1,2,…,q;q为隐层多变量基函数的个数,且
e、精度退化神经网络的建立:
将多变量B样条基函数Nu,根据式进行线性组合,即构成具有联想记忆功能的精度退化神经网络;式中,y表示神经网络的实际输出,wu表示Nu对应的权值。
采用以上方法构建的具有联想记忆功能的精度退化神经网络,其建模简单方便,局部学习收敛速度快,具有较好的实时性,使得精度退化神经网络可以很好的应用于滚珠丝杠副的精度在线预测。
上述对精度退化神经网络进行训练的具体做法是:
将当前时刻的试验滚珠丝杠副的敏感特征向量X作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验滚珠丝杠副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量按照式更新权值wu,直至网络输出误差在区间[-0.02,0.02]内,式中,Δw为权值的变化量,δ0为学习率,通常为常数。
下面结合具体实施方式对本发明作进一步详细的描述。
具体实施方式
实施例
一种滚珠丝杠副精度预测方法,其步骤依次是:
(1)将精度满足要求的试验滚珠丝杠副安装在丝杠副性能退化试验台上;
丝杠副性能退化试验台可采用发明人发明的可重构的丝杠副、导轨副加速寿命电液伺服试验装置(专利号:ZL201120403784.4)。
(2)模拟实际工况,对试验滚珠丝杠副进行性能退化试验,在性能退化试验进行到设定的时间间隔时,用振动传感器采集试验滚珠丝杠副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;
振动传感器和信号调理仪可选用各种现有的传感器和调理仪,如选用瑞士奇石乐公司的8762A50三向振动传感器,东方振动和噪声技术研究所的INV3020C信号采集分析仪。振动传感器的具体安装方式和位置可以是:在滚珠丝杠副的螺母及丝杠副两端的轴承座上各安装一个振动传感器8762A50,采集滚珠丝杠副三向振动信息,每个传感器输出三通道的振动信号。INV3020C采集所有传感器全部通道振动信号送入计算机中。
由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的试验滚珠丝杠副的敏感特征向量;其具体做法是:
对振动信号c(t)进行经验模态分解得到振动信号的内禀模态函数cv(t),v是内禀模态函数的序号,选取前m个内禀模态函数,m=2~100;再利用公式求出第v个内禀模态函数的能量Ev;将前m个内禀模态函数的能量构造出特征向量T=[E1,E2,…,Em];再利用公式及公式T′=[E1/E,E2/E,…,Em/E],对特征向量T进行归一化处理,得到归一化后的特征向量T′;再用主分量分析的方法对归一化后的特征向量T′内的特征数量进行压缩后,得到当前时刻的试验滚珠丝杠副的敏感特征向量X=[x1,x2,…,xp]=[xi](i=1,2,…,p)。
(3)暂停性能退化试验,检测试验滚珠丝杠副的目标行程公差、有效行程内允许的行程变动量、300mm行程内允许的行程变动量、2π弧度内允许的行程变动量,进而得出当前时刻试验滚珠丝杠副的精度;
(4)将当前时刻的试验滚珠丝杠副的敏感特征向量作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验滚珠丝杠副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量,对精度退化神经网络进行训练。
具有联想记忆功能的精度退化神经网络的建立方法是:
a、确定坐标轴的个数:
坐标轴的个数等于上述(2)步得到的敏感特征向量X中的特征xi的数量p;
b、内、外节点的划分:
对每个坐标轴根据先验知识划分节点,第i(i=1,2,…,p)个坐标轴的内节点为ri-1个(2≤ri≤50),和分别为第i个坐标轴输入的敏感特征向量X中特征xi的最小值和最大值,第i个坐标轴上的内节点λi,j(j=1,2,…,ri-1)需满足以下关系:
每个坐标轴的输入域的两端点为外节点且其两端点的外侧还分别有ki-1个外节点λi,j(j=-1,…,-ki+1;j=ri+1,…,ri+ki-1),ki为第i个坐标轴B样条函数的阶数,且满足下列关系:
且
c、单变量B样条基函数的计算:
在第i个坐标轴的输入域内,则以 为节点序列构成ki阶单变量B样条基函数,可由递推公式计算:
k=2,3,…,ki
式中,表示第i个坐标轴上的第ji(ji=1,2,…,ri-1+ki)个k阶单变量B样条基函数,k=ki时,即为第i个坐标轴的ki阶单变量B样条基函数
d、多变量B样条基函数的计算:
多变量B样条基函数Nu由p个坐标轴上的单变量B样条基函数的张量积构成,即:
其中,u=1,2,…,q;q为隐层多变量基函数的个数,且
e、精度退化神经网络的建立:
将多变量B样条基函数Nu,根据式进行线性组合,即构成具有联想记忆功能的精度退化神经网络;式中,y表示神经网络的实际输出,wu表示Nu对应的权值。
对精度退化神经网络进行训练的具体做法是:
将当前时刻的试验滚珠丝杠副的敏感特征向量X作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验滚珠丝杠副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量按照式更新权值wu,直至网络输出误差在区间[-0.02,0.02]内,式中,Δw为权值的变化量,δ0为学习率,通常为常数。
(5)重复步骤(2)~步骤(4)的操作,直至试验滚珠丝杠副的精度降低至设定值,得到滚珠丝杠副训练好的具有联想记忆功能的精度退化神经网络;
(6)对规格、型号与试验滚珠丝杠副完全相同的实际运行中的滚珠丝杠副,用振动传感器采集实际运行中的滚珠丝杠副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的滚珠丝杠副的敏感特征向量;
将滚珠丝杠副的敏感特征向量输入到训练好的精度退化神经网络,即可输出滚珠丝杠副的当前精度,从而实现滚珠丝杠副精度的在线预测。
其安装的振动传感器的型号、数量、安装位置及信号调理仪的型号与(2)步中完全一样。
Claims (4)
1.一种滚珠丝杠副精度预测方法,其步骤依次是:
(1)将精度满足要求的试验滚珠丝杠副安装在滚珠丝杠副性能退化试验台上;
(2)模拟实际工况,对试验滚珠丝杠副进行性能退化试验,在性能退化试验进行到设定的时间间隔时,用振动传感器采集试验滚珠丝杠副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的试验滚珠丝杠副的敏感特征向量;
(3)暂停性能退化试验,检测试验滚珠丝杠副的目标行程公差、有效行程内允许的行程变动量、300mm行程内允许的行程变动量、2π弧度内允许的行程变动量,进而得出当前时刻试验滚珠丝杠副的精度;
(4)将当前时刻的试验滚珠丝杠副的敏感特征向量作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验滚珠丝杠副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量,对精度退化神经网络进行训练;
(5)重复步骤(2)~步骤(4)的操作,直至试验滚珠丝杠副的精度降低至设定值,得到滚珠丝杠副训练好的具有联想记忆功能的精度退化神经网络;
(6)对规格、型号与试验滚珠丝杠副完全相同的实际运行中的滚珠丝杠副,用振动传感器采集实际运行中的滚珠丝杠副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的滚珠丝杠副的敏感特征向量;
将滚珠丝杠副的敏感特征向量输入到训练好的精度退化神经网络,即可输出滚珠丝杠副的当前精度,从而实现滚珠丝杠副精度的在线预测。
2.根据权利要求1所述的一种滚珠丝杠副精度预测方法,其特征在于,所述(2)步中由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩,得到当前时刻的试验滚珠丝杠副的敏感特征向量的具体做法是:
对振动信号c(t)进行经验模态分解得到振动信号的内禀模态函数cv(t),v是内禀模态函数的序号,选取前m个内禀模态函数,m=2~100;再利用公式求出第v个内禀模态函数的能量Ev;将前m个内禀模态函数的能量构造出特征向量T=[E1,E2,…,Em];再利用公式及公式T′=[E1/E,E2/E,…,Em/E],对特征向量T进行归一化处理,得到归一化后的特征向量T′;再用主分量分析的方法对归一化后的特征向量T′内的特征数量进行压缩后,得到当前时刻的试验滚珠丝杠副的敏感特征向量X=[x1,x2,…,xp]=[xi](i=1,2,…,p)。
3.根据权利要求1所述的一种滚珠丝杠副精度预测方法,其特征在于,所述(4)步中具有联想记忆功能的精度退化神经网络的建立方法是:
a、确定坐标轴的个数:
坐标轴的个数等于上述(2)步得到的敏感特征向量X中的特征xi的数量p;
b、内、外节点的划分:
对每个坐标轴根据先验知识划分节点,第i(i=1,2,…,p)个坐标轴的内节点为ri-1个(2≤ri≤50),和分别为第i个坐标轴输入的敏感特征向量X中特征xi的最小值和最大值,第i个坐标轴上的内节点λi,j(j=1,2,…,ri-1)需满足以下关系:
每个坐标轴的输入域的两端点为外节点且其两端点的外侧还分别有ki-1个外节点λi,j(j=-1,…,-ki+1;j=ri+1,…,ri+ki-1),ki为第i个坐标轴B样条函数的阶数,且满足下列关系:
且
c、单变量B样条基函数的计算:
在第i个坐标轴的输入域内,则以 为节点序列构成ki阶单变量B样条基函数,可由递推公式计算:
k=2,3,…,ki
式中,表示第i个坐标轴上的第ji(ji=1,2,…,ri-1+ki)个k阶单变量B样条基函数,k=ki时,即为第i个坐标轴的ki阶单变量B样条基函数
d、多变量B样条基函数的计算:
多变量B样条基函数Nu由p个坐标轴上的单变量B样条基函数的张量积构成,即:
其中,u=1,2,…,q;q为隐层多变量基函数的个数,且
e、精度退化神经网络的建立:
将多变量B样条基函数Nu,根据式进行线性组合,即构成具有联想记忆功能的精度退化神经网络;式中,y表示神经网络的实际输出,wu表示Nu对应的权值。
4.根据权利要求1所述的一种滚珠丝杠副精度预测方法,其特征在于,所述对精度退化神经网络进行训练的具体做法是:
将当前时刻的试验滚珠丝杠副的敏感特征向量X作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验滚珠丝杠副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量按照式更新权值wu,直至网络输出误差在区间[-0.02,0.02]内,式中,Δw为权值的变化量,δ0为学习率,通常为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210374610.9A CN102889988B (zh) | 2012-09-29 | 2012-09-29 | 一种滚珠丝杠副精度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210374610.9A CN102889988B (zh) | 2012-09-29 | 2012-09-29 | 一种滚珠丝杠副精度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102889988A CN102889988A (zh) | 2013-01-23 |
CN102889988B true CN102889988B (zh) | 2014-08-13 |
Family
ID=47533564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210374610.9A Expired - Fee Related CN102889988B (zh) | 2012-09-29 | 2012-09-29 | 一种滚珠丝杠副精度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102889988B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046322A (zh) * | 2015-07-03 | 2015-11-11 | 西南交通大学 | 一种丝杠故障诊断方法 |
CN109916624B (zh) * | 2019-03-22 | 2020-11-06 | 南京理工大学 | 一种基于希尔伯特黄的滚珠丝杠副疲劳失效诊断方法 |
CN110543869A (zh) * | 2019-09-10 | 2019-12-06 | 哈工大机器人(山东)智能装备研究院 | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 |
CN110781612A (zh) * | 2019-11-14 | 2020-02-11 | 哈工大机器人(山东)智能装备研究院 | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 |
CN114707281B (zh) * | 2022-06-02 | 2022-09-06 | 中汽创智科技有限公司 | 滚珠丝杠副的测试控制方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101870075A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
CN101972948A (zh) * | 2010-09-26 | 2011-02-16 | 天津大学 | 模拟工况载荷条件下机床主轴热误差试验装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5754053A (ja) * | 1980-09-09 | 1982-03-31 | Sumitomo Metal Ind Ltd | Setsusakutainokanshihoho |
JP5303662B2 (ja) * | 2012-01-30 | 2013-10-02 | 東洋ゴム工業株式会社 | ゴム製品の寿命予測方法 |
-
2012
- 2012-09-29 CN CN201210374610.9A patent/CN102889988B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101870075A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
CN101972948A (zh) * | 2010-09-26 | 2011-02-16 | 天津大学 | 模拟工况载荷条件下机床主轴热误差试验装置 |
Non-Patent Citations (2)
Title |
---|
JP昭57-54053A 1982.03.31 |
JP特开2012-83367A 2012.04.26 |
Also Published As
Publication number | Publication date |
---|---|
CN102889988A (zh) | 2013-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102848266B (zh) | 一种机床主轴精度预测方法 | |
CN102889988B (zh) | 一种滚珠丝杠副精度预测方法 | |
CN110355608B (zh) | 基于自注意力机制与深度学习的刀具磨损量预测方法 | |
Wu et al. | Modeling and analysis of tool wear prediction based on SVD and BiLSTM | |
CN109131452B (zh) | 一种基于长短时记忆网络的列车状态在线预测方法 | |
CN108803486B (zh) | 基于并联深度学习网络的数控机床热误差预测与补偿方法 | |
CN101797704B (zh) | 数控滚齿机热变形误差补偿方法 | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
CN109118384A (zh) | 一种风电机组健康预警方法 | |
CN101520651B (zh) | 一种基于隐马尔科夫链的数控装备可靠性分析方法 | |
CN105205221B (zh) | 一种重型数控机床精度可靠性分析方法 | |
CN103926874A (zh) | 数控机床热误差补偿建模温度测点组合的选择优化方法 | |
CN102879192B (zh) | 一种直线导轨副精度预测方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN102736558A (zh) | 基于时间序列算法的数控机床热误差实时补偿建模方法 | |
CN104700200A (zh) | 一种面向数字化车间的产品多元质量监控方法 | |
CN108388962A (zh) | 一种风电功率预测系统及方法 | |
CN105243393A (zh) | 一种基于特征的复杂机电系统故障预报方法 | |
CN102156045A (zh) | 水轮机调速器主接力器反应时间常数测试方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN105512442A (zh) | 基于统计分析的齿轮精度评价方法 | |
CN103353295B (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN104268350A (zh) | 一种仿真预测和实际生产相集成的闭环质量控制仿真方法 | |
CN103279030A (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140813 Termination date: 20170929 |