CN107179765A - 一种重型数控机床电气控制与驱动系统可靠性分析方法 - Google Patents

一种重型数控机床电气控制与驱动系统可靠性分析方法 Download PDF

Info

Publication number
CN107179765A
CN107179765A CN201710426083.4A CN201710426083A CN107179765A CN 107179765 A CN107179765 A CN 107179765A CN 201710426083 A CN201710426083 A CN 201710426083A CN 107179765 A CN107179765 A CN 107179765A
Authority
CN
China
Prior art keywords
mrow
msub
fuzzy
bayesian network
nodes
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.)
Pending
Application number
CN201710426083.4A
Other languages
English (en)
Inventor
李彦锋
李丽
黄洪钟
彭卫文
米金华
郭骏宇
钱华明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710426083.4A priority Critical patent/CN107179765A/zh
Publication of CN107179765A publication Critical patent/CN107179765A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开一种重型数控机床电气控制与驱动系统可靠性分析方法，首先对系统进行子系统划分，然后找出故障频发的子系统，通过对该故障频发的子系统绘制可靠性框图，并将该可靠性框图转化为贝叶斯网络，从而计算该故障频发子系统处于不同状态下的模糊概率，实现了对系统中存在的不确定性的量化和处理。

Description

一种重型数控机床电气控制与驱动系统可靠性分析方法
技术领域
本发明属于可靠性分析技术领域，特别涉及一种重型数控机床电气控制与驱动系统的可靠性分析技术。
背景技术
数控机床作为机电一体化的复杂设备，只有各个部分有条不紊的协调工作，才能保证数控机床高效可靠的运行。电气系统是国产数控机床故障频发的子系统之一，可以说机床是一台将电能转化为加工所需机械能的设备，电气系统是整个数控机床的核心，其可靠性直接影响整个数控机床可靠性。因此，十分有必要对重型数控机床电气系统展开可靠性研究。
由于重型数控机床制造成本高、无法进行大量的可靠性试验、可参考的历史数据较少、认知不足等原因导致零部件的故障概率无法精确获得，从而存在不确定性；同时对故障状态的区分和故障模式识别存在不确定性。此外由于重型数控机床系统结构和故障机理复杂，零部件之间逻辑关系也存在着不确定性。除此之外，重型数控机床电气系统在工作过程零部件和系统往往表现出多个性能状态，不只是正常工作和失效两个状态，还存在功能降级状态。
传统的贝叶斯网络已经能够较好的处理多态问题，但是在处理不确定性问题方面尚有不足。如何量化和处理系统中存在的不确定性，已成为可靠性分析中亟待解决的问题。
发明内容
本发明为解决上述技术问题，提出了一种重型数控机床电气控制与驱动系统可靠性分析方法，通过计算贝叶斯网络根节点处于不同状态的三角模糊概率，以及中间节点与叶节点的条件概率表，得到叶节点处于不同状态的模糊概率，从而通过归一化处理，得到整个进给控制系统处于不同状态下的模糊概率。
本发明采用的技术方案是：一种重型数控机床电气控制与驱动系统可靠性分析方法，包括：
S1、对重型数控机床电气控制与驱动系统进行子系统划分。具体为：根据重型数控机床电气控制与驱动系统原理图和GJB431对重型数控机床电气控制与驱动系统进行子系统划分；
S2、对步骤S1得到的子系统进行故障部位分析，找到故障频发的子系统为进给控制系统；
S3、对步骤S2得到的故障频发的进给控制系统进行功能分析，并绘制该进给控制系统可靠性框图；
S4、根据步骤S3的可靠性框图建立进给控制系统故障树；所述进给控制系统故障树至少包括：顶事件、中间事件、输入事件、输出事件、底事件；
S5、将步骤S4得到的进给控制系统故障树转换为贝叶斯网络；
S6、计算步骤S3中所述的进给控制子系统中叶节点处于不同状态的模糊概率；具体包括以下分步骤：
S61、根据专家经验和相似产品失效率，得贝叶斯网络根节点处于不同状态的三角模糊概率；
S62、根据专家信息和贝叶斯网络节点之间的逻辑关系，得中间节点和叶节点的条件概率表；
S63、根据步骤S61得到根节点处于不同状态三角模糊概率和步骤S62得到中间节点和叶节点的条件概率表，计算得到叶节点处于不同状态的模糊概率；
S7、对于步骤S6得到的模糊概率进行归一化处理，得到进给控制系统处于不同状态下的模糊概率。
进一步地，所述步骤S5包括以下分步骤：
S51、进给控制系统故障树中底事件转换为贝叶斯网络中根节点，中间事件转换为贝叶斯网络的中间节点，顶事件转换为贝叶斯网络中的叶节点。
S52、根据进给控制系统故障树中事件之间的连接关系建立贝叶斯网络中节点之间的连接，即贝叶斯网络中的子节点是故障树中输出事件，父节点是输入事件。
S53、由进给控制系统故障树中底事件的三角模糊概率确定贝叶斯网络中的根节点的先验概率。
S54、根据进给控制系统故障树中事件之间的逻辑关系确定贝叶斯网络的条件概率表。
进一步地，所述步骤S7包括以下分步骤：
S71、由步骤S8叶节点处于不同状态的模糊概率，得到各模糊概率对应的一组三角模糊数
其中，ai表示第i个模糊数的下界，bi表示第i个模糊数的上界，mi表示第i个模糊数的中值，n表示三角模糊数据的个数。
S72、根据下式求得步骤S71中得到的三角模糊数的归一化因子。
S73、根据步骤S72得到的归一化因子对这组三角模糊数据进行归一化处理。具体计算式如下：
其中，表示归一化后的该组三角模糊数据。
更进一步地，步骤S72中所述的计算式为：
其中，sup表示上确界。
本发明的有益效果：本发明提供的方法，通过将系统划分为若干子系统，再对其中故障频发的子系统进行贝叶斯网络转化，并结合专家经验计算节点模糊概率，从而得到该故障频发子系统处于不同状态下的模糊概率；克服了现有技术存在的难题；本发明的方法通过将模糊理论引入传统贝叶斯网络中，解决在信息不足情形下无法获得贝叶斯网络根节点故障概率精确值的问题。采用三角模糊数描述根节点的故障概率，采用贝叶斯网络的条件概率表描述节点间逻辑关系的不确定性，使得贝叶斯网络具有处理模糊和不确定性信息的能力。
附图说明
图1为本发明实施例提供的方案流程图；
图2为本发明实施例提供的进给控制系统可靠性框图；
图3为本发明实施例提供的X轴进给控制子系统故障树模型图；
图4为本发明实施例提供的X轴进给控制子系统贝叶斯网络模型图；
图5为本发明实施例提供的Y轴进给控制子系统贝叶斯网络模型图；
图6为本发明实施例提供的Z轴进给控制子系统贝叶斯网络模型图；
图7为本发明实施例提供的W轴进给控制子系统贝叶斯网络模型图；
图8为本发明实施例提供的整个进给控制系统贝叶斯网络模型图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
如图1所示为本申请的技术方案示意图，本申请的技术方案为：一种重型数控机床电气控制与驱动系统可靠性分析方法，包括：
S1、根据重型数控机床电气控制与驱动系统原理图和GJB431对其进行子系统划分，如表1所示。GJB431为一种国军标标准，本领域技术人员常用的，此处不做详细说明。
表1 重型数控机床电气控制与驱动系统子系统
子系统 系统代码
电源控制系统 P(Power control system)
PLC输入系统 I(Input-PLC system)
PLC输出系统 O(Output-PLC system)
主轴驱动控制系统 S(Spindle drive control system)
X轴进给控制系统 X(X-feeding control system)
Y轴进给控制系统 Y(Y-feeding control system)
Z轴进给控制系统 Z(Z-feeding control system)
W轴进给控制系统 W(Z-feeding control system)
辅助装置控制系统 A(Auxiliary control system)
S2、针对步骤S1得到的重型数控机床电气控制与驱动系统子系统进行故障部位分析，找到故障频发的子系统进给控制系统。
S3、对步骤S2得到的故障频发子系统进给控制系统进行功能分析，并绘制其可靠性框图，如图2所示；经功能分析可知进给控制系统由：X轴进给控制子系统、Y轴进给控制子系统、Z轴进给控制子系统以及W轴进给控制子系统组成。
S4、在步骤S3得到进给控制系统可靠性框图的基础上建立进给控制系统故障树。下面以X轴进给控制子系统为例进行说明，选取“X进给控制子系统故障”为顶事件建立X轴进给控制子系统故障树如图3所示，为了表示方便对X轴进给控制子系统中各事件进行编码如表2。至于，Y轴进给控制子系统、Z轴进给控制子系统以及W轴进给控制子系统中各事件的编码表可以参考表2，并结合图5、6、7得到。
表2 X轴进给控制子系统编码表
事件 编码 事件 编码
X轴进给系统失效 XF X轴进给系统失效 XF
X1轴进给失效 X1F X2轴进给失效 X2F
X1驱动模块失效 X11 X2驱动模块失效 X21
X1伺服电缆失效 X12 X2伺服电缆失效 X22
X1光栅尺失效 X13 X2光栅尺失效 X23
X1电动机失效 X14 X2电动机失效 X24
S5、根据步骤S4所得的X进给控制子系统故障树，将X进给控制子系统故障树转换为贝叶斯网络如图4所示，采用同样的方法得到Y轴进给控制子系统贝叶斯网络如图5所示，Z轴进给控制子系统贝叶斯网络如图6所示，W轴进给控制子系统贝叶斯网络如图7所示，进而得到整个进给控制系统的贝叶斯网络如图8所示。
S6、计算步骤S3中所述的进给控制子系统中叶节点处于不同状态的模糊概率。具体包括以下分步骤：
S61、根据专家经验和相似产品失效率，得贝叶斯网络根节点处于不同状态的三角模糊概率。
以X轴进给控制子系统为例来说明，根据专家经验和相似元器件的失效率，得到根节点处于t＝600h的模糊概率如表3所示。
表3 根节点三角模糊概率
S62、根据专家信息和贝叶斯网络中节点之间的逻辑关系，得中间节点和叶节点的条件概率表。
这里所述的专家信息和贝叶斯网络节点之间的逻辑关系，一般为逻辑或。以X轴进给控制子系统为例来说明，例如电机功能降级导致X1轴进给失效的可能性是0.1，导致X1轴进给功能降级的可能性是0.9。再者X1轴和X2轴进给系统同时功能降级导致X轴进给系统降级和失效的可能性也是不同的，其故障逻辑关系存在着不确定性。结合专家经验信息，得到中间节点XiF(i＝1,2)条件概率表4，叶节点XF的条件概率表5。
表4 节点X1F和X2F条件概率表
表5 节点XF条件概率表
S63、根据步骤S61得到的根节点处于不同状态三角模糊概率和步骤S62得到的中间节点和叶节点的条件概率表，利用式(1)可计算出X轴进给控制子系统叶节点XF处于0状态下的模糊概率，同理可以计算得到节点XF处于0.5状态和1状态的模糊概率。
S7、对于步骤S6得到的模糊概率进行归一化处理，得到X轴进给控制子系统处于不同状态下的模糊概率。
采用同样的方法可以得到Y轴、Z轴、W轴进给控制子系统处于不同状态下的模糊概率，进而得到整个进给控制系统处于不同状态下的模糊概率。归一化的详细步骤：
S71、一组由n个三角模糊数组成的数据
令：
其中，sup表示上确界，ai表示第i个模糊数的下界，bi表示第i个模糊数的上界，mi表示第i个模糊数的中值，n表示三角模糊数的个数。
S72、利用式(3)求得该组数据的归一化因子。
S73、利用式(4)对这组三角模糊数进行归一化处理。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (4)

1.一种重型数控机床电气控制与驱动系统可靠性分析方法，其特征在于，包括：
S1、对重型数控机床电气控制与驱动系统进行子系统划分；具体为：根据重型数控机床电气控制与驱动系统原理图和GJB431对重型数控机床电气控制与驱动系统进行子系统划分；
S2、对步骤S1得到的子系统进行故障部位分析，找到故障频发的子系统为进给控制系统；
S3、对步骤S2得到的故障频发的进给控制系统进行功能分析，并绘制该进给控制系统可靠性框图；
S4、根据步骤S3的可靠性框图建立进给控制系统故障树；所述进给控制系统故障树至少包括：顶事件、中间事件、输入事件、输出事件、底事件；
S5、将步骤S4得到的进给控制系统故障树转换为贝叶斯网络；
S6、计算步骤S3中所述的进给控制子系统中叶节点处于不同状态的模糊概率；具体包括以下分步骤：
S61、根据专家经验和相似产品失效率，得贝叶斯网络根节点处于不同状态的三角模糊概率；
S62、根据专家信息和贝叶斯网络节点之间的逻辑关系，得中间节点和叶节点的条件概率表；
S63、根据步骤S61得到根节点处于不同状态三角模糊概率和步骤S62得到中间节点和叶节点的条件概率表，计算得到叶节点处于不同状态的模糊概率；
S7、对于步骤S6得到的模糊概率进行归一化处理，得到进给控制系统处于不同状态下的模糊概率。
2.根据权利要求1所述的一种重型数控机床电气控制与驱动系统可靠性分析方法，其特征在于，所述步骤S5包括以下分步骤：
S51、进给控制系统故障树中底事件转换为贝叶斯网络中根节点，中间事件转换为贝叶斯网络的中间节点，顶事件转换为贝叶斯网络中的叶节点；
S52、根据进给控制系统故障树中事件之间的连接关系建立贝叶斯网络中节点之间的连接，即贝叶斯网络中的子节点是故障树中输出事件，父节点是输入事件；
S53、由进给控制系统故障树中底事件的三角模糊概率确定贝叶斯网络中的根节点的先验概率；
S54、根据进给控制系统故障树中事件之间的逻辑关系确定贝叶斯网络的条件概率表。
3.根据权利要求1所述的一种重型数控机床电气控制与驱动系统可靠性分析方法，其特征在于，所述步骤S7包括以下分步骤：
S71、由步骤S8叶节点处于不同状态的模糊概率，得到各模糊概率对应的一组三角模糊数
其中，ai表示第i个模糊数的下界，bi表示第i个模糊数的上界，mi表示第i个模糊数的中值，n表示三角模糊数的个数。
S72、根据下式求得步骤S71中得到的三角模糊数的归一化因子；
<mrow> <mi>w</mi> <mo>=</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> </mrow> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> </mrow> </mfrac> </mrow>
S73、根据步骤S72得到的归一化因子对这组三角模糊数据进行归一化处理；具体计算式如下：
<mrow> <msubsup> <mover> <mi>A</mi> <mo>~</mo> </mover> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mo>&amp;lsqb;</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>w</mi> <mrow> <mo>(</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>w</mi> <mrow> <mo>(</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>;</mo> </mrow>
其中，表示归一化后的该组三角模糊数据。
4.根据权利要求3所述的一种重型数控机床电气控制与驱动系统可靠性分析方法，其特征在于，步骤S72中所述的计算式为：
<mrow> <mi>t</mi> <mo>=</mo> <munder> <mrow> <mi>s</mi> <mi>u</mi> <mi>p</mi> </mrow> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> </mrow> </munder> <mrow> <mo>(</mo> <msub> <mover> <mi>A</mi> <mo>~</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mrow> <mi>s</mi> <mi>u</mi> <mi>p</mi> </mrow> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> </mrow> </munder> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mrow> <mi>s</mi> <mi>u</mi> <mi>p</mi> </mrow> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> </mrow> </munder> <mrow> <mo>(</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow>
其中，sup表示上确界。
CN201710426083.4A 2017-06-08 2017-06-08 一种重型数控机床电气控制与驱动系统可靠性分析方法 Pending CN107179765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710426083.4A CN107179765A (zh) 2017-06-08 2017-06-08 一种重型数控机床电气控制与驱动系统可靠性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710426083.4A CN107179765A (zh) 2017-06-08 2017-06-08 一种重型数控机床电气控制与驱动系统可靠性分析方法

Publications (1)

Publication Number Publication Date
CN107179765A true CN107179765A (zh) 2017-09-19

Family

ID=59836408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710426083.4A Pending CN107179765A (zh) 2017-06-08 2017-06-08 一种重型数控机床电气控制与驱动系统可靠性分析方法

Country Status (1)

Country Link
CN (1) CN107179765A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109657907A (zh) * 2018-11-13 2019-04-19 香港理工大学深圳研究院 地理国情监测数据的质量控制方法、装置和终端设备
CN110059963A (zh) * 2019-04-20 2019-07-26 北京交通大学 一种基于模糊多态贝叶斯网络的隧道风险评价方法
CN110135596A (zh) * 2019-04-18 2019-08-16 中国电力科学研究院有限公司 一种继电保护系统风险评估及故障定位方法及装置
CN110955227A (zh) * 2019-11-22 2020-04-03 西安电子科技大学 一种基于模糊动态贝叶斯网络的系统模糊可靠性分析方法
CN111008438A (zh) * 2019-12-02 2020-04-14 中国海洋石油集团有限公司 一种脐带缆多阶段系统可靠性分析方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101846992A (zh) * 2010-05-07 2010-09-29 上海理工大学 基于数控机床故障案例的故障树构造方法
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
CN103631201A (zh) * 2013-12-17 2014-03-12 吉林大学 一种数控机床子系统可靠性影响度分析方法
CN104573386A (zh) * 2015-01-26 2015-04-29 国网四川省电力公司电力科学研究院 一种利用贝叶斯模型进行系统评估检测的方法
CN105160170A (zh) * 2015-08-27 2015-12-16 电子科技大学 一种固态功放故障诊断方法
CN105278460A (zh) * 2015-08-03 2016-01-27 吉林大学 基于级联故障分析的数控机床系统组件可靠性评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101846992A (zh) * 2010-05-07 2010-09-29 上海理工大学 基于数控机床故障案例的故障树构造方法
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
CN103631201A (zh) * 2013-12-17 2014-03-12 吉林大学 一种数控机床子系统可靠性影响度分析方法
CN104573386A (zh) * 2015-01-26 2015-04-29 国网四川省电力公司电力科学研究院 一种利用贝叶斯模型进行系统评估检测的方法
CN105278460A (zh) * 2015-08-03 2016-01-27 吉林大学 基于级联故障分析的数控机床系统组件可靠性评价方法
CN105160170A (zh) * 2015-08-27 2015-12-16 电子科技大学 一种固态功放故障诊断方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
周忠宝 等: "《贝叶斯网络在多态系统可靠性分析中的应用》", 《哈尔滨工业大学学报》 *
姜梅: "《数控机床电气控制与驱动系统故障树分析》", 《中国优秀硕士学位论文全文数据库工程科技I辑》 *
尹晓伟 等: "《基于贝叶斯网络的多状态系统可靠性建模与评估》", 《机械工程学报》 *
常金玲: "《网络环境下信息质量评价与管理》", 30 June 2016 *
景国勋，杨玉中: "《矿山重大危险源辨识、评价及预警技术》", 31 December 2008 *
梁新元 等: "《模糊因果图的归一化研究》", 《微电子学与计算机》 *
王先芝 等: "《基于三角模糊数TOPSIS法的数控机床危害性分析》", 《机械设计》 *
韩晓萌: "《重型数控铣镗床镗轴进给机构的可靠性研究》", 《中国优秀硕士学位论文全文数据库工程科技I辑》 *
马德仲 等: "《基于模糊概率的多状态贝叶斯网络可靠性分析》", 《系统工程与电子技术》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109657907A (zh) * 2018-11-13 2019-04-19 香港理工大学深圳研究院 地理国情监测数据的质量控制方法、装置和终端设备
CN110135596A (zh) * 2019-04-18 2019-08-16 中国电力科学研究院有限公司 一种继电保护系统风险评估及故障定位方法及装置
CN110059963A (zh) * 2019-04-20 2019-07-26 北京交通大学 一种基于模糊多态贝叶斯网络的隧道风险评价方法
CN110955227A (zh) * 2019-11-22 2020-04-03 西安电子科技大学 一种基于模糊动态贝叶斯网络的系统模糊可靠性分析方法
CN110955227B (zh) * 2019-11-22 2021-10-22 西安电子科技大学 基于模糊动态贝叶斯网络的雷达举升系统可靠性分析方法
CN111008438A (zh) * 2019-12-02 2020-04-14 中国海洋石油集团有限公司 一种脐带缆多阶段系统可靠性分析方法和装置

Similar Documents

Publication Publication Date Title
CN107179765A (zh) 一种重型数控机床电气控制与驱动系统可靠性分析方法
Battina Application research of artificial intelligence in electrical automation control
JP2006343952A (ja) 製造管理装置、製造管理方法および製造管理プログラム
CN103886119A (zh) 一种钣金件智能辅助设计系统
CN105224739A (zh) 一种应用于pcb规范梳理的方法及系统
CN105700490A (zh) 一种提高产品良率的方法及系统
Shen et al. System failure analysis based on DEMATEL-ISM and FMECA
Kaymakci et al. Energy anomaly detection in industrial applications with long short-term memory-based autoencoders
CN113811905A (zh) 用于提供复杂制造系统的关键性能指标的预测的方法和设备
CN107908731B (zh) 基于psd-bpa广西电网网区负荷数据批量修改方法
Wang et al. Field failure database of CNC lathes
CN102804090A (zh) 用于在机床上的简化的故障处理的方法和设备
CN108376324B (zh) 一种载波采集器计量资产管理系统及方法
CN115826506B (zh) 水处理控制系统及控制装置
CN105868409A (zh) 数据采集系统
CN111476383A (zh) 一种泵站机组状态检修动态决策方法
CN202615185U (zh) 具有故障诊断功能的现场总线数控系统
Qiangwei et al. The ontology-based modeling and evolution of digital twin for assembly workshop
KR20210029529A (ko) 데이터마이닝 기반 고도화된 제조 공정 및 품질 관리 방법
CN116706939A (zh) 一种具有能量回收的振荡抑制方法
Strack et al. Prescriptive Maintenance for Onshore Wind Turbines
CN117670144B (zh) 一种基于神经网络同步的储能箱体生产管理系统及方法
CN117874240B (zh) 基于知识图谱的审计文本分类方法、系统和设备
Kadechkar et al. FMEA 2.0: Machine Learning Applications in Smart Microgrid Risk Assessment
CN114004230B (zh) 一种生产钢结构的工控调度方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170919

RJ01 Rejection of invention patent application after publication