CN112146871A - 一种基于贝叶斯网络的摆角铣头故障分析方法 - Google Patents

一种基于贝叶斯网络的摆角铣头故障分析方法 Download PDF

Info

Publication number
CN112146871A
CN112146871A CN202010966095.8A CN202010966095A CN112146871A CN 112146871 A CN112146871 A CN 112146871A CN 202010966095 A CN202010966095 A CN 202010966095A CN 112146871 A CN112146871 A CN 112146871A
Authority
CN
China
Prior art keywords
fault
milling head
angle milling
straight
bayesian network
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
CN202010966095.8A
Other languages
English (en)
Inventor
刘志峰
曹子睿
程强
赵鹏睿
苏李航
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202010966095.8A priority Critical patent/CN112146871A/zh
Publication of CN112146871A publication Critical patent/CN112146871A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种针对于双摆角铣头的故障诊断方法，具体步骤如下：根据摆角铣头的内部结构和摆角铣头故障情况建立相互对应的贝叶斯网络拓扑结构。对摆角铣头A轴、B轴和机械主轴中的传动链进行分析。以摆角铣头中各个零部件均已正常情况运作为前提，计算齿轮组和轴承的故障诊断数据，作为初始的先验概率输入。并结合专家系统中不断积累更新的数据对先验概率进行修正，使其更加接近真实情况。输入贝叶斯网络学习数据，对贝叶斯网络进行训练。将贝叶斯网络输出的后验概率作为故障诊断的结果。本发明可以在一定程度上简化修检人员对摆角铣头的维护及故障检测工作，该方法适用于不同结构的摆角铣头。

Description

一种基于贝叶斯网络的摆角铣头故障分析方法
技术领域
本发明属于故障诊断领域，具体涉及一种应用于摆角铣头的故障分析方法。
背景技术
摆角铣头作为五轴数控龙门机床的核心部件，具有极高的加工精度。在与大型龙门机床的配合下，通过五轴联动数控加工技术可以实现复杂曲面零件的加工，解决定制化、小批量、高精度零件的生产问题。目前，摆角铣头已经广泛应用于航空航天、船舶制造、精密仪器等诸多领域，为制造业中关键的装备。然而由于摆角铣头复杂的结构，在其维修及故障诊断等方面缺少较为成熟的方法。
发明内容
本发明的目的在于解决摆角铣头中传动结构部分检测方法缺失的问题，提出一种基于贝叶斯网络的摆角铣头故障分析方法。具体技术方案如下：
一种基于贝叶斯网络的摆角铣头故障分析方法,包含以下步骤：
S1、根据摆角铣头的内部结构和摆角铣头故障情况建立相互对应的贝叶斯网络拓扑结构。在本方法中从机械结构的层面出发，以摆角铣头的传动链为分析对象，对摆角铣头A轴、B轴和机械主轴中的传动链进行分析。由传动链中的零部件建立故障零部件节点，并分析故障零部件之间的父子关系共同用于故障表征，搭建出包含根节点和叶节点的贝叶斯网络结构。
S2、以摆角铣头中各个零部件均已正常情况运作为前提，计算齿轮组和轴承的故障诊断数据，作为初始的先验概率输入。并结合专家系统中不断积累更新的数据对先验概率因子进行修正，使其更加接近真实情况。
S3、输入贝叶斯网络学习数据，对贝叶斯网络进行训练。
S4、将贝叶斯网络输出的后验概率作为故障诊断的结果。
进一步的，所述步骤S1包括：将故障零部件转化为贝叶斯网络的根节点，通过对摆角铣头各运动链的分析，将其衍生出的故障情况设为叶节点，根据层级建立对应关系，直到表现出最根本的故障情况。通过上述方式建立故障零部件与故障情况的贝叶斯网络结构。
进一步的，所述步骤S2包括：通过计算不同种类轴承和齿轮的理论额定寿命，将额定寿命转化为零部件的故障概率。求解轴承的基本额定寿命Lhri，需要得知轴承的转速n，载荷Pri和轴承具有的基本额定动载荷Cri，常数ε需要根据轴承的类型进行选择，对于球轴承ε＝3；对于滚子轴承ε＝10/3。将摆角铣头中各轴承的参数带入公式(1)中，即可得到每个轴承的理论寿命，将寿命取倒数并乘以轴承已经服役的时间便可该时刻下轴承故障的概率即Pri＝Thri/Lhri。求解齿轮的基本额定寿命Lhgi，需要得知齿轮的转速n，齿轮的工作应力循环次数Ngi及齿轮每转一圈，同一齿面啮合次数ji。将摆角铣头中各齿轮的参数带入公式(2)中，即可得到每个齿轮的理论寿命，将寿命取倒数并乘以齿轮已经服役的时间便可该时刻下齿轮故障的概率即Pgi＝Thgi/Lhgi。
Figure BDA0002682377330000021
Figure BDA0002682377330000022
故障表征节点的概率由根节点即零部件发生故障的概率求和，得到先验概率
Figure BDA0002682377330000023
Figure BDA0002682377330000024
进一步的，所述步骤S4包括：利用贝叶斯后验证概率算法，计算下一叶节点的故障发生概率。
P(Xi|XXi)＝＝P(XXi|Xi)*P(Xi)/P(XXi) (4)
由式(4)进行逐一节点的计算，得到最底层的事件的故障概率。
所述摆角铣头故障零部件贝叶斯网络所有的根节点，包括A轴：谐波减速器A1、直齿圆柱齿轮轴A2、直齿圆柱齿轮A3、直齿圆柱齿轮A4、直齿圆柱齿轮轴A5、直齿圆柱齿轮轴A6、直齿圆柱齿轮A7、圆锥滚子轴承A2-1、圆锥滚子轴承A2-2、圆锥滚子轴承A3-1、圆锥滚子轴承A4-1、圆锥滚子轴承A5-1、圆锥滚子轴承A6-1、转盘轴承A7-1；B轴：谐波减速器B1、直齿圆柱齿轮轴B2、直齿圆柱齿轮B3、圆锥滚子轴承B2-1、圆锥滚子轴承B2-2、转盘轴承B3-1；机械主轴：传动轴M1、直齿圆柱齿轮M2、直齿圆柱齿轮轴M3、弧齿锥齿轮轴M4、弧齿锥齿轮M5、花键轴M6、弧齿锥齿轮M7、弧齿锥齿轮M8、斜齿圆柱齿轮轴M9、斜齿圆柱齿轮轴M10、弧齿锥齿轮轴M11、弧齿锥齿轮M12、深沟球轴承M2-1、圆柱滚子轴承M2-2、角接触球轴承M3-1、角接触球轴承M4-1、角接触球轴承M5-1、角接触球轴承M7-1、角接触球轴承M8-1角接触球轴承
M9-1、角接触球轴承M10-1、角接触球轴承M10-2、角接触球轴承M11-1、角接触球轴承M11-2、角接触球轴承M11-3、角接触球轴承M11-4、圆锥滚子轴承M12-1、圆锥滚子轴承M12-2。
所述摆角铣头故障表征事件贝叶斯网络所有的叶节点，包含：A轴：谐波减速器故障AA1、直齿圆柱齿轮轴部分故障AA2、直齿圆柱齿轮部分故障AA3、直齿圆柱齿轮部分故障AA4、直齿圆柱齿轮轴部分故障AA5、直齿圆柱齿轮轴部分故障AA6、直齿圆柱齿轮部分故障AA7；B轴：谐波减速器故障BB1、直齿圆柱齿轮轴部分故障BB2、直齿圆柱齿轮部分故障BB3；机械主轴：传动轴故障MM1、直齿圆柱齿轮部分故障MM2、直齿圆柱齿轮轴部分故障MM3、弧齿锥齿轮轴部分故障MM4、弧齿锥齿轮部分故障MM5、花键轴MM6、弧齿锥齿轮部分故障MM7、弧齿锥齿轮部分故障MM8、斜齿圆柱齿轮轴部分故障MM9、斜齿圆柱齿轮轴部分故障MM10、弧齿锥齿轮轴部分故障MM11、弧齿锥齿轮部分故障MM12。
与现有技术相比，本发明的有益效果为：本发明通过对摆角铣头传动链的分析，将其中的齿轮和轴承作为贝叶斯网络的根节点，将功能部件的故障事件作为贝叶斯网络的叶节点，通过上述节点搭建出贝叶斯网络拓扑结构。以齿轮和轴承的额定寿命作为先验概率，经由贝叶斯网络结构计算故障事件的后验概率。此外，将该模型的故障诊断结果结合专家系统中的先验概率修正因子得到更加准确的故障预测结果。因此，该发明为摆角铣头机械系统的故障诊断提出了一种可供参考的思路和方法。
附图说明
图1为本方法的故障分析流程图
图2为摆角铣头A轴的传动链结构图
图3为摆角铣头B轴的传动链结构图
图4为摆角铣头机械主轴的传动链结构图
图5为摆角铣头故障事件的贝叶斯网络拓扑结构图
具体实施方式
下面结合附图对本发明的实施方式做详细的说明：
如图1所示，一种基于贝叶斯网络的摆角铣头故障分析方法，具体步骤为：
S1、根据摆角铣头的内部结构和摆角铣头故障情况建立相互对应的贝叶斯网络拓扑结构。在本方法中从机械结构的层面出发，以摆角铣头的传动链为分析对象，对摆角铣头A轴、B轴和机械主轴中的传动链进行分析。由传动链中的零部件建立故障零部件节点，并分析故障零部件之间的父子关系共同用于故障表征，搭建出包含根节点和叶节点的贝叶斯网络结构。
S2、以摆角铣头中各个零部件均已正常情况运作为前提，计算齿轮组和轴承的故障诊断数据，作为初始的先验概率输入。并结合专家系统中不断积累更新的数据对先验概率因子进行修正，使其更加接近真实情况。
S3、输入贝叶斯网络学习数据，对贝叶斯网络进行训练。
S4、将贝叶斯网络输出的后验概率作为故障诊断的结果。
所述步骤S1具体包括：将摆角铣头各运动链的零件作为潜在故障零部件建立贝叶斯网络根节点，将故障事件作为贝叶斯网络叶节点，并按照层级关系搭建出贝叶斯网络拓扑结构。摆角铣头A轴传动链结构如图2所示，摆角铣头B轴传动链结构如图3所示，摆角铣头机械主轴传动链结构如图4所示。
所述步骤S2具体包括：通过计算不同种类轴承和齿轮的理论额定寿命，将额定寿命转化为零部件的故障概率。求解轴承的基本额定寿命Lhri，需要得知轴承的转速n，载荷Pri和轴承具有的基本额定动载荷Cri，常数ε需要根据轴承的类型进行选择，对于球轴承ε＝3；对于滚子轴承ε＝10/3。将摆角铣头中各轴承的参数带入公式(1)中，即可得到每个轴承的理论寿命，将寿命取倒数并乘以轴承已经服役的时间便可该时刻下轴承故障的概率即Pri＝Thri/Lhri。求解齿轮的基本额定寿命Lhgi，需要得知齿轮的转速n，齿轮的工作应力循环次数Ngi及齿轮每转一圈，同一齿面啮合次数ji。将摆角铣头中各齿轮的参数带入公式(2)中，即可得到每个齿轮的理论寿命，将寿命取倒数并乘以齿轮已经服役的时间便可该时刻下齿轮故障的概率即Pgi＝Thgi/Lhgi。
Figure BDA0002682377330000051
Figure BDA0002682377330000052
如图2所示，建立的摆角铣头的贝叶斯网络拓扑结构图，由潜在故障零部件构成所有的根节点，包括A轴：谐波减速器A1、直齿圆柱齿轮轴A2、直齿圆柱齿轮A3、直齿圆柱齿轮A4、直齿圆柱齿轮轴A5、直齿圆柱齿轮轴A6、直齿圆柱齿轮A7、圆锥滚子轴承A2-1、圆锥滚子轴承A2-2、圆锥滚子轴承A3-1、圆锥滚子轴承A4-1、圆锥滚子轴承A5-1、圆锥滚子轴承A6-1、转盘轴承A7-1；B轴：谐波减速器B1、直齿圆柱齿轮轴B2、直齿圆柱齿轮B3、圆锥滚子轴承B2-1、圆锥滚子轴承B2-2、转盘轴承B3-1；机械主轴：传动轴M1、直齿圆柱齿轮M2、直齿圆柱齿轮轴M3、弧齿锥齿轮轴M4、弧齿锥齿轮M5、花键轴M6、弧齿锥齿轮M7、弧齿锥齿轮M8、斜齿圆柱齿轮轴M9、斜齿圆柱齿轮轴M10、弧齿锥齿轮轴M11、弧齿锥齿轮M12、深沟球轴承M2-1、圆柱滚子轴承M2-2、角接触球轴承M3-1、角接触球轴承M4-1、角接触球轴承M5-1、角接触球轴承M7-1、角接触球轴承M8-1角接触球轴承M9-1、角接触球轴承M10-1、角接触球轴承M10-2、角接触球轴承M11-1、角接触球轴承M11-2、角接触球轴承M11-3、角接触球轴承M11-4、圆锥滚子轴承M12-1、圆锥滚子轴承M12-2。
根据摆角铣头故障事件建立所有的叶节点，直到最底层事件的故障概率。所述叶节点包括A轴：谐波减速器故障AA1、直齿圆柱齿轮轴部分故障AA2、直齿圆柱齿轮部分故障AA3、直齿圆柱齿轮部分故障AA4、直齿圆柱齿轮轴部分故障AA5、直齿圆柱齿轮轴部分故障AA6、直齿圆柱齿轮部分故障AA7；B轴：谐波减速器故障BB1、直齿圆柱齿轮轴部分故障BB2、直齿圆柱齿轮部分故障BB3；机械主轴：传动轴故障MM1、直齿圆柱齿轮部分故障MM2、直齿圆柱齿轮轴部分故障MM3、弧齿锥齿轮轴部分故障MM4、弧齿锥齿轮部分故障MM5、花键轴MM6、弧齿锥齿轮部分故障MM7、弧齿锥齿轮部分故障MM8、斜齿圆柱齿轮轴部分故障MM9、斜齿圆柱齿轮轴部分故障MM10、弧齿锥齿轮轴部分故障MM11、弧齿锥齿轮部分故障MM12。
故障表征节点的概率由根节点即零部件发生故障的概率求和，得到先验概率
Figure BDA0002682377330000053
Figure BDA0002682377330000061
所述步骤S3具体包括：将先验故障概率作为贝叶斯网络学习数据输入模型，利用贝叶斯后验证概率算法，计算下一叶节点的故障发生概率
P(Xi|XXi)＝＝P(XXi|Xi)*P(Xi)/P(XXi) (4)
由式(4)进行逐一节点的计算，得到最根本的事件的故障概率，将后验概率作为故障分析诊断的结果。
所述步骤S4还应包括，将故障分析诊断的结果与实际情况比较，根据诊断情况将每次的诊断结果转化为先验概率修正因子对步骤S2中的先验概率进行修正，进一步提高贝叶斯网络的准确性。

Claims (6)

1.一种基于贝叶斯网络的摆角铣头故障分析方法，其特征在于，包含以下步骤：
S1、根据摆角铣头的内部结构和摆角铣头故障情况建立相互对应的贝叶斯网络拓扑结构；在本方法中从机械结构的层面出发，以摆角铣头的传动链为分析对象，对摆角铣头A轴、B轴和机械主轴中的传动链进行分析；由传动链中的零部件建立故障零部件节点，并分析故障零部件之间的父子关系共同用于故障表征，搭建出包含根节点和叶节点的贝叶斯网络结构；
S2、以摆角铣头中各个零部件均已正常情况运作为前提，计算齿轮组和轴承的故障诊断数据，作为初始的先验概率输入；并结合专家系统中不断积累更新的数据对先验概率进行修正，使其更加接近真实情况；
S3、输入贝叶斯网络学习数据，对贝叶斯网络进行训练；
S4、将贝叶斯网络输出的后验概率作为故障诊断的结果。
2.如权利要求1所述的一种基于贝叶斯网络的摆角铣头故障分析方法，其特征在于，所述步骤S1包括：
将故障零部件转化为贝叶斯网络的根节点，通过对摆角铣头各运动链的分析，将其衍生出的故障情况设为叶节点，根据层级建立对应关系，直到表现出最根本的故障情况；通过上述方式建立故障零部件与故障情况的贝叶斯网络结构。
3.如权利要求2所述的一种基于贝叶斯网络的摆角铣头故障分析方法，其特征在于，所述的先验概率来自以下方法：
假定正常运作的情况下，摆角铣头传动链中的齿轮和轴承均达到预期寿命；通过理论计算公式得到不同种类轴承和齿轮的理论额定寿命，将额定寿命转化为零部件的故障概率输入根节点，计算每个根节点对应故障情况的先验概率。
4.如权利要求2所述的一种基于贝叶斯网络的摆角铣头故障分析方法，其特征在于，所述步骤S2包括：
将步骤S4中与实际情况对比验证得到的结果转化为专家系统中的数据，用做步骤S2中先验概率的修正输入；经由不断的循环迭代更新，增加先验概率的准确度。
5.如权利要求1所述的一种基于贝叶斯网络的摆角铣头故障分析方法，其特征在于，所述故障零部件节点包括：A轴：谐波减速器A1、直齿圆柱齿轮轴A2、直齿圆柱齿轮A3、直齿圆柱齿轮A4、直齿圆柱齿轮轴A5、直齿圆柱齿轮轴A6、直齿圆柱齿轮A7、圆锥滚子轴承A2-1、圆锥滚子轴承A2-2、圆锥滚子轴承A3-1、圆锥滚子轴承A4-1、圆锥滚子轴承A5-1、圆锥滚子轴承A6-1、转盘轴承A7-1；B轴：谐波减速器B1、直齿圆柱齿轮轴B2、直齿圆柱齿轮B3、圆锥滚子轴承B2-1、圆锥滚子轴承B2-2、转盘轴承B3-1；机械主轴：传动轴M1、直齿圆柱齿轮M2、直齿圆柱齿轮轴M3、弧齿锥齿轮轴M4、弧齿锥齿轮M5、花键轴M6、弧齿锥齿轮M7、弧齿锥齿轮M8、斜齿圆柱齿轮轴M9、斜齿圆柱齿轮轴M10、弧齿锥齿轮轴M11、弧齿锥齿轮M12、深沟球轴承M2-1、圆柱滚子轴承M2-2、角接触球轴承M3-1、角接触球轴承M4-1、角接触球轴承M5-1、角接触球轴承M7-1、角接触球轴承M8-1角接触球轴承M9-1、角接触球轴承M10-1、角接触球轴承M10-2、角接触球轴承M11-1、角接触球轴承M11-2、角接触球轴承M11-3、角接触球轴承M11-4、圆锥滚子轴承M12-1、圆锥滚子轴承M12-2。
6.如权利要求1所述的一种基于贝叶斯网络的摆角铣头故障分析方法，其特征在于，所述故障事件节点包括：A轴：谐波减速器故障AA1、直齿圆柱齿轮轴部分故障AA2、直齿圆柱齿轮部分故障AA3、直齿圆柱齿轮部分故障AA4、直齿圆柱齿轮轴部分故障AA5、直齿圆柱齿轮轴部分故障AA6、直齿圆柱齿轮部分故障AA7；B轴：谐波减速器故障BB1、
直齿圆柱齿轮轴部分故障BB2、直齿圆柱齿轮部分故障BB3；机械主轴：传动轴故障MM1、直齿圆柱齿轮部分故障MM2、直齿圆柱齿轮轴部分故障MM3、弧齿锥齿轮轴部分故障MM4、弧齿锥齿轮部分故障MM5、花键轴MM6、弧齿锥齿轮部分故障MM7、弧齿锥齿轮部分故障MM8、斜齿圆柱齿轮轴部分故障MM9、斜齿圆柱齿轮轴部分故障MM10、弧齿锥齿轮轴部分故障MM11、弧齿锥齿轮部分故障MM12。
CN202010966095.8A 2020-09-15 2020-09-15 一种基于贝叶斯网络的摆角铣头故障分析方法 Pending CN112146871A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010966095.8A CN112146871A (zh) 2020-09-15 2020-09-15 一种基于贝叶斯网络的摆角铣头故障分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010966095.8A CN112146871A (zh) 2020-09-15 2020-09-15 一种基于贝叶斯网络的摆角铣头故障分析方法

Publications (1)

Publication Number Publication Date
CN112146871A true CN112146871A (zh) 2020-12-29

Family

ID=73893722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010966095.8A Pending CN112146871A (zh) 2020-09-15 2020-09-15 一种基于贝叶斯网络的摆角铣头故障分析方法

Country Status (1)

Country Link
CN (1) CN112146871A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0938846A (ja) * 1995-07-28 1997-02-10 Agency Of Ind Science & Technol 切削工具の摩耗量検知による工具寿命の自己診断方法
JP2003328682A (ja) * 2002-05-16 2003-11-19 San Shield Kk 横坑構築工法及び横坑構築装置
CN103245861A (zh) * 2013-05-03 2013-08-14 云南电力试验研究院（集团）有限公司电力研究院 一种基于贝叶斯网络的变压器故障诊断方法
US20160076970A1 (en) * 2014-09-17 2016-03-17 International Business Machines Corporation Detecting apparatus, detection method, and program
CN107862324A (zh) * 2017-10-19 2018-03-30 北京化工大学 一种基于mwspca的cbr预测模型智能化预警方法
CN109176148A (zh) * 2018-10-10 2019-01-11 马爱华 一种数控机床刀头故障诊断装置
CN109270461A (zh) * 2018-10-15 2019-01-25 四川长虹电器股份有限公司 基于贝叶斯网络的故障检测方法
CN111274709A (zh) * 2020-02-14 2020-06-12 莆田学院 基于贝叶斯策略的产品可靠性分析方法及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0938846A (ja) * 1995-07-28 1997-02-10 Agency Of Ind Science & Technol 切削工具の摩耗量検知による工具寿命の自己診断方法
JP2003328682A (ja) * 2002-05-16 2003-11-19 San Shield Kk 横坑構築工法及び横坑構築装置
CN103245861A (zh) * 2013-05-03 2013-08-14 云南电力试验研究院（集团）有限公司电力研究院 一种基于贝叶斯网络的变压器故障诊断方法
US20160076970A1 (en) * 2014-09-17 2016-03-17 International Business Machines Corporation Detecting apparatus, detection method, and program
CN107862324A (zh) * 2017-10-19 2018-03-30 北京化工大学 一种基于mwspca的cbr预测模型智能化预警方法
CN109176148A (zh) * 2018-10-10 2019-01-11 马爱华 一种数控机床刀头故障诊断装置
CN109270461A (zh) * 2018-10-15 2019-01-25 四川长虹电器股份有限公司 基于贝叶斯网络的故障检测方法
CN111274709A (zh) * 2020-02-14 2020-06-12 莆田学院 基于贝叶斯策略的产品可靠性分析方法及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑鹏: "直驱式A/C轴双摆角铣头故障树分析和泄漏问题改进", 《机械工程师》 *

Similar Documents

Publication Publication Date Title
CN109667727B (zh) 一种基于功率曲线分析的风电机组偏航误差固有偏差辨识及补偿方法
CN105205221B (zh) 一种重型数控机床精度可靠性分析方法
CN110297462B (zh) 一种考虑机床几何误差影响的磨齿精度预测建模方法
CN108563831B (zh) 一种rv减速器传动精度的优化方法
CN110046409B (zh) 一种基于ResNet的汽轮机部件健康状态评估方法
CN110008594A (zh) 一种行星传动人字齿轮有限元网格自动建模与装配方法
CN111666643B (zh) 一种用于确定复杂齿面接触性能的方法
CN112146871A (zh) 一种基于贝叶斯网络的摆角铣头故障分析方法
CN114418383A (zh) 一种工业机器人的健康风险评估方法、装置、介质和设备
Yan et al. Reliability prediction of CNC machine tool spindle based on optimized cascade feedforward neural network
CN112528551A (zh) 一种双伺服刀架的频率可靠性评估方法
CN114065572B (zh) 一种厚度偏差与叶片厚度分布相关的叶片模型构建方法
CN113094827B (zh) 基于qfd分解和扩展rpn值的产品制造可靠性退化根原因识别方法
CN115290317A (zh) 基于多源信息融合的工业机器人减速器健康状态评估方法
CN115688311A (zh) 一种行星滚柱丝杠副的不确定性分析方法及系统
CN115438543A (zh) 一种面向大型航空行星机构的系统疲劳可靠性预测方法
Niu et al. Geometrical design of variable ratio tooth profile based on Boolean subtraction operation and a novel modification method
CN110045685B (zh) 检验齿轮机床工作精度的方法
CN110597177B (zh) 一种基于精度映射的数控机床精度控制方法
CN113010978A (zh) 一种基于动态仿真的航空直齿轮修形方法
CN114021288A (zh) 一种风电机组偏航轴承寿命预测的方法
CN114880800B (zh) 一种用于改善齿面偏载的综合齿轮修形方法
Sun et al. Optimization of hypoid gear design and tooth contact analysis
CN117807697A (zh) 齿轮仿真加工处理方法、装置、电子设备及存储介质
Lin et al. Influences of the workpiece pose errors on gear skiving accuracy

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201229