针对机床的机械故障频发且装配因素难以识别的问题,提出了基于贝叶斯网络的机床装配情景异常推理识别方法。以机械零部件多尺度运动分析为切入点,建立了机床功能-元动作的多尺度映射模型,利用故障模式及影响分析(Failure Mode and Effec...针对机床的机械故障频发且装配因素难以识别的问题,提出了基于贝叶斯网络的机床装配情景异常推理识别方法。以机械零部件多尺度运动分析为切入点,建立了机床功能-元动作的多尺度映射模型,利用故障模式及影响分析(Failure Mode and Effect Analysis,FMEA)方法建立了机床元动作单元关键装配情景构成模型。基于装配情景构成模型建立了元动作单元装配情景的贝叶斯网络结构,利用证据推理法实现了元动作单元装配情景异常概率的智能推理。以蜗轮转动元动作单元为例,构建了蜗轮转动单元装配情景初始贝叶斯网络,获取了蜗轮转动元动作输出的异常概率(由装配因素引起)为2.35%;以蜗轮转动故障为起点进行了贝叶斯网络反向推理,识别出导致蜗轮转动故障的各装配情景异常概率。元动作装配情景的异常识别为实现机床故障装配因素的追溯提供理论依据。展开更多
文摘针对机床的机械故障频发且装配因素难以识别的问题,提出了基于贝叶斯网络的机床装配情景异常推理识别方法。以机械零部件多尺度运动分析为切入点,建立了机床功能-元动作的多尺度映射模型,利用故障模式及影响分析(Failure Mode and Effect Analysis,FMEA)方法建立了机床元动作单元关键装配情景构成模型。基于装配情景构成模型建立了元动作单元装配情景的贝叶斯网络结构,利用证据推理法实现了元动作单元装配情景异常概率的智能推理。以蜗轮转动元动作单元为例,构建了蜗轮转动单元装配情景初始贝叶斯网络,获取了蜗轮转动元动作输出的异常概率(由装配因素引起)为2.35%;以蜗轮转动故障为起点进行了贝叶斯网络反向推理,识别出导致蜗轮转动故障的各装配情景异常概率。元动作装配情景的异常识别为实现机床故障装配因素的追溯提供理论依据。
