新型灰关联分析方法研究及其在数控机床主轴故障识别中的应用

中国机械工程 ›› 2013, Vol. 24 ›› Issue (23): 3150-3153,3219.

新型灰关联分析方法研究及其在数控机床主轴故障识别中的应用

杨东升1;李红卫1,2;孙一兰1;尹震宇1

1.中国科学院沈阳计算技术研究所,沈阳,110171;;
2.中国科学院研究生院,北京,100039

出版日期:2013-12-10 发布日期:2013-12-06
基金资助:
国家科技重大专项(2011ZX04016-017)

Study on Novel Grey Relation Analysis Method and Its Application in Fault Recognition of NC Machine Tool Spindle

Yang Dongsheng1;Li Hongwei1,2;Sun Yilan1;Yin Zhenyu1

1.Shenyang Institute of Computing Technology Chinese Academy of Sciences,Shenyang,110171
2.Graduate University of Chinese Academy of Sciences,Beijing,100039

Online:2013-12-10 Published:2013-12-06
Supported by:
National Science and Technology Major Project ( No. 2011ZX04016-017)

摘要/Abstract

摘要：

针对传统灰关联分析方法存在的问题,引入动态分辨系数和因子权重系数,提出新型灰关联分析方法。与传统灰关联分析方法相比，该方法具有两个优点:一是降低对人为确定分辨系数和权重系数的依赖性;二是提高识别结果的可靠性和准确性。最后将该方法应用于数控机床主轴故障识别中，并与传统灰关联分析方法和神经网络识别结果进行对比分析。结果显示，新型灰关联分析方法识别结果更准确可靠。

关键词: 故障识别, 灰关联分析, 动态分辨系数, 因子权重系数, 数控机床

Abstract:

Against the problem of traditional grey relation analysis method, a novel method was proposed by introducing dynamic identification and factor weight coefficient. Compared with traditional method,this method has two advantages: ①
reducing the dependence of man-made identification and weight coefficient; ②strengthening the reliability and veracity. Application of this method to fault recognition of NC machine tool spindle shows a better effect on the reliability and
veracity over traditional method and neural network,this method can also be applied to many other fields.

Key words: fault recognition, grey relation analysis, dynamic identification coefficient, factor weight coefficient, NC machine tool

中图分类号:

杨东升, 李红卫, 孙一兰, 尹震宇. 新型灰关联分析方法研究及其在数控机床主轴故障识别中的应用[J]. 中国机械工程, 2013, 24(23): 3150-3153,3219.

Yang Dongsheng, Li Hongwei, Sun Yilan, Yin Zhenyu. Study on Novel Grey Relation Analysis Method and Its Application in Fault Recognition of NC Machine Tool Spindle[J]. China Mechanical Engineering, 2013, 24(23): 3150-3153,3219.

[1]	刘强, . 数控机床发展历程及未来趋势[J]. 中国机械工程, 2021, 32(07): 757-770.
[2]	桂林;李升. 国内重型数控机床的现状及发展趋势[J]. 中国机械工程, 2020, 31(23): 2780-2787,2797.
[3]	张朝阳;吉卫喜;彭威. 基于迁移学习的数控机床节能控制决策方法[J]. 中国机械工程, 2020, 31(23): 2855-2863.
[4]	付国强, 饶勇建, 谢云鹏, 高宏力, 邓小雷. [误差建模及精度保证方法]几何误差贡献值影响下五轴数控机床运动轴误差灵敏度分析方法[J]. 中国机械工程, 2020, 31(13): 1518-1528.
[5]	黄智, 刘永超, 邓涛, 周涛, 祝云. [误差建模及精度保证方法]一种五轴数控机床热误差建模方法[J]. 中国机械工程, 2020, 31(13): 1529-1538.
[6]	刘红艺, 樊锐, 郭江真, 张维, 赵钦志, 陈五一. [可靠性建模及试验技术]面向数控机床可靠性试验的多维力随动加载装置[J]. 中国机械工程, 2020, 31(13): 1606-1612.
[7]	杨斌, 冉琰, 张根保. [可靠性建模及试验技术]基于元动作模块的多轴数控机床精度分析[J]. 中国机械工程, 2020, 31(13): 1621-1628.
[8]	刘敏洋1，2;黄艳群1;张大卫1. 基于绩效激励机制的数控机床人机交互系统创新设计[J]. 中国机械工程, 2019, 30(21): 2554-2559.
[9]	张根保;王扬. 基于元动作链理论的数控机床故障分析[J]. 中国机械工程, 2019, 30(16): 1950-1958,1966.
[10]	苗恩铭1;吕玄玄2;魏新园2;宋先进2;董云飞2. 基于状态空间模型的数控机床热误差建模[J]. 中国机械工程, 2019, 30(09): 1049-1055,1064.
[11]	王宇钢1;修世超2. 基于聚类和自适应神经模糊推理系统的数控机床绿色度评价方法[J]. 中国机械工程, 2018, 29(23): 2845-2849,2858.
[12]	吴士力1;唐振民1;刘奇2. 基于字典相干性优化的稀疏分类在发动机空燃比故障识别中的应用[J]. 中国机械工程, 2017, 28(23): 2773-2778,2784.
[13]	王超;刘飞;庹军波. 一种数控切削机床运行能耗状态在线判别方法[J]. 中国机械工程, 2017, 28(13): 1620-1627.
[14]	苗恩铭, 徐建国, 吕玄玄, 魏新园. 数控机床工作台误差综合补偿方法研究[J]. 中国机械工程, 2017, 28(11): 1326-1332.
[15]	姜万录, 王浩楠, 朱勇, 王振威, 董克岩, . 变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法[J]. 中国机械工程, 2017, 28(10): 1215-1220,1226.