基于神经网络的柔性制造系统的故障诊断研究

《基于神经网络的柔性制造系统的故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP277.310710-2013125002硕士学位论文基于神经网络的柔性制造系统的故障诊断研究鲁豪导师姓名职称蔡宗琰教授申请学位类别工学硕士学科专业名称机械制造及其自动化论文提交日期2016年5月10日论文答辩日期2016年6月7日学位授予单位长安大学StudyonfaultdiagnosisofflexiblemanufacturingsystembasedonNeuralNetworkAThesisSubmittedfortheDegreeofMasterCandidate：LuHaoSuper

2、visor：Prof.CaiZongyanChang’anUniversity,Xi’an,China摘要本论文涉及的内容是基于神经网络的柔性制造系统的故障诊断研究。随着经济高速发展人民生活需求不断增长时代的到来，一些传统的制造模式已经渐渐不能满足大众对制造业更高的要求。柔性制造系统正是在这种形势下应运而生的。柔性制造系统的诞生，能极大减少人工工作量，极大满足公司产品对市场变化的应变。就技术先进性而言，柔性制造系统在制造业的优势越来越明显。但在实际生产过程中，由于其结构复杂，故障发生频繁。柔性制造系统的技术先进

3、性很难体现。这使得对柔性制造系统故障诊断研究势在必行。论文分析了柔性制造系统的基本组成结构和工作原理，然后结合某条柔性制造系统统计的几年内故障信息，采用故障模式统计分析法，分析确定了柔性制造系统故障频发部位即薄弱环节，进而将立式加工中心确定为本论文故障诊断研究切入点。针对目前国内外故障诊断方面的研究成果，考虑到神经网络技术在故障诊断方面的诸多优势，本论文确定将神经网络技术应用在柔性制造系统故障诊断中。本文通过遗传算法与神经网络的结合，实现了对BP神经网络算法的改进。通过对不同信号采集方法优劣比较，最后确定将电流

4、能量法应用于立式加工中心刀具状态识别与故障诊断中。采集主轴电机电流信号，将电流能量值归一化后输入到已训练的改进后的BP神经网络模型中，通过实验数据分析验证，取得了更快的诊断速度与更准确的诊断结果。在柔性制造系统生产实际中，故障频发往往是引起生产效率严重下降的关键原因。而柔性制造系统的故障原因多样，种类复杂。因此通过统计分析，找准关键部位，用行之有效的方法对其进行状态监测与故障诊断，能有效的控制柔性制造系统故障处理时间，大大提高其生产效率。因此本文具有一定的借鉴意义和实际使用价值。关键词：柔性制造系统，神经网络，

5、故障诊断，遗传算法iAbstractThecontentofthispaperistheresearchoffaultdiagnosisofflexiblemanufacturingsystem(FMS)basedonneuralnetwork.Withtherapideconomicdevelopment,sometraditionalmanufacturingmodehasbeenunabletomeettheneedsofthepublictothemanufacturingindustry.FMScam

6、eintobeinginthissituation.ThebirthofFMS,cangreatlyreducetheworkload,greatlymeetthecompany'sproductsonthemarketchangesofthestrain.TheadvantagesofFMSinmanufacturingindustryaremoreandmoreobvious.Butintheactualproductionprocess,becauseofitscomplexstructure,frequ

7、entfailure.ThetechnologyofFMSisdifficulttoreflect.ThismakesitnecessarytostudythefaultdiagnosisofFMS.ThispaperanalyzesthebasicstructureandworkingprincipleoftheFMS,andthencombinedwiththefaultinformationofaFMSinafewyears.AnalysisoftheFMS,whichistheweaklink,andt

8、hentheverticalmachiningcenterasthefaultdiagnosisresearchpoint.Aimingatthefaultdiagnosisofdomesticandforeignresearchresults,consideringtheadvantagesofneuralnetworktechnologyinfaultdiagnosis,thisp