为解决传统故障树(fault tree analysis, FTA)分析中建树困难、过于庞大和定性分析复杂的问题,提出了一种基于元动作全故障模式与改进二元决策图的故障树分析方法。首先,根据元动作全故障模式分析方法找出关键故障模式;其次,针对关键故...为解决传统故障树(fault tree analysis, FTA)分析中建树困难、过于庞大和定性分析复杂的问题,提出了一种基于元动作全故障模式与改进二元决策图的故障树分析方法。首先,根据元动作全故障模式分析方法找出关键故障模式;其次,针对关键故障模式,按照故障模式-参数-结构-原因的原则来查找基本原因,从而得到关键故障模式的故障树;再次,采用改进的二元决策图(binary decision graph, BDG)对建立的故障树进行定性分析,得到最小割集,并通过定量计算得到各底事件的相对概率重要度,找到关键的故障原因,为机电产品的设计和改进提供参考依据;最后,以三级行星齿轮减速器为例进行基于元动作的故障树分析,并与传统的故障树分析方法进行比较。最终结果验证了所述方法的适用性和有效性,提高了机电产品故障分析的通用性和分析效率。展开更多
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。