粗糙集指标简约的装配设计方案模糊评价

为了合理、快速地评价装配设计方案,确保装配实施方案的优良性,提出一种装配设计方案模糊评价方法。首先,在文献调研的基础上提出装配设计方案评价指标体系;然后,通过粗糙集理论利用专家知识对评价指标进行简约,删除冗余指标,保留必要指标,并定义指标的量化方法,并对各评价指标的重要性进行分析,计算出综合评价指标的模糊权重;最后,根据必要评价指标的属性值及相关权重,使用逼近于理想值的方法实现对可行装配设计方案的综合评价,并通过与模糊层次分析法、模糊综合评价法的评价结果对比证明了本方法的正确性。以某企业产品的传动系统装配设计方案评价过程为例验证了该方法的有效性。结果表明,该模糊评价方法对装配设计方案评价结果合理,优选出的方案具有较高的精度和效率。     

数控机床基于元动作的FMEA分析技术研究

目前用于机电产品的故障模式及影响分析法实施起来较为繁琐、费时且容易出错,同时该方法选取的分析对象也无法反映机电产品"运动决定功能"的特点.为解决这一问题,首先按照"功能—运动—动作"的分解思路将机电产品的功能分解为最基本的动作——元动作;其次,对元动作的性质进行分析,并探讨了将其作为机电产品故障模式及影响分析的研究对象的合理性;再次,以此为基础提出了一种适用于机电产品的元动作故障模式及影响分析法;最后,在合理性、适用性、简易性等方面对传统方法与所提方法进行了对比,凸显了本文所提方法的优势.以国内某型号的数控机床为对象进行分析,验证了所提方法的适用性和有效性,同时也提高了机电产品故障分析的准确性和效率.     

元动作装配单元误差传递模型及有效路径求解方法

在对机械产品进行"功能-运动-动作"结构化分解的基础上,将影响元动作装配单元装配精度的误差源分为零部件的形状误差、位置误差、装配位置误差和运动误差等四类误差源。引入误差链接模型作为元动作装配单元误差关联关系的基本封装单元,构建结构化误差关联模型——链接网络和链接矩阵,形象描述误差间的耦合嵌套关系。提出基于误差链接模型的装配误差传递路径求解方法,用老鼠迷宫算法搜索所有可能的误差传递路径,以装配精度最高作为判别依据,得到各误差分量的有效传递路径。以蜗杆转动元动作装配单元蜗杆轴线平行度误差有效传递路径为目标,对上述方法进行验证,结果表明该方法能够高效地搜索到所有误差传递路径,并快速获得有效传递路径。该方法的提出为整机装配过程质量预测与控制提供了理论依据。     

元动作单元故障树建模在复杂机电产品可靠性优化中的应用

针对传统的可靠性建模方法难以建立复杂机电产品的可靠性数学模型,提出一种结合功能分解(FMA,function-motion-action)和故障树(FTA,fault tree analysis)的建模方法,降低了复杂机电产品的可靠性优化模型的构造难度。针对遗传算法(GA,genetic algorithm)和粒子群算法(PSO,particle swarm optimization)在模型求解时存在的不足,提出构建混合GA-PSO算法来改善GA算法易陷入局部最优或全局搜索能力弱的现象。通过数控磨齿机的实例分析,验证了用混合GA-PSO算法构造优化模型的可行性,以及采用混合粒子群算法优化求解的有效性。     

基于运动单元故障建模的装配可靠性控制技术

为提高机电产品装配环节的可靠性,首先采用"功能—运动—动作"的结构化分解方法得到元动作单元,然后对产品历史故障数据进行分析以确定各运动单元的故障模式,并建立运动单元故障树;为提高分析效率,使用二元决策图(BDD)对故障树进行转化,得到故障树的最小割集,并根据基本事件的发生概率计算得到基本事件的重要度;然后根据80/20定律将重要度较高的事件确定为可靠性控制点,分析可靠性控制点故障的故障源,建立基于多色集合理论的故障与故障源间的布尔关系矩阵,提出在装配过程中针对各主要故障原因的可靠性控制措施。研究结果表明:该故障建模和可靠性控制技术能够有效提高装配过程中的可靠性。     

基于GRA和AHP的GRNN神经网络零件失效概率预测方法

为了提高对机械零件失效概率的预测精度,提出一种基于GRA和AHP的广义回归神经网络零件失效概率预测方法.在分析机械零件失效概率影响因素的基础上,首先利用灰色关联分析法(Grey Relational Analysis,GRA)分析影响机械零件失效概率的主要因素,通过层次分析法(Analytic Hierarchy Process,AHP)构建机械零件失效概率的评价指标层次体系,评估各个指标对于零件失效概率的权重;结合各个指标权重与初始值,以获取各指标的加权评价值;最后通过广义回归神经网络(Generalized Regression Neural Network,GRNN)建立以各指标加权评价值来预测机械零件失效概率的预测模型.利用本文方法所建立的预测模型对某企业数控转台的上齿盘失效概率进行预测,并与传统的GRNN神经网络预测模型、BP神经网络预测模型和回归预测模型进行对比,结果显示本文所建立的模型预测误差小于0.8%、残差在-0.2%～0.2%范围内,均优于对比模型的预测结果,表明所建立的预测模型具有更高的精度和更强的稳健性,适合于零件失效概率的预测.