第一章 绪论 第二章 数控机床维护及故障诊断 第一节 数控机床的验收与精度检测 第二节 数控机床的维护 第三节 数控机床的故障处理 第四节 数控系统故障诊断的方法 第五节 数控机床的抗干扰 第三章 数控机床机械结构故障诊断 第一节 数控机床机械故障诊断方法 第二节 主轴部件 第三节 滚珠丝杠螺母副 第四节 导轨副 第五节 刀库及换刀装置 第六节 液压与气压传动系统 第四章 伺服系统故障诊断 第五章 数控机床I/O控制的故障 第一节 数控机床PLC的功能 第二节 PLC输入/输出元件 第三节 数控机床PLC控制的故障诊断 第六章 MNC863T数控系统故障诊断 概述 系统构成 总线结构形式 组成 连接关系 数控系统故障诊断

❑ 掌握几种辅助电器的作用，了解其各自的使用方法； ❑ 学习几种辅助电器的结构及组成； ❑ 着重学会各种辅助电器的电路分析方法； ❑ 能够分析典型车型的辅助电器电路； ❑ 重点掌握典型车型的辅助电器的故障诊断及排除方法； ❑ 突破书本知识，能够独立分析其它类似电路。 9.1 风窗刮水、清洗和除霜装置 9.1.1 雨刮电机及刮水器 9.1.2 风窗清洗装置 9.1.3 刮水及清洗装置控制电路 9.1.4 后窗除霜装置 9.2 电动座椅 9.2.1 电动座椅的组成 9.2.2 电动座椅的电路原理 9.3 电动门窗 9.3.1 电动门窗的组成 9.3.2 电动门窗的电路原理 9.4 电动后视镜 9.4.1 电动后视镜的组成 9.4.2 电动后视镜的工作原理 9.5 中央集控门锁 9.5.1中央集控门锁的组成 9.5.2中央集控门锁的电路原理 实训项目9.1 雨刮器故障的诊断与检测 实训项目9.2 风窗清洗系统故障的诊断与检修 实训项目9.3 后窗除霜装置故障的诊断与检修 实训项目9.4 电动座椅故障诊断与检测 实训项目9.5 电动门窗的故障诊断 实训项目9.6 电动后视镜的故障诊断 实训项目9.7 中控门锁故障诊断

§5.1齿轮的故障诊断 §5.2滚动轴承的故障诊断 §5.3静止设备的故障诊断 §5.4发动机诊断技术

提出基于普通变尺度和周期势自适应随机共振理论，检测噪声背景下轴承滚动体的故障特征.在具体实施过程中，首先用普通变尺度的方法满足随机共振中小参数的条件，然后用随机权重粒子群优化算法作为自适应随机共振参数寻优的优化算法，同时用改进的信噪比作为评价指标.噪声背景下含轴承滚动体故障的实验信号经过普通变尺度下的自适应随机共振处理和优化后，微弱的故障特征可以有效的提取出来.将普通变尺度下的双稳态自适应随机共振和周期势自适应随机共振进行了对比，结果表明周期势自适应随机共振比双稳态自适应随机共振能进一步提高信噪比，并且比双稳态自适应随机共振迭代次数少，用时短.这说明提出的基于普通变尺度和周期势系统自适应随机共振的轴承滚动体故障诊断方法具有优越性，尤其是在工程实际中，故障监测所需的数据量大，计算时间长，如能较早的预警，可以提高诊断效率并减少不必要的损失.因此，这种轴承滚动体故障诊断方法对提高机械设备故障诊断效率具有参考价值

针对矿山破碎机的声音故障诊断受复杂现场环境制约、确诊率低的难题,结合独立分量分析(ICA)在自然图像和连续语音信号中特征提取的方法,采用两层ICA分别用于从混杂声音中提取各采集通道(部位)的统计独立声音信号和进一步提取该信号的特征基.训练阶段生成的特征基系数序列用来生成矢量量化(VQ)的码书,设计出ICA-VQ破碎机故障诊断系统.现场采集数据的实验中系统的故障诊断准确率达到96.8%,表明系统的高效性

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要求，严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet，用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度。实验分析表明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升。这为深度神经网络技术应用于工程实际，克服计算机硬件条件限制提供了一条新的途径

通过对数控机床典型故障案例的介绍,说明了数控系统、进 给传动链、主轴变速挂档、工作台交换、润滑系统和接口信号的 故障诊断的方法,有助于读者对数控机床的故障诊断有整体和综 合性的考虑

针对装备各类故障样本分布不平衡、现有算法故障诊断精度较低的问题，通过引入p范数约束多核极限学习机和基于AdaBoost的集成学习策略，定义了一种p范数约束下正则化加权多核集成极限学习机的故障诊断模型。首先，在p范数约束下，基于各类故障样本自身规模，分别进行了两种自适应的样本权重分配；其次，在每层分类器的优化中，将多核学习的多源数据融合能力和极限学习机运算高效的特点相结合，同时，将样本的权重$ {\\boldsymbol{W}} $

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性

在分析了以往的齿轮故障诊断方法及大量试验数据的基础上,选出了对应于各故障敏感的参量,总结归纳了齿轮故障的判据并在此基础上建立了故障诊断的专家系统,把模糊理论用以知识表示进行不精确推理;采用元知识控制下的反向推理机制并根据推理结果赋以合理的解释,该系统既能本机自动诊断又能结合其它诊断方法作精密诊断;还能兼顾在线监测与离线分析.利用该系统对齿轮试验数据进行分析、处理进而推理、诊断获得了满意的效果