数控伺服刀架是数控车床的核心部件之一,其工作状态的优劣直接影响着工件的加工质量,频繁地发生故障导致生产效率大幅度降低的同时也降低了产品的社会声誉。因此,开展数控伺服刀架故障诊断方法研究,深入分析数控伺服刀架的典型故障特征,实现对其状态异常的识别、故障的快速定位和典型故障的快速诊断,为产品预测性维修和可靠性水平提升提供了理论基础,对提高产品水平具有一定的理论研究意义和工程应用价值。本文以某国产数控伺服刀架为研究对象,结合国家重大科技专项课题研究内容的需求,开展了数控伺服刀架故障诊断方法的研究。围绕数控伺服刀架工作的时序特征,本文提出了基于其工作周期时序环节的划分方法,探索了不同时序环节信号的时域统计分析和总体平均经验模态分析的信号处理及特征提取方法,并在此基础上提出了基于粒子群算法优化的支持向量机和模糊支持向量机的数控伺服刀架典型故障诊断方法,最后通过实验对诊断方法的有效性进行了验证。具体研究内容如下:(1)数控伺服刀架典型故障的确定:分析国产某型号数控伺服刀架的结构及工作原理,根据空间区域、功能独立和模块化设计等原则把数控伺服刀架系统划分为5个子系统。在子系统划分基础上依据数控伺服刀架的现场台架试验数据,采用风险优先系数法确定了其典型故障模式及部位。(2)基于时序划分的数控伺服刀架典型故障信号特征提取方法研究:通过上一章分析确定的数控伺服刀架典型故障模式及其工作特征,确定了刀架振动、油压、电流及接近开关信号作为故障特征提取信号;根据数控伺服刀架工作的时序特征,将其一个完整工作周期进行了时序环节的划分为时序环节T1-刀架松开过程、时序环节T2-刀盘转位过程、时序环节T3-刀架锁紧过程和时序环节T4-刀架切削过程。根据不同时序环节信号的时域特性和时频特性,确定了不同时序环节的状态特征向量。(3)基于不同时序环节的故障诊断方法研究:根据支持向量机理论和数控伺服刀架故障数据整体高维小样本的特点,选择了RBF核函数的支持向量机作为其故障诊断的核心方法理论;根据每个时序环节的样本特征选择不同的支持向量机优化方法,分别开展了T1和T4时序段基于FSVM理论的故障诊断方法研究,以及T1和T3时序段基于PSO-SVM理论的故障诊断方法的研究。通过对4个时序环节故障诊断方法的综合,实现了数控伺服刀架完整工作周期的故障诊断。(4)数控伺服刀架典型故障诊断试验研究:在机械工业数控装备可靠性重点实验室的试验台基础上,建立了数控伺服刀架状态信息采集和信号分析系统,并开展了数控伺服刀架典型故障的试验研究。分别采用FSVM和SVM对数控伺服刀架时序环节T1、T3进行了故障诊断的验证和对比研究,FSVM模型诊断准确率优于SVM模型的诊断结果。分别用PSO-SVM和SVM对伺服刀架时序环节T2、T4进行了故障诊断的验证和对比研究,结果证明了前一种方法诊断准确率优于SVM诊断方法,同时也验证了进行数控伺服刀架工作时序划分的有效性。