加工中心可靠性评估技术在加工中心的整个方案论证、工程研制、投入生产、交付使用及维护等各个阶段都非常重要,可以说,可靠性评估贯穿于加工中心的整个寿命周期中。通过评估,可以衡量加工中心的可靠性水平是否达到预定的设计目标,验证加工中心可靠性设计的合理性,找出加工中心的薄弱环节,为改进加工中心的设计、制造、工艺及维修优化提供数据支撑。因此,加工中心可靠性评估技术的研究对于提升我国加工中心的可靠性水平具有重要的作用。加工中心可靠性评估技术虽经近几年来的探索与研究已取得显著成绩,但问题仍然存在。与其它产品的可靠性评估不同,加工中心的可靠性评估具有两个鲜明的特点:第一,加工中心是一类复杂的机电液一体化系统,由众多的零部件和子系统组成,产品的每个系统故障都可能是在多种故障机制共同作用下发生的,所以加工中心的故障数据具有多故障模式的特点,不同故障模式的故障数据,其分布类型一般也不同,不同故障模式对加工中心的影响程度也有所不同;第二,由于加工中心结构复杂,研制周期长,在进行试验时花费周期长,投入试验的样本量也非常有限,所以得到的加工中心故障数据还具有小子样的特点。在文献的研究中,对于加工中心的这两种特点一般都是单独考虑,综合考虑两种故障数据特点在进行模型参数求解时存在一定难度,但是综合考虑两种故障数据特点的可靠性评估会更具有实际工程意义。在这样的背景下,本文结合国家自然科学基金项目和《高档数控机床与基础制造装备》国家科技重大专项项目,以某国产卧式加工中心为研究对象,通过模拟实际工况试验得到一系列加工中心故障数据,以此为基础对加工中心的可靠性评估方法进行了比较深入、系统的研究。全文的研究工作主要包括:①基于小子样、多故障模式的加工中心可靠性评估方法。针对多故障模式的特点,采用混合威布尔分布对故障数据进行建模;针对小子样的特点,采用贝叶斯(Bayes)估计的方法对已建立的混合威布尔分布进行参数估计;最终形成基于贝叶斯估计的混合威布尔评估方法,求得加工中心的可靠性评估结果。②基于径向基函数神经网络的加工中心可靠性评估方法。针对加工中心可靠性评估过程中可靠性故障数据为小子样的特点,根据模拟实际工况所得到的小子样可靠性数据,应用径向基函数(Radial Basis Function,RBF)神经网络对小子样数据进行拟合、扩充,形成与小子样可靠性数据具有相同失效统计规律的扩充可靠性数据。针对加工中心多故障模式的特点,采用混合威布尔分布对故障数据进行建模;将扩充后的大样本故障数据用常用的最大似然估计法对所建立的混合威布尔分布进行参数估计。最终求得加工中心的可靠性评估结果。③基于故障严重度的加工中心可靠性评估方法。不同的故障模式对加工中心的影响程度有所不同,从故障的失效机理出发建立相应的分布模型,对不同类型故障模式的数据分别进行分布检验、参数估计,确定各类故障模式的可靠性指标;然后用专家评分法将不同故障模式对加工中心的影响程度进行排序;然后采用考虑了故障模式在融合中作用不同的Bayes数据融合法计算出加工中心整体的可靠性分布模型,最终求得加工中心的可靠性评价指标。