圆盘式刀库作为加工中心的一个关键功能部件,具有刀库结构复杂、换刀动作较快、对位置准确性要求高,使其成为加工中心的一个故障发生概率很高的部件,严重影响了加工中心的运行可靠性。由于圆盘式刀库故障模式多样、故障原因繁杂,致使其在发生故障时维修人员很难在短时间内找到故障原因并快速修复。本文结合实验室研发的加工中心圆盘式刀库可靠性试验系统,在大量试验和深入研究刀库常见故障模式和故障机理的基础上,对圆盘式刀库的故障诊断技术展开研究,目的是在其发生故障后能够快速地做出故障部位、故障原因的判定,大幅度缩短维修时间,提高加工中心的利用率。本文以国产某型号圆盘式刀库为研究对象,开展的主要研究工作和创新点如下:(1)确定了表征刀库运行状态的敏感信号。依据加工中心现场可靠性试验数据,分析明确了加工中心圆盘式刀库系统的常见故障模式,并在故障机理分析的基础上,确定了能够反映刀库正常状态和故障状态的敏感信号(振动信号),并利用圆盘式刀库可靠性试验台的状态监测系统对表征刀库运行状态的敏感信号进行采集。(2)建立了基于CS-SVM的圆盘式刀库故障分类器。论文首先利用小波包变换方法对试验台监测系统采集的振动信号进行了特征量提取,并将提取后的特征量作归一化处理,获得了一个能够反映圆盘式刀库运行状态的初始特征集。在此基础上,利用布谷鸟算法(Cuckoo Search,CS)优化支持向量机(Support Vector Machine,SVM),建立了基于CS-SVM的圆盘式刀库故障分类器。(3)本文在保证分类器分类精度的情况下,实现了对初始特征集的降维。首先,对振动信号进行5层小波包分解,得到32个小波系数,并将归一化后的这些系数的能量值作为初始特征集;然后,在兼顾后续分类器的情况下,对初始特征集中各个特征的重要性进行评价;最后,利用前向序贯搜索算法对分类器进行训练和测试,并以分类器的准确性作为评价指标,根据评价指标的结果选取能够使该分类器达到最佳性能且含有最小故障特征数目的特征子集为最优故障特征子集。这样在后续诊断时,利用此最优特征子集对应的特征直接对分类器进行训练和测试,既能使该分类器达到最佳性能,又能使其计算复杂度大幅降低。(4)试验数据及结果分析。利用本文提出的圆盘式刀库故障分类器,实现了对圆盘式刀库3类状态的高准确率分类,验证了本文所提方法的正确性和可行性。