"Механики XXI веку" №16 2017

77 / 397

Современные технологии и автоматизация в машиностроении
77
Выводы. В работе описан новый подход к прогнозированию и диагностике неисправ-
ностей в универсальном станке с ЧПУ путем объединения идеи нейро-нечетких сетей с ди-
намическими байесовскими сетями и алгоритмом фильтрации частиц на единой платформе.
Основным вкладом в научную новизну является недавно предложенная модель классифика-
ции неисправностей станков с ЧПУ.
Установлено, что интегрированная экспертная система способна прогнозировать от-
каз инструмента с высоким уровнем повреждения до наступления критического предела, что
позволит проводить ремонт станков с ЧПУ по фактическому техническому состоянию.
Разработанная с использованием предложенного подхода экспертная система может
быть использована для прогнозирования работоспособности узлов и модулей конструкций
станков. Это позволит сократить затраты на техническую подготовку производства за счет
прогнозной оценки работоспособности металлорежущего оборудования на этапе планирова-
ния технологических операций и разработки регламентов предупредительного обслуживания
оборудования. Ее подсистемы не зависят друг от друга и дают возможность совершенство-
вать их с применением различных алгоритмов в рамках подсистем, не затрагивая работу сис-
темы в целом.
Работа такой системы приведет и к повышению качества продукции.
Литература:
1. Козлов А.М., Кирющенко Е.В., Кузнецов С.Ф. Методика оценки колебаний системы при торцовом
фрезеровании портативным оборудованием / Справочник. Инженерный журнал. – 2014, №7(208). – С.46-49.
2. A M Kozlov, E V Kiryuschenko and A V Khandozhko. The study of oscillations excitation patterns in the
process of milling with portable equipment. IOP Conf. Series: Materials Science and Engineering 177 (2017) 012136
doi:10.1088/1757-899X/177/1/012136
3. Khawaja T. and Vachtsevanos G. A Novel Bayesian Least Squares Support Vector Machine based
Anomaly Detector for Fault Diagnosis. Annual Conference of the Prognostics and Health Management Society, 2009
(PHM 6 2009).
4. Tipping M. Sparse Bayesian learning and the Relevance Vector Machine. Journal of Machine Learning
Research, 1(3):2116244, 2001.
5. E. Lughofer, E.P. Klement, J.M. Luja, and C Guardiola. Model-based fault detection in multi-sensor
measurement systems. Intelligent Systems, 2004. Proceedings. 2nd International IEEE Conference,1:184 – 189, 22-24
June 2004
6. Седых, И.А., Поздняков А.И. Решение нечеткой задачи принятия решений при выборе марки
телефона / И.А. Седых, А.И. Поздняков // Вестник Липецкого государственного технического университета. –
2016. − № 4(30). – С. 26-31.
7. PHM62008. Prognostics Data Challenge Dataset. NASA Ames Research Center.
Modeling of diagnostics of operability
cnc machines
AL-Jonid Khalid, Kоzlov A.M.
Lipetsk State Technical University, 30 Moskovskaya St., Lipetsk, Russia
Key words: Diagnosis, Prognosis, Neuro-Fuzzy Networks, Dynamic Bayesian Network , Particle Fil-
ter algorithm (PF)
In the conditions of severe competition, the economic performance of an enterprise of any industry sector
is significantly affected by the performance of CNC machines having a very high value. Technical diagnostics of
equipment is currently carried out generally by means of an analysis of spectrograms of vibration signals. The
paper describes the possibility of building expert system based on neural network technology, with the description
of the capabilities of neural networks as a tool for practical solution of applied tasks in the areas of diagnosis and
fault probabilistic forecasting of CNC machine tools. The offered model is based on a hybrid neuro-fuzzy net-
works functioning on the principles a Dynamic Bayesian Network with the use Particle Filter algorithm. Applica-
tion of proposed model will reduce the costs of technical training for production by forecast estimation of metal-
cutting equipment during the planning phase of the technological operations and development of preventative
regulations of technical maintenance of CNC machine tools.