科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统故障诊断方法易受振动传感器安装位置的影响、故障诊断准确性不高的问题，提出一种基于注意力机制的数控机床进给轴深度学习故障诊断方法(AM-CNN-GRU)。该方法以数控机床进给轴的电流、电压与温度等相关数据作为输入数据，针对采集的进给轴数据中蕴含大量的时空特征信息，为了提取数据中的时空信息以提高故障诊断准确性，设计一种由CNN与GRU并联组成的时空特征提取结构。为验证所提方法的准确性，利用FANUC数控提供的FOCAS数据开发包编写数控机床实时监测与数据采集软件，并在G460L数控车床上进行数据的采集，利用采集的数据训练故障诊断模型。把所提故障诊断方法与相关方法进行对比，准确性达到98.75%,所提方法具有一定的有效性和实用性。
- 单位
