数控刀架作为数控机床的重要功能部件,其服役性能直接影响零件的加工精度和设备的使用可靠性,进而对整机的可用性产生影响。因此,对数控刀架在生产环境下的健康状态进行有效的评估,有助于开展故障预警和预防性维护,提高生产效率并降低故障率,对数控机床整机可靠性水平的提升至关重要。然而由于数控刀架结构复杂、工况多变、故障模式多样、故障样本数据稀少等原因,关于数控刀架的健康状态评估方法与应用尚不完善。针对数控刀架转位系统故障频发的特点,本文主要研究了数控刀架转位功能系统的健康状态评估方法与应用。通过开展数控刀架的FMECA分析确定了状态监测指标,并详细介绍了各指标的监测方法与实验方案。对实验过程中采集到的各性能指标进行特征提取、PCA主成分分析降维和AHP特征融合进而得到了有效的健康评估特征指标,并采用隐马尔科夫模型建立了数控刀架健康状态评估模型。最终开发了一套基于Spark Streaming流式处理引擎的健康状态实时监测与评估系统。该系统具有能够对状态监测数据进行实时采集和计算分析的特点,对健康评估方法在数控刀架工程领域的应用具有一定的借鉴价值。本文具体研究内容如下:1.对数控刀架的内部结构和工作原理进行深度剖析,并对某型号数控刀架的内部结构进行子系统的划分。将各子系统下的零部件进行细致分类,并对数控刀架的典型故障模式进行分析,探究造成不同故障模式的故障原因,判断各故障模式的严酷度ESR和可能性OPR,最终建立数控刀架的故障模式、影响及危害分析FMECA表。2.根据FMECA的分析结果,得到可能性OPR和严酷度ESR,进而计算得到综合判据风险优先数RPN。依据RPN值对数控刀架的故障模式进行降序排列,分析刀架功能系统中的高频故障模式和其对应故障原因,最终选择数控刀架在转位过程中的振动信号和电流信号两种连续信号作为评估其健康状态的性能指标。对某型号的数控刀架开展累积10万次的可靠性运转试验,并布置信号采集装置搭建基于Lab VIEW实时数据采集程序的状态监测平台,对数控刀架的转位信号数据进行采集。3.通过主成分分析法PCA对数控刀架X、Y、Z三个轴向的振动信号和U、V、W三个相位的电流信号进行降维处理,得到振动主成分和电流主成分。由层次分析法AHP对振动信号和电流信号划分影响权重,并根据该影响权重对振动信号和电流信号进行特征融合,最终得到数控刀架健康状态评估指标HI。4.将数控刀架的健康状态划分为健康、亚健康、正常、劣化和故障5个等级,并将这5个等级作为数控刀架的隐状态,应用隐马尔可夫模型对历史的状态监测数据进行模型训练和解析。根据概率结果判断出数控刀架当前所处的健康状态,得到历史时刻的健康状态概率变化趋势。5.应用实时计算引擎Spark Streaming,并搭载基于隐马尔科夫模型训练得到的数控刀架健康状态评估模型,对数控刀架运行过程中的监测数据进行实时计算评估,并将评估的概率结果和历史时刻健康状态的概率变化进行实时的可视化展示,最终建立数控刀架健康状态实时评估系统。