feed subsystem. They have great inf

feed subsystem. They have great influence on the spindle movement precision and even machining accuracy. In practice, failure
1 is mainly caused by exceeded reversal error (failure 3), and the cause of failure 3 is mainly the concurrent cause of
improper NC preferences (failure 9) and nut seat position error (failure 23). Besides, failure 2 is sometimes caused by failure
of proportional valve (failure 13). In this case, we will illustrate how the proposed approach identifies the cause failures 3, 6,
9, 13 and 23 for symptom failures 1 and 2.
Firstly, failures of the ram feed subsystem are organized by the extended FMECA. Part of the extended FMECA worksheet
is displayed in Table 3. Herein, the third column shows the failure classification which is specified in Table 2. The fourth and
fifth columns indicate the severity and detectability rating respectively. Moreover, Tables 4 and 5 display the rating criteria
defined by the experts of CNC machine tool. Se and De in the last column of Tables 4 and 5 indicate the fuzzy severity and
detectability respectively. The cause list in the seventh column of Table 3 uses the parenthesis to represent the concurrent
cause. The percent list is provided in the eighth column.
Secondly, the FPG driven by failure 1 and FPG by failure 2 are respectively constructed. Combine these two FPGs and
FPG(1&2) is obtained as Fig. 7. The probabilities of all the cause failures are derived by the fault diagnosis process. The output
is shown in Fig. 8. As can be seen, the improper NC preferences (failure 9), wedged gibs worn (failure 11), exceeded reversal
error (failure 3), ball screw worn (failure 27) and exceeded pitch error (failure 4) get relatively high probabilities. Herein,
because of involving many types of NC preferences, failure 9 gets exaggerated probability estimation. The other estimates
are generally consistent with the engineering practice.
Next, the binary decision tree is trained for the determination of failure ascertainment order. In all the unascertained failures
with the lowest detectability, the one that brings the greatest REN reduction is selected to be ascertained firstly. In this
case, the unascertained failure 10, 14, 19 and 20 possess the lowest detectability. The REN reduction of these failures is calculated
by DTT process and the output is listed in Table 6.
In Table 6, Pr0 indicates the probabilities derived by fault diagnosis with the original FPG(1&2). Pri,1 and Pri,0 indicate the
probabilities under the situation that failure i is ascertained to occur and not to occur respectively, where i = 10, 14, 19, 20. As
described in DTT process in Section 4.2, the original FPG(1&2) is adjusted by corresponding FPG updating procedures and then
Pri,1 and Pri,0 are derived by the fault diagnosis process. As a result, failure 14 gets the highest RR and is selected as the top
node of the tree. The left and right child can be determined by the similar DTT process. The binary decision tree will be obtained
until there is no unascertained failure left. Part of the trained binary decision tree is shown in Fig. 9. The bold lines of

ผลลัพธ์ (ไทย) 1:

อาหารระบบย่อย พวกเขามีอิทธิพลมากในแกนการเคลื่อนไหวแม่นยำและถูกต้องเครื่องจักรแม้ ในทางปฏิบัติ ความล้มเหลว1 ส่วนใหญ่เกิดจากข้อผิดพลาดกลับเกิน (ความล้มเหลว 3), และสาเหตุของความล้มเหลว 3 เป็นส่วนใหญ่สาเหตุพร้อมกันของชอบ NC ไม่เหมาะสม (ความล้มเหลว 9) และอ่อนนุชนั่งตำแหน่งผิดพลาด (ล้ม 23) ความล้มเหลว 2 บางครั้งเกิดจากความล้มเหลวสัดส่วนวาล์ว (ล้มเหลว 13) ในกรณีนี้ เราจะแสดงให้เห็นว่าวิธีการนำเสนอระบุความล้มเหลวสาเหตุ 3, 69, 13 และ 23 สำหรับความล้มเหลวของอาการ 1 และ 2ตอนแรก ความล้มเหลวของ ram ระบบย่อยอาหารมีการจัดระเบียบ โดย FMECA ขยาย ส่วนของแผ่นงาน FMECA ขยายแสดงในตารางที่ 3 ในที่นี้ คอลัมน์ที่สามแสดงการจัดประเภทความล้มเหลวที่ระบุไว้ในตารางที่ 2 สี่ และห้าระบุความรุนแรงและ detectability คะแนนตามลำดับ นอกจากนี้ ตาราง 4 และ 5 แสดงเกณฑ์การให้คะแนนกำหนด โดยผู้เชี่ยวชาญของเครื่องมือเครื่อง CNC Se และ De ในคอลัมน์ของตารางที่ 4 และ 5 ระบุความรุนแรงพร่าเลือน และตั้งตามลำดับ รายสาเหตุในเจ็ดคอลัมน์ของตารางที่ 3 ใช้วงเล็บเพื่อแสดงการเกิดขึ้นพร้อมกันทำให้ มีรายการเปอร์เซ็นต์ในคอลัมน์แปดประการที่สอง ฟพีที่ขับเคลื่อน ด้วยความล้มเหลว 1 และเอฟพีจี โดยความล้มเหลว 2 ลำดับสร้าง รวม FPGs เหล่านี้สอง และฟพี (1 และ 2) จะได้เป็น 7 รูป น่าจะของความล้มเหลวในสาเหตุมาจากกระบวนการวินิจฉัยข้อบกพร่อง การแสดงผลจะแสดงในรูป 8 สามารถเห็นได้ การกำหนดลักษณะ NC ไม่เหมาะสม (ความล้มเหลว 9), gibs มากสวมใส่ (ล้ม 11) ครีมบัวหิมะ เกินกลับรายการข้อผิดพลาด (ความล้มเหลว 3), บอลสกรูที่สวมใส่ (ความล้มเหลว 27) และข้อผิดพลาดเกินระยะห่าง (ความล้มเหลว 4) ได้รับน่าจะค่อนข้างสูง ในที่นี้เนื่องจากเกี่ยวข้องกับหลายประเภทของการตั้งค่า NC ความล้มเหลว 9 ได้รับการประเมินความน่าเป็นที่พูดเกินจริง การประเมินอื่น ๆโดยทั่วไปสอดคล้องกับการปฏิบัติทางวิศวกรรมได้ถัดไป ต้นไม้ตัดสินใจไบนารีคือการฝึกอบรมการสั่ง ascertainment ล้มเหลวในการกำหนด ความล้มเหลวทั้งหมดที่ unascertainedกับตั้งต่ำสุด เลือกนำลด REN ที่ยิ่งใหญ่ที่สุดการตรวจสอบประการแรก ในการนี้กรณี ความล้มเหลว unascertained 10, 14, 19 และ 20 มีตั้งต่ำสุด คำนวณการลด REN ของความล้มเหลวเหล่านี้โดย DTT กระบวนการและผลลัพธ์จะแสดงอยู่ในตารางที่ 6ในตารางที่ 6, Pr0 บ่งชี้ว่า น่าจะมาจากการวินิจฉัยข้อบกพร่องกับฟพีเดิม (1 และ 2) Pri, Pri และ 1 0 บ่งชี้การน่าจะภายใต้สถานการณ์ฉันจะตรวจสอบเกิดขึ้น และไม่ ให้เกิดขึ้นตามลำดับ ที่ฉัน = 10, 14, 19, 20 เป็นอธิบายไว้ในกระบวน DTT ในส่วน 4.2 ฟพีเดิม (1 และ 2) จะถูกปรับ โดยสอดคล้องฟพีกระบวนการปรับปรุงแล้วPri, Pri และ 1 0 จะได้มาตามกระบวนการวินิจฉัยข้อบกพร่อง เป็นผล ความล้มเหลว 14 RR สูงสุดที่ได้รับ และเลือกที่ดีสุดโหนต้นไม้ เด็กซ้าย และขวาสามารถกำหนดกระบวนการ DTT คล้าย ต้นไม้ตัดสินใจไบนารีจะได้รับจนกว่าจะมีความล้มเหลวไม่ unascertained ซ้าย ส่วนของต้นไม้ตัดสินใจไบนารีได้รับการฝึกฝนจะแสดงในรูปที่ 9 บรรทัดของตัวหนา

ผลลัพธ์ (ไทย) 2:

ระบบย่อยอาหารสัตว์ พวกเขามีอิทธิพลอย่างมากต่อความแม่นยำการเคลื่อนไหวของแกนเครื่องจักรกลและแม้กระทั่งความถูกต้อง ในทางปฏิบัติความล้มเหลว
1 เป็นส่วนใหญ่เกิดจากความผิดพลาดการกลับเกิน (ความล้มเหลวที่ 3) และเป็นสาเหตุของความล้มเหลวที่ 3 เป็นส่วนใหญ่สาเหตุที่เกิดขึ้นพร้อมกันของ
การตั้งค่าที่ไม่เหมาะสมร์ทแคโรไลนา (ความล้มเหลว 9) และความผิดพลาดตำแหน่งน็อตที่นั่ง (ความล้มเหลว 23) นอกจากนี้ความล้มเหลว 2 บางครั้งก็เกิดจากความล้มเหลว
ของวาล์วสัดส่วน (ความล้มเหลว 13) ในกรณีนี้เราจะแสดงให้เห็นว่าวิธีการที่นำเสนอระบุสาเหตุความล้มเหลว 3, 6,
9, 13 และ 23 สำหรับความล้มเหลวอาการที่ 1 และ 2
ประการแรกความล้มเหลวของระบบย่อยอาหารสัตว์ RAM จะถูกจัดขึ้นโดย FMECA ขยาย ส่วนหนึ่งของแผ่น FMECA ขยาย
จะแสดงในตารางที่ 3 ที่นี้คอลัมน์ที่สามแสดงให้เห็นถึงความล้มเหลวในการจัดหมวดหมู่ที่ระบุไว้ในตารางที่ 2 ที่สี่และ
คอลัมน์ที่ห้าบ่งบอกถึงความรุนแรงและ detectability คะแนนตามลำดับ นอกจากนี้ตารางที่ 4 และ 5 แสดงผลเกณฑ์การให้คะแนน
ที่กำหนดโดยผู้เชี่ยวชาญด้านเครื่องมือเครื่อง CNC SE และในคอลัมน์สุดท้ายของตารางที่ 4 และ 5 บ่งบอกถึงความรุนแรงและเลือน
detectability ตามลำดับ รายการสาเหตุในคอลัมน์ที่เจ็ดของตารางที่ 3 ใช้วงเล็บแทนพร้อมกัน
สาเหตุ รายการร้อยละที่มีให้ในคอลัมน์แปด.
ประการที่สอง FPG ขับเคลื่อนจากความล้มเหลวที่ 1 และ FPG จากความล้มเหลว 2 ถูกสร้างขึ้นตามลำดับ รวมทั้งสอง FPGs และ
FPG (1 & 2) จะได้รับเป็นรูป 7. ความน่าจะเป็นของความล้มเหลวสาเหตุจะได้มาโดยกระบวนการวินิจฉัยความผิด เอาท์พุท
จะแสดงในรูป 8. ที่สามารถมองเห็น, อร์ทแคโรไลนาการตั้งค่าที่ไม่เหมาะสม (ความล้มเหลว 9) ครีมบัวหิมะ gibs สวมใส่ (ความล้มเหลว 11) การกลับรายการเกิน
ข้อผิดพลาด (ความล้มเหลว 3), บอลสกรูสวมใส่ (ความล้มเหลว 27) และความผิดพลาดในสนามเกิน (ความล้มเหลว 4) ได้รับค่อนข้างสูง ความน่าจะเป็น ในที่นี้
การประมาณค่าความน่าจะเป็นเพราะเกี่ยวข้องกับหลายประเภทของการตั้งค่า NC, ความล้มเหลว 9 ได้รับการพูดเกินจริง ประมาณการอื่น ๆ
โดยทั่วไปจะมีความสอดคล้องกับการปฏิบัติวิศวกรรม.
ถัดไปต้นไม้ตัดสินใจไบนารีคือการฝึกอบรมสำหรับการกำหนดเพื่อสอบถามความล้มเหลว ในทุกความล้มเหลว unascertained
กับ detectability ต่ำสุดที่หนึ่งที่นำมาลด REN ที่ยิ่งใหญ่ที่สุดคือการเลือกที่จะมีการตรวจสอบในตอนแรก ในการนี้
กรณีความล้มเหลว unascertained 10, 14, 19 และ 20 มี detectability ต่ำสุด การลดลงของความล้มเหลว REN เหล่านี้จะถูกคำนวณ
โดยกระบวนการ DTT และการส่งออกที่มีการระบุไว้ในตารางที่ 6
ในตารางที่ 6, Pr0 บ่งชี้ว่าน่าจะมาจากการวินิจฉัยความผิดกับต้นฉบับ FPG (1 & 2) ปรีดี 1 และ PRI, 0 บ่งชี้ว่า
น่าจะอยู่ภายใต้สถานการณ์ที่ความล้มเหลวของผมคือการตรวจสอบที่จะเกิดขึ้นและไม่ให้เกิดขึ้นได้ตามลำดับที่ i = 10, 14, 19, 20 ขณะที่
อธิบายไว้ในกระบวนการ DTT ในมาตรา 4.2 เดิม FPG ( 1 & 2) จะถูกปรับโดยสอดคล้องกับขั้นตอนการปรับปรุง FPG แล้ว
ปรีดี 1 และไพร, 0 จะได้มาโดยกระบวนการวินิจฉัยความผิด เป็นผลให้เกิดความล้มเหลว 14 ได้รับ RR สูงสุดและถูกเลือกเป็นอันดับแรก
โหนดของต้นไม้ เด็กซ้ายและขวาจะถูกกำหนดโดยกระบวนการ DTT ที่คล้ายกัน ต้นไม้ตัดสินใจไบนารีจะได้รับ
จนกว่าจะไม่มีความล้มเหลว unascertained ซ้าย เป็นส่วนหนึ่งของการฝึกอบรมต้นไม้ตัดสินใจไบนารีจะปรากฏในรูป 9. เส้นหนาของ

ผลลัพธ์ (ไทย) 3:

ระบบย่อยอาหาร พวกเขามีอิทธิพลอย่างมากต่อการเคลื่อนไหวของแกนและเครื่องจักรความแม่นยำความถูกต้อง ความล้มเหลวในการปฏิบัติ1 ส่วนใหญ่เกิดจากความผิดพลาด ( ล้มเหลวกลับเกิน 3 ) , และสาเหตุของความล้มเหลวคือการทำให้ส่วนใหญ่แต่ง NC ที่ไม่เหมาะสม ( ความล้มเหลว 9 ) และตำแหน่งที่นั่งนัทความผิดพลาด ( ล้มเหลว 23 ) นอกจากความล้มเหลว 2 บางครั้งเกิดความล้มเหลววาล์ว Proportional ( ความล้มเหลว 13 ) ในกรณีนี้ เราจะแสดงให้เห็นว่า วิธีการที่เสนอจะระบุสาเหตุความล้มเหลวของ 3 , 69 , 13 และ 18 กับความล้มเหลวที่ 1 และ 2ประการแรก ความล้มเหลวของระบบแรมอาหารจัดโดยขยาย fmeca . ส่วนหนึ่งของการขยาย fmeca แผ่นงานแสดงในตารางที่ 3 ในที่นี้ คอลัมน์ที่สามแสดงความล้มเหลวหมวดหมู่ที่ระบุไว้ในตารางที่ 2 สี่ และคอลัมน์ที่ 5 ระบุว่า ความรุนแรงและการควบคุมคุณภาพคะแนนตามลำดับ นอกจากนี้ ตารางที่ 4 และ 5 แสดงคะแนนเกณฑ์ที่กำหนดโดยผู้เชี่ยวชาญของเครื่องจักร CNC เซเดอ ในคอลัมน์สุดท้ายของตารางที่ 4 และ 5 พบความรุนแรงแบบฟัซซีการควบคุมคุณภาพ ตามลำดับ สาเหตุที่รายการในคอลัมน์ที่ 7 ของตารางที่ 3 ใช้วงเล็บเพื่อแสดงพร้อมกันสาเหตุ รายการและระบุไว้ในคอลัมน์ที่แปดประการที่สอง การกระตุ้นการขับเคลื่อนโดยความล้มเหลวที่ 1 และ 2 ตามลำดับ โดยความล้มเหลวกระตุ้นการสร้าง รวมทั้งสอง fpgs และออกฤทธิ์ ( 1 และ 2 ) ได้เป็นรูปที่ 7 ความน่าจะเป็นของความล้มเหลวทั้งหมด เพราะจะได้มาโดยการวินิจฉัยข้อบกพร่องในกระบวนการ ผลผลิตแสดงไว้ในรูปที่ 8 ทั้งนี้ การปรับแต่ง NC ที่ไม่เหมาะสม ( ความล้มเหลว 9 ) wedged gibs สวมใส่ ( ไม่เกิน 11 ) กลับความผิดพลาด ( ล้มเหลว ) , บอลสกรูใส่ ( ความล้มเหลว 27 ) และระยะห่างความผิดพลาด ( ล้มเหลวเกิน 4 ) ได้รับน่าจะเป็นค่อนข้างสูง ในที่นี้เพราะเกี่ยวข้องกับหลายประเภทของการตั้งค่า NC ความล้มเหลว 9 ได้รับการประมาณความน่าจะเป็นที่พูดเกินจริง ประมาณการอื่น ๆโดยทั่วไปจะสอดคล้องกับทางปฏิบัติถัดไปตัดสินใจต้นไม้ไบนารีคือการฝึกอบรมสำหรับการหาปริมาณการสั่งซื้อวิธีการค้นหาความล้มเหลว ใน unascertained ความล้มเหลวทั้งหมดกับการควบคุมคุณภาพที่ถูกที่สุด ที่ทำให้การเลือกเรนมากที่สุดมีการตรวจสอบก่อน ในนี้กรณี unascertained ความล้มเหลว 10 , 14 , 19 และ 20 มีการควบคุมคุณภาพที่ถูกที่สุด เรนลดความล้มเหลวเหล่านี้ถูกคำนวณโดยกระบวนการ DTT และส่งออกเป็น บริษัท จดทะเบียนในโต๊ะ 6ตารางที่ 6 , pr0 แสดงความน่าจะเป็นที่ได้มา โดยการวินิจฉัยข้อบกพร่องกับ FPG เดิม ( 1 และ 2 ) องค์ 1 และองค์ , 0 แสดงความน่าจะเป็นภายใต้สถานการณ์ที่ล้มเหลวฉันคือความเกิดขึ้นและไม่เกิดขึ้นตามลำดับที่ผม = 10 , 14 , 19 , 20 เป็นอธิบายกระบวนการในส่วนในส่วน 4.2 , FPG เดิม ( 1 และ 2 ) การปรับที่กระตุ้นการปรับปรุงกระบวนการแล้วองค์ 1 และองค์ , 0 จะได้มาโดยการวินิจฉัยข้อบกพร่องในกระบวนการ ผลที่ได้คือความล้มเหลว 14 สูงสุดและเลือกด้านบนโหนดของต้นไม้ ด้านซ้ายและขวาของเด็กได้ตามกระบวนการ ส่วนที่คล้ายคลึงกัน ต้นไม้ไบนารีจะได้รับการตัดสินใจจนกว่าจะไม่มี unascertained ล้มเหลวแล้ว ส่วนหนึ่งของการฝึกการตัดสินใจแบบต้นไม้ไบนารี แสดงในรูปที่ 9 ตัวหนาเส้น