CN100548574C - 用于整个机床监测的装置 - Google Patents

Abstract

第一和第二神经网络分别相应地将从在机床加工工件之前的空转时、和在机床加工工件时产生的目标信号中提取的特征量分成正常和异常类别。基于来自第一和第二神经网络的分类结果、包括在第一神经网络中的输出层中的神经元的权重系数与由第一特征提取单元提取的特征量之间的偏差历史记录、以及包括在第二神经网络中的输出层中的神经元的权重系数与由第二特征提取单元提取的特征量之间的偏差历史记录，判断单元判断在机床加工工件之前和在机床加工工件时是否存在异常、以及判断机床中是否存在故障。

Description

用于整个机床监测的装置

技术领域

本发明涉及一种用于整个机床监测的装置，尤其涉及一种用于在加工操作之前和加工期间监测机床中存在的异常、且进一步用于探测机床中的故障的装置。

背景技术

传统上，已经公知一种用于探测在机床加工时产生的振动的技术，以便在机床加工时监测磨石颤振和失衡等。为探测振动，监测加速度或声发射(例如参见日本专利公开申请No.H8-261818)。

专利参考文献公开了一种用于通过监测频谱判断磨削石颤振、失衡等是否存在的技术。然而，人们不可能始终地监测频谱。因此，在机床中实际使用该技术是不可行的。为了实际使用，在机床中需要自动判断，且在判断中可使用神经网络或模糊逻辑。

神经网络需要学习各种状态以判断各种不同情况，但是收集关于很少出现的状况的训练样本很困难。因此，神经网络存在需要长时间学习的问题。此外，模糊逻辑存在需要时间设定归属函数的问题。

为了解决这些问题，可以考虑使用神经网络学习机床的正常状态，随后判定除正常状态之外的状态为异常状态。然而，根据在执行加工操作之前还是正在执行加工操作，机床具有完全不同的正常状态。此外，异常也可能由机床中的故障以及刀具连接的异常状态或刀具与工件之间的接触异常状态引起的。因此，需要分类以区分这些状态。如果正常状态以外的状态均被作为异常状态过分简单地处理，则该分类是不可能的。

发明内容

鉴于以上所述，本发明提供了一种用于整个机床监测的装置，该装置能够区分在加工操作之前发生的异常和在加工操作期间发生的异常，且能够探测机床中的故障，即使神经网络仅学习了机床的正常状态。

在该结构中，装置包括第一神经网络，所述第一神经网络用于将较前的空转操作分成正常状态和异常状态，以便于判断刀具的连接状态是否正常。换句话说，刀具的连接状态中的失衡或刀具中的故障可通过判断刀具中的异常探测。此外，该装置包括第二神经网络，所述第二神经网络用于将在加工操作期间的操作分成正常状态和异常状态，以通过第二神经网络探测刀具到工件的接触状态中的异常。换句话说，可探测出诸如自身引起的振动或根据工件和刀具之间的相对位置产生的颤振。而且，由于从第一和第二神经网络获得偏差历史记录，可获得机床或刀具的性能恶化趋势，此外，当偏差偏离了性能恶化趋势时，可判断机床中的故障或刀具损坏。

如在前所提及的，不需人的介入即可探测加工操作之前和操作期间存在的异常、和机床中的故障，同时神经网络仅学习正常类别，所以学习变得更容易。因此，可降低至实际操作所花费的时间，且可获得关于需要分类的异常的结果，该结果与相应的分类对应。

而且，由于使用多个神经网络对多种异常进行分类同时使用了公共信号输入单元，因此，不需要给每种异常提供信号输入单元，且可以以较简单的结构实施该装置。

在该结构中，由于利用的是机床的振动来监测异常是否存在，因此，甚至先前的机床也只需要加装到其上的振动传感器。

在该结构中，通过使用目标信号的频率分量作为关于在加工操作之前的状态的信息，可探测刀具中的故障、以及刀具连接位置的倾斜。此外，由于使用目标信号的包络的频率分量作为加工操作期间的信息，去除了诸如加工操作期间产生的声发射的噪声成分。结果，可容易地获得刀具和工件之间的位置关系。

由于在本实施例中使用竞争学习神经网络，因此使简单的结构成为可能，此外，通过收集关于每一类别的训练样本和为相应的类别分配训练样本，可简单地执行该学习。

附图说明

通过下面结合附图对实施例所作的详细描述，本发明的目的和特征将变得显而易见，附图包括：

图1是本发明的实施例的框图；以及

图2示出了图1中的实施例所使用的神经网络的示意性结构。

具体实施方式

下面，将参看构成本发明的一部分的附图描述本发明的实施例。

在下面所述实施例中例示的机床具有由驱动单元旋转驱动的刀具。具有多种用于加工操作的机床，例如在机床中切削或抛光。使用电机的任意驱动源可作为驱动单元，且诸如齿轮箱或皮带的适当的动力传动单元可设置在驱动源与刀具之间。以下，具有壳体的主轴作为驱动单元的示例。

如图1所示，本实施例中描述的用于整个机床监测的装置使用例如无监督式竞争学习神经网络1a和1b(以下，如果没有其它一些特定目的，简称为神经网络)。监督式反向传播类型神经网络也可用作神经网络，但是该无监督式竞争学习神经网络更适合于该目的，因为相比于监督式反向传播类型神经网络，无监督式竞争学习神经网络具有更简单的结构，且无监督式竞争学习神经网络的训练可仅通过使用每一类训练样本一次实现，或可通过执行附加训练进一步提高。

如图2所示，神经网络1a和1b中的每一个神经网络具有两层即输入层11和输出层12，且被构造成使输出层12的每个神经元N2连接至输入层11的所有神经元N1。在实施例中，神经网络1a和1b可通过在串行处理类型计算机上运行的应用程序执行，但也可使用专用的神经计算机。

神经网络1a和1b中的每一个神经网络具有两种操作模式，即训练模式和检验模式。在训练模式下通过合适的训练样本学习之后，在检验模式下对由实际目标信号产生的被形成为多个参数的特征量(检验数据)进行分类。

输入层11的神经元N1与输出层12的神经元N2的耦合度(权重系数)是可变的。在训练模式下，神经网络1a和1b通过输入训练样本到神经网络1a和1b训练，以确定输入层11的神经元N1与输出层12的神经元N2的相应权重系数。换句话说，为输出层12的每个神经元N2分配权重向量，该权重向量具有与输入层11的所有神经元N1相关联、且作为权重向量的元素的权重系数。因此，权重向量具有与输入层11中的神经元N1的数目相同的元素数目，输入至输入层11的特征量的参数的数目等于权重向量的元素的数目。

同时，在检验模式下，当将需要判断所属类别的检验数据供给至神经网络1a和1b的输入层11时，在输出层12的神经元N2中，其权重向量与检验数据之间具有最短欧氏距离的神经元被激活。如果在训练模式下给输出层12的神经元N2分配了类别，检验数据的类别可通过被激活的神经元N2的位置的类别被识别出。

输出层12的神经元N2与相应的二维聚类(cluster)判断单元4a和4b的分区(zone)相关联，该二维聚类判断单元4a和4b具有例如一一对应的6×6分区。因此，如果训练样本的类别与聚类判断单元4a和4b的分区相关联，与由检验数据激活的神经元N2对应的类别可通过聚类判断单元4a和4b识别出。因此，聚类判断单元4a和4b可起着用于输出分类结果的输出单元的作用。此处，可通过使用图形象化聚类判断单元4a和4b。

当将类别与聚类判断单元4a和4b的每个分区(实际是输出层12的每个神经元N2)关联起来时，训练后的神经网络1a和1b被从输出层12到输入层11反向操作，以针对输出层12的每个神经元N2估计分配给输入层11的数据。相对于该估计数据具有最短欧氏距离的训练样本的类别用作输出层12中的相应神经元N2的类别。

换句话说，相对于神经元N2的权重向量具有最短欧氏距离的训练样本的类别用作输出层12的相应神经元N2的类别。结果，训练样本的类别映射于输出层12的神经元N2的类别。

大量训练样本(例如，150个样本)被提供给每个类别，使得具有相似属性的类别在聚类判断单元4a和4b中紧挨在一起排列。换句话说，在输出层12的神经元N2中作为对属于相似类别的训练样本的响应而被激活的神经元N2形成一聚类，该聚类由在聚类判断单元4a和4b中紧挨在一起的一组神经元N2构成。

聚类判断单元4a和4b最初是这样一种单元，在该单元中，在训练之后与类别相关联地形成聚类，但在本实施例中，甚至在训练之前该单元也称作聚类判断单元4a或4b，所以它们之间没有区别。提供给在训练模式下操作的神经网络1a和1b的训练样本存储在相应的训练样本存储器5a和5b中，且在需要时从存储器5a和5b中取回，以用于相应的神经网络1a和1b中。

要通过使用神经网络1a和1b探测的信息是在机床X加工工件之前的空转操作中是否存在异常、在机床X加工工件期间的操作中是否存在异常、以及机床X是否不再工作。因此，为了对在加工之前和在加工期间的异常进行分类，两个神经网络1a和1b被提供，用于分别相应地在加工操作之前和在加工操作期间使用。用于在加工操作之前使用的神经网络1a通过使用加工操作之前的正常状态的训练样本仅学习正常状态。用于在加工操作期间使用的神经网络1b通过使用加工操作期间的正常状态的训练样本仅学习正常状态。

神经网络1a和1b两者根据输入数据是否属于正常类别对输入数据进行分类。聚类判断单元4a和4b分别相应地对应于神经网络1a和1b，聚类判断单元4a产生有关在加工操作之前是否存在异常的输出，聚类判断单元4b产生有关在加工操作期间是否存在异常的输出。

历史记录判断单元4c及聚类判断单元4a和4b设在判断单元4处。历史记录判断单元4c相对于每个神经网络1a和1b计算偏差，并存储计算的偏差历史记录，该偏差等于输入数据、和与每个神经网络1a和1b中的输出层12的神经元N2相关联的权重系数之间的欧氏距离。如果偏差大于预置门限值，历史记录判断单元4c判断出机床X中存在异常(通常为故障)。聚类判断单元4a和4b以及历史记录判断单元4c的输出通过输出单元6输出。用于计算偏差的方法稍后将描述。

表示由机床X产生的振动的电信号用作目标信号，且将要分配给神经网络1a和1b的特征量通过相应的特征提取单元3a和3b从目标信号提取。在本实施例中，采用加速度拾取元件的振动传感器2a用于输出表示由机床X产生的振动的电信号。将振动传感器2a的输出输入至信号输入单元2，且将从中提取特征量的目标信号通过信号输入单元2分段。扩音器或声发射传感器可充当用于探测机床X的振动的传感器。

本实施例中例示的机床X的刀具由驱动单元旋转驱动，使得振动传感器2a的输出是周期性的。提取的特征量随着振动传感器2a的输出在时间轴上的位置而变化，其中，从所述位置处提取特征量。因此，在提取特征量之前，需要信号输入单元2调节从振动传感器2a的输出提取特征量的位置。

在本实施例中，提取特征量的位置通过由信号输入单元2执行的分段调节，该分段将稍后描述。

因此，例如通过使用与机床X的操作同步的定时信号(触发信号)或通过使用目标信号的波形特征(例如，目标信号包络的起始点和结束点)，信号输入单元2在时间轴上对通过振动传感器2a产生的目标信号执行分段。

信号输入单元2具有用于将通过振动传感器2a产生的电信号转换为数字信号的A/D转换器、和用于暂时存储数字信号的缓冲器。对存储在缓冲器中的信号执行分段。此外，为了在需要时降低噪音，执行频率带宽的限制等操作。在目标信号的分段中，不必从电信号的一个周期中仅输出单个分段信号，而是可在每一合适的单位时间内产生多个分段信号。

由信号输入单元2产生的分段目标信号被输入至分别相应地设在神经网络1a和1b处的特征提取单元3a和3b。特征提取单元3a和3b从一个分段信号提取一组包括多个参数的特征量。根据目标信号中所要考虑的特征适应性地提取特征量。在本实施例中，用于在加工操作之前从振动中提取特征量的特征提取单元3a提取通过振动传感器2a探测的整个频率带宽的频率分量(在每一频率带宽处的功率)作为特征量，而用于在加工操作期间从振动中提取特征量的特征提取单元3b从通过振动传感器2a探测的电信号包络中提取频率分量。

为了提取频率分量，特征提取单元3a和3b可使用FFT(快速傅立叶变换)。此外，特征提取单元3b在提取频率分量之前为了提取包络而执行均衡化。根据将要使用的机床类型，适当地确定将要在特征量中使用的频率分量。

当在训练模式之前收集训练样本时，从特征提取单元3a和3b中获得的特征量存储在相应的训练样本存储器5a和5b中。在检验模式下，无论何时提取特征量，特征量均被提供至神经网络1a和1b，其中，特征量用作检验数据，且神经网络1a和1b对该检验数据进行分类。

存储在训练样本存储器5a和5b中的数据可称作数据集。从上面的描述中可清楚地看出，与神经网络1a相对应的训练样本存储器5a存储当机床X在加工工件之前正常空转时获得的数据集，而与神经网络1b相对应的训练样本存储器5b存储当机床X在加工工件期间正常操作时获得的数据集。形成数据集的数据量可在每个训练样本存储器5a和5b的容量范围内任意地确定。然而，如前所述，训练每个神经网络1a和1b优选使用大约150个数据。

由于只有属于正常类别的数据集存储在训练数据存储器5a和5b中，因此，如果通过在训练模式下使用存储在训练样本存储器5a和5b中的数据集训练神经网络1a和1b，则神经网络1a和1b仅学习正常状态。换句话说，由于只有正常类别与聚类判断单元4a和4b的分区相关联，因此，可省略在学习设定类别之后的前述反向操作。

如果如前所述地训练神经网络1a和1b，则为输出层12中的每个神经元N2分配权重向量，该权重向量具有与输入层11的所有神经元N1相关联的作为权重向量元素的权重系数。因此，在检验模式下，属于一个类别的训练样本被分配给神经网络1a或1b，且与该类别相关联的神经元N2被激活。然而，由于即使训练样本被包括在同一个类别中，但它们彼此也存在差别，因此，由包括在单个类别中的训练样本(数据集)激活的并不只有一个神经元N2，而是形成聚类的多个神经元。

在神经网络1a和1b在训练模式下完成学习后，当从特征提取单元3a和3b中提取的检验数据被分配给相应的神经网络1a和1b时，可判断机床X是否异常。优选在信号输入单元2与特征提取单元3a和3b之间设置切换单元，以便选择用于将在加工操作之前获得的检验数据分配给神经网络1a、和将在加工操作期间获得的检验数据分配给神经网络1b的信号路径。切换单元可通过模拟开关等构造，并与机床X的操作同步，以根据操作状态即在工件的加工操作之前或加工操作期间选择信号路径。

通过前述操作，聚类判断单元4a可在加工操作之前探测诸如刀具失衡或丢失的异常。此外，在加工操作期间，聚类判断单元4b可探测刀具与工件之间接触状态中的异常。当聚类判断单元4a或4b判断出异常时，优选地，输出单元6驱动合适的通知单元使用户知道该异常。关于该异常的通知，可优选闪亮一盏灯或产生报警声音。

在本实施例中，历史记录判断单元4c也可设在判断单元4处。历史记录判断单元4c存储相对于神经网络1a和1b中的每一个神经网络的偏差，以便于当相对于神经网络1a和1b中的每一个神经网络的偏差大于预置门限值时判断出机床X中的异常。通常，机床X中的异常意味着机床X中的故障。在历史记录判断单元4c中存储的数据量优选根据时间单位例如每天或每周设定，但它也可由检验数据的特定数量(例如，10000)确定。

偏差是作为检验数据的特征量(特征向量)与对应于神经网络1a和1b中的输出层12的每个神经元N2的权重系数(权重向量)之间的差向量的大小的标准化值。偏差Y由下述等式确定：

Y＝([X]/X-[Wwin]/Wwin)T([X]/X-[Wwin]/Wwin)，

其中，[X]是特征向量；[Wwin]是与类别相对应的神经元N2的权重向量([a]表示“a”是向量)；T表示转置矩阵；未被括起来的X和Wwin表示相应向量的范数。通过使向量元素除以相应的范数执行标准化。

通过使用前述的本发明的结构，基于振动传感器2a的输出，在加工操作之前监测机床X刀具的连接状态中的异常(刀具倾斜或连接失败)或刀具中的异常，同时，监测机床X处刀具到工件的接触状态。而且，也可基于偏差历史记录监测机床X中的异常，例如故障。

尽管振动传感器2a的输出用作前述实施例中的目标信号，但是如果机床X的驱动源是电机，可将电机的负载电流用作目标信号，如果该电机是伺服控制的，设置到电机的编码器的输出可用作目标信号。

虽然已示出和参看实施例描述了本发明，但本领域技术人员可以理解，可在不脱离由权利要求书限定的本发明范围的情况下做出多种不同变化和修改。

Claims (4)

1、一种用于整个机床监测的装置，包括：

信号输入单元，目标信号输入到所述信号输入单元，所述目标信号是表示由机床产生的振动的电信号；

第一和第二特征提取单元，所述第一和第二特征提取单元用于从目标信号中提取具有多个参数的特征量；

第一和第二神经网络，所述第一和第二神经网络用于对由相应的特征提取单元提取的特征量进行分类；以及

判断单元，所述判断单元用于通过使用来自每个神经网络的分类结果判断机床中的全部异常，

其中，第一神经网络将从当机床在加工工件之前空转时产生的目标信号中提取的特征量分成正常和异常类别，以及

其中，第二神经网络将从当机床加工工件时产生的目标信号中提取的特征量分成正常和异常类别，以及

其中，基于来自第一和第二神经网络的分类结果、包括在第一神经网络中的输出层中的神经元的权重系数与由第一特征提取单元提取的特征量之间的偏差历史记录、以及包括在第二神经网络中的输出层中的神经元的权重系数与由第二特征提取单元提取的特征量之间的偏差历史记录，判断单元判断在机床加工工件之前和机床加工工件时是否存在异常、以及判断机床中是否有故障。

2、根据权利要求1的用于整个机床监测的装置，其特征在于，所述目标信号是加装到机床的振动传感器的输出。

3、根据权利要求1或2的用于整个机床监测的装置，其特征在于，第一特征提取单元从目标信号中提取频率分量，第二特征提取单元从目标信号中提取包络的频率分量。

4、根据权利要求1或2的用于整个机床监测的装置，其特征在于，第一和第二神经网络是竞争学习神经网络。

Images