CN101699359B - 故障状态监测的可视化方法 - Google Patents
故障状态监测的可视化方法 Download PDFInfo
- Publication number
- CN101699359B CN101699359B CN2009101977770A CN200910197777A CN101699359B CN 101699359 B CN101699359 B CN 101699359B CN 2009101977770 A CN2009101977770 A CN 2009101977770A CN 200910197777 A CN200910197777 A CN 200910197777A CN 101699359 B CN101699359 B CN 101699359B
- Authority
- CN
- China
- Prior art keywords
- fault signature
- vector
- signature parameter
- centerdot
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
本发明涉及一种故障状态监测的可视化方法,具体步骤是:1)设定故障特征参数及矢量方向;2)确定合成矢量CF的位置;3)多个特征参数在二维平面上的可视化:由故障特征参数F={f1,f2,…,fn}的值不同,所确定的合成矢量CF的位置的不相同来实现多个特征参数在二维平面上的可视化。本发明用于数控机床操作者监测机床的异常工作状态,解决在缺乏异常工作状态监测样本的情况下,对数控机床的状态做出正确判别的问题。并且解决多故障特征参数的可视化问题,为数控机床状态的监测提供了新方法。该方法同样适用于其它设备状态的监测问题。
Description
技术领域
本发明涉及一种故障状态监测方法,尤其是一种监测可视化的方法。
背景技术
数控机床所具有的良好柔性、高加工精度使其成为现代生产系统中的主要装备。且随着生产系统自动化程度的提高,数控机床所起的作用也越来越大,一旦发生故障,给生产系统所造成的损失也越来越大。因此,对加工设备进行状态监测与故障诊断就变得越来越重要。对设备进行状态监测的主要目的就是要保证加工系统的安全运行,避免设备故障,保证加工质量,提高生产效率和设备利用率。为了有效监测数控机床的状态,往往需要根据多个传感器测量信号的分析与处理结果,做出数控机床工作状态的判别。然而,根据目前的故障状态监测理论,例如模式识别、模糊聚类、神经网络等理论,均需要提供数控机床正常工作状态与故障工作状态大量的样本数据,否则难以对机床的状态做出正确判别。而这一要求在实际中往往是难以满足的,由于制造与装配工艺的差异,即使是同一类数控机床,在同样的加工参数下,其测试信号也不尽相同。因此,如何在缺乏故障工作状态监测样本的情况下,对数控机床的状态做出正确判别,还缺乏成熟的理论,同时也是数控机床状态监测的一个关键技术。在这种情况下,故障状态的可视化是数控机床状态监测的一个重要手段,由于人在发现状态变化的能力方面远远胜于机器及算法,通过数控机床工作状态的可视化,可以使操作者及时发现数控机床状态的异常变化。
对于数控机床故障状态的监测,需要利用若干传感器对数控机床各关键部位进行切削力、振动、温度等物理量进行测量,并对这些测量信号进行分析,找出那些能够表征系统运行中正常/故障状态或对系统故障敏感的参数(即故障特征参数,例如X方向切削力的均值、方差等)进行监测。然而,在故障状态的可视化方面,当所监测的故障特征参数为两个时,可以通过平面坐标系观察其变化情况。当所监测的故障特征参数为三个时,则只能通过三维空间坐标系观察其变化情况,由于人对三维空间数据点位置的变化不甚敏感,将无法保证监测的有效性。当所监测的故障特征参数为四个以上时,将无法通过可视化的方法观测参数的变化情况。
发明内容
本发明是要提供一种故障状态监测的可视化方法,用于数控机床操作者监测机床的异常工作状态,解决在缺乏异常工作状态监测样本的情况下,对数控机床的状态做出正确判别问题。
本发明的技术方案是:一种故障状态监测的可视化方法,具体
步骤是:
1)设定故障特征参数及矢量方向
设故障特征参数为F={f1,f2,…,fn},XY平面坐标系的原点为(0,0),每一个故障特征参数fi(i=1,2,…,n)使用一个起始端点为原点的矢量fi(i=1,2,…,n)表示,n个故障特征参数矢量方向,均匀地分布在XY平面上,其方向是固定的,而其长度取决于故障特征参数fi(i=1,2,…,n)的大小,当故障特征参数个数为n个时,各个故障特征参数矢量的间隔角度为360°/n,以使其均匀地分布在XY平面上;
2)确定合成矢量CF的位置
由矢量合成算法,确定其合成矢量CF的位置:
矢量fi(i=1,2,…,n)表示为:
fi=xii+yij (1)
与坐标轴X和Y的夹角分别为αi和βi,故障特征参数矢量fi的模:
根据矢量合成算法,n个故障特征参数矢量的合成矢量CF表示为:
CF=f1+f2+…+fn=(x1+x2+…+xn)i+(y1+y2+…+yn)j (3)
合成矢量CF的模:
合成矢量CF与坐标轴X和Y的夹角分别为α和β,其中
3)多个特征参数在二维平面上的可视化
由故障特征参数F={f1,f2,…,fn}的值不同,所确定的合成矢量CF的位置的不相同来实现多个特征参数在二维平面上的可视化。
本发明的有益效果是:
本发明用于数控机床操作者监测机床的异常工作状态,解决在缺乏异常工作状态监测样本的情况下,对数控机床的状态做出正确判别的问题。并且解决多故障特征参数的可视化问题,为数控机床状态的监测提供了新方法。该方法同样适用于其它设备状态的监测问题。
附图说明
图1是故障特征参数矢量图;
图2是故障特征参数矢量的表示图。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
本发明的故障状态监测的可视化方法:
设故障特征参数为F={f1,f2,…,fn},XY平面坐标系的原点为(0,0),每一个故障特征参数fi(i=1,2,…,n)使用一个起始端点为原点的矢量fi(i=1,2,…,n)表示,n个故障特征参数矢量方向,均匀地分布在XY平面上,其方向是固定的,而其长度取决于故障特征参数fi(i=1,2,…,n)的大小,如图1所示。
当故障特征参数个数为n个时,各个故障特征参数矢量的间隔角度为360°/n,以使其均匀地分布在XY平面上。而故障特征参数矢量的排列顺序,则与故障状态监测的有效性相关,存在其优化排列顺序的确定问题。一旦确定了每个故障特征参数矢量的位置,可由矢量合成算法,确定其合成矢量CF的位置。
矢量fi(i=1,2,…,n)可表示为:
fi=xii+yij (1)
与坐标轴X和Y的夹角分别为αi和βi,如图2所示。故障特征参数矢量fi的模:
根据矢量合成算法,n个故障特征参数矢量的合成矢量CF可表示为:
CF=f1+f2+…+fn=(x1+x2+…+xn)i+(y1+y2+…+yn)j (3)
合成矢量CF的模:
合成矢量CF与坐标轴X和Y的夹角分别为α和β,其中
因此,一旦确定了每个故障特征参数矢量的位置,可由矢量合成算法,确定其合成矢量CF的位置。故障特征参数F={f1,f2,…,fn}的值不同,所确定的合成矢量CF的位置也不相同。由此,即可实现多个特征参数在二维平面上的可视化。
需要指出的是,故障特征参数矢量的排列顺序,直接影响着故障状态监测的有效性,需要确定故障特征参数矢量的优化排列顺序。根据模式识别理论,为了有效地监测数控机床的故障状态,应该使故障特征参数矢量的合成矢量位置为:当数控机床状态处于正常状态(或故障状态)时,该合成矢量位置间的距离最小,即类内距离最小;而数控机床正常状态时,故障特征参数矢量的合成矢量位置与数控机床故障状态时,故障特征参数矢量的合成矢量位置间的距离最大,即类间距离最大。设数控机床正常状态时,所采集的m个故障特征参数样本为Fi={f1i,f2i,…,fni},i=1,2,…,m,根据m个故障特征参数样本,计算得到m个故障特征参数合成矢量CFi,i=1,2,…,m。数控机床故障状态时,所采集的m个故障特征参数样本为F′i={f′1i,f′2i,…,f′ni},i=1,2,…,m,同样可以计算得到m个故障特征参数合成矢量CF′i,i=1,2,…,m。CFi与CF′i可分别表示为
CFi=Xii+Yij i=1,2,...,m (7)
CF′i=X′ii+Y′ij i=1,2,...,m (8)
故障特征参数合成矢量CFi与CF′i的类内距离分别为D11与D22,类间距离为D12,根据模式识别理论,这些距离参数可以计算为:
因此,可定义确定故障特征参数矢量优化排列顺序的目标函数为:
即通过遗传算法等优化算法,确定故障特征参数矢量的排列顺序,使得式(12)的C值为最大。
当缺乏故障工作状态监测样本的情况下,无法计算D22及D12的值,此时应该使数控机床状态处于正常状态时,该合成矢量位置间的距离最小,即定义
随着数控机床使用期的增加,一旦收集到故障工作状态的监测样本,应该利用式(12)计算C值,并重新确定故障特征参数矢量的排列顺序,使得C值为最大。
Claims (1)
1.一种故障状态监测的可视化方法,其特征在于,具体步骤是:
1)设定故障特征参数及矢量方向
设故障特征参数为F={f1,f2,…,fn},XY平面坐标系的原点为(0,0),每一个故障特征参数fi使用一个起始端点为原点的故障特征参数矢量来表示,其中i=1,2,…,n;n个故障特征参数矢量方向,均匀地分布在XY平面上,其方向是固定的,而其长度取决于故障特征参数fi的大小,其中i=1,2,…,n,当故障特征参数个数为n个时,各个故障特征参数矢量的间隔角度为360°/n,以使其均匀地分布在XY平面上;故障特征参数矢量的排列顺序,则与故障状态监测的有效性相关,存在故障特征参数矢量优化排列顺序的确定问题,一旦确定了每个故障特征参数矢量的位置,由矢量合成算法,确定其合成矢量的位置;
2)确定合成矢量的位置
合成矢量CF的模:
合成矢量CF与坐标轴X和Y的夹角分别为α和β,其中
3)多个故障特征参数在二维平面上的可视化
由故障特征参数F={f1,f2,…,fn}的值不同,所确定的合成矢量CF位置的不相同来实现多个故障特征参数在二维平面上的可视化;其中,故障特征参数矢量的排列顺序,直接影响着故障状态监测的有效性,需要确定故障特征参数矢量的优化排列顺序:根据模式识别理论,为了有效地监测数控机床的故障状态,应该使故障特征参数矢量的合成矢量位置为:当数控机床状态处于正常状态或故障状态时,故障特征参数矢量的合成矢量位置间的距离最小,即类内距离最小;而数控机床正常状态时,故障特征参数矢量的合成矢量位置与数控机床故障状态时,故障特征参数矢量的合成矢量位置间的距离最大,即类间距离最大;设数控机床正常状态时,所采集的m个故障特征参数样本为Fi={f1i,f2i,…,fni},i=1,2,…,m,根据m个故障特征参数样本,计算得到m个故障特征参数合成矢量为CFi,i=1,2,…,m,数控机床故障状态时,所采集的m个故障特征参数样本为F′i={f′1i,f′2i,…,f′ni},i=1,2,…,m,同样计算得到m个故障特征参数合成矢量为CF′i,i=1,2,…,m;
CFi与CF′i分别表示为:
CFi=Xii+Yij 其中i=1,2,…,m(7)
CF′i=X′ii+Y′ij其中i=1,2,…,m (8)
CFi与CF′i的类内距离分别为D11与D22,类间距离为D12,根据模式识别理论,这些距离参数计算为:
因此,定义确定故障特征参数矢量优化排列顺序的目标函数为:
即通过包括遗传算法的优化算法,确定故障特征参数矢量的排列顺序,使得式(12)的C值为最大;
当缺乏故障工作状态监测样本的情况下,无法计算D22及D12的值,此时应该使数控机床状态处于正常状态时,故障特征参数合成矢量位置间的距离最小,即定义
随着数控机床使用期的增加,一旦收集到故障工作状态的监测样本,应该利用式(12)计算C值,并重新确定故障特征参数矢量的排列顺序,使得C值为最大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101977770A CN101699359B (zh) | 2009-10-28 | 2009-10-28 | 故障状态监测的可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101977770A CN101699359B (zh) | 2009-10-28 | 2009-10-28 | 故障状态监测的可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101699359A CN101699359A (zh) | 2010-04-28 |
CN101699359B true CN101699359B (zh) | 2012-01-04 |
Family
ID=42147820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101977770A Expired - Fee Related CN101699359B (zh) | 2009-10-28 | 2009-10-28 | 故障状态监测的可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101699359B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937207B (zh) * | 2010-08-27 | 2012-09-05 | 上海交通大学 | 机械设备状态的智能可视化监测与诊断方法 |
CN103189892A (zh) * | 2010-11-05 | 2013-07-03 | 日本电气株式会社 | 操作状态可视化系统、操作状态可视化方法以及程序 |
JP5819812B2 (ja) | 2012-12-25 | 2015-11-24 | ファナック株式会社 | 工作機械の負荷表示装置 |
CN110375974B (zh) * | 2019-07-24 | 2020-06-02 | 西安交通大学 | 基于平面化后数据边界形态的旋转机械设备状态监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4263647A (en) * | 1979-02-07 | 1981-04-21 | Allen-Bradley Company | Fault monitor for numerical control system |
CN101126929A (zh) * | 2007-09-05 | 2008-02-20 | 东北大学 | 连采机远程实时故障预测及诊断方法与装置 |
CN201035376Y (zh) * | 2006-12-22 | 2008-03-12 | 浙江大学 | 工业生产过程小样本条件下的故障诊断装置 |
CN101308385A (zh) * | 2008-07-11 | 2008-11-19 | 东北大学 | 基于二维动态核主元分析的非线性过程故障检测方法 |
-
2009
- 2009-10-28 CN CN2009101977770A patent/CN101699359B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4263647A (en) * | 1979-02-07 | 1981-04-21 | Allen-Bradley Company | Fault monitor for numerical control system |
CN201035376Y (zh) * | 2006-12-22 | 2008-03-12 | 浙江大学 | 工业生产过程小样本条件下的故障诊断装置 |
CN101126929A (zh) * | 2007-09-05 | 2008-02-20 | 东北大学 | 连采机远程实时故障预测及诊断方法与装置 |
CN101308385A (zh) * | 2008-07-11 | 2008-11-19 | 东北大学 | 基于二维动态核主元分析的非线性过程故障检测方法 |
Non-Patent Citations (5)
Title |
---|
JP特开平8-30315A 1996.02.02 |
孔祥利 等.多过程故障发现及监控支持系统.《西安交通大学学报》.1988,第22卷(第5期),49-55. * |
李郝林 等.关于故障发现知识获取方法的研究.《陕西机械学院院报》.1991,第7卷(第4期),202-207,252. * |
李郝林.最优故障诊断系统设计.《华东工业大学学报》.1995,第17卷(第2期),23-27. * |
李郝林.系统故障的可测性及诊断方法研究.《西安理工大学学报》.1994,第10卷(第3期),170-173,235. * |
Also Published As
Publication number | Publication date |
---|---|
CN101699359A (zh) | 2010-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
CN108038553B (zh) | 轧机设备状态在线监测与诊断系统及监测诊断方法 | |
CN110394688B (zh) | 基于边缘计算的机床状态监测方法 | |
CN104646565B (zh) | 一种全自动冲压生产线实时监控系统 | |
CN101799674B (zh) | 一种数控装备服役状态分析方法 | |
CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
CN109834513B (zh) | 刀具状态检测系统及方法 | |
CN101699359B (zh) | 故障状态监测的可视化方法 | |
CN103412542B (zh) | 一种数据驱动的集成电路工艺设备异常预警技术方法 | |
CN104699050A (zh) | 数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法 | |
WO2019082407A1 (ja) | 異常検出システムおよび異常検出方法 | |
CN106154978A (zh) | 一种动设备状态监测及故障诊断安全系统 | |
CN105573250A (zh) | 机械加工在线品质管控方法和系统以及加工机床 | |
CN109991925A (zh) | 一种切削颤振在线监控方法及监控系统 | |
CN103207567A (zh) | 一种低误报率的改进主元分析过程监测方法及其监测系统 | |
KR101855679B1 (ko) | 원거리에 위치한 다수개의 자동 공작기계작동의 실시간 원격 모니터링 및 진단시스템 | |
Zhang et al. | Complexity analysis of distributed measuring and sensing network in multistage machining processes | |
CN117130332A (zh) | 一种基于数据分析的军工企业产线智能监管系统 | |
CN103605321B (zh) | 用于切削质量监控的批量工步质量一致性控制检测方法 | |
CN105938351B (zh) | 切换通信目标进行物理数据测量的数据测量装置 | |
CN108956888B (zh) | 一种智能化工控设备湿度异常的监控方法 | |
CN104731056B (zh) | 快速判断化工生产装置的运行稳定性的方法 | |
Zhou et al. | Feature extraction and analysis method of spindle vibration signal for tool wear monitoring | |
KR101170323B1 (ko) | 주축 구동 모터의 전류값을 이용한 절삭 가공 장치의 상태 모니터링 방법 | |
WO2023092311A1 (zh) | 加工机高解析监控系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120104 Termination date: 20141028 |
|
EXPY | Termination of patent right or utility model |