CN102566505B - 一种数控机床的智能故障诊断方法 - Google Patents

一种数控机床的智能故障诊断方法 Download PDF

Info

Publication number
CN102566505B
CN102566505B CN2012100454908A CN201210045490A CN102566505B CN 102566505 B CN102566505 B CN 102566505B CN 2012100454908 A CN2012100454908 A CN 2012100454908A CN 201210045490 A CN201210045490 A CN 201210045490A CN 102566505 B CN102566505 B CN 102566505B
Authority
CN
China
Prior art keywords
fault
characteristic parameters
numerical control
machine
diagnosis
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
Application number
CN2012100454908A
Other languages
English (en)
Other versions
CN102566505A (zh
Inventor
万毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN2012100454908A priority Critical patent/CN102566505B/zh
Publication of CN102566505A publication Critical patent/CN102566505A/zh
Application granted granted Critical
Publication of CN102566505B publication Critical patent/CN102566505B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种数控机床的智能故障诊断方法，包括如下步骤：（1）确定故障特征参数集、故障类型集和样本集；（2）根据故障特征参数集和故障类型集，建立支持向量机模型；（3）利用样本集，训练并优化支持向量机；（4）检测数控机床的多个故障特征参数，将多个故障特征参数作为故障诊断的数据源；（5）将所述数据源输入到优化后的支持向量机，得出故障诊断结果。本发明根据数控机床部件故障的发生机理及特点，当数控机床部件发生故障时，通过检测数控机床，对检测数据进行处理后输入最小二乘支持向量机，得到诊断结果。本发明实现了对数控机床快速、有效的故障诊断，同时其故障诊断能力强、确诊率高、误判率低。

Description

一种数控机床的智能故障诊断方法
技术领域
本发明属于故障诊断领域，具体涉及一种数控机床的智能故障诊断方法。
背景技术
目前，数控机床在现代制造业中的应用日趋普及，但是数控机床在使用中经常出现故障，使连续生产系统无法正常工作。若设备出现故障而未能及时发现和排除，结果不仅导致机床本身损坏，甚至可能造成机毁人亡的严重后果。因此，在实际生产中用较短的时间和较低的维修成本，对数控机床所发生的故障及时做出准确判断，查明故障部位，找出故障原因和排除方法，能大大减少维修的盲目性，它对提高生产经济性和安全性具有重要的意义。
数控机床是机电一体化紧密结合的典范，是一个庞大的系统，涉及机、电、液、气、电子、光等各项技术，其结构复杂，部件多样。目前故障诊断基本上还是采用如下几种传统的方法： 
（1）直观检查法。直观检查法是不借助任何仪器仪表就能诊断出故障的一种简便有效方法。问：问现场人员故障产生的过程、故障现象及后果，询问故障是渐发性的还是突发性的等内容；看：看机床各部分是否处于正常工作状态，电控装置有无报警信息，熔丝是否熔断，元器件烟熏烧焦，电容器膨胀、开裂，电子元件有无断脚、虚焊等；看工件的表面粗糙度、颜色、伤痕等；听：听异常响声和机床运转声；闻：闻电气元件焦糊味及其它异味等；摸：在整机断电条件下用手感来判别机床的故障，如温升、振动、伤痕、波纹、爬行、松紧等。
（2）综合诊断法。仪器检查法：利用万用表等检测仪器仪表，对故障疑点进行电流、电压等测量，将测量值与正常值进行比较，从中找寻故障所在位置；接口状态检查法：现代数控系统多将PLC内置其中，而CNC与PLC之间以接口信号相互通讯。有些故障与接口信号错误或丢失相关，有的接口信号可在相应的接口板和 输入/输出板上有指示灯显示，有的可通过简单操作在CRT上显示，或用PLC编程器观察接口信号状态来诊断故障；参数检查法：数控系统、PLC、伺服驱动系统都设置了许多可修改的参数，以适应不同机床、不同工作状态的要求，这些参数是保证机床正常运行的前提条件。一旦因电池电量不足或受到外界干扰，可能导致部分参数丢失或变化，使机床无法正常工作。通过核对、调整参数，有时可以迅速排除故障。
（3）部件替换法。随着现代技术的发展，电路的集成度越来越高，按常规方法很难查找故障，现代诊断数控机床故障方法中，越来越多的采用部件替换法。部件替换法就是在故障范围大致确认，外部条件完全正确的情况下，利用同样的印制电路板、集成电路芯片或元器件替换有疑点部分，把故障范围缩小到印刷电路板或芯片一级的方法。替换部件可以是系统的备件，也可用机床上相同部件。
（4）交叉换位法。当发现了故障板或疑是故障板，又没备件时，可将系统中两个相同或相兼容的板互换，从中判断出故障板或故障部位。注意硬件接线的正确交换和相应的参数交换。
（5）原理分析法。从系统的工作原理上分析各点的电平和参数，用万用表等仪器仪表对其进行测量和比较，进而对故障进行系统检查的一种方法。
（6）敲击法。当系统故障表现为时而正常时而不正常时，基本可以断定为元器件接触不良或焊点虚焊，用敲击法敲击到虚焊或接触不良部位时，故障就会重现。
（7）信号跟踪法。按照控制系统框图从前往后或从后往前逐一跟踪有关信号的有无、大小及不同运行方式下的状态，与正常情况进行比较。
针对传统方法故障诊断成本高，速度慢的缺点，目前有很多专家开展了一系列故障诊断方法和技术的研究。典型的研究成果有：
（1）FTA分析法：它是对复杂系统进行安全性、可靠性分析的一种好方法，用它来预测和诊断故障，在数控机床的运行和维修中能收到良好的效果。
（2）CBR推理法：CBR 技术已经发展成为一套解决实际问题的方法论。CBR 故障诊断的基本思想是当寻找诊断方案时， 在过去类似诊断方案成功案例基础之上进行推理， 通过类比和修改来完成当前故障诊断任务。CBR 技术的特点使其在数控机床故障诊断领域有着独特的优势。 
（3）进化Monte Carlo优化法：是一种基于总体的蒙特卡洛方法， 它将遗传算法中的变异和交叉运算引入到模拟回火的框架，是一种具有“学习”能力的马尔可夫蒙特卡洛方法。
但是，以上几种故障诊断方法仍然不能从根本上解决数控机床故障诊断的快速性和准确性。
发明内容
本发明针对上述现有技术的不足，提供了一种具有快速性和准确性的数控机床智能故障诊断方法。
本发明是通过如下技术方案实现的：
一种数控机床的智能故障诊断方法，包括如下步骤：
（1）确定故障特征参数集、故障类型集和样本集，所述故障特征参数集中包含多个故障特征参数，所述故障类型集中包含多个故障类型；
（2）根据故障特征参数集和故障类型集，建立最小二乘支持向量机模型；
（3）利用样本集，训练并优化最小二乘支持向量机；
（4）检测数控机床的多个故障特征参数，将多个故障特征参数作为故障诊断的数据源；
（5）将所述数据源输入到优化后的最小二乘支持向量机，得出故障诊断结果。
进一步的，所述故障特征参数集包括数控机床的温度、检测元件的输出量、高低压电流、振动频率、噪声强度和伺服控制的输出电压；所述故障类型集包括伺服单元，加减速时间设定，检测元件，可控硅，旋转编码器，负载量，传动链润滑，可编程控制器或微处理器，检测控制系统或主轴驱动系统，继电器，熔断器，电源变压器。
进一步的，所述最小二乘支持向量机模型的输出向量为故障类型集，输入向量为故障特征参数集中每个故障特征参数的主元特征值。
进一步的，步骤（3）中采用不完全交叉验证网格搜索法在线优化最小二乘支持向量机。
进一步的，步骤（5）包括以下子步骤：
（5.1）将数据源进行小波去噪处理；
（5.2）计算数据源中每个故障特征参数的主元特征值；
（5.3）将步骤（5.2）中计算出的主元特征值输入到优化后的最小二乘支持向量机，得出故障诊断结果。
进一步的，所述主元特征值的计算方法为： 
（a）计算故障特征参数                                                
Figure 2012100454908100002DEST_PATH_IMAGE001
的信息熵
Figure 792965DEST_PATH_IMAGE002
；其中，
Figure DEST_PATH_IMAGE003
为一个随机过程中
Figure 647789DEST_PATH_IMAGE004
出现的概率，
Figure DEST_PATH_IMAGE005
，
Figure 365209DEST_PATH_IMAGE006
；
（b）归一化处理得到
Figure DEST_PATH_IMAGE007
；其中
Figure 698101DEST_PATH_IMAGE008
；
（c）建立协方差矩阵
Figure DEST_PATH_IMAGE009
；其中；
（d）计算协方差矩阵
Figure DEST_PATH_IMAGE011
的特征值
Figure 210302DEST_PATH_IMAGE012
和特征向量； 
（e）计算主元特征值
Figure 412089DEST_PATH_IMAGE014
。
本发明根据数控机床部件故障的发生机理及特点，当数控机床部件发生故障时，通过检测数控机床的高低压电流、温度、振动频率、噪声强度和伺服控制的输出电压得到故障信息，对故障信息数据进行处理后输入最小二乘支持向量机，得到诊断结果。本发明将最小二乘支持向量机、熵带分析和主元特征提取相结合，实现了对数控机床快速、有效的故障诊断，同时其故障诊断能力强、确诊率高、误判率低。
附图说明
图1为数控机床的智能故障诊断方法的流程图；
图2为数控机床故障快速诊断方法优选实施例的流程图；
图3为数控机床故障快速诊断过程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。
如图1-3所示，本发明提供了一种数控机床的智能故障诊断方法，包括如下步骤：
（1）确定故障特征参数集、故障类型集和样本集；
根据数控机床部件故障的发生机理及特点，本发明将数控机床的温度、检测元件的输出量，高低压电流、振动频率、噪声强度和伺服控制输出电压这六个参数作为故障特征参数。本发明采用向量R表示故障特征参数集，则
Figure DEST_PATH_IMAGE015
，其中为六个故障特征参数。
根据数控机床常见的故障特征，本发明将数控机床的伺服单元、加减速时间设定、检测元件、可控硅、旋转编码器、负载量、传动链润滑、可编程控制器或微处理器、检测控制系统或主轴驱动系统、继电器、熔断器和电源变压器这12个参数作为故障类型。本发明采用向量F表示故障类型集，则
Figure DEST_PATH_IMAGE017
，其中
Figure 217551DEST_PATH_IMAGE018
为12个故障类型。
收集数控机床部件运行状态的历史数据，作为样本集。为了清晰表达故障特征参数与故障类型参数之间的关系，可以按照表1中的形式建立故障数据库。  
表１
（2）根据故障特征参数集和故障类型集，建立最小二乘支持向量机模型；
本发明选取Gauss 分布的径向基函数（RBF）作为最小二乘支持向量机的核函数，因为它能够很好地满足Mercer条件，能够尽量准确地反映训练样本数据的分布特征（对称分布），能够替代内积，通过一个非线性映射，在一个高维特征空间中给出一个最优分类超平面。RBF核函数的表达式如下：
Figure DEST_PATH_IMAGE021
，其中是径向基核函数的参数。
本发明中最小二乘支持向量机模型的输出向量为故障类型集
Figure DEST_PATH_IMAGE023
。为了降低支持向量机模型训练的难度，本发明对故障特征参数集进行预处理后，作为支持向量机模型的输入向量。所述预处理是指对故障特征参数
Figure 452988DEST_PATH_IMAGE024
的熵带进行样本归一化和主元特征提取。具体的讲，所述预处理包括以下步骤：
（a）熵计算：由于收集或采集到的数控机床故障数据受到各种环境因素的影响，有些数据呈现出不确定性。这种情况严重混乱了故障类别间的可分辨性，增大了故障分类与辨识的难度。本发明采用熵使故障的误判最小化。熵计算的过程如下：
　  设
Figure DEST_PATH_IMAGE025
为数控机床一个故障判别参数（
Figure 914057DEST_PATH_IMAGE026
）。在一个随机过程中，如果
Figure DEST_PATH_IMAGE027
出现的概率
Figure 281584DEST_PATH_IMAGE028
，且
Figure DEST_PATH_IMAGE029
，那么信息熵
Figure 457963DEST_PATH_IMAGE030
为：
　　　　　　　　　
Figure DEST_PATH_IMAGE031
上式表明，若
Figure 733087DEST_PATH_IMAGE030
越大, 表明中所蕴涵的信息量越丰富, 则
Figure 649407DEST_PATH_IMAGE027
的不确定程度也越大。
（b）归一化处理：考虑到各种特征参数数值的差异性及分散性，为了降低它们之间由于量值差异过大造成的影响，对熵通过线性变换映射到[０，１]范围内的相对含量，以降低各特征参数数据之间的互斥性。归一化处理方法如下：
                   
Figure 316012DEST_PATH_IMAGE032
（c）对通过线性变换的熵
Figure 394826DEST_PATH_IMAGE030
进行如下变换（令：
Figure DEST_PATH_IMAGE033
）：
　　　　　　　　　　　　　　　
式中，
Figure DEST_PATH_IMAGE035
为
Figure 539817DEST_PATH_IMAGE036
维的正交矩阵，其中矩阵
Figure 490455DEST_PATH_IMAGE035
中的第列
Figure 310644DEST_PATH_IMAGE013
是协方差矩阵的第
Figure 543359DEST_PATH_IMAGE037
个特征向量。
　　　　　　　　　　　　　　
Figure 981293DEST_PATH_IMAGE038
即
　　　　　　　       
Figure DEST_PATH_IMAGE039
，
Figure 339594DEST_PATH_IMAGE026
Figure 746917DEST_PATH_IMAGE040
为协方差矩阵
Figure 860366DEST_PATH_IMAGE011
的特征值，
Figure 723280DEST_PATH_IMAGE013
为相应的特征向量，则可以得到主元
Figure DEST_PATH_IMAGE041
。
　　　　　　　　　　　　　　
Figure 885271DEST_PATH_IMAGE042
，
Figure 946768DEST_PATH_IMAGE026
。
（3）利用样本集，训练并优化支持向量机；
　  本发明在样本集中随机抽取600组故障数据，分别求取熵，用最大的熵减去最小的熵得到熵带
Figure 231119DEST_PATH_IMAGE043
。在熵带
Figure 581329DEST_PATH_IMAGE043
范围内取300组数控机床故障数据作为故障样本，对最小二乘支持向量机进行训练和优化。
训练支持向量机的过程如下：设给定N个训练样本
Figure 609328DEST_PATH_IMAGE044
Figure DEST_PATH_IMAGE045
是输入数据，
Figure 728593DEST_PATH_IMAGE046
是输出数据。函数估计问题可以描述求解下面问题：
                   
Figure DEST_PATH_IMAGE047
                    
Figure 855949DEST_PATH_IMAGE048
                  
其中，是核空间映射函数，权矢量
Figure 693455DEST_PATH_IMAGE050
，误差变量，
Figure 197249DEST_PATH_IMAGE052
是偏差量。损失函数
Figure 498917DEST_PATH_IMAGE053
是SSE误差和规则化量之和，
Figure DEST_PATH_IMAGE054
是控制对错分样本惩罚的程度的可调参数，它控制对超出误差样本的惩罚的程度，实现在训练误差和模型复杂度之间的折衷。与标准SVM不同，这里只有等式约束，且优化目标的损失函数是误差的二范数。核空间映射函数的目的是从原始空间中抽取特征，将原始空间中的样本映射为高维特征空间中的一个向量，以解决原始空间中线性不可分的问题。引入Lagrange函数，把有约束优化问题转化成无约束优化问题。
Figure DEST_PATH_IMAGE056
    
即：
Figure 119047DEST_PATH_IMAGE057
  
其中，拉格朗日乘子，
Figure DEST_PATH_IMAGE059
。对上式进行优化求解，根据KKT最优条件，把上式分别对
Figure 317127DEST_PATH_IMAGE060
和
Figure DEST_PATH_IMAGE061
求偏微分并令它们等于0，即：
Figure 51865DEST_PATH_IMAGE062
                     
Figure DEST_PATH_IMAGE063
                      
Figure 598384DEST_PATH_IMAGE064
                        
Figure DEST_PATH_IMAGE065
                         
得到：
              
Figure 709559DEST_PATH_IMAGE066
对于消去
Figure 657924DEST_PATH_IMAGE068
和
Figure 625880DEST_PATH_IMAGE055
，得到如下方程：
Figure 659695DEST_PATH_IMAGE069
                        
其中
Figure DEST_PATH_IMAGE070
   
即得到如下方程组：
                      
优化支持向量机的过程如下：采用不完全交叉验证网格搜索法确定最小二乘支持向量机的最佳参数对(
Figure DEST_PATH_IMAGE072
)。具体的讲，包括如下子步骤：
(a1) 确定合适的正则化参数集和核参数集。实验发现，按照指数增长方式生成两种参数集是一种有效的方法，例如，
Figure 171240DEST_PATH_IMAGE073
，
Figure DEST_PATH_IMAGE074
，网格搜索简单直接，因为每一个参数对(
Figure 247781DEST_PATH_IMAGE072
)是独立的，可以并行地进行网格搜索。
(a2)应用网格搜索法在正则化参数集和核参数集中选择一个参数对(
Figure 768892DEST_PATH_IMAGE072
)，用该参数对进行交叉验证。首先用一个步长为
Figure 18608DEST_PATH_IMAGE075
的(
Figure 941564DEST_PATH_IMAGE072
) 组合, 得到学习精度最高的
Figure 251323DEST_PATH_IMAGE076
 和
Figure DEST_PATH_IMAGE077
 的值。然后在这两个值旁的一定范围内进行一次更细致的网格搜索。在两个值的一定范围内把样本集D分为
Figure 259730DEST_PATH_IMAGE078
组，把任意的
Figure 250820DEST_PATH_IMAGE080
组作为训练集，剩余的一组作为验证集。通过选择不同的验证集，可重复
Figure 90600DEST_PATH_IMAGE078
次。泛化性能可通过下式评价：
    
式中：
Figure 508943DEST_PATH_IMAGE082
是第
Figure 801384DEST_PATH_IMAGE084
组验证集；
Figure DEST_PATH_IMAGE085
是验证集的样本；
Figure 596165DEST_PATH_IMAGE086
是用
Figure DEST_PATH_IMAGE087
作为训练样本时得到的参数向量；是LS-SVM的输出。
 (a3)循环选择参数对进行交叉验证，计算每个参数对的
Figure DEST_PATH_IMAGE089
，直到网格搜索停止。使得
Figure 814449DEST_PATH_IMAGE089
最小的参数对(
Figure 859765DEST_PATH_IMAGE072
)是最佳的，应用不完全交叉验证方法选择参数能够避免过拟合问题。
本发明通过样本集的学习，完成训练过程寻找到支持向量集，确定拉格朗日乘子
Figure 192658DEST_PATH_IMAGE090
和偏移因子
Figure DEST_PATH_IMAGE091
，得到优化后的支持向量机。　
（4）检测所述故障特征参数集中的故障特征参数，作为故障诊断的数据源，即检测数控机床的温度、检测元件的输出量、高低压电流、振动频率、噪声强度和伺服控制的输出电压等故障特征参数作为数据源。
（5）将所述数据源输入到优化后的最小二乘支持向量机，得出故障诊断结果。具体的讲，包括以下子步骤：
（5.1）将数据源进行小波去噪处理；
数控机床特征参数在采集和传输过程中，不可避免会受到大量噪声信号的影响而产生杂波，必然会影响对故障判断的准确度，因此本发明采用小波去噪技术对数据源进行小波去噪处理。小波去噪处理的算法如下:
令检测特征量为：
Figure 679134DEST_PATH_IMAGE092
式中
Figure DEST_PATH_IMAGE093
为有用信号；
Figure 704859DEST_PATH_IMAGE094
为噪声序列。假设
Figure 971892DEST_PATH_IMAGE094
是零均值且服从高斯分布的随即序列，即服从
Figure DEST_PATH_IMAGE095
分布。对上式两边做小波变换，有：
　　　　　　　　　　　
Figure 108475DEST_PATH_IMAGE096
式中
Figure DEST_PATH_IMAGE097
表示小波基对
Figure 449458DEST_PATH_IMAGE098
做时移为
Figure DEST_PATH_IMAGE099
，尺度因子为的小波变换。经正交小波变换后，最大程度地去除了
Figure 400413DEST_PATH_IMAGE094
的相关性，其能量集中在少数的小波系数上，而这些系数即是在各个尺度下的模极大值。
（5.2）计算数据源中每个故障特征参数的主元特征值，其中计算主元特征值的方法与步骤（3）中的方法相同，在此不再赘述。
（5.3）将步骤（5.2）中计算出的主元特征值输入到优化后的最小二乘支持向量机，得出故障诊断结果，即正常或有故障，以及故障所属的故障类型。
采用本发明所述的智能故障诊断方法对浙江乐清液压制造有限公司的数控车床进行故障诊断，结果如表2所示。
表2
故障类型 故障诊断的识别率
伺服单元故障 98%
加减速时间设定太大或太小 98%
检测元件故障 99%
可控硅烧毁 100%
旋转编码器故障 100%
负载超量 99%
传动链润滑不良 98%
可编程控制器或微处理器损坏 100%
检测控制系统或主轴驱动系统故障 100%
继电器损坏 100%
熔断器损坏 100%
电源变压器损坏 100%
可见，本发明能够实现对数控机床有效的故障诊断。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。

Claims (2)

1.一种数控机床的智能故障诊断方法，包括如下步骤：
（1）确定故障特征参数集、故障类型集和样本集，所述故障特征参数集中包含多个故障特征参数，所述故障类型集中包含多个故障类型；
（2）根据故障特征参数集和故障类型集，建立最小二乘支持向量机模型；所述最小二乘支持向量机模型的输出向量为故障类型集，输入向量为故障特征参数集中每个故障特征参数的主元特征值；
所述主元特征值的计算方法为： 
（a）计算故障特征参数                                               的信息熵
Figure 2012100454908100001DEST_PATH_IMAGE004
；其中，
Figure 2012100454908100001DEST_PATH_IMAGE006
为一个随机过程中
Figure DEST_PATH_IMAGE008
出现的概率，
Figure 2012100454908100001DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE012
；
（b）归一化处理得到
Figure DEST_PATH_IMAGE014
；其中
Figure DEST_PATH_IMAGE016
；
（c）建立协方差矩阵
Figure DEST_PATH_IMAGE018
；其中
Figure DEST_PATH_IMAGE020
；
（d）计算协方差矩阵
Figure DEST_PATH_IMAGE022
的特征值和特征向量
Figure DEST_PATH_IMAGE026
； 
（e）计算主元特征值
Figure DEST_PATH_IMAGE028
；
（3）利用样本集，采用不完全交叉验证网格搜索法训练并优化最小二乘支持向量机；
（4）检测数控机床的多个故障特征参数，将多个故障特征参数作为故障诊断的数据源；
（5）将所述数据源输入到优化后的最小二乘支持向量机，得出故障诊断结果；具体包括：
（5.1）将数据源进行小波去噪处理；
（5.2）计算数据源中每个故障特征参数的主元特征值；
（5.3）将步骤（2）中计算出的主元特征值输入到优化后的最小二乘支持向量机，得出故障诊断结果。
2.根据权利要求1所述的智能故障诊断方法，其特征在于，所述故障特征参数集包括数控机床的温度、检测元件的输出量、高低压电流、振动频率、噪声强度和伺服控制的输出电压；所述故障类型集包括伺服单元、加减速时间设定、检测元件、可控硅、旋转编码器、负载量、传动链润滑、可编程控制器或微处理器、检测控制系统或主轴驱动系统、继电器、熔断器和电源变压器。
CN2012100454908A 2012-02-27 2012-02-27 一种数控机床的智能故障诊断方法 Expired - Fee Related CN102566505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012100454908A CN102566505B (zh) 2012-02-27 2012-02-27 一种数控机床的智能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012100454908A CN102566505B (zh) 2012-02-27 2012-02-27 一种数控机床的智能故障诊断方法

Publications (2)

Publication Number Publication Date
CN102566505A CN102566505A (zh) 2012-07-11
CN102566505B true CN102566505B (zh) 2013-11-20

Family

ID=46412150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012100454908A Expired - Fee Related CN102566505B (zh) 2012-02-27 2012-02-27 一种数控机床的智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN102566505B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102937798B (zh) * 2012-11-30 2015-02-18 重庆大学 一种人机结合的数控机床故障信息采集方法
CN103499382B (zh) * 2013-09-30 2015-09-16 国家电网公司 一种基于振动数据融合和图像识别的变压器故障诊断方法
CN104021238A (zh) * 2014-03-25 2014-09-03 重庆邮电大学 一种铅酸动力电池系统故障诊断方法
CN103941645B (zh) * 2014-04-09 2017-01-25 南京航空航天大学 薄壁零件复杂工况加工状态监测方法
CN103941081B (zh) * 2014-05-13 2016-05-25 重庆大学 一种机床多能量源的可配置能耗在线监测方法及系统
CN104678223A (zh) * 2015-03-06 2015-06-03 云南电网有限责任公司电力科学研究院 一种变压器绕组故障智能识别方法
CN105204436B (zh) * 2015-08-26 2016-10-26 山东省计算中心（国家超级计算济南中心） 基于分级预警的数控机床故障诊断方法
JP6444851B2 (ja) * 2015-12-24 2018-12-26 ファナック株式会社 ノイズの発生原因を検出する学習機能を有する制御装置
JP6671397B2 (ja) * 2016-01-20 2020-03-25 三菱電機株式会社 異常検知装置及び異常検知システム
CN106339720B (zh) * 2016-08-23 2019-09-10 温州大学 一种汽车发动机的失效检测方法
CN106528966A (zh) * 2016-10-27 2017-03-22 北京印刷学院 一种基于svm的高速印刷机振动信号故障特征提取方法
CN106546918A (zh) * 2016-10-27 2017-03-29 中国大唐集团科学技术研究院有限公司西北分公司 一种水电机组的故障诊断方法
CN108181891B (zh) * 2017-12-13 2020-05-05 东北大学 基于智能核主元分析的工业大数据故障诊断方法
CN108445382A (zh) * 2018-04-23 2018-08-24 温州大学 一种高压断路器的快速失效检测方法
CN108460429B (zh) * 2018-05-03 2019-03-05 武汉理工大学 多重回归lssvm模型在机械并发故障诊断中的应用方法
CN109857079B (zh) * 2018-12-05 2021-09-07 上海交通大学 加工中心主轴系统工作状态异常的智能诊断方法及装置
CN110543142A (zh) * 2019-08-22 2019-12-06 电子科技大学 一种数控机床故障诊断与预警系统
CN111582732A (zh) * 2020-05-12 2020-08-25 胡伊婷 一种基于大数据的车况分析系统
CN114063565A (zh) * 2020-08-03 2022-02-18 沈机（上海）智能系统研发设计有限公司 数控机床进给轴的故障检测方法、系统、介质及数控机床
CN112612247B (zh) * 2020-12-05 2021-11-26 瑞涯科技(上海)股份有限公司 一种用计算机仿真分析软件诊断数控机床故障的方法
CN113642649A (zh) * 2021-08-16 2021-11-12 国网山东省电力公司营销服务中心(计量中心) 一种基于支持向量机的hplc通信模块合格分类方法
CN117111589B (zh) * 2023-10-23 2024-01-02 中国机械总院集团云南分院有限公司 一种基于Petri网的数控机床控制系统故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100480926C (zh) * 2006-11-23 2009-04-22 浙江大学 一种基于小波分析的工业生产过程故障诊断系统及方法
CN101464964B (zh) * 2007-12-18 2011-04-06 同济大学 一种设备故障诊断的支持向量机模式识别方法
CN101251579B (zh) * 2008-03-05 2010-04-14 湖南大学 一种基于支持向量机的模拟电路故障诊断方法
CN101907088B (zh) * 2010-05-27 2012-07-04 中国人民解放军国防科学技术大学 基于单类支持向量机的故障诊断方法
CN102324034B (zh) * 2011-05-25 2012-08-15 北京理工大学 基于最小二乘支持向量机在线预测的传感器故障诊断方法

Also Published As

Publication number Publication date
CN102566505A (zh) 2012-07-11

Similar Documents

Publication Publication Date Title
CN102566505B (zh) 一种数控机床的智能故障诊断方法
Liu et al. Classifying transformer winding deformation fault types and degrees using FRA based on support vector machine
CN104390657B (zh) 一种发电机组运行参数测量传感器故障诊断方法及系统
Martins et al. Tool condition monitoring of single-point dresser using acoustic emission and neural networks models
KR101316486B1 (ko) 이상 검지 방법 및 시스템
CN104808585B (zh) 一种机床健康状态快速检查方法
CN109670242B (zh) 基于椭圆包络线的变压器绕组变形无监督在线监测方法
CN102054179A (zh) 一种旋转机械在线状态监测与故障诊断装置及方法
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN107767024A (zh) 一种用于盖板玻璃生产线产品质量实时监测系统及方法
JP2019098515A (ja) 刃具状態検査システム及び方法
CN110174878A (zh) 一种无人化智能装备健康与保障综合管理通用系统
CN103389701A (zh) 基于分布式数据模型的厂级过程故障检测与诊断方法
CN110688389A (zh) 变电站二次设备缺陷云管理系统
Du et al. Intelligent turning tool monitoring with neural network adaptive learning
CN117639251A (zh) 一种高压开关柜智能在线监测系统
CN106250937B (zh) 一种基于非相似度指标的故障分类诊断方法
CN111090037A (zh) 一种仪控卡件的可靠性检测方法
CN105954620A (zh) 一种电力故障诊断系统与诊断方法
CN115167366A (zh) 基于传感器信号残差序列加权平方和的板卡故障诊断方法
CN103575327A (zh) 一种烟支物理指标自动化检测分析装置
CN113267711A (zh) 变电站高压电气设备绝缘状态在线监测系统及监测方法
CN106443238A (zh) 高压设备状态评估方法、在线监测装置评估方法及装置
EP3623892A1 (en) Anomaly assessment device, anomaly assessment method, and anomaly assessment program
CN107942205A (zh) 一种独立多通道局部放电分析平台

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: 20131120

Termination date: 20150227

EXPY Termination of patent right or utility model