CN102736561A - 一种面向机电装备的远程动态自适应规则获取方法 - Google Patents
一种面向机电装备的远程动态自适应规则获取方法 Download PDFInfo
- Publication number
- CN102736561A CN102736561A CN2012102388510A CN201210238851A CN102736561A CN 102736561 A CN102736561 A CN 102736561A CN 2012102388510 A CN2012102388510 A CN 2012102388510A CN 201210238851 A CN201210238851 A CN 201210238851A CN 102736561 A CN102736561 A CN 102736561A
- Authority
- CN
- China
- Prior art keywords
- attribute
- signal
- rule
- remote
- state function
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向机电装备的远程动态自适应规则获取方法,其步骤为:(1)利用传感器群采集面向机电装备各个功能部件的状态信号;(2)将各个状态信号通过远程网络在线上传至远程数据系统中,并将各状态信号转换成统一的数据格式存储;(3)将各状态信号数据传输至远程网络平台的故障诊断模块,采用变尺度经验模态分解方法得到表征各个状态信号特征的本征模态函数,再对各个本征模态函数分别做Hilbert变换获得相应的瞬时频率;(4)构建远程故障诊断知识库系统,获取规则构成规则库,通过远程网络传输至机床故障诊断与预测服务平台;(5)机床故障诊断与预测服务平台采用动态协调度方法对获取的规则库进行动态自适应优化更新,并以置信度作为规则的评价。
Description
技术领域
本发明涉及一种远程动态自适应规则库获取方法,特别是关于一种面向机电装备的远程动态自适应规则获取方法。
背景技术
以大型、高速、精密、多复合为主题的数控机床等机电装备已经成为我国制造业的主要加工设备。随着制造业的发展迅速,数控设备机械结构也随之变得越来越复杂,并且集成化、精密化和智能化程度越来越高。这就使设备在加工过程中发生精度退化、机械故障等可能性随之增大,同时由于机床在加工过程中加工参数和加工工况的不定性以及机床周围环境的影响,使机床故障诊断面临着更大的挑战。由此引起的生产停机带来的损失也将更加巨大。因此,机电装备的故障诊断和故障预测成为机电装备加工过程中的重要组成部分,是制约机电装备发挥作用的主要因素之一。目前,大部分的机电装备已经具备了一定的自诊断功能,实现了机电装备电气系统和数控装置系统的故障报警及排除,但是对于机电装备的机械类故障则往往不能得到诊断。作为机电装备的终端用户,由于制造企业的维护能力有限,因此迫切需要为机电装备提供一种有效地远程故障诊断功能。
由于机电装备在制造加工过程中存在大量的不确定性信息,运用传统的小波变换、短时傅里叶变换等方法进行信息局部分析已经存在很大的非适应性,会造成信号能量的丢失,一系列的分解结果也将会使信号失去本身原有的物理意义。因此提供一种快速、准确、有效的信号处理方法是建立故障规则库的有力手段。同时由于这些不确定性数据缺乏统一的描述和存储,造成远程监测诊断系统无法对其进行梳理和应用,从而不能较好地支持机床加工系统的优化运行。因此通过建立远程动态自适应规则获取和智能故障诊断系统,实现及时、准确地预防和诊断设备故障是解决这一问题的有效手段。
发明内容
针对上述问题,本发明的目的是提供一种能有效消除信号分解的冗余信息,有效提高故障预测诊断速度的面向机电装备的远程动态自适应规则获取方法。
为实现上述目的,本发明采取以下技术方案:一种面向机电装备的远程动态自适应规则获取方法,其步骤如下:(1)利用传感器群对面向机电装备典型功能部件在不同工况下进行监测,采集到各个功能部件的状态信号;(2)将采集到的各个状态信号通过远程网络在线上传至远程数据系统中,利用远程数据系统中的数据转换模块,将采集到的各状态信号数据格式转换成统一的数据格式存储;(3)将各状态信号数据传输至远程网络平台的故障诊断模块,采用变尺度经验模态分解方法得到表征各个状态信号特征的本征模态函数,再对各个本征模态函数分别做Hilbert变换获得相应的瞬时频率;(4)将得到的各个状态信号的瞬时频率作为条件属性构建远程故障诊断知识库系统,采用粗糙集方法对远程故障诊断知识库系统进行属性约简和规则获取,并将所有获取的规则构成规则库,并通过远程网络传输至机床故障诊断与预测服务平台;(5)机床故障诊断与预测服务平台采用动态协调度方法对获取的规则库进行动态自适应优化更新,以置信度作为规则的评价。
所述步骤(3)中,所述变尺度经验模态分解方法中的特征尺度参数为信号相邻的两个极值点的时间跨度ts,则所述变尺度经验模态分解方法如下:①假定x(t)为采集到的状态信号中的电流信号,记电流信号x(t)的极大值点和极小值点分别为hi(t)和li(t),i=0,1,2,…,n;i为迭代次数;②对电流信号x(t)进行迭代,再进行筛选得到信号r(t);③令ri(t)为电流信号x(t)的第i次迭代筛选后的信号,初始化r0(t)=x(t);④根据本征模态函数条件,判断信号ri(t)是否为本征模态函数:如果ri(t)符合本征模态函数条件,则为一分段本征模态函数,进入步骤⑦;否则,从ri(t)的起始点出发,依次获取ri(t)的极大值点hi'(t),并判断相邻两个极大值点间的时间跨度ts是否满足ts≤2it,t为极大值点对应的时间,若满足则记下该极大值点;否则放弃该点;依次进行,获得多段满足ts≤2it的分段信号极大值点hi'(t);同理获得多段满足ts≤2it的分段信号极小值点l′i(t),进入步骤⑤;⑤分别对ri(t)的极大值点hi'(t)和极小值点l′i(t)进行三次样条插值拟合,求上、下包络线,并计算包络线的均值曲线mi-1(t):
⑥由均值曲线mi-1(t)进行筛选计算,即ri(t)=r0(t)-mi-1(t),i=i+1,返回步骤④,重新进行判断是否为本征模态函数;⑦输出本征模态函数IMF(j)=ri(t),其中j表示本征模态函数的序号。
所述步骤(5)中,采用所述动态协调度方法对获取的规则库进行动态自适应优化更新的步骤如下:①由状态信号经过步骤(3)得到的瞬时频率作为条件属性,建立初始决策信息表IS=(U,A,V,f);其中U={x1,x2,…,xn}为对象的非空有限集合,A为包括条件属性和决策属性的全集,V表示信息值域;f={fα|fα:U→Vα}表示决策表的信息函数,fα为属性α的信息函数,α为条件属性中的一个简单属性;②将初始决策信息表IS中的信息进行动态层次聚类离散化处理,得到离散化后的决策信息表IS';③判断决策信息表IS′的相容性,删除不一致或者重复的数据信息;④求决策信息表IS'中条件属性相对于决策属性的核R:对任意α∈A,若α满足IND(A-{α})≠IND(A),则称α为A中的必要条件属性,所有A中必要的属性组成的集合记为核R,即R=∩RED(A);⑤如果核R满足关系式:IND(R)=IND(A),则输出最小的约简集合,此约简集合就是所要的最终诊断规则表;⑥如果IND(R)≠IND(A),则要计算条件属性中每个α的协调度CON(α),然后去掉最大协调度中的条件属性,使得核R=R∪{α},再返回步骤⑤重复计算,直到得到最小约简集合为止;最后将剩下的条件属性与决策属性D构成故障诊断知识规则库。
所述步骤⑥中,所述条件属性中的简单属性α的协调度CON(α)为:
其中D为决策属性。
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于采用变尺度经验模态分解方法,对机电装备在加工制造过程中存在的大量不确定性信息进行机床故障特征提取,根据不同的特征时间尺度参数进行分段三次样条拟合,具有较好的局域自适应性和直观性,有效消除信号分解的冗余信息,因此提高了故障预测诊断速度。2、本发明采用变尺度经验模态分解方法,是通过循环判断信号的相邻极值点间的时间跨度ts是否满足ts≤2it,从而依次获得最优本征模态函数,为故障规则库构建提供了有效的故障特征参数。因此,进一步提高了故障预测诊断速度。3、本发明由于采用基于动态协调度方法进行故障特征参数的初始决策信息表动态自适应规则获取,建立远程故障诊断知识库系统。该系统能够实现对受控中的机电装备进行快速诊断和维护,从而减小维护的盲目性,提高故障排除的效率,满足用户对机电装备的远程故障诊断、故障修复的要求。本发明可以广泛应在机电装备故障预测和诊断中应用。
附图说明
图1是本发明的整体流程示意图;
图2是本发明基于动态协调度方法进行动态自适应规则获取的流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提供的一种远程动态自适应规则获取方法,是依据变尺度经验模态分解方法进行动态的本征模态函数获取,同时采用动态协调度的方法进行自适应规则获取,从而实现为机电装备实现远程故障诊断和故障预测。其步骤如下:
1)利用现有技术中的传感器群对面向机电装备典型功能部件在不同工况下进行监测,采集到各个功能部件的状态信号;
面向机床典型功能部件包括主轴系统、刀具系统、传动系统以及进给系统等,状态信号包括振动信号、声发射信号、测力信号、噪声信号、温度信号和电流信号。
2)将采集到的各个状态信号通过远程网络在线上传至远程数据系统中,利用远程数据系统中的数据转换模块,将采集到的各状态信号的不同类型数据格式转换成统一的数据格式存储,以便形成统一化的数据管理;
其中,远程网络采用基于ASP.NET技术进行应用程序开发。
3)将存储的各状态信号数据传输至远程网络平台的故障诊断模块,采用变尺度经验模态分解方法得到表征各个状态信号特征的本征模态函数,再对各个本征模态函数分别做Hilbert变换获得相应的瞬时频率,以便进行机床故障特征提取;
其中,变尺度经验模态分解方法是运用特征尺度参数刻画信号的频率变化情况,特征尺度参数为信号相邻的两个极值点的时间跨度ts,则变尺度经验模态分解方法如下:
(1)假定x(t)为采集到的状态信号中的电流信号,记电流信号x(t)的极大值点和极小值点分别为hi(t)和li(t),i=0,1,2,…,n;i为迭代次数。
(2)对电流信号x(t)进行迭代,为消除由于迭代时引起的模态波动信号,再进行筛选得到信号r(t)。
(3)令ri(t)为电流信号x(t)的第i次迭代筛选后的信号,初始化r0(t)=x(t)。
(4)根据本征模态函数条件,判断信号ri(t)是否为本征模态函数:如果ri(t)符合本征模态函数条件,则为一分段本征模态函数,进入步骤(7);否则,从ri(t)的起始点出发,依次获取ri(t)的极大值点hi'(t),并判断相邻两个极大值点间的时间跨度ts是否满足ts≤2it,t为极大值点对应的时间,若满足则记下该极大值点;否则放弃该点。依次进行,获得多段满足ts≤2it的分段信号极大值点hi'(t);同理获得多段满足ts≤2it的分段信号极小值点l′i(t),进入步骤(5);
其中本征模态函数的两个条件为:
(a)整体信号r(t)由一段或者多段满足某一特征时间跨度ts的部分信号构成,每段信号的极值点数目和过零点数目必须相等或者至多只相差一点;
(b)任意时刻,每段信号由极大值点定义的上包络线和由极小值点定义的下包络线的平均值为零。
(5)分别对ri(t)的极大值点hi'(t)和极小值点l′i(t)进行三次样条插值拟合,求上、下包络线,并计算包络线的均值曲线mi-1(t):
(6)由均值曲线mi-1(t)进行筛选计算,即ri(t)=r0(t)-mi-1(t),i=i+1,返回步骤(4),再重新进行判断是否为本征模态函数。
(7)输出本征模态函数IMF(j)=ri(t),其中j表示本征模态函数的序号。
4)将得到的各个状态信号的瞬时频率作为条件属性构建远程故障诊断知识库系统,采用现有技术中的粗糙集方法对远程故障诊断知识库系统进行属性约简和规则获取,并将所有获取的规则构成规则库,并通过远程网络传输至机床故障诊断与预测服务平台。
5)机床故障诊断与预测服务平台采用动态协调度方法对获取的规则库进行动态自适应优化更新,消除动态反馈误差,并以置信度作为规则的评价;由于机床加工运行中存在许多不确定性因素,这些不确定因素构成机床故障诊断与预测服务平台中的动态误差反馈误差来源,比如机床工况的变化、机床特性的变化、机床参数的变化以及周围环境干扰的影响,使得机床故障诊断与预测服务平台得到的信息往往与实际机床运行信息不相符,造成诊断与预测误差。因此,采用动态协调度方法进行动态自适应规则获取更新,以提高置信度;
其中,如图2所示,采用动态协调度方法对获取的规则库进行动态自适应优化更新的步骤如下:
(1)由面向机床典型功能部件的状态信号经过步骤3)得到的瞬时频率作为条件属性,建立初始决策信息表IS=(U,A,V,f);其中U={x1,x2,…,xn}为对象的非空有限集合,即论域,A为包括条件属性和决策属性的全集,V表示信息值域;f={fα|fα:U→Vα}表示决策表的信息函数,fα为属性α的信息函数,α为条件属性中的一个简单属性。
(2)将初始决策信息表IS中的信息进行动态层次聚类离散化处理,得到离散化后的决策信息表IS'。
(3)判断决策信息表IS′的相容性,不相容则进入步骤(4),反之,删除不一致或者重复的数据信息,拆分成相容决策表后进入步骤(4)。
(4)求决策信息表IS'中条件属性相对于决策属性的核R:对任意α∈A,若α满足IND(A-{α})≠IND(A),则称α为A中的必要条件属性,所有A中必要的属性组成的集合记为核R,即R=∩RED(A)。其中,IND为等价划分。
(5)如果核R满足关系式:IND(R)=IND(A),则输出最小的约简集合,此约简集合就是所要的最终诊断规则表。
(6)如果IND(R)≠IND(A),则要计算条件属性中每个α的协调度CON(α),然后去掉最大协调度中的条件属性,使得核R=R∪{α},再转到步骤(5)进行重复计算,直到得到最小约简集合为止;最后将剩下的条件属性与决策属性D构成故障诊断知识规则库。其中α的协调度CON(α)为:
其中D为决策属性。
综上所述,本发明在使用时,可以将最后获得的故障规则以文本格式传输至远程网络知识库系统,供使用者方便查询到不同机电装备在不同加工状态和不同参数下的故障规则信息,实现远程动态自适应故障诊断,为提高机床故障诊断效率提供可靠依据。
下面通过一个具体实施例对本发明的面向机电装备的远程动态自适应规则获取方法作进一步的介绍。
实施例:以高档车削加工中心DL-20MH的刀具系统为试验对象,采用YT15刀具进行45#钢的切削,切削速度给定为Vc=200m/min,加工过程中刀具状态分别为初期磨损、中期磨损、严重磨损,将采集到的12组不同状态的电流信号分别进行变尺度经验模态分解,并通过Hilbert变换获得各本征模态函数的瞬时频率,将其作为条件属性,构建成初始决策信息表(如表1所示)。
表1刀具磨损决策信息表
IMF1 | IMF2 | IMF3 | IMF4 | IMF5 | D | |
1 | 0.0629 | 2.5207 | 2.4289 | 1.2355 | 1.7793 | 1 |
2 | 0.0798 | 3.3959 | 1.2327 | 0.5582 | 1.4473 | 1 |
3 | 0.0596 | 2.7244 | 1.0822 | 1.4426 | 1.3822 | 1 |
4 | 0.0667 | 3.0951 | 1.1313 | 1.4670 | 0.7745 | 1 |
5 | 0.0703 | 2.5259 | 1.2495 | 1.4988 | 1.3763 | 2 |
6 | 0.0681 | 3.2489 | 0.9900 | 1.8428 | 1.0383 | 2 |
7 | 0.0810 | 2.3275 | 1.4167 | 1.5551 | 1.3703 | 2 |
8 | 0.0744 | 4.5353 | 2.7194 | 4.3372 | 2.2967 | 2 |
9 | 0.0729 | 0.4711 | 0.4231 | 0.5368 | 1.9146 | 3 |
10 | 0.0621 | 3.5018 | 1.5911 | 0.4294 | 1.2327 | 3 |
11 | 0.0574 | 3.7435 | 1.0643 | 0.4481 | 1.6549 | 3 |
12 | 0.0780 | 5.5654 | 1.0058 | 3.0945 | 1.5028 | 3 |
对初始决策信息表进行动态层次聚类离散化处理,得到离散后的决策信息表(如表2所示);
表2离散化决策信息表
IMF1 | IMF2 | IMF3 | IMF4 | IMF5 | D | |
1 | 0 | 1 | 2 | 1 | 1 | 1 |
2 | 1 | 1 | 2 | 0 | 1 | 1 |
3 | 0 | 1 | 1 | 1 | 1 | 1 |
4 | 0 | 2 | 2 | 1 | 0 | 1 |
5 | 0 | 1 | 2 | 1 | 1 | 2 |
6 | 0 | 1 | 0 | 1 | 0 | 2 |
7 | 1 | 1 | 2 | 1 | 1 | 2 |
8 | 0 | 2 | 2 | 2 | 2 | 2 |
9 | 0 | 0 | 0 | 0 | 2 | 3 |
10 | 0 | 1 | 2 | 0 | 1 | 3 |
11 | 0 | 1 | 1 | 0 | 1 | 3 |
12 | 1 | 3 | 1 | 2 | 1 | 3 |
再对离散化后的决策信息表进行条件属性的协调度计算,得到不同故障的最小属性约简集,删除不必要的属性,实现有效获取数据间的确定性关系,建立以电流信号为基础的刀具加工状态知识库,为构建刀具系统状态监测和智能保障系统提供基础。
通过计算各个条件属性中简单属性α的协调度CON(α),去掉最大协调度对应的条件属性,最后将剩下的条件属性与决策属性D构成诊断知识规则库。采用动态协调度方法对表2进行属性约简后形成的知识规则如下所示:
1、IF(IMF1=0)AND(IMF3=2)AND(IMF4=1)THEN D=1;
2、IF(IMF2=1)AND(IMF3=2)AND(IMF5=1)THEN D=2;
3、IF(IMF1=1)AND(IMF2=3)AND(IMF4=2)THEN D=3。
由以上规则可说明,在进行刀具磨损状态类型判断时,可通过属性IMF1、IMF3和IMF4进行初期磨损状态的监测和诊断;利用属性IMF2、IMF3和IMF5的关系判断是否正常磨损状态;严重磨损状态的预警信息可通过属性IMF1、IMF2和IMF4的状态值进行判断。将此知识规则库进行试验验证,刀具磨损故障诊断准确率可以达到86.4%。这样,对于在刀具故障预报时可以重点针对这些属性进行监测和判断,有效提高预测诊断速度。
上述各实施例仅用于说明本发明,各个步骤都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别步骤进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (4)
1.一种面向机电装备的远程动态自适应规则获取方法,其步骤如下:
(1)利用传感器群对面向机电装备典型功能部件在不同工况下进行监测,采集到各个功能部件的状态信号;
(2)将采集到的各个状态信号通过远程网络在线上传至远程数据系统中,利用远程数据系统中的数据转换模块,将采集到的各状态信号数据格式转换成统一的数据格式存储;
(3)将各状态信号数据传输至远程网络平台的故障诊断模块,采用变尺度经验模态分解方法得到表征各个状态信号特征的本征模态函数,再对各个本征模态函数分别做Hilbert变换获得相应的瞬时频率;
(4)将得到的各个状态信号的瞬时频率作为条件属性构建远程故障诊断知识库系统,采用粗糙集方法对远程故障诊断知识库系统进行属性约简和规则获取,并将所有获取的规则构成规则库,并通过远程网络传输至机床故障诊断与预测服务平台;
(5)机床故障诊断与预测服务平台采用动态协调度方法对获取的规则库进行动态自适应优化更新,以置信度作为规则的评价。
2.如权利要求1所述的一种面向机电装备的远程动态自适应规则获取方法,其特征在于:所述步骤(3)中,所述变尺度经验模态分解方法中的特征尺度参数为信号相邻的两个极值点的时间跨度ts,则所述变尺度经验模态分解方法如下:
①假定x(t)为采集到的状态信号中的电流信号,记电流信号x(t)的极大值点和极小值点分别为hi(t)和li(t),i=0,1,2,…,n;i为迭代次数;
②对电流信号x(t)进行迭代,再进行筛选得到信号r(t);
③令ri(t)为电流信号x(t)的第i次迭代筛选后的信号,初始化r0(t)=x(t);
④根据本征模态函数条件,判断信号ri(t)是否为本征模态函数:如果ri(t)符合本征模态函数条件,则为一分段本征模态函数,进入步骤⑦;否则,从ri(t)的起始点出发,依次获取ri(t)的极大值点hi'(t),并判断相邻两个极大值点间的时间跨度ts是否满足ts≤2it,t为极大值点对应的时间,若满足则记下该极大值点;否则放弃该点;依次进行,获得多段满足ts≤2it的分段信号极大值点hi'(t);同理获得多段满足ts≤2it的分段信号极小值点l′i(t),进入步骤⑤;
⑤分别对ri(t)的极大值点hi'(t)和极小值点l′i(t)进行三次样条插值拟合,求上、下包络线,并计算包络线的均值曲线mi-1(t):
⑥由均值曲线mi-1(t)进行筛选计算,即ri(t)=r0(t)-mi-1(t),i=i+1,返回步骤④,重新进行判断是否为本征模态函数;
⑦输出本征模态函数IMF(j)=ri(t),其中j表示本征模态函数的序号。
3.如权利要求1或2所述的一种面向机电装备的远程动态自适应规则获取方法,其特征在于:所述步骤(5)中,采用所述动态协调度方法对获取的规则库进行动态自适应优化更新的步骤如下:
①由状态信号经过步骤(3)得到的瞬时频率作为条件属性,建立初始决策信息表IS=(U,A,V,f);其中U={x1,x2,…,xn}为对象的非空有限集合,A为包括条件属性和决策属性的全集,V表示信息值域;f={fα|fα:U→Vα}表示决策表的信息函数,fα为属性α的信息函数,α为条件属性中的一个简单属性;
②将初始决策信息表IS中的信息进行动态层次聚类离散化处理,得到离散化后的决策信息表IS';
③判断决策信息表IS'的相容性,删除不一致或者重复的数据信息;
④求决策信息表IS'中条件属性相对于决策属性的核R:对任意α∈A,若α满足IND(A-{α})≠IND(A),则称α为A中的必要条件属性,所有A中必要的属性组成的集合记为核R,即R=∩RED(A);
⑤如果核R满足关系式:IND(R)=IND(A),则输出最小的约简集合,此约简集合就是所要的最终诊断规则表;
⑥如果IND(R)≠IND(A),则要计算条件属性中每个α的协调度CON(α),然后去掉最大协调度中的条件属性,使得核R=R∪{α},再返回步骤⑤重复计算,直到得到最小约简集合为止;最后将剩下的条件属性与决策属性D构成故障诊断知识规则库。
4.如权利要求3所述的一种面向机电装备的远程动态自适应规则获取方法,其特征在于:所述步骤⑥中,所述条件属性中的简单属性α的协调度CON(α)为:
其中D为决策属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102388510A CN102736561A (zh) | 2012-07-10 | 2012-07-10 | 一种面向机电装备的远程动态自适应规则获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102388510A CN102736561A (zh) | 2012-07-10 | 2012-07-10 | 一种面向机电装备的远程动态自适应规则获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102736561A true CN102736561A (zh) | 2012-10-17 |
Family
ID=46992227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012102388510A Pending CN102736561A (zh) | 2012-07-10 | 2012-07-10 | 一种面向机电装备的远程动态自适应规则获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102736561A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824983A (zh) * | 2016-01-15 | 2016-08-03 | 中国矿业大学 | 一种基于emd和粗集理论的故障选线方法 |
CN106055734A (zh) * | 2016-05-13 | 2016-10-26 | 浙江理工大学 | 一种风电齿轮箱故障诊断方法 |
CN107634979A (zh) * | 2016-07-19 | 2018-01-26 | 北京发那科机电有限公司 | 一种计算机数字控制机床数据的传输方法及装置 |
CN108334033A (zh) * | 2018-02-28 | 2018-07-27 | 中国科学院重庆绿色智能技术研究院 | 基于物联网与机器学习的冲床组故障预测方法及其系统 |
CN108572630A (zh) * | 2017-03-14 | 2018-09-25 | 发那科株式会社 | 生产管理装置以及生产系统 |
US10248104B2 (en) | 2016-08-17 | 2019-04-02 | Industrial Technology Research Institute | Optimizing machine operations using acoustics properties |
CN114002948A (zh) * | 2021-10-12 | 2022-02-01 | 同济大学 | 一种第三方数控机床接入服务平台的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1869972A (zh) * | 2006-06-15 | 2006-11-29 | 沈阳建筑大学 | 改进希-黄变换的结构响应分析方法 |
CN101770219A (zh) * | 2010-01-29 | 2010-07-07 | 北京信息科技大学 | 一种车铣复合机床故障诊断知识库的知识获取方法 |
CN101799320A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种旋转设备故障预测方法及其装置 |
TW201204960A (en) * | 2010-07-30 | 2012-02-01 | Univ Nat Changhua Education | Diagnosis method of ball screw preload loss via Hilbert-Huang Transform and apparatus therefor |
-
2012
- 2012-07-10 CN CN2012102388510A patent/CN102736561A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1869972A (zh) * | 2006-06-15 | 2006-11-29 | 沈阳建筑大学 | 改进希-黄变换的结构响应分析方法 |
CN101799320A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种旋转设备故障预测方法及其装置 |
CN101770219A (zh) * | 2010-01-29 | 2010-07-07 | 北京信息科技大学 | 一种车铣复合机床故障诊断知识库的知识获取方法 |
TW201204960A (en) * | 2010-07-30 | 2012-02-01 | Univ Nat Changhua Education | Diagnosis method of ball screw preload loss via Hilbert-Huang Transform and apparatus therefor |
Non-Patent Citations (4)
Title |
---|
《设备监测与诊断技术及其应用--第十二届全国设备监测与诊断学术会议论文集》 20051130 宋宝华等 基于Web和CAN总线的几点设备远程监测系统的实现 第612-617页 1-4 , * |
付瑶等: "EMD方法与粗糙集结合在机械故障诊断中的应用方法研究", 《第八届全国设备与维修工程学术会议、第十三届全国设备监测与诊断学术会议论文集》 * |
宋宝华等: "基于Web和CAN总线的几点设备远程监测系统的实现", 《设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集》 * |
王晗等: "高档数控机床故障样本获取方法与建库技术研究", 《机械工业标准化与质量》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824983A (zh) * | 2016-01-15 | 2016-08-03 | 中国矿业大学 | 一种基于emd和粗集理论的故障选线方法 |
CN106055734A (zh) * | 2016-05-13 | 2016-10-26 | 浙江理工大学 | 一种风电齿轮箱故障诊断方法 |
CN107634979A (zh) * | 2016-07-19 | 2018-01-26 | 北京发那科机电有限公司 | 一种计算机数字控制机床数据的传输方法及装置 |
US10248104B2 (en) | 2016-08-17 | 2019-04-02 | Industrial Technology Research Institute | Optimizing machine operations using acoustics properties |
CN108572630A (zh) * | 2017-03-14 | 2018-09-25 | 发那科株式会社 | 生产管理装置以及生产系统 |
US10606250B2 (en) | 2017-03-14 | 2020-03-31 | Fanuc Corporation | Production management device and production system |
CN108572630B (zh) * | 2017-03-14 | 2021-04-13 | 发那科株式会社 | 生产管理装置以及生产系统 |
CN108334033A (zh) * | 2018-02-28 | 2018-07-27 | 中国科学院重庆绿色智能技术研究院 | 基于物联网与机器学习的冲床组故障预测方法及其系统 |
CN114002948A (zh) * | 2021-10-12 | 2022-02-01 | 同济大学 | 一种第三方数控机床接入服务平台的方法及装置 |
CN114002948B (zh) * | 2021-10-12 | 2023-09-26 | 同济大学 | 一种第三方数控机床接入服务平台的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102736561A (zh) | 一种面向机电装备的远程动态自适应规则获取方法 | |
CN102819239B (zh) | 一种数控机床智能故障诊断方法 | |
CN101770219B (zh) | 一种车铣复合机床故障诊断知识库的知识获取方法 | |
CN102098175B (zh) | 一种移动互联网告警关联规则获取方法 | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
Gülbay et al. | α‐Cut fuzzy control charts for linguistic data | |
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
CN109785180A (zh) | 一种面向数字孪生车间的场景感知系统及方法 | |
CN102937798B (zh) | 一种人机结合的数控机床故障信息采集方法 | |
CN111351665B (zh) | 基于emd和残差神经网络的滚动轴承故障诊断方法 | |
CN113935562A (zh) | 一种电力设备健康状况智能评级与自动预警方法 | |
CN104239603B (zh) | 一种基于正序逆序结合的三维工序模型生成方法 | |
CN103149840B (zh) | 一种基于动态规划的语义服务组合方法 | |
CN107707601A (zh) | 一种实时监控连接设备的方法及装置 | |
CN111765075B (zh) | 一种锻造液压机泵源故障预测方法及系统 | |
CN111168195B (zh) | 基于IPv6的电焊机集群监控控制方法 | |
CN113536503A (zh) | 一种工厂异构设备接入平台及方法 | |
CN111968356A (zh) | 一种智能化建筑能耗监测系统及方法 | |
CN108710724A (zh) | 一种计算叶盘振动可靠性的模糊双重响应面法 | |
CN117596119A (zh) | 一种基于snmp协议的设备数据采集与监控方法及系统 | |
CN107454089A (zh) | 一种基于多节点关联性的网络安全态势诊断方法 | |
Xie et al. | Fault diagnosis of multistage manufacturing systems based on rough set approach | |
Young | An instrumental variable approach to ARMA model identification and estimation | |
Li et al. | Research on digital twin and collaborative cloud and edge computing applied in operations and maintenance in wind turbines of wind power farm | |
CN106599267B (zh) | 一种删除数据的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20121017 |