CN104808585A - 一种机床健康状态快速检查方法 - Google Patents

Abstract

本发明公开了一种机床健康状态快速检查方法。该方法利用华中HNC-8型数控系统，预先在机床中需检查的各部位置入传感器，然后在示波器采样界面，配置采样通道信息；在数控系统诊断界子界面，配置健康检查参数；然后选择加工程序，按下循环启动开始后进行在线采样，系统利用信号分析方法获取采样信息的特征值；最后与标准数据进行综合对比，对机床健康评估，并图形化显示。本发明使用的外部传感器信号，通过数控系统接口直接传递到数控系统内部，实现了在线采集和分析，改变了传统外部测量、离线建模分析的式，提高了数控机床健康检查的效率、实用性和使用范围。

Description

一种机床健康状态快速检查方法

技术领域

本发明公开了一种机床健康状态快速检查方法，涉及数控加工诊断领域。

背景技术

数控加工，即在数控机床上进行零件加工的一种工艺方法，其本身就是一种工艺方法。该方法较传统机加工带来的好处就是，利用数字信息化的技术解决零件复杂多变、小批量、小型化、高精度等问题，从而实现加工领域的自动化、智能化。

另一方面，数控机床集机械、电气、液压和气动等模块于一体，具有知识融合和技术密集的显著特点。如果在使用过程中发生故障，诊断的难度较大，特别是侧重于机械零部件的检测和诊断更为困难，不易收集到相关的有效信息，并作到及时反馈，通常情况下误诊率也很高，因而对机床的健康状态进行快速检查，对数控机床故障进行提前警告的需求愈来愈强烈。

目前，数控设备使用企业对设备的维护主要采用三种手段：故障后诊断，定期更换易损坏部件和定期检查。故障后诊断可能对加工的零件和机床本身造成严重损坏，造成生产线的停产，甚至可能导致事故的发生；定期更换易损件一般会在未达到零部件平均使用寿命之前更换，不仅造成了零件的浪费，还需要更多的维护时间；而定期检查，不容易控制检查周期，故障可能在周期间隙内发生。

目前通行的健康检查的方法是通过多种外接传感器连接到采集卡，通过采集卡获取数控设备的运行状态信息，将数据保存到电脑上进行分析建模，把建模完成后采集的数控设备状态信息、后期采集的数据输入已知模型中进行健康状态的检测(邓晓云,振动诊断技术在数控机床状态监测与故障诊断中应用的研究,2009,大连交通大学.第71页)。常用的方法是利用时频域分析获取特征值，利用数学模型方法和人工智能方法(如神经网络、模糊算法等)进行建模(徐建安,数控线切割智能状态监测系统研究,2002,哈尔滨工程大学.第76页；王宇,数控加工过程监测与故障诊断技术的研究,2003,哈尔滨理工大学.第63页)。这些方法建立的模型都比较复杂、计算量大，需要大量的数据训练模型，而且这些方法采用外挂式的数据采集和分析方法，不能获取伺服电机电流、跟随误差等数控系统内部的信息，而这些信息在一定程度上反映了数控装备的健康状态。上述缺点决定了现行方法只能进行定期在线检测，无法同步采集多种信号，采集数据不一致，无法获取数控系统内部的信号(如伺服电机电流、跟随误差等)，无法长期在车间使用，难于集成于数控装备进行产业化生产。只能作为科研的手段，而不能真正的集成于数控装备之中，在工业生产中进行大规模的实际应用。

2010年问世的HNC-8型数控系统，是武汉华中数控股份有限公司推出的新一代总线式数控系统，主要由HMI(人机界面)、HPC-100(核心控制单元)、电源模块、主轴模块、伺服驱动模块以及I/O模块(含HIO-1075、HIO-1073板卡单元)。该产品采用开放式、全数字、总线式数控体系结构，运用linux操作平台、工业以太网NCUC总线、全数字伺服，具有纳米插补功能，支持深度二次开发，形成各类专用数控系统和添加各种先进控制功能，为机床在线监测和快速检查创造了良好条件。

发明内容

本发明提供一种基于HNC-8型数控系统的机床健康状态快速检查方法，旨在解决数控装备健康状态信息数据采集和数控系统分离、在线采集-离线分析的缺陷。本发明将数据采集和分析、评价环节集成到数控系统之中，可实现健康状态在线检查，提高机床健康状态检查的可靠性、安全性和检测速度。

本发明所提出的一种机床健康状态快速检查方法，其特征在于包含以下步骤:

步骤一：将传感器置入机床需要检查的目标部位，并通过数控系统I/O模块单元连接到数控系统；

步骤二：通过数控系统示波器采样界面，根据检查对象，设置数据采集通道以确定需要采集的目标部位状态信息，并从数控系统内部预置的标准样本数据库中，选择相应的对比样本数据；

步骤三：载入G代码程序，启动机床，目标部位状态信息通过采集通道传递到数控系统内部HPC-100模块；

步骤四：以指令域为基准，计算采集的目标部位状态信息在G代码周期内的平均值，作为特征值；

步骤五：将步骤四中的特征值和步骤二所选择的对比样本数据对比，计算出此次机床运行的健康值HV：

$\mathrm{HV}=1-\frac{{\mathrm{\Σ}}_{j=1}^N{F}_j{E}_j}{{\mathrm{\Σ}}_{j=1}^N{E}_j},E_j=\sqrt{\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\left(\frac{X_i-{\stackrel{\‾}{X}}_j}{{\stackrel{\‾}{X}}_j}\right)}^2}$

其中E_j是各目标部位样本与对比样本数据数据的偏差统计值，F_j是影响因子，K是所采集的信息源数量；X_i是第j个目标部位的特征值，是第j个目标部位的对比样本值，N一个G代码程序的代码行数；计算出的HV值越大，说明各目标部位的状态信息与标准样本数据库的数据相差越小，机床的健康状态越好。

步骤一中，传感器的布局没有特殊要求，传感器类型可以但不限于是振动传感器、温度传感器等，主要根据应用的对象选取即可；所述的目标部位，包括但不限于机床主轴、各进给轴、工作台等；所述的数控系统示波器，是HNC-8型自带的软件功能模块，集成于数控系统之中。

步骤二中，标准样本数据库是在机床健康状态优良时采集的样本值。选择对比标准样本数据功能是通过HNC-8型数控系统二次开发实现的。样本数据库是在数控机床出厂后，各项指标检测合格，无故障运行800小时以后，加工零件所采集的对应的G代码所采集的各部位状态信息，包括但不限于振动、电流、跟随误差信息等。

步骤四中，指令域是指以每一条加工G代码为基本单位的域，是和时间域相对应的概念。

步骤五中，影响因子取值范围为0-1,影响因子根据各个目标部位的重要程度和具体情况进行分配，越重要的部位，影响因子越高。

进一步，可将各次检查数据存储，形成机床健康状态档案，可将历次健康检查结果和当前健康检查的结果用曲线或图形显示出，从而清晰直观地了解机床健康的退化状况。

本发明通过华中8型数控系统自带的数据采样通道，实现对外部传感器信号(温度、振动等)和数控系统内部信号(包括但不限于各伺服电机电流、各轴指令位置、各轴实际位置、各轴跟随误差、各轴指令速度、各轴实际速度、数控系统状态和配置参数、工件加工G代码行号)的同周期(数控系统的采集在数控系统的插补周期内进行，周期为1ms,实现外部信息和内部信息的同步采集)在线采集和分析。外部信号无需中间转换装置，通过数控系统的I/O接口，直接传送到数控系统内部，实现了外部信号与HNC-8型数控系统无缝集成和同步采集。利用信号处理的方法，在加工作业时在线分析，在数控系统内部建立健康检查模型，实现对数控机床健康状态的在线检测。

本发明提供了友好的人机交互界面，实时显示各目标位置的状态信息，并将本次检测结果和历史检测结果以图形的形式显示出来，表现机床性能退化的趋势，并对近期可能发生的故障进行警告。

本发明能对数控机床的健康进行在线快速检查，无需昂贵的数据采集卡、电脑等外部设备，简化了采集数据的过程，最大限度的缩短离线分析、处理、建模的时间，极大地提高了采集数据的可靠性和健康检查的效率。通过在线检查，对数控装备出现健康恶化时，可以及时停机检查，提高数控装备运行的可靠性和安全性。

附图说明

图1为本发明方法的基本原理图。

图2为本发明方法的总体实施步骤流程图。

具体实施方式

为了使本发明的目的、实施步骤及本发明的优势更加清晰，下面结合附图和具体实例对本发明做进一步说明。

本实施例以数控机床轴电流(主轴、X轴、Y轴)、轴跟随误差(X轴、Y轴)、主轴和工作台振动为监控对象。

步骤1:根据检查对象，在主轴的轴承座的正交两个方向和工作台的垂直方向置入振动传感器，在各轴靠近电机端的轴承座以及螺母座分别置入温度传感器，在主轴的两端轴承座分别置入温度传感器，并将所有的温度传感器连接到数控系统I/O模块的HIO-1075板卡单元，将所有振动传感器接到HIO-1073板卡单元。

步骤2:通过数控系统示波器采样界面，根据检查对象，设置数据采集通道以确定需要采集的目标部位状态信息，并从数控系统内部预置的标准样本数据库中，选择相应的对比标准样本数据。

步骤3:在数控系统【程序】菜单界面，选择要加工零件的G代码程序(该G代码程序由需要加工的零件决定)，按【确认】按钮载入。启动机床，目标部位状态信息和数控系统的内部信息通过采集通道传递到数控系统内部HPC-100模块。

步骤4:以指令域为基准，计算采集的目标部位信息样本在G代码周期内的平均值，作为特征值，提取方法如下：

$C_i=\frac{1}{n}{\mathrm{\Σ}}_{j=1}^n{C}_j,F_i=\frac{1}{n}{\mathrm{\Σ}}_{j=1}^n{F}_j,E_i=\frac{1}{n}{\mathrm{\Σ}}_{j=1}^n{E}_j,$

其中C_i、F_i、E_i为第i行G代码对应的电流、跟随误差、振动的平均值；C_j、F_j、E_j为为每个采样周期的电流、跟随误差、振动的数值；n代表对应一行G代码采集的数据的个数。

步骤5:将步骤四中的特征值和步骤二所选择的标准样本文件综合对比，计算出此次机床运行的健康值HV，计算方法是：

$\mathrm{HV}=1-\frac{f_{\mathrm{xc}}*X_C+f_{\mathrm{yc}}*Y_C+f_{\mathrm{sc}}*S_C+f_{\mathrm{xf}}*X_F+f_{\mathrm{yc}}*Y_F+f_{\mathrm{se}}*S_E+f_{\mathrm{te}}*T_E}{X_C+Y_C+S_C+X_F+Y_F+S_E+T_E}$

其中：

$X_C=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{{\mathrm{XC}}_i-{\widehat{\mathrm{XC}}}_i}{{\widehat{\mathrm{XC}}}_i}\right)}^2},Y_C=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{{\mathrm{YC}}_i-{\widehat{\mathrm{YC}}}_i}{{\widehat{\mathrm{YC}}}_i}\right)}^2},S_C=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{{\mathrm{SC}}_i-{\widehat{\mathrm{SC}}}_i}{{\widehat{\mathrm{SC}}}_i}\right)}^2}$

$X_F=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{{\mathrm{XF}}_i-{\widehat{\mathrm{XF}}}_i}{{\widehat{\mathrm{XF}}}_i}\right)}^2},Y_F=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{{\mathrm{YF}}_i-{\widehat{\mathrm{YF}}}_i}{{\widehat{\mathrm{YF}}}_i}\right)}^2},S_E=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{{\mathrm{SE}}_i-{\widehat{\mathrm{SE}}}_i}{{\widehat{\mathrm{SE}}}_i}\right)}^2}$

$T_E=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{{\mathrm{TE}}_i-{\widehat{\mathrm{TE}}}_i}{{\widehat{\mathrm{TE}}}_i}\right)}^2}$

上式中N代表一个G代码程序的代码行数。

机床的跟随误差直接影响了加工的精度，是最需要保障的指标，因此权重较大；振动影响工件加工的表面质量，并导致减少刀具和机床的使用寿命，权重次之；主轴电流和切削力有密切联系，相同加工条件下表征了刀具的磨损和破损状况，权重较小；而进给轴电流对比变化，可以反应丝杠发生了弯曲变形、润滑不足等问题，对加工质量影响较小，权重最低。考虑到各因素对数控机床健康的影响程度不同，根据实际加工经验，给出如下两组影响因子经验值：

第一组：

f_se：主轴振动影响因子0.2，f_te：工作台振动影响因子0.2

f_xc：X轴电流影响因子0.05，f_yc：Y轴电流影响因子0.05

f_sc：主轴电流影响因子0.1，f_xf：X轴跟随误差影响因子0.4

f_yf：Y轴跟随误差影响因子0.4

第二组

f_se：主轴振动影响因子0.3，f_te：工作台振动影响因子0.3

f_xc：X轴电流影响因子0.1，f_yc：Y轴电流影响因子0.1

f_sc：主轴电流影响因子0.2，f_xf：X轴跟随误差影响因子0.5

f_yf：Y轴跟随误差影响因子0.5

实际操作中，根据机床的特性和监测的部位不同，可以适当修改影响因子的大小，使连续两次检测的健康值基本相当。为提高评估的准确性，建议振动、电流、跟随误差的数据项都参与健康值的计算中来。

根据计算出的HV值，按下表标准评估数控机床状态。

HV值	数控机床装态
		1-0.9	优 状态非常好，无需维护
0.9-0.8	良 状态较好，无需维护
		0.8-0.7	中 机床出现故障几率升高，建议查找原因
0.7以下	差 已经出现故障，不适合工作，需要停机维护

以上HV值表是本实施例拟制的，计算出的HV值越大，说明各目标部位的状态信息与标准样本数据库的数据相差越小，机床的健康状态越好。HV评估标准在实践中可根据经验和机床实际运行情况作适当调整。

XC_i、YC_i、SC_i为步骤4获取的一条指令内的X、Y、主轴的电流值的均值

为选定的样本文件中对应的同一条指令内的X、Y、主轴的电流值的均值；

XF_i、YF_i为步骤4获取的一条指令内的X轴、Y轴跟随误差的均值；

为选定的样本文件中对应的同一条指令内X轴、Y轴跟随误差的均值；

SE_i、TE_i为步骤4获取到的一条指令内的主轴、工作台的振动的均值；

为选定的样本文件中对应的同一条指令内的主轴、工作台的振动的均值。

根据此曲线可以清晰的了解机床健康的退化状况。将本次健康检查的结果将此结果保存，作为历史数据。将保存的历次历史健康检查结果用健康曲线显示出来，可以看出机床的健康状态变化。

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实施例和附图公开的内容，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)

1.一种机床健康状态快速检查方法，其特征在于包含以下步骤:

步骤一：将传感器置入机床需要检查的目标部位，并通过数控系统I/O模块单元连接到数控系统；

步骤二：通过数控系统示波器采样界面，根据检查对象，设置数据采集通道以确定需要采集的目标部位状态信息，并从数控系统内部预置的标准样本数据库中，选择相应的对比样本数据；

步骤三：载入G代码程序，启动机床，目标部位状态信息通过采集通道传递到数控系统内部HPC-100模块；

步骤四：以指令域为基准，计算采集的目标部位状态信息在G代码周期内的平均值，作为特征值；

步骤五：将步骤四中的特征值和步骤二所选择的对比样本数据对比，计算出此次机床运行的健康值HV：

$\mathrm{HV}=1-\frac{{\mathrm{\Σ}}_{j=1}^N{F}_j{E}_j}{{\mathrm{\Σ}}_{j=1}^N{E}_j},$ $E_j=\sqrt{\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\left(\frac{X_i-{\stackrel{\‾}{X}}_j}{{\stackrel{\‾}{X}}_j}\right)}^2}$

其中E_j是各目标部位样本与对比样本数据的偏差统计值，F_j是影响因子，K是所采集的信息源数量；X_i是第j个目标部位的特征值，是第j个目标部位的对比样本值，N是一个G代码程序的代码行数；计算出的HV值越大，说明各目标部位的状态信息与标准样本数据库的数据相差越小，机床的健康状态越好。

2.权利要求1所述的机床健康状态快速检查方法，其特征在于所述的检查部位包括数控机床轴电流、轴跟随误差、主轴和工作台振动。