CN105081879B - 一种数控机床主轴的故障诊断与预测的方法 - Google Patents
一种数控机床主轴的故障诊断与预测的方法 Download PDFInfo
- Publication number
- CN105081879B CN105081879B CN201510533166.4A CN201510533166A CN105081879B CN 105081879 B CN105081879 B CN 105081879B CN 201510533166 A CN201510533166 A CN 201510533166A CN 105081879 B CN105081879 B CN 105081879B
- Authority
- CN
- China
- Prior art keywords
- machine tool
- main shaft
- numerical control
- control machine
- signal
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims abstract description 49
- 238000006073 displacement reaction Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 16
- 230000001105 regulatory effect Effects 0.000 claims description 16
- 108091000080 Phosphotransferase Proteins 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 102000020233 phosphotransferase Human genes 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000007935 neutral effect Effects 0.000 claims description 5
- 102000001253 Protein Kinase Human genes 0.000 claims description 4
- 108060006633 protein kinase Proteins 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000010009 beating Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 210000005036 nerve Anatomy 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010338 mechanical breakdown Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种数控机床主轴的故障诊断与预测的方法，属于数控机床领域，包括以下步骤：建立数据库、信号采集与分析、故障诊断和故障预测。本发明采用神经网络、专家系统和支持向量机等先进的人工智能技术进行故障诊断与预测，通过混合推理模型迅速分析从高精度激光位移传感器、红外温度传感器和加速度传感器传送来的测量数据，在数控机床主轴运行过程中，根据各台机床建立的数控机床主轴模型，从而有效推断出故障源，进行数控机床主轴故障诊断与预测，极大的提升了数控机床主轴故障诊断的准确性及诊断效率，对数控机床主轴状态趋势进行相关预测，有效的降低了数控机床主轴的维护成本。
Description
技术领域
本发明属于数控机床领域，具体涉及一种数控机床主轴的故障诊断与预测的方法，可广泛应用于数控机床主轴故障诊断与预测。
背景技术
数控机床机械方面的故障，以主轴部分故障最为常见，且最难判断。数控系统虽然有自身的诊断系统，但主要局限于电气故障，机械故障方面就稍显不足。在日常维修中，当遇到数控机床主轴方面有问题，传统方法只能凭经验进行逐一排除，往往得检查每一个传动环节，要对数控机床主轴内部结构大量拆卸来检测和分析。通常一副轴承拆下来之后是不能重新装回去再用的，得重新买一副新的轴承用特定的工艺安装上去，这从时间和备件上来说，都是一种极大的浪费，但又没有其它的检测手段和工具，所以这种浪费又不可避免。而且，这样做劳动强度大，维修周期长，严重影响数控机床主轴维修进度，增加了维修成本。
数控机床主轴作为重要部件，其特点是高速负载转动，回转精度要求很高。从机械振动角度分析，主轴是整个机床的主要振动源。此外，主轴箱、齿轮箱、弹性连接件等部件也是机床的部分振动源，并对整个机床的运动有调节作用。所以，对数控机床主轴的工作状态，尤其是对主轴动态的径向跳动及振动进行监测和分析，判断主轴在工作转速下其动态跳动是否超差显得尤为重要；当主轴系统发生故障时，需判断故障来自主轴及其轴承还是来自主轴齿轮箱，从而有效地进行数控机床主轴故障诊断与预测、准确找到故障点及原因、缩短机床停机时间、节约维修成本。目前国内的机床厂家、大专院校及相关科研机构等对数控机床主轴故障诊断进行了相关的研究，取得了一定的成果，如基于噪声小波包络谱的数控机床主轴故障诊断方法、基于灰色关联度分析的数控机床主轴系统故障诊断方法等。
公开号为CN 102825504A，公开日为 2012年12月19日的中国专利文献公开了一种数控机床主轴状态检测方法，包括上位机和传感器系统；所述传感器系统的输出端连接所述上位机的输入端；其特征在于包括以下步骤：步骤一、所述上位机采集所述传感器系统发出的信号；步骤二、分析根据步骤一采集到的信号，确定故障特征参数；步骤三、将步骤二得到的故障特征参数通过专家系统进行处理，得出第一故障诊断结果；将步骤二得到的故障特征参数通过人工神经网络系统进行处理，得出第二故障诊断结果；将步骤二得到的故障特征参数通过支持向量机进行处理，得出第三故障诊断结果；步骤四、将所述第一故障诊断结果、第二故障诊断结果和第三故障诊断结果通过遗传算法进行融合。
该专利文献公开的数控机床主轴状态检测方法，需将得到的故障特征参数分别通过专家系统、人工神经网络系统和支持向量机进行处理，得出三个故障诊断结果，再将三个故障诊断结果通过遗传算法进行融合，检测相当复杂，诊断结果容易出现误差，故障诊断准确性较低，且无法实现机床主轴故障的预测，增大了机床主轴的维护成本。
发明内容
本发明的目的在于克服现有技术存在的上述问题，提出一种数控机床主轴的故障诊断与预测的方法。本发明可以提升数控机床主轴故障诊断的准确性及诊断效率，能对数控机床主轴状态趋势进行相关预测，有效降低数控机床主轴的维护成本。
本发明采用以下技术方案来实现：
一种数控机床主轴的故障诊断与预测的方法，其特征在于，包括以下步骤：
A、建立数据库：把被测对象信息、测点信息、巡检路线信息、采样参数信息和报警号信息输入信号处理中心，在信号处理中心建立数据库；
B、信号采集与分析：采用高精度激光位移传感器进行数控机床主轴上外表面点的跳动位移监测，采用红外温度传感器进行数控机床主轴上外表面点的实时温度采集，采用第一加速度传感器和第二加速度传感器进行数控机床主轴上外表面点的振动监测，将监测信号通过数据处理中心存储到步骤A中的数据库内，通过混合推理模型对测量数据进行时域分析和频域分析，得到主轴的特征参数点集合；
C、故障诊断：通过数控机床主轴的结构形式、几何参数和设计参数建立数控机床主轴的物理模型，再结合物理模型参数与步骤B中主轴的特征参数点集合进行分析，进行主轴故障诊断；
D、故障预测：将步骤C中的主轴故障诊断结果写入步骤A中的数据库，并将结果样本进行分类，形成正负样本；根据步骤C中数控机床主轴的物理模型，建立各机床主轴的健康档案并保存到步骤A中的数据库内,混合推理模型根据正负样本和健康档案对主轴运行趋势进行判断，实现故障预测。
所述步骤B中，主轴的特征参数点集合包括时域参数和频域参数。
所述混合推理模型包括神经网络、专家系统和支持向量机。
一种数控机床主轴的故障诊断与预测的系统，包括高精度激光位移传感器、红外温度传感器、第一加速度传感器、第二加速度传感器、信号调理模块和信号处理中心，所述第一加速度传感器和第二加速度传感器均安装在数控机床主轴上，所述信号调理模块分别与高精度激光位移传感器、红外温度传感器、第一加速度传感器、第二加速度传感器和信号处理中心连接；
高精度激光位移传感器，用于采集数控机床主轴径向跳动的信号；
红外温度传感器，用于采集数控机床主轴的实时温度信号；
第一加速度传感器，用于采集数控机床主轴的振动信号；
第二加速度传感器，用于采集数控机床主轴的振动信号；
信号调理模块，用于接收从高精度激光位移传感器、红外温度传感器、第一加速度传感器和第二加速度传感器传送来的测量数据，并将这些数据进行相应的A/D转换，处理成需要的数字信号；
信号处理中心，用于接收和处理从信号调理模块生成的数字信号。
本发明与现有技术相比，其优点在于：
一、本发明，高精度激光位移传感器，用于采集数控机床主轴径向跳动的信号；红外温度传感器，用于采集数控机床主轴的实时温度信号；第一加速度传感器，用于采集数控机床主轴的振动信号；第二加速度传感器，用于采集数控机床主轴的振动信号；信号调理模块，用于接收从高精度激光位移传感器、红外温度传感器、第一加速度传感器和第二加速度传感器传送来的测量数据，并将这些数据进行相应的A/D转换，处理成需要的数字信号；信号处理中心，用于接收和处理从信号调理模块生成的数字信号；通过建立数控机床主轴的物理模型，结合物理模型参数与主轴的特征参数点集合进行分析，再将主轴故障诊断结果写入数据库，并将结果样本进行分类，形成正负样本；通过数控机床主轴的物理模型，建立各机床主轴的健康档案并保存到数据库内,混合推理模型根据正负样本和健康档案就能够对主轴运行趋势进行判断，极大的提升了数控机床主轴故障诊断的准确性及诊断效率，对数控机床主轴状态趋势进行相关预测，有效的降低了数控机床主轴的维护成本。
二、本发明，采用高精度激光位移传感器，高精度激光位移传感器可对于数控机床主轴径向跳动的信号采集，采集其转动周期内的主轴位移信号，通过后续数据整理计算，得到其精确的最大最小跳动；同时，利用相关标准和方法，判断其是否处于正常的跳动范围内；结合整体振动测试，分析数控机床主轴跳动引起的设备影响状况是否恶化。
三、本发明，采用神经网络、专家系统和支持向量机等先进的人工智能技术进行故障诊断与预测，通过混合推理模型迅速分析从高精度激光位移传感器、红外温度传感器和第一加速度传感器、第二加速度传感器传送来的测量数据，在数控机床主轴运行过程中，根据各台机床建立的数控机床主轴模型，从而有效推断出故障源，进行数控机床主轴故障诊断与预测。
四、本发明，采用了非接触式测量机床主轴精度、温度和采用加速度传感器检测机床主轴部件振动的方法，实现对数控机床主轴故障的快速测量、分析、诊断与预测。
五、本发明，采用了先进的激光位移传感器测量机床主轴精度，解决了机床主轴高速运转时精度检测困难的难题。
六、本发明，综合运用基于神经网络、专家系统和支持向量机三种先进的人工智能技术研制出数控机床主轴故障诊断与预测便携式系统，提高了数控机床主轴故障诊断的准确性。
附图说明
图1为本发明采用的一种数控机床主轴的故障诊断与预测的系统结构图；
图2为本发明采用的一种数控机床主轴的故障诊断与预测的系统运行图；
图3为本发明混合推理模型结构示意图；
附图标记：1、数控机床主轴，2、高精度激光位移传感器，3、红外温度传感器，4、第一加速度传感器，5、第二加速度传感器，6、信号调理模块，7、信号处理中心。
具体实施方式
参见图1-图3 ，一种数控机床主轴的故障诊断与预测的系统，包括高精度激光位移传感器2、红外温度传感器3、第一加速度传感器4、第二加速度传感器5、信号调理模块6和信号处理中心7，所述第一加速度传感器4和第二加速度传感器5均安装在数控机床主轴1上，所述信号调理模块6分别与高精度激光位移传感器2、红外温度传感器3、第一加速度传感器4、第二加速度传感器5和信号处理中心7连接；
高精度激光位移传感器2，用于采集数控机床主轴1的径向跳动的信号；
红外温度传感器3，用于采集数控机床主轴1的实时温度信号；
第一加速度传感器4，用于采集数控机床主轴1的振动信号；
第二加速度传感器5，用于采集数控机床主轴1的振动信号；
信号调理模块6，用于接收从高精度激光位移传感器2、红外温度传感器3、第一加速度传感器4和第二加速度传感器5传送来的测量数据，并将这些数据进行相应的A/D转换，处理成需要的数字信号；
信号处理中心7，用于接收和处理从信号调理模块6生成的数字信号。
一种数控机床主轴的故障诊断与预测的方法，包括以下步骤：
A、建立数据库：把被测对象信息、测点信息、巡检路线信息、采样参数信息和报警号信息输入信号处理中心7，在信号处理中心7建立数据库；
B、信号采集与分析：采用高精度激光位移传感器2进行数控机床主轴1上外表面点的跳动位移监测，采用红外温度传感器3进行数控机床主轴1上外表面点的实时温度采集，采用第一加速度传感器4和第二加速度传感器5进行数控机床主轴1上外表面点的振动监测，将监测信号通过数据处理中心存储到步骤A中的数据库内，通过混合推理模型对测量数据进行时域分析和频域分析，得到主轴的特征参数点集合；
C、故障诊断：通过数控机床主轴1的结构形式、几何参数和设计参数建立数控机床主轴1的物理模型，再结合物理模型参数与步骤B中主轴的特征参数点集合进行分析，进行主轴故障诊断；
D、故障预测：将步骤C中的主轴故障诊断结果写入步骤A中的数据库，并将结果样本进行分类，形成正负样本；根据步骤C中数控机床主轴1的物理模型，建立各机床主轴的健康档案并保存到步骤A中的数据库内,混合推理模型根据正负样本和健康档案对主轴运行趋势进行判断，实现故障预测。
所述步骤B中，主轴的特征参数点集合包括时域参数和频域参数。
所述混合推理模型包括神经网络（ANN）、专家系统（ES）和支持向量机（SVM）。
具体地，将数控机床主轴的故障诊断与预测的系统与数控机床主轴1连接；
把被测设备信息、测点信息、巡检路线信息、采样参数信息等输入信号处理中心，在信号处理中心7建立数据库；
给定主轴转速1000rpm，通过高精度激光位移传感器2、红外温度传感器3、第一加速度传感器4和第二加速度传感器5分别进行跳动位移、实时温度、振动信号的监测和存储，通过混合推理模型对测量数据进行时域分析和频域分析，得到该主轴的特征参数点集合：
转频fn＝16.67Hz；
频谱最高点频率f1=253Hz；
其后依次为：f2=547Hz,f3=600Hz,f4=614Hz,f5=587Hz,f6=534Hz。
将该设备主轴皮带及齿轮传动、两档、减速器减速比1:1和1:5、1200转换挡等信息输入到现有技术的主轴故障诊断与预测软件中，建立数控机床主轴1的物理模型，将现有技术的主轴故障诊断与预测软件结合物理模型参数与得到的该主轴的特征参数点集合进行分析，进行主轴故障诊断。
因主轴转速1000rpm，工作在1:5档位，诊断为：
由于齿轮啮合等部件，得到了f2-f6的频率段。这些啮合频率的典型特点是以某个中心频率为基础，周边产生转频的调制，也就是出现转频1倍频、2倍频以至于n倍频的边频带。
同步带为40个齿数，因此与加工轴配合而产生40倍频线。
啮合谱线集中了较高的能量，说明在加工轴的转动过程中，同步带、减速器等配合状态不算很良好。
实际检查，发现主轴皮带松动，印证了上述同步带、减速器等配合状态不良好诊断结果。
主轴故障预测为该主轴运行趋势性能变劣，需进行检查维护。
本发明，高精度激光位移传感器，用于采集数控机床主轴径向跳动的信号；红外温度传感器，用于采集数控机床主轴的实时温度信号；第一加速度传感器，用于采集数控机床主轴的振动信号；第二加速度传感器，用于采集数控机床主轴的振动信号；信号调理模块，用于接收从高精度激光位移传感器、红外温度传感器、第一加速度传感器和第二加速度传感器传送来的测量数据，并将这些数据进行相应的A/D转换，处理成需要的数字信号；信号处理中心，用于接收和处理从信号调理模块生成的数字信号；通过建立数控机床主轴的物理模型，结合物理模型参数与主轴的特征参数点集合进行分析，再将主轴故障诊断结果写入数据库，并将结果样本进行分类，形成正负样本；通过数控机床主轴的物理模型，建立各机床主轴的健康档案并保存到数据库内,混合推理模型根据正负样本和健康档案就能够对主轴运行趋势进行判断，极大的提升了数控机床主轴故障诊断的准确性及诊断效率，对数控机床主轴状态趋势进行相关预测，有效的降低了数控机床主轴的维护成本。
Claims (4)
1.一种数控机床主轴的故障诊断与预测的方法，其特征在于，包括以下步骤：
A、建立数据库：把被测对象信息、测点信息、巡检路线信息、采样参数信息和报警号信息输入信号处理中心，在信号处理中心建立数据库；
B、信号采集与分析：采用高精度激光位移传感器进行数控机床主轴上外表面点的跳动位移监测，采用红外温度传感器进行数控机床主轴上外表面点的实时温度采集，采用第一加速度传感器和第二加速度传感器进行数控机床主轴上外表面点的振动监测，将跳动位移监测信号、实时温度信号和振动监测信号通过信号处理中心存储到步骤A中的数据库内，通过混合推理模型对测量数据进行时域分析和频域分析，得到主轴的特征参数点集合；
C、故障诊断：通过数控机床主轴的结构形式、几何参数和设计参数建立数控机床主轴的物理模型，再结合物理模型参数与步骤B中主轴的特征参数点集合进行分析，进行主轴故障诊断；
D、故障预测：将步骤C中的主轴故障诊断结果写入步骤A中的数据库，并将结果样本进行分类，形成正负样本；根据步骤C中数控机床主轴的物理模型，建立各机床主轴的健康档案并保存到步骤A中的数据库内,混合推理模型根据正负样本和健康档案对主轴运行趋势进行判断，实现故障预测。
2.根据权利要求1所述的一种数控机床主轴的故障诊断与预测的方法，其特征在于：所述步骤B中，主轴的特征参数点集合包括时域参数和频域参数。
3.根据权利要求1所述的一种数控机床主轴的故障诊断与预测的方法，其特征在于：所述混合推理模型包括神经网络、专家系统和支持向量机。
4.根据权利要求1所述的一种数控机床主轴的故障诊断与预测的方法，其特征在于：采用一种数控机床主轴的故障诊断与预测的系统，包括高精度激光位移传感器、红外温度传感器、第一加速度传感器、第二加速度传感器、信号调理模块和信号处理中心，所述第一加速度传感器和第二加速度传感器均安装在数控机床主轴上，所述信号调理模块分别与高精度激光位移传感器、红外温度传感器、第一加速度传感器、第二加速度传感器和信号处理中心连接；
高精度激光位移传感器，用于采集数控机床主轴径向跳动的信号；
红外温度传感器，用于采集数控机床主轴的实时温度信号；
第一加速度传感器，用于采集数控机床主轴的振动信号；
第二加速度传感器，用于采集数控机床主轴的振动信号；
信号调理模块，用于接收从高精度激光位移传感器、红外温度传感器、第一加速度传感器和第二加速度传感器传送来的测量数据，并将这些数据进行相应的A/D转换，处理成需要的数字信号；
信号处理中心，用于接收和处理从信号调理模块生成的数字信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510533166.4A CN105081879B (zh) | 2015-08-27 | 2015-08-27 | 一种数控机床主轴的故障诊断与预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510533166.4A CN105081879B (zh) | 2015-08-27 | 2015-08-27 | 一种数控机床主轴的故障诊断与预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105081879A CN105081879A (zh) | 2015-11-25 |
| CN105081879B true CN105081879B (zh) | 2017-04-12 |
Family
ID=54563677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510533166.4A Expired - Fee Related CN105081879B (zh) | 2015-08-27 | 2015-08-27 | 一种数控机床主轴的故障诊断与预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105081879B (zh) |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6140331B1 (ja) * | 2016-04-08 | 2017-05-31 | ファナック株式会社 | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム |
| CN105965320B (zh) * | 2016-04-25 | 2018-06-29 | 西安交通大学 | 一种高速铣削电主轴颤振智能检测与主动抑制装置 |
| CN106485073A (zh) * | 2016-10-12 | 2017-03-08 | 浙江理工大学 | 一种磨床故障诊断方法 |
| CN106774157A (zh) * | 2016-11-29 | 2017-05-31 | 无锡易通精密机械股份有限公司 | 一种具有故障诊断与预警功能的数控机床 |
| JP6412093B2 (ja) * | 2016-12-26 | 2018-10-24 | ファナック株式会社 | 学習モデル構築装置およびオーバーヒート予知装置 |
| CN108296879A (zh) * | 2017-01-11 | 2018-07-20 | 永进机械工业股份有限公司 | 综合加工机的回转体预兆诊断方法 |
| CN106842922B (zh) * | 2017-01-14 | 2020-07-17 | 合肥工业大学 | 一种数控加工误差优化方法 |
| CN107037782B (zh) * | 2017-05-10 | 2019-09-17 | 北京数码大方科技股份有限公司 | 监控机床的方法和装置 |
| EP3425460A1 (de) * | 2017-07-04 | 2019-01-09 | Siemens Aktiengesellschaft | Vorrichtung und verfahren zur bestimmung des zustands einer spindel einer werkzeugmaschine |
| CN107598719A (zh) * | 2017-10-18 | 2018-01-19 | 中国水利水电第十工程局有限公司 | 具有补偿系统的五轴联动精密磨床 |
| CN107703752A (zh) * | 2017-10-22 | 2018-02-16 | 成都具鑫机械设备有限公司 | 一种基于模糊神经网络的数控机床检测方法 |
| CN108031870A (zh) * | 2017-12-04 | 2018-05-15 | 上海理工大学 | 一种数控机床主轴加载性能测试装置及测试评价方法 |
| CN108896312A (zh) * | 2018-08-08 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电主轴承故障预测和寿命评估系统及方法 |
| CN109318053A (zh) * | 2018-09-12 | 2019-02-12 | 基准精密工业（惠州）有限公司 | 用于监测数控机床主轴的终端装置、远端装置及监测方法 |
| 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 |
| CN109506921B (zh) * | 2018-12-24 | 2020-09-01 | 西安科技大学 | 一种旋转机械故障诊断与预警方法 |
| CN109623493B (zh) * | 2019-01-31 | 2020-09-29 | 大连理工大学 | 一种判定主轴实时热变形姿态的方法 |
| CN111596616A (zh) * | 2019-02-20 | 2020-08-28 | 东莞先知大数据有限公司 | 一种基于物联网的cnc主轴状态监测与分析系统 |
| CN109909803B (zh) * | 2019-04-17 | 2020-05-12 | 北京天泽智云科技有限公司 | 一种机床主轴异常检测方法 |
| CN110806723A (zh) * | 2019-10-23 | 2020-02-18 | 成都飞机工业（集团）有限责任公司 | 一种数控机床状态评估新方法 |
| CN113566947A (zh) * | 2021-06-24 | 2021-10-29 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种高压电抗器振动信号分析方法、非暂态可读记录媒体及系统 |
| CN114036242B (zh) * | 2021-09-22 | 2024-04-26 | 西安理工大学 | 一种基于qt的智能主轴振动状态监测方法及系统 |
| CN114298334A (zh) * | 2021-11-29 | 2022-04-08 | 盛景智能科技(嘉兴)有限公司 | 机床主轴预测性维护系统及方法 |
| CN115709180B (zh) * | 2022-11-08 | 2024-08-06 | 安徽机电职业技术学院 | 一种基于识别模型的车床主轴径向跳动的风险监测方法 |
| CN116184930B (zh) * | 2023-03-22 | 2023-07-21 | 中科航迈数控软件(深圳)有限公司 | 数控机床故障预测方法、装置、设备及存储介质 |
| 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 |
| CN118143740B (zh) * | 2024-05-13 | 2024-07-02 | 常州市泰德精机科技有限公司 | 一种数控机床的主轴检测方法及检测系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4321581B2 (ja) * | 2006-11-30 | 2009-08-26 | パナソニック電工株式会社 | 工作機械総合監視装置 |
| TW200925559A (en) * | 2007-12-05 | 2009-06-16 | Univ Nat Central | Adaptive real-time analyzing method for dynamic signals generated by rotating machines |
| CN201128083Y (zh) * | 2007-12-21 | 2008-10-08 | 台湾丽伟电脑机械股份有限公司 | 可感应主轴振动的机座 |
| KR101476853B1 (ko) * | 2008-12-15 | 2014-12-26 | 두산인프라코어 주식회사 | 공작 기계의 주축 진동 감지 및 주축 속도 자동 조절 시스템 및 그 방법 |
| CN102490086B (zh) * | 2011-10-28 | 2013-11-27 | 浙江大学 | 镗杆工作状态实时监测系统 |
| CN102490087B (zh) * | 2011-11-28 | 2013-12-25 | 武汉理工大学 | 一种数控机床进给驱动机构轴向振动的测量装置及其测量方法 |
-
2015
- 2015-08-27 CN CN201510533166.4A patent/CN105081879B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105081879A (zh) | 2015-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105081879B (zh) | 一种数控机床主轴的故障诊断与预测的方法 | |
| CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
| CN102975119B (zh) | 一种数控外圆磨床运行及工艺状态监控与诊断系统 | |
| CN107168201B (zh) | 一种发动机试验台架的实时监测设备运维管理系统 | |
| Zhe et al. | Pitting damage levels estimation for planetary gear sets based on model simulation and grey relational analysis | |
| JP2019098515A (ja) | 刃具状態検査システム及び方法 | |
| CN112393906B (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
| CN110837248B (zh) | 机床健康度测评方法、系统、综合系统及数控机床 | |
| CN112326236B (zh) | 一种齿轮箱运行状态在线监测方法、系统及存储介质 | |
| CN113532848A (zh) | 一种行星齿轮箱故障诊断系统 | |
| CN110398362B (zh) | 一种机器人rv减速器故障诊断和定位方法 | |
| CN202732337U (zh) | 齿轮油泵齿面磨损故障诊断装置 | |
| CN116991146B (zh) | 一种超声波清洗装置的控制方法及系统 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| CN111060302A (zh) | 多参数设备状态综合监测诊断装置和诊断方法 | |
| CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
| CN114139297B (zh) | 基于机泵设备状态监测和大数据分析的专家诊断系统 | |
| CN112686279B (zh) | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 | |
| CN114184375A (zh) | 齿轮箱常见故障智能诊断方法 | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| CN105865789A (zh) | 一种用于分解槽减速机轴承故障的检测系统 | |
| CN117740242A (zh) | 动力涡轮机动平衡测试系统 | |
| Enshaei et al. | Icphm’23 benchmark vibration dataset applicable in machine learning for systems’ health monitoring | |
| CN109974790A (zh) | 可进行预测性维护的减速机标准测试床及操作方法 | |
| CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170412 |