CN106774159A - 一种指纹防护数控机床 - Google Patents

Abstract

本发明提供了一种指纹防护数控机床，包括防护门、防护装置和数控机床故障检测装置，所述防护装置包括指纹识别器、用于锁住防护门的防护锁和用于控制防护锁开启或闭合的控制器，所述指纹识别器、数控机床故障检测器与控制器连接；所述数控机床故障检测装置用于对数控机床进行故障检测，并将故障检测结果发送至控制器；所述控制器在数控机床发生故障时或者指纹识别不正确时控制防护锁闭合，仅在指纹识别正确时控制防护锁开启。本发明能够阻止非专业数控机床人员因失误导致的程序更改或使用，避免事故的发生，并且能够在数控机床发生故障时只允许专业数控机床人员对数控机床进行操作，确保维修的及时性和安全性。

Description

一种指纹防护数控机床

技术领域

本发明涉及数控机床领域，具体涉及一种指纹防护数控机床。

背景技术

数控机床由于采用微计算机控制整个操作过程，因此，具有自动化程度高、测量数据稳定、可靠、操作简单等优点，被市场接受并大量运用于工厂的流水作业中，但是在数控机床运作的过程如果稍有不慎，如微计算机所设置的数控程序被无端删除或更改的事经常发生，导致生产的产品不符合生产要求，严重则导致事故发生。

发明内容

针对上述问题，本发明提供一种指纹防护数控机床。

本发明的目的采用以下技术方案来实现：

一种指纹防护数控机床，包括防护门、防护装置和数控机床故障检测装置，所述防护装置包括指纹识别器、用于锁住防护门的防护锁和用于控制防护锁开启或闭合的控制器，所述指纹识别器、数控机床故障检测器与控制器连接；所述数控机床故障检测装置用于对数控机床进行故障检测，并将故障检测结果发送至控制器；所述控制器在数控机床发生故障时或者指纹识别不正确时控制防护锁闭合，仅在指纹识别正确时控制防护锁开启。

本发明的有益效果为：通过防护装置和数控机床故障检测装置，能够阻止非专业数控机床人员因失误导致的程序更改或使用，避免事故的发生，并且能够在数控机床发生故障时只允许专业数控机床人员对数控机床进行操作，确保维修的及时性和安全性。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构连接示意图；

图2是数控机床故障检测装置的结构框图。

附图标记：

防护门1、防护装置2、数控机床故障检测装置3、报警器4、指纹识别器5、防护锁6、控制器7、历史数据采集单元11、数据预处理单元12、特征提取单元13、实时故障诊断特征向量采集单元14、故障诊断模型建立单元15、故障诊断识别单元16。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例提供了一种指纹防护数控机床，包括防护门1、防护装置2和数控机床故障检测装置3，所述防护装置2包括指纹识别器5、用于锁住防护门1的防护锁6和用于控制防护锁6开启或闭合的控制器7，所述指纹识别器5、数控机床故障检测器与控制器7连接；所述数控机床故障检测装置3用于对数控机床进行故障检测，并将故障检测结果发送至控制器7；所述控制器7在数控机床发生故障时或者指纹识别不正确时控制防护锁6闭合，仅在指纹识别正确时控制防护锁6开启。

优选地，该指纹防护数控机床还包括报警器4，所述报警器4连接控制器7，所述控制器7还在接收到数控机床故障检测器传送的数控机床发生故障的结果时驱动报警器4报警。

优选地，所述报警器4通过无线网络连接控制器7。

本发明上述实施例通过防护装置2和数控机床故障检测装置3，能够阻止非专业数控机床人员因失误导致的程序更改或使用，避免事故的发生，并且能够在数控机床发生故障时只允许专业数控机床人员对数控机床进行操作，确保维修的及时性和安全性。

优选地，所述数控机床故障检测器3包括依次连接的历史数据采集单元11、数据预处理单元12、特征提取单元13、实时故障诊断特征向量采集单元14、故障诊断模型建立单元15和故障诊断识别单元16；

其中，所述历史数据采集单元11用于通过传感器采集数控机床在正常状态下及各种故障状态下运行时多个测点的历史振动信号数据；所述数据预处理单元12用于对采集到的原始历史振动信号数据进行预处理；

其中，所述特征提取单元13用于从过滤后的历史振动信号数据中提取小波包奇异值特征，并将提取的小波包奇异值特征作为故障诊断特征向量样本；所述实时故障诊断特征向量采集单元14用于获取数控机床的实时故障诊断特征向量；

其中，所述故障诊断模型建立单元15用于建立基于改进的支持向量机的故障诊断模型，并使用故障诊断特征向量样本对故障诊断模型进行训练，计算出故障诊断模型参数的最优解，得到训练完成的故障诊断模型；所述故障诊断识别单元16用于将该数控机床的实时故障诊断特征向量输入到训练完成的故障诊断模型中，完成数控机床故障的诊断识别。

优选地，所述数据预处理单元12对采集到的原始历史振动信号数据进行预处理时，利用数字滤波器按照过滤公式滤除采集到的原始历史振动信号数据的带外分量，该过滤公式为：

其中，L为滤波后得到的历史振动信号数据，L′为采集到的原始历史振动信号数据，Ψ为测点的个数，χ＝1，2，3…Ψ-1；τ为由数字滤波器自身特性决定的常数，θ为所用传感器的固有采集频率。

本优选实施例对数据进行预处理时一方面能够自适应不同的振动信号，另一方面能消除原始历史振动信号数据中的时域波形畸变，因此，本优选实施例对数据的预处理更为科学，从而能够保障对数控机床进行故障识别的准确性。

优选地，所述特征提取单元13在提取小波包奇异值特征时具体执行：

(1)设数控机床处于状态W时从测点M测量到的一个时刻的历史振动信号为W_M(L)，M＝1,…,Ψ，Ψ为测点的个数，对W_M(L)进行层离散小波包分解，提取第层中的个分解系数，对所有的分解系数进行重构，以表示第层各节点的重构信号，构建特征矩阵其中的值根据历史经验和实际情况结合确定；

(2)对特征矩阵T[W_M(L)]进行奇异值分解，获得该特征矩阵T[W_M(L)]的特征向量：

其中F₁,F₂,…,F_v为由特征矩阵T[W_M(L)]分解的奇异值，v为由特征矩阵T[W_M(L)]分解的奇异值的个数；

(3)设表示特征向量中的最大奇异值，表示特征向量中的最小奇异值，定义W_M(L)对应的故障诊断特征向量为：

(4)对计算得到的故障诊断特征向量进行筛选，排除不合格的故障诊断特征向量，设排除的不合格的故障诊断特征向量的数量为Ψ′，则该数控机床处于状态W时在该固定时刻的故障诊断特征向量样本为：

本优选实施例提取小波包奇异值特征作为故障诊断特征向量，相比于提取其他特征作为故障诊断特征向量，准确率高且计算时间短，能够提高对数控机床进行诊断的容错性，从而有利于实现对数控机床故障的精确诊断。

优选地，该特征提取单元13对计算得到的故障诊断特征向量进行筛选时，具体执行：将数控机床处于状态W时在该时刻的所有计算得到的故障诊断特征向量作为该时刻的特征向量筛选样本集，计算该特征向量筛选样本集的标准差σ_W和期望值μ_W，若计算得到的故障诊断特征向量不满足则剔除该故障诊断特征向量，其中，为期望值μ_W的最大似然估计，为标准差σ_W的最大似然估计。

本优选实施例采用上述方式排除不合格的故障诊断特征向量，客观科学，提高了对指纹防护数控机床进行故障诊断的精确度。

优选地，所述特征提取单元13还将剔除的不合格的故障诊断特征向量储存到一个临时数据储存器中，并对特征提取单元13中的值进行进一步修正，具体如下：

(1)若则的值在根据原有历史经验和实际情况结合确定的基础上修改为

(2)若则的值在根据原有历史经验和实际情况结合确定的基础上修改为

其中，Ψ为测点的个数，Ψ′为不合格的故障诊断特征向量的数量，Δ为人为设定的整数阀值。

本优选实施例根据上述修正规则自动调节值，进一步降低了不合格的故障诊断特征向量对数控机床进行故障诊断的影响。

优选地，所述基于改进的支持向量机的故障诊断模型的建立过程为：

(1)采用径向基函数作为核函数，利用该核函数将该故障诊断特征向量样本从原空间映射到高维空间，在高维空间构造最优决策函数实现故障诊断特征向量样本分类，构造最优决策函数为：

式中，x为输入的故障诊断特征向量样本，Γ(x)为输入的故障诊断特征向量样本对应的输出，J(x)表示径向基函数，Ω为权重向量，p为偏差；此外，为引入的优化因子，其中Ψ为测点的个数，Ψ′为不合格的故障诊断特征向量的数量；

(2)定义支持向量机的目标函数和支持向量机的约束条件，并求解该支持向量机的目标函数，计算出权重向量和偏差，将计算得到的权重向量和偏差代入最优决策函数即为所建立的故障诊断模型；其中支持向量机的目标函数定义为：

支持向量机的约束条件定义为：

y_α≥1-ε_α,ε_α≥0,α＝1,…,M

式中，为支持向量机的目标函数，为优化后的惩罚因子，ε_α为引入的误差变量；M为故障诊断特征向量样本的数量；x_α为输入的第α个故障诊断特征向量样本，y_α为输入的第α个故障诊断特征向量样本对应的输出，Ω为权重向量，p为偏差；

其中，惩罚因子和所述核函数的半径参数的值按照下述方式进行优化：

将所有故障诊断特征向量样本平均分成互不包含的子集，设定惩罚因子和所述核函数的半径参数的值的取值范围，对每个粒子的位置向量进行二维编码，产生初始粒子群；对各粒子对应的参数选定训练集进行交叉验证，得到的预测模型分类准确率作为粒子对应的目标函数值，对粒子群中的粒子进行迭代；用目标函数值评价所有粒子，当某个粒子的当前评价值优于其历史评价值时，将其作为该粒子的最优历史评价，记录当前粒子最优位置向量；寻找全局最优解，如果其值优于当前历史最优解，则更新，达到设定的终止准则时，则停止搜索，输出最优的惩罚因子和所述核函数的半径参数的值，否则返回去重新搜索。

本优选实施例通过引入优化因子，减小了不合格的故障诊断特征向量对数控机床进行故障诊断的影响，进一步提高了该最优决策函数的实际精确度，为故障诊断模型的建立提供良好的函数基础，从而构建更为精确的故障诊断模型，从而能够确保对数控机床进行故障诊断的准确性，此外，本实施例采用上述方式对惩罚因子和所述核函数的半径参数的值进行优化，优化时间相对较短，优化效果好，从而能够得到性能较好的支持向量机，进一步提高对数控机床进行故障诊断的精度。

根据上述实施例，发明人进行了一系列测试，以下是进行测试得到的实验数据：

上述实验数据表明，本发明能够较好地对防护门1的启闭进行控制，且能精确对数控机床进行故障检测，从而防止事故的发生，并能够在数控机床发生故障时进行及时、安全的维修，由此可见，本发明在数控机床防护和数控机床的故障检测方面产生了非常显著的有益效果。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (5)

1.一种指纹防护数控机床，其特征是，包括防护门、防护装置和数控机床故障检测装置，所述防护装置包括指纹识别器、用于锁住防护门的防护锁和用于控制防护锁开启或闭合的控制器，所述指纹识别器、数控机床故障检测器与控制器连接；所述数控机床故障检测装置用于对数控机床进行故障检测，并将故障检测结果发送至控制器；所述控制器在数控机床发生故障时或者指纹识别不正确时控制防护锁闭合，仅在指纹识别正确时控制防护锁开启。

2.根据权利要求1所述的一种指纹防护数控机床，其特征是，还包括报警器，所述报警器连接控制器，所述控制器还在接收到数控机床故障检测器传送的数控机床发生故障的结果时驱动报警器报警。

3.根据权利要求2所述的一种指纹防护数控机床，其特征是，所述报警器通过无线网络连接控制器。

4.根据权利要求3所述的一种指纹防护数控机床，其特征是，所述数控机床故障检测装置包括依次连接的历史数据采集单元、数据预处理单元、特征提取单元、实时故障诊断特征向量采集单元、故障诊断模型建立单元和故障诊断识别单元；

其中，所述历史数据采集单元用于通过传感器采集数控机床在正常状态下及各种故障状态下运行时多个测点的历史振动信号数据；所述数据预处理单元用于对采集到的原始历史振动信号数据进行预处理；

其中，所述特征提取单元用于从过滤后的历史振动信号数据中提取小波包奇异值特征，并将提取的小波包奇异值特征作为故障诊断特征向量样本；所述实时故障诊断特征向量采集单元用于获取数控机床的实时故障诊断特征向量；

其中，所述故障诊断模型建立单元用于建立基于改进的支持向量机的故障诊断模型，并使用故障诊断特征向量样本对故障诊断模型进行训练，计算出故障诊断模型参数的最优解，得到训练完成的故障诊断模型；所述故障诊断识别单元用于将该数控机床的实时故障诊断特征向量输入到训练完成的故障诊断模型中，完成数控机床故障的诊断识别。

5.根据权利要求4所述的一种指纹防护数控机床，其特征是，所述特征提取单元在提取小波包奇异值特征时具体执行：

(1)设数控机床处于状态W时从测点M测量到的一个时刻的历史振动信号为W_M(L)，M＝1,…,Ψ，Ψ为测点的个数，对W_M(L)进行层离散小波包分解，提取第层中的个分解系数，对所有的分解系数进行重构，以表示第层各节点的重构信号，构建特征矩阵其中的值根据历史经验和实际情况结合确定；

(2)对特征矩阵T[W_M(L)]进行奇异值分解，获得该特征矩阵T[W_M(L)]的特征向量：

$Y_{\[W_M\left(L\right)\]}=(F_1,F_2,\mathrm{...},F_v)$

其中F₁,F₂,…,F_v为由特征矩阵T[W_M(L)]分解的奇异值，v为由特征矩阵T[W_M(L)]分解的奇异值的个数；

(3)设表示特征向量中的最大奇异值，表示特征向量中的最小奇异值，定义W_M(L)对应的故障诊断特征向量为：

${\mathrm{\Φ}}_{W_M\left(L\right)}=\left\{\frac{\sqrt{max{\left(Y_{\[W_M\left(L\right)\]}\right)}^2-m\mathrm{\α}n{\left(Y_{\[W_M\left(L\right)\]}\right)}^2}}{4},\frac{1}{v}\underset{J=1}{\overset{v}{\Σ}}{F}_J\right\}$

(4)对计算得到的故障诊断特征向量进行筛选，排除不合格的故障诊断特征向量，设排除的不合格的故障诊断特征向量的数量为Ψ′，则该数控机床处于状态W时在该固定时刻的故障诊断特征向量样本为：

$\mathrm{\Φ}=\left\{{\mathrm{\Φ}}_{W_1\left(L\right)},{\mathrm{\Φ}}_{W_2\left(L\right)},\mathrm{...},{\mathrm{\Φ}}_{W_{\mathrm{\Ψ}-{\mathrm{\Ψ}}^{\′}}\left(L\right)}\right\}.$