CN107942940A - 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 - Google Patents
一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 Download PDFInfo
- Publication number
- CN107942940A CN107942940A CN201711012597.1A CN201711012597A CN107942940A CN 107942940 A CN107942940 A CN 107942940A CN 201711012597 A CN201711012597 A CN 201711012597A CN 107942940 A CN107942940 A CN 107942940A
- Authority
- CN
- China
- Prior art keywords
- feed shaft
- code
- model
- fault type
- running state
- 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
Classifications
-
- 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
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37616—Use same monitoring tools to monitor tool and workpiece
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开内容涉及数控机床的进给轴装配故障检测的方法和装置。一个实施例公开了一种用于数控机床的进给轴装配故障检测的方法,包括:获取与执行的工作任务对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态;从所述第一运行状态数据中提取能够反映故障状态的第一特征向量,所述第一特征向量为多维的;将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果,所述模型被训练以能够识别特征向量与故障类型之间的关系;以及根据所述处理结果确定故障类型。本公开还描述了相应的装置以及计算机系统和计算机可读存储介质。
Description
技术领域
本发明总体上涉及数控机床领域,并且特别涉及用于数控机床的进给轴装配故障的检测的方法和装置。
背景技术
数控机床中的进给系统作为数控机床中最重要的子系统之一,其装配质量的好坏直接影响工件的加工质量、丝杠寿命和机床使用成本的控制。尤其对于一些加工时间较长的工件而言,往往对丝杠的损耗较大。这就要求对机床进给系统装配时,要确保一个良好的装配质量。
现有的对机床装配质量检测比较普遍的方法,就是对工件进行试切,再通过三坐标对工件进行检验。如果工件合格,则安装达标。也有部分方法是通过外接传感器如振动传感器等获取机床信号,并通过对这些信号的分析处理来对机床的装配质量进行检测。上述这些方法由于需要进行额外试切或者由于需要添加外接的传感器(由此带来额外的传感器固定装置),往往造成耗时费力,成本较高。
由于机床的几何误差主要是由于零部件本身误差和零部件间的装配误差引起,其中零部件间的装配误差占到了主要成分,因此通过几何误差可以很大程度上反映机床装配质量的好坏。专利文献CN103447884B中公开了一种数控机床平动轴几何误差的测量装置及测量与辨识方法。该方法采用一台激光跟踪仪先后在4个不同位置对机床单个平动轴3个固定点沿轴向进给运动进行测量,通过3个固定点在空间连续运动的轨迹,计算运动轴的实时位置,最后来辨识机床各轴的各项误差。但是该方案存在以下两点不足:使用了第三方设备如激光干涉仪以及其它的固定装置增加了机床装配质量检测成本;该装置安装过程较为繁琐耗时耗力,降低了使用效率。
公布号为CN 104950811 A的中国专利公开了一种数控机床进给系统装配质量的快速判别方法,该方法;通过数控机床内置传感器的实时监测信号与参考样本参数进行在线比较,以此实现数控机床进给系统装配质量的快速判别。该方法只适用于提到的三个故障的判别。并且在半闭环的情况下,将无法利用跟随误差对联轴器存在的间隙进行判断。
发明内容
总体上,本发明的实施例提出一种用于数控机床的进给轴装配故障检测的技术方案。
在一个方面,本发明的实施例提供一种用于数控机床的进给轴装配故障检测的方法。所述方法包括:获取与执行的工作任务对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态;从所述第一运行状态数据中提取能够反映故障状态的第一特征向量,所述第一特征向量为多维的;将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果,所述模型被训练以能够识别特征向量与故障类型之间的关系;以及根据所述处理结果确定故障类型。
在本发明一实施例中,所述第一运行状态数据包括进给轴实际位置以及第一对象,所述第一对象包括以下至少之一:进给轴电流、进给轴功率、进给轴实际速度和振动信号。
在本发明一实施例中,所述第一特征向量包括所述第一对象的时域特征和位置特征。
在本发明一实施例中,所述时域特征包括以下至少之一:平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值,其中n为自然数。
在本发明一实施例中,所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。
在本发明一实施例中,所述关系拟合曲线的特征包括以下至少之一:曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。
在本发明一实施例中,所述关系拟合曲线由最小二乘法得到。
在本发明一实施例中,所述关系拟合曲线为二次曲线。
在本发明一实施例中,所述方法进一步包括训练所述模型,所述训练所述模型包括:获取与执行的G代码对应的第二运行状态数据,所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第一故障类型的故障状态;从所述第二运行状态数据中提取能够反映所述第一故障类型的故障状态的第二特征向量,所述第二特征向量为多维的;将所述第二特征向量作为样本训练所述模型,以使得模型处理所述第二特征向量得到的处理结果对应于所述第一故障类型。
在本发明一实施例中,所述训练所述模型进一步包括:执行故障任务G代码以使得所述进给轴在特定工况下运动。
在本发明一实施例中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。
在本发明一实施例中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴在特定进给速度下运动。
在本发明一实施例中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动:在第一进给速度下进行正向直线运动;在第二进给速度下进行负向直线运动;在第三进给速度下进行直线往复运动。
在本发明一实施例中,所述执行的工作任务为所述故障任务G代码所对应的工作任务。
在本发明一实施例中,所述训练所述模型进一步包括:获取与执行的G代码对应的第三运行状态数据,所述第三运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第二故障类型的故障状态,所述第二故障类型不同于所述第一故障类型;从所述第三运行状态数据中提取能够反映所述第二故障类型的故障状态的第三特征向量,所述第三特征向量为多维的;将所述第三特征向量作为样本训练所述模型,以使得模型处理所述第三特征向量得到的处理结果对应于所述第二故障类型。
在本发明一实施例中,所述故障类型包括由进给轴机械装配引发的故障。
在本发明一实施例中,所述故障类型包括以下至少之一:预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。
在本发明一实施例中,所述模型为机器学习的多分类模型。
在本发明一实施例中,所述模型包括以下之一:softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。
在本发明一实施例中,所述第一运行状态数据为数控系统内部的电控数据。
在另一方面,本发明的实施例提供一种用于数控机床的进给轴装配故障检测的装置。所述装置包括:获取模块,被配置为获取与执行的工作任务对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态;提取模块,被配置为从所述第一运行状态数据中提取能够反映故障状态的第一特征向量,所述第一特征向量为多维的;输入模块,被配置为将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果,所述模型被训练以能够识别特征向量与故障类型之间的关系;以及故障确定模块,被配置为根据所述处理结果确定故障类型。
在本发明一实施例中,所述第一运行状态数据包括进给轴实际位置以及第一对象,所述第一对象包括以下至少之一:进给轴电流、进给轴功率、进给轴实际速度和振动信号。
在本发明一实施例中,所述第一特征向量包括所述第一对象的时域特征和位置特征。
在本发明一实施例中,所述时域特征包括以下至少之一:平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值,其中n为自然数。
在本发明一实施例中,所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。
在本发明一实施例中,所述关系拟合曲线的特征包括以下至少之一:曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。
在本发明一实施例中,所述关系拟合曲线由最小二乘法得到。
在本发明一实施例中,所述关系拟合曲线为二次曲线。
在本发明一实施例中,所述装置进一步包括训练模块被配置为训练所述模型,所述训练模块包括:第一运行状态数据获取子模块,被配置为获取与执行的G代码对应的第二运行状态数据,所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第一故障类型的故障状态;第一特征向量提取子模块,被配置为从所述第二运行状态数据中提取能够反映所述第一故障类型的故障状态的第二特征向量,所述第二特征向量为多维的;第一模型训练子模块,被配置为将所述第二特征向量作为样本训练所述模型,以使得模型处理所述第二特征向量得到的处理结果对应于所述第一故障类型。
在本发明一实施例中,所述训练模块进一步包括:执行子模块,被配置为执行故障任务G代码以使得所述进给轴在特定工况下运动。
在本发明一实施例中,所述执行子模块被配置为执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。
在本发明一实施例中,所述执行子模块被配置为执行故障任务G代码以使得所述进给轴在特定进给速度下运动。
在本发明一实施例中,所述执行子模块被配置为执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动:在第一进给速度下进行正向直线运动;在第二进给速度下进行负向直线运动;在第三进给速度下进行直线往复运动。
在本发明一实施例中,所述执行的工作任务为所述故障任务G代码所对应的工作任务。
在本发明一实施例中,所述训练模块进一步包括:第二运行状态数据获取子模块,被配置为获取与执行的G代码对应的第三运行状态数据,所述第三运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第二故障类型的故障状态,所述第二故障类型不同于所述第一故障类型;第二特征向量提取子模块,被配置为从所述第三运行状态数据中提取能够反映所述第二故障类型的故障状态的第三特征向量,所述第三特征向量为多维的;第三模型训练子模块,被配置为将所述第三特征向量作为样本训练所述模型,以使得模型处理所述第三特征向量得到的处理结果对应于所述第二故障类型。
在本发明一实施例中,所述故障类型包括由进给轴机械装配引发的故障。
在本发明一实施例中,所述故障类型包括以下至少之一:预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。
在本发明一实施例中,所述模型为机器学习的多分类模型。
在本发明一实施例中,所述模型包括以下之一:softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。
在本发明一实施例中,所述第一运行状态数据为数控系统内部的电控数据。
在又一方面,本发明的实施例提供一种用于数控机床的进给轴装配故障检测的计算机系统。该计算机系统包括:一个或多个处理器;一个或多个计算机可读介质;存储在计算机可读介质上的用于由一个或多个处理器中的至少一个执行的计算机程序指令,所述计算机程序指令包括用于执行上述方法的各步骤的计算机程序指令。
在再一方面,本发明的实施例提供一种计算机可读的存储介质,可用于数控机床的进给轴装配故障检测。该计算机可读存储介质上存储有至少一个可执行的计算机程序指令,该计算机程序指令包括用于执行上述方法的各步骤的计算机程序指令。
在一方面,本发明的实施例提供一种用于训练数控机床的进给轴装配故障检测所用的模型的方法,所述方法包括:获取与执行的G代码对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第一故障类型的故障状态;从所述第一运行状态数据中提取能够反映所述第一故障类型的故障状态的第一特征向量,所述第一特征向量为多维的;将所述第一特征向量作为样本训练模型,以使得所述模型处理所述第一特征向量得到的处理结果对应于所述第一故障类型。
在本发明一实施例中,所述第一运行状态数据包括进给轴实际位置以及第一对象,所述第一对象包括以下至少之一:进给轴电流、进给轴功率、进给轴实际速度和振动信号。
在本发明一实施例中,所述第一特征向量包括所述第一对象的时域特征和位置特征。
在本发明一实施例中,所述时域特征包括以下至少之一:平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值,其中n为自然数。
在本发明一实施例中,所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。
在本发明一实施例中,所述关系拟合曲线的特征包括以下至少之一:曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。
在本发明一实施例中,所述关系拟合曲线由最小二乘法得到。
在本发明一实施例中,所述关系拟合曲线为二次曲线。
在本发明一实施例中,所述方法进一步包括:执行故障任务G代码以使得所述进给轴在特定工况下运动。
在本发明一实施例中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。
在本发明一实施例中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴在特定进给速度下运动。
在本发明一实施例中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动:在第一进给速度下进行正向直线运动;在第二进给速度下进行负向直线运动;在第三进给速度下进行直线往复运动。
在本发明一实施例中,所述方法进一步包括:获取与执行的G代码对应的第二运行状态数据,所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第二故障类型的故障状态,所述第二故障类型不同于所述第一故障类型;从所述第二运行状态数据中提取能够反映所述第二故障类型的故障状态的第二特征向量,所述第二特征向量为多维的;将所述第二特征向量作为样本训练所述模型,以使得所述模型处理所述第二特征向量得到的处理结果对应于所述第二故障类型。
在本发明一实施例中,所述第一故障类型包括由进给轴机械装配引发的故障。
在本发明一实施例中,所述第一故障类型包括以下至少之一:预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。
在本发明一实施例中,所述模型为机器学习的多分类模型。
在本发明一实施例中,所述模型包括以下之一:softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。
在本发明一实施例中,所述第一运行状态数据为数控系统内部的电控数据。
在另一方面,本发明的实施例提供一种用于训练数控机床的进给轴装配故障检测所用的模型的装置,所述装置包括:第一运行状态获取模块,被配置为获取与执行的G代码对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第一故障类型的故障状态;第一特征向量提取模块,被配置为从所述第一运行状态数据中提取能够反映所述第一故障类型的故障状态的第一特征向量,所述第一特征向量为多维的;第一模型训练模块,被配置为将所述第一特征向量作为样本训练模型,以使得所述模型处理所述第一特征向量得到的处理结果对应于所述第一故障类型。
在本发明一实施例中,所述第一运行状态数据包括进给轴实际位置以及第一对象,所述第一对象包括以下至少之一:进给轴电流、进给轴功率、进给轴实际速度和振动信号。
在本发明一实施例中,所述第一特征向量包括所述第一对象的时域特征和位置特征。
在本发明一实施例中,所述时域特征包括以下至少之一:平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值,其中n为自然数。
在本发明一实施例中,所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。
在本发明一实施例中,所述关系拟合曲线的特征包括以下至少之一:曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。
在本发明一实施例中,所述关系拟合曲线由最小二乘法得到。
在本发明一实施例中,所述关系拟合曲线为二次曲线。
在本发明一实施例中,所述装置进一步包括:执行模块,被配置为执行故障任务G代码以使得所述进给轴在特定工况下运动。
在本发明一实施例中,所述执行模块被配置为执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。
在本发明一实施例中,所述执行模块被配置为执行故障任务G代码以使得所述进给轴在特定进给速度下运动。
在本发明一实施例中,所述执行模块被配置为执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动:在第一进给速度下进行正向直线运动;在第二进给速度下进行负向直线运动;在第三进给速度下进行直线往复运动。
在本发明一实施例中,所述装置进一步包括:第二运行状态获取模块,被配置为获取与执行的G代码对应的第二运行状态数据,所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第二故障类型的故障状态,所述第二故障类型不同于所述第一故障类型;第二特征向量提取模块,被配置为从所述第二运行状态数据中提取能够反映所述第二故障类型的故障状态的第二特征向量,所述第二特征向量为多维的;第二模型训练模块,被配置为将所述第二特征向量作为样本训练所述模型,以使得所述模型处理所述第二特征向量得到的处理结果对应于所述第二故障类型。
在本发明一实施例中,所述第一故障类型包括由进给轴机械装配引发的故障。
在本发明一实施例中,所述第一故障类型包括以下至少之一:预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。
在本发明一实施例中,所述模型为机器学习的多分类模型。
在本发明一实施例中,所述模型包括以下之一:softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。
在本发明一实施例中,所述第一运行状态数据为数控系统内部的电控数据。
在又一方面,本发明的实施例提供一种用于训练数控机床的进给轴装配故障检测所用的模型的计算机系统。该计算机系统包括:一个或多个处理器;一个或多个计算机可读介质;存储在计算机可读介质上的用于由一个或多个处理器中的至少一个执行的计算机程序指令,所述计算机程序指令包括用于执行上述方法的各步骤的计算机程序指令。
在再一方面,本发明的实施例提供一种计算机可读的存储介质,可用于训练数控机床的进给轴装配故障检测所用的模型。该计算机可读存储介质上存储有至少一个可执行的计算机程序指令,该计算机程序指令包括用于执行上述方法的各步骤的计算机程序指令。
根据本发明的实施例,可以简单、准确地进行进给轴装配故障的检测,降低了检测的成本、并且可检测多种故障。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中:
图1示出了适于用来实现本发明实施例的环境;
图2示出了适于用来实现本发明实施例的另一环境;
图3示出了根据本发明实施例的一种用于数控机床的进给轴装配故障检测的方法的示意性流程图;
图4示出了根据本发明实施例的一种用于训练模型的方法的示意性流程图;
图5示出了根据本发明实施例的一种用于数控机床的进给轴装配故障检测的方法的示意性流程图;
图6示出了根据本发明实施例的示例性的故障任务G代码;
图7示出了根据本发明实施例的X轴正向运行的进给轴负载电流和实际位置的示意性关系图;
图8示出了根据本发明实施例的X轴双向运行的进给轴附在电流和实际位置的示意性关系图;
图9示出了根据本发明实施例的DAG-SVM模型的示意性拓扑结构图;
图10示出了根据本发明实施例的一种用于数控机床的进给轴装配故障检测的装置的示意性的结构框图;以及
图11示出了根据本发明实施例的一种用于训练数控机床的进给轴装配故障检测所用的模型的装置的示意性结构图。
在附图中,相同或相似的标号被用来表示相同或相似的元素。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,本发明还可以以其他各种形式实现而不应限制在下面描述的具体的实施方式。在此提供这些具体的实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
图1示出了适于用来实现本发明实施方式的示例性环境的方框图。该环境可以是一个具有简单计算能力的终端100,也可以是具有复杂计算能力的节点100。
该环境例如包括计算机可读介质101。这些介质例如可以是易失性和非易失性介质,也可以是可移动的和不可移动的介质,只要能够具有计算能力的节点访问即可。
该环境例如还可以包括一个或多个程序模块103,这些程序模块通常用于执行本发明所述描述的实施例中的功能和/或方法。
该环境例如还可以包括一个或多个具有计算能力的模块105。
该环境可以独立执行本发明实施方式中所描述的方法和/或功能,也可以与外部设备107通信以协作完成相应的方法和/或功能。
当然,本领域技术人员可以理解,该终端100或计算节点100例如可以是服务器或者计算机,也可以是嵌入在数控机床内的计算系统等,本发明并不加以限制。
图2示出了适于用来实现本发明实施方式的示例性环境的方框图。该环境包括终端201和计算节点203。该环境例如可以是一个云环境,此时计算节点203例如为云服务器,终端201例如为数控机床。当然,应该理解,云环境的布局还有更多种,此处并不对本发明加以限制。
下面将具体描述本发明实施例的机制和原理。除非特别声明,在下文和权利要求中使用的术语“基于”表示“至少部分地基于”。术语“包括”表示开放性包括,即“包括但不限于”。术语“多个”表示“两个或更多”。术语“一个实施例”表示“至少一个实施例”。术语“另一实施例”表示“至少一个另外的实施例”。其他术语的定义将在下文描述中给出。
通过上面的描述可以看出,现有的数控机床的进给轴装配故障检测的方法具有很多限制,例如包括仅能针对三种特定的故障进行检测,而其他的故障无法检测,而且现有方法的鲁棒性也不足。
经过发明人的反复研究提出一种用于数控机床的进给轴装配故障检测的技术方案,该技术方案可以检测多种由进给轴机械装配引发的故障,并不受限于特定的故障类型。并且,更是由于发明人研究得到之前方案的鲁棒性不足在于仅对一个特征进行对比,本发明提供的技术方案中采用了多个特征训练模型,从而得到更好的鲁棒性。并且经过发明人的研究同时采用时域特征和位置特征来训练模型以更准确的描述故障状态,从而提高了模型判断和学习的准确度。
下面将结合附图对本发明提供的技术方案进行进一步的详细描述。
图3示出了根据本发明的一个示例性实施例的用于数控机床的进给轴装配故障检测的方法300的示意性流程图。方法300包括以下步骤。
在步骤301,获取与执行的工作任务对应的第一运行状态数据。本实施例中,运行状态数据用于描述数控机床执行所述工作任务时的状态。运行状态数据例如包括:进给轴实际位置以及第一对象。本实施例中,该第一对象包括以下至少之一:进给轴电流、进给轴功率、进给轴实际速度和振动信号。运行状态数据例如还可以包括其他能够反映进给轴机械装配状态的参数。
本发明一实施例中,运行状态数据为数控系统内部的电控数据。因此,本发明的实施可以不依赖于外部设备的设置,直接从数控系统内部获得数据。所以,本发明实时提供的技术方案实施的成本更低,并且在恶劣的环境中更为准确,避免了外部设置设备带来的干扰和误差。
本发明一实施例中,例如可以通过采集的G代码行号来对所需的运行状态数据进行获取。举例而言,在具体实施时,例如可以同时获取工作任务数据和运行状态数据。并根据工作任务数据中的G代码的行号来从采集的运行状态数据中提取所需的运行状态数据。
在步骤303,从第一运行状态数据中提取能够反映故障状态的第一特征向量。正如之前已经提到的,本发明中,发明人在研究现有技术后提出,要从多个维度来描述故障才能得到比较好的鲁棒性。所以本实施例中,该第一特征向量为多维的。
在本发明一实施例中,第一特征向量例如为第一对象的时域特征和位置特征。经过研究,发明人提出,同时用第一对象的时域特征和位置特征能够比较准确地描述出故障状态,从而能够比较准确的训练模型,区分出不同的故障类型,提高检测的准确度和方案的可用性。
在本发明一实施例中,时域特征例如包括以下至少之一:平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值,其中n为自然数。
在本发明一实施例中,位置特征例如包括第一对象和进给轴实际位置的关系拟合曲线的特征。该关系拟合曲线的特征例如可以包括曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare(相关系数平方)等其他能够描述曲线的特征。
在本发明一实施例中,该关系拟合曲线例如可以为一次曲线、二次曲线、三次曲线或者四次曲线等,本发明对此并不加以限制。经过发明人的研究提出,优选地,可以选择关系拟合曲线为二次曲线,这样可以兼顾关系拟合虚线表达的准确和计算量消耗较小。
在本发明一实施例中,可以采用多种现有技术来得到拟合曲线的最优解。例如优选地可以采用最小二乘法来得到二次曲线的最优解。最小二乘法实现简单能够较快地得到最优解。当然还可以采用其他技术来得到不同曲线的最优解,本发明对此并不加以限制。
举例而言,以位置为横坐标,以第一对象中的进给轴电流的值为纵坐标,拟合二次曲线a0x2+a1x+a2作为关系拟合曲线。通过最小二乘法可以得到拟合系数这样,也可以方便的得到拟合曲线的位置特征中的弯曲度a0和对称轴
回到图3,在步骤305,将第一特征向量输入训练好的模型以获取该模型处理该第一特征向量得到的处理结果。本实施例中,该模型被训练以能够识别特征向量与故障类型之间的关系。特别地,该模型为机器学习模型,通过样本的训练能够学习以最后能够识别特征向量与故障类型之间的关系。
本发明一实施例中,该模型为机器学习的多分类模型。在本发明另一实施例中,该模型例如为softmax模型、基于有向无环图的支持向量机DAG-SVM或者神经网络NN模型。可以理解,随着技术的发展,还可以有其他机器学习的多分类模型,也可以作为本发明中的模型,本发明对此并不加以限制。正是采用了机器学习的多分类模型,本发明提供的技术方案可以检测各种故障类型,并不会限制于特定的故障类型。只要之前使用过相应故障类型的样本训练过机器学习的多分类模型,就可以实现对该故障类型的检测。举例而言,本发明实施例能够检测的故障类型可以包括各种进给轴机械装配引发的故障,如预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙等。
再回到图3,在步骤307,根据步骤305得到的处理结果确定故障类型。
可以看到,通过采用方法300可以简单、可靠地对进给轴装配故障进行检测。通过采用方法300,无需进行试切,节省了资源并提高了实际的生产效率。并且,方法300的鲁棒性更好、能够检测多种故障类型,不受限于特定的故障类型的检测。而且方法300中无需设置额外的外接设备,降低了检测的成本。可以理解,通过指令域分析方法和构建特征向量判别模型的结合,可以快捷、准确且高效地解决机床进给轴装配质量诊断的难题。并且,对于同一型号的机床,方法300中的模型可以仅训练一次,而广泛使用在其他同一型号的机床上。这样,可以进一步减少检测进给轴装配故障的成本,并且有利于本发明的推广。
本发明一实施例中,提供了一种训练方法300中所使用的模型的方法。参照图4,方法400可训练得到能够用于方法300的训练好的模型。
在步骤401,获取与执行的G代码对应的第二运行状态数据。这里的运行状态数据和前述运行状态数据类似,用于描述数控机床执行该G代码时的状态。在训练时,选择的运行状态数据与使用阶段选择的运行状态数据例如保持一致。本实施例中,由于是形成训练的样本集,所以例如可以人为地让进给轴的装配处于异常状态而引发特定类型的装配故障。或者,也可以是利用之前发生故障时的历史数据来形成样本集。或者,还可以是采用物理仿真的方式来获得样本。无论怎样,获取的运行状态数据所对应的数控机床在对应的时间段内处于由进给轴机械装配引发的故障状态。这里为了描述方便,将该数控机床所处的故障状态的类型称为第一故障类型。本实施例中步骤401的获取既可以是获取当前的运行状态数据,也可以是从历史数据中得到所需的运行状态数据,还可以是物理仿真的数据。
在步骤403,从第二运行状态数据中提取能够反映第一故障类型的故障状态的第二特征向量。本实施例中,与前述第一特征向量类似,第二特征向量也是多维的。并且,第二特征向量的维度应当和第一特征向量相同。也即若第一特征向量具有时域特征和位置特征,那么第二向量也具有时域特征和位置特征。因为模型是由训练方法训练得到的,所以实际使用中对于模型的输入需要和训练模型所用的样本集中样本的类型相同。
在步骤405,将第二特征向量作为样本训练模型,以使得该模型处理该第二特征向量得到的处理结果对应于该第一故障类型。
本实施例中,多次提到了训练阶段和使用阶段的相似性。例如训练阶段的第一对象采用了进给轴电流,那么使用阶段也需要采用进给轴电流作为第一对象。再例如,训练阶段使用峰峰值和平均值作为时域特征,那么使用阶段也需要采用峰峰值和平均值作为时域特征。本领域技术人员还可以理解其他的训练阶段和使用阶段的关联,在此不再赘述。并且,本发明各实施例中,可以是训练阶段与使用阶段为两个不同的阶段,还可以是训练阶段与使用阶段重叠,也就是在实际使用阶段也可以形成正常样本和故障样本放入用于训练模型的样本集以进一步优化模型。对于训练阶段和使用阶段存在重叠的情况下,步骤300还可以进一步包括:将第一特征向量和确定的故障类型作为样本以用于训练该模型。步骤300还可以进一步包括步骤:响应于确定出现故障,提供针对确定的故障类型的提示。进一步地,若操作人员发现提示出现错误(例如包括正常情况的误报或者故障类型判断错误),可以对该样本进行修正,并将修正后的结果作为样本以用于训练模型。
通过方法400提供的训练方法,可以简单、准确地得到训练好的模型以用于方法300。
特别地,通过研究,发明人提出,在方法400中例如可以进一步包括:执行故障任务G代码以使得所述进给轴在特定工况下运动。特定的工况减少了其他因素的影响,从而能够更为准确地得到反映特征向量和故障类型关系的模型,避免了工况改变所带来的干扰。正是由于发明人研究出了这一提高模型准确度的方法,设计了特别用于收集样本的G代码,使得整个方案的检测更为准确。
在本发明一实施例中,特定工况例如为特定进给速度,也即,尽量避免加速和减速带来的干扰,使得进给轴保持在一定的进给速度下运动。
在本发明一实施例中,故障任务G代码的设计可以使得,通过执行该故障任务G代码使得进给轴在特定工况下进行直线运行。可以理解,直接运动更为直接简单并且可以在整个范围内扫描,以得到更为准确和丰富的特征向量。
在本发明一实施例中,特别地,可以设计故障任务G代码,使得,通过执行该故障任务G代码,能够让进给轴进行以下至少之一的运动:在第一进给速度下进行正向直线运动;在第二进给速度下进行负向直线运动;在第三进给速度下进行直线往复运动。在本实施例中,第一进给速度、第二进给速度和第三进给速度之间可以彼此不同,也可以相同。
可以理解,进给轴包括水平轴和重力轴,故障任务G代码的设计可以仅针对水平轴或者重力轴,也可以同时针对水平轴和重力轴。
可以看到,通过特别设计的故障任务G代码可以简单、高效地形成用于训练模型的样本集。因此,用这样的样本集训练模型,可以得到更为准确的模型,从而得到更为准确的检测结果。
在本发明一实施例中,如图4所示的方法400可以重复多次执行,以得到更丰富的样本集,更好地训练模型。并且在方法400重复执行时,既可以重复执行其中的部分步骤,也可以将全部步骤都重复执行。例如,可以先重复执行收集样本的步骤,最后用形成的样本集对模型进行集中的训练,或者也可以每收集一次样本就对模型进行一次训练。本发明在此并不限制重复执行方法400的具体方式。
在本发明一实施例中,方法400可以进一步用于对模型进行多分类训练。也即,在重复执行方法400中,至少有两次收集的样本对应于不同的故障类型,这样可以用形成的样本集对模型进行多分类训练。
例如,方法400进一步还可以包括以下步骤。
在步骤407,获取与执行的G代码对应的第三运行状态数据。本实施例中,与第二圆形状态数据类似,第三运行状态数据也用于描述数控机床执行G代码时的状态,且该数控机床处于第二故障类型的故障状态。在本实施例中,第二故障类型不同于第一故障类型。
在步骤409,从第三运行状态数据中提取能够反映所述第二故障类型的故障状态的第三特征向量。本实施例中,与第一特征向量和第二特征向量类似,第三特征向量也是多维的。
在步骤411,将第三特征向量作为样本训练所述模型,以使得模型处理该第三特征向量得到的处理结果对应于第二故障类型。
可以理解,步骤401至步骤405与步骤407与步骤411之间既可以顺序执行也可以交叉执行。也就是说,既可以先执行步骤401、步骤403、步骤407和步骤409,然后再执行步骤405和步骤411,对多分类模型进行多分类训练。当然,针对不同的情况,步骤401和步骤403与步骤407和步骤409之间也可以交叉执行。例如针对历史数据,可能先进行步骤401和步骤407以获得所需的数据,再执行步骤403和步骤409以提取特征向量。
本发明上述各实施例之间可以彼此参考和结合,从而得到更多的实施例。例如,如图5所示,为上述各实施例彼此参考、结合得到的实施例。下面结合图5,对本发明一实施例提供的用于数控机床的进给轴装配故障的检测的方法500进行详细的描述。
在步骤501,执行如图6所示的故障任务G代码。该故障任务G代码可以使得水平轴在范围[-740,40]内进行进给速度为1000的正向直线运动和负向直线运动。本实施例中,在第一次执行步骤501时,例如人为地使得进给轴的机械装配处于丝杠导轨不平行的状态。为了描述简单,例如为故障类型进行编号,正常状态的编号为0、预紧力过大的编号为1、丝杠导轨不平行的编号为2、防护罩故障标记为3。可以理解,还可以有更多的故障类型,为了描述方便,本实施例仅以上述3种故障类型为例进行举例说明。
在步骤503,获取数控系统内部的电控数据,并根据工作任务数据从运行状态数据中截取所需的数据。该电控数据包括工作任务数据和运行状态数据。其中,工作任务数据为G代码的行号,运行状态数据为进给轴负载电流和进给轴的实际位置。
在本实施例中,图7示出了执行如图6所示的故障任务G代码后,对G代码的行号6对应的进给轴负载电流和实际位置进行截取得到的结果。根据图6所示的故障任务G代码,可以看到,截取的是X轴正向运行的进给轴负载电流和实际位置。
在步骤505,从运行状态数据中提取特征向量。特征向量包括时域特征和位置特征。本实施例中,时域特征包括进给轴负载电流的平均值、波动值和峰值。本实施例中,双向的进给轴负载电流和进给轴实际位置的关系如图8所示。将进给轴的实际位置和进给轴负载电流进行拟合,以进给轴的实际位置为横坐标,进给轴负载电流为纵坐标,可以得到二次的关系拟合曲线a0x2+a1x+a2。本实施例中,例如采用最小二乘法得到拟合系数可以将该关系拟合曲线的特征,例如弯曲值、对称轴和RSquare作为位置特征。由此,可以得到特征向量,也即故障类型编号2所对应的特征向量。此时,可以用特征向量与其对应的故障类型编号形成样本,以训练模型。
本实施例中,可以重复执行步骤501至步骤505,以获取多组样本。其中,至少有两个样本对应不同的故障类型。当然每次执行时,步骤501可能对应着不同的故障类型(包括正常状态),也可以多次执行步骤501时都对应着同一故障类型。
本实施例中,不仅在实际使用前执行的步骤501至步骤505中形成的样本可以放入样本集用于训练模型。若将来还有新产生的故障类型,或者已有的故障类型产生了新的样本,都可以再执行步骤501至步骤505以添加新的样本用于训练模型。这样不断添加新样本可以使得模型的参数更加精准,从而最终的检测结果更加准确、可靠。
在步骤507,采用多次执行步骤501至步骤507得到的样本集对DAG-SVM模型进行多分类的训练。具体地,例如按照图9所示的拓扑结构建立6个SVM分类器,并使用得到的样本集对分类器参数进行训练,得到最终的DAG-SVM模型。可以理解,本实施例中,使用故障类型的标号作为模型的输出,但是还可以使用其他输出来表示对应的故障类型,本发明对此并不加以限制。
在步骤509,获取执行实际任务时的运行状态数据。本实施例中,这里获取的运行状态数据例如也可以是使用G代码行号截取的进给轴电流和进给轴实际位置。本实施例中例如从步骤509开始进入使用阶段。在前述实施例中已经提到,使用阶段和训练阶段例如可以在不同的数控机床上完成。例如训练阶段在机床A上执行,而使用阶段可以在机床A上执行,也可以在同一型号的机床B上执行。并且,正如之前所述,使用阶段和训练阶段既可以完全分开,也可以彼此重叠。也即,可以在使用阶段也得到用于训练的样本,并对模型继续进行训练。可以理解,在使用阶段,不仅可以使用实际任务的G代码,例如也可以使用故障任务G代码,以获取运行状态数据。在使用故障任务G代码获取运行状态数据时,可以使得获取的运行状态数据更为贴近样本,由此模型的输出更为准确。而使用实际任务的G代码,可以减少非实际任务G代码的执行,使得生产更具有效率。
在步骤511,从运行状态数据中提取特征向量。该特征向量的维度参照样本集中特征向量的维度。因此,本实施例中,使用阶段提取的特征向量也包括时域特征中的进给轴负载电流的平均值、波动值和峰值,以及位置特征中的进给轴实际位置和进给轴负载电流的关系拟合曲线的弯曲值、对称轴和RSquare。
在步骤513,将特征向量输入训练好的DAG-SVM模型以得到该模型对输入的特征向量处理后得到的处理结果。本实施例中,该处理结果例如为故障类型的编号。
在步骤515,根据处理结果确定故障类型。本实施例中,可以直接根据故障类型的编号确定具体的故障类型。
由此,可以看到,通过方法500可以简便、低成本、准确地对进给轴的装配故障进行检测。
图10示出了根据本发明实施例提供的一种用于数控机床的进给轴装配故障的检测的装置1000的示意性框图。该装置1000包括:获取模块1001,被配置为获取与执行的工作任务对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态;提取模块1003,被配置为从所述第一运行状态数据中提取能够反映故障状态的第一特征向量,所述第一特征向量为多维的;输入模块1005,被配置为将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果,所述模型被训练以能够识别特征向量与故障类型之间的关系;以及故障确定模块1007,被配置为根据所述处理结果确定故障类型。
在本发明一实施例中,所述训练模块进一步包括:执行子模块,被配置为执行故障任务G代码以使得所述进给轴在特定工况下运动。
在本发明一实施例中,所述执行子模块被配置为执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。
在本发明一实施例中,所述执行子模块被配置为执行故障任务G代码以使得所述进给轴在特定进给速度下运动。
在本发明一实施例中,所述执行子模块被配置为执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动:在第一进给速度下进行正向直线运动;在第二进给速度下进行负向直线运动;在第三进给速度下进行直线往复运动。
在本发明一实施例中,所述执行的工作任务为所述故障任务G代码所对应的工作任务。
在本发明一实施例中,所述训练模块进一步包括:第二运行状态数据获取子模块,被配置为获取与执行的G代码对应的第三运行状态数据,所述第三运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第二故障类型的故障状态,所述第二故障类型不同于所述第一故障类型;第二特征向量提取子模块,被配置为从所述第三运行状态数据中提取能够反映所述第二故障类型的故障状态的第三特征向量,所述第三特征向量为多维的;第三模型训练子模块,被配置为将所述第三特征向量作为样本训练所述模型,以使得模型处理所述第三特征向量得到的处理结果对应于所述第二故障类型。
在本发明一实施例中,所述故障类型包括由进给轴机械装配引发的故障。
在本发明一实施例中,所述故障类型包括以下至少之一:预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。
在本发明一实施例中,所述模型为机器学习的多分类模型。
在本发明一实施例中,所述模型包括以下之一:softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。
在本发明一实施例中,所述第一运行状态数据为数控系统内部的电控数据。
图11示出了根据本发明实施例提供的一种用于训练数控机床的进给轴装配故障检测所用的模型的装置1100的示意性框图。该装置1100包括:第一运行状态获取模块1101,被配置为获取与执行的G代码对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第一故障类型的故障状态;第一特征向量提取模块1103,被配置为从所述第一运行状态数据中提取能够反映所述第一故障类型的故障状态的第一特征向量,所述第一特征向量为多维的;第一模型训练模块1105,被配置为将所述第一特征向量作为样本训练模型,以使得所述模型处理所述第一特征向量得到的处理结果对应于所述第一故障类型。
在本发明一实施例中,所述第一运行状态数据包括进给轴实际位置以及第一对象,所述第一对象包括以下至少之一:进给轴电流、进给轴功率、进给轴实际速度和振动信号。
在本发明一实施例中,所述第一特征向量包括所述第一对象的时域特征和位置特征。
在本发明一实施例中,所述时域特征包括以下至少之一:平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值,其中n为自然数。
在本发明一实施例中,所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。
在本发明一实施例中,所述关系拟合曲线的特征包括以下至少之一:曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。
在本发明一实施例中,所述关系拟合曲线由最小二乘法得到。
在本发明一实施例中,所述关系拟合曲线为二次曲线。
在本发明一实施例中,所述装置进一步包括:执行模块,被配置为执行故障任务G代码以使得所述进给轴在特定工况下运动。
在本发明一实施例中,所述执行模块被配置为执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。
在本发明一实施例中,所述执行模块被配置为执行故障任务G代码以使得所述进给轴在特定进给速度下运动。
在本发明一实施例中,所述执行模块被配置为执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动:在第一进给速度下进行正向直线运动;在第二进给速度下进行负向直线运动;在第三进给速度下进行直线往复运动。
在本发明一实施例中,所述装置进一步包括:第二运行状态获取模块,被配置为获取与执行的G代码对应的第二运行状态数据,所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第二故障类型的故障状态,所述第二故障类型不同于所述第一故障类型;第二特征向量提取模块,被配置为从所述第二运行状态数据中提取能够反映所述第二故障类型的故障状态的第二特征向量,所述第二特征向量为多维的;第二模型训练模块,被配置为将所述第二特征向量作为样本训练所述模型,以使得所述模型处理所述第二特征向量得到的处理结果对应于所述第二故障类型。
在本发明一实施例中,所述第一故障类型包括由进给轴机械装配引发的故障。
在本发明一实施例中,所述第一故障类型包括以下至少之一:预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。
在本发明一实施例中,所述模型为机器学习的多分类模型。
在本发明一实施例中,所述模型包括以下之一:softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。
在本发明一实施例中,所述第一运行状态数据为数控系统内部的电控数据。本实施例提供的装置1000和装置1100的具体实现可以参照相应的方法实施例,在此不再赘述。
为清晰起见,图10和图11中没有示出装置1000和装置1100所包括的所有可选单元或者子单元。上述方法实施例以及通过参考和结合能够得到的实施例所描述的所有特征和操作分别适用于装置1000,故在此不再赘述。
本领域技术人员可以理解,装置1000和装置1100中单元或子单元的划分不是限制性的而是示例性的,是为了更为方便本领域技术人员理解,从逻辑上描述其主要功能或操作。在装置1000和装置1100中,一个单元的功能可以由多个单元来实现;反之,多个单元也可由一个单元来实现。本发明并不对此加以限制。
同样的,本领域技术人员可以理解,可以采用各种方式来实现装置1000和装置1100所包含的单元,包括但不限于软件、硬件、固件或其任意组合,本发明并不对此加以限制。
本发明可以是系统、方法、计算机可读的存储介质和/或计算机程序产品。计算机可读存储介质例如可以是能够保持和存储由指令执行设备使用的指令的有形设备。
计算机可读/可执行的程序指令可以从计算机可读存储介质下载到各个计算/处理设备,也可以通过各种通信方式下载到外部计算机或外部存储设备。本发明并不具体限制用于实现计算机可读/可执行的程序指令的具体编程语言或者指令。
这里参照根据本发明实施例的方法、装置(系统)的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读/可执行的程序指令实现。
以上已经描述了本发明的各实施例,如上描述中已经说明,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例,各实施例之间彼此可以参考和结合得到更多的实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (80)
1.一种用于数控机床的进给轴装配故障检测的方法,所述方法包括:
获取与执行的工作任务对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态;
从所述第一运行状态数据中提取能够反映故障状态的第一特征向量,所述第一特征向量为多维的;
将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果,所述模型被训练以能够识别特征向量与故障类型之间的关系;以及根据所述处理结果确定故障类型。
2.根据权利要求1所述的方法,其中,所述第一运行状态数据包括进给轴实际位置以及第一对象,所述第一对象包括以下至少之一:进给轴电流、进给轴功率、进给轴实际速度和振动信号。
3.根据权利要求2所述的方法,其中,所述第一特征向量包括所述第一对象的时域特征和位置特征。
4.根据权利要求3所述的方法,其中,所述时域特征包括以下至少之一:平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值,其中n为自然数。
5.根据权利要求3所述的方法,其中,所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。
6.根据权利要求5所述的方法,其中所述关系拟合曲线的特征包括以下至少之一:曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。
7.根据权利要求5所述的方法,其中,所述关系拟合曲线由最小二乘法得到。
8.根据权利要求5所述的方法,其中,所述关系拟合曲线为二次曲线。
9.根据权利要求1所述的方法,其中,所述方法进一步包括训练所述模型,所述训练所述模型包括:
获取与执行的G代码对应的第二运行状态数据,所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第一故障类型的故障状态;
从所述第二运行状态数据中提取能够反映所述第一故障类型的故障状态的第二特征向量,所述第二特征向量为多维的;
将所述第二特征向量作为样本训练所述模型,以使得模型处理所述第二特征向量得到的处理结果对应于所述第一故障类型。
10.根据权利要求9所述的方法,其中,所述训练所述模型进一步包括:执行故障任务G代码以使得所述进给轴在特定工况下运动。
11.根据权利要求10所述的方法,其中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。
12.根据权利要求10所述的方法,其中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴在特定进给速度下运动。
13.根据权利要求10所述的方法,其中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动:
在第一进给速度下进行正向直线运动;
在第二进给速度下进行负向直线运动;
在第三进给速度下进行直线往复运动。
14.根据权利要求10所述的方法,其中,所述执行的工作任务为所述故障任务G代码所对应的工作任务。
15.根据权利要求9所述的方法,其中,所述训练所述模型进一步包括:
获取与执行的G代码对应的第三运行状态数据,所述第三运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第二故障类型的故障状态,所述第二故障类型不同于所述第一故障类型;
从所述第三运行状态数据中提取能够反映所述第二故障类型的故障状态的第三特征向量,所述第三特征向量为多维的;
将所述第三特征向量作为样本训练所述模型,以使得模型处理所述第三特征向量得到的处理结果对应于所述第二故障类型。
16.根据权利要求1所述的方法,其中,所述故障类型包括由进给轴机械装配引发的故障。
17.根据权利要求1所述的方法,其中,所述故障类型包括以下至少之一:预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。
18.根据权利要求15所述的方法,其中,所述模型为机器学习的多分类模型。
19.根据权利要求1至18中任一项所述的方法,其中,所述模型包括以下之一:softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。
20.根据权利要求1至18中任一项所述的方法,其中,所述第一运行状态数据为数控系统内部的电控数据。
21.一种用于数控机床的进给轴装配故障检测的装置,所述装置包括:
获取模块,被配置为获取与执行的工作任务对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态;
提取模块,被配置为从所述第一运行状态数据中提取能够反映故障状态的第一特征向量,所述第一特征向量为多维的;
输入模块,被配置为将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果,所述模型被训练以能够识别特征向量与故障类型之间的关系;以及
故障确定模块,被配置为根据所述处理结果确定故障类型。
22.根据权利要求21所述的装置,其中,所述第一运行状态数据包括进给轴实际位置以及第一对象,所述第一对象包括以下至少之一:进给轴电流、进给轴功率、进给轴实际速度和振动信号。
23.根据权利要求22所述的装置,其中,所述第一特征向量包括所述第一对象的时域特征和位置特征。
24.根据权利要求23所述的装置,其中,所述时域特征包括以下至少之一:平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值,其中n为自然数。
25.根据权利要求23所述的装置,其中,所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。
26.根据权利要求25所述的装置,其中所述关系拟合曲线的特征包括以下至少之一:曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。
27.根据权利要求25所述的装置,其中,所述关系拟合曲线由最小二乘法得到。
28.根据权利要求25所述的装置,其中,所述关系拟合曲线为二次曲线。
29.根据权利要求21所述的装置,其中,所述装置进一步包括训练模块被配置为训练所述模型,所述训练模块包括:
第一运行状态数据获取子模块,被配置为获取与执行的G代码对应的第二运行状态数据,所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第一故障类型的故障状态;
第一特征向量提取子模块,被配置为从所述第二运行状态数据中提取能够反映所述第一故障类型的故障状态的第二特征向量,所述第二特征向量为多维的;
第一模型训练子模块,被配置为将所述第二特征向量作为样本训练所述模型,以使得模型处理所述第二特征向量得到的处理结果对应于所述第一故障类型。
30.根据权利要求29所述的装置,其中,所述训练模块进一步包括:执行子模块,被配置为执行故障任务G代码以使得所述进给轴在特定工况下运动。
31.根据权利要求30所述的装置,其中,所述执行子模块被配置为执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。
32.根据权利要求30所述的装置,其中,所述执行子模块被配置为执行故障任务G代码以使得所述进给轴在特定进给速度下运动。
33.根据权利要求30所述的装置,其中,所述执行子模块被配置为执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动:
在第一进给速度下进行正向直线运动;
在第二进给速度下进行负向直线运动;
在第三进给速度下进行直线往复运动。
34.根据权利要求30所述的装置,其中,所述执行的工作任务为所述故障任务G代码所对应的工作任务。
35.根据权利要求29所述的装置,其中,所述训练模块进一步包括:
第二运行状态数据获取子模块,被配置为获取与执行的G代码对应的第三运行状态数据,所述第三运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第二故障类型的故障状态,所述第二故障类型不同于所述第一故障类型;
第二特征向量提取子模块,被配置为从所述第三运行状态数据中提取能够反映所述第二故障类型的故障状态的第三特征向量,所述第三特征向量为多维的;
第三模型训练子模块,被配置为将所述第三特征向量作为样本训练所述模型,以使得模型处理所述第三特征向量得到的处理结果对应于所述第二故障类型。
36.根据权利要求21所述的装置,其中,所述故障类型包括由进给轴机械装配引发的故障。
37.根据权利要求21所述的装置,其中,所述故障类型包括以下至少之一:预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。
38.根据权利要求35所述的装置,其中,所述模型为机器学习的多分类模型。
39.根据权利要求21至38中任一项所述的装置,其中,所述模型包括以下之一:softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。
40.根据权利要求21至38中任一项所述的装置,其中,所述第一运行状态数据为数控系统内部的电控数据。
41.一种用于数控机床的进给轴装配故障检测的计算机系统,包括:
一个或多个处理器;
一个或多个计算机可读介质;
存储在计算机可读介质上的用于由一个或多个处理器中的至少一个执行的计算机程序指令,所述计算机程序指令包括用于执行权利要求1至20中任一项的方法的各步骤的计算机程序指令。
42.一种用于数控机床的进给轴装配故障检测的计算机可读存储介质,所述计算机可读存储介质上存储有至少一个可执行的计算机程序指令,所述计算机程序指令包括用于执行权利要求1至20中任一项的方法的各步骤的计算机程序指令。
43.一种用于训练数控机床的进给轴装配故障检测所用的模型的方法,所述方法包括:
获取与执行的G代码对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第一故障类型的故障状态;
从所述第一运行状态数据中提取能够反映所述第一故障类型的故障状态的第一特征向量,所述第一特征向量为多维的;
将所述第一特征向量作为样本训练模型,以使得所述模型处理所述第一特征向量得到的处理结果对应于所述第一故障类型。
44.根据权利要求43所述的方法,其中,所述第一运行状态数据包括进给轴实际位置以及第一对象,所述第一对象包括以下至少之一:进给轴电流、进给轴功率、进给轴实际速度和振动信号。
45.根据权利要求44所述的方法,其中,所述第一特征向量包括所述第一对象的时域特征和位置特征。
46.根据权利要求45所述的方法,其中,所述时域特征包括以下至少之一:平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值,其中n为自然数。
47.根据权利要求45所述的方法,其中,所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。
48.根据权利要求47所述的方法,其中所述关系拟合曲线的特征包括以下至少之一:曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。
49.根据权利要求47所述的方法,其中,所述关系拟合曲线由最小二乘法得到。
50.根据权利要求47所述的方法,其中,所述关系拟合曲线为二次曲线。
51.根据权利要求1所述的方法,其中,所述方法进一步包括:执行故障任务G代码以使得所述进给轴在特定工况下运动。
52.根据权利要求51所述的方法,其中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。
53.根据权利要求51所述的方法,其中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴在特定进给速度下运动。
54.根据权利要求51所述的方法,其中,所述执行故障任务G代码以使得所述进给轴在特定工况下运动,包括:执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动:
在第一进给速度下进行正向直线运动;
在第二进给速度下进行负向直线运动;
在第三进给速度下进行直线往复运动。
55.根据权利要求43所述的方法,其中,所述方法进一步包括:
获取与执行的G代码对应的第二运行状态数据,所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第二故障类型的故障状态,所述第二故障类型不同于所述第一故障类型;
从所述第二运行状态数据中提取能够反映所述第二故障类型的故障状态的第二特征向量,所述第二特征向量为多维的;
将所述第二特征向量作为样本训练所述模型,以使得所述模型处理所述第二特征向量得到的处理结果对应于所述第二故障类型。
56.根据权利要求43所述的方法,其中,所述第一故障类型包括由进给轴机械装配引发的故障。
57.根据权利要求43所述的方法,其中,所述第一故障类型包括以下至少之一:预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。
58.根据权利要求55所述的方法,其中,所述模型为机器学习的多分类模型。
59.根据权利要求43至55中任一项所述的方法,其中,所述模型包括以下之一:softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。
60.根据权利要求43至58中任一项所述的方法,其中,所述第一运行状态数据为数控系统内部的电控数据。
61.一种用于训练数控机床的进给轴装配故障检测所用的模型的装置,所述装置包括:
第一运行状态获取模块,被配置为获取与执行的G代码对应的第一运行状态数据,所述第一运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第一故障类型的故障状态;
第一特征向量提取模块,被配置为从所述第一运行状态数据中提取能够反映所述第一故障类型的故障状态的第一特征向量,所述第一特征向量为多维的;
第一模型训练模块,被配置为将所述第一特征向量作为样本训练模型,以使得所述模型处理所述第一特征向量得到的处理结果对应于所述第一故障类型。
62.根据权利要求61所述的装置,其中,所述第一运行状态数据包括进给轴实际位置以及第一对象,所述第一对象包括以下至少之一:进给轴电流、进给轴功率、进给轴实际速度和振动信号。
63.根据权利要求62所述的装置,其中,所述第一特征向量包括所述第一对象的时域特征和位置特征。
64.根据权利要求63所述的装置,其中,所述时域特征包括以下至少之一:平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值,其中n为自然数。
65.根据权利要求63所述的装置,其中,所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。
66.根据权利要求65所述的装置,其中所述关系拟合曲线的特征包括以下至少之一:曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。
67.根据权利要求65所述的装置,其中,所述关系拟合曲线由最小二乘法得到。
68.根据权利要求65所述的装置,其中,所述关系拟合曲线为二次曲线。
69.根据权利要求61所述的装置,其中,所述装置进一步包括:执行模块,被配置为执行故障任务G代码以使得所述进给轴在特定工况下运动。
70.根据权利要求69所述的装置,其中,所述执行模块被配置为执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。
71.根据权利要求69所述的装置,其中,所述执行模块被配置为执行故障任务G代码以使得所述进给轴在特定进给速度下运动。
72.根据权利要求69所述的装置,其中,所述执行模块被配置为执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动:
在第一进给速度下进行正向直线运动;
在第二进给速度下进行负向直线运动;
在第三进给速度下进行直线往复运动。
73.根据权利要求61所述的装置,其中,所述装置进一步包括:
第二运行状态获取模块,被配置为获取与执行的G代码对应的第二运行状态数据,所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态,且所述数控机床处于第二故障类型的故障状态,所述第二故障类型不同于所述第一故障类型;
第二特征向量提取模块,被配置为从所述第二运行状态数据中提取能够反映所述第二故障类型的故障状态的第二特征向量,所述第二特征向量为多维的;
第二模型训练模块,被配置为将所述第二特征向量作为样本训练所述模型,以使得所述模型处理所述第二特征向量得到的处理结果对应于所述第二故障类型。
74.根据权利要求61所述的装置,其中,所述第一故障类型包括由进给轴机械装配引发的故障。
75.根据权利要求61所述的装置,其中,所述第一故障类型包括以下至少之一:预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。
76.根据权利要求73所述的装置,其中,所述模型为机器学习的多分类模型。
77.根据权利要求61至76中任一项所述的装置,其中,所述模型包括以下之一:softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。
78.根据权利要求61至76中任一项所述的装置,其中,所述第一运行状态数据为数控系统内部的电控数据。
79.一种用于训练数控机床的进给轴装配故障检测所用的模型的计算机系统,包括:
一个或多个处理器;
一个或多个计算机可读介质;
存储在计算机可读介质上的用于由一个或多个处理器中的至少一个执行的计算机程序指令,所述计算机程序指令包括用于执行权利要求43至60中任一项的方法的各步骤的计算机程序指令。
80.一种用于训练数控机床的进给轴装配故障检测所用的模型的计算机可读存储介质,所述计算机可读存储介质上存储有至少一个可执行的计算机程序指令,所述计算机程序指令包括用于执行权利要求43至60中任一项的方法的各步骤的计算机程序指令。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610969385.1A CN106323633A (zh) | 2016-10-28 | 2016-10-28 | 一种基于指令域分析的进给轴装配故障的诊断方法 |
CN2016109693851 | 2016-10-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107942940A true CN107942940A (zh) | 2018-04-20 |
Family
ID=57816576
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610969385.1A Pending CN106323633A (zh) | 2016-10-28 | 2016-10-28 | 一种基于指令域分析的进给轴装配故障的诊断方法 |
CN201711012597.1A Pending CN107942940A (zh) | 2016-10-28 | 2017-10-26 | 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610969385.1A Pending CN106323633A (zh) | 2016-10-28 | 2016-10-28 | 一种基于指令域分析的进给轴装配故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN106323633A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447235A (zh) * | 2018-09-21 | 2019-03-08 | 华中科技大学 | 基于神经网络的进给系统模型训练和预测方法及其系统 |
CN109459975A (zh) * | 2018-11-13 | 2019-03-12 | 王鹂辉 | 数控机床智能部件信息协调感知神经元管控系统 |
CN109885951A (zh) * | 2019-02-28 | 2019-06-14 | 中科云创(厦门)科技有限公司 | 设备故障诊断方法及装置 |
CN110480418A (zh) * | 2019-07-26 | 2019-11-22 | 江苏杉能机床有限公司 | 一种卧式加工中心非标切削机床早期故障检测方法 |
WO2020041955A1 (zh) * | 2018-08-28 | 2020-03-05 | 大连理工大学 | 一种基于改进型拉开档次法的数控机床综合性能评价方法 |
CN111458116A (zh) * | 2020-03-10 | 2020-07-28 | 博世华域转向系统有限公司 | 一种汽车转向管柱装配质量检测方法 |
CN111623830A (zh) * | 2020-06-11 | 2020-09-04 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
CN114054785A (zh) * | 2020-08-03 | 2022-02-18 | 沈机(上海)智能系统研发设计有限公司 | 故障检测方法、系统、计算机可读存储介质及数控机床 |
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 |
CN114063566A (zh) * | 2020-08-03 | 2022-02-18 | 沈机(上海)智能系统研发设计有限公司 | 数控机床的进给轴故障检测方法、系统、介质及数控机床 |
US11549354B2 (en) * | 2018-03-06 | 2023-01-10 | The Texas A&M University System | Methods for real-time optimization of drilling operations |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11300949B2 (en) * | 2017-08-11 | 2022-04-12 | Jtekt Corporation | Data processing device of production equipment |
JP7000135B2 (ja) * | 2017-11-24 | 2022-01-19 | オークマ株式会社 | 送り軸の異常診断方法及び異常診断装置 |
CN108717287B (zh) * | 2018-05-29 | 2023-07-14 | 西安科技大学 | 半闭环控制方式下数控机床进给系统摩擦误差峰值预测方法 |
CN110752944B (zh) * | 2019-10-08 | 2022-07-12 | 中国联合网络通信集团有限公司 | 告警派单方法及装置 |
CN110686897A (zh) * | 2019-10-17 | 2020-01-14 | 中国矿业大学 | 一种基于子空间对齐的变工况滚动轴承故障诊断方法 |
CN111024147A (zh) * | 2019-12-26 | 2020-04-17 | 玳能科技(杭州)有限公司 | 基于CNNs的元件安装检测方法、装置、电子设备及存储介质 |
CN111273609B (zh) * | 2020-03-23 | 2023-03-28 | 江苏科技大学 | 一种用于数控切割设备状态监测、故障判断的方法及系统 |
US11353991B2 (en) | 2020-05-07 | 2022-06-07 | Novatek Microelectronics Corp. | Method for driving touch-and-display device, driving circuit, and touch-and-display device |
US11609657B2 (en) | 2020-05-07 | 2023-03-21 | Novatek Microelectronics Corp. | Method for driving touch-and-display device, driving circuit, and touch-and-display device |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN104807660A (zh) * | 2015-04-19 | 2015-07-29 | 北京工业大学 | 一种数控磨床进给系统可靠性试验装置 |
CN104932421A (zh) * | 2015-06-19 | 2015-09-23 | 华中科技大学 | 一种基于指令域分析的数控机床工作过程cps建模方法 |
CN104950811A (zh) * | 2015-06-16 | 2015-09-30 | 华中科技大学 | 一种数控机床进给系统装配质量的快速判别方法 |
JP2016520464A (ja) * | 2013-03-19 | 2016-07-14 | マッシブ・アナリティック・リミテッド | 自己運転または部分的に自己運転する陸上車両を制御するための装置 |
CN105974886A (zh) * | 2016-06-28 | 2016-09-28 | 华中科技大学 | 一种数控机床的健康监测方法 |
-
2016
- 2016-10-28 CN CN201610969385.1A patent/CN106323633A/zh active Pending
-
2017
- 2017-10-26 CN CN201711012597.1A patent/CN107942940A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016520464A (ja) * | 2013-03-19 | 2016-07-14 | マッシブ・アナリティック・リミテッド | 自己運転または部分的に自己運転する陸上車両を制御するための装置 |
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN104807660A (zh) * | 2015-04-19 | 2015-07-29 | 北京工业大学 | 一种数控磨床进给系统可靠性试验装置 |
CN104950811A (zh) * | 2015-06-16 | 2015-09-30 | 华中科技大学 | 一种数控机床进给系统装配质量的快速判别方法 |
CN104932421A (zh) * | 2015-06-19 | 2015-09-23 | 华中科技大学 | 一种基于指令域分析的数控机床工作过程cps建模方法 |
CN105974886A (zh) * | 2016-06-28 | 2016-09-28 | 华中科技大学 | 一种数控机床的健康监测方法 |
Non-Patent Citations (1)
Title |
---|
吴希曦: "高档数控机床关键部件故障智能诊断技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11549354B2 (en) * | 2018-03-06 | 2023-01-10 | The Texas A&M University System | Methods for real-time optimization of drilling operations |
WO2020041955A1 (zh) * | 2018-08-28 | 2020-03-05 | 大连理工大学 | 一种基于改进型拉开档次法的数控机床综合性能评价方法 |
US10814448B2 (en) | 2018-08-28 | 2020-10-27 | Dalian University Of Technology | Comprehensive performance evaluation method for CNC machine tools based on improved pull-off grade method |
CN109447235A (zh) * | 2018-09-21 | 2019-03-08 | 华中科技大学 | 基于神经网络的进给系统模型训练和预测方法及其系统 |
CN109447235B (zh) * | 2018-09-21 | 2021-02-02 | 华中科技大学 | 基于神经网络的进给系统模型训练和预测方法及其系统 |
CN109459975A (zh) * | 2018-11-13 | 2019-03-12 | 王鹂辉 | 数控机床智能部件信息协调感知神经元管控系统 |
CN109885951A (zh) * | 2019-02-28 | 2019-06-14 | 中科云创(厦门)科技有限公司 | 设备故障诊断方法及装置 |
CN110480418A (zh) * | 2019-07-26 | 2019-11-22 | 江苏杉能机床有限公司 | 一种卧式加工中心非标切削机床早期故障检测方法 |
CN111458116A (zh) * | 2020-03-10 | 2020-07-28 | 博世华域转向系统有限公司 | 一种汽车转向管柱装配质量检测方法 |
CN111623830A (zh) * | 2020-06-11 | 2020-09-04 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
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 |
CN114063566A (zh) * | 2020-08-03 | 2022-02-18 | 沈机(上海)智能系统研发设计有限公司 | 数控机床的进给轴故障检测方法、系统、介质及数控机床 |
CN114054785A (zh) * | 2020-08-03 | 2022-02-18 | 沈机(上海)智能系统研发设计有限公司 | 故障检测方法、系统、计算机可读存储介质及数控机床 |
CN114063566B (zh) * | 2020-08-03 | 2024-04-12 | 沈机(上海)智能系统研发设计有限公司 | 数控机床的进给轴故障检测方法、系统、介质及数控机床 |
Also Published As
Publication number | Publication date |
---|---|
CN106323633A (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107942940A (zh) | 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN103324937A (zh) | 标注目标的方法和装置 | |
CN110411580B (zh) | 一种电力设备发热缺陷的诊断方法以及诊断系统 | |
CN108985279A (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
CN106762343B (zh) | 基于在线数据的水轮发电机组推力轴承故障的诊断方法 | |
CN107479540B (zh) | 故障诊断方法以及系统 | |
CN107835964A (zh) | 控制情境化以及关于控制的推理 | |
CN107271127A (zh) | 基于自迭代主元抽取的工作模态参数识别方法及装置 | |
CN115683235B (zh) | 一种工业机器人伺服电机振动故障检测方法及装置 | |
KR20220062547A (ko) | 센서 애그나스틱 기계적 기계 결함 식별 | |
CN106326597A (zh) | 一种地下水污染检测评估系统 | |
CN116991738A (zh) | 一种计算机软件测试系统、方法、计算机设备及存储介质 | |
CN102419593B (zh) | 基于数据挖掘的传感器故障诊断方法 | |
CN115034147B (zh) | 一种基于数字孪生的智能制造系统 | |
CN110245582A (zh) | 一种基于深度学习用于识别位图中单类别元器件的方法 | |
CN116070134A (zh) | 一种基于原型学习的智能设备故障诊断方法及系统 | |
CN102938068B (zh) | 桥梁结构多体系损伤识别方法 | |
US11886831B2 (en) | Data sorting device and method, and monitoring and diagnosis device | |
JP2018140680A (ja) | 位置決定装置、それを備えた位置決定システム、及び位置決定方法並びに位置決定プログラム | |
CN115755910B (zh) | 一种家庭服务机器人的控制方法及系统 | |
CN105892406B (zh) | 智能测评开放式运动控制实验教学装置 | |
Jura et al. | Fault Diagnosis in Manufacturing Systems Using Machine Vision | |
CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |
|
RJ01 | Rejection of invention patent application after publication |