CN108620950B - 一种车削刀具加工状态监测方法及系统 - Google Patents
一种车削刀具加工状态监测方法及系统 Download PDFInfo
- Publication number
- CN108620950B CN108620950B CN201810432869.1A CN201810432869A CN108620950B CN 108620950 B CN108620950 B CN 108620950B CN 201810432869 A CN201810432869 A CN 201810432869A CN 108620950 B CN108620950 B CN 108620950B
- Authority
- CN
- China
- Prior art keywords
- machining state
- data
- monitoring
- numerical control
- control lathe
- 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.)
- Active
Links
Images
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
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及刀具加工状态监测技术领域，具体公开了一种车削刀具加工状态监测方法，其中，包括：采集数控车床主轴三相电流特征信号；对所述数控车床主轴三相电流特征信号进行数据清洗得到预处理数据；提取所述预处理数据中的特征相关系数；将所述特征相关系数加载至数据系统中进行运行实现数控车床刀具加工状态监测。本发明还公开了一种车削刀具加工状态监测系统。本发明提供的车削刀具加工状态监测方法能够实现数控车床刀具运行状态故障异常实时预测，避免对工业生产产生进一步的损失。
Description
技术领域
本发明涉及刀具加工状态监测技术领域，尤其涉及一种车削刀具加工状态监测方法及一种车削刀具加工状态监测系统。
背景技术
目前，机械加工领域随着计算机和自动化技术的发展，正朝着智能制造方向发展。制造加工系统最基本的要求就是加工系统能自动对生产加工过程中出现的故障进行有效的在线监测和调整。机械加工过程中的基本元素刀具的磨损、崩刃等异常情况会引起机床的振动、工件表面质量和加工尺寸的精度下降等，因此对于刀具工作状况的监控有非常重大的意义。
数控车床刀具加工状态识别是一个多因素、非线性的问题，其中影响因素如切削参数主要包括切深、切宽、转速和进给。将多种因素综合考虑构成了不同参数下的不同加工状态及正常或非正常的物理信号特征。常用的监测刀具磨损的方法可以分为直接测量法和间接测量法。直接测量法即直接测量刀面磨损带中间部分的平均磨损量。传统的刀具磨损检测方法是基于刀具体积损失的相关特征，通过接触测量或者CCD成像等，直接获得刀具的磨损值，该方法易受加工环境的影响，不便在实时加工中进行在线测量。间接测量法则是通过测量与刀具磨损有关的物理量如切削力、声发射等，并建立刀具磨损与这些量测量的对应关系，实现间接测量。在实际检测中由于振动和测量噪声的干扰，采用间接测量法判断刀具的磨损易出错，造成误判，而且由于刀具的正常磨损和异常磨损之间的界限具有一定的不确定性，因而预先确定阈值较为困难。例如见中国专利：一种基于电流与声发射复合信号的刀具磨损监测方法，专利申请号为：CN201510116263.3，通过获取主轴电机的电流信号和车工磨损状态的声发射信号结合小波包分析、相关性分析和主成分分析方法自适应提取刀具当前磨损状态的特征信息，判断刀具磨损程度；中国专利：一种刀具磨损检测方法，专利申请号：CN201310442967.0，采集各种不同磨损状态的声发射信号、机床主轴中的电流信号、切削速度、切削深度和进给量作为条件属性，建立决策表，通过遗传算法对BP神经网络进行训练和学习，然后用训练好的神经网络对刀具磨损程度进行预测。这些方法都存在一些不足，如需要获得某些不方便检测的信号声发射信号、振动信号等，传感器布置麻烦等问题且方法计算复杂，或者算法复杂度高难以在线运行，这类方法工程中难以实现。
因此，如何实现对数控车床刀具的加工状态进行监测成为本领域技术人员亟待解决的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种车削刀具加工状态监测方法及一种车削刀具加工状态监测系统，以解决现有技术中的问题。
作为本发明的第一个方面，提供一种车削刀具加工状态监测方法，其中，所述车削刀具加工状态监测方法包括：
采集数控车床主轴三相电流特征信号；
对所述数控车床主轴三相电流特征信号进行数据清洗得到预处理数据；
提取所述预处理数据中的特征相关系数；
将所述特征相关系数加载至数据系统中进行运行实现数控车床刀具加工状态监测。
优选地，所述对所述数控车床主轴三相电流特征信号进行数据清洗得到预处理数据包括：
将所述数控车床主轴三相电流特征信号加载到数据清洗模型；
在所述数据清洗模型中对所述数控车床主轴三相电流特征信号进行均值滤波、窗口滤波和互补滤波处理，得到所述预处理数据。
优选地，所述提取所述预处理数据中的特征相关系数包括：
将清洗完的数控车床刀具加工状态的正常数据及异常数据分别导入神经网络学习模型进行机器学习得到刀具加工状态模型；
提取所述刀具加工状态模型中的不同故障对应的数据特征作为所述特征相关系数。
优选地，所述将所述特征相关系数加载至数据系统中进行运行实现数控车床刀具加工状态监测包括：
将所述特征相关系数加载至数据系统中进行运行；
当监测到数控车床刀具加工状态的已有故障数据时，则分析故障原因；
当监测到数控车床刀具加工状态正常时，则预测数控车床刀具加工状态能够出现的故障。
优选地，所述数据系统包括树莓派类UNIX系统。
作为本发明的第二个方面，提供一种车削刀具加工状态监测系统，其中，所述车削刀具加工状态监测系统包括：
采集装置，所述采集装置用于采集数控车床主轴三相电流特征信号；
预处理装置，所述预处理装置用于对所述数控车床主轴三相电流特征信号进行数据清洗得到预处理数据；
特征提取装置，所述特征提取装置用于提取所述预处理数据中的特征相关系数；
监测装置，所述监测装置用于将所述特征相关系数加载至数据系统中进行运行实现数控车床刀具加工状态监测。
优选地，所述采集装置包括传感器和树莓派，所述树莓派与所述传感器连接，所述传感器设置在数控车床上，能够采集所述数控车床主轴三相电流特征信号，并将采集到的所述数控车床主轴三相电流特征信号发送至所述树莓派。
优选地，所述采集装置还包括模数转换模块，所述模数转换模块分别与所述传感器和所述树莓派连接，所述模数转换模块能够将所述传感器采集到的模拟信号转换为数字信号。
优选地，所述传感器包括霍尔电流传感器。
优选地，所述树莓派包括型号为RPi3B型的树莓派。
本发明提供的车削刀具加工状态监测方法，通过对数控车床主轴三相电流特征信号进行采集，然后经过处理后得到特征相关系数，最后将特征相关系数加载到数据系统中运行实现数控车床刀具加工状态的监测，本发明提供的这种车削刀具加工状态监测方法能够实现数控车床刀具运行状态故障异常实时预测，避免对工业生产产生进一步的损失。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1为本发明提供的车削刀具加工状态监测方法的流程图。
图2为本发明提供的车削刀具加工状态监测方法的具体实施方式流程图。
图3为本发明提供的采集的数控车床刀具正常工作特征信号波形图。
图4为本发明提供的采集并经过处理后的电流信号波形图。
图5为本发明提供的采集经特征提取后的数控车床刀具崩刃状态特征信号波形图。
图6为本发明提供的实时数据曲线及刀具加工状态示意图。
图7为本发明提供的车削刀具加工状态监测系统的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
作为本发明的第一个方面，提供一种车削刀具加工状态监测方法，其中，所述车削刀具加工状态监测方法包括：
S110、采集数控车床主轴三相电流特征信号；
S120、对所述数控车床主轴三相电流特征信号进行数据清洗得到预处理数据；
S130、提取所述预处理数据中的特征相关系数；
S140、将所述特征相关系数加载至数据系统中进行运行实现数控车床刀具加工状态监测。
本发明提供的车削刀具加工状态监测方法，通过对数控车床主轴三相电流特征信号进行采集，然后经过处理后得到特征相关系数，最后将特征相关系数加载到数据系统中运行实现数控车床刀具加工状态的监测，本发明提供的这种车削刀具加工状态监测方法能够实现数控车床刀具运行状态故障异常实时预测，避免对工业生产产生进一步的损失。
具体地，所述对所述数控车床主轴三相电流特征信号进行数据清洗得到预处理数据包括：
将所述数控车床主轴三相电流特征信号加载到数据清洗模型；
在所述数据清洗模型中对所述数控车床主轴三相电流特征信号进行均值滤波、窗口滤波和互补滤波处理，得到所述预处理数据。
具体地，所述提取所述预处理数据中的特征相关系数包括：
将清洗完的数控车床刀具加工状态的正常数据及异常数据分别导入神经网络学习模型进行机器学习得到刀具加工状态模型；
提取所述刀具加工状态模型中的不同故障对应的数据特征作为所述特征相关系数。
具体地，所述将所述特征相关系数加载至数据系统中进行运行实现数控车床刀具加工状态监测包括：
将所述特征相关系数加载至数据系统中进行运行；
当监测到数控车床刀具加工状态的已有故障数据时，则分析故障原因；
当监测到数控车床刀具加工状态正常时，则预测数控车床刀具加工状态能够出现的故障。
优选地，所述数据系统包括树莓派类UNIX系统。
本发明提供的车削刀具加工状态监测方法，大幅提高加工装备的可靠性与生产效率，充分发掘智能制造大数据的价值链条，使得大数据真正成为未来智能制造的使能技术。本发明通过软硬件集成的数据采集装置采集数控车床主轴三相电流特征信号，然后信号经清洗后，分析清洗后数据的因果性和相关性，找出一些隐含的物理规律，提取可以表征刀具加工状况异常的特征系数，对实时采集的电流信号进行分析，实现车削刀具加工状况异常监测，提前终止设备运行，降低生产成本。
下面结合图2对本发明提供的车削刀具加工状态监测方法的具体工作过程进行详细描述。
（1）利用RPi3 B型树莓派搭载AD7606模块，编写并调试采集指令，设计成为可直多种传感器，输入范围为±5V，8通道，最大采样频率200Ksps的数据采集装置。在数控车床适当位置安装霍尔电流传感器并连接至数据采集装置，采集数控车床主轴三相电流UVW。大量重复实验，采集大量刀具全生命周期下的电流随时间变化的曲线以及刀具切换时数控车床驱动电机的三相输出电流的变化曲线，如图3所示。
（2）将采集到的信号经数据清洗模型，通过均值滤波、窗口滤波、互补滤波等算法对数据进行处理，为后续刀具加工状态异常特征提取提供可信的数据来源，如图4所示。
（3）将正常工作数据与异常数据导入神经网络模型进行机器学习，得到刀具加工状态模型并提取不同故障对应的数据特征，如图5，其中框内为刀具加工状况异常。该参数准确反应了机械手臂的特征信号与机械手臂轨迹异常概率的相关关系，为下一步在线预测轨迹异常提供依据。
（4）将离线得到的特征数据进行在线转换，并以搭建状态监测系统进而封装至树莓派类UNIX平台中，如实物图6，提供实时数据曲线以及刀具加工状态。
作为本发明提供的一种车削刀具加工状态监测系统，其中，如图7所示，所述车削刀具加工状态监测系统10包括：
采集装置110，所述采集装置110用于采集数控车床主轴三相电流特征信号；
预处理装置120，所述预处理装置120用于对所述数控车床主轴三相电流特征信号进行数据清洗得到预处理数据；
特征提取装置130，所述特征提取装置130用于提取所述预处理数据中的特征相关系数；
监测装置140，所述监测装置140用于将所述特征相关系数加载至数据系统中进行运行实现数控车床刀具加工状态监测。
本发明提供的车削刀具加工状态监测系统，通过对数控车床主轴三相电流特征信号进行采集，然后经过处理后得到特征相关系数，最后将特征相关系数加载到数据系统中运行实现数控车床刀具加工状态的监测，本发明提供的这种车削刀具加工状态监测系统能够实现数控车床刀具运行状态故障异常实时预测，避免对工业生产产生进一步的损失。
具体地，所述采集装置110包括传感器和树莓派，所述树莓派与所述传感器连接，所述传感器设置在数控车床上，能够采集所述数控车床主轴三相电流特征信号，并将采集到的所述数控车床主轴三相电流特征信号发送至所述树莓派。
具体地，所述采集装置110还包括模数转换模块，所述模数转换模块分别与所述传感器和所述树莓派连接，所述模数转换模块能够将所述传感器采集到的模拟信号转换为数字信号。
优选地，所述传感器包括霍尔电流传感器。
优选地，所述树莓派包括型号为RPi3B型的树莓派。
关于本发明提供的车削刀具加工状态监测系统的工作过程可以参照前文的描述，此处不再赘述。
本发明提供的车削刀具加工状态监测方法，旨在将机器学习领域方法应用于数控车床刀具状态异常监测问题，从中提取出刀具加工状态异常的关键特征，建立起一套通用化的车削刀具状态实时在线故障异常监测系统。该方法采用的机器学习理论算法简单易实现且适用于在线计算，可实现数控车床刀具运行状态故障异常实时预测，避免对工业生产产生进一步的损失；且本方法只采集数控机床主轴三相电流UVW，布置由霍尔电流传感器、树莓派以及相应AD模块设计而成的数据采集装置，便可方便的采集相关信号，传感器的布置不影响数控车床的正常工作过程，不改变数控车床本身物理结构，工程中容易实现。挖掘生产过程新特征，揭示生产过程新的因果性与相关性机理，深刻诠释生产过程的物理本质，大幅提高加工装备的可靠性与效率，充分发掘智能制造大数据的价值链条，使得大数据真正成为未来智能制造的使能技术。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种车削刀具加工状态监测方法，其特征在于，所述车削刀具加工状态监测方法包括：
采集数控车床主轴三相电流特征信号；
对所述数控车床主轴三相电流特征信号进行数据清洗得到预处理数据；
提取所述预处理数据中的特征相关系数；
将所述特征相关系数加载至数据系统中进行运行实现数控车床刀具加工状态监测；
其中，所述提取所述预处理数据中的特征相关系数包括：
将清洗完的数控车床刀具加工状态的正常数据及异常数据分别导入神经网络学习模型进行机器学习得到刀具加工状态模型；
提取所述刀具加工状态模型中的不同故障对应的数据特征作为所述特征相关系数；
所述将所述特征相关系数加载至数据系统中进行运行实现数控车床刀具加工状态监测包括：
将所述特征相关系数加载至数据系统中进行运行；
当监测到数控车床刀具加工状态的已有故障数据时，则分析故障原因；
当监测到数控车床刀具加工状态正常时，则预测数控车床刀具加工状态能够出现的故障。
2.根据权利要求1所述的车削刀具加工状态监测方法，其特征在于，所述对所述数控车床主轴三相电流特征信号进行数据清洗得到预处理数据包括：
将所述数控车床主轴三相电流特征信号加载到数据清洗模型；
在所述数据清洗模型中对所述数控车床主轴三相电流特征信号进行均值滤波、窗口滤波和互补滤波处理，得到所述预处理数据。
3.根据权利要求1所述的车削刀具加工状态监测方法，其特征在于，所述数据系统包括树莓派类UNIX系统。
4.一种用于实现权利要求1至3中任意一项所述的车削刀具加工状态监测方法的车削刀具加工状态监测系统，其特征在于，所述车削刀具加工状态监测系统包括：
采集装置，所述采集装置用于采集数控车床主轴三相电流特征信号；
预处理装置，所述预处理装置用于对所述数控车床主轴三相电流特征信号进行数据清洗得到预处理数据；
特征提取装置，所述特征提取装置用于提取所述预处理数据中的特征相关系数；
监测装置，所述监测装置用于将所述特征相关系数加载至数据系统中进行运行实现数控车床刀具加工状态监测。
5.根据权利要求4所述的车削刀具加工状态监测系统，其特征在于，所述采集装置包括传感器和树莓派，所述树莓派与所述传感器连接，所述传感器设置在数控车床上，能够采集所述数控车床主轴三相电流特征信号，并将采集到的所述数控车床主轴三相电流特征信号发送至所述树莓派。
6.根据权利要求4所述的车削刀具加工状态监测系统，其特征在于，所述采集装置还包括模数转换模块，所述模数转换模块分别与所述传感器和所述树莓派连接，所述模数转换模块能够将所述传感器采集到的模拟信号转换为数字信号。
7.根据权利要求4所述的车削刀具加工状态监测系统，其特征在于，所述传感器包括霍尔电流传感器。
8.根据权利要求4所述的车削刀具加工状态监测系统，其特征在于，所述树莓派包括型号为RPi3B型的树莓派。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810432869.1A CN108620950B (zh) | 2018-05-08 | 2018-05-08 | 一种车削刀具加工状态监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810432869.1A CN108620950B (zh) | 2018-05-08 | 2018-05-08 | 一种车削刀具加工状态监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108620950A CN108620950A (zh) | 2018-10-09 |
| CN108620950B true CN108620950B (zh) | 2021-02-02 |
Family
ID=63695886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810432869.1A Active CN108620950B (zh) | 2018-05-08 | 2018-05-08 | 一种车削刀具加工状态监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108620950B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109909804B (zh) * | 2018-12-21 | 2021-06-25 | 北京工业大学 | 基于主轴驱动电流和工步的刀具磨损破损在线监测方法 |
| CN109901595A (zh) * | 2019-04-16 | 2019-06-18 | 山东大学 | 一种基于单目摄像头和树莓派的自动驾驶系统及方法 |
| TWI687277B (zh) * | 2019-05-24 | 2020-03-11 | 國立虎尾科技大學 | 刀具磨耗預測方法 |
| CN111300148A (zh) * | 2020-03-20 | 2020-06-19 | 中色奥博特铜铝业有限公司 | 一种电流信号监测刀具磨损的方法 |
| CN111774933B (zh) * | 2020-06-30 | 2022-06-03 | 华中科技大学无锡研究院 | 机床刀具实时监测并自动换备刀方法以及机床刀具实时监测系统 |
| CN111948976B (zh) * | 2020-07-31 | 2022-03-15 | 深圳吉兰丁智能科技有限公司 | 刀具状态监控方法、非易失性可读存储介质及电子设备 |
| CN112958840B (zh) * | 2021-02-10 | 2022-06-14 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 精密零件加工削力信号自动分段方法 |
| CN112710358B (zh) * | 2021-03-29 | 2021-06-25 | 南京诚远高新科技有限公司 | 一种智能机床状态监测装置及其状态监测方法 |
| CN117884955B (zh) * | 2024-03-14 | 2024-06-07 | 天津市漠金博实机电科技股份有限公司 | 一种基于机器视觉的数控车床加工辅助系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11267949A (ja) * | 1998-03-20 | 1999-10-05 | Kawasaki Heavy Ind Ltd | 工具摩耗検知装置および方法 |
| CN105196114A (zh) * | 2015-11-05 | 2015-12-30 | 西安科技大学 | 基于小波分析和神经网络的刀具磨损实时在线监测方法 |
| CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102091972B (zh) * | 2010-12-28 | 2013-06-05 | 华中科技大学 | 一种数控机床刀具磨损监测方法 |
| CN202726639U (zh) * | 2012-08-14 | 2013-02-13 | 沈阳机床（集团）设计研究院有限公司 | 基于数控铣床主轴伺服电机电流信号的切削状态监测系统 |
| KR20140090023A (ko) * | 2013-01-08 | 2014-07-16 | 현대위아 주식회사 | 공작기계의 공구이상 검출장치 및 방법 |
| CN103264317B (zh) * | 2013-05-16 | 2015-11-18 | 湖南科技大学 | 一种铣削加工刀具运行可靠性的评估方法 |
| CN105312965B (zh) * | 2015-12-08 | 2017-05-10 | 华中科技大学 | 一种铣削加工刀具破损监测方法 |
| CN106514434B (zh) * | 2016-12-30 | 2018-04-24 | 华中科技大学 | 一种基于数据的铣削刀具磨损监测方法 |
-
2018
- 2018-05-08 CN CN201810432869.1A patent/CN108620950B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11267949A (ja) * | 1998-03-20 | 1999-10-05 | Kawasaki Heavy Ind Ltd | 工具摩耗検知装置および方法 |
| CN105196114A (zh) * | 2015-11-05 | 2015-12-30 | 西安科技大学 | 基于小波分析和神经网络的刀具磨损实时在线监测方法 |
| CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于电流分析法的车床刀具状态监测技术研究;吴远昊;《中国优秀硕士学位论文全文数据库（工程科技I辑）》;20170715(第07期);论文正文第4-5、14-53页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108620950A (zh) | 2018-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108620950B (zh) | 一种车削刀具加工状态监测方法及系统 | |
| CN105081879B (zh) | 一种数控机床主轴的故障诊断与预测的方法 | |
| CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
| CN106514434B (zh) | 一种基于数据的铣削刀具磨损监测方法 | |
| JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
| CN108846581A (zh) | 一种机床刀具可靠性评估系统及方法 | |
| CN110045679B (zh) | 基于边缘计算的机床多源数据采集与数据质量评估方法 | |
| CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
| CA2098943A1 (en) | System and method for dectecting cutting tool failure | |
| TWM575368U (zh) | 智能化工具機雲端運算系統 | |
| CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
| CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
| CN114965924A (zh) | 污水污染物浓度检测系统 | |
| CN113341879A (zh) | 一种数控机床的数据采集与监控方法及系统 | |
| CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
| CN108723895B (zh) | 一种用于钻削加工状态实时监测的信号分割方法 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| CN111176215A (zh) | 数控机床运行状态辨识系统及辨识方法 | |
| CN109598309B (zh) | 一种金属包装冲压机的检测系统及其监测方法 | |
| CN112783138B (zh) | 生产线设备加工稳定性智能监控和异常诊断方法及装置 | |
| CN114281052A (zh) | 机械设备运行状态监控装置、系统及方法 | |
| CN117724403A (zh) | 一种基于数字孪生技术的数控机床 | |
| CN112859741A (zh) | 一种机床顺序动作单元运行可靠性评价方法及系统 | |
| CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221102 Address after: 226010 Floor 4, Building 8, Zilang Science and Technology City, No. 60 Chongzhou Avenue, Xiaohai Street, Nantong Development Zone, Jiangsu Province Patentee after: Yuanshi Intelligent Technology (Nantong) Co.,Ltd. Address before: 214100 no.329 Yanxin Road, Huishan District, Wuxi City, Jiangsu Province Patentee before: HUST-WUXI Research Institute |