CN109615643A - 一种基于加工画像分析的机床故障预警方法 - Google Patents
一种基于加工画像分析的机床故障预警方法 Download PDFInfo
- Publication number
- CN109615643A CN109615643A CN201811513756.0A CN201811513756A CN109615643A CN 109615643 A CN109615643 A CN 109615643A CN 201811513756 A CN201811513756 A CN 201811513756A CN 109615643 A CN109615643 A CN 109615643A
- Authority
- CN
- China
- Prior art keywords
- processing
- portrait
- current
- cutter
- early warning
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及工业设备数据的采集与分析技术领域,其目的在于提供一种基于加工画像分析的机床故障预警方法。本发明主要包括以下步骤:S1:指定标准零件,形成标准零件的标准加工画像;S2:提对标准零件的零件品种和标准刀具负载组合进行标定;S3:对当前加工零件进行加工,形成当前零件的实际加工画像;S4:将当前加工零件实际加工画像与标准加工画像对比,确认当前零件的零件品种;S5:实时提取当前零件加工时的当前刀具负载数据;S6:判定当前刀具负载数据是否处于标准刀具负载数据的范围内;若是则重复步骤S5,直到当前零件加工的加工画像完成后重复步骤S3;若否则进行刀具故障预警。本发明可对机床的维护效率高,有效节约人力资源成本。
Description
技术领域
本发明涉及工业设备数据的采集与分析技术领域,特别是涉及一种基于加工画像分析的机床故障预警方法。
背景技术
精度要求较高和表面粗糙度要求较细的零件,一般都需要采用机床切削的方法进行加工,随现代机械加工业的高速发展,对零件的精度要求更高,从而对机床切割的质量、精度要求不断提高。在多数情况下,机床的加工精度是缓慢变化的,然而现有技术中,通常通过人工进行维护,多采用逐级排查、逐项校核的方式进行,在维护过程中,需要人工时刻关注机床的工况,方可在第一时间发现机床的问题。人工维护,造成机床的维护效率低下、过程繁琐、成本过高。
发明内容
本发明提供了一种基于加工画像分析的机床故障预警方法,其对机床的维护效率高,有效节约人力资源成本。
本发明采用的技术方案是:
一种基于加工画像分析的机床故障预警方法,包括以下步骤:
S1:指定标准零件,在加工机床上存储用于采集刀具进给信号的加工坐标点,设定加工坐标点采集区域的上阈值和下阈值,形成标准零件的标准加工画像;
S2:根据刀具给进信号提取加工坐标点的标准刀具负载数据,对标准零件的零件品种和标准刀具负载组合进行标定;
S3:对当前加工零件进行加工,采集加工坐标点的当前刀具进给信号,形成当前零件的实际加工画像;
S4:将当前加工零件实际加工画像与标准加工画像对比,确认当前零件的零件品种;
S5:实时提取当前零件加工时加工坐标点采集的当前刀具负载数据;
S6:判定当前刀具负载数据是否处于标准刀具负载数据的范围内;若是则重复步骤S5,直到当前零件加工的加工画像完成后重复步骤S3;若否则进行刀具故障预警。
优选的,所述步骤S1的具体步骤如下:
S101:指定标准零件,根据标准零件的切削画像,在加工机床上存储加工坐标点,所述加工坐标点用于采集单位区域中的刀具进给信号;
S102:设置切分时长,将多个坐标点分别采集的刀具进给信号集合按切分时长切分成多个加工片段;
S103:取两个加工片段,将两个加工片段的控制信号的控制个数设为m,将两个加工片段中控制信号个数的均值设为n,计算两个加工片段的控制信号的控制个数m和两个加工片段中控制信号个数的均值n的相关系数
S104:根据相关系数的取值,设定加工坐标点采集区域的上阈值和下阈值;
S105:根据加工坐标点在采集区域采集的刀具给进信号,形成标准零件的标准加工画像。
进一步优选的,在步骤S101中,指定多个不同品种的标准零件,分别根据不同品种的标准零件的切削画像,在加工机床上存储多组加工坐标点,多组所述加工坐标点用于采集单位数量的x轴及y轴上刀具的进给信号。
进一步优选的,在步骤S102中,切分时长为进给信号的上升沿和下降沿的间隔时长。
进一步优选的,在步骤S104中,当相关系数大于0.5时,此加工零件为标准零件,此时加工坐标点的取值处于加工坐标点采集区域内。
优选的,所述步骤S2的具体步骤如下:
S201:提取历史加工的标准零件的零件品种,并与画像加工时的程序编号关联,形成对零件品种的标定;
S202:采集标准零件对应的加工坐标点的标准刀具负载数据,形成对标准刀具负载的标定;
S203:形成对零件品种和标准刀具负载数据的组合标定。
进一步优选的,在步骤S201中,零件品种的标定内容包括:零件品种的程序号、零件轨迹的标准阈值曲线、零件轨迹的预警阈值曲线、零件轨迹的报警阈值曲线。
进一步优选的,在步骤S202中,标准刀具负载数据包括电流、电压、主轴转速、主轴进给速度。
进一步优选的,在步骤S203中,零件品种和当前刀具负载数据的标定内容包括:零件品种的刀具加工负载的标准阈值曲线、预警阈值曲线和报警阈值曲线。
进一步优选的,在步骤S6中,刀具故障预警包括加工轨迹偏移预警、刀具负载偏移预警、刀具破损预警和断刀预警。
与现有技术相比,本发明的有益效果为:
对机床的维护效率高,有效节约人力资源成本;具体来说,在使用过程中,首先通过对标准零件进行画像,对标准零件的零件品种和标准刀具负载组合进行标定;然后在实际加工过程中,对实际加工的当前零件进行画像,并对当前刀具负载数据进行实时监控;最后将当前零件的画像与标准零件的画像进行对比,确认当前零件的零件品种,然后将该零件品种的标准零件的标准刀具负载作为当前零件加工过程中刀具负载数据的参考取值范围,对比当前刀具负载数据与标准刀具负载数据,确认刀具是否发生故障,从而可在第一时间检测出机床的问题。在此过程中,基于历史加工采集数据以及实时监测数据,为用户提供机床设备使用状况提前进行寿命和故障预警,通过自动控制实现对机床的检测,对机床的维护效率高,有效节约人力资源成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明中实施例1的流程框图。
具体实施方式
以下将参照附图,通过实施例方式详细地描述本发明提供的一种基于加工画像分析的机床故障预警方法。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在 A和B三种情况,本文中术语“/和”是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况,另外,本文中字符“/”,一般表示前后关联对象是一种“或”关系。
实施例1:
本实施例提供一种基于加工画像分析的机床故障预警方法,如图1所示,包括以下步骤:
S1:指定标准零件,在加工机床上存储用于采集刀具进给信号的加工坐标点,设定加工坐标点采集区域的上阈值和下阈值,形成标准零件的标准加工画像。应当理解的是,所述标准零件为用于定义零件切削范围的模板,例如用多个同样的标准零件A完成画像,实际加工过程中,画像拟合标准加工画像的均可以被判定为标准零件A。另外,本实施例中,所述进给信号为布尔信号,其取值为0或1,当进给信号取值为0时,代表在对应的坐标点未采集到刀具的给进信号;进给信号取值为1时,代表对应的坐标点采集到刀具的进给信号。
S2:根据刀具给进信号提取加工坐标点的标准刀具负载数据,对标准零件的零件品种和标准刀具负载组合进行标定。本实施例中,零件品种即为零件的类型,零件类型不同,其零件图像与刀具负载数据一般也不相同;零件品种的标定内容包括:零件品种的程序号、零件轨迹的标准阈值曲线、零件轨迹的预警阈值曲线、零件轨迹的报警阈值曲线。另外,标准刀具负载数据包括但不限于电流、电压、主轴转速、主轴进给速度;零件品种和当前刀具负载数据的标定内容包括:零件品种的刀具加工负载的标准阈值曲线、预警阈值曲线和报警阈值曲线。
S3:对当前加工零件进行加工,采集加工坐标点的当前刀具进给信号,形成当前零件的实际加工画像。应当理解的是,当前加工零件即为实际加工过程中的加工零件,实际加工画像即为实际切削过程中,刀具对当前加工零件的实际切削图像。
S4:将当前加工零件实际加工画像与标准加工画像对比,确认当前零件的零件品种。在此步骤中,对比确认当前加工零件实际加工画像中采集的加工坐标点处刀具进给信号数据是否在某一零件品种的标准加工画像的加工坐标点采集区域的上阈值和下阈值之间,若是则当前零件即为此零件品种,若否则不是,需进行另一零件品种的比对。
S5:实时提取当前零件加工时加工坐标点采集的当前刀具负载数据,将当前刀具负载数据上传至服务器中。此步骤用于实现对当前刀具负载数据的实时监控。
S6:判定当前刀具负载数据是否处于标准刀具负载数据的范围内,即判断当前零件加工过程中采集的刀具的进给信号是否处于加工坐标点采集区域的上阈值和下阈值之间;若是则重复步骤S5,直到当前零件加工的加工画像完成后重复步骤S3;若否则进行刀具故障预警。进一步的,在步骤S6中,刀具故障预警包括加工轨迹偏移预警、刀具负载偏移预警、刀具破损预警和断刀预警。
本实施例中,首先通过对标准零件进行画像,对标准零件的零件品种和标准刀具负载组合进行标定;然后在实际加工过程中,对实际加工的当前零件进行画像,并对当前刀具负载数据进行实时监控;最后将当前零件的画像与标准零件的画像进行对比,确认当前零件的零件品种,然后将该零件品种的标准零件的标准刀具负载作为当前零件加工过程中刀具负载数据的参考取值范围,对比当前刀具负载数据与标准刀具负载数据,确认刀具是否发生故障,从而可在第一时间检测出机床的问题。在此过程中,基于历史加工采集数据以及实时监测数据,为用户提供机床设备使用状况提前进行寿命和故障预警,通过自动控制实现对机床的检测,对机床的维护效率高,有效节约人力资源成本。
实施例2:
本实施例提供一种基于加工画像分析的机床故障预警方法,包括以下步骤:
S1:指定标准零件,在加工机床上存储用于采集刀具进给信号的加工坐标点,设定加工坐标点采集区域的上阈值和下阈值,形成标准零件的标准加工画像。
所述步骤S1的具体步骤如下:
S101:指定标准零件,根据标准零件的切削画像,在加工机床上存储加工坐标点,所述加工坐标点用于采集单位区域中的刀具进给信号;
所述标准零件为用于定义零件切削范围的模板。
所述进给信号为布尔信号,其取值为0或1,当进给信号取值为0时,代表在对应的坐标点未采集到刀具的给进信号;进给信号取值为1时,代表对应的坐标点采集到刀具的进给信号。
进一步的,在步骤S101中,指定多个不同品种的标准零件,分别根据不同品种的标准零件的切削画像,在加工机床上存储多组加工坐标点,多组所述加工坐标点用于采集单位数量的x轴及y轴上刀具的进给信号。
S102:设置切分时长,将多个坐标点分别采集的刀具进给信号集合按切分时长切分成多个加工片段;进一步的,在步骤S102中,切分时长为进给信号的上升沿和下降沿的间隔时长。
S103:取两个加工片段,将两个加工片段的控制信号的控制个数设为m,将两个加工片段中控制信号个数的均值设为n,计算两个加工片段的控制信号的控制个数m和两个加工片段中控制信号个数的均值n的相关系数:其中Cov(m,n)为m与n的协方差,σm为m的标准差,σn为n的标准差。本实施例中,两个加工片段为任意相邻的两个加工片段。
在步骤S103中,两个加工片段的控制信号的控制个数为控制信号最少的加工片段的控制信号的个数。
S104:根据相关系数的取值,设定加工坐标点采集区域的上阈值和下阈值;进一步的,在步骤S104中,当相关系数大于0.5时,此加工零件为标准零件,此时加工坐标点的取值处于加工坐标点采集区域内。
S105:根据加工坐标点在采集区域采集的刀具给进信号,形成标准零件的标准加工画像。
S2:根据刀具给进信号提取加工坐标点的标准刀具负载数据,对标准零件的零件品种和标准刀具负载组合进行标定。本实施例中,零件品种即为零件的类型,零件类型不同,其零件图像与刀具负载数据一般也不相同;零件品种的标定内容包括:零件品种的程序号、零件轨迹的标准阈值曲线、零件轨迹的预警阈值曲线、零件轨迹的报警阈值曲线。另外,标准刀具负载数据包括但不限于电流、电压、主轴转速、主轴进给速度;零件品种和当前刀具负载数据的标定内容包括:零件品种的刀具加工负载的标准阈值曲线、预警阈值曲线和报警阈值曲线。
S3:对当前加工零件进行加工,采集加工坐标点的当前刀具进给信号,形成当前零件的实际加工画像。应当理解的是,当前加工零件即为实际加工过程中的加工零件,实际加工画像即为实际切削过程中,刀具对当前加工零件的实际切削图像。
S4:将当前加工零件实际加工画像与标准加工画像对比,确认当前零件的零件品种。在此步骤中,对比确认当前加工零件实际加工画像中采集的加工坐标点处刀具进给信号数据是否在某一零件品种的标准加工画像的加工坐标点采集区域的上阈值和下阈值之间,若是则当前零件即为此零件品种,若否则不是,需进行另一零件品种的比对。
S5:实时提取当前零件加工时加工坐标点采集的当前刀具负载数据,将当前刀具负载数据上传至服务器中。此步骤用于实现对当前刀具负载数据的实时监控。
S6:判定当前刀具负载数据是否处于标准刀具负载数据的范围内,即判断当前零件加工过程中采集的刀具的进给信号是否处于加工坐标点采集区域的上阈值和下阈值之间;若是则重复步骤S5,直到当前零件加工的加工画像完成后重复步骤S3;若否则进行刀具故障预警。进一步的,在步骤S6中,刀具故障预警包括加工轨迹偏移预警、刀具负载偏移预警、刀具破损预警和断刀预警。
实施例3:
本实施例提供一种基于加工画像分析的机床故障预警方法,包括以下步骤:
S1:指定标准零件,在加工机床上存储用于采集刀具进给信号的加工坐标点,设定加工坐标点采集区域的上阈值和下阈值,形成标准零件的标准加工画像。应当理解的是,所述标准零件为用于定义零件切削范围的模板,例如用多个同样的标准零件A完成画像,实际加工过程中,画像拟合标准加工画像的均可以被判定为标准零件A。另外,本实施例中,所述进给信号为布尔信号,其取值为0或1,当进给信号取值为0时,代表在对应的坐标点未采集到刀具的给进信号;进给信号取值为1时,代表对应的坐标点采集到刀具的进给信号。
S2:根据刀具给进信号提取加工坐标点的标准刀具负载数据,对标准零件的零件品种和标准刀具负载组合进行标定。本实施例中,零件品种即为零件的类型,零件类型不同,其零件图像与刀具负载数据一般也不相同;零件品种的标定内容包括:零件品种的程序号、零件轨迹的标准阈值曲线、零件轨迹的预警阈值曲线、零件轨迹的报警阈值曲线。另外,标准刀具负载数据包括但不限于电流、电压、主轴转速、主轴进给速度;零件品种和当前刀具负载数据的标定内容包括:零件品种的刀具加工负载的标准阈值曲线、预警阈值曲线和报警阈值曲线。
所述步骤S2的具体步骤如下:
S201:提取历史加工的标准零件的零件品种,并与画像加工时的程序编号关联,形成对零件品种的标定;
画像加工时的程序编号根据刀具在x轴、y轴的切割单位时间长度设定。
S202:采集标准零件对应的加工坐标点的标准刀具负载数据,形成对标准刀具负载的标定;
S203:形成对零件品种和标准刀具负载数据的组合标定。
S3:对当前加工零件进行加工,采集加工坐标点的当前刀具进给信号,形成当前零件的实际加工画像。应当理解的是,当前加工零件即为实际加工过程中的加工零件,实际加工画像即为实际切削过程中,刀具对当前加工零件的实际切削图像。
S4:将当前加工零件实际加工画像与标准加工画像对比,确认当前零件的零件品种。在此步骤中,对比确认当前加工零件实际加工画像中采集的加工坐标点处刀具进给信号数据是否在某一零件品种的标准加工画像的加工坐标点采集区域的上阈值和下阈值之间,若是则当前零件即为此零件品种,若否则不是,需进行另一零件品种的比对。
S5:实时提取当前零件加工时加工坐标点采集的当前刀具负载数据,将当前刀具负载数据上传至服务器中。此步骤用于实现对当前刀具负载数据的实时监控。
S6:判定当前刀具负载数据是否处于标准刀具负载数据的范围内,即判断当前零件加工过程中采集的刀具的进给信号是否处于加工坐标点采集区域的上阈值和下阈值之间;若是则重复步骤S5,直到当前零件加工的加工画像完成后重复步骤S3;若否则进行刀具故障预警。进一步的,在步骤S6中,刀具故障预警包括加工轨迹偏移预警、刀具负载偏移预警、刀具破损预警和断刀预警。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤。
最后需要说明的是:以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于加工画像分析的机床故障预警方法,其特征在于:包括以下步骤:
S1:指定标准零件,在加工机床上存储用于采集刀具进给信号的加工坐标点,设定加工坐标点采集区域的上阈值和下阈值,形成标准零件的标准加工画像;
S2:根据刀具给进信号提取加工坐标点的标准刀具负载数据,对标准零件的零件品种和标准刀具负载组合进行标定;
S3:对当前加工零件进行加工,采集加工坐标点的当前刀具进给信号,形成当前零件的实际加工画像;
S4:将当前加工零件实际加工画像与标准加工画像对比,确认当前零件的零件品种;
S5:实时提取当前零件加工时加工坐标点采集的当前刀具负载数据;
S6:判定当前刀具负载数据是否处于标准刀具负载数据的范围内;若是则重复步骤S5,直到当前零件加工的加工画像完成后重复步骤S3;若否则进行刀具故障预警。
2.根据权利要求1所述的一种基于加工画像分析的机床故障预警方法,其特征在于:所述步骤S1的具体步骤如下:
S101:指定标准零件,根据标准零件的切削画像,在加工机床上存储加工坐标点,所述加工坐标点用于采集单位区域中的刀具进给信号;
S102:设置切分时长,将多个坐标点分别采集的刀具进给信号集合按切分时长切分成多个加工片段;
S103:取两个加工片段,将两个加工片段的控制信号的控制个数设为m,将两个加工片段中控制信号个数的均值设为n,计算两个加工片段的控制信号的控制个数m和两个加工片段中控制信号个数的均值n的相关系数
S104:根据相关系数的取值,设定加工坐标点采集区域的上阈值和下阈值;
S105:根据加工坐标点在采集区域采集的刀具给进信号,形成标准零件的标准加工画像。
3.根据权利要求2所述的一种基于加工画像分析的机床故障预警方法,其特征在于:在步骤S101中,指定多个不同品种的标准零件,分别根据不同品种的标准零件的切削画像,在加工机床上存储多组加工坐标点,多组所述加工坐标点用于采集单位数量的x轴及y轴上刀具的进给信号。
4.根据权利要求2所述的一种基于加工画像分析的机床故障预警方法,其特征在于:在步骤S102中,切分时长为进给信号的上升沿和下降沿的间隔时长。
5.根据权利要求2所述的一种基于加工画像分析的机床故障预警方法,其特征在于:在步骤S104中,当相关系数大于0.5时,此加工零件为标准零件,此时加工坐标点的取值处于加工坐标点采集区域内。
6.根据权利要求1所述的一种基于加工画像分析的机床故障预警方法,其特征在于:所述步骤S2的具体步骤如下:
S201:提取历史加工的标准零件的零件品种,并与画像加工时的程序编号关联,形成对零件品种的标定;
S202:采集标准零件对应的加工坐标点的标准刀具负载数据,形成对标准刀具负载的标定;
S203:形成对零件品种和标准刀具负载数据的组合标定。
7.根据权利要求6所述的一种基于加工画像分析的机床故障预警方法,其特征在于:在步骤S201中,零件品种的标定内容包括:零件品种的程序号、零件轨迹的标准阈值曲线、零件轨迹的预警阈值曲线、零件轨迹的报警阈值曲线。
8.根据权利要求6所述的一种基于加工画像分析的机床故障预警方法,其特征在于:在步骤S202中,标准刀具负载数据包括电流、电压、主轴转速、主轴进给速度。
9.根据权利要求6所述的一种基于加工画像分析的机床故障预警方法,其特征在于:在步骤S203中,零件品种和当前刀具负载数据的标定内容包括:零件品种的刀具加工负载的标准阈值曲线、预警阈值曲线和报警阈值曲线。
10.根据权利要求1所述的一种基于加工画像分析的机床故障预警方法,其特征在于:在步骤S6中,刀具故障预警包括加工轨迹偏移预警、刀具负载偏移预警、刀具破损预警和断刀预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811513756.0A CN109615643B (zh) | 2018-12-11 | 2018-12-11 | 一种基于加工画像分析的机床故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811513756.0A CN109615643B (zh) | 2018-12-11 | 2018-12-11 | 一种基于加工画像分析的机床故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615643A true CN109615643A (zh) | 2019-04-12 |
CN109615643B CN109615643B (zh) | 2019-10-25 |
Family
ID=66008008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811513756.0A Active CN109615643B (zh) | 2018-12-11 | 2018-12-11 | 一种基于加工画像分析的机床故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615643B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114326593A (zh) * | 2021-12-16 | 2022-04-12 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测系统及方法 |
CN115056037A (zh) * | 2022-06-22 | 2022-09-16 | 四川航天长征装备制造有限公司 | 一种数控加工过程中提高刀具测量效率的方法 |
CN115179108A (zh) * | 2022-06-22 | 2022-10-14 | 四川航天长征装备制造有限公司 | 一种数控加工过程中的刀具防呆方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076762A (zh) * | 2013-01-31 | 2013-05-01 | 同济大学 | 基于htm40100车铣复合加工中心三维在线防碰撞方法 |
CN103419072A (zh) * | 2013-08-14 | 2013-12-04 | 宁波海天精工股份有限公司 | 一种fanuc系统数控机床的保养和监测方法 |
CN104308546A (zh) * | 2014-09-28 | 2015-01-28 | 陈伟琛 | 一种车铣光磨检一体式复合机床 |
CN104400527A (zh) * | 2014-09-12 | 2015-03-11 | 西安交通大学 | 一种面向机械加工过程的刀具选配方法 |
US20170297160A1 (en) * | 2016-04-19 | 2017-10-19 | Okuma Corporation | Error identification method of machine tool and error identification system of the same |
CN107479500A (zh) * | 2017-07-05 | 2017-12-15 | 汕头大学 | 一种带视觉装置的加工中心运动定位数控系统及方法 |
JP2017226027A (ja) * | 2016-06-20 | 2017-12-28 | コマツNtc株式会社 | 多刃工具の異常検知方法 |
CN108803492A (zh) * | 2018-07-20 | 2018-11-13 | 南京梵科智能科技有限公司 | 一种数控机床刀头故障诊断系统 |
-
2018
- 2018-12-11 CN CN201811513756.0A patent/CN109615643B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076762A (zh) * | 2013-01-31 | 2013-05-01 | 同济大学 | 基于htm40100车铣复合加工中心三维在线防碰撞方法 |
CN103419072A (zh) * | 2013-08-14 | 2013-12-04 | 宁波海天精工股份有限公司 | 一种fanuc系统数控机床的保养和监测方法 |
CN104400527A (zh) * | 2014-09-12 | 2015-03-11 | 西安交通大学 | 一种面向机械加工过程的刀具选配方法 |
CN104308546A (zh) * | 2014-09-28 | 2015-01-28 | 陈伟琛 | 一种车铣光磨检一体式复合机床 |
US20170297160A1 (en) * | 2016-04-19 | 2017-10-19 | Okuma Corporation | Error identification method of machine tool and error identification system of the same |
JP2017226027A (ja) * | 2016-06-20 | 2017-12-28 | コマツNtc株式会社 | 多刃工具の異常検知方法 |
CN107479500A (zh) * | 2017-07-05 | 2017-12-15 | 汕头大学 | 一种带视觉装置的加工中心运动定位数控系统及方法 |
CN108803492A (zh) * | 2018-07-20 | 2018-11-13 | 南京梵科智能科技有限公司 | 一种数控机床刀头故障诊断系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114326593A (zh) * | 2021-12-16 | 2022-04-12 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测系统及方法 |
CN114326593B (zh) * | 2021-12-16 | 2024-05-03 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测系统及方法 |
CN115056037A (zh) * | 2022-06-22 | 2022-09-16 | 四川航天长征装备制造有限公司 | 一种数控加工过程中提高刀具测量效率的方法 |
CN115179108A (zh) * | 2022-06-22 | 2022-10-14 | 四川航天长征装备制造有限公司 | 一种数控加工过程中的刀具防呆方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109615643B (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615643B (zh) | 一种基于加工画像分析的机床故障预警方法 | |
CN107797516B (zh) | 数值控制装置 | |
CN107850891B (zh) | 管理系统及非易失性的计算机可读记录介质 | |
CN106896779B (zh) | 维护时期预测系统以及维护时期预测装置 | |
TWI662278B (zh) | 刀具磨耗監控方法 | |
US20210339352A1 (en) | Method of detecting integrity index of machine tool | |
US10747212B2 (en) | Management system and non-transitory computer-readable recording medium | |
JP2014048697A (ja) | 設備状態監視方法及び設備状態監視装置 | |
CN109241043B (zh) | 一种数据质量检测方法及装置 | |
JP6977296B2 (ja) | 作業時間計測システム及びそれを用いた作業指示システム | |
CN110405540B (zh) | 一种人工智能断刀检测系统及方法 | |
CN103186704A (zh) | 寻线过滤系统及方法 | |
US20210339353A1 (en) | Method of detecting integrity index of machine tool | |
CN109724993A (zh) | 图像识别设备的污损程度的检测方法、装置和存储介质 | |
CN115144399B (zh) | 一种基于机器视觉的装配质量检测方法及装置 | |
JP2009009300A (ja) | バッチプロセス解析システムおよびバッチプロセス解析方法 | |
US20140076855A1 (en) | Data collection system for electric discharge machines | |
CN113361958A (zh) | 一种缺陷预警方法及系统 | |
CN106121980A (zh) | 一种压缩机损耗程度的确定方法、装置及制冷系统 | |
CN114881425A (zh) | 一种生产实时监测的方法、装置、电子设备及介质 | |
CN116690313B (zh) | 一种飞机结构件腹板加工刀具失效监控方法 | |
CN108873828A (zh) | 生产控制系统、生产控制程序及生产控制方法 | |
JP5403180B1 (ja) | 画像評価方法、画像評価装置及び画像評価プログラム | |
US20190196451A1 (en) | Cutting condition verification device | |
CN114670062B (zh) | 一种钻孔刀具磨损状态实时检测方法及系统 |
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 |