CN109623489B - 一种改进的机床健康状态评定方法及数控机床 - Google Patents
一种改进的机床健康状态评定方法及数控机床 Download PDFInfo
- Publication number
- CN109623489B CN109623489B CN201811502568.8A CN201811502568A CN109623489B CN 109623489 B CN109623489 B CN 109623489B CN 201811502568 A CN201811502568 A CN 201811502568A CN 109623489 B CN109623489 B CN 109623489B
- Authority
- CN
- China
- Prior art keywords
- machine tool
- sample
- health state
- data
- health
- 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
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
- B23Q17/008—Life management for parts of the machine
Abstract
本发明公开了一种改进的机床健康状态评定方法及数控机床,属于数控加工诊断领域。该方法包括如下步骤:(1)对出厂检验合格的机床进行目标部位的运行状态信息检测,获取机床健康状态标准数据样本;(2)对步骤(1)获取的标准数据样本的特征值做归一化处理;(3)采用支持向量数据描述法对步骤(2)获得的归一化数据进行训练,得到对比样本模型;(4)在机床运行过程中实时获取机床健康状态数据样本,并与步骤(3)获得的对比样本模型进行比对,获得机床实时健康状态。本发明受到实验采样时样本随机波动的影响小,且对实验次数的要求也大大减小,最终获得的对比样本模型具有更高的可靠性和鲁棒性。
Description
技术领域
本发明属于数控加工诊断领域,更具体地,涉及一种更加科学、鲁棒的可针对数控机床健康状态进行在线评定的方法及数控机床。
背景技术
目前通行的针对数控机床的健康检查的方法多是采用外接传感器获取数控机床的运行状态信息,再将采集到的一批数据进行离线分析处理得到机床健康状态的诊断结果。这类方法只能进行定期检测,且存在无法同步采集多种信号,无法获取数控系统内部的宝贵信号(如电流信号)等诸多限制,只能作为科研的手段,而无法集成到数控装备中进行产业化大规模应用。
为了弥补上述缺陷,在中国发明专利说明书CN201510171796.1中公开了一种机床健康状态快速检查方法,该方法基于武汉华中数控股份有限公司推出的新一代总控式数控系统HNC-8数控系统,通过将数据采集和分析、评价环节集成到数控系统之中,可实现健康状态的在线检测。该方法将传感器置入机床内部需要检测的部位,并通过数控系统I/O模块单元将传感器信号连接到数控系统,随后通过设置数据采样通道来选取需要采集的目标部位状态信息,并从预置的标准样本数据库中选择相应的对比样本数据,之后开始载入G代码程序运行机床,通过传感器获取部位的状态信息,然后计算G代码周期内的平均值作为特征值,最后将计算出来的特征值与标准样本数据库中选择出的对比样本数据进行对比,通过一个计算公式得到机床运行的健康指数。
该方法的优点是无需昂贵的采集卡、电脑等外部设备,将采集过程和健康检查过程直接集成到数控机床内部,极大地提高了采集数据的可靠性和健康检查的效率,但不足之处在于对机床健康状态的计算依赖于对比样本数据的质量,而对比样本数据是数控机床出厂后,各项指标检测合格,重复进行多次实验以后收集得到所有的健康特征值的均值,其取值容易受到实验质量或机床状态信息正常波动的影响,导致机床健康状态评定的可靠性下降,此外,健康指数的计算方式也有进一步改进的空间。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于支持向量数据描述的机床健康状态评定方法,通过对数控机床出厂后进行实验时获取到的所有样本进行统一表征,基于支持向量数据描述法(support vector data description,简称SVDD)得到一个对比样本模型,替代原先通过取平均值得到的对比样本数据,从而获得更加鲁棒的机床健康状态标准模板,提高机床健康状态评定的可靠性。
为实现上述目的,按照本发明的一个方面,提供了一种改进的机床健康状态评定方法,包括离线训练步骤及在线检测步骤;
所述离线训练步骤包括:
(1)对出厂检验合格的机床进行目标部位的运行状态信息检测,获取机床健康状态标准数据样本;
(2)对步骤(1)获取的标准数据样本的特征值做归一化处理;
(3)采用支持向量数据描述法对步骤(2)获得的归一化数据进行训练,得到对比样本模型;
所述在线检测步骤包括:
(4)在机床运行过程中实时获取机床健康状态数据样本,并与步骤(3)获得的对比样本模型进行比对,获得机床实时健康状态。
进一步地,步骤(1)中,对出厂检验合格的机床重复性运行体检G代码程序,机床运行的同时,采集目标检测部位的状态信息,计算采集的目标部位状态信息在G代码周期内的平均值作为特征值,将所有特征值作为一条标准数据样本保存下来;通过多次重复性实验后,获得多条标准数据样本。
进一步地,步骤(2)中,将所有标准数据样本的特征值各自做归一化,使得所有标准数据样本的特征值均符合正态分布;随后在步骤(3)中以归一化后的样本作为训练样本,利用支持向量数据描述法进行训练得到对比样本模型。
进一步地,将步骤(3)获得的对比样本模型预置在数控机床的标准数据样本库中;步骤(5)中,当数控机床进行健康检查时将实时的特征值数据与对比样本模型进行对比,实时获得机床运行的健康状况。
进一步地,对比样本模型定义了一个超球面将所有的标准样本数据特征值以最小的体积全部包络其中,超球面内的所有空间都是机床健康状态数据的特征空间,该模型通过球心a和半径R表示为:
其中,xi是机床健康状态标准数据样本的特征值向量,
i=1,2,…,n,n是标准数据样本的个数,
αi是分配给xi的一个不小于0的系数,
xk是任意一个对应的αk大于0并小于C的标准数据样本特征值向量,C是预设的常数值。
进一步地,步骤(4)中,机床运行的健康状况采用健康指数HI进行评价,健康指数HI通过以下方式计算:
其中,z是数控机床实时健康检查时计算得到的特征值数据,
a和R是对比样本模型的球心和半径,
||z-a||2是实时计算得到的特征值数据在高维特征空间之中到对比样本模型球心的距离,
||z-a||2 max是||z-a||2的上界,
max(*,*)是取两个值中较大的一个,
HI是一个0~1之间的数值,HI值越大,表明机床实时特征值数据与对比样本模型的偏差越小,机床的健康状态越好。
为了实现上述目的,按照本发明的另一个方面,提供了一种数控机床,包括处理器、对比样本模型存储器以及健康状态比对程序模块;
所述对比样本模型存储器存储有按照如前任意一项所述的机床健康状态评定方法的步骤(1)~(3)获得的对比样本模型;
所述健康状态比对程序模块用于在被所述处理器调用时,执行如前任意一项所述的机床健康状态评定方法的步骤(4)。
总体而言,本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明由于采用支持向量数据描述法对标准数据样本进行处理,能够只保留最具代表性的特征向量,忽略大部分作用不显著的数据,因此受到实验采样时样本随机波动的影响小,且对实验次数的要求也大大减小,最终获得的对比样本模型具有更高的可靠性和鲁棒性。
2、球心a虽然是以所有健康状态标准样本数据的加权和形式得到的,但大部分样本xi分配到的系数αi等于0,只有部分在特征空间中位于最外沿的样本有大于0的系数,这些样本被称为支持向量,其存在对于表征机床健康状态区间具有非常重要的作用。
3、本发明还可以通过调整参数得到对样本表征严格程度不同的样本模型,从而更加灵活地适应不同的场景,满足机床使用者的自定义需求满足使用者自定义的需求,对于实际生产应用具有非常重大的意义。
4、本发明新提供了一种健康指数的计算方式,相比于现有技术,评估结果更加直观可靠。
附图说明
图1是本发明方法的基本原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的关键在于数控机床健康状态评定方法上的创新,对能反应数控机床健康状态的特征量不做限定,任意有效的时域、频域特征量如电流均值、振动频率等均能作为样本数据特征值向量的一个元素。
如图1所示,本发明的主要步骤如下:在出厂后的数控机床检测各项指标合格后,根据需要检查的机床目标部位,明确需要计算的特征值,载入特定的G代码程序使机床运行,通过预置入的传感器采集对应的信号,计算后得到一条特征值向量,重复多次上述步骤得到多条特征值向量,作为代表机床健康状态的标准样本数据。将标准样本数据作为训练样本,先将样本做归一化,使每个特征值均符合正态分布,利用名为支持向量数据描述的机器学习方法在这些样本上训练模型,具体训练方式如下:
支持向量数据描述的目标是用一个超球面将所有的数据以最小的体积全部包络其中,而考虑到训练样本中可能有异常值的存在,给每个样本点xi添加一个大于0的松弛变量ξi,表示允许样本点一定程度地超出边界,用公式表达为:
C是需要预先设置的系数,其取值范围为1/n~1,其中n是样本的个数,当C越小时,对数据的表征越严格,包络数据的体积越小,结果就是对数控机床的健康状态评价越严格(计算得到的健康指数越低),反之亦然,一般可取C=2/n。
应用拉格朗日乘子法,将上述有约束极值问题转换成无约束极值问题,用公式表达为:
s.t.αi≥0,γi≥0
应用KKT条件求解,得到
求解上述凸优化问题,就可得到所有的αi,其中φ(*,*)是任意可用的核函数,常用的核函数有多项式核函数、径向基核函数、sigmoid核函数等,本例中使用的是径向基核函数,γ是核函数中需要预先设置的系数,其大小影响随着机床健康状态的偏离健康指数下降的剧烈程度,当γ值越大时,健康指数下降的越剧烈,反之亦然,一般γ可在0.001~0.01之间取值。
当所有的αi已知之后,就可以得到对比样本模型的球心a,模型的半径R可以通过计算以下公式获得:
xk是任意一个位于超球面上的支持向量,其对应的αk满足条件0<αk<C。
得到用支持向量数据描述算法训练出的对比样本模型后,机床运行状态的健康指数HI可通过以下方式计算:
由于径向基核函数的特点,得到φ(z,z)=1,而αi、αj、xi、xj皆是常数,因此||z-a||2 max是一个固定的常数值,同样对比样本模型的半径R也是常数,所以在每次计算机床健康指数时,只有-2∑iαiφ(z,xi)需要重新计算,因此虽然是机器学习方法,对数控系统的计算负担却很小,完全可适用于实际的生产加工之中。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种改进的机床健康状态评定方法,其特征在于,包括离线训练步骤及在线检测步骤;
所述离线训练步骤包括:
(1)对出厂检验合格的机床进行目标部位的运行状态信息检测,获取机床健康状态标准数据样本;
(2)对步骤(1)获取的标准数据样本的特征值做归一化处理;
(3)采用支持向量数据描述法对步骤(2)获得的归一化数据进行训练,得到对比样本模型;对比样本模型定义了一个超球面将所有的标准样本数据特征值以最小的体积全部包络其中,超球面内的所有空间都是机床健康状态数据的特征空间,该模型通过球心a和半径R表示为:
其中,xi是机床健康状态标准数据样本的特征值向量,
i=1,2,…,n,n是标准数据样本的个数,
αi是分配给xi的一个不小于0的系数,
xk是任意一个对应的αk大于0并小于C的标准数据样本特征值向量,C是预设的常数值;
所述在线检测步骤包括:
(4)在机床运行过程中实时获取机床健康状态数据样本,并与步骤(3)获得的对比样本模型进行比对,获得机床实时健康状态;机床实时健康状态采用健康指数HI进行评价,健康指数HI通过以下方式计算:
其中,z是数控机床实时健康检查时计算得到的特征值数据,
a和R是对比样本模型的球心和半径,
||z-a||2是实时计算得到的特征值数据在高维特征空间之中到对比样本模型球心的距离,
||z-a||2 max是||z-a||2的上界,
max(*,*)是取两个值中较大的一个,
HI是一个0~1之间的数值,HI值越大,表明机床实时特征值数据与对比样本模型的偏差越小,机床的健康状态越好。
2.如权利要求1所述的一种改进的机床健康状态评定方法,其特征在于,步骤(1)中,对出厂检验合格的机床重复性运行体检G代码程序,机床运行的同时,采集目标检测部位的状态信息,计算采集的目标部位状态信息在G代码周期内的平均值作为特征值,将所有特征值作为一条标准数据样本保存下来;通过多次重复性实验后,获得多条标准数据样本。
3.如权利要求1所述的一种改进的机床健康状态评定方法,其特征在于,步骤(2)中,将所有标准数据样本的特征值各自做归一化,使得所有标准数据样本的特征值均符合正态分布;随后在步骤(3)中以归一化后的样本作为训练样本,利用支持向量数据描述法进行训练得到对比样本模型。
4.如权利要求1~3任意一项所述的一种改进的机床健康状态评定方法,其特征在于,将步骤(3)获得的对比样本模型预置在数控机床的标准数据样本库中;步骤(5)中,当数控机床进行健康检查时将实时的特征值数据与对比样本模型进行对比,实时获得机床运行的健康状况。
5.一种数控机床,其特征在于,包括处理器、对比样本模型存储器以及健康状态比对程序模块;
所述对比样本模型存储器存储有按照权利要求1~4任意一项所述的机床健康状态评定方法的步骤(1)~(3)获得的对比样本模型;
所述健康状态比对程序模块用于在被所述处理器调用时,执行权利要求1~4任意一项所述的机床健康状态评定方法的步骤(4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811502568.8A CN109623489B (zh) | 2018-12-10 | 2018-12-10 | 一种改进的机床健康状态评定方法及数控机床 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811502568.8A CN109623489B (zh) | 2018-12-10 | 2018-12-10 | 一种改进的机床健康状态评定方法及数控机床 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109623489A CN109623489A (zh) | 2019-04-16 |
CN109623489B true CN109623489B (zh) | 2020-05-19 |
Family
ID=66072347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811502568.8A Active CN109623489B (zh) | 2018-12-10 | 2018-12-10 | 一种改进的机床健康状态评定方法及数控机床 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109623489B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112536643B (zh) * | 2019-09-23 | 2023-01-24 | 富鼎电子科技(嘉善)有限公司 | 机台健康监测方法、装置及计算机可读存储介质 |
CN113495528A (zh) * | 2020-04-07 | 2021-10-12 | 沈机(上海)智能系统研发设计有限公司 | 非侵入式机床动态性能检测方法、系统、终端及装置 |
CN112034789B (zh) * | 2020-08-25 | 2021-10-15 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 |
CN113238528B (zh) * | 2021-05-31 | 2022-08-02 | 华中科技大学 | 一种机床健康状态实时评价方法及系统 |
CN114800036B (zh) * | 2022-06-24 | 2022-10-25 | 成都飞机工业(集团)有限责任公司 | 一种设备健康状态评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010105082A (ja) * | 2008-10-28 | 2010-05-13 | Kondo Seisakusho:Kk | 切削工具異常検出方法 |
CN102540884A (zh) * | 2010-12-09 | 2012-07-04 | 财团法人工业技术研究院 | 工具机热误差智能调适装置及其方法 |
CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
CN104808585A (zh) * | 2015-04-13 | 2015-07-29 | 华中科技大学 | 一种机床健康状态快速检查方法 |
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 |
CN108544303A (zh) * | 2018-03-30 | 2018-09-18 | 上海交通大学 | 一种数控机床主轴故障诊断方法及系统 |
WO2018199312A1 (ja) * | 2017-04-27 | 2018-11-01 | 日本電気株式会社 | 波形異常判定装置、方法、プログラムと記録媒体 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102284888B (zh) * | 2011-02-25 | 2013-01-02 | 华中科技大学 | 一种数控机床车削稳定性在线监测方法 |
JP6637687B2 (ja) * | 2015-07-01 | 2020-01-29 | オークマ株式会社 | 工作機械の主軸負荷モニタ装置 |
-
2018
- 2018-12-10 CN CN201811502568.8A patent/CN109623489B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010105082A (ja) * | 2008-10-28 | 2010-05-13 | Kondo Seisakusho:Kk | 切削工具異常検出方法 |
CN102540884A (zh) * | 2010-12-09 | 2012-07-04 | 财团法人工业技术研究院 | 工具机热误差智能调适装置及其方法 |
CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
CN104808585A (zh) * | 2015-04-13 | 2015-07-29 | 华中科技大学 | 一种机床健康状态快速检查方法 |
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 |
WO2018199312A1 (ja) * | 2017-04-27 | 2018-11-01 | 日本電気株式会社 | 波形異常判定装置、方法、プログラムと記録媒体 |
CN108544303A (zh) * | 2018-03-30 | 2018-09-18 | 上海交通大学 | 一种数控机床主轴故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于支持向量数据描述方法的生产过程监控、诊断与优化;赵启东 等;《工程科学学报》;20161231;第38卷(第12期);第1791-1797页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109623489A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN109408389B (zh) | 一种基于深度学习的代码缺陷检测方法及装置 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN113792825A (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN112527604A (zh) | 一种基于深度学习的运维检测方法、系统、电子设备及介质 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
CN113532829A (zh) | 基于改进的rcmde往复压缩机故障诊断方法 | |
CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN115878986A (zh) | 一种变工况轴承的退化趋势评估方法 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
Wang | A new variable selection method for soft sensor based on deep learning | |
Wang et al. | Prediction of rolling bearing performance degradation based on sae and TCN-attention models | |
CN117590048B (zh) | 一种换流变阀侧套管末屏分压器的电阻分压方法及系统 | |
CN115330034A (zh) | 一种基于数据降维聚类的生产指标预测方法及存储介质 | |
CN112381141A (zh) | 一种空调传感器故障检测方法及系统 |
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 |