CN109857079B - 加工中心主轴系统工作状态异常的智能诊断方法及装置 - Google Patents
加工中心主轴系统工作状态异常的智能诊断方法及装置 Download PDFInfo
- Publication number
- CN109857079B CN109857079B CN201811482544.0A CN201811482544A CN109857079B CN 109857079 B CN109857079 B CN 109857079B CN 201811482544 A CN201811482544 A CN 201811482544A CN 109857079 B CN109857079 B CN 109857079B
- Authority
- CN
- China
- Prior art keywords
- main shaft
- state
- characteristic
- vibration signal
- neural network
- 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
Landscapes
- Numerical Control (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种加工中心主轴系统工作状态异常的智能诊断方法及装置,该方法包括:采集主轴的当前振动信号;对采集的主轴的当前振动信号进行处理,提取特征参数,得到反应主轴当前状态的特征向量;将主轴当前状态的特征向量与主轴正常状态的特征向量进行比较,以判断主轴工作是否出现异常;对存储的反应主轴状态的特征量进行分析,对主轴状态变化趋势做出预测。该装置包括:依次连接的数据采集单元、处理单元以及异常判断单元。本发明的加工中心主轴系统工作状态异常的智能诊断方法及装置,诊断准确,能有效降低数控加工中心主轴的维护成本,缩短维护时间,有效提高生产效率。
Description
技术领域
本发明涉及数控机床技术领域,特别涉及一种加工中心主轴系统工作状态异常的智能诊断方法及装置。
背景技术
加工中心的主轴是机床的心脏,它的性能对机床整机的性能、生产率和加工精度有决定性的影响。随着电主轴技术的发展,对主轴可靠性、寿命、维修、运行费用的要求日益苛刻,工况监控就显得非常重要,周期或连续地观察主轴的运行状态,可以预防非正常磨损、过热和意外损坏等异常情况的发生,及时识别机床主轴的状态、发现故障早期征兆,从而可以及时消除故障隐患,避免破坏性事故的发生,并为技术人员在机床主轴的日常维护检修等方面提供坚实的技术基础。
加工中心虽有自身状态诊断系统,但是主要局限于电气方面,在日常维护方面更多的是依赖于零部件定时更换,在出现故障时更多的是依赖经验进行判断,或者逐一排除法,这种方法在准确率、效率等方面都存在很多问题,难以形成系统、可靠的解决方案。数控加工中心内部空间狭小,主轴拆卸安装难度大,维修时间长,成本高,是加工中心设备维护的难点和重点缩短机床停机时间、节约维修成本。目前国内的机床厂家、大专院校及相关科研机构等对数控机床主轴状态的监测进行了相关的研究,取得了一定的成果。
申请号为:201210346785.9,题目为:数控机床主轴状态检测方法的中国专利公开了一种数控机床主轴状态检测方法,包括上位机和传感器系统;传感器系统的输出端连接上位机的输入端;包括以下步骤:步骤一、上位机采集传感器系统发出的信号;步骤二、分析根据步骤一采集到的信号,确定故障特征参数;步骤三、将步骤二得到的故障特征参数通过专家系统进行处理,得出第一故障诊断结果;将步骤二得到的故障特征参数通过人工神经网络系统进行处理,得出第二故障诊断结果;将步骤二得到的故障特征参数通过支持向量机进行处理,得出第三故障诊断结果;步骤四、将第一故障诊断结果、第二故障诊断结果和第三故障诊断结果通过遗传算法进行融合。申请号为:201510533166.4,题目为:一种数控机床主轴的故障诊断与预测的方法的中国专利公开了一种数控机床主轴的故障诊断与预测的方法,通过激光位移传感器监测主轴外表面的跳动位移,采用红外温度传感器采样主轴外表面的温度信息,采用加速度传感器监测主轴外表面的振动,然后通过混合推理模型对测量数据进行时域分析和频域分析,得到主轴的特征参数点集合,结合数控机床主轴的物理模型和参数,进行主轴故障的诊断,并根据历史数据对主轴的运行趋势进行判断。
上述两专利存在以下问题:上述两项专利均需要在机床上位机进行数据处理,对机床改动大,改动调试周期长、成本高;需要添加的传感器多,算法复杂,计算效率不高,更新算法复杂,且算法不能随机床性能变化做出相应改进。
针对上述存在的问题,急需提供一种新的加工中心主轴系统工作状态异常的智能诊断方法及装置。
发明内容
本发明针对上述现有技术中存在的问题,提出一种加工中心主轴系统工作状态异常的智能诊断方法及装置,采用振动信号对主轴的运行状态进行智能诊断和早期预警,诊断准确,能有效降低数控加工中心主轴的维护成本,缩短维护时间,有效提高生产效率。
为解决上述技术问题,本发明是通过如下技术方案实现的:
本发明提供一种加工中心主轴系统工作状态异常的智能诊断方法,其包括:
S11:采集主轴的当前振动信号;
S12:对采集的主轴的当前振动信号进行处理,提取主轴的当前振动信号的特征参数,得到反应主轴当前状态的特征向量;
S13:将主轴当前状态的特征向量与主轴正常状态的特征向量进行比较,以判断主轴工作是否出现异常。
较佳地,所述S12中对采集的主轴的振动信号进行处理具体为:对采集的主轴的当前振动信号进行时频分析。
较佳地,所述S13具体为:计算主轴当前状态的特征向量与主轴正常状态的特征向量之间的相似度,当相似度小于设定相似度阈值时,则进行异常预警。
较佳地,所述S13还包括:根据相似度的偏离程度来设定预警等级。
较佳地,所述S11之前还包括:
S501:将收集的主轴正常状态的特征向量、主轴各类故障状态的特征向量以及相应的工艺参数作为人工神经网络的训练样本进行训练,得到训练好的人工神经网络模型;相应地,所述步骤S13之后还包括:
S502:将主轴当前状态的特征向量以及相应的工艺参数输入到所述人工神经网络模型中,判断主轴此时的异常类型。
较佳地,所述S11之后还包括:
S601:将采集的主轴的当前振动信号以及相应的工艺参数保存在数据库中;
S602:采用数据库中保存的主轴的当前振动信号以及相应的工艺参数作为训练样本定期对所述人工神经网络模型进行学习完善。
较佳地,所述S13之后还包括:
S701:每隔一定的时间将反应主轴当前状态的特征向量存储在数据库中,通过数据库中主轴的历史正常状态数据的分析,建立主轴状态变化的数学模型,对主轴的状态变化趋势做出分析预测。
本发明还提供一种加工中心主轴系统工作状态异常的智能诊断装置,其包括:数据采集单元、处理单元以及异常判断单元;其中,
所述数据采集单元用于采集主轴的当前振动信号;
所述处理单元用于对采集的主轴的当前振动信号进行处理,提取主轴的当前振动信号的特征参数,得到反应主轴当前状态的特征向量;
所述异常判断单元用于将主轴当前状态的特征向量与主轴正常状态的特征向量进行比较,以判断主轴工作是否出现异常。
较佳地,还包括:人工神经网络模型建立单元以及异常类型判断单元;其中,
所述人工神经网络模型建立单元用于将收集的主轴正常状态的特征向量、主轴各类故障状态的特征向量以及相应的工艺参数作为人工神经网络的训练样本进行训练,得到训练好的人工神经网络模型;
所述异常类型判断单元用于将主轴状态异常的特征向量以及相应的工艺参数输入到所述人工神经网络模型中,判断主轴此时的异常类型。
较佳地,还包括:变化趋势分析预测单元,用于对主轴的状态变化趋势做出分析预测。
相较于现有技术,本发明具有以下优点:
(1)本发明的加工中心主轴系统工作状态异常的智能诊断方法及装置,采用振动信号对主轴的运行状态进行智能诊断和早期预警,振动信号对准确诊断主轴的运行状态具有非常重要的影响,因此诊断准确,能有效降低数控加工中心主轴的维护成本,缩短维护时间,有效提高生产效率;
(2)本发明的加工中心主轴系统工作状态异常的智能诊断方法及装置,只需在加工中心主轴处加装数据采集单元即可,对机床改动小,对生产影响小;
(3)本发明的加工中心主轴系统工作状态异常的智能诊断方法及装置,还可以通过相似度的偏离程度来设定预警等级;
(4)本发明的加工中心主轴系统工作状态异常的智能诊断方法及装置,还可以判断主轴此时的异常类型,以方便采取相应的措施;
(5)本发明的加工中心主轴系统工作状态异常的智能诊断方法及装置,还可以对主轴的状态变化趋势做出分析预测,方便采取相应的措施来保护其尽量避免异常。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
下面结合附图对本发明的实施方式作进一步说明:
图1为本发明的一实施例的加工中心主轴系统工作状态异常的智能诊断方法的流程图;
图2为本发明的较佳实施例的加工中心主轴系统工作状态异常的智能诊断方法的流程图;
图3为本发明的一实施例的加工中心主轴系统工作状态异常的智能诊断装置的示意图。
标号说明:1-数据采集单元,2-处理单元,3-异常判断单元。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
结合图1,本实施例对本发明的加工中心主轴系统工作状态异常的智能诊断方法进行详细描述,如图1所示,其包括以下步骤:
S11:采集主轴的当前振动信号;
S12:对采集的主轴的当前振动信号进行处理,提取主轴的当前振动信号的特征参数,得到反应主轴当前状态的特征向量;
S13:将主轴当前状态的特征向量与主轴正常状态的特征向量进行比较,以判断主轴工作是否出现异常。
一实施例中,步骤S11中的主轴的当前振动信号可以为主轴在空载变速(包括加速或减速)过程中采集的振动加速度信号。
一实施例中,步骤S12中对采集的主轴的振动信号进行处理具体为:对采集的主轴的当前振动信号进行时频分析。具体地,可以采用S变换、小波分析、小波包分解等时频分析方法,获得主轴变速(加速或减速)阶段不同频段的能量值,该能量值可采用该频带内信号的RMS值(均方根值)等形式来表征;然后,提取不同频带能量占总能量的比例作为特征参数,或称特征分量,这样根据所分析的频带数量可以获得对应的多个特征参数或特征分量,将这些特征参数构成特征向量。
一实施例中,步骤S13具体为:计算主轴当前状态的特征向量与主轴正常状态的特征向量之间的相似度,当相似度小于设定相似度阈值时,则进行异常预警。具体地,相似度的计算方法可以为:计算主轴当前状态的特征向量和正常状态的特征向量之间的距离,该距离可以采用欧氏距离、明氏距离、马氏距离等反映特征向量相似度的距离算法来计算。
一实施例中,步骤S13中用到的主轴正常状态的特征向量,获取方法可以为:人工添加主轴历史振动信号数据,前期要对主轴正常工作状态的历史数据进行分析处理,记录主轴转速和主轴型号等信息,提取主轴的正常工作状态振动信号的特征参数,得到主轴正常状态的特征向量样本。
较佳实施例中,步骤S13还包括:根据相似度的偏离程度来设定预警等级。
较佳实施例中,步骤S11之前还包括:
S501:将收集的主轴正常状态的特征向量、主轴各类故障状态的特征向量以及相应的工艺参数(主轴转速和主轴型号等信息)作为人工神经网络的训练样本进行训练,得到训练好的人工神经网络模型;相应地,步骤S13之后还包括:
S502:将主轴当前状态的特征向量以及相应的工艺参数输入到人工神经网络模型中,判断主轴此时的异常类型。其流程图如图2所示。
较佳实施例中,步骤S11之后还包括:
S601:将采集的主轴的当前振动信号以及相应的工艺参数保存在数据库中;
S602:采用数据库中保存的主轴的当前振动信号以及相应的工艺参数作为训练样本定期对人工神经网络模型进行学习完善。
上述步骤可以位于步骤S12之前,也可以位于步骤S12之后,还可以位于步骤S13之后。
较佳实施例中,步骤S13之后还包括:
S701:每隔一定的时间将反应主轴当前状态的特征向量存储在数据库中,通过数据库中主轴的历史正常状态数据的分析,建立主轴状态变化的数学模型,对主轴的状态变化趋势做出分析预测。
结合图3,本实施例对本发明的加工中心主轴系统工作状态异常的智能诊断装置进行详细描述,其包括:依次连接的数据采集单元1、处理单元2以及异常判断单元3。其中,数据采集单元1用于采集主轴的当前振动信号;处理单元2用于对采集的主轴的当前振动信号进行处理,提取主轴的当前振动信号的特征参数,得到反应主轴当前状态的特征向量;异常判断单元3用于将主轴当前状态的特征向量与主轴正常状态的特征向量进行比较,以判断主轴工作是否出现异常。
具体地,数据采集单元可以为振动传感器(如:可以为加速度传感器),可以设置于加工中心主轴的前端轴承和/或后端轴承处。
较佳实施例中,加工中心主轴系统工作状态异常的智能诊断装置还包括:人工神经网络模型建立单元以及异常类型判断单元;其中,人工神经网络模型建立单元用于将收集的主轴正常状态的特征向量、主轴各类故障状态的特征向量以及相应的工艺参数作为人工神经网络的训练样本进行训练,得到训练好的人工神经网络模型;异常类型判断单元用于将主轴当前状态的特征向量以及相应的工艺参数输入到人工神经网络模型中,判断主轴此时的异常类型。
较佳实施例中,加工中心主轴系统工作状态异常的智能诊断装置还包括:变化趋势分析预测单元,用于对主轴的状态变化趋势做出分析预测,具体地为:每隔一定的时间将反应主轴当前状态的特征向量存储在数据库中,通过数据库中主轴的历史正常状态数据的分析,建立主轴状态变化的数学模型,对主轴的状态变化趋势做出分析预测。
此处公开的仅为本发明的优选实施例,本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化,均应落在本发明所保护的范围内。
Claims (1)
1.一种加工中心主轴系统工作状态异常的智能诊断方法,其特征在于,包括:
S11:采集主轴的当前振动信号;
S12:对采集的主轴的当前振动信号进行处理,提取主轴的当前振动信号的特征参数,得到反应主轴当前状态的特征向量;
S13:将主轴当前状态的特征向量与主轴正常状态的特征向量进行比较,以判断主轴工作是否出现异常;
所述S12中对采集的主轴的振动信号进行处理具体为:对采集的主轴的当前振动信号进行时频分析;其中,采用时频分析方法,获得主轴变速阶段不同频段的能量值,该能量值采用频带内信号的RMS值形式来表征;然后,提取不同频带能量占总能量的比例作为特征参数或特征分量,根据所分析的频带数量获得对应的多个特征参数或特征分量,构成特征向量;
所述S13具体为:计算主轴当前状态的特征向量与主轴正常状态的特征向量之间的相似度,当相似度小于设定相似度阈值时,则进行异常预警;其中,根据相似度的偏离程度来设定预警等级;相似度的计算方法为:计算主轴当前状态的特征向量和正常状态的特征向量之间的距离,该距离采用反映特征向量相似度的距离算法来计算;
所述S11之前还包括:
S501:将收集的主轴正常状态的特征向量、主轴各类故障状态的特征向量以及相应的工艺参数作为人工神经网络的训练样本进行训练,得到训练好的人工神经网络模型;相应地,所述步骤S13之后还包括:
S502:将主轴当前状态的特征向量以及相应的工艺参数输入到所述人工神经网络模型中,判断主轴此时的异常类型;
所述S11之后还包括:
S601:将采集的主轴的当前振动信号以及相应的工艺参数保存在数据库中;
S602:采用数据库中保存的主轴的当前振动信号以及相应的工艺参数作为训练样本定期对所述人工神经网络模型进行学习完善;
所述S13之后还包括:
S701:每隔一定的时间将反应主轴当前状态的特征向量存储在数据库中,通过数据库中主轴的历史正常状态数据的分析,建立主轴状态变化的数学模型,对主轴的状态变化趋势做出分析预测;
一种加工中心主轴系统工作状态异常的智能诊断装置,包括:数据采集单元、处理单元以及异常判断单元;其中,
所述数据采集单元采用振动传感器,用于采集主轴的当前振动信号;
所述处理单元用于对采集的主轴的当前振动信号进行处理,提取主轴的当前振动信号的特征参数,得到反应主轴当前状态的特征向量;
所述异常判断单元用于将主轴当前状态的特征向量与主轴正常状态的特征向量进行比较,以判断主轴工作是否出现异常;
还包括:人工神经网络模型建立单元以及异常类型判断单元;其中,
所述人工神经网络模型建立单元用于将收集的主轴正常状态的特征向量、主轴各类故障状态的特征向量以及相应的工艺参数作为人工神经网络的训练样本进行训练,得到训练好的人工神经网络模型;
所述异常类型判断单元用于将主轴状态异常的特征向量以及相应的工艺参数输入到所述人工神经网络模型中,判断主轴此时的异常类型:
还包括:变化趋势分析预测单元,用于对主轴的状态变化趋势做出分析预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811482544.0A CN109857079B (zh) | 2018-12-05 | 2018-12-05 | 加工中心主轴系统工作状态异常的智能诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811482544.0A CN109857079B (zh) | 2018-12-05 | 2018-12-05 | 加工中心主轴系统工作状态异常的智能诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109857079A CN109857079A (zh) | 2019-06-07 |
CN109857079B true CN109857079B (zh) | 2021-09-07 |
Family
ID=66890820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811482544.0A Active CN109857079B (zh) | 2018-12-05 | 2018-12-05 | 加工中心主轴系统工作状态异常的智能诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109857079B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110864887A (zh) * | 2019-11-19 | 2020-03-06 | 北京瑞莱智慧科技有限公司 | 机械设备运转状况确定方法、装置、介质和计算设备 |
CN111260893B (zh) * | 2020-01-10 | 2022-05-03 | 中国海洋石油集团有限公司 | 一种海洋平台推进器故障预警方法和装置 |
CN113761979B (zh) * | 2020-06-04 | 2023-11-14 | 富士通株式会社 | 用于优化模型的方法、设备和存储介质 |
CN111811847A (zh) * | 2020-06-08 | 2020-10-23 | 广东寰球智能科技有限公司 | 辊对辊系统的故障检测方法、系统及存储介质 |
CN112783138B (zh) * | 2020-12-30 | 2022-03-22 | 上海交通大学 | 生产线设备加工稳定性智能监控和异常诊断方法及装置 |
CN113077172A (zh) * | 2021-04-19 | 2021-07-06 | 瑞湖智科数据(苏州)有限公司 | 一种设备状态趋势分析及故障诊断方法 |
CN115415848B (zh) * | 2022-08-26 | 2023-09-19 | 重庆长安汽车股份有限公司 | 一种加工中心设备精度的检测方法及系统 |
CN117556366B (zh) * | 2024-01-12 | 2024-04-26 | 中科迈航信息技术有限公司 | 基于数据筛选的数据异常检测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS56125633A (en) * | 1980-03-06 | 1981-10-02 | Shigiya Seiki Seisakusho:Kk | Abnormality detecting and disposing device in machine tool |
CN105081879A (zh) * | 2015-08-27 | 2015-11-25 | 成都飞机工业(集团)有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
CN106052854A (zh) * | 2016-06-13 | 2016-10-26 | 浙江理工大学 | 一种磨床磨削颤振故障在线诊断方法 |
CN108036940A (zh) * | 2017-12-04 | 2018-05-15 | 中国水利水电科学研究院 | 一种轴承故障诊断方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566505B (zh) * | 2012-02-27 | 2013-11-20 | 温州大学 | 一种数控机床的智能故障诊断方法 |
-
2018
- 2018-12-05 CN CN201811482544.0A patent/CN109857079B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS56125633A (en) * | 1980-03-06 | 1981-10-02 | Shigiya Seiki Seisakusho:Kk | Abnormality detecting and disposing device in machine tool |
CN105081879A (zh) * | 2015-08-27 | 2015-11-25 | 成都飞机工业(集团)有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
CN106052854A (zh) * | 2016-06-13 | 2016-10-26 | 浙江理工大学 | 一种磨床磨削颤振故障在线诊断方法 |
CN108036940A (zh) * | 2017-12-04 | 2018-05-15 | 中国水利水电科学研究院 | 一种轴承故障诊断方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109857079A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109857079B (zh) | 加工中心主轴系统工作状态异常的智能诊断方法及装置 | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
Zhou et al. | Intelligent diagnosis and prognosis of tool wear using dominant feature identification | |
CN105718876B (zh) | 一种滚珠丝杠健康状态的评估方法 | |
JP5151556B2 (ja) | 工程解析装置、工程解析方法および工程解析プログラム | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN109909803B (zh) | 一种机床主轴异常检测方法 | |
CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及系统 | |
CN111141517B (zh) | 风机故障诊断方法及系统 | |
JP2019098515A (ja) | 刃具状態検査システム及び方法 | |
CN111160652B (zh) | 一种基于知识感知的设备异常状态综合判断及运维方法 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
EP3712728A1 (en) | Apparatus for predicting equipment damage | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN113341879A (zh) | 一种数控机床的数据采集与监控方法及系统 | |
CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
JPH0793018A (ja) | 動作状態の診断方法及びシステム | |
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 | |
CN114326593A (zh) | 一种刀具寿命预测系统及方法 | |
CN112859741A (zh) | 一种机床顺序动作单元运行可靠性评价方法及系统 | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN113424120A (zh) | 无需计量地捕获机器特别是机床的特性确定该特性的方法 | |
CN115792634A (zh) | 一种基于云端在线数据的电池单体电压采样故障识别方法 | |
CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 |
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 |