CN110370649B - 3d打印设备的在线监测装置、系统 - Google Patents
3d打印设备的在线监测装置、系统 Download PDFInfo
- Publication number
- CN110370649B CN110370649B CN201910626520.6A CN201910626520A CN110370649B CN 110370649 B CN110370649 B CN 110370649B CN 201910626520 A CN201910626520 A CN 201910626520A CN 110370649 B CN110370649 B CN 110370649B
- Authority
- CN
- China
- Prior art keywords
- module
- printing equipment
- printing
- frequency spectrum
- preset
- 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
- 238000010146 3D printing Methods 0.000 title claims abstract description 143
- 238000012806 monitoring device Methods 0.000 title claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 65
- 238000001228 spectrum Methods 0.000 claims abstract description 53
- 238000007639 printing Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000010183 spectrum analysis Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 description 15
- 230000009466 transformation Effects 0.000 description 15
- 238000006243 chemical reaction Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
- B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- 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
- G05B19/4097—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 using design data to control NC machines, e.g. CAD/CAM
- G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/121—Facilitating exception or error detection and recovery, e.g. fault, media or consumables depleted
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
- G06F3/1229—Printer resources management or printer maintenance, e.g. device status, power levels
- G06F3/1234—Errors handling and recovery, e.g. reprinting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1278—Dedicated interfaces to print systems specifically adapted to adopt a particular infrastructure
- G06F3/1285—Remote printer device, e.g. being remote from client or server
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31354—Hybrid expert, knowledge based system combined with ann
-
- 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
- G05B2219/33—Director till display
- G05B2219/33296—ANN for diagnostic, monitoring
-
- 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
- G05B2219/33—Director till display
- G05B2219/33318—Knowledge acquisition
-
- 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
- G05B2219/37432—Detected by accelerometer, piezo electric
-
- 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
- G05B2219/37435—Vibration of machine
-
- 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
- G05B2219/37597—Spectrum analyser
-
- 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
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49023—3-D printing, layer of powder, add drops of binder in layer, new powder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Materials Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于3D打印设备技术领域,具体涉及一种3D打印设备的在线监测装置,旨在为了解决在3D打印设备异常工作状态早期无法识别异常状态,从而导致严重故障对设备造成不可修复的损害的问题。本发明包括信号采集模块、信号处理模块、特征提取模块、监测模块、知识库模块;通过振动传感器采集3D打印设备运行时预设部件的振动信号;将所采集到的各预设部件振动信号由模拟信号转换为数字信号并提取频谱特征;基于各预设部件的频谱特征,通过比对分析模型获取预设部件的工作状态类型。本发明在异常工作状态早期进行状态识别和打印设备停机保护,避免了严重故障对设备造成不可修复的损害;并在故障发生时及时判别故障类别和故障发生位置。
Description
技术领域
本发明属于3D打印设备技术领域,具体涉及一种3D打印设备的在线监测装置和系统。
背景技术
3D打印技术又被称作增材制造或快速成型技术,作为第三次工业革命的代表性技术之一,其以数字三维模型为基础,通过逐层堆积的方式完成对零件的加工,与传统的切削加工(减材制造)技术有着本质区别。3D打印凭借其独特的增料加工方式被应用于越来越多的行业,目前市面上已有各类型的3D打印设备用于服务各方面的需求。但现有3D打印设备仍在稳定性方面存在问题,易出现包括电机堵转、轴承断裂、传动故障、机器异常抖动在内的一系列失效形式。鉴于3D打印设备较高的成本价值,应避免严重故障对设备造成不可修复的损害。
现有的3D打印设备维护和维修方式有事后维修(BM)和预防维修(PM)两种:事后维修采用仅当设备发生故障或运行状态出现明显异常时进行维护修理的设备维修管理方式,其仅适用于故障后果轻微,且有备件的情况;预防维修是一种定期维修管理方式,其忽略了每一个设备个体的运转工况及性能状态,极易造成过度维修和维修不足的情况。现在市场上没有对3D打印设备早期异常工作状态进行识别的装置,也没有判别3D打印设备故障类别和故障发生位置的装置。
因此现有3D打印设备缺乏在线监测与故障诊断装置,以解决在3D打印设备异常工作状态的早期无法识别异常状态和打印设备停机保护,从而导致严重故障对设备造成不可修复的损害的问题;以及也不能在设备故障发生时及时判别故障类别和故障发生位置的问题。
发明内容
为了解决现有技术中的上述问题,即为了解决使用人员在3D打印设备异常工作状态的早期无法识别异常状态,从而导致严重故障对设备造成不可修复的损害的问题,本发明提出了一种3D打印设备的在线监测装置,该装置包括信号采集模块、信号处理模块、特征提取模块、监测模块、知识库模块;
所述信号采集模块,该模块包括设置于3D打印设备预设部件的振动传感器,用于采集3D打印设备运行时所述预设部件的振动信号;
所述信号处理模块,配置为将所采集到的各所述预设部件的振动信号由模拟信号转换为数字信号;
所述特征提取模块,配置为对各所述预设部件的振动信号的数字信号,分别进行频谱特征的提取,得到各所述预设部件的频谱特征;
所述监测模块,配置为基于各所述预设部件的频谱特征,通过第一比对分析模型,获取每一个所述预设部件的工作状态类型;其中,所述第一比对分析模型包含与所述预设部件一一对应的一个或多个判断模型,所述判断模型用于将预设部件提取的频谱特征分别与预设部件正常运行时的频谱特征进行相关性判断,得到对应部件工作状态类型。
所述知识库模块,配置为存储3D打印设备新增样本和初始样本;所述初始样本为已知各类故障的频谱特征信息和对应故障类别,所述新增样本包括打印设备运行中实时获取的新故障的频谱特征信息及其对应的故障类别。
在一些优选的实施方式中,所述第一比对分析模型还包含与所述预设部件的2N+1个判断模型对应的表决模型,所述表决模型用于依据2N+1个判断模型输出的2N+1个判断结果,将其中大于等于N+1个相同的判断结果作为预设部件的最终工作状态类型:
其中,N为大于等于1的正整数。
在一些优选的实施方式中,所述工作状态类型为工作状态异常或工作状态正常。
在一些优选的实施方式中,所述工作状态为工作状态异常时,所述监测模块将预设部件的频谱特征与所述知识库模块中所述预设部件的频谱特征进行相关度判断:
当相关度高于预设的阈值时,监测模块输出故障类型;
当相关度低于预设的阈值时,知识库模块将新故障的振动信号的频谱特征作为新增样本。
在一些优选的实施方式中,该装置还包括故障预警模块;
所述故障预警模块,配置为当监测模块输出预设部件的工作状态类型为工作状态异常时,所述故障预警模块输出控制信息,所述控制信息用于控制3D打印设备停止打印。
在一些优选的实施方式中,所述知识库模块基于新增样本对初始样本进行更新。
在一些优选的实施方式中,该装置还包括信息显示模块;
所述信息显示模块,包括显示器、触摸屏,用于向用户呈现所述监测模块输出的工作状态类型,并与使用人员的进行人机交互。
在一些优选的实施方式中,所述特征提取模块的特征提取方法包括时频分析、功率谱分析、倒频谱分析。
在一些优选的实施方式中,所述预设部件为3D打印设备轴承座、电机、传动部件、箱体或机架中的一种或多种。
在一些优选的实施方式中,所述振动传感器为压电式振动加速度传感器或电涡流位移传感器。
本发明的第二方面提出了一种3D打印设备的在线监测系统,该系统包括上述的3D打印设备的在线监测装置、远程服务器;所述远程服务器与多个所述3D打印设备的在线监测装置通过无线通信链路进行通信连接,用于获取各3D打印设备的在线监测装置新增样本中的新故障的频谱特征信息及其对应的故障类别,并同步至所述各3D打印设备的在线监测装置的初始样本。
在一些优选的实施方式中,所述远程服务器包括样本数据库,所述样本数据库包括初始样本、新增样本;
所述初始样本为已知各类故障的频谱特征信息及其对应故障类别;所述新增样本为打印设备运行中实时获取的新故障的频谱特征信息及其对应的故障类别;
所述远程服务器基于新增样本对初始样本进行更新,得到更新后的初始样本,并同步至3D打印设备的在线监测装置的初始样本。
本发明的第三方面提出了一种3D打印设备的在线监测装置,该装置包括信号采集模块、信号处理模块、时域-频域变换模块、监测模块、知识库模块;
所述信号采集模块,该模块包括设置于3D打印设备预设部件的振动传感器,用于采集3D打印设备运行时所述预设部件的振动信号;
所述信号处理模块,配置为将所采集到的各所述预设部件的振动信号由模拟信号转换为数字信号;
所述时域-频域变换模块,配置为对各所述预设部件的振动信号的数字信号,分别进行时域-频域变换,得到各所述预设部件的时频信息数据;
所述监测模块,配置为基于各所述预设部件的时频信息数据,通过第二比对分析模型,获取每一个所述预设部件的工作状态;其中,所述第二比对分析模型包含与所述预设部件一一对应的一个或多个基于深度学习算法的分类器,用于分别基于各所述预设部件的振动信号对对应部件工作状态进行分类识别。
所述知识库模块,配置为存储3D打印设备新增样本和初始样本;所述初始样本为已知各类工作状态的时频信息数据和对应工作状态类别,所述新增样本包括打印设备运行中实时获取的新工作状态的时频信息数据及其对应的工作状态类别。
在一些优选的实施方式中,所述分类器基于受限玻尔兹曼机搭建,输出分类为:故障类型、工作状态异常、工作状态正常。
在一些优选的实施方式中,该系统还包括故障预警模块;
所述故障预警模块,配置为当监测模块输出预设部件的工作状态为故障类型或工作状态异常时,所述故障预警模块输出控制信息,所述控制信息用于控制3D打印设备停止打印。
在一些优选的实施方式中,该系统还包括比对分析模型更新模块,所述比对分析模型更新模块包括第三比对分析模型;
所述比对分析模型更新模块,配置为基于所述知识库模块中的新增样本,第三比对分析模型进行模型优化,得到更新后的模型参数,并同步至所述第二比对分析模型;其中所述第三比对分析模型与所述第二比对分析模型结构一致。
在一些优选的实施方式中,该系统还包括信息显示模块;
所述信息显示模块,包括显示器、触摸屏,用于向用户呈现所述监测模块输出的工作状态类型,并与使用人员进行人机交互。
在一些优选的实施方式中,所述时域-频域变换模块的信号变换方法包括小波变换、短时傅里叶变换。
在一些优选的实施方式中,所述预设部件为3D打印设备轴承座、电机、传动部件、箱体或机架中的一种或多种。
在一些优选的实施方式中,所述振动传感器为压电式振动加速度传感器或电涡流位移传感器。
本发明的第四方面提出了一种3D打印设备的在线监测系统,该系统包括上述的3D打印设备的在线监测装置、远程服务器;所述远程服务器与多个所述3D打印设备的在线监测装置通过无线通信链路进行通信连接,用于获取各3D打印设备的在线监测装置的新增样本和对第二比对分析模型参数进行更新。
在一些优选的实施方式中,所述远程服务器包括样本数据库和第三比对分析模型;
所述样本数据库包括所述第二比对分析模型的初始样本、新增样本;所述新增样本为打印设备运行中实时获取的新工作状态的时频信息数据及其对应的工作状态类别;
所述第三比对分析模型与所述第二比对分析模型结构一致,并在所述样本数据库获取新增样本时重新进行模型训练,得到更新后的模型参数,并同步至所述第二比对分析模型。
本发明的有益效果:本发明通过合理布置振动传感器,采集设备振动信号,并通过信号处理及分析方法、故障诊断技术判断设备运转状态及故障形式,能够实时监测设备运行状态,在异常工作状态的早期进行状态识别和打印设备停机保护,有效避免了严重故障对设备造成不可修复的损害;在故障发生时能够及时判别故障类别和故障发生位置。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明一种实施例的3D打印设备的在线监测装置结构示意图;
图2是本发明一种实施例的基于相关性判断的3D打印设备的在线监测装置系统组成示意图;
图3是本发明一种实施例的基于相关性判断的3D打印设备的在线监测装置工作流程示意图;
图4是本发明一种实施例的3D打印设备的在线监测系统知识库体系示意图;
图5是本发明一种实施例的基于深度学习的3D打印设备的在线监测装置系统组成示意图;
图6是本发明一种实施例的基于深度学习的3D打印设备的在线监测装置工作流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面先对本发明的实施例的一种基于相关性判断的3D打印设备在线监测装置进行展开描述,并对由该3D打印设备在线监测装置和远程服务器组成的3D打印设备在线监测系统进行展开描述;然后对本发明的实施例的一种基于深度学习的3D打印设备的在线监测装置进行展开描述,并对由该3D打印设备的在线监测装置和远程服务器组成的3D打印设备在线监测系统进行展开描述。
1、基于相关性判断的3D打印设备的在线监测装置
本发明实施例的一种3D打印设备在线监测装置,如图1所示,包括信号采集模块、信号处理模块、特征提取模块、监测模块、知识库模块;
信号采集模块,该模块包括设置于3D打印设备预设部件的振动传感器,用于采集3D打印设备运行时预设部件的振动信号;
信号处理模块,配置为将所采集到的各预设部件的振动信号由模拟信号转换为数字信号;
特征提取模块,配置为对各预设部件的振动信号的数字信号,分别进行频谱特征的提取,得到各预设部件的频谱特征;
监测模块,配置为基于各预设部件的频谱特征,通过第一比对分析模型,获取每一个预设部件的工作状态类型;其中,第一比对分析模型包含与预设部件一一对应的一个或多个判断模型,判断模型用于将预设部件提取的频谱特征分别与预设部件正常运行时的频谱特征进行相关性判断,得到对应部件工作状态类型。
知识库模块,配置为存储3D打印设备新增样本和初始样本;初始样本为已知各类故障的频谱特征信息和对应故障类别,新增样本包括打印设备运行中实时获取的新故障的频谱特征信息及其对应的故障类别。
为了更清晰地对本发明进行说明,下面结合图对本发明基于相关性判断的3D打印设备的在线监测装置一种实施例从组成模块、工作过程两方面进行展开详述。
1.1组成模块
基于相关性判断的3D打印设备的在线监测装置,如图2所示,包括信号采集模块、信号处理模块、特征提取模块、监测模块、知识库模块、故障预警模块、信息显示模块。
1.1.1信号采集模块
3D打印设备的在线监测装置利用振动信号进行3D打印设备的状态监测及故障诊断。振动信号由打印设备本身发出,无需另行添加信号源。3D打印设备在运行过程中,由于各运动构件与静止构件的冲击而产生振动,正常工作的3D打印设备振动水平稳定,其振动频率以一倍频、二倍频为主导;当出现故障时,设备在非正常工作状态下振动明显加大,开始出现故障振动特征频率和振动特征参数,不同故障类型有其特有的故障特征指标,有效反映了设备故障。
信号采集模块与信号处理模块连接,将采集的振动信号转换为电信号输出。信号采集模块由振动传感器组成,振动传感器根据不同要求可选择压电式振动加速度传感器或电涡流位移传感器。振动传感器可布置在3D打印设备轴承座、电机、传动部件、箱体或机架上,提取有效表征3D打印设备状态的振动信号。
1.1.2信号处理模块
信号处理模块分别与信号采集模块和特征提取模块连接,该模块包括滤波器和模拟/数字转换器。
滤波器可保留不同频带,其作用是对信号进行适当的滤波、降噪。3D打印设备故障在振动信号的不同频带上均有反映,根据所设定的不同频带范围,滤波器可以使用低通滤波器、高通滤波器、带通滤波器、或几种滤波器组合使用,以保留需要的振动频率段。
模拟/数字转换器的作用是进行振动信号从模拟到数字的转换,将信号采集模块拾取的模拟信号转变为可进行信号分析的数字信号。模拟/数字转换器的具体类型可选择积分型转换器或压频变换型转换器等。
1.1.3特征提取模块
特征提取模块分别与信号处理模块和监测模块连接,可用嵌入式处理器或微处理器将从信号处理模块接收的数字信号从时间域转换到频率域,得到所需要的数字信号频谱,为后续基于频谱分析的状态监测和故障诊断做准备。
时间域转换到频率域具体包括傅里叶变换、短时傅里叶变换、快速傅里叶变换及小波变换。通过各类型傅里叶变换可提供准确率极高的频域信息,是一种纯频域的算法;为了同时保留时间信息,明确特定信号是在何时发生的,进行时变信号的处理,采用小波变换的信号处理方法,可使处理后的信号同时具有时间和频率的双分辨率。
信号频谱分析方法包括时频分析法、功率谱分析法和倒频谱分析法。
信号在时域数字信号的基础上通过时频分析方法提取信号特征。在多变的工况和负载条件下,3D打印设备的振动信号一般为非平稳信号,时频分析法可以有效处理由于随机滑移、潜在转速波动以及载荷比的变化产生的非平稳振动信号。使用时频域相结合的分析方法同时具有时域分析法对早期故障的敏感性以及频域分析法对故障部位、故障形式判断的准确性,能够分析信号的频谱如何在时间维度上变化,基于时频谱进行3D打印设备的状态监测。具体的,对采集到的振动信号进行经验模态分解,分解得到的若干本征模态函数(IMF)分量进行希尔伯特变换,提取状态信号的特征信息并识别其状态类型。正常工作状态下的3D打印设备时频图基本是平稳的随机波形,当设备出现不同类型的故障时,其信号幅值会有不同程度的增加,波形也会依故障类型在不同频率段有所改变,出现明显的周期性或不规则冲击、毛刺;不同频段的能量显著增加,能量最聚集的位置也会改变,可依此判断3D打印设备所处状态正常与否。
功率谱分析法是对处理后的振动信号在功率谱上进行功率或能量分布情况的特征提取,可通过自相关函数的傅里叶变换对振动信号进行处理。功率分析更为清晰、特征值更为明显,因其反映的是信号幅值的平方,故处理器的计算量也更大。
倒频谱分析法又称二次频谱分析,是对处理后的振动信号在倒频谱上进行基于设备振动信号频率组成分量的比对分析,可将复杂的成族边频带简化为单根谱线,便于提取分析有效的特征参量。具体的,对振动信号功率谱的对数值进行傅里叶变换,然后进行卷积分解,将复杂的卷积关系转化为较为简单的线性叠加,提取振动信号特征。
在实际应用中还可以采用其他分析方法提取信号的特征,此处不再赘述。
本实施例中特征提取模块将信号处理模块输出的一个数字信号,分别通过时频分析方法、功率谱分析法、倒频谱分析法获取该部件振动信号的三种频谱特征。
1.1.4监测模块
监测模块分别与特征提取模块和知识库模块、故障预警模块、信息显示模块连接,通过第一比对分析模型的判断模型,获取部件的工作状态类型。具体为将同一振动信号的数字信号的三种频谱特征分别输入三个判断模型与该3D打印设备部件正常运行时的频谱特征进行相关性判断,得到该部件工作状态类型。具体判断方法为:
当相关度高于阈值时,监测模块输出工作状态正常;
当相关度低于阈值时,监测模块输出工作状态异常。
3D打印设备正常运转信息数据除了打印设备健康运行基本参数外,还包括打印设备前期正常运转时不断采集的所监测3D打印设备的个性化健康参数,以完善该台设备健康运转信息。
同一振动信号基于三种频谱特征进行相关性判断得到三个判断结果,然后对三个判断结果通过三选二表决模型进行运行状态判断,将其中两个相同的结果作为该部件的最终运行状态。
三选二表决模型是IEC61508推荐的五种安全系统中可靠性最高的一种,在系统进行分析比对时,仅仅可假设系统各算法绝对可靠,而在实际运行中必然存在出错的概率,并且会对本系统的可靠性产生决定性的影响,错误判断3D打印设备的健康状态,出现虚警、假警的情况。
三选二表决模型基于打印设备运行状态的三个判断结果,将其中两个相同的判断结果作为打印设备最终运行状态,保证在某一特征提取出错的情况下打印设备仍能正常有效工作,通过容错、校正机制提高系统的可靠程度,并且在某一结果出错的情况下仍能保证3D打印设备的在线监测装置对3D打印设备健康状态的准确监测,有效诊断。
当表决模型输出工作状态为工作状态异常时,监测模块进一步将所监测部件非正常状态下的频谱特征与知识库模块中该部件的故障频谱特征进行相关度判断:
当相关度高于预设的阈值时,则可判断打印设备发生该典型故障,监测模块输出故障类型;
当相关度低于预设的阈值时,则可判断出现新的故障,此时将新故障的特征信息传输到知识库模块新增样本中进行储存,方便下次发生同类型故障时能够进行精确诊断。
1.1.5知识库模块
知识库模块存储3D打印设备新增样本和初始样本;初始样本为已知各类故障的频谱特征信息和对应故障类别,新增样本包括打印设备运行中实时获取的新故障的频谱特征信息及其对应的故障类别。知识库模块分别与监测模块连接,包括用于神经网络学习的微处理器、用于储存各类型特征故障信息的SD卡。知识库模块对已知各类故障特征信息进行标注、存档,作为初始样本;同时对监测到的新故障信息进行建档,作为新增样本。通过机器故障体系的不断扩充进行基于神经网络、支持向量机的3D打印设备故障智能学习。知识库模块基于新增样本不断对初始样本进行更新。
1.1.6故障预警模块
当故障预警模块接收到监测模块输出的3D打印设备“工作状态异常”信息时即刻进行故障预警,在提醒用户的同时通过故障预警模块输出控制信息,控制3D打印设备终止打印任务,避免设备继续工作造成严重故障的发生,严重损害3D打印设备。
1.1.7信息显示模块
信息显示模块与监测模块连接,该模块包括显示器和触摸屏;其作用是将监测模块得到的结果呈现,包括故障预警、故障位置、故障类型等故障信息,用于与使用人员的人机交互,使用户知晓故障类别并提供相应的维护参考信息。
1.2工作过程
3D打印设备的在线监测装置工作流程,如图3所示,包括如下步骤:
步骤S11,振动信号采集。
通过合理布置在3D打印设备轴承座、电机、传动部件、箱体或机架上的振动传感器进行工作状态下打印设备的信号采集。
步骤S12,滤波、降噪。
通过滤波器对各振动信号进行滤波、降噪,在选取所需信号频带的同时提高振动信号质量。
步骤S13,模拟-数字转换。
通过模拟-数字转换器进行振动信号的模数转换,将信号采集模块拾取的模拟信号转变为可进行信号分析的数字信号。
步骤S14,特征提取:处理从模拟-数字信号转换器接收的数字信号,通过信号变换和信号分析提取各数字信号频谱特征,为后续状态监测做准备。
当通过表决模型进一步进行判断时,应该根据表决模型对一种振动信号需要提取特征信号的数量,进行相应数量特征的提取。
步骤S15,特征比对。
通过第一比对分析模型,获取部件的工作状态类型。将提前输入的部件正常运行状态频谱特征与监测到的振动信号的频谱特征通过判断模型进行比对分析,通过信号的相关性判断设备所处状态。若相关程度高于设定的阈值,则输出3D打印设备“工作状态正常”;若相关程度低于设定的阈值,则输出3D打印设备“工作状态异常”。
表决模型依据同一振动信号的2N+1种频谱特征进行相关性判断得到的2N+1个该部件工作状态,将其中大于等于N+1个相同的工作状态作为预设部件的最终工作状态类型。本实施例中N=3,将得到的三个判断结果通过三选二表决模型进行运行状态判断,将其中两个相同的结果作为该部件的最终运行状态。
步骤S16,故障预警。
若步骤S15中监测到的特征与设备正常运行状态特征相关度低于设定的阈值,则进行故障预警,同时通过输出控制信息终止打印任务,避免设备继续工作造成严重故障的发生,严重损害3D打印设备。
步骤S17,故障诊断。
将非正常状态特征参数与知识库模块中的初始样本中的故障频谱特征进行相关度比对:若相关度高于设定的阈值,则输出故障类型并报警;若相关度低于设定的阈值,则判断为出现新故障。
步骤S18,知识库更新。
若监测到的异常状态信息不在知识库的初始样本中,则对新故障信息进行建档,更新知识库,将设备异常案例的振动信息数据记录并储存,作为认知条件输入并储存知识库。在日后监测到相似异常振动信息时直接从知识库中调取相关故障信息,有效提高识别效率和状态监测准确性。
步骤S19,数据共享。
将新增样本通过4G、5G、蓝牙、WIFI等无线数据传输方式实时上传至远程服务器,实现局域网或广域网范围的数据共享,同时获取远程服务器共享的样本作为初始样本。
2、3D打印设备的在线监测系统
3D打印设备在线监测系统包括上述基于相关性判断的3D打印设备的在线监测装置、远程服务器;远程服务器包括样本数据库,样本数据库包括初始样本、新增样本;初始样本为已知各类故障的频谱特征信息和对应故障类别;新增样本为打印设备运行中实时获取的新故障的频谱特征信息及其对应的故障类别;
远程服务器与多个3D打印设备的在线监测装置通过无线通信链路进行通信连接。知识库中的样本数据通过网络实现共享,如图4所示,各3D打印设备在线监测装置将新增样本上传至远程服务器,新增样本包括新故障的频谱特征信息及其对应的故障类别;远程服务器基于新增样本对初始样本进行更新,得到更新后的初始样本;并同步至各3D打印设备在线监测装置的初始样本。
在工业大批量生产中,一个流水线可能存在执行不同打印任务的一系列3D打印设备,本系统每天都可通过数据共享采集到大量的样本数据并对其自主进行机器学习,凭借此机制,样本数据库将有长足发展。
本系统采用5G无线传输技术,借助5G网络100倍于4G网络的流量容量和网络效率,有效双向传输高密度海量的设备状态数据。
3、基于深度学习的3D打印设备在线监测装置
本发明的一种3D打印设备的在线监测装置包括信号采集模块、信号处理模块、时域-频域变换模块、监测模块、知识库模块;
信号采集模块,该模块包括设置于3D打印设备预设部件的振动传感器,用于采集3D打印设备运行时预设部件的振动信号;
信号处理模块,配置为将所采集到的各预设部件的振动信号由模拟信号转换为数字信号;
时域-频域变换模块,配置为对各预设部件的振动信号的数字信号,分别进行时域-频域变换,得到各预设部件的时频信息数据;
监测模块,配置为基于各预设部件的时频信息数据,通过第二比对分析模型,获取每一个预设部件的工作状态类型;其中,第二比对分析模型包含与预设部件一一对应的一个或多个基于深度学习算法的分类器,用于分别基于各预设部件的振动信号对对应部件工作状态进行分类识别。
知识库模块,配置为存储3D打印设备新增样本和初始样本;初始样本为已知各类工作状态的时频信息数据和对应工作状态类别,新增样本包括打印设备运行中实时获取的新工作状态的时频信息数据及其对应的工作状态类别。
为了更清晰地对本发明进行说明,下面对本发明装置一种实施例从网络模型搭建和训练、组成模块、工作过程三方面进行展开详述。
3.1网络模型搭建和训练
网络模型基于受限玻尔兹曼机构建。将实时采集到的3D打印设备不同振动信号经信号处理得到时频信息数据作为样本数据,将数据随机分为训练样本与测试样本,用于基于受限玻尔兹曼机的训练。
样本数据中打印设备正常运转信息数据除了打印设备健康运行基本参数外,还包括打印设备前期正常运转时不断采集的所监测3D打印设备的个性化健康参数,以完善该台设备健康运转信息。
通过训练学习数据中的特征,实现多层次、非线性的特征提取,捕捉不明显的微弱信号特征,然后从整体性和相关性出发,与提前输入的不同类型故障信息做残差,通过设定阈值实现故障智能诊断。训练完成后得到的网络模型能够直接对信号时频信息数据进行自适应特征提取与健康状态的智能判断。
3.2 3D打印设备的在线监测装置组成模块
3D打印设备的在线监测装置,如图5所示,包括信号采集模块、信号处理模块、时域-频域变换模块、监测模块、知识库模块、故障预警模块、比对分析模型更新模块、信息显示模块;其中信号采集模块、信号处理模块、信息显示模块与基于相关性判断的3D打印设备在线监测装置的相应模块相同,此处不再展开描述;仅对时域-频域变换模块、监测模块、知识库模块、故障预警模块、比对分析模型更新模块进行描述。
3.2.1时域-频域变换模块
时域-频域变换模块分别与信号处理模块和监测模块连接,将信号处理模块输出的数字信号,通过信号变换获取该振动信号的时频信息数据。
时域-频域变换模块可用嵌入式处理器或微处理器将从信号处理模块接收的数字信号从时间域转换到频率域,得到所需要的数字信号时频谱。
时间域转换到频率域的变换方法包括短时傅里叶变换、小波变换。为了同时保留时间信息,明确特定信号是在何时发生的,进行时变信号的处理,采用短时傅里叶变换或小波变换的信号处理方法,可使处理后的信号同时具有时间和频率的双分辨率。本实施例中通过小波变换得到振动信号的时频图谱。
3.2.2监测模块
监测模块基于各部件的时频信息数据,通过第二比对分析模型,获取每一个部件的工作状态类型;其中,第二比对分析模型包含与各部件一一对应的一个或多个基于深度学习算法的分类器,用于分别基于各部件的振动信号对对应部件工作状态进行分类识别。第二比对分析模型应用深度学习的方法进行3D打印设备的状态监测与故障诊断。深度学习网络模型通过训练直接提取时频信息中的特征指标,进行打印设备运行状态的准确比对判断,最大限度地挖掘数据中的隐含特征,在特征参数离散化、不完备的情况下仍能通过精确提取特征信息进行有效比对。第二比对分析模型基于知识库模块中的新增样本进行模型进一步的优化,通过预训练和微调相结合的策略使模型不依赖所提取特征信息的好坏、在达到一个较高的判别精度之后仍可有所提高。
3.2.3知识库模块
知识库模块与监测模块连接,包括用于神经网络学习的微处理器、用于储存各类型工作状态信息的SD卡。知识库模块对已知各类工作状态的时频信息进行标注、存档,作为初始样本;同时对监测到的新工作状态信息进行建档,作为新增样本。通过机器故障体系的不断扩充进行基于神经网络、支持向量机的3D打印设备故障智能学习。第二比对分析模型基于知识库模块中的新增样本进行模型进一步的优化后,将知识库模块中的新增样本存入初始样本,对初始样本进行更新。
3.2.4故障预警模块
当故障预警模块接收到监测模块输出的3D打印设备“工作状态异常”或故障类型信息时即刻进行故障预警,在提醒用户的同时通过故障预警模块输出控制信息,控制3D打印设备终止打印任务,避免设备继续工作造成严重故障的发生,严重损害3D打印设备。
3.2.5比对分析模型更新模块
比对分析模型更新模块包括第三比对分析模型;基于知识库模块中的新增样本,第三比对分析模型进行模型优化,得到更新后的模型参数,并同步至第二比对分析模型;其中第三比对分析模型与第二比对分析模型结构一致。
3.3、3D打印设备的在线监测装置工作流程
3D打印设备的在线监测装置工作流程,如图6所示,包括如下步骤:
步骤S21,振动信号采集。
通过合理布置在3D打印设备轴承座、电机、传动部件、箱体或机架上的振动传感器进行工作状态下3D打印设备的振动信号采集。
步骤S22,信号处理。
通过滤波器对振动信号进行滤波、降噪,在选取所需信号频带的同时提高振动信号质量。通过模拟-数字转换器进行振动信号的模数转换,将信号采集模块拾取的模拟信号转变为可进行信号分析的数字信号。
步骤S23,时域-频域变换。
对各部件的振动信号的数字信号,分别进行时域-频域变换,得到各部件的时频信息数据。本实施例中通过小波变换得到振动信号的时频图谱。
步骤S24,基于深度神经网络模型进行设备运行状态及故障类型判断。
装置采用基于受限玻尔兹曼机构建的深度神经网络模型进行状态监测和故障判断,将时域-频域变换模块输出的时频信息数据输入网络模型,输出3D打印设备的运行状态和故障类型作为诊断结果。
4、3D打印设备的在线监测系统
本发明实施例的一种3D打印设备的在线监测系统,包括上述的3D打印设备的在线监测装置和远程服务器;远程服务器与多个3D打印设备的在线监测装置通过无线通信链路进行通信连接,用于获取各3D打印设备在线监测装置的新增样本和对第二比对分析模型参数进行更新。
远程服务器包括样本数据库和第三比对分析模型;样本数据库包括第二比对分析模型的初始样本、新增样本;其中新增样本为打印设备运行中实时获取的新运行状态的时频信息数据及其对应的运行状态类别。
第三比对分析模型与第二比对分析模型结构一致,基于深度神经网络构建,并在样本数据库获取新增训练样本时重新进行模型训练,得到更新后的模型参数,并同步至第二比对分析模型。
3D打印设备的在线监测装置实时采集3D打印设备振动信号,进行打印设备运行状态检测和故障诊断;当知识库模块中有新增样本时,通过4G、5G网络、蓝牙、WIFI等无线数据传输方式上传至远程服务器的样本数据库中,从而将各独立打印设备的新增样本共享,扩大知识库特征集类型。
需要说明的是,上述实施例提供的3D打印设备的在线监测装置和系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种3D打印设备的在线监测装置,其特征在于,该装置包括信号采集模块、信号处理模块、特征提取模块、监测模块、知识库模块;
所述信号采集模块,该模块包括设置于3D打印设备预设部件的振动传感器,用于采集3D打印设备运行时所述预设部件的振动信号;
所述信号处理模块,配置为将所采集到的各所述预设部件的振动信号由模拟信号转换为数字信号;
所述特征提取模块,配置为对各所述预设部件的振动信号的数字信号,分别进行频谱特征的提取,得到各所述预设部件的频谱特征;特征提取方法包括时频分析、功率谱分析、倒频谱分析;
所述监测模块,配置为基于各所述预设部件的频谱特征,通过第一比对分析模型,获取每一个所述预设部件的工作状态类型;其中,所述第一比对分析模型包含与所述预设部件一一对应的多个判断模型,所述判断模型用于将预设部件提取的频谱特征分别与预设部件正常运行时的频谱特征进行相关性判断,得到对应部件工作状态类型;第一比对分析模型还包含与所述预设部件的2N+1个判断模型对应的表决模型,所述表决模型用于依据2N+1个判断模型输出的2N+1个判断结果,将其中大于等于N+1个相同的判断结果作为预设部件的最终工作状态类型;N为大于等于1的正整数;
所述知识库模块,配置为存储3D打印设备新增样本和初始样本;所述初始样本为已知各类故障的频谱特征信息和对应故障类别,所述新增样本包括打印设备运行中实时获取的新故障的频谱特征信息及其对应的故障类别。
2.根据权利要求1所述的3D打印设备的在线监测装置,其特征在于,所述工作状态类型为工作状态异常或工作状态正常。
3.根据权利要求2所述的3D打印设备的在线监测装置,其特征在于,所述工作状态为工作状态异常时,所述监测模块将预设部件的频谱特征与所述知识库模块中所述预设部件的频谱特征进行相关度判断:
当相关度高于预设的阈值时,监测模块输出故障类型;
当相关度低于预设的阈值时,知识库模块将新故障的振动信号的频谱特征作为新增样本。
4.根据权利要求2所述的3D打印设备的在线监测装置,其特征在于,该装置还包括故障预警模块;
所述故障预警模块,配置为当监测模块输出预设部件的工作状态类型为工作状态异常时,所述故障预警模块输出控制信息,所述控制信息用于控制3D打印设备停止打印。
5.根据权利要求2所述的3D打印设备在线监测装置,其特征在于,该装置还包括信息显示模块;
所述信息显示模块,包括显示器、触摸屏,用于向用户呈现所述监测模块输出的工作状态类型,并与使用人员进行人机交互。
6.根据权利要求1所述的3D打印设备的在线监测装置,其特征在于,所述知识库模块基于新增样本对初始样本进行更新。
7.根据权利要求1所述的3D打印设备的在线监测装置,其特征在于,所述预设部件为3D打印设备轴承座、电机、传动部件、箱体或机架中的一种或多种。
8.根据权利要求1所述的3D打印设备的在线监测装置,其特征在于,所述振动传感器为压电式振动加速度传感器或电涡流位移传感器。
9.一种3D打印设备的在线监测系统,其特征在于,该系统包括权利要求1-8中任一权利要求所述的3D打印设备的在线监测装置、远程服务器;所述远程服务器与多个所述3D打印设备的在线监测装置通过无线通信链路进行通信连接,用于获取各3D打印设备的在线监测装置新增样本中的新故障的频谱特征信息及其对应的故障类别,并同步至所述各3D打印设备的在线监测装置初始样本。
10.根据权利要求9所述的3D打印设备的在线监测系统,其特征在于,所述远程服务器包括样本数据库,所述样本数据库包括初始样本、新增样本;
所述初始样本为已知各类故障的频谱特征信息及其对应故障类别;所述新增样本为打印设备运行中实时获取的新故障的频谱特征信息及其对应的故障类别;
所述远程服务器基于新增样本对初始样本进行更新,得到更新后的初始样本,并同步至3D打印设备的在线监测装置的初始样本。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910626520.6A CN110370649B (zh) | 2019-07-11 | 2019-07-11 | 3d打印设备的在线监测装置、系统 |
CN202110685044.2A CN113400652B (zh) | 2019-07-11 | 2019-07-11 | 基于振动信号的3d打印机监测与诊断知识库装置、系统 |
US16/921,945 US11467562B2 (en) | 2019-07-11 | 2020-07-07 | Online monitoring device and system for a 3D printing device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910626520.6A CN110370649B (zh) | 2019-07-11 | 2019-07-11 | 3d打印设备的在线监测装置、系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110685044.2A Division CN113400652B (zh) | 2019-07-11 | 2019-07-11 | 基于振动信号的3d打印机监测与诊断知识库装置、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110370649A CN110370649A (zh) | 2019-10-25 |
CN110370649B true CN110370649B (zh) | 2021-05-11 |
Family
ID=68252762
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110685044.2A Active CN113400652B (zh) | 2019-07-11 | 2019-07-11 | 基于振动信号的3d打印机监测与诊断知识库装置、系统 |
CN201910626520.6A Active CN110370649B (zh) | 2019-07-11 | 2019-07-11 | 3d打印设备的在线监测装置、系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110685044.2A Active CN113400652B (zh) | 2019-07-11 | 2019-07-11 | 基于振动信号的3d打印机监测与诊断知识库装置、系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11467562B2 (zh) |
CN (2) | CN113400652B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210323054A1 (en) * | 2020-04-16 | 2021-10-21 | Desktop Metal, Inc. | Frequency Mapping for Magnetohydrodynamic Jetting of Metals in 3D Printing Applications |
CN111572026B (zh) * | 2020-05-09 | 2021-10-19 | 广东省特种设备检测研究院 | 一种3d打印的压力容器映射试验系统 |
CN111774565B (zh) * | 2020-06-01 | 2022-05-10 | 成都飞机工业(集团)有限责任公司 | 基于特征提取思维模型的3d打印送粉修复识别方法 |
CN112884768B (zh) * | 2021-03-30 | 2022-09-23 | 中国科学院自动化研究所 | 基于神经网络的3d打印在线质量监测方法、系统、装置 |
CN113295851B (zh) * | 2021-05-25 | 2023-04-28 | 山东省地质矿产勘查开发局第六地质大队(山东省第六地质矿产勘查院) | 一种矿山地质环境预警装置及其预警方法 |
CN113505960A (zh) * | 2021-05-26 | 2021-10-15 | 中国科学院空天信息创新研究院 | 打印工况在线识别方法、系统、电子设备及存储介质 |
CN114683536A (zh) * | 2022-03-21 | 2022-07-01 | 江苏科技大学 | 确定fdm型3d打印机最佳打印参数的方法 |
CN115017121B (zh) * | 2022-08-05 | 2022-10-25 | 山东天意机械股份有限公司 | 一种混凝土生产设备数据存储系统 |
CN116189349B (zh) * | 2023-04-28 | 2023-07-18 | 深圳黑蚂蚁环保科技有限公司 | 一种自助打印机的远程故障监测方法及系统 |
CN116501532B (zh) * | 2023-06-26 | 2023-08-29 | 北京惠朗时代科技有限公司 | 一种基于数据分析的印控仪运行故障预测系统 |
CN116708519B (zh) * | 2023-08-09 | 2023-11-07 | 深圳市金石三维打印科技有限公司 | 用于3d打印机的远程通信数据处理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105619818A (zh) * | 2015-12-31 | 2016-06-01 | 浙江大学 | 基于声发射的熔融沉积成型3d打印监控系统 |
CN109968671A (zh) * | 2019-03-20 | 2019-07-05 | 北京科技大学 | 3d打印过程故障诊断方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120092724A1 (en) * | 2010-08-18 | 2012-04-19 | Pettis Nathaniel B | Networked three-dimensional printing |
CN105094720A (zh) * | 2015-09-27 | 2015-11-25 | 冯增瑞 | 基于云平台的3d打印制造系统及其实现方法 |
KR102042156B1 (ko) * | 2017-12-08 | 2019-11-07 | 성균관대학교산학협력단 | 3d 프린터의 건전성 진단 방법 및 장치 |
CN108127913B (zh) * | 2017-12-22 | 2019-08-16 | 珠海天威飞马打印耗材有限公司 | 智能3d打印系统及其打印方法 |
CN108215202B (zh) * | 2018-01-15 | 2020-02-11 | 合肥工业大学 | 一种考虑打印质量的3d打印分批控制方法 |
CN109532021B (zh) * | 2018-10-10 | 2020-08-25 | 浙江大学 | 基于结构光线性异常点的3d打印熔积缺陷逐层检测方法 |
CN109397703B (zh) * | 2018-10-29 | 2020-08-07 | 北京航空航天大学 | 一种故障检测方法及装置 |
CN109648857A (zh) * | 2019-01-09 | 2019-04-19 | 广州黑格智造信息科技有限公司 | 3d打印参数值的确定方法及装置 |
-
2019
- 2019-07-11 CN CN202110685044.2A patent/CN113400652B/zh active Active
- 2019-07-11 CN CN201910626520.6A patent/CN110370649B/zh active Active
-
2020
- 2020-07-07 US US16/921,945 patent/US11467562B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105619818A (zh) * | 2015-12-31 | 2016-06-01 | 浙江大学 | 基于声发射的熔融沉积成型3d打印监控系统 |
CN109968671A (zh) * | 2019-03-20 | 2019-07-05 | 北京科技大学 | 3d打印过程故障诊断方法和装置 |
Non-Patent Citations (1)
Title |
---|
面向增材制造声发射监测技术及应用研究;吴海曦;《中国博士学位论文全文数据库 工程科技II辑》;20171215;第48-50页,第65-84页,第103-111页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113400652B (zh) | 2022-12-02 |
US11467562B2 (en) | 2022-10-11 |
CN110370649A (zh) | 2019-10-25 |
CN113400652A (zh) | 2021-09-17 |
US20210011457A1 (en) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110370649B (zh) | 3d打印设备的在线监测装置、系统 | |
CN108444708B (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
Liu et al. | A semi-supervised Support Vector Data Description-based fault detection method for rolling element bearings based on cyclic spectral analysis | |
Wang et al. | A new tool wear monitoring method based on multi-scale PCA | |
CN102112933B (zh) | 异常检测方法及系统 | |
Timusk et al. | Fault detection using transient machine signals | |
CN101634605B (zh) | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 | |
CA2875071A1 (en) | Method and system for testing operational integrity of a drilling rig | |
Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
CA2874991A1 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
JP2015075821A (ja) | 状態診断方法および状態診断装置 | |
JP6792746B2 (ja) | 周波数領域のセグメント特徴解析による状態識別法 | |
CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
CN103792000A (zh) | 一种基于稀疏表示的信号中瞬态成分检测方法及装置 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
Siegel | Prognostics and health assessment of a multi-regime system using a residual clustering health monitoring approach | |
CN103267652A (zh) | 一种智能早期设备故障在线诊断方法 | |
CN117421616B (zh) | 一种矿山竖井井筒检测系统及方法 | |
Zhao et al. | Condition prediction based on wavelet packet transform and least squares support vector machine methods | |
CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
Guo et al. | Compound fault diagnosis of rolling bearing based on tunable Q-factor wavelet transform and sparse representation classification | |
Wißbrock et al. | Discussion of Features for Acoustic Anomaly Detection under Industrial Disturbing Noise in an End-of-Line Test of Geared Motors | |
CN117057676B (zh) | 多数据融合的故障分析方法、设备及存储介质 | |
CN117740082B (zh) | 一种电力设备故障风险预警方法及系统 |
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 |