CN110837247B - 基于机床数据的机床性能测评方法、系统、综合系统、云平台 - Google Patents
基于机床数据的机床性能测评方法、系统、综合系统、云平台 Download PDFInfo
- Publication number
- CN110837247B CN110837247B CN201810941909.5A CN201810941909A CN110837247B CN 110837247 B CN110837247 B CN 110837247B CN 201810941909 A CN201810941909 A CN 201810941909A CN 110837247 B CN110837247 B CN 110837247B
- Authority
- CN
- China
- Prior art keywords
- machine tool
- characteristic
- data
- value
- score
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 107
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 53
- 230000005284 excitation Effects 0.000 claims description 47
- 230000004044 response Effects 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 41
- 238000013016 damping Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 12
- 238000011056 performance test Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种基于机床数据的机床性能测评方法、系统、综合系统、云平台，应用于云平台，包括以下步骤：获取数控机床发送来的机床数据；根据所述云平台提供的指标标准值和所述机床数据计算机床性能测评值。本发明的基于机床数据的机床性能测评方法、系统、综合系统、云平台在云平台上基于数控机床自身的传感器实时采集的机床数据和指标标准值对机床性能进行测评，准确度高，反馈速度快。
Description
技术领域
本发明涉及数据处理的技术领域，特别是涉及一种基于机床数据的机床性能测评方法、系统、综合系统、云平台。
背景技术
机床(machine tool)是指制造机器的机器，亦称工作母机或工具机，习惯上简称机床。一般分为金属切削机床、锻压机床和木工机床等。机床的种类非常多，例如：通用机床有：车床，刨床，铣床，冲床，磨床，电火花成型机床，线切割机床，钻床，镗床，滚齿机，旋铆机，折弯机等；专用机床有：专门做螺纹的搓丝机，镦锻机，专门磨曲轴的曲轴磨等。
数控机床是数字控制机床(Computer numerical control machine tools)的简称，是一种装有程序控制系统的自动化机床。数控机床是一种应用较为广泛的金属加工设备，主要用于回转件的加工，常见的是加工盘类零件和轴类零件。
在现代制造业的发展过程中，数控机床一直扮演着重要的角色，它已经成为制造业的关键设备，广泛应用于航天航空、汽车制造、机械加工等各个领域。但是在长时间运行、高负载、高速运动的情况下，机床的整体性能难免会发生退化，从而引发了各种故障。各种故障带来了严重的经济损失，这就影响了制造业的发展。因此，数控机床的性能检测就显得尤为重要。所谓性能检测就是对机床进行不定期的检测，对获取到的参数信号进行分析，根据这些分析判断机床当前的状态以及做出相应的预测，从而及时地对机床做出相应的调整。
具体地，机床的性能指的是机床整体运行的良好程度，是对机床的运行状态的综合评价。通过这种评价可以判定机床处于哪种状态，从而采取相应的维护措施，以有效地提高机床运行的效率，减少故障发生的频率，延长机床的寿命。因此，性能可以看作是故障预警的一种方法，通过对性能数值的评估，可以预测机床未来发生故障的一种概率。
机械设备的状态应该与其在现行使用环境下保持其特定性能的能力相对应。机械设备的状态对应着机床的性能，而性能测试就是测试机械现行使用环境下保持特定性能的能力。因此机床的性能测试结果和机床性能是相对应的。
传统机床性能测试或故障检测方法是通过在关键位置加装传感器的方法，例如振动传感器、电流传感器、温度传感器等，然后根据这些传感器采集的信号分析机床的状态。传统的方法有：多元回归分析、人工神经网络、支持向量机、模糊理论等。其中多元回归分析是把通过线性方程来描述机床的特征量和机床的状态量之间的关系；人工神经网络是通过模拟神经系统来进行信息处理，根据输入和输出之间的关系以及大量的样本训练调整神经元的参数；支持向量机主要是构造机床各种状态之间的划分平面，从而形成整个模型；模糊理论主要是通过经验知识和专家诊断形成一种诊断模型。
然而，传统机床性能测试或故障检测方法具有以下不足：
(1)目前采集的数据主要来自于机床外加的传感器，一方面来自传感器采集的信号噪音比较严重，需要滤波，在滤波过程中，特征数据有可能被滤除，这样信号的准确性就会下降；另一方面外在的传感器主要是加在机头以及主轴上，在这两个部位增加传感器成本比较高。
(2)现有的机床体检方法主要是用户把信号数据传给机床的制造方，再由制造方来分析数据并给出相应的建议。这中间就存在一个时间差问题，往往要过一两天用户才能得到反馈的建议，这种体检的效率就比较低。
(3)现有的机床体检方法主要是状态检测。根据机床本次体检采集的数据分析机床现在的状态，并没有考虑机床性能的变化趋势，而变化趋势才能更加准确的反映出机床部件的劣化趋势，对故障进行预警。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于机床数据的机床性能测评方法、系统、综合系统、云平台，在云平台上基于数控机床自身的传感器实时采集的机床数据和基于云平台工业大数据计算获得的指标标准值对机床性能进行测评，准确度高，反馈速度快。
为实现上述目的及其他相关目的，本发明提供一种基于机床数据的机床性能测评方法，应用于云平台，包括以下步骤：
获取数控机床发送来的机床数据；
根据所述云平台提供的指标标准值和所述机床数据计算机床性能测评值。
于本发明一实施例中，还包括在满足预设条件时，基于所述云平台获得的与所述数控机床同型号机床的历史机床数据进行指标标准值的标定，以获得所述指标标准值。
于本发明一实施例中，所述预设条件为以下任意一种：
距上次标定指标标准值的时间间隔超过第一预设时长；
在第二预设时长内所述云平台获取的机床数据数量与云平台上同型号机床数据总量的比值大于预设值。
于本发明一实施例中，所述指标标准值至少包括：主轴激励特性标准值、动态精度特性标准值、阻尼特性标准值、响应特性标准值和波动特性标准值；
所述标定包括：
基于预设时长内同型号机床所采集的主轴等间隔加速运动时各进给轴电机反馈速度波动数据的平均值来获取所述主轴激励特性标准值；
基于预设时长内同型号机床所采集的进给轴最大误差数据的平均值来获取所述动态精度特性标准值；
基于预设时长内同型号机床所采集的各进给轴匀速运动时电机的力矩电流数据的平均值来获取所述阻尼特性标准值；
基于预设时长内同型号机床所采集的阶跃响应相关指标的平均值来获取所述响应特性标准值；
基于预设时长内同型号机床所采集的各进给轴匀速运动时电机的速度波动数据的平均值来获取所述波动特性标准值。
于本发明一实施例中，所述性能测评值包括机床的特性分值和机床性能分值；
根据所述指标标准值和所述机床数据计算机床性能测评值包括以下步骤：
基于所述指标标准值和所述机床数据计算机床的特性分值，所述特性至少包括：主轴激励特性、动态精度特性、阻尼特性、响应特性和波动特性；
根据所述特性分值，采用
计算所述机床性能分值，其中k1、k2、k3、k4、k5分别表示主轴激励特性分值、动态精度特性分值、阻尼特性分值、响应特性分值和波动特性分值，μ1、μ2、μ3、μ4、μ5分别表示主轴激励特性分值、动态精度特性分值、阻尼特性分值、响应特性分值和波动特性分值的权重。
于本发明一实施例中，基于所述指标标准值和所述机床数据计算机床的特性分值包括以下步骤：
对于机床某进给轴的主轴激励特性分值，使主轴以某一速度转动，基于采集到的所述进给轴的速度反馈按时间序列分为若干区间；计算每个区间对应的区间指标分值，所述区间指标分值为在当前区间内数据的最大值与最小值的差值；计算所有区间的区间指标分值的平均值，作为该轴的主轴激励特性分值；将各个进给轴的主轴激励特性分值的加权平均值作为机床的主轴激励特性分值；
对于机床某进给轴的动态精度特性分值，基于采集到的机床在所述进给轴参与的圆弧运动中所述进给轴在换向位置区间的最大轮廓误差，计算所述进给轴的两个换向位置区间处的最大轮廓误差的平均值，作为该轴的动态精度特性分值；将各个进给轴的动态精度特性分值的加权平均值作为机床的动态精度特性分值；
对于机床某进给轴的阻尼特性分值，基于采集到的机床在某进给轴全行程上匀速运行时伺服电机力矩电流值，计算该过程中伺服电机力矩电流值的平均值，作为所述进给轴阻尼特性分值；将各个进给轴的阻尼特性分值的加权平均值作为机床的阻尼特性分值；
对于机床某进给轴的响应特性分值，使机床某进给轴在其行程区间内3个位置做短距离往复加减速运动，计算当其速度到达指定速度后预设时长内采集到的反馈速度数据经由FFT变换后得到的重心频率和平均能量幅值，并根据
得到响应特性分值，其中f表示FFT采样频率的折叠频率，fci表示重心频率，avi表示平均能量幅值，i表示运动次数；将各个进给轴的响应特性分值的加权平均值作为机床的响应特性分值；
对于机床某进给轴的波动特性分值，基于采集到的机床某进给轴匀速运行的反馈速度数据按照时间序列分为若干个区间；计算每个区间对应的区间指标分值，所述区间指标分值为在当前区间内反馈速度数据的最大值与最小值的差值；计算该轴的波动特性数值，所述波动特性数值为所有区间的区间指标分值的平均值；计算所述平均值与波动特性标准值的比值，并根据所述比值计算波动特性分值；将各个进给轴的波动特性分值的加权平均值作为机床的波动特性分值。
于本发明一实施例中，还包括：
当所述机床性能测评值在预设范围时，分析机床性能的变化趋势，并基于所述变化趋势提供机床维护建议；
当所述机床性能测评值不在预设范围时，发出报警。
于本发明一实施例中，还包括：存储所述机床性能测评值于所述云平台上；
以及，还包括：基于用户查询请求，提供所述数控机床的历史机床性能测评值。
于本发明一实施例中，所述机床数据通过所述数控机床执行部件上内置的传感器所采集。
于本发明一实施例中，所述机床数据在所述数控机床运行标准循坏模块过程中采集；
所述标准循坏模块至少包括：主轴激励测试子程序、圆弧测试子程序、匀速运动电流测试子程序、单轴加速测试子程序和进给轴匀速波动测试子程序；
采集所述机床数据至少包括：
在主轴激励测试过程中，采集主轴等间隔加速运动时各进给轴电机反馈速度波动数据；
在圆弧测试过程中，采集进给轴两轴联动做圆弧运动时进给轴最大误差；
在匀速运动电流测试过程中，采集各进给轴匀速运动时电机的力矩电流数据；
在单轴加速测试过程中，采集各进给轴阶跃响应测试时电机的速度反馈数据；
以及在进给轴匀速波动测试过程中，采集各进给轴匀速运动时电机的速度波动数据。
对应地，本发明提供一种基于机床数据的机床性能测评系统，应用于云平台，包括获取模块和处理模块；
所述获取模块用于获取数控机床发送来的机床数据；
所述处理模块用于根据所述云平台提供的指标标准值和所述机床数据计算机床性能测评值。
本发明提供一种云平台，包括：处理器、存储器和通信器；
所述通信器用于与数控机床进行通信；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述云平台执行上述的基于机床数据的机床性能测评方法。
最后，本发明提供一种基于机床数据的机床性能测评综合系统，包括上述的云平台和至少一台数控机床；
所述数控机床用于执行机床的特性对应的操作，采集机床数据并发送至所述云平台。
于本发明一实施例中，所述云平台包括：
机床性能查询模块，用于基于用户的查询请求，提供历史机床性能测评值；
机床接口模块，用于接收所述数控机床发送来的机床数据；
指标标准计算模块，与所述机床接口模块相连，用于计算同型号机床的指标标准值；
性能计算模块，与所述机床接口模块和所述指标标准计算模块相连，用于计算机床性能测评值；
云数据存储模块，与所述性能计算模块相连，用于存储所述机床性能测评值；
所述数控机床包括：
标准循环模块，用于控制机床执行部件执行机床的特性对应的操作；
机床执行部件，用于执行机床的特性对应的操作，并通过内置的传感器采集所述机床数据；
数据采集模块，与所述机床执行部件相连，用于采集所述机床数据；
本地存储模块，与所述数据采集模块相连，用于本地存储所述机床数据；
接口模块，与所述本地存储模块相连，用于将所述机床数据发送至所述云平台。
如上所述，本发明的基于机床数据的机床性能测评方法、系统、综合系统、云平台，具有以下有益效果：
(1)基于数控机床自身的传感器实时采集的机床数据和指标标准值对机床性能进行测评，准确度高，避免了信号噪音；
(2)能够实时查询机床的历史性能指标，进而分析性能指标变化趋势，且支持跨终端查询；
(3)采用主轴激励特性、动态精度特性、阻尼特性、响应特性和波动特性作为性能指标，能够实全方位获取机床的性能；
(4)基于云平台进行工业大数据处理，实现了机床性能测评值的快速精准计算。
附图说明
图1显示为本发明的基于机床数据的机床性能测评综合系统于一实施例中的结构示意图；
图2显示为本发明的基于机床数据的机床性能测评方法于一实施例中的流程图；
图3显示为本发明的基于机床数据的机床性能测评方法于另一实施例中的流程图；
图4显示为图3所示的流程图中指标标准值标定于一实施例中的流程图；
图5显示为图3所示流程图中计算机床特性测评值于一实施例中的流程图；
图6显示为本发明的基于机床数据的机床性能测评系统于一实施例中的结构示意图；
图7显示为本发明的云平台于一实施例中的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的基于机床数据的机床性能测评方法、系统、综合系统、云平台在云平台上基于数控机床自身的传感器实时采集的机床数据和指标标准值对机床性能进行测评，准确度高，反馈速度快，为数控机床的正常使用提供数据支持。
如图1所示，于一实施例中，本发明的基于机床数据的机床性能测评综合系统包括数控机床端和云平台端两部分。其中，数控机床端可以包括一台或多台数控机床。其中数控机床1、数控机床2以及更多的数控机床n都连接到云平台P上。其中，多台数控机床可以是不同制造方生产的不同型号的机床。
本实施例中，每个数控机床至少包括数控系统A和机床执行部件B两大部分。其中数控系统A中有标准循环模块C、数据采集模块D、接口模块M和本地数据存储模块E。其中，标准循环模块C用于控制机床执行部件B执行机床的特性对应的操作。具体地，标准循环模块C包括预先设定的数控机床执行模块，优选地包括主轴激励测试子程序、圆弧测试子程序、匀速运动电流测试子程序、单轴加速测试子程序和进给轴匀速波动测试子程序，以实现机床性能特性的测评。机床执行部件B用于执行机床的特性对应的操作，并通过内置的传感器采集所述机床数据。一般而言，机床执行部件B上内置有若干传感器，如马达编码器，马达电流传感器等，这类传感器能够直接或间接地反应机床运动情况。根据不同的部件，采集的数据类型不同，可以包括：速度、电流、功率、温度等信息。数据采集模块D与所述机床执行部件B相连，用于采集所述机床数据。本地数据存储模块E与所述数据采集模块D相连，用于本地存储所述机床数据。接口模块M与所述本地存储模块E相连，用于将所述机床数据发送至所述云平台P，并且可以获取云平台P发起的部分指令。需要说明的是，在其他实施例中，也可以不在机床执行部件B中内置传感器，而是由外置在机头或主轴上的传感器来采集数据。
云平台P包括了机床接口模块S、指标标准计算模块R、机床性能查询模块Q、性能计算模块W和云数据存储模块T。机床性能查询模块Q用于基于用户的查询请求，提供历史机床性能测评值。机床接口模块S用于和各个机床进行通讯，接收所述数控机床发送来的机床数据，并且可以根据需要向机床发送必要的指令。指标标准计算模块R与所述机床接口模块S相连，用于计算同型号机床的指标标准值。性能计算模块W与所述机床接口模块S和所述指标标准计算模块R相连，用于计算机床性能测评值。云数据存储模块T与所述性能计算模块W相连，用于存储所述机床性能测评值,提供用户查询机床性能功能。
具体地，所述数控机床用于执行机床的特性对应的操作，实时采集机床数据并发送至所述云平台。优选地，所述机床的特性至少包括主轴激励特性、动态精度特性、阻尼特性、响应特性和波动特性。数控机床性能测评的主要指标及测试说明如表1所示。
表1、数控机床性能测评的主要指标及测试说明
所述云平台用于根据所述机床数据和指标标准值来计算并存储机床的性能测评值，从而能够第一时间反馈机床的性能状况，随时查询历史性能测评值。于本发明一实施例中，所述数控机床通过设置在机床执行部件上的传感器来采集机床数据，从而无需额外再设置传感器，有效降低了测评成本，且避免了信号噪声的干扰，保证了测评准确度。
下面从云平台的角度进一步阐述本发明的基于机床数据的机床性能测评方法。如图2所示，于一实施例中，本发明的基于机床数据的机床性能测评方法应用于云平台上，具体包括以下步骤：
步骤S1、获取数控机床发送来的机床数据。
具体地，在本发明中无需额外增设传感器，只需通过设数据机床自带的、设置在数控机床执行部件上的传感器来采集机床数据即可。其中，所述机床数据包括主轴的转速，进给轴的转速、电流、位置等数据。
在进行机床性能测评时，数控机床执行机床特性对应的操作，并通过传感器采集对应的机床数据，然后通过网络线(有线)或3G、4G、WiFi等无线通信方式将所述机床数据发送至云平台。于本发明一实施例中，机床数据在所述数控机床运行标准循坏模块过程中采集；所述标准循坏模块至少包括：主轴激励测试子程序、圆弧测试子程序、匀速运动电流测试子程序、单轴加速测试子程序和进给轴匀速波动测试子程序。
采集所述机床数据至少包括：
在主轴激励测试过程中，采集主轴等间隔加速运动时各进给轴电机反馈速度波动数据；
在圆弧测试过程中，采集进给轴两轴联动做圆弧运动时进给轴最大误差；
在匀速运动电流测试过程中，采集各进给轴匀速运动时电机的力矩电流数据；
在单轴加速测试过程中，采集各进给轴阶跃响应测试时电机的速度反馈数据；
以及在进给轴匀速波动测试过程中，采集各进给轴匀速运动时电机的速度波动数据。
于一实施例中，获取数控机床发送来的机床数据包括以下步骤：
a)所述数控机床执行机床的特性对应的操作。
具体地，数控机床基于标准循环模块C执行机床的特性对应的操作。
b)所述数控机床在所述操作执行期间采集传感器获取的机床数据。
具体地，在循环标准模块C执行期间，通过数控机床通过数据采集模块D采集机床执行部件上内置的传感器采集的机床数据。
c)本地存储所述机床数据。
具体地，将所述机床数据存储至本地数据存储模块E中。
d)将所述机床数据传送至云平台。
具体地，在标准循环模块C执行完毕后，根据网络状况，通过接口模块M将本地数据存储E中的所述机床数据上传到云平台P上。
步骤S2、根据同型号数控机床的指标标准值和所述机床数据计算并存储机床性能测评值。
具体地，在进行机床性能测评时，针对数控机床的主轴激励特性、动态精度特性、阻尼特性、响应特性和波动特性等指标对数控机床进行性能评价。
对于上述指标，所述云平台存储有指标标准值。在本发明中，所述指标标准值是通过标定的方法获取的。具体地，对标定程序运行过程中机床数据进行采集、提取、分析、生成数字化报告，最终形成性能指标。指标标准值来源于标准过程中机床数据的反馈，例如电流的波动情况、速度的变化情况、轮廓轨迹的跟踪情况等。云平台收集大量机床的运行数据，通过对这些大样本数据实时分析，来获取性能评价指标标准值。
在本发明中，所述云平台根据指标标准值和所述机床数据来计算机床性能测评值，从而在不依赖制造商的基础上，测评反馈效率能够提高，使得机床性能测评的准确度极大地提高。
于本发明一实施例中，本发明的基于机床数据的机床性能测评方法还包括在满足预设条件时，基于所述云平台获得的与所述数控机床同型号机床的历史机床数据进行指标标准值的标定，以获得所述指标标准值。如图3所示，在该实施例中，本发明的基于机床数据的机床性能测评方法包括以下步骤：
步骤S31、当需要获取机床的性能测评值时，首先基于云平台P上的机床性能查询模块Q进行机床性能查询，以查询历史性能测评值。
步骤S32、判断云数据存储模块T上是否有历史性能测评值。
步骤S33、若所述云平台上存储有历史性能测评值，则显示历史性能测评值，以分析其变化趋势。
步骤S34、判断是否需要重新测评，若否，则退出当前流程。
步骤S35、若所述云平台上未存储历史性能测评值或需要进行重新测评时时，直接启动测评程序。首先由数控机床在标准循坏模块中采集机床数据，并上传至所述云平台。
步骤S36、在满足预设条件时，基于所述云平台获得的与所述数控机床同型号机床的历史机床数据进行指标标准值的标定。
步骤S37、根据同型号数控机床的指标标准值和所述机床数据计算并存储机床性能测评值。
步骤S38、显示数控机床性能评测值，并将所述性能评测数值存入云数据存储模块T；最后根据性能评测值，对每个指标的结果进行说明，给出用户调整机床的建议方法，并在指标超过预设阈值时，进行报警。
具体地，本发明中所采用的指标标准值并非固定值，而是可以根据机床的实际使用情况进行实时调节的，从而进一步保证机床性能测评的准确度。优选地，距上次标定指标标准值的时间间隔超过第一预设时长，如30天时，对指标标准值进行标定。或者，在第二预设时长内所述云平台获取的机床数据数量与云平台上同型号机床数据总量的比值大于预设值，如某天内采集的机床数据超过云平台上总机床数据的50％以上时，对指标标准值进行标定。
如图4所示，指标标准值标定包括以下步骤：
步骤S41、接收数控机床发送来的机床数据。
具体地，数控机床采集完成机床数据后，通过接口模块M发送数据到云平台P。
步骤S42、存储所述机床数据。
具体地，云平台P通过机床接口模块S获取数据，并存放到云数据存储模块T中。
步骤S43、基于所述机床数据计算指标标准值。
具体地，云平台P利用指标标准计算模块R计算指标标准值。
步骤S44、存储所述指标标准值，以便查询和使用。
具体地，指标标准值存放到云数据存储T中，供性能测评值计算使用。
于本发明一实施例中，所述指标标准值至少包括：主轴激励特性标准值、动态精度特性标准值、阻尼特性标准值、响应特性标准值和波动特性标准值。具体地，基于预设时长内同型号机床所采集的主轴等间隔加速运动时各进给轴电机反馈速度波动数据的平均值来获取所述主轴激励特性标准值；基于预设时长内同型号机床所采集的进给轴最大误差数据的平均值来获取所述动态精度特性标准值；基于预设时长内同型号机床所采集的各进给轴匀速运动时电机的力矩电流数据的平均值来获取所述阻尼特性标准值；基于预设时长内同型号机床所采集的阶跃响应相关指标的平均值来获取所述响应特性标准值；基于预设时长内同型号机床所采集的各进给轴匀速运动时电机的速度波动数据的平均值来获取所述波动特性标准值。需要说明的是，所述预设时长是基于经验值进行设定的，若预设时长过于短，则所述指标标准值可能不准；若预设时长过于长，则计算量会比较大，导致复杂度较高。在本实施例中，综合考虑下，所述预设时长为30天。在其他实施例可以有其他设定，本发明对此不做具体限定。具体地，各个指标标准值的标准值说明如表2所示。
表2、机床性能测评指标标准值标定说明
于本发明一实施例中，所述性能测评值包括机床性能指标分值和机床性能分值，从而既可详细了解数控机床各个指标的实时性能，又可以从整体上了解数控机床的性能状态。具体地，如图5所示，根据指标标准值和所述机床数据计算机床性能测评值包括以下步骤：
步骤S51、基于所述同型号数控机床的指标标准值和所述机床数据计算机床的特性分值，所述特性至少包括：主轴激励特性、动态精度特性、阻尼特性、响应特性和波动特性。
于本发明一实施例中，通过以下步骤计算机床某进给轴的主轴激励特性的分值：
a)使主轴以某一速度转动，将采集到的所述进给轴的速度反馈按时间序列分为若干区间，如10个区间；
b)计算每个区间对应的区间指标分值Si，所述区间指标分值为在当前区间内数据的最大值与最小值的差值，Si＝max(veli)-min(veli)；
c)计算所述进给轴的主轴激励特性数值，主轴激励特性数值为所有区间的区间指标分值的平均值，即S＝mean(S1,S2...Si...Sn)。
将各个进给轴的主轴激励特性分值的加权平均值作为机床的主轴激励特性分值。
于本发明一实施例中，通过以下步骤计算机床某进给轴的阻尼特性的分值：
a)采集机床在该轴全行程上匀速运行时(如f＝1200mm/min)伺服电机力矩电流值；
b)求取该过程中伺服电机力矩电流值平均值，将该值作为该轴阻尼特性分值。
将各个进给轴的阻尼特性分值的加权平均值作为机床的阻尼特性分值。
于本发明一实施例中，通过以下步骤计算机床某进给轴的动态精度特性的分值：
a)采集机床在该轴参与的圆弧运动中该轴在换向位置区间的最大轮廓误差；
b)由于在圆弧联动时对于某进给轴来说存在两个换向位置区间，将两个换向位置区间处的最大轮廓误差取均值，作为所述进给轴的动态精度特性的分值。
将各个进给轴的动态特性分值的加权平均值作为机床的动态特性分值。
于本发明一实施例中，通过以下步骤计算机床某进给轴的响应特性的分值：
a)使机床该轴在其行程区间内3个位置(通常为中心和左右两端)做短距离(如10mm)往复加减速运动(共6次加减速运动)，求取当其速度到达指定速度后一段时间内(如256ms)反馈速度数据经由FFT变换后得到的重心频率fci和平均能量幅值avi。其中，FFT(Fast Fourier Transformation)是离散傅氏变换(DFT)的快速算法，即为快速傅氏变换，是根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。
b)所述进给轴的响应特性的分值R按如下公式计算：
其中，f为FFT采样频率的折叠频率，优选地，f为500Hz。
将各个进给轴的响应特性分值的加权平均值作为机床的响应特性分值。
于本发明一实施例中，通过以下步骤计算机床某进给轴的波动特性的分值：
a)将所述机床所述进给轴匀速运行的反馈速度数据按照时间序列分为若干个区间，如10个区间；
b)计算每个区间对应的区间指标分值Vi，所述区间指标分值为在当前区间内数据的最大值与最小值的差值，Vi＝max(veli)-min(veli)；
c)计算所述进给轴的波动特性数值，波动特性数值为所有区间的区间指标分值的平均值，即V＝mean(V1,V2...Vi...Vn)；
d)计算所述平均值与当前指标标准值的比值，并根据所述比值按照预设算法计算当前指标的分值。
将各个进给轴的波动特性分值的加权平均值作为机床的波动特性分值。
为直观地使用5分制表示性能结果，本发明使用指标knq(其中n为指标编号，这里定义主轴激励编号为1，阻尼特性编号为2，动态精度编号为3，响应特性编号为4，波动特性波动为5；q代表轴编号，如x轴，y轴，z轴等)对性能结果进行表示。各指标的计算方法相似，应用于不同的指标时，只需将下文中使用的input_args值按照各指标进行修改即可。其中input_args为计算得到的特性数值与对应指标标准值的比值。这里标准值可以来自同类型号V值的均值，也可根据经验进行设置。这里以某台机床X轴的波动特性k5x计算为例，给出k5x的计算方法。k5x的计算方法为将该机床对应轴计算出的V值与标准值VS相除，并将相除后的结果按一定算法转换成k5x。经计算后k5x是1～5之间的数值，数值越大说明性能越好。
于本发明一实施例中，所述预设算法如下：
其中：input_args＝V/VS index_1＝0.5；index_2＝0.8；index_3＝1；index_4＝2；index_5＝3
需要说明的是，y轴和z轴的波动特征的分值的计算方法同上。同时，一台机床往往包括多个轴，因此最终的k5可以是所有轴(k5x,k5y,k5z…)的平均值或加权平均值。
步骤S52、根据所述特性分值，采用
计算所述机床性能分值，其中k1、k2、k3、k4、k5分别表示主轴激励特性分值、动态精度特性分值、阻尼特性分值、响应特性分值和波动特性分值，μ1、μ2、μ3、μ4、μ5分别表示主轴激励特性分值、动态精度特性分值、阻尼特性分值、响应特性分值和波动特性分值的权重。
其中，权重可以根据机床类型来确定。优选地，各个权重也可以都设置为1。
于本发明一实施例中，本发明的基于机床数据的机床性能测评方法还包括当所述机床性能测评值在预设范围时，分析机床性能的变化趋势，并基于所述变化趋势提供机床维护建议；当所述机床性能测评值不在预设范围时，发出报警。具体地，当机床性能指标的分值和/或机床性能分值在预设范围时，通过对历史机床性能进行趋势分析，并根据变化趋势提出建议；当机床性能指标的分值和/或机床性能分值不在预设范围时，表示机床的性能存在一定的问题，故自动发出警报，并可针对解决的办法提供一定的建议。需要说明的是，所述预设范围的设定与所采用的分制有关，并结合经验值。在本实施例中，采用5分值，即：5分为满分，满足精度、质量等全部要求，3分为合格，满足机床可加工的基本要求，其他以此类推。在其他实施例中，还可以根据云平台上各机床的平均加工精度和/或工厂质量要求等级等不同需求，自由设定。本发明对此不做具体限定。
于本发明一实施例中，本发明的基于机床数据的机床性能测评方法还包括基于查询请求，提供历史机床性能测评值。具体地，计算得到的机床性能测评值均存储在云平台上。用户可以通过一定的查询接口查询数控机床的历史机床性能测评值，从而了解机床的历史性能信息，并在有需求重新进行测评时，启动机床性能测评，以满足用户不同的需求。
如图6所示，于一实施例中，本发明的基于机床数据的机床性能测评系统应用于云平台上，包括获取模块61和处理模块62。
所述获取模块61用于获取数控机床发送来的机床数据。
所述处理模块62用于根据同型号数控机床的指标标准值和所述机床数据计算并存储机床性能测评值。
需要说明的是，获取模块61和处理模块62的结构和原理与前述的基于机床数据的机床性能测评方法的步骤一一对应，故在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)，或，一个或多个微处理器(DigitalSingnal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessingUnit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
如图7所示，于一实施例中，本发明的云平台包括：处理器71、存储器72和通信器73。
所述通信器73用于与数控机床进行通信。
所述存储器72用于存储计算机程序。
所述存储器72包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器71与所述存储器72和所述通信器73相连，用于执行所述存储器72存储的计算机程序，以使所述云平台执行上述的基于机床数据的机床性能测评方法。
优选地，所述处理器71可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessor，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明的基于机床数据的机床性能测评方法、系统、综合系统、云平台基于数控机床自身的传感器实时采集的机床数据和指标标准值对机床性能进行测评，准确度高，避免了信号噪音；能够实时查询机床的历史性能指标，进而分析性能指标变化趋势，且支持跨终端查询；采用主轴激励特性、动态精度特性、阻尼特性、响应特性和波动特性作为性能指标，能够实全方位获取机床的性能；基于云平台进行工业大数据处理，实现了机床性能测评值的快速精准计算。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种基于机床数据的机床性能测评方法，应用于云平台，其特征在于：包括以下步骤：
获取数控机床发送来的机床数据；
根据所述云平台提供的指标标准值和所述机床数据计算机床性能测评值；
所述性能测评值包括机床的特性分值和机床性能分值；
根据所述指标标准值和所述机床数据计算机床性能测评值包括以下步骤：
基于所述指标标准值和所述机床数据计算机床的特性分值，所述特性至少包括：主轴激励特性、动态精度特性、阻尼特性、响应特性和波动特性；
根据所述特性分值，采用
计算所述机床性能分值，其中k1、k2、k3、k4、k5分别表示主轴激励特性分值、动态精度特性分值、阻尼特性分值、响应特性分值和波动特性分值，μ1、μ2、μ3、μ4、μ5分别表示主轴激励特性分值、动态精度特性分值、阻尼特性分值、响应特性分值和波动特性分值的权重；
基于所述指标标准值和所述机床数据计算机床的特性分值包括以下步骤：
对于机床某进给轴的主轴激励特性分值，使主轴以某一速度转动，基于采集到的所述进给轴的速度反馈按时间序列分为若干区间；计算每个区间对应的区间指标分值，所述区间指标分值为在当前区间内数据的最大值与最小值的差值；计算所有区间的区间指标分值的平均值，作为该轴的主轴激励特性分值；将各个进给轴的主轴激励特性分值的加权平均值作为机床的主轴激励特性分值；
对于机床某进给轴的动态精度特性分值，基于采集到的机床在所述进给轴参与的圆弧运动中所述进给轴在换向位置区间的最大轮廓误差，计算所述进给轴的两个换向位置区间处的最大轮廓误差的平均值，作为该轴的动态精度特性分值；将各个进给轴的动态精度特性分值的加权平均值作为机床的动态精度特性分值；
对于机床某进给轴的阻尼特性分值，基于采集到的机床在某进给轴全行程上匀速运行时伺服电机力矩电流值，计算机床在某进给轴全行程上匀速运行过程中伺服电机力矩电流值的平均值，作为所述进给轴阻尼特性分值；将各个进给轴的阻尼特性分值的加权平均值作为机床的阻尼特性分值；
对于机床某进给轴的响应特性分值，使机床某进给轴在其行程区间内3个位置做短距离往复加减速运动，计算当其速度到达指定速度后预设时长内采集到的反馈速度数据经由FFT变换后得到的重心频率和平均能量幅值，并根据
得到响应特性分值，其中f表示FFT采样频率的折叠频率，fci表示重心频率，avi表示平均能量幅值，i表示运动次数；将各个进给轴的响应特性分值的加权平均值作为机床的响应特性分值；
对于机床某进给轴的波动特性分值，基于采集到的机床某进给轴匀速运行的反馈速度数据按照时间序列分为若干个区间；计算每个区间对应的区间指标分值，所述区间指标分值为在当前区间内反馈速度数据的最大值与最小值的差值；计算该轴的波动特性数值，所述波动特性数值为所有区间的区间指标分值的平均值；计算所述平均值与波动特性标准值的比值，并根据所述比值计算波动特性分值；将各个进给轴的波动特性分值的加权平均值作为机床的波动特性分值。
2.根据权利要求1所述的基于机床数据的机床性能测评方法，其特征在于：还包括在满足预设条件时，基于所述云平台获得的与所述数控机床同型号机床的历史机床数据进行指标标准值的标定，以获得所述指标标准值。
3.根据权利要求2所述的基于机床数据的机床性能测评方法，其特征在于：所述预设条件为以下任意一种：
距上次标定指标标准值的时间间隔超过第一预设时长；
在第二预设时长内所述云平台获取的机床数据数量与云平台上同型号机床数据总量的比值大于预设值。
4.根据权利要求2所述的基于机床数据的机床性能测评方法，其特征在于：所述指标标准值至少包括：主轴激励特性标准值、动态精度特性标准值、阻尼特性标准值、响应特性标准值和波动特性标准值；
所述标定包括：
基于预设时长内同型号机床所采集的主轴等间隔加速运动时各进给轴电机反馈速度波动数据的平均值来获取所述主轴激励特性标准值；
基于预设时长内同型号机床所采集的进给轴最大误差数据的平均值来获取所述动态精度特性标准值；
基于预设时长内同型号机床所采集的各进给轴匀速运动时电机的力矩电流数据的平均值来获取所述阻尼特性标准值；
基于预设时长内同型号机床所采集的阶跃响应相关指标的平均值来获取所述响应特性标准值；
基于预设时长内同型号机床所采集的各进给轴匀速运动时电机的速度波动数据的平均值来获取所述波动特性标准值。
5.根据权利要求1所述的基于机床数据的机床性能测评方法，其特征在于：还包括：
当所述机床性能测评值在预设范围时，分析机床性能的变化趋势，并基于所述变化趋势提供机床维护建议；
当所述机床性能测评值不在预设范围时，发出报警。
6.根据权利要求1所述的基于机床数据的机床性能测评方法，其特征在于：
还包括：存储所述机床性能测评值于所述云平台上；
以及，还包括：基于用户查询请求，提供所述数控机床的历史机床性能测评值。
7.根据权利要求1所述的基于机床数据的机床性能测评方法，其特征在于：所述机床数据通过所述数控机床执行部件上内置的传感器所采集。
8.根据权利要求1所述的基于机床数据的机床性能测评方法，其特征在于：所述机床数据在所述数控机床运行标准循坏模块过程中采集；
所述标准循坏模块至少包括：主轴激励测试子程序、圆弧测试子程序、匀速运动电流测试子程序、单轴加速测试子程序和进给轴匀速波动测试子程序；
采集所述机床数据至少包括：
在主轴激励测试过程中，采集主轴等间隔加速运动时各进给轴电机反馈速度波动数据；
在圆弧测试过程中，采集进给轴两轴联动做圆弧运动时进给轴最大误差；
在匀速运动电流测试过程中，采集各进给轴匀速运动时电机的力矩电流数据；
在单轴加速测试过程中，采集各进给轴阶跃响应测试时电机的速度反馈数据；
以及在进给轴匀速波动测试过程中，采集各进给轴匀速运动时电机的速度波动数据。
9.一种基于机床数据的机床性能测评系统，应用于云平台，其特征在于：包括获取模块和处理模块；
所述获取模块用于获取数控机床发送来的机床数据；
所述处理模块用于根据所述云平台提供的指标标准值和所述机床数据计算机床性能测评值；
所述性能测评值包括机床的特性分值和机床性能分值；
根据所述指标标准值和所述机床数据计算机床性能测评值包括以下步骤：
基于所述指标标准值和所述机床数据计算机床的特性分值，所述特性至少包括：主轴激励特性、动态精度特性、阻尼特性、响应特性和波动特性；
根据所述特性分值，采用
计算所述机床性能分值，其中k1、k2、k3、k4、k5分别表示主轴激励特性分值、动态精度特性分值、阻尼特性分值、响应特性分值和波动特性分值，μ1、μ2、μ3、μ4、μ5分别表示主轴激励特性分值、动态精度特性分值、阻尼特性分值、响应特性分值和波动特性分值的权重；
基于所述指标标准值和所述机床数据计算机床的特性分值包括以下步骤：
对于机床某进给轴的主轴激励特性分值，使主轴以某一速度转动，基于采集到的所述进给轴的速度反馈按时间序列分为若干区间；计算每个区间对应的区间指标分值，所述区间指标分值为在当前区间内数据的最大值与最小值的差值；计算所有区间的区间指标分值的平均值，作为该轴的主轴激励特性分值；将各个进给轴的主轴激励特性分值的加权平均值作为机床的主轴激励特性分值；
对于机床某进给轴的动态精度特性分值，基于采集到的机床在所述进给轴参与的圆弧运动中所述进给轴在换向位置区间的最大轮廓误差，计算所述进给轴的两个换向位置区间处的最大轮廓误差的平均值，作为该轴的动态精度特性分值；将各个进给轴的动态精度特性分值的加权平均值作为机床的动态精度特性分值；
对于机床某进给轴的阻尼特性分值，基于采集到的机床在某进给轴全行程上匀速运行时伺服电机力矩电流值，计算机床在某进给轴全行程上匀速运行过程中伺服电机力矩电流值的平均值，作为所述进给轴阻尼特性分值；将各个进给轴的阻尼特性分值的加权平均值作为机床的阻尼特性分值；
对于机床某进给轴的响应特性分值，使机床某进给轴在其行程区间内3个位置做短距离往复加减速运动，计算当其速度到达指定速度后预设时长内采集到的反馈速度数据经由FFT变换后得到的重心频率和平均能量幅值，并根据
得到响应特性分值，其中f表示FFT采样频率的折叠频率，fci表示重心频率，avi表示平均能量幅值，i表示运动次数；将各个进给轴的响应特性分值的加权平均值作为机床的响应特性分值；
对于机床某进给轴的波动特性分值，基于采集到的机床某进给轴匀速运行的反馈速度数据按照时间序列分为若干个区间；计算每个区间对应的区间指标分值，所述区间指标分值为在当前区间内反馈速度数据的最大值与最小值的差值；计算该轴的波动特性数值，所述波动特性数值为所有区间的区间指标分值的平均值；计算所述平均值与波动特性标准值的比值，并根据所述比值计算波动特性分值；将各个进给轴的波动特性分值的加权平均值作为机床的波动特性分值。
10.一种云平台，其特征在于，包括：处理器、存储器和通信器；
所述通信器用于与数控机床进行通信；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述云平台执行权利要求1至8中任一项所述的基于机床数据的机床性能测评方法。
11.一种基于机床数据的机床性能测评综合系统，其特征在于：包括权利要求10所述的云平台和至少一台数控机床；
所述数控机床用于执行机床的特性对应的操作，采集机床数据并发送至所述云平台。
12.根据权利要求11所述的基于机床数据的机床性能测评综合系统，其特征在于：
所述云平台包括：
机床性能查询模块，用于基于用户的查询请求，提供历史机床性能测评值；
机床接口模块，用于接收所述数控机床发送来的机床数据；
指标标准计算模块，与所述机床接口模块相连，用于计算同型号机床的指标标准值；
性能计算模块，与所述机床接口模块和所述指标标准计算模块相连，用于计算机床性能测评值；
云数据存储模块，与所述性能计算模块相连，用于存储所述机床性能测评值；
所述数控机床包括：
标准循环模块，用于控制机床执行部件执行机床的特性对应的操作；
机床执行部件，用于执行机床的特性对应的操作，并通过内置的传感器采集所述机床数据；
数据采集模块，与所述机床执行部件相连，用于采集所述机床数据；
本地存储模块，与所述数据采集模块相连，用于本地存储所述机床数据；
接口模块，与所述本地存储模块相连，用于将所述机床数据发送至所述云平台。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810941909.5A CN110837247B (zh) | 2018-08-17 | 2018-08-17 | 基于机床数据的机床性能测评方法、系统、综合系统、云平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810941909.5A CN110837247B (zh) | 2018-08-17 | 2018-08-17 | 基于机床数据的机床性能测评方法、系统、综合系统、云平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110837247A CN110837247A (zh) | 2020-02-25 |
| CN110837247B true CN110837247B (zh) | 2023-01-20 |
Family
ID=69574357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810941909.5A Active CN110837247B (zh) | 2018-08-17 | 2018-08-17 | 基于机床数据的机床性能测评方法、系统、综合系统、云平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110837247B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582752A (zh) * | 2020-05-12 | 2020-08-25 | 智能云科(沈阳)信息科技有限公司 | 机床设备的质量检测方法与装置、检测数据获取方法与装置 |
| CN114054785B (zh) * | 2020-08-03 | 2024-09-06 | 沈机（上海）智能系统研发设计有限公司 | 故障检测方法、系统、计算机可读存储介质及数控机床 |
| CN113359619B (zh) * | 2021-06-09 | 2022-09-16 | 意特利（上海）科技有限公司 | 一种立卧转换五轴机床的转台惯量自适应控制方法 |
| CN114102258B (zh) * | 2021-11-18 | 2022-09-13 | 江苏大卫精工科技有限公司 | 机床位置度检测方法及装置 |
| CN114326594B (zh) * | 2021-12-30 | 2024-08-09 | 重庆米特科技有限公司 | 一种基于机床数据的机床性能测评的系统及其测评方法 |
| CN115202287B (zh) * | 2022-09-19 | 2022-11-25 | 徐州凌风俊自动化设备有限公司 | 一种数控机床运行作业在线智能监测诊断分析系统 |
| CN117707051B (zh) * | 2024-02-04 | 2024-04-16 | 工业云制造(四川)创新中心有限公司 | 一种具备自主学习能力的云制造支撑方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201017228Y (zh) * | 2006-12-30 | 2008-02-06 | 北京航空航天大学 | 数控机床加工动力学特性测试分析系统 |
| JP2011252753A (ja) * | 2010-06-01 | 2011-12-15 | Mitsubishi Electric Engineering Co Ltd | 軸受の診断装置 |
| CN106596100A (zh) * | 2017-01-09 | 2017-04-26 | 温州大学 | 一种四阶梯机床主轴弹性模量无损检测方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012035547A2 (en) * | 2010-09-13 | 2012-03-22 | Manufacturing System Insights (India) Pvt. Ltd. | Apparatus that analyses attributes of diverse machine types and technically upgrades performance by applying operational intelligence and the process therefor |
| JP5710391B2 (ja) * | 2011-06-09 | 2015-04-30 | 株式会社日立製作所 | 工作機械の加工異常検知装置及び加工異常検知方法 |
| CN104808585B (zh) * | 2015-04-13 | 2016-09-07 | 华中科技大学 | 一种机床健康状态快速检查方法 |
| CN105652794B (zh) * | 2016-02-29 | 2018-03-13 | 东北大学 | 基于focas的数控机床数据采集和管理系统及其方法 |
| CN105974886B (zh) * | 2016-06-28 | 2018-09-21 | 华中科技大学 | 一种数控机床的健康监测方法 |
| CN106483929A (zh) * | 2016-10-18 | 2017-03-08 | 重庆大学 | 一种数控机床故障消除方案判别指示方法 |
-
2018
- 2018-08-17 CN CN201810941909.5A patent/CN110837247B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201017228Y (zh) * | 2006-12-30 | 2008-02-06 | 北京航空航天大学 | 数控机床加工动力学特性测试分析系统 |
| JP2011252753A (ja) * | 2010-06-01 | 2011-12-15 | Mitsubishi Electric Engineering Co Ltd | 軸受の診断装置 |
| CN106596100A (zh) * | 2017-01-09 | 2017-04-26 | 温州大学 | 一种四阶梯机床主轴弹性模量无损检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 列车交会空气压力波测量的影响因素;梁习锋等;《中南大学学报(自然科学版)》;20041026(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110837247A (zh) | 2020-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110837247B (zh) | 基于机床数据的机床性能测评方法、系统、综合系统、云平台 | |
| CN110837248B (zh) | 机床健康度测评方法、系统、综合系统及数控机床 | |
| CN105171525B (zh) | 机床的诊断方法及系统 | |
| WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
| CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
| CN105081879B (zh) | 一种数控机床主轴的故障诊断与预测的方法 | |
| CN106842922B (zh) | 一种数控加工误差优化方法 | |
| CN109240204B (zh) | 一种基于两步法的数控机床热误差建模方法 | |
| CN112433507B (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
| CN114237155A (zh) | 一种多轴数控加工的误差预测及补偿方法、系统及介质 | |
| Yang et al. | Fault detection of harmonic drive using multiscale convolutional neural network | |
| CN104992038B (zh) | 一种刚柔-机电耦合进给系统的动态性能优化设计方法 | |
| Niu et al. | Remaining useful life prediction of machining tools by 1D-CNN LSTM network | |
| CN112180833B (zh) | 数控机床及其自适应加工的控制方法和装置 | |
| CN113534741A (zh) | 一种铣削加工薄壁件的控制方法及系统 | |
| TW202333011A (zh) | 監測工具機的狀態之方法 | |
| Kim et al. | A study on fault classification of machining center using acceleration data based on 1d cnn algorithm | |
| CN117991752B (zh) | 基于数字孪生和物联网技术的设备故障预测系统及方法 | |
| CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
| WO2020037747A1 (zh) | 一种面向动态精度的数控系统插补生成运动指令评价方法 | |
| Wu et al. | Remote monitoring for surface roughness based on vibration and spindle power | |
| CN114800036B (zh) | 一种设备健康状态评估方法 | |
| JP2000046701A (ja) | 機器の診断方法 | |
| US20240335894A1 (en) | Method of monitoring the condition of a gear cutting machine | |
| CN108829084A (zh) | 一种基于粒子滤波的分布式智能故障诊断方法及其装置 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method, system, comprehensive system, and cloud platform for evaluating machine tool performance based on machine tool data Effective date of registration: 20230612 Granted publication date: 20230120 Pledgee: Industrial Bank Co.,Ltd. Shanghai Jinshan Branch Pledgor: ISESOL INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2023310000244 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20230120 Pledgee: Industrial Bank Co.,Ltd. Shanghai Jinshan Branch Pledgor: ISESOL INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2023310000244 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method, system, comprehensive system, and cloud platform for evaluating machine tool performance based on machine tool data Granted publication date: 20230120 Pledgee: Industrial Bank Co.,Ltd. Shanghai Jinshan Branch Pledgor: ISESOL INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2024980022794 |