CN110869859B - 用于确定机床主轴状态的装置和方法 - Google Patents
用于确定机床主轴状态的装置和方法 Download PDFInfo
- Publication number
- CN110869859B CN110869859B CN201880044957.2A CN201880044957A CN110869859B CN 110869859 B CN110869859 B CN 110869859B CN 201880044957 A CN201880044957 A CN 201880044957A CN 110869859 B CN110869859 B CN 110869859B
- Authority
- CN
- China
- Prior art keywords
- spindle
- sensor data
- processing unit
- load
- artificial intelligence
- 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
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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
- B23Q5/00—Driving or feeding mechanisms; Control arrangements therefor
- B23Q5/02—Driving main working members
- B23Q5/04—Driving main working members rotary shafts, e.g. working-spindles
- B23Q5/10—Driving main working members rotary shafts, e.g. working-spindles driven essentially by electrical means
-
- 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
- G05B2219/33002—Artificial intelligence AI, expert, knowledge, rule based system KBS
-
- 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
- G05B2219/37—Measurements
- G05B2219/37226—Monitor condition of spindle, tool holder, transmit to nc controller
-
- 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
- G05B2219/37343—Load, vectorial components of load
-
- 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
- G05B2219/37525—Mean, average values, statistical derived values
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Machine Tool Sensing Apparatuses (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种用于确定机床(5)的主轴(1)的状态的装置(2)和方法。装置(2)包括:采集构件,用于检测主轴(1)的传感器数据;处理单元,设计用于借助于人工智能来分析检测到的传感器数据并且由此限定主轴状态;和输出构件,用于输出所确定的主轴状态。
Description
技术领域
本发明涉及一种用于确定机床主轴的主轴状态的装置以及方法。
背景技术
在机床主轴(也被称为刀具主轴)的运行期间,由于不同的原因可能出现意外的错误。例如可能的是,如果主轴在升高的负载水平下运行较长的时间,那么主轴便提前失效且进而在其原本的使用寿命结束之前失效。当今的系统没有能够显示描述当前主轴状态的数据的界面。因此,不能借助于客观的测量来确定主轴的实际负载或升高的故障风险。
目前,基于机床操作者的经验来估计主轴状态。
在US 2014/298099A1中公开一种智能识别系统。系统包括中央处理电路板、数据检测电路板、同步通信电路板以及多个连接插头,其中,这些部件经由连接插头相互连接以进行数据传输。有多个传感器与智能识别系统连接,以采集反映待检测的设备的运行状态的数据。智能识别系统用于实时检测以及通过检测设备的温度、振动和/或噪声信号来诊断机械故障。
CN 102 825 504 B公开了一种用于数控机床的主轴的状态检测方法,其属于机床故障诊断领域。该方法包括以下步骤:检测从传感器系统通过主机传输的信号;以及分析根据步骤1所检测的信号,确定故障特征曲线参数,通过专家系统、人工神经网络系统或支持向量处理所获得的故障特征曲线参数以获得三个故障诊断结果,并且通过算法融合三个故障诊断结果。
从US 5 566 092 A中设计一种机器故障诊断系统。用于故障诊断的主要技术是故障诊断网络,其是基于修改的神经元网络架构的。
发明内容
本发明的目的是改进这种机床。
该目的通过一种用于确定机床的主轴的主轴状态的装置来实现,装置具有:采集构件,用于检测主轴的传感器数据;处理单元,设计用于借助于人工智能分析检测到的传感器数据并且由此确定主轴状态;以及输出构件,用于输出所确定的主轴状态。
此外,目的还通过用于确定主轴状态的方法利用根据本发明的装置来实现,方法具有以下步骤:
-由采集构件检测主轴的传感器数据;
-由处理单元借助于人工智能分析检测到的传感器数据;
-基于对检测到的传感器数据的分析来确定主轴状态;
-由输出构件输出所确定的主轴状态。
优选地,根据本发明的用于确定机床主轴的主轴状态的装置表征主轴的负载。有利地,采集构件为此在机床运行期间检测主轴的传感器数据,例如主轴温度、主轴转矩、主轴力和/或主轴转速。特别地,由装置来检测所有上述传感器数据。借助于上述传感器数据能够由装置得出主轴状态。
处理单元借助于人工智能分析检测到的传感器数据并且由此确定主轴状态。有利地,处理单元将主轴的负载分类,优选地至少分成四个类型。对此,特别适合的是分到以下四个类型中的一个类型中:“永久允许”类型、“中期允许”类型、“短期允许”类型、“不允许”类型。在针对四个类型的可选实施方式中,还能够提供分数(特别是连续的分数),以用于对主轴状态进行分类。例如在0和1之间选择分数,则能够将主轴从“永久允许”(标记为0)到“不允许”(标记为1)表示出来。当然,同样可以想到其他类型的命名法。
优选地,采集构件在限定的时间窗口期间检测传感器数据。有利地,时间窗口在0.5秒至10秒之间,特别是在1秒至5秒之间。
优选地,处理单元借助于存储在处理单元中的至少十个决策树的集成从传感器数据中得出所确定的主轴状态。有利地,在处理单元中存储有正则化的决策树的集成。在本发明的一个优选实施方式中实现了,处理单元借助于人工智能基于限定的时间窗口和基于检测到的传感器数据计算传感器数据的至少一个限定的特征。
优选地,对于每个由传感器检测到的信号,在优选由工厂方面或者由客户预定的并且之后不再改变的时间窗口期间计算多个限定的特征。
限定的特征例如是传感器数据的平均值和/或例如结合统计特征(例如统计矩)的连续小波变换的系数和/或在时间窗口内的变化的绝对总和。这使得信号具有良好的时频表示。借助于人工智能和已经提到的正则化的决策树的集成,处理单元基于限定的特征得出所确定的主轴状态。因为所确定的主轴状态根据本发明表征主轴的负载,那么就可以借助于处理单元对主轴的负载进行分类。
有利地,为了确定主轴状态,(特别是以用于人工智能的模块的形式的)人工智能基于经表征的传感器数据来进行训练。传感器数据能够通过编译具有主轴的已知负载的、受控的实验来获得。以这种方式,能够涵盖大部分典型的运行种类、运行模式以及工具。
在这样的训练期间,也能够使用梯度提升,来调整人工智能所使用的用于估计主轴状态的参数。
出于训练目的,有利地基于针对客户的主轴的机械模型来确定已知的负载。通过这种训练,人工智能学会了在不同的运行模式下基于检测到的传感器数据预测主轴负载。
出于训练目的,也能够使用领域知识作为机械模型的替代。在此,专家手动标记或标出传感器数据。专家根据经验知道主轴的负载在什么时候达到最大,从而实现这种标记。
在本发明的一个有利实施方式中,借助于基于卷积神经网络(也称为CNN)的人工智能来分析检测到的传感器数据。优选地,在此对在时间窗口内的传感器数据进行评估。
在平常的标准化(例如借助于最小-最大-缩放或Z-计分-标准化)之后,CNN使用未经过处理的信号(也称为原始信号)作为输入值。以这种方式,标准化的数据被带过(channeled)具有加权的线性或者非线性函数的网络。借助于输出构件输出由此获得的值并且显示出主轴当前的负载。
还优选使用卷积层,其包括多个本地过滤器。在此,自动地从信号中提取有效力的特征。
完全连接的层将展平的过滤器与一定数量的输出节点连接。优选地,节点的数量对应主轴的负载的分类。每个节点优选地对应之前提到的分类“永久允许”“中期允许”“短期允许”和“不允许”中的一个。通过选择与最大值关联的节点的方式,识别最终的负载水平。
CNN的线性和非线性函数的权重通过具有已知的负载类型的、传感器数据的连续实例进行训练。将产生的输出值与基本事实进行比较。
有利的,输出构件设计用于,将确定的主轴状态传递到可视化构件。可视化构件能够是机床的已有部件(例如HMI)或者实施为单独的可视化构件。
显示器尤其适合作为可视化构件。显示器能够是HMI系统的一部分。HMI在此表示人机界面(Human-Machine Interface)。HMI系统代表用户界面,人能够通过该界面与机器联系。
有利地,输出构件将在限定的时间窗口期间的主轴负载水平传递到可视化构件。可视化构件能够例如以信号灯的形式示出负载水平,该信号灯例如包括已经说明的四种类型。
还可行的是,利用分数或优选在两个分数之间的连续变化曲线进行表示、或者以其他形式进行表示。
人工智能的普遍化能力取决于用来训练的运行模式的数量和变化。为了训练目的,数据记录被有利地分为训练数据记录和验证数据记录。根据训练数据记录来优化人工智能。根据没有在训练期间使用的验证数据记录来测试人工智能以及根据本发明的装置。训练结束后,如果错误减小到最小,则存储所有参数。至此便能够利用新的数据来使用装置。
根据本发明的装置尤其适合于具有主轴的机床。此外,机床有利地具有至少一个用于检测主轴数据的传感器。传感器有利地与根据本发明的装置的采集构件连接。此外,可视化构件适合用于显示输出值,可视化构件是机床的一部分或者作为外部设备连接到机床上。通过这些能够输出所确定的主轴状态。
本发明还涉及一种利用已经说明的装置来确定主轴状态的方法。在此,采集构件检测主轴的传感器数据,由处理单元借助于人工智能分析检测到的传感器数据,基于对检测到的传感器数据的分析来确定主轴状态并且由输出构件输出所确定的主轴状态。
在本发明的一个有利的实施方式中,处理单元对主轴负载进行分类。
在本发明的一个有利的实施方式中,由采集构件在限定的时间窗口期间检测传感器数据。
在本发明的一个有利的实施方式中,由处理单元借助于存储在处理单元中的至少十个决策树的集成从传感器数据得出所确定的主轴状态。
在本发明的一个有利的实施方式中,借助于限定的时间窗口计算传感器数据的至少一个限定的特征。优选计算多个限定的特征。
在本发明的一个有利的实施方式中,处理单元借助于至少十个决策树的集成从限定的特征得出确定的主轴状态。优选地,处理单元借助于至少十个决策树的集成从多个限定的特征得出确定的主轴状态。
在本发明的一个有利的实施方式中,借助于人工智能使用卷积神经网络分析检测到的传感器数据。
在本发明的有利的实施方式中,输出构件将所确定的主轴状态传递到可视化构件。
利用本发明实现的优点在于,能够优选近似实时地实现对主轴的当前负载的定量计算和显示。因为在处理单元中的处理是数据驱动的,所以能够借助于附加的数据(例如传感器数据和/或主轴的参数数据)改进处理。
所述装置使用人工智能,以获取数据驱动的近似实时地估计的、主轴在运行期间所经受的当前负载。
附图说明
下面根据附图中描述的实施例进一步解释本发明。示出:
图1示出了系统的设计方案,系统包括主轴、装置以及可视化构件并且
图2示出了方法的过程。
具体实施方式
图1示出了系统的设计方案,系统包括机床5的主轴1、装置2以及可视化构件3。由装置2的采集构件来检测主轴1的传感器数据,并且在装置2的处理装置中借助于人工智能来分析传感器数据。处理装置从分析来确定主轴状态。装置2的输出构件将所确定的主轴状态传递到可视化构件3。可视化构件3实施为显示器。在可视化构件3上的信号灯4实现了四种类型的显示:“永久允许”、“中期允许”、“短期允许”和“不允许”。
图2示出了方法的流程。首先,信号Sges被传感器检测。在此,例如能够检测主轴温度S1、主轴转距S2、主轴力S(n-1)和主轴转速Sn。然而,更多数量的信号也是可行的。
方法步骤V1涉及已经提及的时间窗口。借助于特定长度(优选地在0.5秒到10秒之间)的时间窗口将连续的传感器数据划分。
在方法步骤V2中,将检测到的传感器数据作为原始数据输入到CNN中,该CNN存储在包括人工智能的处理单元中。
可选地,在方法步骤V3中,在处理单元中借助于人工智能在优选由工厂方面或者由客户预定并且之后不再可变的时间窗口期间针对每个由传感器检测到的信号计算多个限定的特征,并且这些特征在方法步骤V4中被传递到正则化决策树或者增强分类树的集成。
在方法步骤V5中,优选地借助于在根据本发明的装置中可用的输出构件输出主轴的负载水平。
在方法步骤V6中,主轴的负载优选地以分类的方式借助于显示器可视化。
方法步骤V7示出了借助于接收到的传感器数据和已知的主轴负载进行的前述人工智能训练。
该方法显示出:在装置中实现了一种以基于特征的近似为根据的途径,以及一种以神经网络为根据的途径。通过CNN的途径主要是基于原始信号的,并且能够以插入新数据的简单方式进行扩展或改进。
Claims (16)
1.一种用于确定机床的主轴的主轴状态的装置,所述装置具有:
检测构件,用于检测所述主轴的连续的传感器数据;
处理单元,设计用于借助人工智能来分析检测到的所述传感器数据,
所述分析将连续的所述传感器数据划分至多个时间窗口,所述时间窗口各自具有预定的时长,以针对多个所述时间窗口中的每一个获得与时间窗口相关的信号,
利用第二人工智能模块借助于卷积神经网络来分析原始的连续的传感器数据,以确定代表所述主轴的负载的第一值,
利用第二人工智能模块借助于正则化决策树或者增强分类树的集成来针对所述时间窗口分析代表所述主轴的负载的第二值的特性传感器数据,
利用第二人工智能模块针对每个信号计算限定的特征并且将所述限定的特征传输至正则化决策树或者增强分类树的所述集成,以确定代表所述主轴的负载的第二值,
借助于所述第一值和所述第二值利用所述处理单元来确定所述主轴的负载的类型,
借助于所述主轴的负载的所述类型针对多个信号中的每一个来确定主轴状态;以及
输出构件,用于输出所确定的所述主轴状态。
2.根据权利要求1所述的装置,其中,所确定的所述主轴状态表征所述主轴的负载。
3.根据权利要求2所述的装置,其中,所述处理单元设计用于对所述主轴的负载进行分类。
4.根据权利要求1至3中任一项所述的装置,其中,至少一个所述限定的特征是传感器数据的平均值、和/或结合统计特征的连续小波变换的系数、和/或在限定的所述时间窗口内的变化的绝对总和。
5.根据权利要求4所述的装置,其中,至少一个所述限定的特征是结合统计矩的连续小波变换的系数。
6.根据权利要求1至3中任一项所述的装置,其中,所述处理单元设计用于,借助存储在所述处理单元中的至少十个决策树的集成从所述传感器数据得出所确定的所述主轴状态。
7.根据权利要求1至3中任一项所述的装置,其中,所述装置使用人工智能,以获取数据驱动的近似实时地估计的、所述主轴在运行期间经受的当前负载。
8.根据权利要求1至3中任一项所述的装置,其中,所述处理单元设计用于,借助至少十个决策树的集成从所述传感器数据的限定的特征得出所确定的所述主轴状态。
9.根据权利要求1至3中任一项所述的装置,其中,借助基于卷积神经网络的人工智能来分析检测到的所述传感器数据。
10.根据权利要求1至3中任一项所述的装置,其中,所述输出构件设计用于,将所确定的所述主轴状态传递到可视化构件。
11.一种机床,具有:主轴;至少一个传感器,用于检测主轴数据;以及根据权利要求1至10中任一项所述的装置,其中,所述传感器与检测构件连接。
12.根据权利要求11所述的机床,其中,所述机床具有可视化构件,借助于所述可视化构件能够输出所确定的主轴状态,其中,所述输出构件与所述可视化构件连接。
13.一种利用根据权利要求1至10中任一项所述的装置确定主轴状态的方法,所述方法具有以下步骤:
-由所述检测构件检测所述主轴的传感器数据;
-由所述处理单元借助于人工智能分析检测到的所述传感器数据;
-基于借助所述装置对检测到的所述传感器数据的分析来确定主轴状态;
-由所述输出构件输出所确定的主轴状态。
14.根据权利要求13所述的方法,其中,由所述处理单元对所述主轴的负载进行分类。
15.根据权利要求13或14所述的方法,其中,由所述检测构件在限定的时间窗口期间检测所述传感器数据。
16.根据权利要求13或14所述的方法,其中,由所述处理单元借助在所述处理单元中存储的至少十个决策树的集成从所述传感器数据得出所确定的所述主轴状态。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17179597.4A EP3425460A1 (de) | 2017-07-04 | 2017-07-04 | Vorrichtung und verfahren zur bestimmung des zustands einer spindel einer werkzeugmaschine |
EP17179597.4 | 2017-07-04 | ||
PCT/EP2018/067525 WO2019007820A1 (de) | 2017-07-04 | 2018-06-29 | Vorrichtung und verfahren zur bestimmung des zustands einer spindel einer werkzeugmaschine |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110869859A CN110869859A (zh) | 2020-03-06 |
CN110869859B true CN110869859B (zh) | 2023-09-12 |
Family
ID=59337454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880044957.2A Active CN110869859B (zh) | 2017-07-04 | 2018-06-29 | 用于确定机床主轴状态的装置和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11341395B2 (zh) |
EP (2) | EP3425460A1 (zh) |
CN (1) | CN110869859B (zh) |
WO (1) | WO2019007820A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019135488A1 (de) * | 2019-12-20 | 2021-06-24 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | Verfahren und System zur Ermittlung des dynamischen Verhaltens einer Maschine |
CN112809451B (zh) * | 2020-12-31 | 2022-10-25 | 沈机(上海)智能系统研发设计有限公司 | 机床主轴温度修正方法、热伸长量补偿方法、介质及机床 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004734A (zh) * | 2006-01-17 | 2007-07-25 | 安捷伦科技有限公司 | 用于分类中的特征选择的系统和方法 |
CN104010606A (zh) * | 2011-12-23 | 2014-08-27 | Sca卫生用品公司 | 用于检测至吸收性制品的液体排泄的方法 |
CN104117876A (zh) * | 2013-04-28 | 2014-10-29 | 郑州大学 | 一种检查切削刀具是否断裂或磨损的方法及其设备 |
CN104715481A (zh) * | 2015-03-17 | 2015-06-17 | 西安交通大学 | 基于随机森林的多尺度印刷品缺陷检测方法 |
CN106446533A (zh) * | 2016-09-12 | 2017-02-22 | 北京和信康科技有限公司 | 一种人体健康数据处理系统及其方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1983002416A1 (en) * | 1982-01-12 | 1983-07-21 | Shimizu, Yutaka | Numerical control machining system |
JP3331024B2 (ja) * | 1993-10-13 | 2002-10-07 | ファナック株式会社 | 工具寿命管理方式 |
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
US8114269B2 (en) * | 2005-12-30 | 2012-02-14 | Medtronic Minimed, Inc. | System and method for determining the point of hydration and proper time to apply potential to a glucose sensor |
US8451255B2 (en) * | 2010-05-14 | 2013-05-28 | Arnett Ryan Weber | Method of providing tactile feedback and electronic device |
JP5644374B2 (ja) * | 2010-10-27 | 2014-12-24 | 株式会社ジェイテクト | 工作機械の主軸状態検出装置 |
US20140298099A1 (en) * | 2010-12-31 | 2014-10-02 | Institute Of Automation, Chinese Academy Of Sciences | Intelligent detection system and method for detecting device fault |
DE102011003374A1 (de) * | 2011-01-31 | 2012-08-02 | Deckel Maho Pfronten Gmbh | Werkzeugmaschine mit einer Vorrichtung zur Kollisionsüberwachung |
WO2012108936A1 (en) * | 2011-02-11 | 2012-08-16 | Abbott Diabetes Care Inc. | Data synchronization between two or more analyte detecting devices in a database |
US10424394B2 (en) * | 2011-10-06 | 2019-09-24 | Sequenom, Inc. | Methods and processes for non-invasive assessment of genetic variations |
KR101257275B1 (ko) * | 2011-10-26 | 2013-04-22 | 화천기공 주식회사 | 자동가공기능을 갖는 지능형 cnc공작기계 및 그 제어방법 |
CN202726639U (zh) * | 2012-08-14 | 2013-02-13 | 沈阳机床(集团)设计研究院有限公司 | 基于数控铣床主轴伺服电机电流信号的切削状态监测系统 |
CN102825504B (zh) * | 2012-09-18 | 2014-12-24 | 重庆科技学院 | 数控机床主轴状态检测方法 |
DE102014101932B3 (de) * | 2014-02-17 | 2015-07-09 | Ott-Jakob Spanntechnik Gmbh | Vorrichtung zur Überwachung der Lage eines Werkzeugs oder Werkzeugträgers an einer in einem Stator drehbar gelagerten Arbeitsspindel |
JP5902767B2 (ja) * | 2014-07-09 | 2016-04-13 | ファナック株式会社 | モータの過熱推定を行う工作機械の制御装置 |
RU2683151C1 (ru) * | 2015-05-22 | 2019-03-26 | Ниссан Мотор Ко., Лтд. | Устройство диагностики неисправностей и способ диагностики неисправностей |
CN105081879B (zh) * | 2015-08-27 | 2017-04-12 | 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 |
EP3223095B1 (en) * | 2016-03-22 | 2024-03-06 | Siemens Energy Global GmbH & Co. KG | Method and apparatus for optimizing diagnostics of rotating equipment |
US10452052B2 (en) * | 2017-07-13 | 2019-10-22 | Autodesk, Inc. | Method and system for processing machine data before completion of machining |
-
2017
- 2017-07-04 EP EP17179597.4A patent/EP3425460A1/de not_active Withdrawn
-
2018
- 2018-06-29 US US16/628,520 patent/US11341395B2/en active Active
- 2018-06-29 EP EP18739772.4A patent/EP3625629A1/de active Pending
- 2018-06-29 WO PCT/EP2018/067525 patent/WO2019007820A1/de active Search and Examination
- 2018-06-29 CN CN201880044957.2A patent/CN110869859B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004734A (zh) * | 2006-01-17 | 2007-07-25 | 安捷伦科技有限公司 | 用于分类中的特征选择的系统和方法 |
CN104010606A (zh) * | 2011-12-23 | 2014-08-27 | Sca卫生用品公司 | 用于检测至吸收性制品的液体排泄的方法 |
CN104117876A (zh) * | 2013-04-28 | 2014-10-29 | 郑州大学 | 一种检查切削刀具是否断裂或磨损的方法及其设备 |
CN104715481A (zh) * | 2015-03-17 | 2015-06-17 | 西安交通大学 | 基于随机森林的多尺度印刷品缺陷检测方法 |
CN106446533A (zh) * | 2016-09-12 | 2017-02-22 | 北京和信康科技有限公司 | 一种人体健康数据处理系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200160152A1 (en) | 2020-05-21 |
EP3425460A1 (de) | 2019-01-09 |
CN110869859A (zh) | 2020-03-06 |
US11341395B2 (en) | 2022-05-24 |
WO2019007820A1 (de) | 2019-01-10 |
EP3625629A1 (de) | 2020-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200371491A1 (en) | Determining Operating State from Complex Sensor Data | |
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 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
KR102444442B1 (ko) | 설비 고장 진단 장치 및 방법 | |
CN116625438A (zh) | 燃气管网安全在线监测系统及其方法 | |
CN110869859B (zh) | 用于确定机床主轴状态的装置和方法 | |
EP4009534A1 (en) | Automotive physical layer (phy) cable fault diagnosis | |
JP7164028B2 (ja) | 学習システム、データ生成装置、データ生成方法、及びデータ生成プログラム | |
CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
CN109255201A (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
JP2021056983A (ja) | 車両can bus信号を利用した機械学習基盤運転者異常感知方法および装置 | |
KR102374980B1 (ko) | 복합센서 기반의 인공지능형 결함 진단 시스템 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
CN113574480A (zh) | 用于预测设备损坏的装置 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
CN111597948A (zh) | 一种轴承振动信号的故障检测和分类方法 | |
CN117579101A (zh) | 载波通讯模块的控制方法及其系统 | |
EP3608848A1 (en) | Method and device for use in estimating lifecycle of component | |
US20220044495A1 (en) | Self-diagnosis for in-vehicle networks | |
TWI793581B (zh) | 空間動態狀態之偵測方法及偵測系統 |
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 |