CN110977614A - 一种数控机床健康诊断方法 - Google Patents

Abstract

本发明属于自动化设备预测维护领域，涉及一种数控机床健康诊断方法。本发明采用的Zigbee节点完成对振动、温度等参数的检测功能，并上传到zigbee网关。Zigbee网关将检测到的数据传到云服务器进行数字信号处理、数据挖掘与分析处理。云服务器对以上数据进行训练测试后，得到健康度模型。云服务器将健康度模型传送给Zigbee网关。时钟电路可同步系统时间并在记录数据时记录时间。对于数控机床的在线预测性维护而言，提供了最快速最精准的预测性维护信息。预测性维护报警阈值选择恰当，可根据健康度情况改变振动信号采样频率，使健康度较低时系统得到更多的频域数据信息以利于监控与分析。

Description

一种数控机床健康诊断方法

技术领域

本发明属于自动化设备预测维护领域，涉及一种数控机床健康诊断方法。

背景技术

数控机床的性能和可靠性是至关重要的，它决定了数控机床的使用寿命及工作效率，当前对于数控机床的维修大多采用事故维修和计划性维修的方式进行维护，“事故维修”方式使用设备直到发生故障,然后维修，如遇突发性事故,可能会造成巨大损失。定期维修维护方式是以在设备不运转的静态情况下进行的,存在以下不足之处：不工作情况下的设备状态和运行中差别很明显,影响判断精确度。由于是定期检查和维修,设备状态即使良好时,按计划仍需进行试验和维修,造成人力物力浪费。

目前正在发展以状态监测(通常是在线监测)和故障诊断为基础的状态维修，专家根据状态监测所得到的各测量值及其运算处理结果所提供的信息,采用所掌握的关于设备的知识和经验,进行推理判断,找出设备故障的类型、部位及严重程度,从而提出对设备的维修处理建议。

发明内容

本发明对数控机床布设无线传感器网络，监控运行参数，进行数据采集，并根据历史数据，学习出健康度模型。对数控机床进行在线监测，根据健康度模型并结合目前参数，可以实时给出当前数控机床健康度，并能根据设定的阈值进行预测性维护预警，实现对数控机床的在线预测性维护。

为了解决上述技术问题，本发明的技术方案是：

本发明的系统结构如图1所示。

Zigbee节点完成对振动、温度等参数的检测功能，并上传到zigbee网关。Zigbee网关将检测到的数据传到云服务器进行数字信号处理、数据挖掘与分析处理。云服务器对以上数据进行训练测试后，得到健康度模型。云服务器将健康度模型传送给Zigbee网关。时钟电路可同步系统时间并在记录数据时记录时间。键盘、显示模块用于人机接口以输入与显示信息。

Zigbee网关根据传感器节点(包括振动传感器节点和温度传感器节点)监测得到的振动、温度数据，结合训练得到的模型，可以实时预测给出数控机床健康度并显示给操作人员。管理人员可以通过手机、电脑远程登入服务器查看健康度等信息。系统还可以根据数控机床健康度改变振动节点记录振动数据的采样频率。

振动传感器节点结构如图2所示。

本发明的振动传感器节点是由TI公司的DSP TMS320C6748、TI公司的CC2530、A/D转换器、振动传感器、SD卡存储模块以及通信单元和供电模块等组成，主要实现对机械振动信号的采集存储并将采集的数据通过无线传输的方式发送给Zigbee网关。对数据进行训练时，将数据传输给服务器分析处理，最终由服务器进行FFT变换处理得到相关频段的频谱均值，相关频段的频谱均值作为训练数据的重要特征来训练健康度模型。振动传感器节点的TMS320C6748也能将当前振动数据进行FFT变换处理得到相关频段的频谱均值，传送给zigbee网关进行在线预测给出当前数控机床健康度。

一种数控机床健康诊断方法，步骤如下：

第一步，云服务器将振动传感器节点采集到的振动数据进行FFT变换处理，得到在以下频段：800-1800Hz、1800-2800Hz、2800-3800Hz的频谱均值。

根据频段的频谱均值、温度的相应历史数据情况下，得出相关频段的频谱均值、温度与设备工作状态关系的回归系数。

1.1建立数据向量

x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾,x⁽⁴⁾)

其中，x⁽¹⁾为800-1800Hz的频谱平均值，x⁽²⁾为2800-3800Hz的频谱平均值，x⁽³⁾为2800-3800Hz的频谱平均值，x⁽⁴⁾为设备温度平均值；

1.2建立系数向量w＝(w⁽¹⁾,w⁽²⁾,w⁽³⁾,w⁽⁴⁾)其中，w⁽¹⁾为800-1800Hz的频谱平均值系数；w⁽²⁾为2800-3800Hz的频谱平均值系数；w⁽³⁾为2800-3800Hz的频谱平均值系数；w⁽⁴⁾为温度系数；

1.3 x_i为第i个训练数据向量，y_i为x_i的类标记。y_i为-1时表示设备故障，为+1时表示设备正常，N为训练数据数目。

求几何间隔最大的分类超平面，问题可以表示为下面的约束最优化问题：

S.t y_i(w.x_i+b)≥1-ξ_i

ξ_i≥0 i＝1，2，...N

C为惩罚系数，ξ_i为松弛变量；

这里设定C＝0.35，经反复调参，C为该值时效果最好。

设上述问题的解为w^*，b^*

通过将原始问题转化为对偶问题，使用KKT条件，求对偶问题的最优解，可得：

其中α^*为为拉格朗日乘子向量中对偶问题的解。

第二步，2.1数控机床健康度：

数控机床健康度J为0-1之间的数，值越大越接近于1表示工作状态越健康；值越小越接近于0表示工作状态越不健康，出现故障的可能越大。

通过以下步骤可求出数控机床健康度J：

其中x₀为由专家标定的工作正常数控机床数据向量，x_c为在线监测得到的当前数控机床数据向量。

L₀：标定数控机床的健康度等效距离，L_c：当前数控机床的健康度等效距离。

2.2预测性维护报警阈值的确定

故障可能指数p表示出现故障的可能性大小。

其中，r为预测性维护预警阈值,当p>r时，进行预警操作，提示数控机床需要维护。

r的取值一般设定在0.7-0.9之间。在0.8时效果最好。很好地在避免虚报和避免漏报之间进行了折衷。r的取值也可以由用户根据企业情况自主设置。

振动传感器节点的振动信号AD转换采样频率根据健康度变化而设置为不同的值。采取这种方式可以使健康度较低时系统得到更多的频域数据信息以利于监控与分析。

其中f_c:振动信号AD转换采样频率

f₀:晶振频率

N:可变分频器的分频比

N₀:分频比基准值。

本发明的有益效果：

本发明对数控机床进行在线监测，根据故障模型并结合目前参数，能实时给出健康度信息并可实时显示。对于数控机床的在线预测性维护而言，提供了最快速最精准的预测性维护信息。预测性维护报警阈值选择恰当，很好地在避免虚报和避免漏报之间进行了折衷。可根据健康度情况改变振动信号采样频率，使健康度较低时系统得到更多的频域数据信息以利于监控与分析。

附图说明

图1为本发明的系统结构示意图。

图2为本发明的振动传感器节点电路结构示意图。

具体实施方式

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。

一种数控机床健康诊断方法，步骤如下：

第一步，云服务器将振动传感器节点采集到的振动数据进行FFT变换处理，得到800-1800Hz、1800-2800Hz、2800-3800Hz的频谱平均值；

所述的振动传感器节点的振动信号AD转换采样频率f_c根据健康度变化而设置为不同的值

其中f_c:振动信号AD转换采样频率

f₀:晶振频率；

N:可变分频器的分频比；

N₀:分频比基准值。

根据频段的频谱平均值、温度的相应历史数据情况下，得出相关频段的频谱平均值、温度与设备工作状态关系的回归系数；

1.1建立数据向量

x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾,x⁽⁴⁾)

其中，x⁽¹⁾为800-1800Hz的频谱平均值，x⁽²⁾为2800-3800Hz的频谱平均值，x⁽³⁾为2800-3800Hz的频谱平均值，x⁽⁴⁾为设备温度平均值；

1.2建立系数向量w＝(w⁽¹⁾,w⁽²⁾,w⁽³⁾,w⁽⁴⁾)其中，w⁽¹⁾为800-1800Hz的频谱平均值系数；w⁽²⁾为2800-3800Hz的频谱平均值系数；w⁽³⁾为2800-3800Hz的频谱平均值系数；w⁽⁴⁾为温度系数；

1.3 x_i为第i个训练数据向量，y_i为x_i的类标记；y_i为-1时表示设备故障，为+1时表示设备正常，N为训练数据数目；

求几何间隔最大的分类超平面，问题表示为下面的约束最优化问题：

S.t y_i(w.x_i+b)≥1-ξ_i

ξ_i≥0 i＝1，2，...N

C为惩罚系数，C取0.35，ξ_i为松弛变量；

设约束最优化问题问题的解为w^*，b^*；

通过将原始问题转化为对偶问题，使用KKT条件，求对偶问题的最优解，可得：

其中α^*为为拉格朗日乘子向量中对偶问题的解；

第二步：

2.1数控机床健康度：

数控机床健康度J为0-1之间的数，值越大越接近于1表示工作状态越健康；值越小越接近于0表示工作状态越不健康，出现故障的可能越大；

通过以下步骤可求出数控机床健康度J：

其中x₀为由专家标定的工作正常数控机床数据向量，x_c为在线监测得到的当前数控机床数据向量；

L₀为标定数控机床的健康度等效距离，L_c为当前数控机床的健康度等效距离；

2.2预测性维护报警阈值的确定

故障可能指数p表示出现故障的可能性大小；

其中，r为预测性维护预警阈值,当p>r时，进行预警操作，提示数控机床需要维护。所述的预测性维护预警阈值r的取值设定在0.7～0.9之间。

Claims (7)

1.一种数控机床健康诊断方法，其特征在于，步骤如下：

第一步，云服务器将振动传感器节点采集到的振动数据进行FFT变换处理，得到800-1800Hz、1800-2800Hz、2800-3800Hz的频谱平均值；

根据频段的频谱平均值、温度的相应历史数据情况下，得出相关频段的频谱平均值、温度与设备工作状态关系的回归系数；

1.1建立数据向量

x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾,x⁽⁴⁾)

其中，x⁽¹⁾为800-1800Hz的频谱平均值，x⁽²⁾为2800-3800Hz的频谱平均值，x⁽³⁾为2800-3800Hz的频谱平均值，x⁽⁴⁾为设备温度平均值；

1.2建立系数向量w＝(w⁽¹⁾,w⁽²⁾,w⁽³⁾,w⁽⁴⁾)其中，w⁽¹⁾为800-1800Hz的频谱平均值系数；w⁽²⁾为2800-3800Hz的频谱平均值系数；w⁽³⁾为2800-3800Hz的频谱平均值系数；w⁽⁴⁾为温度系数；

1.3x_i为第i个训练数据向量，y_i为x_i的类标记；y_i为-1时表示设备故障，为+1时表示设备正常，N为训练数据数目；

求几何间隔最大的分类超平面，问题表示为下面的约束最优化问题：

S.t y_i(w.x_i+b)≥1-ξ_i

ξ_i≥0 i＝1，2，...N

C为惩罚系数，ξ_i为松弛变量；

设约束最优化问题问题的解为w^*，b^*；

通过将原始问题转化为对偶问题，使用KKT条件，求对偶问题的最优解，可得：

其中α^*为为拉格朗日乘子向量中对偶问题的解；

第二步：

2.1数控机床健康度：

数控机床健康度J为0-1之间的数，值越大越接近于1表示工作状态越健康；值越小越接近于0表示工作状态越不健康，出现故障的可能越大；

通过以下步骤可求出数控机床健康度J：

其中x₀为由专家标定的工作正常数控机床数据向量，x_c为在线监测得到的当前数控机床数据向量；

L₀为标定数控机床的健康度等效距离，L_c为当前数控机床的健康度等效距离；

2.2预测性维护报警阈值的确定

故障可能指数p表示出现故障的可能性大小；

其中，r为预测性维护预警阈值,当p>r时，进行预警操作，提示数控机床需要维护。

2.如权利要求1所述的一种数控机床健康诊断方法，其特征在于，第一步中，所述的振动传感器节点的振动信号AD转换采样频率f_c根据健康度变化而设置为不同的值

其中f_c:振动信号AD转换采样频率

f₀:晶振频率；

N:可变分频器的分频比；

N₀:分频比基准值。

3.如权利要求1或2所述的一种数控机床健康诊断方法，其特征在于，所述的预测性维护预警阈值r的取值设定在0.7～0.9之间。

4.如权利要求1或2所述的一种数控机床健康诊断方法，其特征在于，步骤1.3中，惩罚系数C＝0.35。

5.如权利要求3所述的一种数控机床健康诊断方法，其特征在于，步骤1.3中，惩罚系数C＝0.35。

6.根据权利要求1～5所述的一种数控机床健康诊断方法采用的系统，其特征在于，包括Zigbee网关、云服务器和传感器节点，Zigbee网关将检测到的数据传到云服务器进行数字信号处理、数据挖掘与分析处理；云服务器对以上数据进行训练测试后，得到健康度模型；云服务器将健康度模型传送给Zigbee网关；时钟电路可同步系统时间并在记录数据时记录时间，Zigbee网关根据传感器节点监测得到的振动、温度数据，结合训练得到的模型，实时预测给出数控机床健康度并显示给操作人员。

7.根据权利要求6所述的系统，其特征在于，所述的传感器节点包括振动传感器节点，振动传感器节点是由TI公司的DSP TMS320C6748、TI公司的CC2530、A/D转换器、振动传感器、SD卡存储模块以及通信单元和供电模块组成，实现对机械振动信号的采集存储并将采集的数据通过无线传输的方式发送给Zigbee网关。

Images