CN111007799B - 一种基于神经网络的数控装备远程诊断系统 - Google Patents
一种基于神经网络的数控装备远程诊断系统 Download PDFInfo
- Publication number
- CN111007799B CN111007799B CN201911310625.7A CN201911310625A CN111007799B CN 111007799 B CN111007799 B CN 111007799B CN 201911310625 A CN201911310625 A CN 201911310625A CN 111007799 B CN111007799 B CN 111007799B
- Authority
- CN
- China
- Prior art keywords
- fault
- numerical control
- diagnosis
- machine tool
- control machine
- 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
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
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数控装置运维技术领域,特别涉及一种基于神经网络的数控装备远程诊断系统,包括服务器,所述服务器包括以下模块:参数采集模块:用于获取数控机床的型号参数和运行参数;初步诊断模块:用于根据运行参数进行数控机床的初步诊断,分析数控机床是正常或故障,并在初步诊断出数控机床为故障时,将所述运行参数标记为故障运行参数;深度诊断模块:用于将故障运行参数导入到建立的神经网络故障诊断模型中进行诊断;方案筛选模块:用于查找故障的解决技术方案;故障信息反馈模块:用于将故障类型的检测结果和解决技术方案远程发送至机床现场检修人员。本发明解决了数控机床检测时间较长,维修效率低的问题。
Description
技术领域
本发明涉及数控装置运维技术领域,特别涉及一种基于神经网络的数控装备远程诊断系统。
背景技术
数控机床是数字控制机床的简称,是一种装有程序控制系统的自动化机床。具备高度柔性、加工精度高、加工质量稳定可靠、生产率高等优点。优点多的同时也导致数控机床的结构日趋复杂,自动化程度也越来越高,这就使得数控机床的故障诊断难度增大。由于制造现场存在着很多不确定性因素,使得在数控机床的运行过程中,不可避免会出现各种各样的故障。
数控机床故障诊断及维护是数控机床调试和使用过程中很重要的组成部分,是目前制约数控机床发挥正常作用的因素之一,一旦出现故障,能否对故障进行快速的诊断并排除故障,对于制造企业来说是非常重要的。数控机床在运行过程中,内部零部件受到力、热、摩擦、磨损等多种作用,其运行状态不断变化,因此必须在设备运动过程中对设备的运行状态及时作出判断,采取相应的决策,以避免发生故障而导致严重后果。
然而国内现有的数控机床故障诊断及维护基本上是靠人工进行操作的,每台设备需配备专门的检修人员,而且检测时间较长,效率低而且无法及时对故障进行排除,多数故障只能依靠经验进行判断,大大地增加了数控机床的运行成本。
发明内容
本发明主要目的在于提供一种基于神经网络的数控装备远程诊断系统,解决了数控机床检测时间较长,维修效率低的问题。
为达到上述目的,本发明提供了一种基于神经网络的数控装备远程诊断系统,包括服务器,所述服务器包括以下模块:
参数采集模块:用于获取数控机床的型号参数和运行参数;
初步诊断模块:用于根据运行参数进行数控机床的初步诊断,分析数控机床是正常或故障,并在初步诊断出数控机床为故障时,将所述运行参数标记为故障运行参数;
深度诊断模块:用于将故障运行参数导入到建立的神经网络故障诊断模型中进行诊断,并输出故障诊断结果;所述诊断结果包括数控机床正常、数控机床故障的故障类型;
方案筛选模块:用于根据数控机床的型号参数和故障类型在设置的故障数据库中查找故障的解决技术方案;
故障信息反馈模块:用于通过设置的通信模块将故障类型的检测结果和解决技术方案远程发送至机床现场检修人员。
本发明的工作原理及优点在于:
1.初步诊断模块仅需初步判断数控机床的工作正常与否,无需准确判断。逻辑简单,易执行实现,且处理效率快。而深度诊断模块在上述的基础上再进行深入分析,判断数控机床是否真的存在故障,而且采用神经网络故障诊断模型的检测方式进行检测,无需人工通过观察调试的方式进行故障检测,实现了智能化故障检测,极大地提高了故障的检测效率和成功率,减少了工作量,降低人工成本。
2.方案筛选模块和故障信息反馈模块,能够快速的查找故障的解决技术方案并将之反馈给现场检修人员,方便现场检修人员及时针对性的进行维修,减小数控机床故障对企业造成的影响和造成的后果。
进一步,神经网络故障诊断模型基于BP神经网络进行构建,从故障数据库中采集数据样本集,并将采集的数据样本集导入到神经网络故障诊断模型中进行迭代训练,然后进行测试,测试完成后输出训练成功的神经网络故障诊断模型。
训练成功的BP神经网络模型对故障诊断的处理速度快、准确率高,减轻了人工的工作量,提高了工作效率。
进一步,BP神经网络由三层神经元组成,分别为输入层神经元、隐层神经元和输出层神经元,故障运行参数作为输入信息传送至输入层神经元,经过隐层神经元的计算对故障的存在与否进行判断,并在判断分析为存在故障时对故障类型进行分类,将分类结果由输出层神经元处理后获得诊断结果,所述诊断结果包括无故障和故障类型。
BP神经网络会先对故障的存在与否进行判断,在判断出不存在故障时,诊断结果就为无故障。在判断出存在故障时,会继续分析故障的类型,方便后续制定解决故障的技术方案。
进一步,输入层包含多个神经元。
设置多个神经元能够确保造成数控机床故障的参数数据都能够运用到,确保BP神经网络的输出结果。
进一步,还包括,
诊断历史记录模块:用于在数控机床的故障解决后,将数控机床的型号参数、故障运行参数、故障类型和解决技术方案进行整理之后保存到故障数据库中。
将维修记录进行保存的方式,可以形成历史记录数据,便于在后面出现同样的故障时,能够得到快速解决。
进一步,还包括,
维修模拟模块:用于根据数控机床的型号参数建立数控机床的模型库,根据型号参数选取数控机床虚拟模型,将故障运行参数导入到数控机床虚拟模型中进行故障模拟,在故障模拟之后,将解决技术方案提取技术参数导入到数控机床虚拟模型中进行模拟维修实验;
实验分析模块:用于获取模拟维修实验的运行实验参数,将运行实验参数与数控机床的正常运行参数进行对比分析,生成分析结果。
由于数控机床属于造价比较昂贵的物品,错误的维修解决方案可能对数控机床造成不可挽回的损伤,而通过虚拟模拟的方式,可以确认解决技术方案的可行性,避免错误的维修解决方案造成更大的损失。
进一步,所述实验分析模块还包括,
解析记录模块:用于对分析结果进行解析,并在解析出运行实验参数与正常运行参数存在差异时,将运行实验参数、故障运行参数和解决技术方案生成异常报告;
方案补充模块:用于将异常报告发送给技术专家进行分析,并获取专家补充更新的技术方案。
异常报告的生成便于专家针对性的进行分析,从而取得更好的故障解决方案,准确的解决故障,避免损失。
进一步,还包括:摄像头,用于采集所述本地数控机床的运行视频,并通过通信模块将所述运行视频远程发送至故障数据库。
通过视频图像的方式,便于形成证据,确认数控机床已经维修成功,确保解决技术方案的可行性。
附图说明
图1为本发明实施例一种基于神经网络的数控装备远程诊断系统的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例
一种基于神经网络的数控装备远程诊断系统,基本如图1所示,包括服务器,所述服务器包括以下模块:
参数采集模块:用于获取数控机床的型号参数和运行参数;
初步诊断模块:用于根据运行参数进行数控机床的初步诊断,分析数控机床是正常或故障,并在初步诊断出数控机床为故障时,将所述运行参数标记为故障运行参数;
深度诊断模块:用于将故障运行参数导入到建立的神经网络故障诊断模型中进行诊断,并输出故障诊断结果;所述诊断结果包括数控机床正常、数控机床故障的故障类型;神经网络故障诊断模型基于BP神经网络进行构建,从故障数据库中采集数据样本集,并将采集的数据样本集导入到神经网络故障诊断模型中进行迭代训练,然后进行测试,测试完成后输出训练成功的神经网络故障诊断模型。BP神经网络由三层神经元组成,分别为输入层神经元、隐层神经元和输出层神经元,故障运行参数作为输入信息传送至输入层神经元,经过隐层神经元的计算对故障的存在与否进行判断,并在判断分析为存在故障时对故障类型进行分类,将分类结果由输出层神经元处理后获得诊断结果,所述诊断结果包括无故障和故障类型。所述输入层包含多个神经元,其中神经元的个数可以依据运行参数中需要检测的参数个数来进行合理设置。
方案筛选模块:用于根据数控机床的型号参数和故障类型在设置的故障数据库中查找故障的解决技术方案;故障数据库设置在服务器中,可以预先收集存储若干的故障数据进行丰富数据集。
维修模拟模块:用于根据数控机床的型号参数建立数控机床的模型库,根据型号参数选取数控机床虚拟模型,将故障运行参数导入到数控机床虚拟模型中进行故障模拟,在故障模拟之后,将解决技术方案提取技术参数导入到数控机床虚拟模型中进行模拟维修实验;
实验分析模块:用于获取模拟维修实验的运行实验参数,将运行实验参数与数控机床的正常运行参数进行对比分析,生成分析结果。
解析记录模块:用于对分析结果进行解析,并在解析出运行实验参数与正常运行参数存在差异时,将运行实验参数、故障运行参数和解决技术方案生成异常报告;
方案补充模块:用于将异常报告发送给技术专家进行分析,并获取专家补充更新的技术方案。
故障信息反馈模块:用于通过设置的通信模块将故障类型的检测结果和解决技术方案远程发送至机床现场检修人员。通信模块采用无线通信模块,可采用4g通信模块,确保数据传输延时低,速度快。
诊断历史记录模块:用于在数控机床的故障解决后,将数控机床的型号参数、故障运行参数、故障类型和解决技术方案进行整理之后保存到故障数据库中。
具体实施过程如下:
本方案在对数控机床进行远程诊断时,通过参数采集模块采集到数控机床的型号参数和运行参数,从而便于了解数控机床的具体情况。然后,初步诊断模块会对数控机床进行初步诊断,而且仅需初步判断数控机床的工作正常与否,无需准确判断。逻辑简单,易执行实现,且处理效率快。而深度诊断模块在上述的基础上再进行深入分析,判断数控机床是否真的存在故障,而且采用神经网络故障诊断模型的检测方式进行检测,无需人工通过观察调试的方式进行故障检测,实现了智能化故障检测,极大地提高了故障的检测效率和成功率,减少了工作量,降低人工成本。方案筛选模块和故障信息反馈模块的设置能够快速的查找故障的解决技术方案并将之反馈给现场检修人员,方便现场检修人员及时针对性的进行维修,减小数控机床故障对企业造成的影响和造成的后果。维修模拟模块和实验分析模块的设置,通过虚拟模拟的方式,可以确认解决技术方案的可行性,避免错误的维修解决方案造成数控机床进一步损坏从而造成巨大损失。解析记录模块能够根据异常报告的生成与否,方便的判断解决技术方案是否可行,以及判断其能不能解决故障且判断会不会产生更坏的影响。方案补充模块的设置便于专家针对性的进行分析,从而取得更好的故障解决方案,准确的解决故障,避免损失。
实施例二:
实施例而与实施例一的区别在于:所示神经网络故障诊断模型的构建方法如下所示,
步骤1:确定输入、输出向量:
根据布尔矩阵的构造原理,定义在故障诊断中,特征参数有m个,即输入特征向量P=(s1,s2,…,sm),待识别的故障类型有n个,即输出特征向量Q=(r1,r2,…,rn);
步骤2:选取网络层数:采用三层BP神经网络,分别为输入层、隐含层、输出层;根据步骤1所述的输入特征向量、输出特征向量,确定输入层神经元个数为a,其中a=m,输出层神经元个数为b,其中b=n;
步骤4:设定连接权值:设定连接权值为[-1,1]之间的随机数值;
步骤5:设定阈值:设定阈值为[0.01,0.8]之间的随机数值;
步骤6:采用粒子群算法对BP神经网络的连接权值和阈值进行优化,避免后续的网络学习陷入局部极小值,
粒子群算法属于进化算法,通过不停迭代来调整整个过程的适应度,并选择最优解。在粒子群算法中存在局部极值和全局极值两个解。在找到这两个最优值时,粒子会更新自己的速度和位置,迭代更新的公式为:
其中,c1,c2是学习因子,ω为惯性因子;r1和r2为[0,1]范围内的均匀随机数;和分别为粒子i在第k次迭代中第d维的速度和位置;为粒子i在第d维的个体极值的最优位置;为群体在第d维的最优位置。i=1,2,...,D,vi是粒子的速度,vi∈[-vmax,vmax],vmax是常数,由用户设定用来限制粒子的速度。
包括以下步骤:
步骤6.1:采用粒子群算法优化BP神经网络模型的连接权值和阈值,对输入层的神经元进行粒化处理,得到相应的粒子群,并随机初始化粒子群。其中,设定粒子群个数、最大迭代数、局部学习因子和全局学习因子大小,然后,在初始值范围内随机取得粒子的初始位置和初始速度,
步骤6.2:将隐含层的输出函数作为适应度函数,计算出每个粒子的适应度值,并选取最优的适应度值作为群体历史最优值。
步骤6.3:利用每个粒子的历史最优值根据迭代公式进行迭代更新,更新每个粒子的历史最优位置和速度;
步骤6.4:若该适应度值满足最优适应度,则将步骤6.3得到种群个体作为最优的个体输出到BP神经网络作为连接权值和阈值,进入步骤6.5,否则继续进行步骤6.3的操作;
步骤6.5:判断粒子群算法是否达到了设定的最大进化代数,若达到则输出最优解作为BP神经网络的连接权值和阈值,进入步骤7,否则转到步骤6.3;
步骤7:特征向量分组,将输入特征向量P分为两组,一组作为学习样本数据进行网络学习,用XP表示,另一组作为诊断分析数据,用YP表示;
步骤8:网络学习,包括以下步骤:
步骤8.1:将步骤6.4和步骤6.5得到的连接权值、阈值和学习样本数据XP输入BP神经网络的输入层,计算隐含层、输出层各神经元的输出;
步骤8.2:计算输出层期望输出值与实际输出值的偏差EP;
步骤8.3:若EP满足训练误差条件,则网络学习结束,进入步骤9,反之,则调整输出层和隐含层的权值,返回步骤8.1继续学习,依此类推,直至偏差Ep符合条件;
步骤8.4:将网络学习得出的最终权值作为后续诊断分析的对应权值,并得到诊断分析的算法模型;
步骤9:诊断分析:将诊断分析数据YP输入步骤8.3得出的算法模型进行诊断分析。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (5)
1.一种基于神经网络的数控装备远程诊断系统,其特征在于:包括服务器,所述服务器包括以下模块:
参数采集模块:用于获取数控机床的型号参数和运行参数;
初步诊断模块:用于根据运行参数进行数控机床的初步诊断,分析数控机床是正常或故障,并在初步诊断出数控机床为故障时,将所述运行参数标记为故障运行参数;
深度诊断模块:用于将故障运行参数导入到建立的神经网络故障诊断模型中进行诊断,并输出故障诊断结果;所述诊断结果包括数控机床正常、数控机床故障的故障类型;所述神经网络故障诊断模型基于BP神经网络进行构建,从故障数据库中采集数据样本集,并将采集的数据样本集导入到神经网络故障诊断模型中进行迭代训练,然后进行测试,测试完成后输出训练成功的神经网络故障诊断模型;所述BP神经网络由三层神经元组成,分别为输入层神经元、隐层神经元和输出层神经元,故障运行参数作为输入信息传送至输入层神经元,经过隐层神经元的计算对故障的存在与否进行判断,并在判断分析为存在故障时对故障类型进行分类,将分类结果由输出层神经元处理后获得诊断结果,所述诊断结果包括无故障和故障类型;所述神经网络故障诊断模型的构建方法如下:
步骤1:确定输入、输出向量:
根据布尔矩阵的构造原理,定义在故障诊断中,特征参数有m个,即输入特征向量P=(s1,s2,…,sm),待识别的故障类型有n个,即输出特征向量Q=(r1,r2,…,rn);
步骤2:选取网络层数:采用三层BP神经网络,分别为输入层、隐含层、输出层;根据步骤1所述的输入特征向量、输出特征向量,确定输入层神经元个数为a,其中a=m,输出层神经元个数为b,其中b=n;
步骤3:计算隐含层神经元个数:隐含层神经元个数由公式确定,x是一个常数,取值在[1,10]之间;
步骤4:设定连接权值:设定连接权值为[-1,1]之间的随机数值;
步骤5:设定阈值:设定阈值为[0.01,0.8]之间的随机数值;
步骤6:采用粒子群算法对BP神经网络的连接权值和阈值进行优化,避免后续的网络学习陷入局部极小值,
粒子群算法属于进化算法,通过不停迭代来调整整个过程的适应度,并选择最优解;在粒子群算法中存在局部极值和全局极值两个解;在找到这两个最优值时,粒子会更新自己的速度和位置,迭代更新的公式为:
其中,c1,c2是学习因子,ω为惯性因子;r1和r2为[0,1]范围内的均匀随机数;和分别为粒子i在第k次迭代中第d维的速度和位置;为粒子i在第d维的个体极值的最优位置;为群体在第d维的最优位置;i=1,2,...,D,vi是粒子的速度,vi∈[-vmax,vmax],vmax是常数,由用户设定用来限制粒子的速度;具体包括以下步骤:
步骤6.1:采用粒子群算法优化BP神经网络模型的连接权值和阈值,对输入层的神经元进行粒化处理,得到相应的粒子群,并随机初始化粒子群;其中,设定粒子群个数、最大迭代数、局部学习因子和全局学习因子大小,然后,在初始值范围内随机取得粒子的初始位置和初始速度;
步骤6.2:将隐含层的输出函数作为适应度函数,计算出每个粒子的适应度值,并选取最优的适应度值作为群体历史最优值;
步骤6.3:利用每个粒子的历史最优值根据迭代公式进行迭代更新,更新每个粒子的历史最优位置和速度;
步骤6.4:若该适应度值满足最优适应度,则将步骤6.3得到种群个体作为最优的个体输出到BP神经网络作为连接权值和阈值,进入步骤6.5,否则继续进行步骤6.3的操作;
步骤6.5:判断粒子群算法是否达到了设定的最大进化代数,若达到则输出最优解作为BP神经网络的连接权值和阈值,进入步骤7,否则转到步骤6.3;
步骤7:特征向量分组,将输入特征向量P分为两组,一组作为学习样本数据进行网络学习,用XP表示,另一组作为诊断分析数据,用YP表示;
步骤8:网络学习,包括以下步骤:
步骤8.1:将步骤6.4和步骤6.5得到的连接权值、阈值和学习样本数据XP输入BP神经网络的输入层,计算隐含层、输出层各神经元的输出;
步骤8.2:计算输出层期望输出值与实际输出值的偏差EP;
步骤8.3:若EP满足训练误差条件,则网络学习结束,进入步骤9,反之,则调整输出层和隐含层的权值,返回步骤8.1继续学习,依此类推,直至偏差Ep符合条件;
步骤8.4:将网络学习得出的最终权值作为后续诊断分析的对应权值,并得到诊断分析的算法模型;
步骤9:诊断分析:将诊断分析数据YP输入步骤8.3得出的算法模型进行诊断分析;
方案筛选模块:用于根据数控机床的型号参数和故障类型在设置的故障数据库中查找故障的解决技术方案;
故障信息反馈模块:用于通过设置的通信模块将故障类型的检测结果和解决技术方案远程发送至机床现场检修人员。
2.根据权利要求1所述的基于神经网络的数控装备远程诊断系统,其特征在于:还包括,
诊断历史记录模块:用于在数控机床的故障解决后,将数控机床的型号参数、故障运行参数、故障类型和解决技术方案进行整理之后保存到故障数据库中。
3.根据权利要求2所述的基于神经网络的数控装备远程诊断系统,其特征在于:还包括,
维修模拟模块:用于根据数控机床的型号参数建立数控机床的模型库,根据型号参数选取数控机床虚拟模型,将故障运行参数导入到数控机床虚拟模型中进行故障模拟,在故障模拟之后,将解决技术方案提取技术参数导入到数控机床虚拟模型中进行模拟维修实验;
实验分析模块:用于获取模拟维修实验的运行实验参数,将运行实验参数与数控机床的正常运行参数进行对比分析,生成分析结果。
4.根据权利要求3所述的基于神经网络的数控装备远程诊断系统,其特征在于:还包括,
解析记录模块:用于对分析结果进行解析,并在解析出运行实验参数与正常运行参数存在差异时,将运行实验参数、故障运行参数和解决技术方案生成异常报告;
方案补充模块:用于将异常报告发送给技术专家进行分析,并获取专家补充更新的技术方案。
5.根据权利要求1所述的基于神经网络的数控装备远程诊断系统,其特征在于:还包括:摄像头,用于采集数控机床的运行视频,并通过通信模块将所述运行视频远程发送至故障数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310625.7A CN111007799B (zh) | 2019-12-18 | 2019-12-18 | 一种基于神经网络的数控装备远程诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310625.7A CN111007799B (zh) | 2019-12-18 | 2019-12-18 | 一种基于神经网络的数控装备远程诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111007799A CN111007799A (zh) | 2020-04-14 |
CN111007799B true CN111007799B (zh) | 2021-04-27 |
Family
ID=70115896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911310625.7A Active CN111007799B (zh) | 2019-12-18 | 2019-12-18 | 一种基于神经网络的数控装备远程诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007799B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111623830A (zh) * | 2020-06-11 | 2020-09-04 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
CN111988167A (zh) * | 2020-07-21 | 2020-11-24 | 合肥爱和力人工智能技术服务有限责任公司 | 一种基于工业互联网机理模型的故障分析方法及设备 |
CN112051800A (zh) * | 2020-09-17 | 2020-12-08 | 珠海格力智能装备有限公司 | 机床的异常处理方法及装置、计算机可读存储介质 |
CN112129869B (zh) * | 2020-09-23 | 2022-11-18 | 清华大学深圳国际研究生院 | 基于数据驱动的现场质谱仪稳定输出控制系统及方法 |
CN112465052B (zh) * | 2020-12-07 | 2023-04-07 | 重庆忽米网络科技有限公司 | 基于卷积神经网络的设备故障诊断报告生成方法与系统 |
CN113327033A (zh) * | 2021-05-28 | 2021-08-31 | 广西电网有限责任公司电力科学研究院 | 配电网故障诊断方法及系统 |
CN113552840B (zh) * | 2021-07-30 | 2024-01-30 | 娄底市同丰科技有限公司 | 一种机械加工控制系统 |
CN113823396A (zh) * | 2021-09-16 | 2021-12-21 | 武汉联影医疗科技有限公司 | 医疗设备管理方法、装置、计算机设备和存储介质 |
CN114200889B (zh) * | 2021-11-23 | 2023-10-24 | 华中科技大学 | 一种基于深度强化学习的铣削参数优化方法 |
CN114647234B (zh) * | 2022-05-23 | 2022-08-09 | 医链数科医疗科技(江苏)有限公司 | 一种基于物联网的医疗设备监控方法、装置及存储介质 |
CN115122155B (zh) * | 2022-08-31 | 2022-11-22 | 深圳市玄羽科技有限公司 | 基于工业互联网大数据的机床远程诊断方法及系统 |
CN115346034B (zh) * | 2022-10-17 | 2023-03-24 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程诊断与维护方法及系统 |
CN115828452A (zh) * | 2022-11-16 | 2023-03-21 | 华能国际电力股份有限公司上海石洞口第二电厂 | 基于物联网与5g的皮带取样设备诊断与优化方法及系统 |
CN116723083B (zh) * | 2023-08-10 | 2024-01-26 | 山东智拓大数据有限公司 | 一种云服务器在线故障诊断方法及装置 |
CN116827764B (zh) * | 2023-08-23 | 2023-11-03 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984375A (zh) * | 2010-11-16 | 2011-03-09 | 华中科技大学 | 一种数控机床故障模拟方法 |
CN102825504A (zh) * | 2012-09-18 | 2012-12-19 | 重庆科技学院 | 数控机床主轴状态检测方法 |
CN102880115A (zh) * | 2012-09-29 | 2013-01-16 | 佛山喜讯电子科技有限公司 | 一种基于物联网的数控机床远程协作诊断系统 |
CN104238453A (zh) * | 2014-08-27 | 2014-12-24 | 李文革 | 一种数控机床故障检测与维修仿真训练平台系统 |
CN105204436A (zh) * | 2015-08-26 | 2015-12-30 | 山东省计算中心(国家超级计算济南中心) | 基于分级预警的数控机床故障诊断方法 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN109165632A (zh) * | 2018-09-20 | 2019-01-08 | 上海电力学院 | 一种基于改进d-s证据理论的设备故障诊断方法 |
CN109213076A (zh) * | 2017-07-03 | 2019-01-15 | 沈机(上海)智能系统研发设计有限公司 | 机床图形化故障诊断方法和系统及其机床设备和电子终端 |
KR20190036111A (ko) * | 2017-09-27 | 2019-04-04 | 신치성 | 볼스크류의 피치 측정장치 |
CN110263907A (zh) * | 2019-07-01 | 2019-09-20 | 上海海事大学 | 基于改进ga-pso-bp的船舶短路故障诊断方法 |
-
2019
- 2019-12-18 CN CN201911310625.7A patent/CN111007799B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984375A (zh) * | 2010-11-16 | 2011-03-09 | 华中科技大学 | 一种数控机床故障模拟方法 |
CN102825504A (zh) * | 2012-09-18 | 2012-12-19 | 重庆科技学院 | 数控机床主轴状态检测方法 |
CN102880115A (zh) * | 2012-09-29 | 2013-01-16 | 佛山喜讯电子科技有限公司 | 一种基于物联网的数控机床远程协作诊断系统 |
CN104238453A (zh) * | 2014-08-27 | 2014-12-24 | 李文革 | 一种数控机床故障检测与维修仿真训练平台系统 |
CN105204436A (zh) * | 2015-08-26 | 2015-12-30 | 山东省计算中心(国家超级计算济南中心) | 基于分级预警的数控机床故障诊断方法 |
CN109213076A (zh) * | 2017-07-03 | 2019-01-15 | 沈机(上海)智能系统研发设计有限公司 | 机床图形化故障诊断方法和系统及其机床设备和电子终端 |
KR20190036111A (ko) * | 2017-09-27 | 2019-04-04 | 신치성 | 볼스크류의 피치 측정장치 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN109165632A (zh) * | 2018-09-20 | 2019-01-08 | 上海电力学院 | 一种基于改进d-s证据理论的设备故障诊断方法 |
CN110263907A (zh) * | 2019-07-01 | 2019-09-20 | 上海海事大学 | 基于改进ga-pso-bp的船舶短路故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111007799A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007799B (zh) | 一种基于神经网络的数控装备远程诊断系统 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
CN112418455B (zh) | 一种设备故障预测与健康管理系统 | |
WO2021195970A1 (zh) | 工业系统的预测模型学习方法、装置和系统 | |
CN111814870B (zh) | 一种基于卷积神经网络的cps模糊测试方法 | |
CN114647525A (zh) | 诊断方法、装置、终端及存储介质 | |
CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
CN112192318A (zh) | 机加工刀具状态监控方法和系统 | |
CN117234785B (zh) | 基于人工智能自查询的集控平台错误分析系统 | |
CN117273550B (zh) | 一种食品检测智能实验室的信息管理方法 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN114419507A (zh) | 一种基于联邦学习的互联网工厂运行诊断方法及系统 | |
CN111967501B (zh) | 一种遥测原始数据驱动的载荷状态判别方法及判别系统 | |
CN110727669B (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
CN113157732A (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN113656323A (zh) | 一种自动化测试、定位及修复故障的方法及存储介质 | |
CN115329663A (zh) | 处理电力负荷监测稀疏数据的关键特征选择方法和装置 | |
CN114705177A (zh) | 一种基于误差分析的光纤陀螺测姿数据处理方法 | |
CN110162015B (zh) | 一种基于公共饮水装置的故障诊断方法 | |
Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm | |
CN115826503B (zh) | 一种基于工业互联网大数据的机床远程诊断方法 | |
CN116820884A (zh) | 一种利用智能运维监控it系统异常状态的方法及装置 | |
KR102590793B1 (ko) | 기계 학습을 위한 온라인 데이터셋의 자가 균형화 방법 및 장치 |
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 |