CN111046098A - 一种基于振动数据的机床运行状态的识别系统及统计方法 - Google Patents

Abstract

本发明公开了一种基于振动数据的机床运行状态的识别系统和统计方法，识别系统包括振动数据采集单元、处理单元和业务组件单元；其振动数据采集单元还包括实时数据库，业务组件单元还包括业务数据库；本发明可有效提高机床的实时监控性能，实时监测加工状态，诊断机床是否发生颤振；颤振发生时，可及时优化加工工艺参数，抑制颤振,有效提高加工稳定性和加工零件的表面质量。

Description

一种基于振动数据的机床运行状态的识别系统及统计方法

技术领域

本发明涉及数控机床领域，具体涉及一种基于振动数据的机床运行状态的识别系统及统计方法。

背景技术

出于更合理安排生产计划的目的，企业需要实时掌握机床实时运行的状态，并获取机床运行统计数据。实际操作过程中，通常是通过读取机床内部数据的方式进行数据采集。这种方式存在以下问题：一是要求设备必须具备自动化的控制系统及通讯接口；二是即使设备存在控制系统，也存在该系统的协议、内部数据不对外开放的情况，导致在实际实施过程中技术成本和商务成本过高，甚至无法采集数据。

现有技术该系统仅能对颤振状态进行监控，无法判断机床开关机、换刀、空闲等状态，也无法对设备的运行效率及状态进行统计；数据来源为主轴功率，通过功率变化仅能判断负载的变化，而当其他的机构运行时，例如当机床进给机构运行时，是由其他轴电机驱动的，无法通过主轴功率判断进给机构状态；发生颤振等故障时，主轴加工功率变化非常微弱，亦没有明显的频域特征。因此该方法可监控的类型是有局限的；当机床发生老化、故障时，例如轴承老化、刀具磨损，都将导致机床主轴运转的功率升高，而此时机床的状态尚未发生变化，所以要求其作为对比的标准状态随老化实际情况一同变化，否则将导致误判率不断上升，显然这是不现实的。

发明内容

针对上述现有技术，本发明的目的在于提供的一种基于震动数据的机床运行状态识别与系统，用于准确的判断出机床的类型，通过振动数据判断设备是否运行和准确的统计出机床的运行率、开机率等统计。

一种基于振动数据的机床运行状态识别方法，包括以下步骤：

S1、从现场采集终端中获取实时数据并存入实时数据库，所述实时数据包括机床的振动特征量和设备的状态信息两类数据；

进一步的，所述步骤S1获取的数据具体包括两类：

机床的振动特征量：包含了振动频率分布信息；

从业务系统或者从机床控制系统中获取设备的状态信息：包括机床的类型、报警状态和报警类型；

步骤S1中还对实时数据进行聚合处理，将振动频率分布信息、设备的状态信息合并成一条数据A，数据A包含的变量包括：ID、频谱矩阵、状态矩阵和设备类型；

变量ID、频谱矩阵、状态矩阵和设备类型的数据缓存在内存中，采集模块获取最新的数据时，更新内存中的对应变量的值，其中，频谱矩阵作为触发聚合事件的主参数，当且仅当频谱矩阵更新内存数据时，才会触发数据聚合事件，将聚合后的数据A存储到实时数据库中。

步骤S1中还从实时数据中筛选出主轴转速的数据，形成数据集B，所述数据集B包含的变量也包括：ID、频谱矩阵、状态矩阵、设备类型。

S2、利用实时数据库中的实时数据训练设备分类模型和设备状态判断分类模型；

进一步的，所述步骤S2具体包括：

S21、设备分类模型的训练：基于机器学习的方法，以数据集B中设备类型为因变量、以频谱矩阵为自变量，训练设备分类模型；训练后，对设备分类模型进行验证，直至其分类准确率达到要求为止；

S22、设备状态判断分类模型的训练：基于机器学习的方法，以数据集B中状态矩阵为因变量、以频谱矩阵为自变量，训练设备状态判断分类模型；训练后，对设备状态判断分类模型进行验证，直至其分类准确率达到要求为止；将训练好的设备状态判断分类模型与对应的设备的分类关联，分类封装，以供调用。

S3、获取待测设备的振动特征量，利用训练好的设备分类模型判断设备的类型；利用设备状态判断分类模型判断设备运行状态。

进一步的，步骤S3具体包括：

S31、对设备进行分类：获得待测设备的振动特征量，调用设备分类模型，带入待测设备的频谱矩阵，得到预测的待测设备的设备类型；

S32、设备状态的判断：调取待测设备对应的设备状态判断模型，带入待测设备的频谱矩阵，得到预测的设备运行状态。

进一步的，还包括一下步骤；

S4、基于步骤S3中判断出的设备运行状态统计出设备的统计数据。

进一步的，所述步骤S4具体包括；

S41、业务数据的存储：将预测的设备类型、设备运行状态参数进行聚合，存储于业务数据库中；

S42、设备状态统计：读取设备的状态数据，所述状态数据体现设备的瞬时状态，其数据结构为[状态矩阵、时间]，通过对状态值的积分处理，得到累计值：[累计值矩阵，时间]，通过累计值，能够得到任意两个时间点之间的状态累计值，从而能够得到设备的统计值。

进一步的，还包括以下步骤：

S5、设备数据的可视化：从业务数据库直接获取设备的状态数据，获得设备的实时状态值，通过图表展示设备当前的运行状态，包括：设备开关机状态、设备负载状态；同时，获得设备状态统计的统计值，并进行展示。

一种基于振动数据的机床运行状态识别系统，包括数据采集单元、实时数据库、业务数据库、处理单元和业务组件单元：

数据采集单元，用于从现场采集终端中获取实时数据并存入实时数据库，所述实时数据包括机床的振动特征量和设备的状态信息两类数据；

所述处理单元，基于对机器学习方法利用实时数据库中的实时数据训练设备分类模型和设备状态判断分类模型；获取待测设备的振动特征量，利用训练好的设备分类模型判断设备的类型；利用设备状态判断分类模型判断设备运行状态；

业务数据库，用于存储设备分类模型预测的设备类型和设备状态判断分类模型设备预测的设备运行状态；所述业务组件单元，用于从业务数据库中提取设备的运行状态参数，进行进一步的统计，得到统计数据，并进行可视化的分析。

进一步的，所述数据采集单元采集的信息包括两类：

机床的振动特征量：包含了振动频率分布信息；

从业务系统或者从机床控制系统中获取设备的状态信息：包括机床的类型、报警状态和报警类型；

所述数据采集单元还对实时数据进行聚合处理，将振动频率分布信息、设备的状态信息合并成一条数据A，数据A包含的变量包括：ID、频谱矩阵、状态矩阵和设备类型；从实时数据中筛选出主轴转速的数据，形成数据集B，所述数据集B包含的变量也包括：ID、频谱矩阵、状态矩阵、设备类型；

数据集A和数据集B存入实时数据库中。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明可有效提高机床的实时工作状态进行识别，诊断机床是否发生颤振；颤振发生时，可及时优化加工工艺参数，抑制颤振,有效提高加工稳定性和加工零件的表面质量；通过模型判断的结果准确统计出机床运行率、开机率等，从而方便相关人员及时对设备进行的维修和保养。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明结构图；

图2为本发明流程图。

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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

如图1所示，一种基于振动数据的机床运行状态识别系统，包括数据采集单元、实时数据库、业务数据库、处理单元和业务组件单元：

数据采集单元，用于从现场采集终端中获取实时数据并存入实时数据库，所述实时数据包括机床的振动特征量和设备的状态信息两类数据；

所述处理单元，基于对机器学习方法利用实时数据库中的实时数据训练设备分类模型和设备状态判断分类模型；获取待测设备的振动特征量，利用训练好的设备分类模型判断设备的类型；利用设备状态判断分类模型判断设备运行状态；

业务数据库，用于存储设备分类模型预测的设备类型和设备状态判断分类模型设备预测的设备运行状态；所述业务组件单元，用于从业务数据库中提取设备的运行状态参数，进行进一步的统计，得到统计数据，并进行可视化的分析。

所述数据采集单元采集的信息包括两类：

机床的振动特征量：包含了振动频率分布信息；

从业务系统或者从机床控制系统中获取设备的状态信息：包括机床的类型、报警状态和报警类型；

所述数据采集单元还对实时数据进行聚合处理，将振动频率分布信息、设备的状态信息合并成一条数据A，数据A包含的变量包括：ID、频谱矩阵、状态矩阵和设备类型；从实时数据中筛选出主轴转速的数据，形成数据集B，所述数据集B包含的变量也包括：ID、频谱矩阵、状态矩阵、设备类型；

数据集A和数据集B存入实时数据库中。

实施例2

如图2所示，一种基于振动数据的机床运行状态统计方法，包括以下步骤：

现场采集终端中获取机床的振动特征量和设备的状态信息两类数据；

一类时机床获取的振动特征量，包含了振动频率分布信息；另一类是从业务系统，或者从机床控制系统中获取的状态信息，这些信息直接提供了机床的类型、报警状态和报警类型信息；将这些获取的信息记录至实时数据库。

通过获取机床机身振动特征值，对特征值分析，过滤噪音，并分析出固有频率，受迫振动频率；

实时数据的聚合处理；对实时数据进行聚合处理，将频谱数据、状态数据合并成一条数据A，数据A包含的变量包括：ID、频谱矩阵、状态矩阵、设备类型；并将主轴转速的数据筛选出来，形成数据集B，用于设备分类模型的训练；

进行设备分类训练：基于机器学习的方法，以机床中设备类型为因变量、以频谱矩阵为自变量，训练设备分类模型；训练后，对设备分类训练模型进行验证，直至其分类准确率达到要求为止；

设备状态判断分类模型的训练：基于机器学习的方法，以机床中状态矩阵为因变量、以频谱矩阵为自变量，训练设备状态判断分类模型；训练后，对设备状态判断模型进行验证，直至其分类准确率达到要求为止；将训练好的设备状态判断模型与该设备的分类模型关联，分类封装，以供调用；

对设备进行分类：在新的设备上获得振动特征量，从算法库中调用设备分类模型，带入该设备振动频谱矩阵，得到该设备的类型；基于固有频率对设备进行初步分类，判断设备型号；

调用该信号设备的状态判断、统计、故障分析算法；

设备状态的判断：从算法库中调取该设备类型的状态判断模型，带入该设备振动频谱矩阵，得到经分析后得到预测状态；通过设备振动特征准确地与设备的空转、负载、关/停机等状态准确地关联起来，从而通过振动数据判断设备是否运行；

基于对设备类型和设备状态判断的结果进行准确统计，得到设备的统计数据；

将预测的设备类型、设备状态参数进行聚合，存储于业务数据库中；

设备状态统计：读取设备的状态数据，这些状态数据体现的是设备的瞬时状态，其数据结构是：[状态矩阵、时间]；通过对状态值得积分处理，得到累计值：[累计值矩阵，时间]；通过累计值，能够得到任意两个时间点之间的状态累计值，包括累计的开机时间、累计的负载时间、累计的空闲时间，从而能够得到设备的统计值；

设备数据的可视化：一方面，从业务数据库直接获取实时状态值，通过图表展示设备当前的运行状态，状态数据包括：设备开关机状态、设备负载状态；同时，从设备效率统计业务组件中获得统计值，并进行展示。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于振动数据的机床运行状态识别方法，其特征在于，包括以下步骤：

S1、从现场采集终端中获取实时数据并存入实时数据库，所述实时数据包括机床的振动特征量和设备的状态信息两类数据；

S2、利用实时数据库中的实时数据训练设备分类模型和设备状态判断分类模型；

S3、获取待测设备的振动特征量，利用训练好的设备分类模型判断设备的类型；利用设备状态判断分类模型判断设备运行状态。

2.根据权利要求1所述的一种基于振动数据的机床运行状态识别方法，其特征在于，所述步骤S1获取的数据具体包括两类：

机床的振动特征量：包含了振动频率分布信息；

从业务系统或者从机床控制系统中获取设备的状态信息：包括机床的类型、报警状态和报警类型；

步骤S1中还对实时数据进行聚合处理，将振动频率分布信息、设备的状态信息合并成一条数据A，数据A包含的变量包括：ID、频谱矩阵、状态矩阵和设备类型；

步骤S1中还从实时数据中筛选出主轴转速的数据，形成数据集B，所述数据集B包含的变量也包括：ID、频谱矩阵、状态矩阵、设备类型。

3.根据权利要求2所述的一种基于振动数据的机床运行状态识别方法，其特征在于，所述步骤S2具体包括：

S21、设备分类模型的训练：基于机器学习的方法，以数据集B中设备类型为因变量、以频谱矩阵为自变量，训练设备分类模型；训练后，对设备分类模型进行验证，直至其分类准确率达到要求为止；

S22、设备状态判断分类模型的训练：基于机器学习的方法，以数据集B中状态矩阵为因变量、以频谱矩阵为自变量，训练设备状态判断分类模型；训练后，对设备状态判断分类模型进行验证，直至其分类准确率达到要求为止；将训练好的设备状态判断分类模型与对应的设备的分类关联，分类封装，以供调用。

4.根据权利要求2所述的一种基于振动数据的机床运行状态识别方法，其特征在于，步骤S3具体包括：

S31、对设备进行分类：获得待测设备的振动特征量，调用设备分类模型，带入待测设备的频谱矩阵，得到预测的待测设备的设备类型；

S32、设备状态的判断：调取待测设备对应的设备状态判断模型，带入待测设备的频谱矩阵，得到预测的设备运行状态。

5.一种基于振动数据的机床运行状态统计方法，其特征在于，包括权利要求1-4任一所述的基于振动数据的机床运行状态识别方法，还包括以下步骤：

S4、基于步骤S3中判断出的设备运行状态统计出设备的统计数据。

6.根据权利要求5所述的一种基于振动数据的机床运行状态统计方法，其特征在于，所述步骤S4体包括；

S41业务数据的存储：将预测的设备类型、设备运行状态参数进行聚合，存储于业务数据库中；

S42设备状态统计：读取设备的状态数据，所述状态数据体现设备的瞬时状态，其数据结构为[状态矩阵、时间]，通过对状态值的积分处理，得到累计值：[累计值矩阵，时间]，通过累计值，能够得到任意两个时间点之间的状态累计值，从而能够得到设备的统计值。

7.根据权利要求6所述的一种基于振动数据的机床运行状态统计方法，其特征在于，还包括以下步骤：

S6、设备数据的可视化：从业务数据库直接获取设备的状态数据，获得设备的实时状态值，通过图表展示设备当前的运行状态，包括：设备开关机状态、设备负载状态；同时，获得设备状态统计的统计值，并进行展示。

8.一种基于振动数据的机床运行状态识别系统，包括数据采集单元、实时数据库、业务数据库、处理单元和业务组件单元，其特征在于：

数据采集单元，用于从现场采集终端中获取实时数据并存入实时数据库，所述实时数据包括机床的振动特征量和设备的状态信息两类数据；

所述处理单元，基于对机器学习方法利用实时数据库中的实时数据训练设备分类模型和设备状态判断分类模型；获取待测设备的振动特征量，利用训练好的设备分类模型判断设备的类型；利用设备状态判断分类模型判断设备运行状态；

业务数据库，用于存储设备分类模型预测的设备类型和设备状态判断分类模型设备预测的设备运行状态；所述业务组件单元，用于从业务数据库中提取设备的运行状态参数，进行进一步的统计，得到统计数据，并进行可视化的分析。

9.根据权利要求8所述的一种基于振动数据的机床运行状态识别系统，其特征在于，所述数据采集单元采集的信息包括两类：

机床的振动特征量：包含了振动频率分布信息；

从业务系统或者从机床控制系统中获取设备的状态信息：包括机床的类型、报警状态和报警类型；

所述数据采集单元还对实时数据进行聚合处理，将振动频率分布信息、设备的状态信息合并成一条数据A，数据A包含的变量包括：ID、频谱矩阵、状态矩阵和设备类型；从实时数据中筛选出主轴转速的数据，形成数据集B，所述数据集B包含的变量也包括：ID、频谱矩阵、状态矩阵、设备类型；

数据集A和数据集B存入实时数据库中。

Images