CN111413926A - 一种持续超限的故障预警方法 - Google Patents
一种持续超限的故障预警方法 Download PDFInfo
- Publication number
- CN111413926A CN111413926A CN202010242224.9A CN202010242224A CN111413926A CN 111413926 A CN111413926 A CN 111413926A CN 202010242224 A CN202010242224 A CN 202010242224A CN 111413926 A CN111413926 A CN 111413926A
- Authority
- CN
- China
- Prior art keywords
- values
- early warning
- data window
- power detection
- point
- 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.)
- Pending
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
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B2219/37616—Use same monitoring tools to monitor tool and workpiece
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种持续超限的故障预警方法,属于数控技术领域。包括使用线性回归模型及最小二乘法迭代方法,通过对DNC实时采集到的电流和功率值的数据进行线性拟合,求得线性回归模型中一次项系数a和零次项系数b的最优估计值;待一定周期过后,利用给出的最优估计值对该周期内的线性特征进行判断,得出故障发生与否及发生时间。本发明打破了传统故障机理及失效研究主要采取从数控机床结构、机床常发故障的物理特征进行着手,提出了通过机床功率或电流数据本身进行挖掘、分析进而实现故障预警的技术和方法,可应用于数控机床加工状态过程监控,满足数控加工过程质量控制的要求。
Description
技术领域
本发明涉及一种故障预警方法,具体涉及一种持续超限的故障预警方法。
背景技术
目数控机床预警一直是数控机床应用的难点,不仅故障预警算法在学术上是难点,诸多故障预警算法在工况复杂的实际工程应用中也是难点,至今行业内也没有太成熟的应用。
传统的故障机理及失效研究是从数控机床结构、机床常发故障的物理特征进行着手,通过加装传感器进行振动或温度信号采集并分析信号特征,因为故障具有随机性,并非遵循一定的统计规律,同时数控机床结构复杂,故障机理也很难进行定量描述,同时传统加装传感器的方式数据采集不方便,需要进一步的信号转换处理;基于故障机理的各种失效模型进行工程开发也有相当大的难度,因为故障模型的建立主要依赖历史经验或者设想,基于故障机理的分析在工程上应用始终存在问题,容易产生故障误判,无法提高故障预测的准确率。
目前对数控机床故障预警的思路和方法还停留在通过对故障机理建模,进行失效分析以预测机床故障的传统思路,但针对数控加工过程尚未出现有效的通过机床功率或电流数据本身进行挖掘、分析进而实现故障预警的技术和方法。一般来说,数控机床的功率大小代表数控机床工作负载的高低,机床高负载运行的情况下,机床越容易发生故障,但并非高功率就一定会发生故障,因此研究机床高功率的异常表现非常重要,在此基础上,本申请提出了一种持续超限的故障预警方法。
发明内容
本发明的目的在于提供一种持续超限的故障预警方法,通过对数控机床持续高功率异常状态的捕捉,可以实时监测机床的工作状况,进而预测机床可能出现故障的机率。
本发明的目的是通过以下技术方案实现的:
一种持续超限的故障预警方法,其特征在于,包括以下步骤:
1)、开辟一个宽度为N的数据窗口以采集和存取检点接受到的功率检测值;
2)、对该数据窗口内的N个功率检测值进行回归分析,并建立线性回归模型y=ax+b;其中,x表示时间变量,y表示功率检测值;
3)、计算该线性回归模型y=ax+b中一次项系数a和常数项b的最优估计值,并将该一次项系数a的最优估计值作为该数据窗口中功率数列的特征值a;
4)、待第m个数据窗口中填满了N个功率检测值之后,计算第m个数据窗口的线性特征am,并判断am和前两个数据窗口的线性特征值am-1与am-2与预先设定的特征报警阈值的大小;
5)、若am、am-1、am-2均大于特征报警阈值,则说明故障已经发生。
进一步地,所述一次项系数a和常数项b的最优估计值是指单个数据窗口中的功率数列与线性回归模型y=ax+b之间距离最近时的一次项系数和常数项,即a和b的最优估计值应使得下列公式中的绝对误差E最小:
其中,
i表示采集的第i个点;
yi表示第i个采集点对应的功率检测值;
ei是指采集点(xi,yi)与线性回归模型上的点(xi,axi+b)之间的垂直距离。
进一步地,根据高斯-马尔可夫定理,通过最小二乘法求得的绝对误差公式中a与b的值是线性回归模型中一次项系数和零次项系数的最优估计值。
a和b唯一解即最优值为:
其中,
k表示采集的第k个点;
yk表示第k个采集点对应的实际功率检测值;
N表示一个数据窗口内所能承载的功率检测值总数。
本技术方案的有益效果如下:
1、本发明易于理解、易于采集数据、易于工程实现;机床功率代表机床的工作负载,直观易于理解;而功率可以直接从数控系统获取,并且是数字量,采集方式成熟可靠;基于功率数据挖掘和分析的工程实现主要通过软件的方式,相比传统改造机床加装传感器带来的工程不确定性更具有优势;
2、本发明可以提高预测准确性,通过功率异常进行故障判定稳定可靠,按不同的异常情况计算故障概率,低概率故障可忽略,高概率故障可预警,避免了故障刚性地误判;
3、本发明基于功率数据挖掘的方式可以进行长期反馈学习,为后续通过机器学习提高故障预测准确性打下基础。
附图说明
本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚,附图中:
图1是本发明的线性回归模型示意图;
具体实施方式
下面通过具体的实施例来进一步说明实现本发明目的技术方案,需要说明的是,本发明要求保护的技术方案包括但不限于以下实施例。
本发明提出一种持续超限的故障预警方法,包括以下步骤:
1)、开辟一个宽度为N的数据窗口以采集和存取检点接受到的功率检测值;
2)、对该数据窗口内的N个功率检测值进行回归分析,并以时间变量为横坐标x,功率检测值为纵坐标y,建立线性回归模型y=ax+b;
3)、计算该线性回归模型y=ax+b中一次项系数a和常数项b的最优估计值,并将该一次项系数a的最优估计值作为该数据窗口中功率数列的特征值a;
所述一次项系数a和常数项b的最优估计值是指单个数据窗口中的功率数列与线性回归模型y=ax+b之间距离最近时的一次项系数和常数项,即a和b的最优估计值应使得下列公式中的绝对误差E最小:
式(1)中,
i表示采集的第i个点;
yi表示第i个采集点对应的实际功率检测值;
ei表示采集点(xi,yi)与线性回归模型上的点(xi,axi+b)之间的垂直距离,如图1所示。
由于数控机床实时监测预警系统中的检点在不丢失数据的情况下可接收到连续的功率数据,因此数据窗口中的第k个功率检测值相对第一个功率检测值间隔k-1个功率采样周期,故绝对误差E的计算公式可以简化为:
根据高斯-马尔可夫定理,通过最小二乘法求得的绝对误差公式中a与b的值是线性回归模型中一次项系数和零次项系数的最优估计值。
最小二乘法中,绝对误差E的值可以被看作L2内积空间中向量Y=(y1,y2…,yx)T与向量aK+bR的距离,其中向量K=(1,2…,k)T,向量R=(1,1.…,1)T。为了使绝对误差E的值最小,需要在向量mK+nR(m与n为任意实数)张成的空间平面中寻找向量P=aK+bR,以使向量Y-P垂直于mK+nR张成的空间平面,即向量Y-P应同时与向量K和向量R正交。由于L2内积空间中正交向量的内积为零,因此可以得到式(3)。
0=<Y-P,K>=<Y-P,R>(3)
将等式P=aK+bR带入式(3),便可以得到式(4)和式(5):
<K,Y>=a<K,K>+b<K,R>(4)
<R,Y>=a<K,R>+b<R,R>(5)
由于式(4)与式(5)中的向量K、Y、R都为已知向量,故可以将两式联立以求得式中的未知量a与b,求得的一次项系数和零次项系数即为线性回归模型中的最优估计解。由于向量K=(1,2.…,k)T中的元素两两互不相同,未知数a和b有解且有唯一解。a和b唯一解即最优值为:
式(6)中,
k表示采集的第k个点;
yk表示第k个采集点对应的实际功率检测值;
N表示一个数据窗口内所能承载的功率检测值总数。
4)、待第m个数据窗口中填满了N个功率检测值之后,计算第m个数据窗口的线性特征am,并判断am和前两个数据窗口的线性特征值am-1与am-2与预先设定的特征报警阈值的大小;
5)、若am、am-1、am-2均大于特征报警阈值(所述的特征报警阈值是根据实际工况确定的一个经验值),则说明故障已经发生,且故障发生时间为第m-3个数据窗口和第m-2个数据窗口之间。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (3)
1.一种持续超限的故障预警方法,其特征在于,包括以下步骤:
1)、开辟一个宽度为N的数据窗口以采集和存取检点接受到的功率检测值;
2)、对该数据窗口内的N个功率检测值进行回归分析,并以时间变量为横坐标x,功率检测值为纵坐标y,建立线性回归模型y=ax+b;
3)、计算该线性回归模型y=ax+b中一次项系数a和常数项b的最优估计值,并将该一次项系数a的最优估计值作为该数据窗口中功率数列的特征值a;
4)、待第m个数据窗口中填满了N个功率检测值之后,计算第m个数据窗口的线性特征am,并判断am和前两个数据窗口的线性特征值am-1与am-2与预先设定的特征报警阈值的大小;
5)、若am、am-1、am-2均大于特征报警阈值,则说明故障已经发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242224.9A CN111413926A (zh) | 2020-03-31 | 2020-03-31 | 一种持续超限的故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242224.9A CN111413926A (zh) | 2020-03-31 | 2020-03-31 | 一种持续超限的故障预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111413926A true CN111413926A (zh) | 2020-07-14 |
Family
ID=71494678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010242224.9A Pending CN111413926A (zh) | 2020-03-31 | 2020-03-31 | 一种持续超限的故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111413926A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112612247A (zh) * | 2020-12-05 | 2021-04-06 | 深圳市云海互联技术有限公司 | 一种用计算机仿真分析软件诊断数控机床故障的方法 |
CN117226530A (zh) * | 2023-11-13 | 2023-12-15 | 成都飞机工业(集团)有限责任公司 | 一种无人生产线设备进给轴电流数据自动采集方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1492366A (zh) * | 2002-08-30 | 2004-04-28 | 用于评价机器或设备运行条件的方法 | |
CN104714537A (zh) * | 2015-01-10 | 2015-06-17 | 浙江大学 | 一种基于联合相对变化分析和自回归模型的故障预测方法 |
CN105473921A (zh) * | 2013-08-09 | 2016-04-06 | 斯奈克玛 | 用于对航空器发动机的阀进行监控的方法 |
CN105844050A (zh) * | 2016-04-12 | 2016-08-10 | 吉林大学 | 基于时间相关的数控机床组件更换时间方法 |
US20190094108A1 (en) * | 2014-09-26 | 2019-03-28 | Palo Alto Research Center Incorporated | System And Method For Detecting Anomaly Of A Machine Tool |
CN110456774A (zh) * | 2019-08-15 | 2019-11-15 | 中车大连机车研究所有限公司 | 一种快捷货运机车的故障诊断与预警装置及方法 |
-
2020
- 2020-03-31 CN CN202010242224.9A patent/CN111413926A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1492366A (zh) * | 2002-08-30 | 2004-04-28 | 用于评价机器或设备运行条件的方法 | |
CN105473921A (zh) * | 2013-08-09 | 2016-04-06 | 斯奈克玛 | 用于对航空器发动机的阀进行监控的方法 |
US20190094108A1 (en) * | 2014-09-26 | 2019-03-28 | Palo Alto Research Center Incorporated | System And Method For Detecting Anomaly Of A Machine Tool |
CN104714537A (zh) * | 2015-01-10 | 2015-06-17 | 浙江大学 | 一种基于联合相对变化分析和自回归模型的故障预测方法 |
CN105844050A (zh) * | 2016-04-12 | 2016-08-10 | 吉林大学 | 基于时间相关的数控机床组件更换时间方法 |
CN110456774A (zh) * | 2019-08-15 | 2019-11-15 | 中车大连机车研究所有限公司 | 一种快捷货运机车的故障诊断与预警装置及方法 |
Non-Patent Citations (2)
Title |
---|
王鹏等: "《基于一元线性回归分析的舵机故障诊断方法》", 《火力与指挥控制》 * |
高东等: "《基于滑动窗口的定性趋势分析方法及应用》", 《计算机应用研究》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112612247A (zh) * | 2020-12-05 | 2021-04-06 | 深圳市云海互联技术有限公司 | 一种用计算机仿真分析软件诊断数控机床故障的方法 |
CN117226530A (zh) * | 2023-11-13 | 2023-12-15 | 成都飞机工业(集团)有限责任公司 | 一种无人生产线设备进给轴电流数据自动采集方法及系统 |
CN117226530B (zh) * | 2023-11-13 | 2024-03-15 | 成都飞机工业(集团)有限责任公司 | 一种无人生产线设备进给轴电流数据自动采集方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN106055919B (zh) | 一种基于遥测数据小波变换的卫星异常检测方法 | |
CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN106504122B (zh) | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 | |
CN112187528B (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN111413926A (zh) | 一种持续超限的故障预警方法 | |
CN111898669A (zh) | 一种基于机器学习的直流矿热炉异常事件预警系统 | |
CN111066003A (zh) | 对流程行业中的设备进行状态监测的方法、装置及介质 | |
CN111458629B (zh) | 一种高压开关机械故障的反演方法及装置 | |
CN115186883A (zh) | 基于边云协同计算的工业设备健康状态监测系统及方法 | |
CN110187242A (zh) | 一种基于时空相关性分析的配电网异常检测及定位方法 | |
CN113763667A (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN116086537A (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
Liao et al. | Nonparametric and semi-parametric sensor recovery in multichannel condition monitoring systems | |
US11657148B2 (en) | Event analysis in an electric power system | |
CN105718733B (zh) | 基于模糊贴近度和粒子滤波的故障预报方法 | |
Vafeiadis et al. | Robust malfunction diagnosis in process industry time series | |
CN110455399B (zh) | 用分布式光纤对建筑结构振动进行全局预警的方法 | |
CN117761416A (zh) | 一种母线槽在线监测系统 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
WO2021042233A1 (en) | Remote diagnosis system, apparatus and method for power tool |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200714 |
|
RJ01 | Rejection of invention patent application after publication |