CN111598251A - 一种基于机器学习的cnc预测性维护系统及方法 - Google Patents
一种基于机器学习的cnc预测性维护系统及方法 Download PDFInfo
- Publication number
- CN111598251A CN111598251A CN201910127658.1A CN201910127658A CN111598251A CN 111598251 A CN111598251 A CN 111598251A CN 201910127658 A CN201910127658 A CN 201910127658A CN 111598251 A CN111598251 A CN 111598251A
- Authority
- CN
- China
- Prior art keywords
- data
- cnc
- cloud platform
- machine tool
- service cloud
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 238000012423 maintenance Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 21
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000003754 machining Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013500 data storage Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Factory Administration (AREA)
- Numerical Control (AREA)
Abstract
本发明公开一种基于机器学习的CNC预测性维护系统及方法,包括CNC状态监控系统,用于数控机床的运行状态数据、工件生产过程数据的采集和监控,并将信息数据通过数据传输网络发送至CNC服务云平台;数据传输网络,用于将采集的数据通过WiFi、ZigBee以及GPRS等无线通信方式发送到CNC服务云平台;CNC服务云平台,用于将采集的数据进行存储、建模和分析处理;移动终端,用于将采集的数据以及分析结果显示在智能手机与平板电脑上。本发明又公开了一种基于机器学习的CNC预测性维护方法包括以下步骤:S1,CNC数据采集与传输;S2,数据存储;S3,数据的分析与处理;S4,数据的推送。本发明有助于对CNC设备进行预测性维护,提高检测准确性,避免事故发生。
Description
技术领域
本发明属于数控机床智能检测相关技术领域,涉及一种基于机器学习的CNC预测性维护系统及方法。
背景技术
随着科技的进步与技术的发展,现代制造业发生了革命性的变化,自动化、智能化和无人化成为数控机床的发展趋势。对于长期运行的数控机床设备和系统,降低设备的故障率是保证高效生产效率的关键。因此,预测性维护策略正逐渐受到技术人员的关注。
预测性维护是通过安装在生产设备上的各类传感器等监测装置,实时采集生产设备产生的各类数据,确保在不影响设备生产的情况下实现对设备的运行状态评估。这种方法能够使得管理者极大的降低了损失和风险成本,既可以不停止设备生产,又能够实时收集和分析设备产生的维护数据,只有存在较大的故障发生或者有明显的故障发生趋势时才会停止设备运行,进行设备检测与维护。由此可见,如何将从生产设备采集到的海量数据进行存储和有效分析是实现预测性维护策略的关键。
传统的预测性维护的数据存储与分析方法具有以下不足:
1.数据存储手段单一,仅仅依靠设备单独配置的移动存储设备,设备存储量小,需定期导出,严重浪费人力物力;
2.数据处理方法简单,没有对数据进行深度处理,影响分析结果。
综上可知,如何以技术手段实现对数控机床设备数据的存储与分析,提出CNC预测性维护分析方案是一个亟待解决的问题。
发明内容
针对现有技术存在的问题,本发明提供一种基于机器学习的CNC预测性维护系统及方法,能够有效提高数据的存储与分析效果。
本发明采用以下技术方案实现。
一种基于机器学习的CNC预测性维护系统,包含:
CNC状态监控系统,用于数控机床的运行状态数据、工件生产过程数据的采集和监控,并将信息数据通过数据传输网络发送至CNC服务云平台;
数据传输网络,用于将采集的数据通过WiFi、ZigBee以及GPRS等无线通信方式发送到CNC服务云平台;
CNC服务云平台,用于将采集的数据进行存储、建模和分析处理;
移动终端,用于将采集的数据以及分析结果显示在智能手机与平板电脑上。
进一步地,所述CNC状态监控系统,包括:机床控制器、机床加工管理系统;
所述机床控制器,用于根据控制指令协调各个部件进行工件的加工,并将机床运作启停状态、轴启停状态、总功率、进给速度、主轴状态、主轴速度、加速度信号等信息数据传输到数据传输网络。
所述机床加工管理系统,是数控机床内置参数的管理系统,能够实现利用软件采集器采集内部实时的设备运行数据,包括程序执行状态、刀具号、加工各工件的耗时信息、机床坐标、开关控制量值等,将采集的工件加工数据信息传输到数据传输网络。
进一步地,所述CNC服务云平台,包括:数据库模块、系统管理模块、数据分析模块;
所述数据库模块,用于存储数据信息。
所述系统管理模块,用于管理各种数据信息,包括:CNC的运行状态数据、分析模型的数据、用户管理以及权限管理。
所述数据分析模块,用于对数据进行清洗、特征提取、故障识别,寿命预测。
一种基于机器学习的CNC预测性维护方法,包括如下步骤:
S1,采集数控机床的运行状态数据、工件生产过程数据,并通过数据传输网络将发送至CNC服务云平台;
S2,通过CNC服务云平台将采集的数据存储于数据库模块中;
S3,从数据库模块提取数据,进行数据处理与分析,实现CNC工作状态识别、故障诊断以及确定故障处理方式;
S4,将数据处理与分析结果推送至移动终端。
进一步地,所述步骤S3的具体步骤为:
S31,数据筛选,为确保数据的可靠性需要剔除重复、近似以及无效数据;
S32,数据归一化处理,将有量纲的表达式,变换化为无量纲的表达式,标准化处理后的数据具有统一的数据格式,方便进行数据挖掘;
S33,采用机器学习方法进行CNC故障识别。
进一步地,所述步骤S33中机器学习方法采用K均值算法,具体步骤为:
S331,随机选择k个样本作为初始质心;
S332,设定迭代中止条件,实施迭代,利用欧式距离法获取每个样本与初始质心的距离,将其余样本分配到最临近的聚类中央;
S333,从数据库模块提取数据,进行数据处理与分析,实现CNC工作状态识别、故障诊断以及确定故障处理方式;
S334,更新初始质心,根据相似度准则将数据对象分配到最接近的聚类中心,再对对象进行重分配;
S335,循环步骤S332和S333,一旦符合迭代条件则循环停止;
S336,建立专家知识库,优化完善分类器,加入故障处理方式;
S337,故障诊断,将数控机床的运行状态数据、工件生产过程数据作为分类器的输入,进行相似度比较,进而实现CNC工作状态识别、故障诊断以及确定故障处理方式。
本发明的上述技术方案的有益效果如下:
(1)将传感器、无线网络、数据库三者进行融合,CNC只需完成数据的采集并通过无线网络上传至云平台,在云平台完成数据存储、处理与分析,实现CNC工作状态识别、故障诊断以及确定故障处理方式,无需依靠复杂的诊断设备即可完成设备的诊断与分析;
(2)采用机器学习方法进行CNC故障识别,能对CNC实时工作运行状态进行监测,监测过程无需人为操作。
附图说明
图1是一种基于机器学习的CNC预测性维护系统的结构示意图;
图2是一种基于机器学习的CNC预测性维护方法的流程示意图;
图3是本发明数据处理与分析方法的流程示意图;
图4是本发明机器学习方法的流程示意图。
具体实施方式
下面结合附图和实例对本发明作进一步描述:
参见图1,一种基于机器学习的CNC预测性维护系统,包含:CNC状态监控系统、数据传输网络、CNC服务云平台和移动终端。所述的CNC状态监控系统,用于数控机床的运行状态数据、工件生产过程数据的采集和监控,并将信息数据通过数据传输网络发送至CNC服务云平台;所述的数据传输网络,用于将采集的数据通过WiFi、ZigBee以及GPRS等无线通信方式发送到CNC服务云平台;所述的CNC服务云平台,用于将采集的数据进行存储、建模和分析处理;所述的移动终端,用于将采集的数据以及分析结果显示在智能手机与平板电脑上。
进一步地,所述CNC状态监控系统,包括:机床控制器、机床加工管理系统;所述机床控制器,用于根据控制指令协调各个部件进行工件的加工,并将机床运作启停状态、轴启停状态、总功率、进给速度、主轴状态、主轴速度、加速度信号等信息数据传输到数据传输网络;所述机床加工管理系统,是数控机床内置参数的管理系统,能够实现利用软件采集器采集内部实时的设备运行数据,包括程序执行状态、刀具号、加工各工件的耗时信息、机床坐标、开关控制量值等,将采集的工件加工数据信息传输到数据传输网络。
进一步地,所述CNC服务云平台,包括:数据库模块、系统管理模块、数据分析模块;所述数据库模块,用于存储数据信息;所述系统管理模块,用于管理各种数据信息,包括:CNC的运行状态数据、分析模型的数据、用户管理以及权限管理;所述数据分析模块,用于对数据进行清洗、特征提取、故障识别,寿命预测。
参见图2,本发明的一种基于机器学习的CNC预测性维护方法,其特征在于,包括如下步骤:
S1,采集数控机床的运行状态数据、工件生产过程数据,并通过数据传输网络将发送至CNC服务云平台;
S2,通过CNC服务云平台将采集的数据存储于数据库模块中;
S3,从数据库模块提取数据,进行数据处理与分析,实现CNC工作状态识别、故障诊断以及确定故障处理方式;
S4,将数据处理与分析结果推送至移动终端。
参见图3,所述步骤S3的具体步骤为:
S31,数据筛选,为确保数据的可靠性需要剔除重复、近似以及无效数据;
S32,数据归一化处理,将有量纲的表达式,变换化为无量纲的表达式,标准化处理后的数据具有统一的数据格式,方便进行数据挖掘;
S33,采用机器学习方法进行CNC故障识别。
参见图4,所述步骤S33中机器学习方法采用K均值算法,具体步骤为:
S331,随机选择k个样本作为初始质心;
S332,设定迭代中止条件,实施迭代,利用欧式距离法获取每个样本与初始质心的距离,将其余样本分配到最临近的聚类中央;
S333,从数据库模块提取数据,进行数据处理与分析,实现CNC工作状态识别、故障诊断以及确定故障处理方式;
S334,更新初始质心,根据相似度准则将数据对象分配到最接近的聚类中心,再对对象进行重分配;
S335,循环步骤S332和S333,一旦符合迭代条件则循环停止;
S336,建立专家知识库,优化完善分类器,加入故障处理方式;
S337,故障诊断,将数控机床的运行状态数据、工件生产过程数据作为分类器的输入,进行相似度比较,进而实现CNC工作状态识别、故障诊断以及确定故障处理方式。
Claims (7)
1.一种基于机器学习的CNC预测性维护系统,其特征是,包括:
CNC状态监控系统,用于数控机床的运行状态数据、工件生产过程数据的采集和监控,并将信息数据通过数据传输网络发送至CNC服务云平台;
数据传输网络,用于将采集的数据通过WiFi、ZigBee以及GPRS等无线通信方式发送到CNC服务云平台;
CNC服务云平台,用于将采集的数据进行存储、建模和分析处理;
移动终端,用于将采集的数据以及分析结果显示在智能手机与平板电脑上。
2.根据权利要求1所述的一种基于机器学习的CNC预测性维护系统,其特征在于,所述CNC状态监控系统,包括:机床控制器、机床加工管理系统;
所述机床控制器,用于根据控制指令协调各个部件进行工件的加工,并将机床运作启停状态、轴启停状态、总功率、进给速度、主轴状态、主轴速度、加速度信号等信息数据传输到数据传输网络;
所述机床加工管理系统,是数控机床内置参数的管理系统,能够实现利用软件采集器采集内部实时的设备运行数据,包括程序执行状态、刀具号、加工各工件的耗时信息、机床坐标、开关控制量值等,将采集的工件加工数据信息传输到数据传输网络。
3.根据权利要求1所述的一种基于机器学习的CNC预测性维护系统,其特征在于,所述CNC服务云平台,包括:数据库模块、系统管理模块、数据分析模块;
所述数据库模块,用于存储数据信息;
所述系统管理模块,用于管理各种数据信息,包括:CNC的运行状态数据、分析模型的数据、用户管理以及权限管理;
所述数据分析模块,用于对数据进行清洗、特征提取、故障识别,寿命预测。
4.一种基于机器学习的CNC预测性维护方法,其特征是,包括如下步骤:
S1,采集数控机床的运行状态数据、工件生产过程数据,并通过数据传输网络将发送至CNC服务云平台;
S2,通过CNC服务云平台将采集的数据存储于数据库模块中;
S3,从数据库模块提取数据,进行数据处理与分析,实现CNC工作状态识别、故障诊断以及确定故障处理方式;
S4,将数据处理与分析结果推送至移动终端。
5.根据权利要求4所述的一种基于机器学习的CNC预测性维护方法,其特征在于,所述步骤S3的步骤为:
S31,数据筛选,为确保数据的可靠性需要剔除重复、近似以及无效数据;
S32,数据归一化处理,将有量纲的表达式,变换化为无量纲的表达式,标准化处理后的数据具有统一的数据格式,方便进行数据挖掘;
S33,采用机器学习方法进行CNC故障识别。
7.根据权利要求5所述的一种基于机器学习的CNC预测性维护方法,其特征在于步骤S33中,所述机器学习方法采用K均值算法,具体步骤为:
S331,随机选择k个样本作为初始质心;
S332,设定迭代中止条件,实施迭代,利用欧式距离法获取每个样本与初始质心的距离,将其余样本分配到最临近的聚类中央;
S333,从数据库模块提取数据,进行数据处理与分析,实现CNC工作状态识别、故障诊断以及确定故障处理方式;
S334,更新初始质心,根据相似度准则将数据对象分配到最接近的聚类中心,再对对象进行重分配;
S335,循环步骤S332和S333,一旦符合迭代条件则循环停止;
S336,建立专家知识库,优化完善分类器,加入故障处理方式;
S337,故障诊断,将数控机床的运行状态数据、工件生产过程数据作为分类器的输入,进行相似度比较,进而实现CNC工作状态识别、故障诊断以及确定故障处理方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910127658.1A CN111598251B (zh) | 2019-02-20 | 2019-02-20 | 一种基于机器学习的cnc预测性维护系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910127658.1A CN111598251B (zh) | 2019-02-20 | 2019-02-20 | 一种基于机器学习的cnc预测性维护系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598251A true CN111598251A (zh) | 2020-08-28 |
CN111598251B CN111598251B (zh) | 2023-08-25 |
Family
ID=72189983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910127658.1A Active CN111598251B (zh) | 2019-02-20 | 2019-02-20 | 一种基于机器学习的cnc预测性维护系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598251B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077061A (zh) * | 2021-02-20 | 2021-07-06 | 上海琥崧智能科技股份有限公司 | 一种基于生产数据挖掘的设备预测性维护系统 |
CN114675597A (zh) * | 2022-05-30 | 2022-06-28 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床故障预测可视化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170180214A1 (en) * | 2015-12-16 | 2017-06-22 | International Business Machines Corporation | On-Demand Remote Predictive Monitoring For Industrial Equipment Analysis and Cost Forecast |
CN108279641A (zh) * | 2018-01-25 | 2018-07-13 | 深圳市智物联网络有限公司 | 一种cnc调机方法及其系统 |
CN108594761A (zh) * | 2018-04-25 | 2018-09-28 | 河北工业大学 | 一种基于初始温度保持策略的电主轴热误差主动控制方法 |
CN109032150A (zh) * | 2018-10-16 | 2018-12-18 | 山东师范大学 | 基于遗传算法分段优化的轨道式自动引导车动态调度方法 |
-
2019
- 2019-02-20 CN CN201910127658.1A patent/CN111598251B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170180214A1 (en) * | 2015-12-16 | 2017-06-22 | International Business Machines Corporation | On-Demand Remote Predictive Monitoring For Industrial Equipment Analysis and Cost Forecast |
CN108279641A (zh) * | 2018-01-25 | 2018-07-13 | 深圳市智物联网络有限公司 | 一种cnc调机方法及其系统 |
CN108594761A (zh) * | 2018-04-25 | 2018-09-28 | 河北工业大学 | 一种基于初始温度保持策略的电主轴热误差主动控制方法 |
CN109032150A (zh) * | 2018-10-16 | 2018-12-18 | 山东师范大学 | 基于遗传算法分段优化的轨道式自动引导车动态调度方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077061A (zh) * | 2021-02-20 | 2021-07-06 | 上海琥崧智能科技股份有限公司 | 一种基于生产数据挖掘的设备预测性维护系统 |
CN114675597A (zh) * | 2022-05-30 | 2022-06-28 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床故障预测可视化方法 |
CN114675597B (zh) * | 2022-05-30 | 2022-08-26 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床故障预测可视化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111598251B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
CN108227625A (zh) | 工具寿命推断装置 | |
CN110032557B (zh) | 一种基于大数据的电网设备状态异常监测方法及系统 | |
CN109396953A (zh) | 基于信号融合的机床工作状态智能辨识系统 | |
TWI618018B (zh) | 應用電力用量特徵之製造管理方法及其系統 | |
CN104794492B (zh) | 基于功率特征模型的机床设备加工运行状态在线识别方法 | |
CN111598251B (zh) | 一种基于机器学习的cnc预测性维护系统及方法 | |
CN115685946B (zh) | 一种智能用电采集终端生产质量管控方法及系统 | |
CN113887749A (zh) | 基于云边协同的电力物联网多维度监控处置方法、设备及平台 | |
CN114186617B (zh) | 一种基于分布式深度学习的机械故障诊断方法 | |
CN116187725A (zh) | 一种用于锻造自动线的锻造设备管理系统 | |
CN117078227A (zh) | 一种基于标识解析的环境监测运维平台 | |
CN111273607A (zh) | 基于Spark的数控机床运行状态监测方法 | |
CN116562599A (zh) | 基于深度学习的高效智能工厂调度系统 | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
CN113780354B (zh) | 调度自动化主站系统遥测数据异常识别方法和装置 | |
CN108829084A (zh) | 一种基于粒子滤波的分布式智能故障诊断方法及其装置 | |
CN107992990A (zh) | 一种基于虚拟融合的智能化监控装置 | |
CN111774932B (zh) | 一种刀具健康状况在线监测方法、装置及系统 | |
CN114633266A (zh) | 一种基于协同机器人的混合人-机动力电池拆解的新系统 | |
CN108062083B (zh) | 一种制造业无人自主上料检测与分拣系统及其控制工艺 | |
CN213482933U (zh) | 一种基于状态的工件生产设备维护监测装置 | |
CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 | |
CN212399562U (zh) | 一种糖厂分蜜机巡检智能机器人系统 | |
Tseng et al. | The design of a single-chip tool monitoring system for on-line turning operation |
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 | ||
CP03 | Change of name, title or address |
Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523128 Patentee after: Guangdong Prophet Big Data Co.,Ltd. Country or region after: China Address before: 523128 Room 301, R & D building, No. 2, Weifeng Road, Niushan Waijing Industrial Park, Dongcheng District, Dongguan City, Guangdong Province Patentee before: Dongguan prophet big data Co.,Ltd. Country or region before: China |
|
CP03 | Change of name, title or address |