CN111694310A - 一种智能数据采集分析系统及其方法 - Google Patents
一种智能数据采集分析系统及其方法 Download PDFInfo
- Publication number
- CN111694310A CN111694310A CN202010596596.1A CN202010596596A CN111694310A CN 111694310 A CN111694310 A CN 111694310A CN 202010596596 A CN202010596596 A CN 202010596596A CN 111694310 A CN111694310 A CN 111694310A
- Authority
- CN
- China
- Prior art keywords
- curve
- waveform
- equipment
- sensor
- samples
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种智能数据采集分析系统及其方法,包括若干传感器、数据采集卡、PC处理机、输入输出口;若干传感器安装在设备待监控部位,传感器数据通过数据采集卡采集并输入至PC处理机中,PC处理机内的处理器收到数据并处理,PC处理机上显示器上进行操作输入和数据反馈。在设备待监控部位所需位置上安装对应传感器;系统对样品进行取样学习,形成基准波形曲线;设置膨胀系数形成波形带;启动设备监测程序模块,采集传感器中形成的工作运行曲线,与波形带对照,设备工作状态。本发明在一套系统中完成各种数据采集、检测和分析,通用性强,具备强大的自我学习能力和分析能力,为未来的自我诊断、自我修复、自我学习的智能化产品奠定基础。
Description
【技术领域】
本发明涉及工业设备在线检测技术,具体涉及一种智能数据采集分析系统及其方法。
【背景技术】
目前随着工业的发展,汽车、机器等各种大型设备装置中都涉及到成千上万个工业零配件。设备对加工产品的精准度要求也随之提高。
现有的机加工设备稳定性、刀具的自动判断与分析、压装过程产品的稳定性、机床加工过程中、主轴对工件或者其它的撞击监控等数据监控软件并不成熟。而且不同的设备,通常配套的是各自专有的系统和软件,同时不具有自我学习能力和分析能力。这给很多机加工设备种类较多的企业带来相当庞大的成本负担,而且维护十分麻烦。
本发明人针对现有的行业问题,开发了一套智能数据采集分析系统及其方法,包含对设备或者产品的各种数据采集和分析模块,功能强大丰富,具备数据稳定性分析与数据的自学习能力,为将来的数字化、无人化操作奠定基础。
因此,为实现上述目的,本发明人开发出一种智能数据采集分析系统及其方法,本案由此产生。
【发明内容】
为解决上述问题,本发明的目的在于提供一种智能数据采集分析系统及其方法,针对各类设备能通过一套智能系统来完成数据采集、检测和分析,通用性强。并且本发明系统中具备强大的自我学习能力和分析能力,为未来的自我诊断、自我修复、自我学习的智能化产品奠定基础。
为实现上述目的,本发明采取的技术方案为:
一种智能数据采集分析系统,包括若干传感器、数据采集卡、PC处理机、输入输出口;若干传感器安装在设备待监控部位,传感器数据通过数据采集卡采集并输入至PC处理机中,PC处理机内的处理器收到数据并处理,PC处理机上显示器上进行操作输入和数据反馈。
一种智能数据采集分析方法,包括以下步骤:
第一步,在设备待监控部位所需位置上安装对应传感器;
第二步,系统对样品进行取样学习,形成基准波形曲线;
第三步,以基准波形曲线为基础设置膨胀系数,形成以基准波形为基础向外扩展的波形带;
第四步,启动设备监测程序模块,采集传感器中形成的工作运行曲线,与波形带对照,判断工作运行曲线是否超过波形带的轮廓线;在波形带内,则判断为设备正常;触碰波形带的轮廓线则判断为设备故障或者异常。
对上述方法还可以进一步完善设置:
所述的第一步中,传感器包括有电流传感器、功率传感器、加速度传感器、压力传感器。
所述的设备监测程序模块,包括有断刀磨损分析模块,在该模块中,传感器采用功率或者电流传感器,传感器安装在待测设备的转轴内上;在取样学习中,选取N个样品,每个样品形成波形曲线,N个样品产生的N条波形曲线重叠后形成基准波形曲线;在运行过程中,刀具进给,设备上加工的产品接触刀头,产生实际的运行曲线,当实际的运行曲线有触碰波形带的轮廓线,则加工刀具异常;当实际的运行曲线有在波形带的轮廓线范围内,则加工刀具工作正常。
所述的断刀磨损分析模块中,设定曲线面积上下限值;当实际的运行曲线波段曲线面积大于上限值,则判断刀具磨损;当实际的运行曲线波段曲线面积小于下限值,则判断刀具断刀。
所述的设备监测程序模块,包括有防撞分析模块,在该模块中,传感器采用加速度传感器,传感器安装在待测设备固定的转轴外侧壁上;在取样学习中,采用N个样品样品进行学习,每个样品形成波形曲线,N个样品产生的N条波形曲线重叠后形成基准波形曲线;在设备运行过程中,产生实际的运行曲线;当实际的运行曲线有触碰波形带的轮廓线,则判断设备异常;反之,则设备工作正常。
所述的设备监测程序模块,包括有压模分析模块,在该模块中,传感器采用压力传感器,传感器安装在压机的下模内;在取样学习中,选取N个样品,每个样品形成波形曲线,N个样品产生的N条波形曲线重叠后形成基准波形曲线;在运行过程中,压机上模下降,待冲压的产品受压,产生实际的运行曲线;当实际的运行曲线有触碰波形带的轮廓线,则判断压机异常;反之,则判断压机正常。
所述的设备监测程序模块,包括有稳定性分析模块,传感器采用加速度传感器,传感器安装在机床主轴外壁的两个轴承处;在取样学习中,选取N个样品,每个样品形成波形曲线,N个样品产生的N条波形曲线重叠后形成基准波形曲线;在运行过程中,机床运转开始工作,两个轴承分别产生实际的振动曲线;当实际的振动曲线有触碰波形带的轮廓线,则判断机床稳定性异常;反之,则判断机床工作稳定。
所述的膨胀系数为设定值,以基准波形曲线上下左右方向扩展,形成波形带。
与现有技术相比,本发明具有如下有益效果:
本发明专利中,是一套通用性强大的智能数据分析系统,可以将传感器放置到各类设备上检测获取波形数据,以学习样品波形为基准,膨胀后形成波形带,设备工作实际运行曲线的波形只要与波形带进行比对分析,即可直观得到检测结果。本系统的计算方式简单,操作方便,可以在加工过程中实时监测,及时反馈当下设备的工作状态,效率高。
【附图说明】
图1是本发明较佳实施例的系统框架示意图;
图2是本发明较佳实施例一中传感器安装示意图;
图3是本发明较佳实施例一中N个样品的基准波形曲线和波形带;
图4是本发明较佳实施例一中设备异常示意图;
图5是本发明较佳实施例一中设备刀具磨损示意图;
图6是本发明较佳实施例二中传感器安装示意图;
图7是本发明较佳实施例二中基准波形曲线和波形带;
图8是本发明较佳实施例二中受外力撞击情况示意图;
图9是本发明较佳实施例三中传感器安装示意图;
图10是本发明较佳实施例三中基准波形曲线和波形带;
图11是本发明较佳实施例四中传感器安装示意图;
图12是本发明较佳实施例四中基准波形曲线和波形带;
图13是本发明较佳实施例四中设备稳定性异常示意图。
【具体实施方式】
请参阅说明书附图所示,对本发明为进行详细说明。
本发明专利的系统主要包括各类传感器、数据采集卡2、PC处理机3、输入输出口4。传感器可以根据实际检测要求配备,比如电流传感器11、功率传感器12、加速度传感器13、压力传感器14。本发明中的各设备监测程序模块,通过不同传感器来采样数据,且传感器位置也根据不同模块安装不同。传感器数据通过数据采集卡2采集并输入至PC处理机3中,PC处理机3内的处理器31作为核心处理单元,在收到数据后进行处理,PC处理机3上显示器32一般采用触摸屏,可以直接进行界面操作,同时进行显示反馈。PC处理机3的信息可以通过输入输出端口4反馈至远程机器设备上。
实施例一,机床的断刀磨损分析模块。
该模块适用于检测分析带有刀具的设备,在运行过程中刀具的工作状态,本实施例中以给汽车五金件打孔操作为例进行说明。参照图2所示,首先产品5固定在转轴6一端,转轴6内部安装有功率或者电流传感器。产品5的外侧设置有刀具7。
第二步,选取N个样品,参照上述步骤安装,启动系统,传感器产生电信号,数据采集卡2上采集该电信号给PC处理机3,PC处理机3上形成单条波形曲线,重复样品学习步骤,直至N个样品均被学习完毕。N个样品产生的N条波形曲线重叠后形成基准波形曲线81,如图3所示。
第三步,设置膨胀系数,膨胀系数是一个自设值,以基准波形曲线为基础,将基准波形曲线上下左右方向扩展,形成一条宽的波形带82,如图4。比如本实施例中是汽车五金件上做打孔操作,可以设置膨胀系数:波形曲线81向上、向下偏移量为1V,向左、向右偏移量为500ms,系统生成波形带82。膨胀系数的设定,与模块前期的自主学习情况有关。当模块学习样品数量N值越大,学习得到的基准波形曲线81越接近实际加工状态,学习程度越高级,这样膨胀系数可以设置越小,从而令分析模块监控更为精准。
在模块中,除了膨胀系数,还设定曲线面积上下限值。曲线面积上下限值用来判断刀具的两个极限状态。曲线面积是一定时间内基准波形曲线81对应水平轴上的面积a。比如本实施中以20ms为单位时间,假定曲线面积的下限值为1000,上限值为3500。实际工作曲线中,如果出现某一段单位时间内的曲线面积大于上限值时,说明刀具已经磨损十分严重。如果当运行曲线波段曲线面积小于下限值,则说明刀具和加工产品接触的摩擦力过小,刀具断刀。
第四步,运行分析模块,刀具进给,产品5接触刀头,产生实际的运行曲线,当实际的运行曲线落入波形带82内,则判断加工刀具正常。当实际的运行曲线有触碰波形带82的轮廓线,则判断加工刀具异常,如图4所示。同时监控运行曲线每一单位时间内的曲线面积上下限值,是否出现刀具两个极限状态,小于下限值为断刀,即刀头有断裂现象,需要更换刀具。大于上限值为磨损,刀具磨损严重,如图5所示,也同样需要更换刀具。
实施例二,设备的防撞分析模块
该模块适用于检测设备运行过程是否有外力撞击。参照图6所示,同样以汽车五金件进行钻孔为例,首先产品5固定在转轴6一端,转轴6外侧壁上安装有加速度传感器13。产品5的外侧设置有刀具7。
第二步,选取N个样品进行取样学习,如实施例一同理,N个样品产生的N条波形曲线重叠后形成基准波形曲线81,学习完毕。
第三步,设置膨胀系数,形成一条宽的波形带82,如图7。比如本实施例中N的数值较大,设置膨胀系数:波形曲线81向上、向下偏移量为0.5V,向左、向右偏移量为300ms,系统生成波形带82。比实施例一学习程度高级,设置的膨胀系数可以小,得到的波形带82更贴近运行曲线。
第四步,运行防撞分析模块,刀具进给,产品接触刀头,产生实际的加工产品曲线。当实际的加工产品曲线落入波形带82的轮廓线内,则判断设备工作正常,运行稳定。当实际的加工产品曲线有触碰波形带的轮廓线,则判断设备振动,有受外力撞击情况,如图8所示。
实施例三,压机产品的压模分析模块。
在该模块中,机加工设备跟实施例一和二不同。压机一般包括上模61、下模62,待加工产品5是轴承类产品,轴承外圈固定在下模62上,加工时上模61下降,上模61下端面的压模63安装轴承内圈,上模61、下模62合模实现轴承内外圈的冲压。在下模内安装有压力传感器14,或监控下压伺服电机电流值如图9所示。
第二步,同样进行采用N个样品进行取样学习,N个样品产生的N条波形曲线重叠后形成基准波形曲线81,学习完毕。
第三步,设置膨胀系数,形成一条宽的波形带82,如图10。本实施例中的设置膨胀系数:波形曲线81向上、向下偏移量为0.5V,向左、向右偏移量为300ms,系统生成波形带82。
第四步,运行压模分析模块,上模61下降,产品受到冲压,产生实际的运行曲线。当实际的运行曲线落入波形带82的轮廓线内,则判断该轴承产品正常,参见图10。当实际的运行曲线有触碰波形带的轮廓线,则判断该轴承产品异常。
实施例四,机床稳定性分析模块。
在该模块中,一般是分析机床设备或者其他带有主轴运转的机加工设备的稳定性。在主轴6外壁的两个轴承65处各自安装一个加速度传感器13,每个传感器采集各自轴承65的信号,如图11所示。
第二步,取同一主轴的两个样品轴承运行N次进行N次取样学习,同一个轴承的N次波形重叠后形成基准波形曲线81,待两个轴承波形均学习完毕,如图12。
第三步,设置膨胀系数,每个轴承形成一条宽的波形带82,由于两个轴承波形接近,以其中一个为例,如图13。设置膨胀系数:波形曲线81向上、向下偏移量为0.5V,向左、向右偏移量为300ms,系统生成波形带82。
第四步,运行机床稳定性分析模块,主轴转动,两个轴承各自产生实际的运行曲线。当实际的两条运行曲线均落入各自波形带82的轮廓线内,则判断机床工作稳定。当实际的加工产品曲线任意一条有触碰其波形带82的轮廓线,则判断机床稳定性异常,如图13。
以上的具体实施方式仅为本创作的较佳实施例,并不用以限制本创作,凡在本创作的精神及原则之内所做的任何修改、等同替换、改进等,均应包含在本创作的保护范围之内。
Claims (9)
1.一种智能数据采集分析系统,其特征在于:包括若干传感器、数据采集卡、PC处理机、输入输出口;若干传感器安装在设备待监控部位,传感器数据通过数据采集卡采集并输入至PC处理机中,PC处理机内的处理器收到数据并处理,PC处理机上显示器上进行操作输入和数据反馈。
2.一种智能数据采集分析方法,其特征在于:包括以下步骤:
第一步,在设备待监控部位所需位置上安装对应传感器;
第二步,系统对样品进行取样学习,形成基准波形曲线;
第三步,以基准波形曲线为基础设置膨胀系数,形成以基准波形为基础向外扩展的波形带;
第四步,启动设备监测程序模块,采集传感器中形成的工作运行曲线,与波形带对照,判断工作运行曲线是否超过波形带的轮廓线;在波形带内,则判断为设备正常;触碰波形带的轮廓线则判断为设备故障或者异常。
3.如权利要求2所述的一种智能数据采集分析方法,其特征在于:所述的第一步中,传感器包括有电流传感器、功率传感器、加速度传感器、压力传感器。
4.如权利要求2所述的一种智能数据采集分析方法,其特征在于:所述的设备监测程序模块,包括有断刀磨损分析模块,在该模块中,传感器采用功率或者电流传感器,传感器安装在待测设备的转轴内上;在取样学习中,选取N个样品,每个样品形成波形曲线,N个样品产生的N条波形曲线重叠后形成基准波形曲线;在运行过程中,刀具进给,设备上加工的产品接触刀头,产生实际的运行曲线,当实际的运行曲线有触碰波形带的轮廓线,则加工刀具异常;当实际的运行曲线有在波形带的轮廓线范围内,则加工刀具工作正常。
5.如权利要求2或3所述的一种智能数据采集分析方法,其特征在于:所述的断刀磨损分析模块中,设定曲线面积上下限值;当实际的运行曲线波段曲线面积大于上限值,则判断刀具磨损;当实际的运行曲线波段曲线面积小于下限值,则判断刀具断刀。
6.如权利要求2所述的一种智能数据采集分析方法,其特征在于:所述的设备监测程序模块,包括有防撞分析模块,在该模块中,传感器采用加速度传感器,传感器安装在待测设备固定的转轴外侧壁上;在取样学习中,采用N个样品样品进行学习,每个样品形成波形曲线,N个样品产生的N条波形曲线重叠后形成基准波形曲线;在设备运行过程中,产生实际的运行曲线;当实际的运行曲线有触碰波形带的轮廓线,则判断设备异常;反之,则设备工作正常。
7.如权利要求2所述的一种智能数据采集分析方法,其特征在于:所述的设备监测程序模块,包括有压模分析模块,在该模块中,传感器采用压力传感器,传感器安装在压机的下模内;在取样学习中,选取N个样品,每个样品形成波形曲线,N个样品产生的N条波形曲线重叠后形成基准波形曲线;在运行过程中,压机上模下降,待冲压的产品受压,产生实际的运行曲线;当实际的运行曲线有触碰波形带的轮廓线,则判断压机异常;反之,则判断压机正常。
8.如权利要求2所述的一种智能数据采集分析方法,其特征在于:所述的设备监测程序模块,包括有稳定性分析模块,传感器采用加速度传感器,传感器安装在机床主轴外壁的两个轴承处;在取样学习中,选取N个样品,每个样品形成波形曲线,N个样品产生的N条波形曲线重叠后形成基准波形曲线;在运行过程中,机床运转开始工作,两个轴承分别产生实际的振动曲线;当实际的振动曲线有触碰波形带的轮廓线,则判断机床稳定性异常;反之,则判断机床工作稳定。
9.如权利要求2所述的一种智能数据采集分析方法,其特征在于:所述的膨胀系数为设定值,以基准波形曲线上下左右方向扩展,形成波形带。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596596.1A CN111694310A (zh) | 2020-06-28 | 2020-06-28 | 一种智能数据采集分析系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596596.1A CN111694310A (zh) | 2020-06-28 | 2020-06-28 | 一种智能数据采集分析系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111694310A true CN111694310A (zh) | 2020-09-22 |
Family
ID=72483766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010596596.1A Pending CN111694310A (zh) | 2020-06-28 | 2020-06-28 | 一种智能数据采集分析系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111694310A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06198547A (ja) * | 1993-01-07 | 1994-07-19 | Kubota Corp | 回転式刃具の折損予知方法 |
CN106125667A (zh) * | 2016-03-10 | 2016-11-16 | 上海永趋智能科技有限公司 | 数控加工在线监控系统及方法 |
CN106863008A (zh) * | 2015-12-11 | 2017-06-20 | 周萍萍 | 一种基于图像分析的刀具监控方法及系统 |
CN110421408A (zh) * | 2019-07-02 | 2019-11-08 | 绍兴安迪自动化设备有限公司 | 一种刀具磨损状态的监测方法 |
CN111113150A (zh) * | 2019-12-31 | 2020-05-08 | 北京航空航天大学 | 一种机床刀具状态的监控方法 |
-
2020
- 2020-06-28 CN CN202010596596.1A patent/CN111694310A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06198547A (ja) * | 1993-01-07 | 1994-07-19 | Kubota Corp | 回転式刃具の折損予知方法 |
CN106863008A (zh) * | 2015-12-11 | 2017-06-20 | 周萍萍 | 一种基于图像分析的刀具监控方法及系统 |
CN106125667A (zh) * | 2016-03-10 | 2016-11-16 | 上海永趋智能科技有限公司 | 数控加工在线监控系统及方法 |
CN110421408A (zh) * | 2019-07-02 | 2019-11-08 | 绍兴安迪自动化设备有限公司 | 一种刀具磨损状态的监测方法 |
CN111113150A (zh) * | 2019-12-31 | 2020-05-08 | 北京航空航天大学 | 一种机床刀具状态的监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6937942B2 (en) | Method and apparatus of detecting tool abnormality in a machine tool | |
CN109834513B (zh) | 刀具状态检测系统及方法 | |
CN104750027B (zh) | 一种基于机床主轴功率信号的刀具破损预警系统 | |
TWI472399B (zh) | Online cutting tool real-time monitoring method | |
US20070088454A1 (en) | System and method for troubleshooting a machine | |
CN110045679B (zh) | 基于边缘计算的机床多源数据采集与数据质量评估方法 | |
CN108620950B (zh) | 一种车削刀具加工状态监测方法及系统 | |
CN104808585A (zh) | 一种机床健康状态快速检查方法 | |
CN109500657B (zh) | 一种基于视觉的断刀检测方法及系统 | |
O’Donnell et al. | Towards the improvement of tool condition monitoring systems in the manufacturing environment | |
CN101879690A (zh) | 一种基于多传感器信号的批量钻削工序质量监测方法 | |
EP4116784A1 (en) | Diagnostic system, diagnostic method, and carrier medium | |
CN111124796A (zh) | 数据生成装置、调试装置、数据生成方法及数据生成程序 | |
CN105807716B (zh) | 再制造机床健康监测系统 | |
CN113341879A (zh) | 一种数控机床的数据采集与监控方法及系统 | |
CN111487924B (zh) | 一种基于生产线多源异构数据的刀具破损分析方法 | |
Brophy et al. | AI-based condition monitoring of the drilling process | |
CN111694310A (zh) | 一种智能数据采集分析系统及其方法 | |
CN113600896A (zh) | 一种数控机床铣刀磨损状态信号监测方法 | |
Dayam et al. | In-process dimension monitoring system for integration of legacy machine tools into the industry 4.0 framework | |
JP2020067776A (ja) | 工作機械の異常診断システム、異常診断方法、異常診断プログラム | |
CN211728547U (zh) | 基于振动的高灵敏度数控机床加工过程断刀实时监测装置 | |
CN111123850A (zh) | 技术诀窍生成装置、技术诀窍生成方法以及技术诀窍生成程序 | |
CN111598251A (zh) | 一种基于机器学习的cnc预测性维护系统及方法 | |
CN205644242U (zh) | 再制造机床健康监测系统 |
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 |