CN111702557A - 铣床在铣削键槽时的异常诊断方法及设备 - Google Patents
铣床在铣削键槽时的异常诊断方法及设备 Download PDFInfo
- Publication number
- CN111702557A CN111702557A CN202010361498.XA CN202010361498A CN111702557A CN 111702557 A CN111702557 A CN 111702557A CN 202010361498 A CN202010361498 A CN 202010361498A CN 111702557 A CN111702557 A CN 111702557A
- Authority
- CN
- China
- Prior art keywords
- milling
- milling machine
- limit threshold
- quantile
- characteristic data
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
Abstract
本发明的目的是提供一种铣床在铣削键槽时的异常诊断方法及设备,本发明通过在铣床运行期间收集地数据,可以识别出铣床“正常”状态下的上限阈值和下限阈值的范围。本发明将键槽的铣削过程,按层合理地切分为多个阶段,对每个阶段进行诊断。后续诊断过程中,当收到偏离“正常”状态时待检测特征数据时,可以触发异常警告。本发明可以有效地提高产品质量,避免设备的的计划外停机,降低维护成本,提高经济效益。
Description
技术领域
本发明涉及机械和信息技术的交叉领域,尤其涉及一种铣床在铣削键槽时的异常诊断方法及设备。
背景技术
键传动是一种应用广泛的传动方式,需要在轴或孔内加工出一条与键相匹配的槽,成为“键槽”,用来安装键,以传递扭矩。在轴上加工键槽,通常利用数控(CNC)铣床在轴表面的铣出键槽。在加工过程中,CNC铣床的稳定性、冷却条件是否良好、工具材料是否均匀等因素都会影响最终加工好键槽的质量。
发明内容
本发明的一个目的是提供一种铣床在铣削键槽时的异常诊断方法及设备。
根据本发明的一个方面,提供了一种铣床在铣削键槽时的异常诊断方法,该方法主要通过学习正常的样本,感知铣床在铣削键槽时的正常特征,在铣床在铣削过程中收到一个偏离正常区间较大的特征信号时,给出异常报警。
一种铣床在铣削键槽时的异常诊断方法,其中,该方法包括:
收集铣床铣削键槽的每一层所对应的特征数据;
基于所述特征数据训练对应的上分位数和下分位数;
基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值;
获取铣床铣削键槽的一层所对应的待诊断特征数据;
判断所述待诊断特征数据是否在所述上限阈值和下限阈值的范围内,
若在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时正常;
若不在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时异常。
进一步的,上述方法中,所述特征数据包括:铣床的铣刀的主轴的电流的最大值、最小值、平均值、中位数和/或标准差,铣床的铣刀的主轴的电压的最大值、最小值、平均值、中位数和/或标准差。
进一步的,上述方法中,基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值,包括:
根据如下公式计算上限阈值和下限阈值:
容差范围S=(上分位数-下分位数)*K为,K记作裕度系数,下分位数<上分位数;
上限阈值=上分位+S;
下限阈值=下分位数–S。
进一步的,上述方法中,收集铣床铣削键槽的每一层所对应的特征数据,包括:
集铣床铣削键槽的过程中,获取与所述主轴连接的X轴编码器的数据,其中,所述X轴编码器推动主轴沿所述键槽的长方向的运动;
将X轴编码器的数据中的每一个波峰提取出来;
基于每一个波峰,收集铣床铣削键槽的每一层所对应的特征数据。
根据本发明的另一方面,还提供了一种铣床在铣削键槽时的异常诊断设备,其中,该设备包括:
第一装置,用于收集铣床铣削键槽的每一层所对应的特征数据;
第二装置,用于基于所述特征数据训练对应的上分位数和下分位数;
第三装置,用于基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值;
第四装置,用于获取铣床铣削键槽的一层所对应的待诊断特征数据;
第五装置,用于判断所述待诊断特征数据是否在所述上限阈值和下限阈值的范围内,若在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时正常;若不在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时异常。
进一步的,上述设备中,所述特征数据包括:铣床的铣刀的主轴的电流的最大值、最小值、平均值、中位数和/或标准差,铣床的铣刀的主轴的电压的最大值、最小值、平均值、中位数和/或标准差。
进一步的,上述设备中,所述第三装置,用于根据如下公式计算上限阈值和下限阈值:
容差范围S=(上分位数-下分位数)*K为,K记作裕度系数,下分位数<上分位数;
上限阈值=上分位+S;
下限阈值=下分位数–S。
进一步的,上述设备中,所述第一装置,用于集铣床铣削键槽的过程中,获取与所述主轴连接的X轴编码器的数据,其中,所述X轴编码器推动主轴沿所述键槽的长方向的运动;将X轴编码器的数据中的每一个波峰提取出来;基于每一个波峰,收集铣床铣削键槽的每一层所对应的特征数据。
根据本发明的另一方面,还提供了一种基于计算的设备,其中,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
收集铣床铣削键槽的每一层所对应的特征数据;
基于所述特征数据训练对应的上分位数和下分位数;
基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值;
获取铣床铣削键槽的一层所对应的待诊断特征数据;
判断所述待诊断特征数据是否在所述上限阈值和下限阈值的范围内,
若在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时正常;
若不在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时异常。
根据本发明的另一方面,还提供了一种计算机可读存储介质,其上存储有计算机可执行指令,其中,该计算机可执行指令被处理器执行时使得该处理器:
收集铣床铣削键槽的每一层所对应的特征数据;
基于所述特征数据训练对应的上分位数和下分位数;
基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值;
获取铣床铣削键槽的一层所对应的待诊断特征数据;
判断所述待诊断特征数据是否在所述上限阈值和下限阈值的范围内,
若在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时正常;
若不在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时异常。
与现有技术相比,本发明通过在铣床运行期间收集地数据,可以识别出铣床“正常”状态下的上限阈值和下限阈值的范围。本发明将键槽的铣削过程,按层合理地切分为多个阶段,对每个阶段进行诊断。后续诊断过程中,当收到偏离“正常”状态时待检测特征数据时,可以触发异常警告。本发明可以有效地提高产品质量,避免设备的的计划外停机,降低维护成本,提高经济效益。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出本发明一个实施例的铣床在铣削键槽时的异常诊断方法的原理图;
图2示出本发明一个实施例的铣床的各轴数据示意图;
图3示出本发明一个实施例的铣床的铣刀的示意图;
图4示出本发明一个实施例的X轴编码器的波峰示意图;
图5示出本发明一个实施例的铣床诊断模型示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本发明提供一种铣床在铣削键槽时的异常诊断方法,所述方法包括:
步骤S1,收集铣床铣削键槽的每一层所对应的特征数据;
在此,可以针对CNC铣床,收集机床生产过程中的主轴转速、电流、电压、扭矩数据,及收集与所述主轴连接的X、Y、Z轴的编码器数据,如图2所示;
步骤S2,基于所述特征数据训练对应的上分位数和下分位数;
步骤S3,基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值;
步骤S4,获取铣床铣削键槽的一层所对应的待诊断特征数据;
步骤S5,判断所述待诊断特征数据是否在所述上限阈值和下限阈值的范围内,
步骤S6,若在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时正常;
步骤S7,若不在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时异常。
在此,得到上限阈值、下限阈值,将认为特征数据在上限阈值和下限阈值之间为正常,超出这个区间为异常。之后加工键槽时,期间用建立模型时相同的方法提取待诊断特征数据,将待诊断特征数据与阈值线作比较,超出范围则判定为异常。
训练时可以获取不同种类的特征数据,然后得到每一种特征数据对应的上限阈值和下限阈值。后续诊断时,可以基于一种或多种特征数据对应的上限阈值和下限阈值,判断铣床在铣削键槽时是否正常。
模型效果及界面,如图5所示,图中的气球标记处表示判定结果为异常。
现有的一些追加额外的传感器的技术,比如振动,温度传感器,可以一定程度实现异常诊断功能,但是安装传感器的成本,现场的空间限制和后期改造可能带来的新的问题隐患导致追加新的硬件。本发明不追加任何传感器,可以采用CNC系统内部变量进行建模。
本发明通过在铣床运行期间收集地数据,可以识别出铣床“正常”状态下的上限阈值和下限阈值的范围。本发明将键槽的铣削过程,按层合理地切分为多个阶段,对每个阶段进行诊断。后续诊断过程中,当收到偏离“正常”状态时待检测特征数据时,可以触发异常警告。本发明可以有效地提高产品质量,避免设备的的计划外停机,降低维护成本,提高经济效益。
具体的,如图1所示,横轴与纵轴分别代表两个不同的特征,在一个坐标系中这些特征的分布就划分了若干区域,这其中既有健康状态的分布区域,也有不同故障或异常模式下的分布区域。将这些区域分别建模时候,在制造系统的运行过程中这个分布可能会慢慢偏移,这时与正常状态和某一类异常状态可能同时有所重叠,那么其与正常状态的相似程度就代表它的健康值,与故障状态的相似程度就代表了其故障风险,可以将这个相似程度进行量化(比如0-1)。随着时间的推移,这个分布可能会有慢慢向某一个状态发展的趋势,所量化的结果就形成了一个时间序列,这个时间序列代表的就是衰退的轨迹,进而对这个趋势的未来发展进行预测,就可以推断出在未来的什么时间会发生什么问题或故障。
本发明的铣床在铣削键槽时的异常诊断方法一实施例中,所述特征数据包括:铣床的铣刀的主轴的电流的最大值、最小值、平均值、中位数和/或标准差,铣床的铣刀的主轴的电压的最大值、最小值、平均值、中位数和/或标准差。
在此,对键槽的每一层,可以计算期间主轴电流和主轴电压的最大值、最小值、平均值、中位数、标准差等特征。
训练时可以获取不同种类的特征数据,例如,分别是主轴的电流的最大值、最小值、平均值、中位数和标准差,及主轴的电压的最大值、最小值、平均值、中位数和标准差共10种特征数据,然后得到每一种特征数据对应的上限阈值和下限阈值。后续诊断时,可以基于一种或多种特征数据对应的上限阈值和下限阈值,判断铣床在铣削键槽时是否正常。
本发明的铣床在铣削键槽时的异常诊断方法一实施例中,步骤S3,基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值,包括:
根据如下公式计算上限阈值和下限阈值:
容差范围S=(上分位数-下分位数)*K为,K记作裕度系数,下分位数<上分位数;
上限阈值=上分位+S;
下限阈值=下分位数–S。
具体的,可以积累一定数量(加工多根键槽)的特征数据之后,对每种特征训练分位数模型,以计算出增量值在Q1、Q2分位数的取值,一般Q1<Q2,因此,Q1为下分位数,Q2为上分位数,其中,分位数指将一个随机变量的概率分布范围分为几个等份的数值点。
容差范围S=(Q2-Q1)*K为,K记作裕度系数,K用于控制容差范围的大小;
上限阈值=Q2+S;
下限阈值=Q1–S。
本发明的铣床在铣削键槽时的异常诊断方法一实施例中,步骤S1,收集铣床铣削键槽的每一层所对应的特征数据,包括:
步骤S11,集铣床铣削键槽的过程中,获取与所述主轴连接的X轴编码器的数据,其中,所述X轴编码器推动主轴沿所述键槽的长方向的运动;
具体的,图3为铣削键槽的走刀轨迹,结合IOT数据可知:铣刀在重复走相同的轨迹,且Z轴的的深度在逐渐加深(即加工深度越来越大),铣刀每走一圈,称为“一层”;可以通过的主轴电机转速,设定当转速高于1500时,认为铣床开始加工,设定当转速低于1500时,认为铣床结束加工;由此,将铣床每一次铣削键槽的过程独立分离出来;
步骤S12,将X轴编码器的数据中的每一个波峰提取出来;
具体的,可以根据X轴电机、Y轴电机的编码器值,可以确定出铣刀在水面坐标系中的位置;如图2所示,X轴编码器表示铣削键槽的沿长方向的运动分量,Y轴编码器表示铣削键槽的沿宽方向的运动分量。只需将X轴编码器(锯齿波)的每一个波峰提取出来,即可以将键槽的每一层分离出来,如图4所示;
步骤S13,基于每一个波峰,收集铣床铣削键槽的每一层所对应的特征数据。
根据本发明另一面,还提供一种铣床在铣削键槽时的异常诊断设备,所述设备包括:
第一装置,用于收集铣床铣削键槽的每一层所对应的特征数据;
在此,可以针对CNC铣床,收集机床生产过程中的主轴转速、电流、电压、扭矩数据,及收集与所述主轴连接的X、Y、Z轴的编码器数据,如图2所示;
第二装置,用于基于所述特征数据训练对应的上分位数和下分位数;
第三装置,用于基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值;
第四装置,用于获取铣床铣削键槽的一层所对应的待诊断特征数据;
第五装置,用于判断所述待诊断特征数据是否在所述上限阈值和下限阈值的范围内,若在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时正常;若不在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时异常。
在此,得到上限阈值、下限阈值,将认为特征数据在上限阈值和下限阈值之间为正常,超出这个区间为异常。之后加工键槽时,期间用建立模型时相同的方法提取待诊断特征数据,将待诊断特征数据与阈值线作比较,超出范围则判定为异常。
训练时可以获取不同种类的特征数据,然后得到每一种特征数据对应的上限阈值和下限阈值。后续诊断时,可以基于一种或多种特征数据对应的上限阈值和下限阈值,判断铣床在铣削键槽时是否正常。
模型效果及界面,如图5所示,图中的气球标记处表示判定结果为异常。
现有的一些追加额外的传感器的技术,比如振动,温度传感器,可以一定程度实现异常诊断功能,但是安装传感器的成本,现场的空间限制和后期改造可能带来的新的问题隐患导致追加新的硬件。本发明不追加任何传感器,可以采用CNC系统内部变量进行建模。
本发明通过在铣床运行期间收集地数据,可以识别出铣床“正常”状态下的上限阈值和下限阈值的范围。本发明将键槽的铣削过程,按层合理地切分为多个阶段,对每个阶段进行诊断。后续诊断过程中,当收到偏离“正常”状态时待检测特征数据时,可以触发异常警告。本发明可以有效地提高产品质量,避免设备的的计划外停机,降低维护成本,提高经济效益。
具体的,如图1所示,横轴与纵轴分别代表两个不同的特征,在一个坐标系中这些特征的分布就划分了若干区域,这其中既有健康状态的分布区域,也有不同故障或异常模式下的分布区域。将这些区域分别建模时候,在制造系统的运行过程中这个分布可能会慢慢偏移,这时与正常状态和某一类异常状态可能同时有所重叠,那么其与正常状态的相似程度就代表它的健康值,与故障状态的相似程度就代表了其故障风险,可以将这个相似程度进行量化(比如0-1)。随着时间的推移,这个分布可能会有慢慢向某一个状态发展的趋势,所量化的结果就形成了一个时间序列,这个时间序列代表的就是衰退的轨迹,进而对这个趋势的未来发展进行预测,就可以推断出在未来的什么时间会发生什么问题或故障。
本发明的铣床在铣削键槽时的异常诊断设备一实施例中,所述特征数据包括:铣床的铣刀的主轴的电流的最大值、最小值、平均值、中位数和/或标准差,铣床的铣刀的主轴的电压的最大值、最小值、平均值、中位数和/或标准差。
在此,对键槽的每一层,可以计算期间主轴电流和主轴电压的最大值、最小值、平均值、中位数、标准差等特征。
训练时可以获取不同种类的特征数据,例如,分别是主轴的电流的最大值、最小值、平均值、中位数和标准差,及主轴的电压的最大值、最小值、平均值、中位数和标准差共10种特征数据,然后得到每一种特征数据对应的上限阈值和下限阈值。后续诊断时,可以基于一种或多种特征数据对应的上限阈值和下限阈值,判断铣床在铣削键槽时是否正常。
本发明的铣床在铣削键槽时的异常诊断设备一实施例中,所述第三装置,用于根据如下公式计算上限阈值和下限阈值:
容差范围S=(上分位数-下分位数)*K为,K记作裕度系数,下分位数<上分位数;
上限阈值=上分位+S;
下限阈值=下分位数–S。
具体的,可以积累一定数量(加工多根键槽)的特征数据之后,对每种特征训练分位数模型,以计算出增量值在Q1、Q2分位数的取值,一般Q1<Q2,因此,Q1为下分位数,Q2为上分位数,其中,分位数指将一个随机变量的概率分布范围分为几个等份的数值点。
容差范围S=(Q2-Q1)*K为,K记作裕度系数,K用于控制容差范围的大小;
上限阈值=Q2+S;
下限阈值=Q1–S。
本发明的铣床在铣削键槽时的异常诊断设备一实施例中,所述第一装置,用于集铣床铣削键槽的过程中,获取与所述主轴连接的X轴编码器的数据,其中,所述X轴编码器推动主轴沿所述键槽的长方向的运动;将X轴编码器的数据中的每一个波峰提取出来;基于每一个波峰,收集铣床铣削键槽的每一层所对应的特征数据。
具体的,图3为铣削键槽的走刀轨迹,结合IOT数据可知:铣刀在重复走相同的轨迹,且Z轴的的深度在逐渐加深(即加工深度越来越大),铣刀每走一圈,称为“一层”;可以通过的主轴电机转速,设定当转速高于1500时,认为铣床开始加工,设定当转速低于1500时,认为铣床结束加工;由此,将铣床每一次铣削键槽的过程独立分离出来;
可以根据X轴电机、Y轴电机的编码器值,可以确定出铣刀在水面坐标系中的位置;如图2所示,X轴编码器表示铣削键槽的沿长方向的运动分量,Y轴编码器表示铣削键槽的沿宽方向的运动分量。只需将X轴编码器(锯齿波)的每一个波峰提取出来,即可以将键槽的每一层分离出来,如图4所示。
本发明的各设备和存储介质实施例的详细内容,具体可参见各方法实施例的对应部分,在此,不再赘述。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
需要注意的是,本发明可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本发明的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本发明的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种铣床在铣削键槽时的异常诊断方法,其中,该方法包括:
收集铣床铣削键槽的每一层所对应的特征数据;
基于所述特征数据训练对应的上分位数和下分位数;
基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值;
获取铣床铣削键槽的一层所对应的待诊断特征数据;
判断所述待诊断特征数据是否在所述上限阈值和下限阈值的范围内,
若在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时正常;
若不在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时异常。
2.根据权利要求1所述的方法,其中,所述特征数据包括:铣床的铣刀的主轴的电流的最大值、最小值、平均值、中位数和/或标准差,铣床的铣刀的主轴的电压的最大值、最小值、平均值、中位数和/或标准差。
3.根据权利要求1所述的方法,其中,基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值,包括:
根据如下公式计算上限阈值和下限阈值:
容差范围S=(上分位数-下分位数)*K为,K记作裕度系数,下分位数<上分位数;
上限阈值=上分位+S;
下限阈值=下分位数–S。
4.根据权利要求1所述的方法,其中,收集铣床铣削键槽的每一层所对应的特征数据,包括:
集铣床铣削键槽的过程中,获取与所述主轴连接的X轴编码器的数据,其中,所述X轴编码器推动主轴沿所述键槽的长方向的运动;
将X轴编码器的数据中的每一个波峰提取出来;
基于每一个波峰,收集铣床铣削键槽的每一层所对应的特征数据。
5.一种铣床在铣削键槽时的异常诊断设备,其中,该设备包括:
第一装置,用于收集铣床铣削键槽的每一层所对应的特征数据;
第二装置,用于基于所述特征数据训练对应的上分位数和下分位数;
第三装置,用于基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值;
第四装置,用于获取铣床铣削键槽的一层所对应的待诊断特征数据;
第五装置,用于判断所述待诊断特征数据是否在所述上限阈值和下限阈值的范围内,若在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时正常;若不在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时异常。
6.根据权利要求5所述的设备,其中,所述特征数据包括:铣床的铣刀的主轴的电流的最大值、最小值、平均值、中位数和/或标准差,铣床的铣刀的主轴的电压的最大值、最小值、平均值、中位数和/或标准差。
7.根据权利要求5所述的设备,其中,所述第三装置,用于根据如下公式计算上限阈值和下限阈值:
容差范围S=(上分位数-下分位数)*K为,K记作裕度系数,下分位数<上分位数;
上限阈值=上分位+S;
下限阈值=下分位数–S。
8.根据权利要求5所述的设备,其中,所述第一装置,用于集铣床铣削键槽的过程中,获取与所述主轴连接的X轴编码器的数据,其中,所述X轴编码器推动主轴沿所述键槽的长方向的运动;将X轴编码器的数据中的每一个波峰提取出来;基于每一个波峰,收集铣床铣削键槽的每一层所对应的特征数据。
9.一种基于计算的设备,其中,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
收集铣床铣削键槽的每一层所对应的特征数据;
基于所述特征数据训练对应的上分位数和下分位数;
基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值;
获取铣床铣削键槽的一层所对应的待诊断特征数据;
判断所述待诊断特征数据是否在所述上限阈值和下限阈值的范围内,
若在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时正常;
若不在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时异常。
10.一种计算机可读存储介质,其上存储有计算机可执行指令,其中,该计算机可执行指令被处理器执行时使得该处理器:
收集铣床铣削键槽的每一层所对应的特征数据;
基于所述特征数据训练对应的上分位数和下分位数;
基于所述特征数据对应的上分位数和下分位数,得到所述特征数据训练对应的上限阈值和下限阈值;
获取铣床铣削键槽的一层所对应的待诊断特征数据;
判断所述待诊断特征数据是否在所述上限阈值和下限阈值的范围内,
若在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时正常;
若不在所述上限阈值和下限阈值的范围内,则判断铣床在铣削键槽时异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361498.XA CN111702557B (zh) | 2020-04-30 | 2020-04-30 | 铣床在铣削键槽时的异常诊断方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361498.XA CN111702557B (zh) | 2020-04-30 | 2020-04-30 | 铣床在铣削键槽时的异常诊断方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111702557A true CN111702557A (zh) | 2020-09-25 |
CN111702557B CN111702557B (zh) | 2022-09-30 |
Family
ID=72536601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010361498.XA Active CN111702557B (zh) | 2020-04-30 | 2020-04-30 | 铣床在铣削键槽时的异常诊断方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111702557B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114043312A (zh) * | 2021-11-26 | 2022-02-15 | 广东海洋大学 | 一种螺旋铣孔状态异常的在线检测识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760820A (zh) * | 2014-02-15 | 2014-04-30 | 华中科技大学 | 数控铣床加工过程状态信息评价装置 |
CN105676778A (zh) * | 2016-01-15 | 2016-06-15 | 深圳吉兰丁智能科技有限公司 | 基于传感器监测的智能制造方法和系统以及加工机床 |
CN107491038A (zh) * | 2016-06-09 | 2017-12-19 | 发那科株式会社 | 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法 |
CN108115206A (zh) * | 2016-11-29 | 2018-06-05 | 日立汽车系统(中国)有限公司 | 利用切削刀具对工件进行加工的方法、控制装置和系统 |
CN108205309A (zh) * | 2016-12-20 | 2018-06-26 | 发那科株式会社 | 异常判定装置以及异常判定方法 |
CN110695769A (zh) * | 2018-07-10 | 2020-01-17 | 发那科株式会社 | 机床的异常检测装置 |
-
2020
- 2020-04-30 CN CN202010361498.XA patent/CN111702557B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760820A (zh) * | 2014-02-15 | 2014-04-30 | 华中科技大学 | 数控铣床加工过程状态信息评价装置 |
CN105676778A (zh) * | 2016-01-15 | 2016-06-15 | 深圳吉兰丁智能科技有限公司 | 基于传感器监测的智能制造方法和系统以及加工机床 |
CN107491038A (zh) * | 2016-06-09 | 2017-12-19 | 发那科株式会社 | 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法 |
CN108115206A (zh) * | 2016-11-29 | 2018-06-05 | 日立汽车系统(中国)有限公司 | 利用切削刀具对工件进行加工的方法、控制装置和系统 |
CN108205309A (zh) * | 2016-12-20 | 2018-06-26 | 发那科株式会社 | 异常判定装置以及异常判定方法 |
CN110695769A (zh) * | 2018-07-10 | 2020-01-17 | 发那科株式会社 | 机床的异常检测装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114043312A (zh) * | 2021-11-26 | 2022-02-15 | 广东海洋大学 | 一种螺旋铣孔状态异常的在线检测识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111702557B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10695884B2 (en) | Tool wear monitoring and predicting method | |
Zhu et al. | Online tool wear monitoring via hidden semi-Markov model with dependent durations | |
CN109901537B (zh) | 用于边缘计算侧的机械设备运行状态监测方法和系统 | |
CN110426634B (zh) | 一种用于驱动系统的异常预测的方法及设备 | |
JP7338743B2 (ja) | 診断装置、診断方法、プログラムおよび診断システム | |
US6845340B2 (en) | System and method for machining data management | |
EP1451550B1 (en) | System and method for identifying the presence of a defect in vibrating machinery | |
Wang et al. | Sensor fusion for online tool condition monitoring in milling | |
CN105171525A (zh) | 机床的诊断方法及系统 | |
US9008823B2 (en) | Cutter chatter monitoring method | |
Girardin et al. | Tool wear detection in milling—An original approach with a non-dedicated sensor | |
US11726469B2 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
US20060089744A1 (en) | Method for managing machine tool data | |
US11536627B2 (en) | Abnormality monitoring device, abnormality monitoring method, and control device | |
CN111191838B (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
CN111702557B (zh) | 铣床在铣削键槽时的异常诊断方法及设备 | |
Chen et al. | Chatter detection in milling processes using frequency-domain Rényi entropy | |
CN114918739B (zh) | 一种机床主轴故障检测方法、装置、终端及存储介质 | |
CN112824988A (zh) | 异常检测装置、异常检测方法以及程序 | |
CN110134070A (zh) | 故障分类装置、故障分类方法以及故障分类程序 | |
CN111457958A (zh) | 港机设备态势监控方法、装置、计算机设备及存储介质 | |
Han et al. | Iterative learning method for drilling depth optimization in peck deep-hole drilling | |
CN113091797B (zh) | 一种监测编码器故障状态的方法及装置 | |
JP2021018753A (ja) | 異常検知装置、異常検知方法、および異常検知プログラム | |
US20230314282A1 (en) | Apparatus and method for status diagnosis of machine tools |
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 |