CN112034789A - 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机 - Google Patents

一种数控机床关键部件及整机的健康评估方法，系统及评估终端机 Download PDF

Info

Publication number
CN112034789A
CN112034789A CN202010864828.7A CN202010864828A CN112034789A CN 112034789 A CN112034789 A CN 112034789A CN 202010864828 A CN202010864828 A CN 202010864828A CN 112034789 A CN112034789 A CN 112034789A
Authority
CN
China
Prior art keywords
health
numerical control
control machine
evaluation
machine tool
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
Application number
CN202010864828.7A
Other languages
English (en)
Other versions
CN112034789B (zh
Inventor
黄祖广
王金江
薛瑞娟
王加哲
高知国
张培森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
QUALITY SUPERVISION AND INSPECTION CT OF CHINA MACHINE TOOL
Original Assignee
QUALITY SUPERVISION AND INSPECTION CT OF CHINA MACHINE TOOL
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by QUALITY SUPERVISION AND INSPECTION CT OF CHINA MACHINE TOOL filed Critical QUALITY SUPERVISION AND INSPECTION CT OF CHINA MACHINE TOOL
Priority to CN202010864828.7A priority Critical patent/CN112034789B/zh
Publication of CN112034789A publication Critical patent/CN112034789A/zh
Application granted granted Critical
Publication of CN112034789B publication Critical patent/CN112034789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Abstract

本发明提供一种数控机床关键部件及整机的健康评估方法，系统及评估终端机，包括了数据采集及预处理模块，样本工况辨识模块，健康指标融合模块，评估指标映射模块，基线值构建及关键部件相对评估模块以及整机健康评估模块；基于上述模块之间的配合，再通过对测点信息的冗余性、关联性、灵敏性和稳定性的分析，实现传感器选择和布局优化，获取数控机床传感信息，并进行评估。还能对数控机床的趋势性特征进行融合，反映数控机床全寿命周期劣化状态的评估指标，并有效改善输入信息周期过长导致的前后时序信息权重不平衡问题，改进并提升健康评估准确性。本发明还通过建立基线值，进行健康评估，提升数控机床关键部件及整机的健康评估精度。

Description

一种数控机床关键部件及整机的健康评估方法，系统及评估 终端机
技术领域
本发明涉及数字控制机床技术领域，尤其涉及一种数控机床关键部件及整机的健康评估方法，终端及可读存储介质。
背景技术
数字控制机床(Computer numerical control machine tools)，简称“数控机床”，是一种装有程序控制系统的自动化机床。该控制系统能够逻辑地处理具有控制编码或其他符号指令规定的程序，并将其译码，用代码化的数字表示，通过信息载体输入数控装置。经运算处理由数控装置发出各种控制信号，控制机床的动作，按图纸要求的形状和尺寸，自动地将零件加工出来。数控机床的出现大大提高了机床加工的能力和效率，目前己经在制造业中被广泛的应用。数控机床作为金属切削减材制造的关键设备，其运转状况的好坏直接关系到车间加工水平和加工效率的高低，因此，开展数控机床的健康评估有利于及时掌握设备劣化状态，从而减少由于数控机床故障引起的作业停滞时间，提高工厂车间的生产效益。
由于机床状态参数易受工况差异的影响以及监测信息利用不充分等原因，导致健康评估无法完全的表征机床状态。目前数控机床健康评估技术主要面临以下几个问题：
首先，数控机床的状态监测过程受工况耦合影响较大，不同工况下传感器采集到的信息差别较大，难以对当前设备的状态进行准确评价，模型辨识效果局限性大。
其次，对于采集的振动、温度、电流等数控机床信息，传统的基于数据驱动的健康评估模型忽视了其中的时序特征，无法捕捉其中的时变信息，不能准确对机床的状态进行评估。
最后，以往数控机床的状态监测过程往往只针对振动、温度、噪声等传感器信息维度进行状态监测，忽略了加工精度、加工效率在机床健康评估方面的表征，不能全面反映数控机床的健康程度。
发明内容
为了克服上述现有技术中的不足，本发明的方法通过对设备主要工况进行建模，利用随机森林算法分类器进行模型工况辨识，根据不同的运行工况构建相应的健康评估模型，将不同工况下的多维度特征值进行特征融合，构建健康融合指标，进行数控机床各个部件的健康评估，并综合各个部件健康状态以及数控机床整机健康参数对整体的健康状态进行评估。
方法包括：
步骤1，获取数控机床实时运行的状态参数；
步骤2，抽取运行状态参数作为样本，并配置样本敏感特征子集，判别样本的工况属性；
步骤3，对不同工况下的数控机床状态表征信号分别进行特征提取与融合，获取对应不同工艺子空间下反映数控机床退化规律的健康指标；
步骤4，依据数控机床关键部件状态表征参数与评估指标之间的关系，建立基于深度循环网络的非线性映射模型；
步骤5，收集构建基线值的初始运行状态数据，构建特征矩阵；
建立特征值评估模型，并对特征值评估模型训练评估，得到关键部件健康度评估结果；
步骤6，获取数控机床各关键部件的健康评估值，将健康值进行定量评估；并构建雷达图全面评价整机状态。
进一步需要说明的是，获取数控机床运行的状态参数包括：主轴、滚珠丝杠、工作台、刀架的振动、、力、噪声以及温度等信号。
进一步需要说明的是，步骤2还包括：
利用评估终端机与数控机床之间的交互信息构建样本特征集S，计算样本特征集S中随机两组状态参数向量之间的相关性；
两组状态参数向量分别为X和Y，相关性计算方式包括：
p(x)是随机变量X取值为x的概率，则X的信息熵H(X)可以表示为：
H(X)＝-∫xp(x)ln p(x)d x (2.1)
其中p(x)、p(y)分别为随机变量x、y的边缘概率密度函数，p(x,y)为x、y的联合概率密度函数；
对于给定一个随机变量Y，X的条件熵可以表示为：
H(X|Y)＝∫yp(x)H(X|y)dy＝-∫y∫xp(x,y)lnp(x|y)dxdy (2.2)
随机变量X的熵值变化，即X的信息熵与条件熵的差值，反映了在给定随机变量Y的情况下，随机变量X的变化程度，即X与Y共享的信息量MI：I(X,Y)＝H(X)-H(X|Y)＝-∫xp(x)ln p(x)dx+∫y∫xp(x,y)ln p(x|y)d xdy (2.3)
特征集S与类别c的最大相关性与最小冗余性可以用下式衡量
Figure BDA0002649400640000031
Figure BDA0002649400640000032
其中D表征了S与c之间的特征相关性，R表征了特征集S内部各特征之间的冗余度；
通过整合最大相关性与最小冗余度可以得到mRMR的准则函数：
Figure BDA0002649400640000033
加入权重因子，针对不同的工况信息类型改善其相关性与冗余性权重，如下：
Figure BDA0002649400640000034
对于各个特征子集，利用Savitzky-Golay算法对其mRMR得分集处理：
Figure BDA0002649400640000035
其中
Figure BDA0002649400640000041
为处理后的一阶导数平滑矩阵，Mj+1为原始得分集的一阶导数，Ci为平滑系数，N为滑动窗口的数据个数(2m+1)，其中m为窗口宽度；
当
Figure BDA0002649400640000042
趋向于0时停止增加特征，其趋势系数计算如下：
Figure BDA0002649400640000043
其中n为趋势计算中的特征个数，通常取n＝4到6；当ε低于某个阈值时停止增加特征；
设置ε<0.001时停止增加特征，此时得到的特征子集即构成敏感特征子集。
进一步需要说明的是，步骤3还包括：
对不同工况下的状态表征信号特征做归一化处理；
再对于不同工况空间下的状态表征信号，分别进行特征提取，对于振动、噪声、切削力等快变监测量，提取的特征包含但不限于时域、频域、时频域等指标；
时域劣化指标包括但不限于峰峰值，平均值，方差值，偏斜度值，峭度值；
频域劣化指标包括但不限于谱偏度、谱峭度；
时频域劣化指标包括但不限于小波能量等指标；
对于温度等慢变监测量，提取的特征包含主轴、丝杠、导轨的温度值及梯度值；
利用特征融合方法进行融合，构建数控机床关键部件的评估指标；
对于无法利用绝对指标衡量的健康状态，利用健康评估指标进行相对评估。
进一步需要说明的是，步骤4还包括：
基于专家知识和CNN进行复合特征提取，专家知识包含时域、频域、时频域特征；
将获取的特征值分别输入双向GRU模型进行训练，GRU模型为循环神经网络的变种，其链式结构适用于处理各类时序问题；
在GRU模型中有两个门：分别是更新门和重置门；
更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；
重置门控制前一状态有多少信息被写入到当前的候选集上，重置门越小，前一状态的信息被写入的越少。
将双向GRU模型输出的隐含层信息输入到注意力模型中，对隐含层信息进行加权，获取不同时刻的注意力；实现如下：
Figure BDA0002649400640000051
Figure BDA0002649400640000052
vt＝atht(4.5)
其中fa为激活函数，ht为t时刻双向GRU输出隐状态向量，at为注意力权值，vt为注意力加权后的隐向量；
将注意力模型的输出结果连接到全连接层，得到输入信息的特征表示向量，该表示向量压缩了输入的全部特征信息，并输出回归预测值，表征此时的设备健康状态。
进一步需要说明的是，步骤5还包括：
收集构建基线值的部件初始运行稳定运行状态数据Dα；
获取运行数据，并以此构建训练数据集Dκ和测试数据集Dη；
对原始状态数据进行特征提取，利用特征提取算子
Figure BDA0002649400640000053
进行特征提取，构建特征矩阵；
在特征提取步骤，得到特征：
Figure BDA0002649400640000054
利用特征优化算子
Figure BDA0002649400640000055
对得到的特征进行去噪、归一化等优化，得到优化后的特征如下：
Figure BDA0002649400640000061
通过前面建立的非线性映射方法建立特征值评估模型:
Θ(·)Γα→Rα (5.3)
Rα即为该部件的基线数据评估结果；
根据该方法可以获得训练数据集的评估结果Rκ和测试数据集的Rη：
Figure BDA0002649400640000062
Figure BDA0002649400640000063
将评估结果与基线值做比较，并做[0,1]区间映射，得到部件评估健康值，利用训练集进行模型训练，并对测试集进行评估，得到关键健康度评估结果：
H＝Hν(Rη) (5.6)。
本发明还提供一种数控机床关键部件及整机的健康评估系统，包括：数据采集及预处理模块，样本工况辨识模块，健康指标融合模块，评估指标映射模块，基线值构建及关键部件相对评估模块以及整机健康评估模块；
数据采集及预处理模块用于通过CNC系统和传感器获取数控机床实时运行的状态参数，提取反映数控机床工况和健康状态的特征参数；
样本工况辨识模块用于抽取运行状态参数作为样本，通过对样本与样本，样本与类别之间互信息的关系，找出敏感特征子集，对样本的工况属性进行判别；
健康指标融合模块用于对不同工况下的数控机床状态表征信号分别进行特征提取与融合，获取对应不同工艺子空间下反映数控机床退化规律的健康指标；
评估指标映射模块用于依据数控机床关键部件状态表征参数与评估指标之间的关系，建立基于深度循环网络的非线性映射模型，实现数控机床关键部件的健康评估；
基线值构建及关键部件相对评估模块用于收集构建基线值的初始运行状态数据Dα，并以此构建训练数据集Dκ和测试数据集Dη；对初始运行状态数据进行特征提取，利用特征提取算子
Figure BDA0002649400640000064
进行特征提取，构建特征矩阵；
通过建立的非线性映射模型建立特征值评估模型；
获取训练数据集的评估结果Rκ和测试数据集的Rη：
将评估结果与基线值做比较，并做[0,1]区间映射，得到部件评估健康值，利用训练集进行模型训练，并对测试集进行评估，得到关键健康度评估结果；
整机健康评估模块用于获取数控机床各关键部件的健康评估值，将健康值进行定量评估；并构建雷达图全面评价整机状态。
收集机床的加工精度、驱动效率、机床特性等维度信息特征，构建雷达图全面评价整机状态。
本发明还提供一种评估终端机，包括：存储器以及处理器
存储器，用于存储计算机程序及数控机床关键部件及整机的健康评估系统；
处理器，用于执行所述计算机程序及数控机床关键部件及整机的健康评估系统，以实现数控机床关键部件及整机的健康评估方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供的数控机床关键部件及整机的健康评估方法通过对设备主要工况进行建模，利用随机森林算法分类器进行模型工况辨识，根据不同的运行工况构建相应的健康评估模型，将不同工况下的多维度特征值进行特征融合，构建健康融合指标，进行数控机床各个部件的健康评估，并综合各个部件健康状态以及数控机床整机健康参数对整体的健康状态进行评估。
也就是在数控机床信息采集阶段，通过对测点信息的冗余性、关联性、灵敏性和稳定性进行分析，实现传感器选择和布局优化，获取更佳的数控机床传感信息，从而为后期的健康评估提供支持。
在进行工况辨识时，考虑到数控机床往往处于加工某一种或几种工件状态，本发明可以通过挖掘与工况类别强相关性的特征子集，建立工况辨识模型，从而实现冗余特征的去除和数控机床工况过程的合理判定。
在构建数控机床评估指标时，本发明对各工况下的具备与劣化过程单调趋势性的特征进行融合，从而获取对应不同工况子空间下能够反映数控机床全寿命周期劣化状态的评估指标，该方法为进一步的相对健康评估方法提供了评估对象。
在构建数控机床健康评估模型时，本发明提出的复合特征方法能够从多维度、多尺度挖掘退化信息特征，获取更全面的特征信息；所提出的BiGRU-attention模型进一步挖掘机床退化过程前后关联信息，并有效改善输入信息周期过长导致的前后时序信息权重不平衡问题，改进并提升健康评估准确性。
在进行数控机床健康评估时，本发明提出对于关键部件通过建立基线值进行并与之比较进行相对健康评估；对于整机则综合各部件健康度与工件精度、驱动效率、机床特征等整机健康参数进行健康状态评判。这种多层次的健康评估方法对于提升关键部件及整机的健康评估精度和运维管理水平具有重要意义。
附图说明
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为数控机床关键部件及整机的健康评估方法流程图；
图2为GRU模型示意图；
图3为整机健康评估示意图；
图4为数控机床关键部件及整机的健康评估系统示意图。
具体实施方式
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
本发明提供一种数控机床关键部件及整机的健康评估方法，方法在通过对设备主要工况进行建模，利用随机森林算法分类器进行模型工况辨识，根据不同的运行工况构建相应的健康评估模型，将不同工况下的多维度特征值进行特征融合构建健康融合指标进行数控机床各个部件的健康评估，并综合各个部件健康状态以及数控机床整机健康参数对整体的健康状态进行评估。
下面结合附图1所示，，对本发明实施例中的方法进行详尽地描述，但有必要在此指出的是，以下实施例仅是本发明应用的进一步说明，而非全部的实施例。因而，该领域工程技术人员在本发明实施例的基础之上做非本质的改进及调整，仍属于本发明保护的范围。
如图1所示，方法包括以下步骤：
步骤1，通过CNC系统和外部传感器对数据信息进行获取，使用但不限于对测点信息进行冗余性、关联性、灵敏性和稳定性分析等方法判断测点信息的可用性并以此进行传感器的布局优化，在线采集能够准确全面反映数控机床实时运行状态的参数，包括轴承、工作台的振动、加速度信号，电主轴、滚珠丝杠、刀具的温度值，切削力，噪声等状态特征参数；其次利用小波变换方法进行降噪，剔除背景噪声。
步骤2，通过对样本与样本，样本与类别之间互信息的计算，找出强相关性敏感特征子集，对样本的工况属性进行判别。具体包括以下内容：
利用互信息计算样本特征集S中随机两组状态参数向量之间的相关性。假设这两组状态参数向量分别为X和Y，其相关性计算：
假设p(x)是随机变量X取值为x的概率，则X的信息熵H(X)可以表示为：
H(X)＝-∫xp(x)ln p(x)d x (2.1)
其中p(x)、p(y)分别为随机变量x、y的边缘概率密度函数，p(x,y)为x、y的联合概率密度函数。
对于给定一个随机变量Y，X的条件熵可以表示为：
H(X|Y)＝∫yp(x)H(X|y)d y＝-∫y∫xp(x,y)ln p(x|y)d xdy (2.2)
随机变量X的熵值变化，即X的信息熵与条件熵的差值，反映了在给定随机变量Y的情况下，随机变量X的变化程度，即X与Y共享的信息量MI。此时有：
I(X,Y)＝H(X)-H(X|Y)＝-∫xp(x)ln p(x)d x+∫y∫xp(x,y)ln p(x|y)d xdy (2.3)
特征集S与类别c的最大相关性与最小冗余性可以用下式衡量
Figure BDA0002649400640000101
Figure BDA0002649400640000102
其中D表征了S与c之间的特征相关性，而R表征了特征集S内部各特征之间的冗余度。通过整合最大相关性与最小冗余度可以得到mRMR的准则函数：
Figure BDA0002649400640000111
加入权重因子，针对不同的工况信息类型改善其相关性与冗余性权重，如下：
Figure BDA0002649400640000112
对于各个特征子集，利用Savitzky-Golay算法对其mRMR得分集处理：
Figure BDA0002649400640000113
其中
Figure BDA0002649400640000114
为处理后的一阶导数平滑矩阵，Mj+1为原始得分集的一阶导数，Ci为平滑系数，N为滑动窗口的数据个数(2m+1)，其中m为窗口宽度。
当
Figure BDA0002649400640000115
趋向于0时停止增加特征，其趋势系数计算如下：
Figure BDA0002649400640000116
其中n为趋势计算中的特征个数，通常取n＝5。当ε低于某个阈值时停止增加特征。本文设置ε<0.001时停止增加特征，此时得到的特征子集即构成敏感特征子集。通过但不限于SVM、KNN、随机森林等分类算法构建工况模型进行工况辨识。
步骤3，可对不同工况下的状态表征信号分别进行特征提取与融合，从而获取对应不同工艺子空间下能够反映数控机床退化规律的健康指标。
首先，对不同工况下的状态表征信号特征做归一化处理，避免因物理意义和量纲不同对信号权重的影响。
其次，对于不同工况空间下的状态表征信号，分别进行特征提取，对于振动、噪声、切削力等快变监测量，提取的特征包含时域、频域、时频域等指标，其中时域劣化指标包括峰峰值，平均值，方差值，偏斜度值，峭度值等统计指标，频域劣化指标包括谱偏度、谱峭度等指标，时频域劣化指标包括小波能量等指标；而对于温度等慢变监测量，提取的特征主要包含各主要部件如主轴、丝杠、导轨的温度值及梯度值。
最后，利用特征融合方法如KPCA对上述特征值中具备单调的演化趋势的敏感特征指标进行融合，构建数控机床关键部件的评估指标，对于无法利用绝对指标衡量的健康状态而言，能够利用健康评估指标进行相对评估。
步骤4，依据数控机床关键部件状态表征参数与评估指标之间的关系，建立基于深度循环网络的非线性映射模型，从而实现数控机床关键部件的健康评估。包含以下内容：
首先，基于专家知识和CNN进行复合特征提取，专家知识包含前面所提的时、频域特征等。
其次，将获取的特征值分别输入双向GRU模型进行训练，GRU模型为循环神经网络的变种，其链式结构适用于处理各类时序问题。在GRU模型中有两个门：分别是更新门和重置门。具体结构图2所示：图中的zt和rt分别表示更新门和重置门。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。重置门控制前一状态有多少信息被写入到当前的候选集上，重置门越小，前一状态的信息被写入的越少。
然后，将双向GRU模型输出的隐含层信息输入到注意力模型中，对隐含层信息进行加权，获取不同时刻的注意力。具体实现如下：
Figure BDA0002649400640000121
Figure BDA0002649400640000131
vt＝atht (4.5)
其中fa为激活函数，ht为t时刻双向GRU输出隐状态向量，at为注意力权值,vt为注意力加权后的隐向量。
最后，将注意力模型的输出结果连接到全连接层，得到输入信息的特征表示向量，该表示向量压缩了输入的全部特征信息，并输出回归预测值，表征此时的设备健康状态。
步骤5，首先需要收集构建基线值的部件初始运行稳定运行状态数据Dα。获取运行数据，并以此构建训练数据集Dκ和测试数据集Dη。对原始状态数据进行特征提取，利用特征提取算子
Figure BDA0002649400640000132
进行特征提取，构建特征矩阵。在特征提取步骤，得到特征：
Figure BDA0002649400640000133
然后利用特征优化算子
Figure BDA0002649400640000134
对得到的特征进行去噪、归一化等优化，可以得到优化后的特征如下：
Figure BDA0002649400640000135
通过前面建立的非线性映射方法建立特征值评估模型:
Θ(·)Γα→Rα (5.3)
Rα即为该部件的基线数据评估结果。
根据该方法可以获得训练数据集的评估结果Rκ和测试数据集的Rη：
Figure BDA0002649400640000136
Figure BDA0002649400640000137
进一步将评估结果与基线值做比较，并做[0,1]区间映射，便可以得到部件评估健康值，利用训练集进行模型训练，并对测试集进行评估，便可以得到关键健康度评估结果：
H＝Hν(Rη) (5.6)
步骤6，获取各关键部件的健康评估值，并根据经验将其健康值进行定性，可分为优、良、中、差。然后收集机床的加工精度、驱动效率、机床特性等维度信息特征，构建雷达图全面评价整机状态，如图3所示。
作为本发明涉及的数控机床关键部件及整机的健康评估方法，与现有的故障诊断方法比较，有益效果如下：
1.在数控机床信息采集阶段，通过对测点信息的冗余性、关联性、灵敏性和稳定性进行分析，实现传感器选择和布局优化，获取更佳的数控机床传感信息，从而为后期的健康评估提供支持。
2.在进行工况辨识时，考虑到数控机床往往处于加工某一种或几种工件状态，本发明可以通过挖掘与工况类别强相关性的特征子集，建立工况辨识模型，从而实现冗余特征的去除和数控机床工况过程的合理判定。
3.在构建数控机床评估指标时，本发明对各工况下的具备与劣化过程单调趋势性的特征进行融合，从而获取对应不同工况子空间下能够反映数控机床全寿命周期劣化状态的评估指标，该方法为进一步的相对健康评估方法提供了评估对象。
4.在构建数控机床健康评估模型时，本发明提出的复合特征方法能够从多维度、多尺度挖掘退化信息特征，获取更全面的特征信息；所提出的BiGRU-attention模型进一步挖掘机床退化过程前后关联信息，并有效改善输入信息周期过长导致的前后时序信息权重不平衡问题，改进并提升健康评估准确性。
5.在进行数控机床健康评估时，本发明提出对于关键部件通过建立基线值进行并与之比较进行相对健康评估；对于整机则综合各部件健康度与工件精度、驱动效率、机床特征等整机健康参数进行健康状态评判。这种多层次的健康评估方法对于提升关键部件及整机的健康评估精度和运维管理水平具有重要意义。
基于上述方法，本发明还提供一种数控机床关键部件及整机的健康评估系统，如图4所示，包括：数据采集及预处理模块1，样本工况辨识模块2，健康指标融合模块3，评估指标映射模块4，基线值构建及关键部件相对评估模块5以及整机健康评估模块6；
数据采集及预处理模块1用于通过CNC系统和传感器获取数控机床实时运行的状态参数，提取反映数控机床工况和健康状态的特征参数；
样本工况辨识模块2用于抽取运行状态参数作为样本，通过对样本与样本，样本与类别之间互信息的关系，找出敏感特征子集，对样本的工况属性进行判别；
健康指标融合模块3用于对不同工况下的数控机床状态表征信号分别进行特征提取与融合，获取对应不同工艺子空间下反映数控机床退化规律的健康指标；
评估指标映射模块4用于依据数控机床关键部件状态表征参数与评估指标之间的关系，建立基于深度循环网络的非线性映射模型，实现数控机床关键部件的健康评估；
基线值构建及关键部件相对评估模块5用于收集构建基线值的初始运行状态数据Dα，并以此构建训练数据集Dκ和测试数据集Dη；对初始运行状态数据进行特征提取，利用特征提取算子
Figure BDA0002649400640000151
进行特征提取，构建特征矩阵；
通过建立的非线性映射模型建立特征值评估模型；
获取训练数据集的评估结果Rκ和测试数据集的Rη：
将评估结果与基线值做比较，并做[0,1]区间映射，得到部件评估健康值，利用训练集进行模型训练，并对测试集进行评估，得到关键健康度评估结果；
整机健康评估模块6用于获取数控机床各关键部件的健康评估值，并根据经验将其健康值进行定性评估；
收集机床的加工精度、驱动效率、机床特性等维度信息特征，构建雷达图全面评价整机状态。
进一步，系统中模块之间可以相互配合，其中，数据采集及预处理模块可利用优化布置方案布置各传感器，在线采集反映设备实时运行状态的特征参数包括振动、温度、电流、噪声等设备内部和外部传感信息，又可利用降噪与信号增强技术对传感器数据进一步处理。
样本工况辨识模块可利用mRMR算法进行特征参数与类别之间的相关冗余性度计算打分，根据mRMR进行特征排序。并计算数量阈值精简特征数量，构建敏感特征子集。消除变工况对模型辨识结果的影响，从而极大提高设备健康评估的准确度。
健康指标融合模块利用核主成分分析(KPCA)对提取的时域特征信息中兼具单调性和趋势性的特征指标进行融合，以用于设备健康评估，而确保评估结果的可靠性。
评估指标映射模块和基线值构建及关键部件相对评估模块基于GRU-attention模型进行构建，从设备PHM数据库采集样本数据集，并将其导入深度学习模型进行训练，并对测试集部分进行测试，训练完成后输出关键部件健康评估模型。
所述GRU-attention模型的输入包括时、频域特征和CNN自动提取的特征；并将获取的特征分别输入BiGRU模型，经过神经元的计算获取时序信息的隐藏层信息，并利用注意力层计算隐藏层信息的权重，连接到完全连接层上，以获得每个隐状态信息的注意力权重。最后输出到全连接层，得到输入信息的特征表示向量，该表示向量压缩了输入的全部特征信息，并输出回归预测值，表征此时的设备健康状态。
整机健康评估模块综合各个部件健康状态以及数控机床整机健康参数对整体的健康状态进行评估，利用雷达图将当前各个部件健康状态与其他多个指标所围成的面积与整体雷达图面积之比可作为整机评估指标，表征整机健康状态。
本发明还提供一种评估终端机，包括：存储器以及处理器
存储器，用于存储计算机程序及数控机床关键部件及整机的健康评估系统；
处理器，用于执行所述计算机程序及数控机床关键部件及整机的健康评估系统，以实现数控机床关键部件及整机的健康评估方法的步骤。
评估终端机可以以各种形式来实施。例如，本发明实施例中描述的终端可以包括诸如智能电话、笔记本电脑、个人数字助理(PDA，Personal Digital Assistant)、平板电脑(PAD)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。然而，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。
评估终端机可以包括无线通信单元、音频/视频(A/V)输入单元、用户输入单元、感测单元、输出单元、存储器、接口单元、控制器和电源单元等等。但是应理解的是，并不要求实施所有示出的组件。可以替代地实施更多或更少的组件。
评估终端机描述的各种实施方式可以以使用例如计算机软件、硬件或其任何组合的计算机可读介质来实施。对于硬件实施，这里描述的实施方式可以通过使用特定用途集成电路(ASIC，Application Specific Integrated Circuit)、数字信号处理器(DSP，Digital Signal Processing)、数字信号处理装置(DSPD，Digital Signal ProcessingDevice)、可编程逻辑装置(PLD，Programmable Logic Device)、现场可编程门阵列(FPGA，Field Programmable Gate Array)、处理器、控制器、微控制器、微处理器、被设计为执行这里描述的功能的电子单元中的至少一种来实施，在一些情况下，这样的实施方式可以在控制器中实施。对于软件实施，诸如过程或功能的实施方式可以与允许执行至少一种功能或操作的单独的软件模块来实施。软件代码可以由以任何适当的编程语言编写的软件应用程序(或程序)来实施，软件代码可以存储在存储器中并且由控制器执行。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种数控机床关键部件及整机的健康评估方法，其特征在于，方法包括：
步骤1，获取数控机床实时运行的状态参数；
步骤2，抽取运行状态参数作为样本，并配置样本敏感特征子集，判别样本的工况属性；
步骤3，对不同工况下的数控机床状态表征信号分别进行特征提取与融合，获取对应不同工艺子空间下反映数控机床退化规律的健康指标；
步骤4，依据数控机床关键部件状态表征参数与评估指标之间的关系，建立基于深度循环网络的非线性映射模型；
步骤5，收集构建基线值的初始运行状态数据，构建特征矩阵；
建立特征值评估模型，并对特征值评估模型训练评估，得到关键部件健康度评估结果；
步骤6，获取数控机床各关键部件的健康评估值，将健康值进行定量评估；并构建雷达图全面评价整机状态。
2.根据权利要求1所述的数控机床关键部件及整机的健康评估方法，其特征在于，
获取数控机床运行的状态参数包括：主轴、滚珠丝杠、工作台、刀架的振动、力、噪声以及温度等信号。
3.根据权利要求1所述的数控机床关键部件及整机的健康评估方法，其特征在于，
步骤2还包括：
利用评估终端机与数控机床之间的交互信息构建样本特征集S，计算样本特征集S中随机两组状态参数向量之间的相关性；
两组状态参数向量分别为X和Y，相关性计算方式包括：
p(x)是随机变量X取值为x的概率，则X的信息熵H(X)可以表示为：
H(X)＝-∫xp(x)ln p(x)dx (2.1)
其中p(x)、p(y)分别为随机变量x、y的边缘概率密度函数，p(x,y)为x、y的联合概率密度函数；
对于给定一个随机变量Y，X的条件熵可以表示为：
H(X|Y)＝∫yp(x)H(X|y)dy＝-∫y∫xp(x,y)ln p(x|y)dxdy (2.2)
随机变量X的熵值变化，即X的信息熵与条件熵的差值，反映了在给定随机变量Y的情况下，随机变量X的变化程度，即X与Y共享的信息量MI：
I(X,Y)＝H(X)-H(X|Y)＝-∫xp(x)ln p(x)dx+∫y∫xp(x,y)ln p(x|y)dxdy (2.3)
特征集S与类别c的最大相关性与最小冗余性可以用下式衡量
Figure FDA0002649400630000021
Figure FDA0002649400630000022
其中D表征了S与c之间的特征相关性，R表征了特征集S内部各特征之间的冗余度；
通过整合最大相关性与最小冗余度可以得到mRMR的准则函数：
Figure FDA0002649400630000023
加入权重因子，针对不同的工况信息类型改善其相关性与冗余性权重，如下：
Figure FDA0002649400630000024
对于各个特征子集，利用Savitzky-Golay算法对其mRMR得分集处理：
Figure FDA0002649400630000025
其中
Figure FDA0002649400630000026
为处理后的一阶导数平滑矩阵，Mj+1为原始得分集的一阶导数，Ci为平滑系数，N为滑动窗口的数据个数(2m+1)，其中m为窗口宽度；
当
Figure FDA0002649400630000031
趋向于0时停止增加特征，其趋势系数计算如下：
Figure FDA0002649400630000032
其中n为趋势计算中的特征个数，通常取n＝4到6；当ε低于某个阈值时停止增加特征；
设置ε<0.001时停止增加特征，此时得到的特征子集即构成敏感特征子集。
4.根据权利要求1所述的数控机床关键部件及整机的健康评估方法，其特征在于，
步骤3还包括：
对不同工况下的状态表征信号特征做归一化处理；
再对于不同工况空间下的状态表征信号，分别进行特征提取，对于振动、噪声、切削力等快变监测量，提取的特征包含但不限于时域、频域、时频域等指标；
时域劣化指标包括但不限于峰峰值，平均值，方差值，偏斜度值，峭度值；
频域劣化指标包括但不限于谱偏度、谱峭度；
时频域劣化指标包括但不限于小波能量等指标；
对于温度等慢变监测量，提取的特征包含主轴、丝杠、导轨的温度值及梯度值；
利用特征融合方法进行融合，构建数控机床关键部件的评估指标；
对于无法利用绝对指标衡量的健康状态，利用健康评估指标进行相对评估。
5.根据权利要求1所述的数控机床关键部件及整机的健康评估方法，其特征在于，
步骤4还包括：
基于专家知识和CNN进行复合特征提取，专家知识包含时域、频域、时频域特征；
将获取的特征值分别输入双向GRU模型进行训练，GRU模型为循环神经网络的变种，其链式结构适用于处理各类时序问题；
在GRU模型中有两个门：分别是更新门和重置门；
更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；
重置门控制前一状态有多少信息被写入到当前的候选集上，重置门越小，前一状态的信息被写入的越少；
将双向GRU模型输出的隐含层信息输入到注意力模型中，对隐含层信息进行加权，获取不同时刻的注意力；实现如下：
Figure FDA0002649400630000041
Figure FDA0002649400630000042
vt＝atht (4.5)
其中fa为激活函数，ht为t时刻双向GRU输出隐状态向量，at为注意力权值,vt为注意力加权后的隐向量；
将注意力模型的输出结果连接到全连接层，得到输入信息的特征表示向量，该表示向量压缩了输入的全部特征信息，并输出回归预测值，表征此时的设备健康状态。
6.根据权利要求1所述的数控机床关键部件及整机的健康评估方法，其特征在于，
步骤5还包括：
收集构建基线值的部件初始运行稳定运行状态数据Dα；
获取运行数据，并以此构建训练数据集Dκ和测试数据集Dη；
对原始状态数据进行特征提取，利用特征提取算子
Figure FDA0002649400630000043
进行特征提取，构建特征矩阵；
在特征提取步骤，得到特征：
Figure FDA0002649400630000051
利用特征优化算子
Figure FDA0002649400630000052
对得到的特征进行去噪、归一化等优化，得到优化后的特征如下：
Figure FDA0002649400630000053
通过前面建立的非线性映射方法建立特征值评估模型:
Θ(·)Γα→Rα (5.3)
Rα即为该部件的基线数据评估结果；
根据该方法可以获得训练数据集的评估结果Rκ和测试数据集的Rη：
Figure FDA0002649400630000054
Figure FDA0002649400630000055
将评估结果与基线值做比较，并做[0,1]区间映射，得到部件评估健康值，利用训练集进行模型训练，并对测试集进行评估，得到关键健康度评估结果：
H＝Hν(Rη) (5.6)。
7.一种数控机床关键部件及整机的健康评估系统，其特征在于，包括：数据采集及预处理模块，样本工况辨识模块，健康指标融合模块，评估指标映射模块，基线值构建及关键部件相对评估模块以及整机健康评估模块；
数据采集及预处理模块用于获取数控机床实时运行的状态参数
样本工况辨识模块用于抽取运行状态参数作为样本，并配置样本敏感特征子集，判别样本的工况属性；
健康指标融合模块用于对不同工况下的数控机床状态表征信号分别进行特征提取与融合，获取对应不同工艺子空间下反映数控机床退化规律的健康指标；
评估指标映射模块用于依据数控机床关键部件状态表征参数与评估指标之间的关系，建立基于深度循环网络的非线性映射模型；
收集构建基线值的初始运行状态数据，构建特征矩阵；
建立特征值评估模型，并对特征值评估模型训练评估，得到关键健康度评估结果；
整机健康评估模块用于获取数控机床各关键部件的健康评估值，将健康值进行定量评估；并构建雷达图全面评价整机状态。
8.一种评估终端机，其特征在于，包括：存储器以及处理器
存储器，用于存储计算机程序及如权利要求7所述的数控机床关键部件及整机的健康评估系统；
处理器，用于执行所述计算机程序及数控机床关键部件及整机的健康评估系统，以实现如权利要求1至6任意一项所述数控机床关键部件及整机的健康评估方法的步骤。
CN202010864828.7A 2020-08-25 2020-08-25 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机 Active CN112034789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010864828.7A CN112034789B (zh) 2020-08-25 2020-08-25 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010864828.7A CN112034789B (zh) 2020-08-25 2020-08-25 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机

Publications (2)

Publication Number Publication Date
CN112034789A true CN112034789A (zh) 2020-12-04
CN112034789B CN112034789B (zh) 2021-10-15

Family

ID=73581302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010864828.7A Active CN112034789B (zh) 2020-08-25 2020-08-25 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机

Country Status (1)

Country Link
CN (1) CN112034789B (zh)

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112650146A (zh) * 2020-12-18 2021-04-13 国家机床质量监督检验中心 一种数控机床多工况下故障诊断优化方法、系统及设备
CN112863546A (zh) * 2021-01-21 2021-05-28 安徽理工大学 音频特征决策的带式运输机健康分析方法
CN113033102A (zh) * 2021-03-30 2021-06-25 西安电子科技大学 基于无监督学习的复杂地层下盾构机刀盘健康评估方法
CN113051814A (zh) * 2021-03-18 2021-06-29 王嘉寅 一种转动设备性能劣化评估方法、装置及存储介质
CN113221441A (zh) * 2020-12-24 2021-08-06 山东鲁能软件技术有限公司 一种电厂设备健康评估的方法及装置
CN113221442A (zh) * 2020-12-24 2021-08-06 山东鲁能软件技术有限公司 一种电厂设备健康评估模型的构建方法及装置
CN113537373A (zh) * 2021-07-23 2021-10-22 中国人民解放军陆军工程大学 基于数字孪生的柴油机健康状态评估方法、装置及设备
CN113560955A (zh) * 2021-06-09 2021-10-29 西安电子科技大学 一种数控机床刀具剩余使用寿命预测方法、系统及应用
CN113688569A (zh) * 2021-08-23 2021-11-23 水利部交通运输部国家能源局南京水利科学研究院 一种基于传感器协同的液压泵健康状态估计方法
CN113761225A (zh) * 2021-09-09 2021-12-07 昆明理工大学 一种融合知识图谱与多元神经网络模型的汽车发动机故障预测方法
CN113778762A (zh) * 2021-08-23 2021-12-10 珠海格力电器股份有限公司 设备冗余备份方法、装置、计算机设备和存储介质
CN113807431A (zh) * 2021-09-15 2021-12-17 西安理工大学 一种基于多源信息融合的智能主轴状态评估方法和系统
CN113970697A (zh) * 2021-09-09 2022-01-25 北京无线电计量测试研究所 一种模拟电路状态评估方法和装置
CN114024820A (zh) * 2021-09-24 2022-02-08 北京华控智加科技有限公司 一种设备健康画像方法
CN114102262A (zh) * 2021-12-27 2022-03-01 爱派尔(常州)数控科技有限公司 一种机床主轴安全检测方法、系统及机床
CN114442558A (zh) * 2022-01-27 2022-05-06 西南交通大学 一种基于自注意力机制的机床温度敏感点组合选取方法
CN114596010A (zh) * 2022-05-09 2022-06-07 西南石油大学 一种结合注意力机制的BiGRU网络钻井工况识别方法
US20220179393A1 (en) * 2020-12-09 2022-06-09 Aktiebolaget Skf Machine tool evaluation method, machine tool evaluation system and medium
CN114800036A (zh) * 2022-06-24 2022-07-29 成都飞机工业（集团）有限责任公司 一种设备健康状态评估方法
CN115048731A (zh) * 2021-09-09 2022-09-13 海沃机械（中国）有限公司 用于垃圾转运车的拉臂的健康评估方法和装置
CN115157006A (zh) * 2022-09-08 2022-10-11 中科航迈数控软件(深圳)有限公司 基于信息熵的部件磨损检测方法、装置、终端及存储介质
CN115270993A (zh) * 2022-08-23 2022-11-01 南通思诺船舶科技有限公司 柴油机组状态检测方法及系统
CN115830235A (zh) * 2022-12-09 2023-03-21 皖南医学院第一附属医院（皖南医学院弋矶山医院） 一种房室缺陷影像三维模型重建方法
CN115828611A (zh) * 2022-12-15 2023-03-21 北京控制工程研究所 一种航天器机电部件的健康状态评估方法和装置
CN116237817A (zh) * 2023-05-06 2023-06-09 济南章力机械有限公司 基于物联网的五轴联动数控机床智能监测系统
CN116449135A (zh) * 2023-04-19 2023-07-18 北京航空航天大学 一种机电系统部件健康状态确定方法、系统及电子设备
CN116861369A (zh) * 2023-09-04 2023-10-10 山东捷瑞数字科技股份有限公司 工业互联网异构数据融合的空压机健康评估方法及系统
CN117078118A (zh) * 2023-10-18 2023-11-17 济南章力机械有限公司 一种数控机床生产工件质量智能检测系统
CN114024820B (zh) * 2021-09-24 2024-04-16 北京华控智加科技有限公司 一种设备健康画像方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040193307A1 (en) * 2003-03-26 2004-09-30 Mori Seiki Co., Ltd. Maintenance system for machine tool
CN204389190U (zh) * 2014-12-08 2015-06-10 国家机床质量监督检验中心 一种用于机床静刚度试验的数显测力仪
CN105975749A (zh) * 2016-04-28 2016-09-28 上海交通大学 一种轴承健康评估与预测的方法及系统
CN105974886A (zh) * 2016-06-28 2016-09-28 华中科技大学 一种数控机床的健康监测方法
CN107016235A (zh) * 2017-03-21 2017-08-04 西安交通大学 基于多特征自适应融合的设备运行状态健康度评估方法
CN108280543A (zh) * 2018-01-17 2018-07-13 杭州安脉盛智能技术有限公司 基于分类回归模式的工况自适应的设备健康度评估方法
CN109015111A (zh) * 2018-07-06 2018-12-18 华中科技大学 一种基于信息融合及支持向量机的刀具状态在线监测方法
CN109597315A (zh) * 2018-10-31 2019-04-09 华中科技大学 一种机械设备健康退化状态辨识方法、设备及系统
CN109623489A (zh) * 2018-12-10 2019-04-16 华中科技大学 一种改进的机床健康状态评定方法及数控机床
CN110297469A (zh) * 2019-05-17 2019-10-01 同济大学 基于重采样的集成特征选择算法的生产线故障判断方法
CN110442833A (zh) * 2019-06-10 2019-11-12 内蒙古工业大学 一种基于多维度scada数据评估风电机组健康状态评估方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040193307A1 (en) * 2003-03-26 2004-09-30 Mori Seiki Co., Ltd. Maintenance system for machine tool
CN204389190U (zh) * 2014-12-08 2015-06-10 国家机床质量监督检验中心 一种用于机床静刚度试验的数显测力仪
CN105975749A (zh) * 2016-04-28 2016-09-28 上海交通大学 一种轴承健康评估与预测的方法及系统
CN105974886A (zh) * 2016-06-28 2016-09-28 华中科技大学 一种数控机床的健康监测方法
CN107016235A (zh) * 2017-03-21 2017-08-04 西安交通大学 基于多特征自适应融合的设备运行状态健康度评估方法
CN108280543A (zh) * 2018-01-17 2018-07-13 杭州安脉盛智能技术有限公司 基于分类回归模式的工况自适应的设备健康度评估方法
CN109015111A (zh) * 2018-07-06 2018-12-18 华中科技大学 一种基于信息融合及支持向量机的刀具状态在线监测方法
CN109597315A (zh) * 2018-10-31 2019-04-09 华中科技大学 一种机械设备健康退化状态辨识方法、设备及系统
CN109623489A (zh) * 2018-12-10 2019-04-16 华中科技大学 一种改进的机床健康状态评定方法及数控机床
CN110297469A (zh) * 2019-05-17 2019-10-01 同济大学 基于重采样的集成特征选择算法的生产线故障判断方法
CN110442833A (zh) * 2019-06-10 2019-11-12 内蒙古工业大学 一种基于多维度scada数据评估风电机组健康状态评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
皱振: "《基于指令域的数控机床健康状态监测》", 《中国优秀硕士学位论文全文数据库工程科技I辑》 *
赵钦志 等: "《数控机床可靠性试验和评估技术分析与研究》", 《计量测试技术及应用》 *
黄祖广 等: "《加工中心可靠性试验载荷谱的研究》", 《设计与研究》 *

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220179393A1 (en) * 2020-12-09 2022-06-09 Aktiebolaget Skf Machine tool evaluation method, machine tool evaluation system and medium
CN112650146A (zh) * 2020-12-18 2021-04-13 国家机床质量监督检验中心 一种数控机床多工况下故障诊断优化方法、系统及设备
CN112650146B (zh) * 2020-12-18 2021-11-19 国家机床质量监督检验中心 一种数控机床多工况下故障诊断优化方法、系统及设备
CN113221441A (zh) * 2020-12-24 2021-08-06 山东鲁能软件技术有限公司 一种电厂设备健康评估的方法及装置
CN113221442A (zh) * 2020-12-24 2021-08-06 山东鲁能软件技术有限公司 一种电厂设备健康评估模型的构建方法及装置
CN113221442B (zh) * 2020-12-24 2022-08-30 山东鲁能软件技术有限公司 一种电厂设备健康评估模型的构建方法及装置
CN113221441B (zh) * 2020-12-24 2022-12-02 山东鲁能软件技术有限公司 一种电厂设备健康评估的方法及装置
CN112863546A (zh) * 2021-01-21 2021-05-28 安徽理工大学 音频特征决策的带式运输机健康分析方法
CN113051814B (zh) * 2021-03-18 2023-11-24 王嘉寅 一种转动设备性能劣化评估方法、装置及存储介质
CN113051814A (zh) * 2021-03-18 2021-06-29 王嘉寅 一种转动设备性能劣化评估方法、装置及存储介质
CN113033102A (zh) * 2021-03-30 2021-06-25 西安电子科技大学 基于无监督学习的复杂地层下盾构机刀盘健康评估方法
CN113033102B (zh) * 2021-03-30 2023-04-07 西安电子科技大学 基于无监督学习的复杂地层下盾构机刀盘健康评估方法
CN113560955A (zh) * 2021-06-09 2021-10-29 西安电子科技大学 一种数控机床刀具剩余使用寿命预测方法、系统及应用
CN113560955B (zh) * 2021-06-09 2022-09-09 西安电子科技大学 一种数控机床刀具剩余使用寿命预测方法、系统及应用
CN113537373A (zh) * 2021-07-23 2021-10-22 中国人民解放军陆军工程大学 基于数字孪生的柴油机健康状态评估方法、装置及设备
CN113688569A (zh) * 2021-08-23 2021-11-23 水利部交通运输部国家能源局南京水利科学研究院 一种基于传感器协同的液压泵健康状态估计方法
CN113778762A (zh) * 2021-08-23 2021-12-10 珠海格力电器股份有限公司 设备冗余备份方法、装置、计算机设备和存储介质
CN113778762B (zh) * 2021-08-23 2024-03-19 珠海格力电器股份有限公司 设备冗余备份方法、装置、计算机设备和存储介质
CN113761225A (zh) * 2021-09-09 2021-12-07 昆明理工大学 一种融合知识图谱与多元神经网络模型的汽车发动机故障预测方法
CN113970697B (zh) * 2021-09-09 2023-06-13 北京无线电计量测试研究所 一种模拟电路状态评估方法和装置
CN115048731A (zh) * 2021-09-09 2022-09-13 海沃机械（中国）有限公司 用于垃圾转运车的拉臂的健康评估方法和装置
CN113970697A (zh) * 2021-09-09 2022-01-25 北京无线电计量测试研究所 一种模拟电路状态评估方法和装置
CN115048731B (zh) * 2021-09-09 2023-10-31 海沃机械（中国）有限公司 用于垃圾转运车的拉臂的健康评估方法和装置
CN113807431A (zh) * 2021-09-15 2021-12-17 西安理工大学 一种基于多源信息融合的智能主轴状态评估方法和系统
CN114024820B (zh) * 2021-09-24 2024-04-16 北京华控智加科技有限公司 一种设备健康画像方法
CN114024820A (zh) * 2021-09-24 2022-02-08 北京华控智加科技有限公司 一种设备健康画像方法
CN114102262A (zh) * 2021-12-27 2022-03-01 爱派尔(常州)数控科技有限公司 一种机床主轴安全检测方法、系统及机床
CN114442558A (zh) * 2022-01-27 2022-05-06 西南交通大学 一种基于自注意力机制的机床温度敏感点组合选取方法
CN114596010A (zh) * 2022-05-09 2022-06-07 西南石油大学 一种结合注意力机制的BiGRU网络钻井工况识别方法
CN114800036A (zh) * 2022-06-24 2022-07-29 成都飞机工业（集团）有限责任公司 一种设备健康状态评估方法
CN115270993A (zh) * 2022-08-23 2022-11-01 南通思诺船舶科技有限公司 柴油机组状态检测方法及系统
CN115157006A (zh) * 2022-09-08 2022-10-11 中科航迈数控软件(深圳)有限公司 基于信息熵的部件磨损检测方法、装置、终端及存储介质
CN115830235A (zh) * 2022-12-09 2023-03-21 皖南医学院第一附属医院（皖南医学院弋矶山医院） 一种房室缺陷影像三维模型重建方法
CN115828611A (zh) * 2022-12-15 2023-03-21 北京控制工程研究所 一种航天器机电部件的健康状态评估方法和装置
CN116449135A (zh) * 2023-04-19 2023-07-18 北京航空航天大学 一种机电系统部件健康状态确定方法、系统及电子设备
CN116449135B (zh) * 2023-04-19 2024-01-30 北京航空航天大学 一种机电系统部件健康状态确定方法、系统及电子设备
CN116237817B (zh) * 2023-05-06 2023-07-14 济南章力机械有限公司 基于物联网的五轴联动数控机床智能监测系统
CN116237817A (zh) * 2023-05-06 2023-06-09 济南章力机械有限公司 基于物联网的五轴联动数控机床智能监测系统
CN116861369A (zh) * 2023-09-04 2023-10-10 山东捷瑞数字科技股份有限公司 工业互联网异构数据融合的空压机健康评估方法及系统
CN117078118A (zh) * 2023-10-18 2023-11-17 济南章力机械有限公司 一种数控机床生产工件质量智能检测系统
CN117078118B (zh) * 2023-10-18 2024-01-05 济南章力机械有限公司 一种数控机床生产工件质量智能检测系统

Also Published As

Publication number Publication date
CN112034789B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN112034789B (zh) 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机
US11624731B2 (en) Method for predicting remaining life of numerical control machine tool
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN111259481B (zh) 一种整合空间信息的建筑室内光环境设计评价方法及装置
CN116150676B (zh) 基于人工智能的设备故障诊断与识别方法及装置
CN110561191B (zh) 基于pca与自编码器的数控机床刀具磨损数据处理方法
CN112070239B (zh) 基于用户数据建模的分析方法、系统、介质及设备
TWI584134B (zh) 製程異因分析方法與製程異因分析系統
CN112348101B (zh) 一种基于异常数据分析的轧钢燃耗预警方法及系统
CN107122907B (zh) 一种机电产品符号化质量特性的分析与故障原因追溯方法
CN113110398B (zh) 基于动态时间归整和图卷积网络的工业过程故障诊断方法
CN116597939A (zh) 基于大数据的药品质量控制管理分析系统及方法
CN113110961A (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN117272102A (zh) 一种基于双注意力机制的变压器故障诊断方法
CN111190944A (zh) 一种数据挖掘方法和系统
CN116108371A (zh) 基于级联异常生成网络的云服务异常诊断方法与系统
CN111721534B (zh) 一种滚动轴承健康状态在线评估方法及系统
CN113779391A (zh) 基于建模的智能锁开锁推荐方法、系统、装置及存储介质
CN116719519B (zh) 银行领域的广义线性模型训练方法、装置、设备和介质
CN117194963B (zh) 工业fdc质量根因分析方法、设备及存储介质
CN117892214A (zh) 异常检测模型的构建方法、异常检测方法及异常检测系统
CN112559512A (zh) 一种基于时间轴的模型数据指标推演方法
Cohen Augmented Intelligence for Fault Diagnosis in Advanced Manufacturing
CN116821828A (zh) 一种基于工业数据的多维时序预测方法
CN116933842A (zh) 一种新型滚齿加工瓶颈因素分析方法及装置

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