CN112162528B - 一种数控机床的故障诊断方法、装置、设备和存储介质 - Google Patents
一种数控机床的故障诊断方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112162528B CN112162528B CN202011049774.5A CN202011049774A CN112162528B CN 112162528 B CN112162528 B CN 112162528B CN 202011049774 A CN202011049774 A CN 202011049774A CN 112162528 B CN112162528 B CN 112162528B
- Authority
- CN
- China
- Prior art keywords
- fault
- propagation
- probability
- numerical control
- control machine
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45136—Turning, lathe
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本申请公开了一种数控机床的故障诊断方法、装置、设备和存储介质,其中方法包括:获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵;基于层次化算法,对所述可达性矩阵中的故障进行层次化分解,得到故障层次传播图;根据所述故障层次传播图、所述故障传播概率矩阵中各故障发生概率,基于链式传播,计算各所述故障的全局影响度;根据各所述故障的全局影响度,进行所述待诊断数控机床的故障原因的定位,从而解决了传统的图论诊断法多基于发生率进行故障定位,定位结果的精确度较低,定位的故障不符合实际排查情况的技术问题。
Description
技术领域
本申请涉及故障诊断技术领域,尤其涉及一种数控机床的故障诊断方法、装置、设备和存储介质。
背景技术
随着制造业产业的不断升级,数控机床的综合保障成为当今我国制造业发展的瓶颈,而数控机床的故障诊断是其中重要的技术之一。
图论诊断法因其准确性高、直观性强、通用性好、灵活性大,便捷性好等,成为对数控机床故障诊断的主要方法。图论诊断法有直观的图形表达方式,在故障模型建立的速度和识别新的故障等方面具有明显优势。
然而,传统的图论诊断法多基于发生率进行故障定位,定位结果的精确度较低,定位的故障不符合实际排查情况。
发明内容
本申请提供了一种数控机床的故障诊断方法、装置、设备和存储介质,解决了传统的图论诊断法多基于发生率进行故障定位,定位结果的精确度较低,定位的故障不符合实际排查情况的技术问题。
有鉴于此,本申请第一方面提供了一种数控机床的故障诊断方法,包括:
获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵;
基于层次化算法,对所述可达性矩阵中的故障进行层次化分解,得到故障层次传播图;
根据所述故障层次传播图、所述故障传播概率矩阵中各故障发生概率,基于链式传播,计算各所述故障的全局影响度;
根据各所述故障的全局影响度,进行所述待诊断数控机床的故障原因的定位。
可选地,获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵,具体包括:
基于故障传播图模型,获取待诊断数控机床的故障传播图;
根据所述故障传播图中所有故障间的可达关系,获取所述待诊断数控机床的可达性矩阵;
基于所述故障传播图和所述可达性矩阵,获取所述待诊断数控机床的故障传播概率矩阵。
可选地,基于层次化算法,对所述可达性矩阵中的故障进行层次化分解,得到故障层次传播图,具体包括:
统计所述可达性矩阵中各故障的节点深度;
基于所有所述节点深度,绘制故障深度表;
基于所述故障深度表,重新构建所述故障传播图的传播层次,得到故障层次传播图。
可选地,根据所述故障层次传播图、所述故障传播概率矩阵中各故障发生概率,基于链式传播,计算各所述故障的全局影响度,具体包括:
获取各所述故障对应的故障发生概率和故障风险概率;
通过故障层次传播图、概率的链式传播,基于所述故障发生概率和所述故障风险概率,计算各所述故障的全局影响度。
通过故障层次传播图、概率的链式传播,基于所述故障发生概率和所述故障风险概率,计算各所述故障的全局影响度,具体包括:
从所述故障层次传播图的第二层起,根据导致概率计算公式和所述故障发生概率和所述故障风险概率,计算各层对于上一层故障的导致概率;
基于概率的链式传播,从所述故障层次传播图的顶层开始逐层向下,通过所述导致概率计算各所述故障的全局影响度。
可选地,所述导致概率计算公式为:
式中,Fi j为故障i已经发生且是由故障j所导致的导致概率;Rf(Xi)为故障i的故障风险概率;Pij为故障发生概率;G为Fi j中与故障j处于同一层且可达故障i的故障的集合;k为集合G中的故障。
本申请第二方面提供了一种数控机床的故障诊断装置,包括:
获取单元,用于获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵;
分解单元,用于基于层次化算法,对所述可达性矩阵中的故障进行层次化分解,得到故障层次传播图;
计算单元,用于根据所述故障层次传播图、所述故障传播概率矩阵中各故障发生概率,基于链式传播,计算各所述故障的全局影响度;
定位单元,用于根据各所述故障的全局影响度,进行所述待诊断数控机床的故障原因的定位。
可选地,获取单元具体包括:
第一获取子单元,用于基于故障传播图模型,获取待诊断数控机床的故障传播图;
第二获取子单元,用于根据所述故障传播图中所有故障间的可达关系,获取所述待诊断数控机床的可达性矩阵;
基于所述故障传播图和所述可达性矩阵,获取所述待诊断数控机床的故障传播概率矩阵。
本申请第三方面提供了一种数控机床的故障诊断设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的数控机床的故障诊断方法。
本申请第四方面提供了一种存储介质,所述存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的数控机床的故障诊断方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种数控机床的故障诊断方法,包括:获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵;基于层次化算法,对可达性矩阵中的故障进行层次化分解,得到故障层次传播图;根据故障层次传播图、故障传播概率矩阵中各故障发生概率,基于链式传播,计算各故障的全局影响度;根据各故障的全局影响度,进行待诊断数控机床的故障原因的定位。
本申请中,对传统的图论诊断方法进行了改进,与传统的故障诊断方法相比,在提升故障诊断速度和准确性方面都具有一定的优势。同时,引入了全局影响度,通过计算每个故障的全局影响度来定位故障原因,避免了传统的图论诊断法利用先验概率进行故障原因定位导致的定位不准缺陷,提高了故障原因定位的准确性,从而解决了传统的图论诊断法多基于发生率进行故障定位,定位结果的精确度较低,定位的故障不符合实际排查情况的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种数控机床的故障诊断方法的实施例一的流程示意图;
图2为本申请实施例中一种数控机床的故障诊断方法的实施例二的流程示意图;
图3为本申请实施例中的层次化分级的原理图;
图4为本申请实施例中全局影响度计算的流程示意图;
图5为本申请实施例中全局影响度计算的计算原理图;
图6为本申请实施例中一种数控机床的故障诊断装置的实施例的结构示意图。
具体实施方式
本申请实施例提供了一种数控机床的故障诊断方法、装置、设备和存储介质,传统的图论诊断法多基于发生率进行故障定位,定位结果的精确度较低,定位的故障不符合实际排查情况的技术问题。
传统的图论诊断方法大多基于故障的故障发生概率,并根据故障发生概率的大小定位故障原因,但是由于发生概率都是先验概率,并不能全面展现故障的各个信息,例如检测难易程度或全局危害程度等。
本实施例中结合数控机床故障诊断的特点,在传统潜在失效模式分析方法的基础上加入全局影响度概念。全局影响度用来表征单个故障的故障风险概率Rf对初始故障(第一层故障)的影响程度,并根据各故障影响程度的大小对故障进行排序,从而更加准确地定位故障原因。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,本申请实施例中一种数控机床的故障诊断方法的实施例一的流程示意图。
本实施例中的一种数控机床的故障诊断方法,包括:
步骤101、获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵。
需要说明的是,要对待诊断数控机床故障原因进行定位,首先要获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵。
步骤102、基于层次化算法,对可达性矩阵中的故障进行层次化分解,得到故障层次传播图。
为了降低进行故障分析时的计算复杂度,在获取到可达性矩阵和故障传播概率矩阵,有必要对可达性矩阵中的故障进行层次化分解,降低复杂程度和故障诊断求解过程的复杂程度。
步骤103、根据故障层次传播图、故障传播概率矩阵中各故障发生概率,基于链式传播,计算各故障的全局影响度。
全局影响度不但能通过对故障各种数据的分析来识别被诊断系统中最易发生故障的部件,为评价和改进系统的可靠性提供基本信息,而且还考虑了三个变量对于单个故障整体的影响,以及每个故障相对于整个整体的影响。因此全局影响度不仅能够避免风险系数(Risk Priority Number,RPN)方法的主观性,还能够克服其他传统方法定位不准确的缺陷。
步骤104、根据各故障的全局影响度,进行待诊断数控机床的故障原因的定位。
本实施例中数控机床的诊断方法,首先获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵,接着基于层次化算法,对可达性矩阵中的故障进行层次化分解,得到故障层次传播图,再接着根据故障层次传播图、故障传播概率矩阵中各故障发生概率,基于链式传播,计算各故障的全局影响度,最后根据各故障的全局影响度,进行待诊断数控机床的故障原因的定位。本申请中,对传统的图论诊断方法进行了改进,与传统的故障诊断方法相比,在提升故障诊断速度和准确性方面都具有一定的优势。同时,引入了全局影响度,通过计算每个故障的全局影响度来定位故障原因,避免了传统的图论诊断法利用先验概率进行故障原因定位导致的定位不准缺陷,提高了故障原因定位的准确性,从而解决了传统的图论诊断法多基于发生率进行故障定位,定位结果的精确度较低,定位的故障不符合实际排查情况的技术问题。
以上为本申请实施例提供的一种数控机床的故障诊断方法的实施例一,以下为本申请实施例提供的一种数控机床的故障诊断方法的实施例二。
请参阅图2,本申请实施例中一种数控机床的故障诊断方法的实施例二的流程示意图。
本实施例中的一种数控机床的故障诊断方法,包括:
步骤201、基于故障传播图模型,获取待诊断数控机床的故障传播图。
通过故障传播图模型将抽象的故障关系转化为直观的故障传播图,从而得到各故障间相互的传播关系,但这种直观的表达无法被计算机识别,因此需要进行矩阵化处理。
假设有n个节点,故障传播图可用n×n阶连接矩阵M来表示,其元素定义如下:
步骤202、根据故障传播图中所有故障间的可达关系,获取待诊断数控机床的可达性矩阵。
需要说明的是,如果已知某个故障,则重要的是确定哪些故障有可能导致该故障的发生,将故障Xj可直接或间接导致故障Xi发生的情况称为Xj可达Xi。用于表达故障传播图全部故障间的可达关系的矩阵,称为可达性矩阵,用C来表示,其中的元素Cij必须满足如下关系式:
对任一由n个故障所组成的传播图,如果其中任意两个故障Xi和Xj间存在可达关系,则能够在连接矩阵M的n-1次乘幂中正确地表达出来。假设每个故障均能够到达它的本身,则连接矩阵和可达性矩阵间存在以下关系:
C=I∪M∪M2∪…∪Mn-1。
步骤203、基于故障传播图和可达性矩阵,获取待诊断数控机床的故障传播概率矩阵。
通过连接矩阵和可达性矩阵可以对任何故障传播进行描述,它们分别从各自不同的角度解释了故障传播图之间的关联关系,连接矩阵表达了故障之间的连接关系,可达性矩阵说明了故障之间的可达关系。设故障传播概率矩阵为P,则其中元素Pij定义如下:
当Xj可达Xi时,根据以往所收集的数据来确定此时Pij,即Pij是一个数据驱动的先验概率。
步骤204、统计可达性矩阵中各故障的节点深度。
运用图论法可从具体的物理系统得到初始的故障传播图,但该初始的故障传播图往往十分复杂,特别是一些复杂系统的初始故障传播图更为复杂,因此有必要对这些初始故障传播图进行层次化分解,降低初始故障传播图的复杂程度和故障诊断求解过程的复杂程度。故障自身的层次关系可以通过故障传播图层次的分解来表达,即故障在任何层次内仅能影响或传播到比它本身层次更高的故障。
如图3所示,故障1的节点深度为1,故障4的节点深度为3,依次类推。其中,顶层故障(故障1)是已发生的故障,其余层次的故障是导致顶层故障的原因;其中故障1到故障2的箭头表示故障2是引起故障1的原因,即故障传播方向是从故障2到故障1,而箭头上的Pij表示权重,即故障j发生导致故障i发生的概率(即故障发生概率),依次类推。
对上述的可达性矩阵,对每一条分支进行节点深度的统计,其规则是:
1)设已知故障的节点深度为1;
2)每次向外传播一次(即找到最直接的故障原因),节点深度累计加1;
3)重复节点的节点深度值取最大值。
步骤205、基于所有节点深度,绘制故障深度表。
步骤206、基于故障深度表,重新构建故障传播图的传播层次,得到故障层次传播图。
步骤207、获取各故障对应的故障发生概率和故障风险概率。
可以理解的是,故障风险概率的计算可以是:
将各故障用自身的检测度(D)乘上严酷度(S),得到对应的故障风险概率。
步骤208、从故障层次传播图的第二层起,根据导致概率计算公式和故障发生概率和故障风险概率,计算各层对于上一层故障的导致概率。
本实施例中,导致概率计算公式为:
式中,Fi j为故障i已经发生且是由故障j所导致的导致概率;Rf(Xi)为故障i的故障风险概率;Pij为故障发生概率;G为Fi j中与故障j处于同一层且可达故障i的故障的集合;k为集合G中的故障。
步骤209、基于概率的链式传播,从故障层次传播图的顶层开始逐层向下,通过导致概率计算各故障的全局影响度。
如图4所示,基于概率的链式传播,从故障层次传播图的顶层开始逐层向下,通过导致概率计算各故障的全局影响度,也就是根节点(第一层的故障)发生是由其他故障发生所导致的导致概率(也即条件概率)。即要求其中M表示可能导致顶层故障(直接的或间接的)故障的集合。
例如图5中,某个故障的全局影响度,指的就是这个故障对根节点(已发生故障)的影响。比如故障j的全局影响度为:
式中,F1 j为故障1(顶点故障)已经发生且是由故障j所导致的导致概率;Rf(X1)为故障1的故障风险概率;P1j为故障发生概率;G为F1 j中与故障j处于同一层且可达故障1(顶点故障)的故障的集合;k为集合G中的故障。其中:P14=P12*P24。
此时就可以根据上面公式算出F1 4也就是4号故障的全局影响度。
其中,G={4,5,6}。也就是第三层故障构成的集合。
步骤210、根据各故障的全局影响度,进行待诊断数控机床的故障原因的定位。
本实施例中数控机床的诊断方法,首先获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵,接着基于层次化算法,对可达性矩阵中的故障进行层次化分解,得到故障层次传播图,再接着根据故障层次传播图、故障传播概率矩阵中各故障发生概率,基于链式传播,计算各故障的全局影响度,最后根据各故障的全局影响度,进行待诊断数控机床的故障原因的定位。本申请中,对传统的图论诊断方法进行了改进,与传统的故障诊断方法相比,在提升故障诊断速度和准确性方面都具有一定的优势。同时,引入了全局影响度,通过计算每个故障的全局影响度来定位故障原因,避免了传统的图论诊断法利用先验概率进行故障原因定位导致的定位不准缺陷,提高了故障原因定位的准确性,从而解决了传统的图论诊断法多基于发生率进行故障定位,定位结果的精确度较低,定位的故障不符合实际排查情况的技术问题。
以上为本申请实施例提供的一种数控机床的故障诊断方法的实施例二,以下为本申请实施例提供的一种数控机床的故障诊断装置的实施例,请参阅图6。
本申请实施例中一种数控机床的故障诊断装置的实施例,包括:
获取单元601,用于获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵;
分解单元602,用于基于层次化算法,对可达性矩阵中的故障进行层次化分解,得到故障层次传播图;
计算单元603,用于根据故障层次传播图、故障传播概率矩阵中各故障发生概率,基于链式传播,计算各故障的全局影响度;
定位单元604,用于根据各故障的全局影响度,进行待诊断数控机床的故障原因的定位。
进一步地,获取单元601具体包括:
第一获取子单元,用于基于故障传播图模型,获取待诊断数控机床的故障传播图;
第二获取子单元,用于根据故障传播图中所有故障间的可达关系,获取待诊断数控机床的可达性矩阵;
基于故障传播图和可达性矩阵,获取待诊断数控机床的故障传播概率矩阵。
本实施例中数控机床的诊断方法,首先获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵,接着基于层次化算法,对可达性矩阵中的故障进行层次化分解,得到故障层次传播图,再接着根据故障层次传播图、故障传播概率矩阵中各故障发生概率,基于链式传播,计算各故障的全局影响度,最后根据各故障的全局影响度,进行待诊断数控机床的故障原因的定位。本申请中,对传统的图论诊断方法进行了改进,与传统的故障诊断方法相比,在提升故障诊断速度和准确性方面都具有一定的优势。同时,引入了全局影响度,通过计算每个故障的全局影响度来定位故障原因,避免了传统的图论诊断法利用先验概率进行故障原因定位导致的定位不准缺陷,提高了故障原因定位的准确性,从而解决了传统的图论诊断法多基于发生率进行故障定位,定位结果的精确度较低,定位的故障不符合实际排查情况的技术问题。
本申请实施例还提供了一种数控机床的故障诊断设备,设备包括处理器以及存储器;存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行实施例一或实施例二的数控机床的故障诊断方法。
本申请实施例还提供了一种存储介质,所述存储介质用于存储程序代码,所述程序代码用于执行实施例一或实施例二的数控机床的故障诊断方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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待安装电网网络,或一些特征可以忽略,或不执行。另一点,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,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请个实施例中的功能单元可以集成在一个处理单元中,也可以是个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。
Claims (8)
1.一种数控机床的故障诊断方法,其特征在于,包括:
获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵;
基于层次化算法,对所述可达性矩阵中的故障进行层次化分解,得到故障层次传播图;
根据所述故障层次传播图、所述故障传播概率矩阵中各故障发生概率,基于链式传播,计算各所述故障的全局影响度;
根据各所述故障的全局影响度,进行所述待诊断数控机床的故障原因的定位;
根据所述故障层次传播图、所述故障传播概率矩阵中各故障发生概率,基于链式传播,计算各所述故障的全局影响度,具体包括:
获取各所述故障对应的故障发生概率和故障风险概率;
通过故障层次传播图、概率的链式传播,基于所述故障发生概率和所述故障风险概率,计算各所述故障的全局影响度;
通过故障层次传播图、概率的链式传播,基于所述故障发生概率和所述故障风险概率,计算各所述故障的全局影响度,具体包括:
从所述故障层次传播图的第二层起,根据导致概率计算公式和所述故障发生概率和所述故障风险概率,计算各层对于上一层故障的导致概率;
基于概率的链式传播,从所述故障层次传播图的顶层开始逐层向下,通过所述导致概率计算各所述故障的全局影响度。
2.根据权利要求1所述的数控机床的故障诊断方法,其特征在于,获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵,具体包括:
基于故障传播图模型,获取待诊断数控机床的故障传播图;
根据所述故障传播图中所有故障间的可达关系,获取所述待诊断数控机床的可达性矩阵;
基于所述故障传播图和所述可达性矩阵,获取所述待诊断数控机床的故障传播概率矩阵。
3.根据权利要求2所述的数控机床的故障诊断方法,其特征在于,基于层次化算法,对所述可达性矩阵中的故障进行层次化分解,得到故障层次传播图,具体包括:
统计所述可达性矩阵中各故障的节点深度;
基于所有所述节点深度,绘制故障深度表;
基于所述故障深度表,重新构建所述故障传播图的传播层次,得到故障层次传播图。
5.一种数控机床的故障诊断装置,其特征在于,包括:
获取单元,用于获取待诊断数控机床故障传播时的可达性矩阵和故障传播概率矩阵;
分解单元,用于基于层次化算法,对所述可达性矩阵中的故障进行层次化分解,得到故障层次传播图;
计算单元,用于根据所述故障层次传播图、所述故障传播概率矩阵中各故障发生概率,基于链式传播,计算各所述故障的全局影响度;
定位单元,用于根据各所述故障的全局影响度,进行所述待诊断数控机床的故障原因的定位;
根据所述故障层次传播图、所述故障传播概率矩阵中各故障发生概率,基于链式传播,计算各所述故障的全局影响度,具体包括:
获取各所述故障对应的故障发生概率和故障风险概率;
通过故障层次传播图、概率的链式传播,基于所述故障发生概率和所述故障风险概率,计算各所述故障的全局影响度;
通过故障层次传播图、概率的链式传播,基于所述故障发生概率和所述故障风险概率,计算各所述故障的全局影响度,具体包括:
从所述故障层次传播图的第二层起,根据导致概率计算公式和所述故障发生概率和所述故障风险概率,计算各层对于上一层故障的导致概率;
基于概率的链式传播,从所述故障层次传播图的顶层开始逐层向下,通过所述导致概率计算各所述故障的全局影响度。
6.根据权利要求5所述的数控机床的故障诊断装置,其特征在于,获取单元具体包括:
第一获取子单元,用于基于故障传播图模型,获取待诊断数控机床的故障传播图;
第二获取子单元,用于根据所述故障传播图中所有故障间的可达关系,获取所述待诊断数控机床的可达性矩阵;
基于所述故障传播图和所述可达性矩阵,获取所述待诊断数控机床的故障传播概率矩阵。
7.一种数控机床的故障诊断设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1至4中任一项所述的数控机床的故障诊断方法。
8.一种存储介质,其特征在于,所述存储介质用于存储程序代码,所述程序代码用于执行权利要求1至4中任一项所述的数控机床的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011049774.5A CN112162528B (zh) | 2020-09-29 | 2020-09-29 | 一种数控机床的故障诊断方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011049774.5A CN112162528B (zh) | 2020-09-29 | 2020-09-29 | 一种数控机床的故障诊断方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112162528A CN112162528A (zh) | 2021-01-01 |
CN112162528B true CN112162528B (zh) | 2022-02-15 |
Family
ID=73862303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011049774.5A Active CN112162528B (zh) | 2020-09-29 | 2020-09-29 | 一种数控机床的故障诊断方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112162528B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719293B (zh) * | 2023-08-04 | 2023-11-17 | 江苏甬金金属科技有限公司 | 一种冷轧钢带的生产监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106406229A (zh) * | 2016-12-20 | 2017-02-15 | 吉林大学 | 一种数控机床故障诊断方法 |
CN107192915A (zh) * | 2017-05-02 | 2017-09-22 | 国家电网公司 | 一种基于图论法的变压器故障诊断方法 |
CN109948204A (zh) * | 2019-03-05 | 2019-06-28 | 清华大学 | 一种基于贝叶斯网的高铁接触网动态风险分析方法 |
CN110766173A (zh) * | 2019-10-18 | 2020-02-07 | 青岛科技大学 | 基于机理相关分析贝叶斯网络的化工过程故障诊断方法 |
CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
-
2020
- 2020-09-29 CN CN202011049774.5A patent/CN112162528B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106406229A (zh) * | 2016-12-20 | 2017-02-15 | 吉林大学 | 一种数控机床故障诊断方法 |
CN107192915A (zh) * | 2017-05-02 | 2017-09-22 | 国家电网公司 | 一种基于图论法的变压器故障诊断方法 |
CN109948204A (zh) * | 2019-03-05 | 2019-06-28 | 清华大学 | 一种基于贝叶斯网的高铁接触网动态风险分析方法 |
CN110766173A (zh) * | 2019-10-18 | 2020-02-07 | 青岛科技大学 | 基于机理相关分析贝叶斯网络的化工过程故障诊断方法 |
CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
Non-Patent Citations (1)
Title |
---|
"基于图论的数控机床多故障诊断方法研究";盛博,等;《计算机集成制造系统》;20150630;1559-1570页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112162528A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388489B (zh) | 一种服务器故障诊断方法、系统、设备及存储介质 | |
US20120005532A1 (en) | Method and apparatus for determining ranked causal paths for faults in a complex multi-host system with probabilistic inference in a time series | |
CN109032872B (zh) | 基于贝叶斯网络的设备故障诊断方法及系统 | |
CN113657715A (zh) | 一种基于核密度估计调用链的根因定位方法及系统 | |
CN114341877A (zh) | 根本原因分析方法、装置、电子设备、介质以及程序产品 | |
JP2016167259A (ja) | システムの可用性、特にセーフティクリティカルシステムの可用性を解析するための方法および装置 | |
CN110300008A (zh) | 一种确定网络设备的状态的方法及装置 | |
CN115373888A (zh) | 故障定位方法、装置、电子设备和存储介质 | |
CN116049146A (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN112162528B (zh) | 一种数控机床的故障诊断方法、装置、设备和存储介质 | |
CN115113528A (zh) | 神经网络模型的运行控制方法、装置、设备及介质 | |
CN111290371B (zh) | 物联网设备远程诊断的方法及装置、电子设备 | |
CN111901156B (zh) | 一种监控故障的方法及装置 | |
CN111125634B (zh) | 基于质量方法的可靠性分析方法及系统 | |
CN111143101A (zh) | 用于确定故障根源的方法、装置、存储介质及电子设备 | |
CN115118580B (zh) | 告警分析方法以及装置 | |
CN106485526A (zh) | 一种数据挖掘模型的诊断方法和装置 | |
Chopra et al. | A non-parametric approach for survival analysis of component-based software | |
CN114881112A (zh) | 一种系统异常检测方法、装置、设备及介质 | |
Kim et al. | An indirect estimation of machine parameters for serial production lines with Bernoulli reliability model | |
JP2020009080A (ja) | 機器状態監視システム及び機器状態監視方法 | |
RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
CN111858263B (zh) | 一种基于日志分析的故障预测方法、系统及装置 | |
Moshnikov | Evaluation of Network Reliability and Element Importance Metrics. | |
US20230214739A1 (en) | Recommendation system for improving support for a service |
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 |