CN112348120A - 数控机床退化轨迹模式识别方法及装置 - Google Patents

数控机床退化轨迹模式识别方法及装置 Download PDF

Info

Publication number
CN112348120A
CN112348120A CN202011385667.XA CN202011385667A CN112348120A CN 112348120 A CN112348120 A CN 112348120A CN 202011385667 A CN202011385667 A CN 202011385667A CN 112348120 A CN112348120 A CN 112348120A
Authority
CN
China
Prior art keywords
degradation
sample sequence
machine tool
numerical control
similarity
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
Application number
CN202011385667.XA
Other languages
English (en)
Inventor
夏志杰
郭一鸣
张志胜
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.)
Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd
Original Assignee
Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd
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 Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd filed Critical Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd
Priority to CN202011385667.XA priority Critical patent/CN112348120A/zh
Publication of CN112348120A publication Critical patent/CN112348120A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供了一种数控机床退化轨迹模式识别方法及装置，其中，数控机床退化轨迹模式识别方法将不同退化过程视为一个时间序列，采用时间序列相似性匹配的方法，对比样本序列与历史样本序列之间衰退趋势的相似性，确定退化轨迹模式。通过匹配的方式将机床退化轨迹模式进行识别并后续机床退化过程进行预测，便于厂商提前对机床进行维护或更换，避免了由于机床退化造成的不良产品的产出，降低了企业的损失。

Description

数控机床退化轨迹模式识别方法及装置
技术领域
本发明属于数控机床性能计算领域，具体涉及一种数控机床退化轨迹模式识别方法及装置。
背景技术
数控机床在不断进行生产加工的同时，设备的健康状态会逐渐退化。综合健康指数从初始值1开始逐渐减小，直到某一时刻综合健康指数将达到0，机床进入失效状态。
数控机床结构复杂，工作状况千差万别，不同的数控机床具有不同的退化轨迹模式。
现有技术中，不能对数控机床的性能进行预测，当性能退化到一定程度，其生产出来的产品就不能满足企业的生产标准，从而会导致大量的不良产品的产出，从而导致资源的浪费，企业的生产成本增加。
上述问题是目前亟待解决的。
发明内容
本发明所要解决的技术问题是提供一种数控机床退化轨迹模式识别方法及装置。
本发明解决其技术问题所采用的技术方案是：提供了一种数控机床退化轨迹模式识别方法，所述方法包括：
获取不同数控机床的退化轨迹模式；
将不同退化轨迹的过程的时间序列作为历史样本序列；
获取被测数控机床的被测样本序列；
依据历史样本序列与被测样本序列之间衰退趋势的相似性确定退化轨迹模式。
进一步的，所述依据历史样本序列与被测样本序列之间衰退趋势的相似性确定退化轨迹模式的方法包括：
将被测样本序列与预先分类好的历史样本序列进行相似度匹配；
获取历史样本序列中与被测样本序列相似度最高的时间序列；
将时间序列所对应的退化模式进行输出。
进一步的，所述历史样本序列的分类方法包括：
计算历史样本序列中所有样本序列之间的相似度；
采用模糊C均值聚类算法以相似度对不同故障的退化模式进行识别划分，从而将历史样本序列中的每个样本序列的退化模式进行标注，完成对历史样本序列的划分。
进一步的，所述计算历史样本序列中所有样本序列之间的相似度的方法包括：
样本序列HI(1)＝{x1,x2,...,xN}；
样本序列HI(2)＝{y1，y2，...，yM}；
依据被测样本序列以及历史样本序列构造N×M的矩阵，其中的每个元素对应着X和Y的欧几里得距离；
通过DTW距离法获取最佳路径W＝{w1,w2,…,wK}使得:
Figure BDA0002809621810000021
式中max(N，M)≤K≤N+M-1。
进一步的，所述采用模糊C均值聚类算法以相似度对不同故障的退化模式进行识别划分的方法包括：
初始化聚类数目、模糊度、迭代次数、收敛精度、聚类中心；
计算目标函数；
将历史样本序列中所有样本序列输入到目标函数中完成分类。
进一步的，所述目标函数的公式为：
Figure BDA0002809621810000031
式中m为模糊因子，其控制着样本在不同类间的模糊程度，
Figure BDA0002809621810000032
是样本点到聚类中心的距离uij表示隶属度，且满足：
Figure BDA0002809621810000033
本发明还提供了一种基于聚类算法数控机床退化轨迹模式识别装置，包括：
历史数据获取模块，适于获取不同数控机床的退化轨迹模式；
样本确定模模块，适于将不同退化轨迹的过程的时间序列作为历史样本序列；
被测数据获取模块，适于获取被测数控机床的被测样本序列；
退化轨迹确定模块，适于依据历史样本序列与被测样本序列之间衰退趋势的相似性确定退化轨迹模式。
进一步的，所述退化轨迹确定模块包括：
相似度匹配单元，适于将被测样本序列与预先分类好的历史样本序列进行相似度匹配；
时间序列获取单元，适于获取历史样本序列中与被测样本序列相似度最高的时间序列；
退化模式输出单元，适于将时间序列所对应的退化模式进行输出。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有一个或一个以上的指令，所述一个或一个以上的指令内的退化轨迹模式识别装置的处理器执行时实现上述的数控机床退化轨迹模式识别方法。
本发明还提供了一种电子设备，包括：存储器和处理器；所述存储器中存储有至少一条程序指令；所述处理器，通过加载并执行所述至少一条程序指令以实现上述的数控机床退化轨迹模式识别方法。
本发明的有益效果是：本发明提供的数控机床退化轨迹模式识别方法，将不同退化过程视为一个时间序列，采用时间序列相似性匹配的方法，对比样本序列与历史样本序列之间衰退趋势的相似性，确定退化轨迹模式。通过匹配的方式将机床退化轨迹模式进行识别并后续机床退化过程进行预测，便于厂商提前对机床进行维护或更换，避免了由于机床退化造成的不良产品的产出，降低了企业的损失。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明实施例所提供的数控机床退化轨迹模式识别方法的流程图；
图2是图1中步骤S140的子步骤的流程图；
图3是本发明实施例所提供的数控机床退化轨迹模式识别装置的原理框图；
图4是本发明实施例所提供的数控机床退化轨迹模式识别装置的退化轨迹确定模块的原理框图；
图5是本发明实施例所提供的电子设备的部分原理框图。
具体实施方式
现在结合附图对本发明作详细的说明。此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
实施例1
本实施例提供了一种数控机床退化轨迹模式识别方法。该方法将不同退化过程视为一个时间序列，采用时间序列相似性匹配的方法，对比样本序列与历史样本序列之间衰退趋势的相似性，确定退化轨迹模式。通过匹配的方式将机床退化轨迹模式进行识别并后续机床退化过程进行预测，便于厂商提前对机床进行维护或更换，避免了由于机床退化造成的不良产品的产出，降低了企业的损失。
请参阅图2，具体来说，所述方法包括：
S110：获取不同数控机床的退化轨迹模式。
具体来说，通过数控机床的历史综合健康指数及其对应的时间序列来形成历史数据库。
S120：将不同退化轨迹的过程的时间序列作为历史样本序列；
S130：获取被测数控机床的被测样本序列。
具体来说，通过数控机床本身的多通道传感器数据来计算出综合健康指数，并将一段时间序列的综合健康指数形成的时间序列作为被测样本需要。
S140：依据历史样本序列与被测样本序列之间衰退趋势的相似性确定退化轨迹模式。
请参阅图2，步骤S140包括：
S141：将被测样本序列与预先分类好的历史样本序列进行相似度匹配。
具体来说，所述历史样本序列的分类方法包括：
计算历史样本序列中所有样本序列之间的相似度。
包括以下步骤：
样本序列HI(1)×{x1，x2，...，xN}；
样本序列HI(2)＝{y1，y2，...，yM}；
依据被测样本序列以及历史样本序列构造N×M的矩阵，其中的每个元素对应着X和Y的欧几里得距离；
通过DTW距离法获取最佳路径W＝{w1,w2,…,wK}使得:
Figure BDA0002809621810000061
式中max(N，M)≤K≤N+M-1。
采用模糊C均值聚类算法以相似度对不同故障的退化模式进行识别划分，从而将历史样本序列中的每个样本序列的退化模式进行标注，完成对历史样本序列的划分。
具体来说，
初始化聚类数目、模糊度、迭代次数、收敛精度、聚类中心；
计算目标函数，其中，目标函数为
Figure BDA0002809621810000062
式中m为模糊因子，其控制着样本在不同类间的模糊程度，
Figure BDA0002809621810000063
是样本点到聚类中心的距离uij表示隶属度，且满足：
Figure BDA0002809621810000064
将历史样本序列中所有样本序列输入到目标函数中完成分类。
S142:获取历史样本序列中与被测样本序列相似度最高的时间序列；
S143：将时间序列所对应的退化模式进行输出。
实施例2
请参阅图3，本发明实施例还提供了一种基于聚类算法数控机床退化轨迹模式识别装置，包括：
历史数据获取模块，适于获取不同数控机床的退化轨迹模式；
样本确定模模块，适于将不同退化轨迹的过程的时间序列作为历史样本序列；
被测数据获取模块，适于获取被测数控机床的被测样本序列；
退化轨迹确定模块，适于依据历史样本序列与被测样本序列之间衰退趋势的相似性确定退化轨迹模式。
请参阅图4，其中，所述退化轨迹确定模块包括：
相似度匹配单元，适于将被测样本序列与预先分类好的历史样本序列进行相似度匹配；
时间序列获取单元，适于获取历史样本序列中与被测样本序列相似度最高的时间序列；
退化模式输出单元，适于将时间序列所对应的退化模式进行输出。
实施例3
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有一个或一个以上的指令，所述一个或一个以上的指令内的退化轨迹模式识别装置的处理器执行时实现实施例1所提供的数控机床退化轨迹模式识别方法。
本实施例中，在对数控机床退化轨迹模式识别时，获取不同数控机床的退化轨迹模式；将不同退化轨迹的过程的时间序列作为历史样本序列；获取被测数控机床的被测样本序列；依据历史样本序列与被测样本序列之间衰退趋势的相似性确定退化轨迹模式。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个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，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例4
请参阅图5，本发明实施例还提供了一种电子设备，其特征在于，包括：存储器和处理器；所述存储器中存储有至少一条程序指令；所述处理器，通过加载并执行所述至少一条程序指令以实现实施例1所提供的数控机床退化轨迹模式识别方法。
存储器502和处理器501采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器501和存储器502的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器501处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器501。
处理器501负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器502可以被用于存储处理器501在执行操作时所使用的数据。
综上所述，本发明提供的数控机床退化轨迹模式识别方法，将不同退化过程视为一个时间序列，采用时间序列相似性匹配的方法，对比样本序列与历史样本序列之间衰退趋势的相似性，确定退化轨迹模式。通过匹配的方式将机床退化轨迹模式进行识别并后续机床退化过程进行预测，便于厂商提前对机床进行维护或更换，避免了由于机床退化造成的不良产品的产出，降低了企业的损失。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关的工作人员完全可以在不偏离本发明的范围内，进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种数控机床退化轨迹模式识别方法，其特征在于，所述方法包括：
获取不同数控机床的退化轨迹模式；
将不同退化轨迹的过程的时间序列作为历史样本序列；
获取被测数控机床的被测样本序列；
依据历史样本序列与被测样本序列之间衰退趋势的相似性确定退化轨迹模式。
2.如权利要求1所述的数控机床退化轨迹模式识别方法，其特征在于，所述依据历史样本序列与被测样本序列之间衰退趋势的相似性确定退化轨迹模式的方法包括：
将被测样本序列与预先分类好的历史样本序列进行相似度匹配；
获取历史样本序列中与被测样本序列相似度最高的时间序列；
将时间序列所对应的退化模式进行输出。
3.如权利要求2所述的数控机床退化轨迹模式识别方法，其特征在于，所述历史样本序列的分类方法包括：
计算历史样本序列中所有样本序列之间的相似度；
采用模糊C均值聚类算法以相似度对不同故障的退化模式进行识别划分，从而将历史样本序列中的每个样本序列的退化模式进行标注，完成对历史样本序列的划分。
4.如权利要求3所述的数控机床退化轨迹模式识别方法，其特征在于，所述计算历史样本序列中所有样本序列之间的相似度的方法包括：
样本序列HI(1)＝{x1，x2，...，xN}；
样本序列HI(2)＝{y1，y2，...，yM}；
依据被测样本序列以及历史样本序列构造N×M的矩阵，其中的每个元素对应着X和Y的欧几里得距离；
通过DTW距离法获取最佳路径W＝{w1，w2，...，wK}使得：
Figure FDA0002809621800000021
式中max(N，M)≤K≤N+M-1。
5.如权利要求3所述的数控机床退化轨迹模式识别方法，其特征在于，所述采用模糊C均值聚类算法以相似度对不同故障的退化模式进行识别划分的方法包括：
初始化聚类数目、模糊度、迭代次数、收敛精度、聚类中心；
计算目标函数；
将历史样本序列中所有样本序列输入到目标函数中完成分类。
6.如权利要求5所述的数控机床退化轨迹模式识别方法，其特征在于，所述目标函数的公式为：
Figure FDA0002809621800000022
式中m为模糊因子，其控制着样本在不同类间的模糊程度，
Figure FDA0002809621800000023
是样本点到聚类中心的距离uij表示隶属度，且满足：
Figure FDA0002809621800000024
7.一种基于聚类算法数控机床退化轨迹模式识别装置，其特征在于，包括：
历史数据获取模块，适于获取不同数控机床的退化轨迹模式；
样本确定模模块，适于将不同退化轨迹的过程的时间序列作为历史样本序列；
被测数据获取模块，适于获取被测数控机床的被测样本序列；
退化轨迹确定模块，适于依据历史样本序列与被测样本序列之间衰退趋势的相似性确定退化轨迹模式。
8.如权利要求7所述的基于聚类算法数控机床退化轨迹模式识别装置，其特征在于，所述退化轨迹确定模块包括：
相似度匹配单元，适于将被测样本序列与预先分类好的历史样本序列进行相似度匹配；
时间序列获取单元，适于获取历史样本序列中与被测样本序列相似度最高的时间序列；
退化模式输出单元，适于将时间序列所对应的退化模式进行输出。
9.一种计算机可读存储介质，所述计算机可读存储介质中存储有一个或一个以上的指令，其特征在于，所述一个或一个以上的指令内的退化轨迹模式识别装置的处理器执行时实现权利要求1-6任一项所述的数控机床退化轨迹模式识别方法。
10.一种电子设备，其特征在于，包括：存储器和处理器；所述存储器中存储有至少一条程序指令；所述处理器，通过加载并执行所述至少一条程序指令以实现权利要求1-6中任一项所述的数控机床退化轨迹模式识别方法。
CN202011385667.XA 2020-12-01 2020-12-01 数控机床退化轨迹模式识别方法及装置 Pending CN112348120A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011385667.XA CN112348120A (zh) 2020-12-01 2020-12-01 数控机床退化轨迹模式识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011385667.XA CN112348120A (zh) 2020-12-01 2020-12-01 数控机床退化轨迹模式识别方法及装置

Publications (1)

Publication Number Publication Date
CN112348120A true CN112348120A (zh) 2021-02-09

Family

ID=74427355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011385667.XA Pending CN112348120A (zh) 2020-12-01 2020-12-01 数控机床退化轨迹模式识别方法及装置

Country Status (1)

Country Link
CN (1) CN112348120A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117193164A (zh) * 2023-11-08 2023-12-08 东莞市博思特数控机械有限公司 一种数控机床的故障监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789545A (zh) * 2012-07-12 2012-11-21 哈尔滨工业大学 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
CN106169001A (zh) * 2016-07-11 2016-11-30 北京航空航天大学 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法
CN106203471A (zh) * 2016-06-22 2016-12-07 南京航空航天大学 一种基于融合Kendall Tau距离度量的谱聚类方法
CN109460574A (zh) * 2018-10-09 2019-03-12 南京航空航天大学 一种航空发动机剩余寿命的预测方法
WO2020140560A1 (zh) * 2019-05-31 2020-07-09 南京航空航天大学 一种生产物流输送装备故障预警方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789545A (zh) * 2012-07-12 2012-11-21 哈尔滨工业大学 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
CN106203471A (zh) * 2016-06-22 2016-12-07 南京航空航天大学 一种基于融合Kendall Tau距离度量的谱聚类方法
CN106169001A (zh) * 2016-07-11 2016-11-30 北京航空航天大学 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法
CN109460574A (zh) * 2018-10-09 2019-03-12 南京航空航天大学 一种航空发动机剩余寿命的预测方法
WO2020140560A1 (zh) * 2019-05-31 2020-07-09 南京航空航天大学 一种生产物流输送装备故障预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段林珊;刘培玉;谢方方;: "基于模拟退火的样本加权FCM算法", 计算机工程与设计, no. 06 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117193164A (zh) * 2023-11-08 2023-12-08 东莞市博思特数控机械有限公司 一种数控机床的故障监测方法及系统
CN117193164B (zh) * 2023-11-08 2024-01-30 东莞市博思特数控机械有限公司 一种数控机床的故障监测方法及系统

Similar Documents

Publication Publication Date Title
US11117328B2 (en) Systems, methods, and media for manufacturing processes
CN109947072B (zh) 用于在生产过程期间自动检测异常工件的数据驱动方法
CN113012766B (zh) 一种基于在线选择性集成的自适应软测量建模方法
US20210138735A1 (en) Systems, Methods, and Media for Manufacturing Processes
US20220187787A1 (en) Method for determining a property of a machine, in particular a machine tool, without metrologically capturing the property
US20210263495A1 (en) Systems, Methods, and Media for Manufacturing Processes
CN114077876B (zh) 一种带钢热连轧多模态过程监测方法及装置
CN115062674B (zh) 基于深度学习的刀具排布及换刀方法、设备及存储介质
CN112848182B (zh) 基于大数据分析的注塑工艺优化方法及装置
CN111832880A (zh) 对正在进行的生产批运行的质量指示符的计算机实现的确定
Greis et al. Physics-guided machine learning for self-aware machining
CN112348120A (zh) 数控机床退化轨迹模式识别方法及装置
CN110634198B (zh) 一种基于正多胞体滤波的工业系统分层故障诊断方法
CN108537249B (zh) 一种密度峰值聚类的工业过程数据聚类方法
CN113626578B (zh) 一种密封材料的智能分析方法及系统
CN115600102A (zh) 基于船舶数据的异常点检测方法及装置、电子设备、介质
CN112884027B (zh) 一种基于模式识别的切削过程实时状态监测方法及装置
CN114372181A (zh) 一种基于多模态数据的设备生产智能规划方法
JP7108577B2 (ja) 診断装置と診断方法および加工装置
CN108596210B (zh) 一种机械部件对接状态的智能识别系统及方法
Geramifard et al. Feature selection for tool wear monitoring: A comparative study
Yuan et al. Fuzzy C-means cluster based on local weighted principal component regression for soft sensor of an industrial hydrocracking process
CN116540627B (zh) 基于深度迁移学习的机床热误差预测补偿群控方法及系统
CN115600121B (zh) 数据分层分类方法及装置、电子设备、存储介质
CN116068962B (zh) 一种基于数控机床的工艺路线规划方法及相关设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210209