CN112381388A - 一种数控机床主轴电机运行监测方法 - Google Patents

一种数控机床主轴电机运行监测方法 Download PDF

Info

Publication number
CN112381388A
CN112381388A CN202011262962.6A CN202011262962A CN112381388A CN 112381388 A CN112381388 A CN 112381388A CN 202011262962 A CN202011262962 A CN 202011262962A CN 112381388 A CN112381388 A CN 112381388A
Authority
CN
China
Prior art keywords
motor
data
training
spindle motor
numerical control
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
CN202011262962.6A
Other languages
English (en)
Other versions
CN112381388B (zh
Inventor
司文峰
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.)
Anhui Jiangji Heavy Duty Cnc Machine Tool Co ltd
Original Assignee
Anhui Jiangji Heavy Duty Cnc Machine Tool 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 Anhui Jiangji Heavy Duty Cnc Machine Tool Co ltd filed Critical Anhui Jiangji Heavy Duty Cnc Machine Tool Co ltd
Priority to CN202011262962.6A priority Critical patent/CN112381388B/zh
Publication of CN112381388A publication Critical patent/CN112381388A/zh
Application granted granted Critical
Publication of CN112381388B publication Critical patent/CN112381388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Mechanical Engineering (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明涉及数控机床安全控制领域，特别是一种数控机床主轴电机运行监测方法。该方法包括如下步骤：S1、采集主轴电机运行状态的特征参数集，并确定电机稳定运行状态下各数值的取值范围；S2、剔除特征参数数据集中含有不符合取值范围的数据集，获得分类后的电机稳定性数据集；S3、对电机稳定性数据集进行聚类，并获得聚类中心；S4、构建电可拓神经网络识别算法，利用聚类后数据集对算法进行训练，完成算法训练过程；S5、实时采集特征参数，输入到训练后的可拓神经网络算法中，对电机运行稳定性进行判断。该方法能够对数控机床的主轴电机的运行状态进行持续监测，对可能发生的故障状态进行及时地监测和预警。

Description

一种数控机床主轴电机运行监测方法
技术领域
本发明涉及数控机床安全控制领域，特别是一种数控机床主轴电机运行监测方法。
背景技术
斜床身数控车床是一种高精度、高效率的自动化机床。配备多工位刀塔或动力刀塔，机床就具有广泛的工艺性能，可加工直线圆柱、斜线圆柱、圆弧和各种螺纹、槽、蜗杆等复杂工件，具有直线插补、圆弧插补各种补偿功能，并在复杂零件的批量生产中发挥了良好的经济效果。数控电机由电机驱动，因此对主轴电机的要求较高，主要为：(1)足够的输出功率；数控机床的主轴负载性质近似于“恒功率”，也就是当机床的电主轴转速高时，输出转矩较小；主轴转速低时，输出转矩大；即要求主轴驱动装置要具有“恒功率”的性质；(2)较大的调速范围；为保证数控机床适用于各种不同的刀具、加工材质；适应于各种不同的加工工艺，要求主轴电机具有一定的调速范围。(3)速度精度高；静差度要小于5％，甚至小于1％。
基于上述原因，机床运行过程中对主轴电机进行持续性的检测显得极为必要，这能够及时防线电机运行状态的异常，及早采取措施，避免对工件产品的加工精度造成影响，降低损失。现有技术中，电机运行稳定性仅仅采用单个或简单多个参数进行评估，为参数设定阈值。当某个参数超出阈值外即进行预警或停机。这种电机运行监测方法具有不准确性和偶发性，因此应当寻找更好的主轴电机运行监测方法对电机运行稳定性进行识别和监测。
发明内容
为克服现有技术中的问题，本发明提供的一种数控机床主轴电机运行监测方法，该方法能够对数控机床的主轴电机的运行状态进行持续监测，对可能发生的故障状态进行及时地监测和预警。
本发明采用以下技术方案实现：一种数控机床主轴电机运行监测方法，该方法包括如下步骤：
S1、采集主轴电机运行状态下的绕组温升t1、电机表面温度t2、运行电压V、运行电流I、转速N、输出转矩T、功率因数cosΦ；作为判断电机运行状态的特征参数集，并确定电机稳定运行状态下各数值的取值范围；
S2、持续采集上述7个参数，构成特征参数数据集，剔除特征参数数据集中含有不符合取值范围的数据集，获得分类后的电机稳定性数据集；
S3、采用快速搜索与寻找密度峰值法对电机稳定性数据集进行聚类，并获得聚类中心；其中，聚类方法的过程如下：
数据集为
Figure BDA0002775235320000021
数据点xi和数据点yi之间的距离表示为：
dij＝dist(xi,xj)，
用下式计算数据点的局部密度：
Figure BDA0002775235320000022
其中，函数χ(x)为：
Figure BDA0002775235320000023
ρi表示S中的那些与xi的距离小于截断距离dc的点；
当xi的局部密度最大时，有：
θi＝maxj(dij)，
其中，θi表示S中的数据点与xi的最大距离；
否则，若xi的局部密度不是最大，有：
Figure BDA0002775235320000024
其中，θi表示S中的比xi的局部密度大的数据点与xi的最小距离；
将数据集中的每个点用ρi和θi来表示，将ρi和θi作为横纵坐标绘制决策图，由决策图确定稳定状态的类别中心；
S4、构建电机运行稳定性识别的可拓神经网络识别算法，利用聚类后的电机稳定性数据集对可拓神经网络识别算法进行训练，完成算法训练过程；
S5、在电机运行过程中实时采集特征参数，将未分类的特征参数数据集输入到训练后的可拓神经网络算法中，对电机运行稳定性进行判断，基于判断结果做出如下决策：
(1)当判断电机处于稳定状态时，不发出预警；
(2)当判断电机处于非稳定状态时，发出预警信息。
进一步地，步骤S4中，可拓神经网络识别算法的训练过程中如下：
定义电机稳定性数据集为
Figure BDA0002775235320000025
Nd为总的数据个数，第i个数据点可以写为
Figure BDA0002775235320000026
表示第i个数据点的类别是p，数据点有n个属性，训练阶段的步骤如下：
(1)根据下式确定每个产热对精度影响状态类别的经典域作为初始权值
Figure BDA0002775235320000031
其中，k＝1…Nc，Nc为总的类别个数；
(2)计算每个数据对精度影响状态类别的初始类别中心
Figure BDA0002775235320000032
(3)读取第i个稳定性特征数据集中的数据点以及此数据点所属的类别p
Figure BDA0002775235320000033
(4)参照可拓理论中可拓距的计算公式，计算数据点
Figure BDA0002775235320000034
与第k个类别之间的距离
Figure BDA0002775235320000035
(5)找出数据点
Figure BDA0002775235320000036
与第k个类别之间的距离最小的类别o，使得下式成立，如果o＝p，运行(7)，否则运行步骤(6)
EDio＝min{EDik}；
(6)用下面的公式更新第p个类别中心和第o个类别中心
Figure BDA0002775235320000037
用下面的公式更新第p个类别权值和第o个类别权值
Figure BDA0002775235320000038
Figure BDA0002775235320000039
其中，η是学习率；
(7)重复第3-6步，当所有的数据都训练完成时，结束一个训练周期，重新输入第一个数据并进行下一周期的训练；
(8)当达到目标错误率时，结束可拓神经网络识别算法的训练过程。
进一步地，算法训练阶段中，周期迭代次数≥100，训练目标错误率＜1.0x10-6、学习率η＝0.01。
其中，目标错误率的计算公式为：
Figure BDA00027752353200000310
其中，E为目标错误率，NM为所有训练周期的错误数据，NP为所有训练周期的所有数据。
进一步地，步骤S5中，电机运行稳定性识别阶段的步骤如下：
(1)读取训练阶段的最终权值；
(2)使用公式Zk＝{zk1,zk2,…,zkn}，
Figure BDA00027752353200000311
计算初始类别中心；
(3)读取实时采集的数据点
Xt＝{xt1,xt2,...,xtn}，
使用公式
Figure BDA0002775235320000041
计算采集的数据点与各类别之间的距离；
(4)若满足
Figure BDA0002775235320000042
则数据点属于该类别中心，满足条件；
(5)依次完成采集的所有数据点的识别，确定当前状态下主轴电机是否处于稳定状态。
进一步地，绕组温升采用带电绕组温升检测仪进行非接触式测量，绕组温升检测仪通过测量绕组上的电阻的温度确定绕组的温度。
进一步地，电机表面温度通过温度传感器测量，电机的运行电压、运行电流、转速、输出转矩以及功率因数通过相应的电参数测量仪进行测量并输出。
本发明提供的一种数控机床主轴电机运行监测方法，具有如下有益效果：
本发明采用电机运行过程中的7个参数作为进行电机运行稳定性的依据，从而提高判定结果的可靠性，同时本发明并非采用简单的阈值判定法，而是通过处于稳定性运行状态下的该系列参数获得数据集的聚类中心，然后采用神经网络识别的方法进行在线识别监测；大幅度提高了主轴电机稳定性状态的识别正确率，通过算法考虑不同参数之间的隐形关系，同时该识别方法还可以根据设备的持续稳定运行过程积累数据和经验，使得识别判定的结果更加准确。
附图说明
图1是本实施例1数控机床主轴电机运行监测方法的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
一种数控机床主轴电机运行监测方法，该方法包括如下步骤：
S1、采集主轴电机运行状态下的绕组温升t1、电机表面温度t2、运行电压V、运行电流I、转速N、输出转矩T、功率因数cosΦ；作为判断电机运行状态的特征参数集，并确定电机稳定运行状态下各数值的取值范围；
S2、持续采集上述7个参数，构成特征参数数据集，剔除特征参数数据集中含有不符合取值范围的数据集，获得分类后的电机稳定性数据集；
S3、采用快速搜索与寻找密度峰值法对电机稳定性数据集进行聚类，并获得聚类中心；其中，聚类方法的过程如下：
数据集为
Figure BDA0002775235320000051
数据点xi和数据点yi之间的距离表示为：
dij＝dist(xi,xj)，
用下式计算数据点的局部密度：
Figure BDA0002775235320000052
其中，函数χ(x)为：
Figure BDA0002775235320000053
ρi表示S中的那些与xi的距离小于截断距离dc的点；
当xi的局部密度最大时，有：
θi＝maxj(dij)，
其中，θi表示S中的数据点与xi的最大距离；
否则，若xi的局部密度不是最大，有：
Figure BDA0002775235320000054
其中，θi表示S中的比xi的局部密度大的数据点与xi的最小距离；
将数据集中的每个点用ρi和θi来表示，将ρi和θi作为横纵坐标绘制决策图，由决策图确定稳定状态的类别中心；
S4、构建电机运行稳定性识别的可拓神经网络识别算法，利用聚类后的电机稳定性数据集对可拓神经网络识别算法进行训练，完成算法训练过程；
可拓神经网络识别算法的训练过程中如下：
定义电机稳定性数据集为
Figure BDA0002775235320000055
Nd为总的数据个数，第i个数据点可以写为
Figure BDA0002775235320000056
表示第i个数据点的类别是p，数据点有n个属性，训练阶段的步骤如下：
(1)根据下式确定每个产热对精度影响状态类别的经典域作为初始权值
Figure BDA0002775235320000057
其中，k＝1…Nc，Nc为总的类别个数；
(2)计算每个数据对精度影响状态类别的初始类别中心
Figure BDA0002775235320000061
(3)读取第i个稳定性特征数据集中的数据点以及此数据点所属的类别p
Figure BDA0002775235320000062
(4)参照可拓理论中可拓距的计算公式，计算数据点
Figure BDA0002775235320000063
与第k个类别之间的距离
Figure BDA0002775235320000064
(5)找出数据点
Figure BDA0002775235320000065
与第k个类别之间的距离最小的类别o，使得下式成立，如果o＝p，运行(7)，否则运行步骤(6)
EDio＝min{EDik}；
(6)用下面的公式更新第p个类别中心和第o个类别中心
Figure BDA0002775235320000066
用下面的公式更新第p个类别权值和第o个类别权值
Figure BDA0002775235320000067
Figure BDA0002775235320000068
其中，η是学习率；
(7)重复第3-6步，当所有的数据都训练完成时，结束一个训练周期，重新输入第一个数据并进行下一周期的训练；
(8)当达到目标错误率时，结束可拓神经网络识别算法的训练过程。
S5、在电机运行过程中实时采集特征参数，将未分类的特征参数数据集输入到训练后的可拓神经网络算法中，对电机运行稳定性进行判断，
电机运行稳定性识别阶段的步骤如下：
(1)读取训练阶段的最终权值；
(2)使用公式Zk＝{zk1,zk2,…,zkn}，
Figure BDA0002775235320000069
计算初始类别中心；
(3)读取实时采集的数据点
Xt＝{xt1,xt2,...,xtn}，
使用公式
Figure BDA00027752353200000610
计算采集的数据点与各类别之间的距离；
(4)若满足
Figure BDA0002775235320000071
则数据点属于该类别中心，满足条件；
(5)依次完成采集的所有数据点的识别，确定当前状态下主轴电机是否处于稳定状态。
基于判断结果做出如下决策：
(1)当判断电机处于稳定状态时，不发出预警；
(2)当判断电机处于非稳定状态时，发出预警信息。
其中，算法训练阶段中，周期迭代次数≥100，训练目标错误率＜1.0x10-6、学习率η＝0.01。
其中，目标错误率的计算公式为：
Figure BDA0002775235320000072
其中，E为目标错误率，NM为所有训练周期的错误数据，NP为所有训练周期的所有数据。
本实施例中，绕组温升采用带电绕组温升检测仪进行非接触式测量，绕组温升检测仪通过测量绕组上的电阻的温度确定绕组的温度。
电机表面温度通过温度传感器测量，电机的运行电压、运行电流、转速、输出转矩以及功率因数通过相应的电参数测量仪进行测量并输出。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种数控机床主轴电机运行监测方法，其特征在于，所述方法包括如下步骤：
S1、采集主轴电机运行状态下的绕组温升t1、电机表面温度t2、运行电压V、运行电流I、转速N、输出转矩T、功率因数cosΦ；作为判断电机运行状态的特征参数集，并确定电机稳定运行状态下各数值的取值范围；
S2、持续采集上述7个参数，构成特征参数数据集，剔除特征参数数据集中含有不符合取值范围的数据集，获得分类后的电机稳定性数据集；
S3、采用快速搜索与寻找密度峰值法对电机稳定性数据集进行聚类，并获得聚类中心；其中，聚类方法的过程如下：
数据集为
Figure FDA0002775235310000011
数据点xi和数据点yi之间的距离表示为：
dij＝dist(xi,xj)，
用下式计算数据点的局部密度：
Figure FDA0002775235310000012
其中，函数χ(x)为：
Figure FDA0002775235310000013
ρi表示S中的那些与xi的距离小于截断距离dc的点；
当xi的局部密度最大时，有：
θi＝maxj(dij)，
其中，θi表示S中的数据点与xi的最大距离；
否则，若xi的局部密度不是最大，有：
Figure FDA0002775235310000014
其中，θi表示S中的比xi的局部密度大的数据点与xi的最小距离；
将数据集中的每个点用ρi和θi来表示，将ρi和θi作为横纵坐标绘制决策图，由决策图确定稳定状态的类别中心；
S4、构建电机运行稳定性识别的可拓神经网络识别算法，利用聚类后的电机稳定性数据集对可拓神经网络识别算法进行训练，完成算法训练过程；
S5、在电机运行过程中实时采集特征参数，将未分类的特征参数数据集输入到训练后的可拓神经网络算法中，对电机运行稳定性进行判断，基于判断结果做出如下决策：
(1)当判断电机处于稳定状态时，不发出预警；
(2)当判断电机处于非稳定状态时，发出预警信息。
2.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述步骤S4中，可拓神经网络识别算法的训练过程中如下：
定义电机稳定性数据集为
Figure FDA0002775235310000021
Nd为总的数据个数，第i个数据点可以写为
Figure FDA0002775235310000022
表示第i个数据点的类别是p，数据点有n个属性，训练阶段的步骤如下：
(1)根据下式确定每个产热对精度影响状态类别的经典域作为初始权值
Figure FDA0002775235310000023
其中，k＝1…Nc，Nc为总的类别个数；
(2)计算每个数据对精度影响状态类别的初始类别中心
Zk＝{zk1,zk2,…,zkn}，
Figure FDA0002775235310000024
(3)读取第i个稳定性特征数据集中的数据点以及此数据点所属的类别p
Figure FDA0002775235310000025
(4)参照可拓理论中可拓距的计算公式，计算数据点
Figure FDA0002775235310000026
与第k个类别之间的距离
Figure FDA0002775235310000027
(5)找出数据点
Figure FDA0002775235310000028
与第k个类别之间的距离最小的类别o，使得下式成立，如果o＝p，运行(7)，否则运行步骤(6)
EDio＝min{EDik}；
(6)用下面的公式更新第p个类别中心和第o个类别中心
Figure FDA0002775235310000029
用下面的公式更新第p个类别权值和第o个类别权值
Figure FDA00027752353100000210
Figure FDA00027752353100000211
其中，η是学习率；
(7)重复第3-6步，当所有的数据都训练完成时，结束一个训练周期，重新输入第一个数据并进行下一周期的训练；
(8)当达到目标错误率时，结束可拓神经网络识别算法的训练过程。
3.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述步骤S4的训练过程中，周期迭代次数≥100，训练目标错误率＜1.0x10-6、学习率η＝0.01。
4.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述目标错误率的计算公式为：
Figure FDA0002775235310000031
其中，E为目标错误率，NM为所有训练周期的错误数据，NP为所有训练周期的所有数据。
5.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述步骤S5中，电机运行稳定性识别阶段的步骤如下：
(1)读取训练阶段的最终权值；
(2)使用公式Zk＝{zk1,zk2,…,zkn}，
Figure FDA0002775235310000032
计算初始类别中心；
(3)读取实时采集的数据点
Xt＝{xt1,xt2,...,xtn}，
使用公式
Figure FDA0002775235310000033
计算采集的数据点与各类别之间的距离；
(4)若满足
Figure FDA0002775235310000034
则数据点属于该类别中心，满足条件；
(5)依次完成采集的所有数据点的识别，确定当前状态下主轴电机是否处于稳定状态。
6.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述绕组温升采用带电绕组温升检测仪进行非接触式测量，绕组温升检测仪通过测量绕组上的电阻的温度确定绕组的温度。
7.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述电机表面温度通过温度传感器测量，电机的运行电压、运行电流、转速、输出转矩以及功率因数通过相应的电参数测量仪进行测量并输出。
CN202011262962.6A 2020-11-12 2020-11-12 一种数控机床主轴电机运行监测方法 Active CN112381388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011262962.6A CN112381388B (zh) 2020-11-12 2020-11-12 一种数控机床主轴电机运行监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011262962.6A CN112381388B (zh) 2020-11-12 2020-11-12 一种数控机床主轴电机运行监测方法

Publications (2)

Publication Number Publication Date
CN112381388A true CN112381388A (zh) 2021-02-19
CN112381388B CN112381388B (zh) 2022-11-08

Family

ID=74583372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011262962.6A Active CN112381388B (zh) 2020-11-12 2020-11-12 一种数控机床主轴电机运行监测方法

Country Status (1)

Country Link
CN (1) CN112381388B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030726A (zh) * 2021-03-24 2021-06-25 河南中烟工业有限责任公司 基于数据驱动的电机状态监测方法及系统
CN114371658A (zh) * 2021-12-27 2022-04-19 上海滨捷机电有限公司 一种数控机床集成电柜控制方法、系统、电子设备和可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2978095A1 (en) * 2014-07-23 2016-01-27 ABB Technology AG Power system operation
CN106777984A (zh) * 2016-12-19 2017-05-31 福州大学 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法
CN109063734A (zh) * 2018-06-29 2018-12-21 广东工业大学 结合多级局部密度聚类的油浸式变压器故障状态评估方法
CN111143173A (zh) * 2020-01-02 2020-05-12 山东超越数控电子股份有限公司 一种基于神经网络的服务器故障监测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2978095A1 (en) * 2014-07-23 2016-01-27 ABB Technology AG Power system operation
CN106777984A (zh) * 2016-12-19 2017-05-31 福州大学 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法
CN109063734A (zh) * 2018-06-29 2018-12-21 广东工业大学 结合多级局部密度聚类的油浸式变压器故障状态评估方法
CN111143173A (zh) * 2020-01-02 2020-05-12 山东超越数控电子股份有限公司 一种基于神经网络的服务器故障监测方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JUNCAI ZHANG ET AL.: "Condition monitoring method of the equipment based on extension neural network", 《2010 CHINESE CONTROL AND DECISION CONFERENCE》 *
叶永伟等: "基于可拓神经网络的汽车涂装线设备故障诊断", 《系统仿真学报》 *
吕明: "基于萤火虫优化BP神经网络的数控机床故障诊断", 《机械设计与研究》 *
毛倩等: "基于GRNN和PNN的西部青年女性乳房形态识别", 《西安工程大学学报》 *
罗庚合: "基于可拓聚类的极限学习机神经网络", 《计算机应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030726A (zh) * 2021-03-24 2021-06-25 河南中烟工业有限责任公司 基于数据驱动的电机状态监测方法及系统
CN114371658A (zh) * 2021-12-27 2022-04-19 上海滨捷机电有限公司 一种数控机床集成电柜控制方法、系统、电子设备和可读存储介质
CN114371658B (zh) * 2021-12-27 2024-06-07 上海滨捷机电有限公司 一种数控机床集成电柜控制方法、系统、电子设备和可读存储介质

Also Published As

Publication number Publication date
CN112381388B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN112381388B (zh) 一种数控机床主轴电机运行监测方法
CN104808585B (zh) 一种机床健康状态快速检查方法
Fuessel et al. Hierarchical motor diagnosis utilizing structural knowledge and a self-learning neuro-fuzzy scheme
CN112692646B (zh) 一种刀具磨损状态智能评估方法及装置
CN102929210A (zh) 基于特征的数控加工过程控制和优化系统及方法
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
Liu et al. Online monitoring and measurements of tool wear for precision turning of stainless steel parts
CN105312965A (zh) 一种铣削加工刀具破损监测方法
Jemielniak Contemporary challenges in tool condition monitoring
Schwenzer et al. Machine learning for tool wear classification in milling based on force and current sensors
Liu et al. Remaining useful life prediction of cutting tools based on support vector regression
CN114326593B (zh) 一种刀具寿命预测系统及方法
Maeda et al. Method for automatically recognizing various operation statuses of legacy machines
CN116690313B (zh) 一种飞机结构件腹板加工刀具失效监控方法
CN114859821A (zh) 一种自检测、自分析、自适应的数控机床模糊控制系统
Danai Machine tool monitoring and control
CN113424120A (zh) 无需计量地捕获机器特别是机床的特性确定该特性的方法
Elbestawi et al. Tool condition monitoring in machining
Elbestawi et al. Tool condition monitoring in machining-neural networks
JPH068106A (ja) 適応制御システムおよび状態判定装置
CN110543908B (zh) 一种基于动态观测窗口的控制图模式识别方法
CN113579849A (zh) 一种面向弱刚性钻削的数字孪生控制方法及系统
Park et al. A study on the predictive maintenance of 5 axis CNC machine tools for cutting of large aircraft parts
Jin et al. On-line chatter recognition and supression in milling based on smart CNC
CN117675394B (zh) 一种化塑业的互联网数据异常检测方法及系统

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
GR01 Patent grant
GR01 Patent grant