CN112631204A - 一种数控机床健康管理平台、终端、系统和方法 - Google Patents

Abstract

本发明公开了一种成本低且预测准确率高的数控机床健康管理平台、终端、系统和方法。该管理平台包括对各种模型进行管理的模型管理模块，模型包括预测模型、通用设备模型，所述预测模型包括故障诊断模型和/或寿命预测模型；用于存储设备数据、设备健康信息的第一设备数据库；将接收的故障信息映射成统一通用故障信息编码的故障映射模块；根据设备数据对预测模型进行训练的模型训练模块；存储各种模型、预测模块训练输出的模型参数的第一模型算法库；与外部设备进行信息交互的第一通信模块。该预测模型的训练数据来自各管理终端的设备数据，其数据来源广，数量量大，大大提高预测模型的训练准确度，使用时间越久预测的准确度越高，可减小数控机床预测性维护系统搭建成本。

Description

一种数控机床健康管理平台、终端、系统和方法

技术领域

本发明属于数控机床健康管理技术领域，更具体的说是涉及一种数控机床健康管理平台、终端、系统和方法。

背景技术

工业生产中，数控机床的维护直接关系着企业的生产效率和生产质量，数控机床故障预测和健康管理技术可以帮助企业及时了解设备的运行情况，减少非计划停产，提高生产效率，降低设备维护成本等，已受到越来越多的企业和学者的关注。数控机床作为企业工业设备应用广泛的设备，其健康状况与企业生产状况息息相关。现在数控机床生产商和技术提供商为企业提供相关的售后服务和解决方案，但一般都是定制化服务，成本较高，对于一些中小型企业来说，建设成本较高，所以基本只有大型企业才有能力进行数控机床预测性维护系统的建设。而且一般企业里的数控机床种类繁多，品牌各异，这也大大增加了建设设备故障预测与健康管理系统的难度。且不同品牌不同型号的数控机床的故障代码都有各自不同的定义和描述，操作和管理人员需要对应产品手册进行对照和理解，无形中增加了很多工作量。

发明内容

为了解决现有的设备种类繁多售后采用一对一服务导致的数控机床预测性维护系统搭建成本高的问题，本发明提供一种成本低且预测准确率高的数控机床健康管理平台、终端、系统和方法。

本发明通过以下技术方案实现：

一种数控机床健康管理平台，包括：

对各种模型进行管理的模型管理模块，所述模型包括预测模型、通用设备模型，所述预测模型包括故障诊断模型和/或寿命预测模型；

用于存储设备数据、设备健康信息的第一设备数据库；

根据设备数据、设备健康信息对预测模型进行训练的模型训练模块；

存储各种模型、预测模块训练输出的模型参数的第一模型算法库；

与外部设备进行信息交互的第一通信模块。

本方案的管理平台可将设备供应商、设备使用、第三方技术提供商等多方用户集中于一个生态圈内进行技术交流和合作，设备供应商、第三方技术提供商可以将其预测模型方案上传至管理平台，上述的预测模型均可供管理终端即设备使用企业调用，预测模型的训练数据可采用管理终端上传的设备数据，作为模型训练数据的设备数据来源广、数据量大、更新周期相对较短，不仅可提高模型训练后的预测准确度，且后期服务为一对多的模式，减小数控机床预测性维护系统搭建成本，减小故障识别、健康管理成本。

一种数控机床健康管理终端，包括：

用于采集设备数据的数据采集模块；

对采集的数据进行预处理的数据预处理模块；

对设备运行数据、设备健康信息进行存储的第二设备数据库；

存储各种从平台下载的预测模型的第二模型算法库；

根据设备数据和预测模型进行设备状况判断的预测模块，所述预测模块包括对设备故障进行诊断的故障诊断模块和/或预测设备使用寿命的寿命预测模块；

将故障信息映射成统一通用故障信息编码的故障映射模块；

实现与外部设备进行信息交互的第二通信模块。

该管理终端与管理平台配套成系统使用，管理终端通过管理平台下载与本地设备适配的预测模型，输入本地设备数据即可得到设备状态数据，减小了数控机床预测性维护系统搭建成本，减小故障识和健康管理成本；预测模型可更新，提高设备状态预测的准确度。

一种数控机床健康管理方法，该方法适于管理平台使用，包括以下步骤：

获取用于各种设备状况判断的预测模型及对应设备的设备数据、设备健康信息，所述预测模型包括故障诊断模型和/或寿命预测模型；

利用设备数据、设备健康信息训练对应的预测模型并进行训练更新。

一种数控机床健康管理方法，该方法适于管理终端使用，包括以下步骤：

搜索管理平台中与本地相应设备匹配的预测模型

获取与本地相应设备适配的采用上述管理平台端的方法得到的预测模型；

将本地设备数据输入至预测模型进行设备状态判断；

对设备状态中故障信息映射成统一通用故障信息编码输出。

管理平台端存储有各种设备的预测模型，供管理终端使用，该预测模型的训练数据来自各管理终端的设备数据，其数据来源广，数量量大，大大提高预测模型的训练准确度，使用时间越久预测的准确度越高；且一预测模型可适用于多个与其适配的终端设备，预测模型具有多次使用性，可减小数控机床预测性维护系统搭建成本。将不同品牌不同型号的机床故障代码映射到一个统一的机床故障列表中，便于操作人员理解和记忆，提高用户体验。

本发明与现有技术相比，至少具有以下优点和有益效果：

1、本发明的管理平台端存储有各种设备的预测模型，供管理终端使用，该预测模型的训练数据来自各管理终端的设备数据，其数据来源广，数量量大，大大提高预测模型的训练准确度，使用时间越久预测的准确度越高。

2、本发明的预测模块适于多个与其适配的终端设备，预测模型具有多次使用性，可减小数控机床预测性维护系统搭建成本。

3、本发明的系统基于云计算技术，可将设备供应商、设备使用、第三方技术提供商等多方用户集中于一个生态圈内进行技术交流和合作，设备供应商、第三方技术提供商可以将其预测模型方案上传至管理平台，上述的预测模型均可供管理终端即设备使用企业调用，减小中小型企业预测性维护系统搭建成本。

4、本发明的终端终端通过对预测模型输出的故障信息映射到一个统一的机床故障列表中，便于操作人员理解和记忆，提高用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明管理平台的原理框图。

图2是本发明管理终端的原理框图。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。

应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

应当理解，在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时，表示不存在中间单元。另外，应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。

应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

应当理解，还应当注意到在一些备选可能设计中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。

应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

实施例1

本实施例公开一种数控机床健康管理方法，该方法包括适于管理平台即云端的方法和适于管理终端的方法。

适于管理平台使用的方法，包括以下步骤：

获取用于各种设备状况判断的预测模型及对应设备的设备数据、设备健康信息，设备数据、设备健康信息来源为一个或者多个管理终端上传的数据，预测模型可根据情况仅包括故障诊断模型或寿命预测模型；或同时包括故障诊断模型和寿命预测模型；

利用设备数据、设备健康信息训练对应的预测模型并进行训练更新，更新后的预测模型供管理终端下载。

适于管理终端使用的方法，包括以下步骤：

向管理平台发送搜索请求，以搜索管理平台中与本地相应设备相匹配的预测模型，该预测模型经上述管理平台端方法得到；

若有相匹配的预测模型，获取与本地相应设备适配的预测模型并将本地设备数据输入至预测模型进行设备状态判断。若无相匹配的预测模型，则向管理平台发送技术支持的请求，便于向第三方发送需求请求。

由于机床品牌众多，各自的故障代码和故障描述不同，不便于操作人员和管理人员监测和管理，预测模型输出故障编码多样，再次对输出的设备健康信息中的故障信息映射成统一通用故障信息编码，增强可查看性。

实施例2

基于上述实施例的原理和方法，本实施例公开一种实现上述方法的管理平台、终端和系统结构。如图1所示，本实施例公开一种数控机床健康管理平台，包括模型管理模块、第一设备数据库、模型训练模块、第一模型算法库、第一通信模块。

模型管理模块对各种模型进行管理，此处的模型包括预测模型、通用设备模型，预测模型包括故障诊断模型和/或寿命预测模型，可根据使用情况仅搭建故障诊断模型或寿命预测模型，或者同时搭建故障诊断模型和寿命预测模型。第一设备数据库存储设备数据、设备健康信息，该设备数据、设备健康信息由管理终端采集上传得到。模型训练模块根据设备数据、设备健康信息对预测模型进行训练，预测模型的训练可根据设备数据更新时间进行周期性训练，或者人为设定训练时间，训练时间根据情况灵活设置即可。第一模型算法库存储各种模型、预测模块训练输出的模型参数，各种模型可用来自设备生产厂商、平台、第三方等。第一通信模块与外部设备进行信息交互以接收管理终端的设备数据、设备健康信息、模型、告警信息等。

管理平台作为云平台，其集中对各终端提供技术交流和和合作，与管理终端一同构成系统使用。具体的，如图2所示，管理终端包括数据采集模块、数据预处理模块、第二设备数据库、第二模型算法库、预测模块、第二通信模块、故障映射模块。数据采集模块用于采集设备数据，该设备数据包括传感器数据和设备自身运行数据。数据预处理模块对采集的数据进行预处理，包括数据清洗、数据采样、数据变换等处理方式。第二设备数据库对设备运行数据、设备健康信息进行存储，供数据预处理模块调用。第二模型算法库存储各种从管理平台下载的预测模型，预测模型的下载可周期性下载，及时更新预测模型，提高故障识别、使用寿命预估的准确性。预测模块根据设备数据和预测模型进行设备状况判断，预测模块包括对设备故障进行诊断的故障诊断模块和/或预测设备使用寿命的寿命预测模块；同样的，与管理平台端相同的，根据使用情况可仅设置故障诊断模块或寿命预测模块，也可同时设置故障诊断模块和寿命预测模块，预测模块将设备数据输入至故障诊断模块或寿命预测模块中，即可得到相应的故障或使用寿命诊断结果。故障诊断模块输出数据因各机床品牌众多故障代码不一，故障映射模块将障诊断模块输出的故障信息映射成统一通用故障信息编码并输出；第二通信模块与外部设备进行信息交互，向管理平台发送设备数据、设备健康信息、模型下载请求、告警信息等。

实施例3

基于上述实施例的原理，本实施例公开一具体实施方式，即管理平台，包括模型管理模块、第一设备数据库、模型训练模块、第一模型算法库、第一通信模块、用户管理模块、故障报警模块。

管理平台基于云技术实现，其为整个系统的核心部件。用户管理模块对管理用户注册、资质审核、用户信息管理、权限，不同管理终端的权限不同，且同一管理终端的各操作人员的权限不同，譬如，设备厂商的用户又可细分为技术人员、销售人员、客服等，设备使用企业的用户又可分为技术人员、管理人员等，第三方技术提供商的用户又可细分为技术人员、销售人员、客服等，对不同的人员设置不同权限，便于提高数据、系统操作的安全性。模型管理模块对各种模型进行统一管理，包括生产企业提供的模型、平台或第三方技术商提供的一些典型设备的通用模型，供用户调用，可对模型进行标识分类，以使用户可根据行业、设备类型、生产厂商、设备型号等信息对模型进行检索，便于管理终端进行调用。第一设备数据库存储设备数据、设备健康信息，该设备数据、设备健康信息由管理终端采集上传得到。可对数据查看权限进行设置，可以设置为仅对本企业可见，也可对某一企业开放，如可以将设备数据开放给设备生产厂商供其进行模型训练更新，或者开放给第三方技术提供商寻求技术支持。模型训练模块根据设备数据、设备健康信息对预测模型进行训练，预测模型根据训练情况进行更新，并将更新后的模型返回给第一模型算法库，便于管理终端调用。第一模型算法库存储各种模型、预测模块训练输出的模型参数，各种模型可用来自设备生产厂商、平台、第三方等，其模型的状态可以是原始模型、也可是训练后的模型、或者训练更新后的模型。故障报警模块在设备发生故障和/或使用寿命低于一阈值时将告警信息发送给告警终端，告警终端可以是管理终端，也可以便携智能终端，比如以短信方式、微信提示方式、电话语音方式等发送提醒。第一通信模块与外部设备进行信息交互以接收管理终端的设备数据、设备健康信息、模型、告警信息等。

设备厂商、第三方技术提供商在提供机床诊断与预测模型时，同时提供以下信息：

a、主要故障及其对应处理方法：电气故障、机械故障、数控系统故障

b、关键部件：主轴、进给传动系统、刀具等

c.预测模型列表：

d.采集特征列表：必选特征、可选特征

e、数控机床的主要数据来源是plc数据还是需要外加传感器测量，传感器的选择和安装位置等。采集的接口为串行接口、以太网接口。

本实施例的管理终端可以部署在企业的专用服务器上，包括数据采集模块、数据预处理模块、第二设备数据库、第二模型算法库、预测模块、第二通信模块、设备监测模块、设备管理模块、健康管理模块、故障映射模块。

数据采集模块用于采集设备数据并发送给数据预处理模块，数据预处理模块对采集的数据进行预处理，包括数据清洗、数据采样、数据变换等处理方式。

第二设备数据库对设备运行数据、设备健康信息进行存储，供数据预处理模块调用。

设备管理模块对企业内工业生产设备进行管理，可按照设备所在部门和车间等进行分组管理。每个设备的信息包括设备ID、设备型号、生产厂商、设备类型、预测模型、模型参数、故障信息、剩余寿命、维护信息、设备状态等。

第二模型算法库存储各种从管理平台下载的预测模型，同样的，根据使用时间不同，该模型的状态可以是原始模型、也可是训练后的模型、或者训练更新后的模型。故障诊断模块根据设备的实时数据对设备故障进行判断；寿命预测模块根据设备历史数据预测设备的使用寿命，其对数控机床关键部件寿命进行定期预测，并将结果发送给设备监测模块和健康管理模块。

故障映射模块将数据机床涉及的通用故障列出，利用KNN算法，将故障诊断模块输出的故障信息映射成系统统一的通用故障信息编码。

机床的主要部件及其通用故障列表如下：

主轴：主轴发热、主轴润滑异常、主轴安装偏心、主轴结构振动、主轴定子与转子故障、滚动轴承内圈故障、滚动轴承外圈故障、滚动轴承滚动体故障、滚动轴承保持架故障、电机磁性故障、齿轮均匀磨损、齿轮局部剥落等。

进给传动系统：轴承故障、丝杠弯曲、电机故障、联轴器松动、导轨故障等。

刀具：刀具断裂、刀具磨损等。

其他部件如电气系统、数控系统等故障一般由机床自诊断系统给出，可根据手册进行选择。

机床主要特征参数列表如下：

主轴转速、主轴负载、进给速度、电压、电流、温度等，及各外加传感器如振动传感器、温度传感器等的测量参数。

故障映射模块收集各种不同品牌型号的数控机床的故障信息和全部特征参数，对其故障信息按照通用故障列表打上标签，作为训练集。当故障诊断模块报告一个新的故障，或者机床系统报告一个故障代码时，该模块利用KNN算法，计算出该故障最近似的通用故障，并将通用故障对应代码和信息发送给设备监测模块，便于操作人员记忆和理解，减少查询手册的工作量，提高用户体验。

设备监测模块该模块对数控机床的各项重要参数、故障信息和剩余寿命进行实时显示，并在设备发生故障时向用户发出报警信息。设备监测模块可向用户提供多种显示方式，如数据显示、趋势显示等，用户可以自行选择关注的参数和报警阈值等。

健康管理模块对所有设备的故障信息和剩余寿命信息进行统一管理，并记录设备的维护信息，并根据这些信息对设备的健康状况进行评估，将评估结果发送给设备管理模块。当设备发生故障时，或者当剩余寿命低于用户设定的报警阈值时，可将故障报警信息上传至云端，云端通过微信提醒等方式通知用户及时处理。第二通信模块与外部设备进行信息交互，向管理平台发送设备数据、设备健康信息、模型下载请求、告警信息等。

基于上述系统，现详细阐述其工作流程：

各类用户在平台进行用户注册后，对其进行资质审核，通过后为其分配相应的用户权限。

设备厂商通过平台的模型管理模块上传或更新其数控机床的预测模型和部署方案，供设备使用企业参考和调用，同时可以从平台下载企业上传的设备数据，用于改善其产品及预测模型。

第三方技术提供商可以通过平台发布一些通用模型和算法供企业调用，也可通过平台为一些企业提供技术支持和方案设计服务。

设备使用企业在企业端进行设备管理，接入新设备时，首先在通过设备管理模块创建新设备，然后选择设备类型、行业，或者直接搜索设备型号。搜索查看平台是否提供该设备的预测模型，若提供则直接下载使用，若不提供则选择平台通用模型或者联系第三方技术商寻求技术支持。用户可以使用云端服务器的计算资源对预测模型进行训练，用户可以定期将设备数据和对应模型参数上传至云端，然后通过云端的模型训练模块对模型进行训练更新，然后从云端下载最新的模型参数到本地模型算法库。

故障诊断模块和寿命预测模块定时从本地模型算法库调用最新的模型和参数，数据采集模块将采集来的原始设备数据存入设备数据库，原始设备数据经数据预处理模块后发送到故障诊断模块和寿命预测模块，经过计算后将诊断和预测结果发送给健康管理模块和设备监测模块，健康管理模块根据预先设计的评估策略对设备状态进行评估，然后将评估结果发送给设备管理模块供用户查看。用户可以通过设备监测模块订阅其关注的设备和重要参数，并实时监控设备的运行情况和预警信息。

当故障诊断模块诊断出设备发生故障，或者寿命预测模块预测出剩余寿命低于用户设定的阈值时，健康管理模块将相应的信息通过通信模块上传至云端的故障报警模块，故障报警模块调用设备所属企业的微信订阅信息，并通过网络给订阅用户发送微信提醒。

以上所描述的实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其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。可以根据实际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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明实施例技术方案的精神和范围。

最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (10)

1.一种数控机床健康管理平台，其特征在于，包括：

对各种模型进行管理的模型管理模块，所述模型包括预测模型、通用设备模型，所述预测模型包括故障诊断模型和/或寿命预测模型；

用于存储设备数据、设备健康信息的第一设备数据库；

根据设备数据、设备健康信息对预测模型进行训练的模型训练模块；

存储各种模型、预测模块训练输出的模型参数的第一模型算法库；

与外部设备进行信息交互的第一通信模块。

2.根据权利要求1所述的一种数控机床健康管理平台，其特征在于，还包括：

实现用户注册、资质审核、用户信息管理、权限管理的用户管理模块。

3.根据权利要求1所述的一种数控机床健康管理平台，其特征在于，还包括：

在设备发生故障和/或使用寿命低于一阈值时将告警信息发送给告警终端的故障报警模块。

4.一种数控机床健康管理终端，其特征在于，包括：

用于采集设备数据的数据采集模块；

对采集的数据进行预处理的数据预处理模块；

对设备运行数据、设备健康信息进行存储的第二设备数据库；

存储各种从平台下载的预测模型的第二模型算法库；

根据设备数据和预测模型进行设备状况判断的预测模块，所述预测模块包括对设备故障进行诊断的故障诊断模块和/或预测设备使用寿命的寿命预测模块；

将故障信息映射成统一通用故障信息编码的故障映射模块；

实现与外部设备进行信息交互的第二通信模块。

5.根据权利要求1所述的一种数控机床健康管理终端，其特征在于，还包括对设备数据、统一通用故障信息编码和/或使用寿命进行显示，并发出告警信息的设备监测模块。

6.根据权利要求1所述的一种数控机床健康管理终端，其特征在于，还包括对设备信息进行管理的设备管理模块，所述设备信息包括设备ID、设备型号、生产厂商、设备类型、预测模型、模型参数、故障信息、剩余寿命、维护信息、设备状态。

7.根据权利要求6所述的一种数控机床健康管理终端，其特征在于，还包括对设备故障信息和/或使用寿命进行统一管理、记录设备的维护信息、对设备健康状况进行评估、实现健康状况上报信息管理的健康管理模块。

8.一种数控机床健康管理系统，包括权利要求1-3任一所述的管理平台和至少一个权利要求4-7任一所述与管理平台进行信息交互的管理终端。

9.一种数控机床健康管理方法，其特征在于，该方法适于管理平台使用，包括以下步骤：

获取用于各种设备状况判断的预测模型及对应设备的设备数据、设备健康信息，所述预测模型包括故障诊断模型和/或寿命预测模型；

利用设备数据、设备健康信息训练对应的预测模型并进行训练更新。

10.一种数控机床健康管理方法，其特征在于，该方法适于管理终端使用，包括以下步骤：

搜索管理平台中与本地相应设备匹配的预测模型；

获取与本地相应设备适配的采用权利要求8的方法得到的预测模型；

将本地设备数据输入至预测模型进行设备状态判断；

对设备状态中故障信息映射成统一通用故障信息编码输出。

Images