CN112783138A - 生产线设备加工稳定性智能监控和异常诊断方法及装置 - Google Patents

生产线设备加工稳定性智能监控和异常诊断方法及装置 Download PDF

Info

Publication number
CN112783138A
CN112783138A CN202011610287.1A CN202011610287A CN112783138A CN 112783138 A CN112783138 A CN 112783138A CN 202011610287 A CN202011610287 A CN 202011610287A CN 112783138 A CN112783138 A CN 112783138A
Authority
CN
China
Prior art keywords
processing
production line
line equipment
main shaft
state
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
CN202011610287.1A
Other languages
English (en)
Other versions
CN112783138B (zh
Inventor
许黎明
邢诺贝
谢朝珑
董文有
王北辰
丁子涵
周超
辛庆伟
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.)
Shanghai Jiaotong University
Shanghai Platform For Smart Manufacturing Co Ltd
Original Assignee
Shanghai Jiaotong University
Shanghai Platform For Smart Manufacturing 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 Shanghai Jiaotong University, Shanghai Platform For Smart Manufacturing Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN202011610287.1A priority Critical patent/CN112783138B/zh
Publication of CN112783138A publication Critical patent/CN112783138A/zh
Application granted granted Critical
Publication of CN112783138B publication Critical patent/CN112783138B/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种生产线设备加工稳定性智能监控和异常诊断方法及装置。该方法包括：采集生产线设备主轴工作信号；对采集的主轴工作信号进行处理，提取反映加工工艺过程稳定性的特征参数，并设定稳定性阈值线，以此特征参数判断生产线加工过程是否稳定，实现加工工艺过程健康状态的智能监控；对加工工艺过程异常状态进行特征提取、分类识别，将特征值输入到分类模型进行学习训练，最终实现对生产线加工工艺过程当前状态的诊断。该装置包括：依次连接的数据采集模块、特征提取模块、智能监控模块以及异常诊断模块。本发明能够实现对生产线设备加工稳定性的在线监控和异常诊断，有效提高了生产线设备的加工效率，节省了设备的维护时间与成本。

Description

生产线设备加工稳定性智能监控和异常诊断方法及装置
技术领域
本发明涉及数控机床技术领域，特别涉及一种生产线设备加工稳定性智能监控和异常诊断方法及装置
背景技术
制造业是支撑我国经济高速增长的重要产业之一，是提升我国综合国力以及科技竞争力的重要基础，尤其是大型关键设备的生产制造技术对国家整体装备制造水平的提升有着重要影响。近年来，随着全球工业技术快速发展以及国内外制造业的激烈竞争，对机械加工精度、效率、成本以及设备可靠性等各方面提出了更高的要求，能否掌握该先进制造技术已经成为我国制造企业发展的瓶颈与挑战。对生产线设备加工工艺过程进行状态监测能够保证加工系统的安全运行，对提高机床加工效率与精度、保证加工稳定性，实现企业朝智能化、柔性化发展有着重要实际意义。
目前在机床企业的实际生产中还没有形成完整的加工工艺过程状态监测与异常诊断的系统，更多依靠的是有经验工程或操作人员通过对加工过程声音、振动等信号的人工感知来进行判断。
申请号为201610439400.1的中国专利“一种基于无线传感器网络的机床颤振智能监控系统及方法”公开了一种机床颤振智能监控系统及方法，通过机床上若干个测量点获取机床的振动场信息，将获取的信息传输到上位机并进行Welch功率谱估计、滤波以及小波变换，进行特征信息提取，通过分析特征信息，基于人工神经网络模型判断机床是否颤振。该专利主要限于对颤振进行监测，且需要在机床内部建立多个振动测点，成本较高。
为解决上述需求，本专利设计了一种适用范围较广的加工稳定性智能监控与异常诊断方法及装置。
发明内容
本发明针对现有技术存在的问题，提出一种生产线设备加工稳定性智能监控和异常诊断方法及装置，通过采集主轴工作信号对加工稳定性实现智能监控并进行状态诊断，且异常诊断准确，有效提高了生产线设备的加工效率，节省了设备的维护时间与成本。
本发明的第一方面，提供一种生产线设备加工稳定性智能监控和异常诊断方法，包括：
S11：采集生产线设备主轴工作信号，所述主轴工作信号包括主轴当前的振动信号或主轴电流、功率信号中任一种；
S12：对采集的当前的生产线设备主轴工作信号进行处理，提取特征参数，得到反映生产线设备加工工艺过程当前状态的特征值；
S13：设定加工工艺过程稳定状态的上下阈值线，确定稳定域，
以S12得到的所述特征值判断加工过程是否处于健康状态，即：所述特征值处于所述稳定域中，则判断加工稳定；若超出所述稳定域，则判断加工失稳。
可选地，所述S12中，对采集的当前的生产线设备主轴工作信号基于时频分析，提取奇异谱熵值，所述奇异谱熵值反映加工过程稳定状态。
可选地，所述S13中，设定的上下阈值区间通过稳定状态加工工艺过程的历史数据进行离线学习或在线学习实现。
可选地，所述S11之前还包括：
S401：对设备加工工艺过程稳定状态以及异常状态的主轴工作信号进行特征提取，提取信号的均方根值、EEMD近似熵作为特征矩阵，并将特征矩阵输入到LSSVM模型中学习训练，得到训练完成的LSSVM模型，其中，异常状态包括加工颤振及其强度、刀具破损、刀具碰撞、材料异常，加工余量异常，异常切削参数导致的加工载荷剧变以及其他载荷突变情况。
相应地，所述S13之后还包括：
S402：对当前状态的振动信号进行S11～S13特征提取，实现设备健康状态的智能评估；将可选地，所述S11之后还包括：
S501:将加工过程当前状态主轴工作信号保存在数据库中；
S502:对数据库中的加工过程当前状态主轴工作信号进行特征提取，并将特征矩阵定期输入到LSSVM模型中不断学习改善。
可选地，所述方法还包括：
S601:将采集的加工工艺过程稳定状态信号保存至数据库；该S601是S11之后且S12之前执行，所述采集的加工工艺过程稳定状态信号是指S11中采集的生产线设备主轴当前的振动信号或主轴电流、功率信号；以及
S602:对数据库中的加工工艺过程稳定状态信号进行定期采集更新，用于S13对稳定域的更新，并进行所述稳定域的上下阈值线的学习；该S602是S12之后且S13之前执行。
可选地，所述进行所述稳定域的上下阈值线的学习，包括：
提取每组信号的奇异谱熵值，并统计多组信号奇异谱熵值的平均值λ和标准偏差σ；
以λ+3σ为上限阈值，λ-3σ为下限阈值，从而确定稳定域。
本发明的第二方面，提供一种生产线设备加工稳定性智能监控和异常诊断装置，包括：
数据采集模块，通过振动传感器采集生产线设备主轴工作信号，所述主轴工作信号包括主轴当前的振动信号或主轴电流、功率信号中任一种；
特征提取模块，采用时频分析对上述数据采集模块采集的信号进行提取，分别得到反映加工过程稳定性的特征值以及反映异常状态的特征矩阵；
智能监控模块，通过稳定加工的振动信号的历史数据进行学习，得到稳定状态的上下阈值区间，确定稳定域；以所述特征提取模块得到的特征值评估加工过程的稳定状态；
异常诊断模块，包括训练和诊断，其中，对设备加工工艺过程稳定状态以及异常状态的主轴工作信号进行特征提取，并将所述特征提取模块得到的特征矩阵输入到LSSVM模型中学习训练，得到训练完成的LSSVM模型；对当前状态的振动信号进行特征提取，并将所述特征提取模块得到的特征矩阵输入到已经训练好的LSSVM模型，实现对生产线设备加工工艺过程当前状态异常类型和异常程度的诊断。
本发明的第二方面，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行上述的生产线设备加工稳定性智能监控和异常诊断方法。
本发明的第二方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行上述的生产线设备加工稳定性智能监控和异常诊断方法。
相较于现有技术，本发明实施例具有以下至少一种有益效果：
(1)本发明的生产线设备加工稳定性智能监控和异常诊断方法及装置，实现方法简易，只需要通过安装加速度传感器在主轴轴承处即可，不影响正常加工且对异常振动敏感，需要的成本也低。
(2)本发明的生产线设备加工稳定性智能监控和异常诊断方法及装置，通过提取特征参数，特征提取算法简单、复杂度低，计算效率高，在健康状态的实时监控与异常诊断的实时性上更有优势。
(3)本发明的生产线设备加工稳定性智能监控和异常诊断方法及装置，在异常诊断模块中采用LSSVM分类模型进行学习训练，相较于其他如神经网络、SVM模型等，其更适用于小样本多分类问题，计算效率、精度更高。
(4)本发明的生产线设备加工稳定性智能监控和异常诊断方法及装置，通过将采集信号保存至数据库，上下阈值以及分类模型的训练学习能够实现定期更新与完善。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的一实施例中的方法流程图；
图2为本发明的一实施例中的加工工艺过程健康状态智能监控的示例图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
结合图1，本实施例对本发明的生产线设备加工稳定性智能监控和异常诊断方法及装置进行详细描述，如图1所示，其包括以下步骤：
S11:以主轴前端为例，采集主轴工作信号，本步骤中采集的是主轴前端轴承处的振动信号；
S12:对采集的当前主轴前端振动信号进行处理，提取特征参数，得到反映生产线设备加工工艺过程当前状态的特征值；
S13:设定加工工艺过程稳定状态的上下阈值线，确定稳定域，以S12得到的所述特征值判断加工过程是否处于健康状态，即：所述特征值处于所述稳定域中，则判断加工稳定；若超出所述稳定域，则判断加工失稳。
本发明上述实施例的生产线设备加工稳定性智能监控和异常诊断方法，实现简易，只需要通过安装加速度传感器在主轴轴承处即可，不影响正常加工且对异常振动敏感，需要的成本也低。
本发明上述实施例中，步骤S11中也可以采集主轴后端轴承处的振动信号，并且可以从轴的x/y/z(切向/轴向/径向)三个方向进行采集，也可以采集电流以及主轴功率等负载信号。
本发明上述实施例中，作为一优选方式，步骤S12中对采集的主轴当前状态信号的具体处理方法为：对采集的振动信号进行奇异谱分析，计算其奇异谱熵，以奇异谱熵作为反应加工过程稳定程度的特征值。
本发明上述实施例中，作为一优选方式，步骤S13中稳定状态的上下阈值通过对数据库中大量稳定加工数据进行特征提取，计算其奇异谱熵，统计并计算多组数据的平均值λ和标准偏差σ，在平均值上下浮动3σ作为稳定加工的上下阈值区间，加工工艺过程稳定性智能监控的示例如图2所示。
本发明上述实施例中特征提取算法简单、复杂度低，计算效率高，在健康状态的实时监控与异常诊断的实时性上更有优势。
较佳实施例中，S11之前还包括：
S401：对大量设备加工工艺过程稳定状态以及异常状态的主轴振动信号进行信号处理，提取均方根值以及EEMD近似熵作为特征矩阵，输入到LSSVM模型中学习训练，得到训练完成的LSSVM模型。其中，异常状态包括加工颤振及其强度、刀具破损、刀具碰撞、材料异常，加工余量异常，异常切削参数导致的加工载荷剧变以及其他载荷突变情况。相应地，S13之后还包括：
S402：对当前状态的振动信号进行EEMD分解，并将均方根值与EEMD近似熵组成的特征矩阵输入到已经训练好的LSSVM模型，实现对生产线设备加工工艺过程当前状态的异常诊断，其流程图如图1所示。
较佳实施例中，S11之后还包括：
S501:将加工过程当前状态主轴前端振动信号保存在数据库中；
S502:对数据库中的加工过程当前状态主轴振动信号进行特征提取，计算其均方根值与EEMD近似熵，并将特征矩阵定期输入到LSSVM模型中不断学习改善；
较佳实施例中，S11之后还包括：
S601:将采集的加工工艺过程稳定状态信号保存至数据库；该S601是S11之后且S12之前执行，采集的加工工艺过程稳定状态信号是指S11中采集的生产线设备主轴当前的振动信号或主轴电流、功率信号。
S602:对数据库中的加工工艺过程稳定状态信号进行定期采集更新，用于S13对稳定域的更新，并进行稳定域的上下阈值线的学习；该S602是S12之后且S13之前执行。进一步的，进行稳定域的上下阈值线的学习，包括：提取每组信号的奇异谱熵值，并统计多组信号奇异谱熵值的平均值λ和标准偏差σ；以λ+3σ为上限阈值，λ-3σ为下限阈值，从而确定稳定域。
本发明上述实施例在异常诊断模块中采用LSSVM分类模型进行学习训练，相较于其他如神经网络、SVM模型等，其更适用于小样本多分类问题，计算效率、精度更高。
结合图2，在另一实施例中，本发明还提供一种生产线设备加工稳定性智能监控和异常诊断装置，其包括：数据采集模块、特征提取模块、智能监控模块以及异常诊断模块。其中，数据采集模块通过振动传感器采集主轴前端轴承处的当前状态振动信号；特征提取模块基于时频分析的信号处理方法，利用两种不同算法分别对振动信号进行特征提取。其中适用于智能监控模块的算法提取得到反映加工工艺过程稳定性的单一特征值，适用于异常诊断模块的算法提取得到反映异常状态的特征矩阵；智能监控模块是通过对数据库中大量稳定状态加工工艺过程的历史数据进行学习，得到稳定状态的上下阈值区间，确定稳定域，以此特征值判断加工过程是否处于稳定状态；异常诊断模块基于LSSVM模型，对大量设备加工工艺过程稳定状态以及异常状态的主轴工作信号进行特征提取，并将特征矩阵输入到LSSVM模型中学习训练，得到训练完成的LSSVM模型，对当前状态的振动信号进行特征提取，并将特征矩阵输入到已经训练好的LSSVM模型，实现对生产线设备加工工艺过程当前状态的异常诊断。
具体地，数据采集模块选用振动传感器，可以布置在主轴前端轴承或者主轴后端轴承，采集X/Y/Z向(切向/轴向/径向)的振动信号，也可以采集主轴电流或主轴功率等负载信号；特征提取模块对采集的振动信号进行奇异谱分析，计算其奇异谱熵，以奇异谱熵作为反应加工过程稳定状态的特征值，将该特征值输入智能评估模块。对当前状态的振动信号进行EEMD分解，并将均方根值与EEMD近似熵组成的特征矩阵输入到异常诊断模块；智能监控模块通过对数据库中大量稳定加工数据进行特征提取，计算其奇异谱熵，统计并计算多组数据的平均值λ和标准偏差σ，在平均值上下浮动3σ作为稳定加工的上下阈值区间，通过判断特征值是否在阈值区间内实现加工过程稳定状态的智能监控；异常诊断模块对大量设备加工工艺过程稳定状态以及异常状态的主轴工作信号进行信号处理，其中异常状态包括加工颤振及其强度、刀具破损、刀具碰撞、材料异常，加工余量异常，异常切削参数导致的加工载荷剧变以及其他载荷突变情况。提取均方根值以及EEMD近似熵作为特征矩阵，输入到LSSVM模型中学习训练，得到训练完成的LSSVM模型。对当前状态的振动信号进行EEMD分解，并将均方根值与EEMD近似熵组成的特征矩阵输入到已经训练好的LSSVM模型，实现对生产线设备加工工艺过程当前状态的异常诊断。
较佳实施例中，对数据库中的加工过程当前状态主轴振动信号进行特征提取，计算其均方根值与EEMD近似熵，并将特征矩阵定期输入到LSSVM模型中不断学习改善；数据库中大量稳定加工数据指数据库中保存的稳定加工的历史振动信号数据，通过对这些数据特征提取、统计计算能够确定加工稳定的阈值区间(即稳定域)。通过判断当前加工信号的奇异谱熵值是否在这个稳定域内实现稳定状态的评估。进一步的，对数据库中大量稳定状态加工信号进行定期更新，并进行阈值的学习。通过将采集信号保存至数据库，上下阈值以及分类模型的训练学习能够实现定期更新与完善。
在另一实施例中，本发明还提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行上述任一实施例中的生产线设备加工稳定性智能监控和异常诊断方法。
在另一实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时用于执行上述任一实施例中的生产线设备加工稳定性智能监控和异常诊断方法。
本发明上述格式实例能够实现对生产线设备加工稳定性的在线监控和异常诊断，有效提高了生产线设备的加工效率，节省了设备的维护时间与成本。
此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化，均应落在本发明所保护的范围内。

Claims (10)

1.一种生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，包括：
S11：采集生产线设备主轴工作信号，所述主轴工作信号包括主轴当前的振动信号或主轴电流、功率信号中任一种；
S12：对采集的当前的生产线设备主轴工作信号进行处理，提取特征参数，得到反映生产线设备加工工艺过程当前状态的特征值；
S13：设定加工工艺过程稳定状态的上下阈值线，确定稳定域，
以S12得到的所述特征值判断加工过程是否处于健康状态，即：所述特征值处于所述稳定域中，则判断加工稳定；若超出所述稳定域，则判断加工失稳。
2.根据权利要求1所述的生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，所述S12中，对采集的当前的生产线设备主轴工作信号基于时频分析，提取奇异谱熵值，所述奇异谱熵值反映加工过程稳定状态。
3.根据权利要求1所述的生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，所述S13中，设定的上下阈值区间通过稳定状态加工工艺过程的历史数据进行离线学习或在线学习实现。
4.根据权利要求1所述的生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，所述S11之前还包括：
S401：对设备加工工艺过程稳定状态以及异常状态的主轴工作信号进行特征提取，提取信号的均方根值、EEMD近似熵作为特征矩阵，并将特征矩阵输入到LSSVM模型中学习训练，得到训练完成的LSSVM模型，其中，异常状态包括加工颤振及其强度、刀具破损、刀具碰撞、材料异常，加工余量异常，异常切削参数导致的加工载荷剧变以及其他载荷突变情况；
相应地，所述S13之后还包括：
S402：对当前状态的振动信号进行S11～S13特征提取，实现设备健康状态的智能评估；将特征矩阵输入到训练好的LSSVM模型，实现对生产线设备加工过程状态异常的诊断。
5.根据权利要求1所述的生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，所述S11之后还包括：
S501:将加工过程当前状态主轴工作信号保存在数据库中；
S502:对数据库中的加工过程当前状态主轴工作信号进行特征提取，并将特征矩阵定期输入到LSSVM模型中不断学习改善。
6.根据权利要求1所述的生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，还包括：
S601:将采集的加工工艺过程稳定状态信号保存至数据库；该S601是S11之后且S12之前执行，所述采集的加工工艺过程稳定状态信号是指S11中采集的生产线设备主轴当前的振动信号或主轴电流、功率信号；以及
S602:对数据库中的加工工艺过程稳定状态信号进行定期采集更新，用于S13对稳定域的更新，并进行所述稳定域的上下阈值线的学习；该S602是S12之后且S13之前执行。
7.根据权利要求6所述的生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，所述进行所述稳定域的上下阈值线的学习，包括：
提取每组信号的奇异谱熵值，并统计多组信号奇异谱熵值的平均值λ和标准偏差σ；
以λ+3σ为上限阈值，λ-3σ为下限阈值，从而确定稳定域。
8.一种生产线设备加工稳定性智能监控和异常诊断装置，其特征在于，包括：
数据采集模块，通过振动传感器采集生产线设备主轴工作信号，所述主轴工作信号包括主轴当前的振动信号或主轴电流、功率信号中任一种；
特征提取模块，采用时频分析对上述数据采集模块采集的信号进行提取，分别得到反映加工过程稳定性的特征值以及反映异常状态的特征矩阵；
智能监控模块，通过稳定加工的振动信号的历史数据进行学习，得到稳定状态的上下阈值区间，确定稳定域；以所述特征提取模块得到的特征值评估加工过程的稳定状态；
异常诊断模块，包括训练和诊断，其中，对设备加工工艺过程稳定状态以及异常状态的主轴工作信号进行特征提取，并将所述特征提取模块得到的特征矩阵输入到LSSVM模型中学习训练，得到训练完成的LSSVM模型；对当前状态的振动信号进行特征提取，并将所述特征提取模块得到的特征矩阵输入到已经训练好的LSSVM模型，实现对生产线设备加工工艺过程当前状态异常类型和异常程度的诊断。
9.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时用于执行权利要求1-7任一所述的生产线设备加工稳定性智能监控和异常诊断方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时用于执行权利要求1-7任一所述的生产线设备加工稳定性智能监控和异常诊断方法。
CN202011610287.1A 2020-12-30 2020-12-30 生产线设备加工稳定性智能监控和异常诊断方法及装置 Active CN112783138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011610287.1A CN112783138B (zh) 2020-12-30 2020-12-30 生产线设备加工稳定性智能监控和异常诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011610287.1A CN112783138B (zh) 2020-12-30 2020-12-30 生产线设备加工稳定性智能监控和异常诊断方法及装置

Publications (2)

Publication Number Publication Date
CN112783138A true CN112783138A (zh) 2021-05-11
CN112783138B CN112783138B (zh) 2022-03-22

Family

ID=75753905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011610287.1A Active CN112783138B (zh) 2020-12-30 2020-12-30 生产线设备加工稳定性智能监控和异常诊断方法及装置

Country Status (1)

Country Link
CN (1) CN112783138B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11754472B2 (en) 2021-11-30 2023-09-12 Industrial Technology Research Institute Process diagnosis system and operation method thereof
TWI833251B (zh) * 2022-06-21 2024-02-21 南亞科技股份有限公司 失效模式分析系統及失效模式分析方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009257862A (ja) * 2008-04-15 2009-11-05 Original Engineering Consultants Co Ltd 回転機械等の設備の音信号による健全性診断方法
CN102825504A (zh) * 2012-09-18 2012-12-19 重庆科技学院 数控机床主轴状态检测方法
CN104656562A (zh) * 2014-12-31 2015-05-27 无锡透平叶片有限公司 一种柔性结构件铣削加工的工艺参数优化方法
CN104786101A (zh) * 2015-04-29 2015-07-22 常州信息职业技术学院 立铣切削颤振的监测方法
CN106774245A (zh) * 2016-12-06 2017-05-31 北京广利核系统工程有限公司 核电站安全级仪控设备通道稳定度自动化测试系统和方法
CN108490789A (zh) * 2018-05-08 2018-09-04 西安交通大学 一种电主轴铣削颤振鲁棒主动控制方法及其主动控制系统
CN109396948A (zh) * 2018-11-16 2019-03-01 华中科技大学 一种提高五轴铣削系统加工稳定性的主动控制方法及系统
CN109766745A (zh) * 2018-11-22 2019-05-17 四川大学 强化学习三态组合长短时记忆神经网络系统及训练和预测方法
CN109857079A (zh) * 2018-12-05 2019-06-07 上海交通大学 加工中心主轴系统工作状态异常的智能诊断方法及装置
CN110147563A (zh) * 2018-12-21 2019-08-20 哈尔滨理工大学 一种基于大稳定域3阶线性公式预测铣削稳定性的方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009257862A (ja) * 2008-04-15 2009-11-05 Original Engineering Consultants Co Ltd 回転機械等の設備の音信号による健全性診断方法
CN102825504A (zh) * 2012-09-18 2012-12-19 重庆科技学院 数控机床主轴状态检测方法
CN104656562A (zh) * 2014-12-31 2015-05-27 无锡透平叶片有限公司 一种柔性结构件铣削加工的工艺参数优化方法
CN104786101A (zh) * 2015-04-29 2015-07-22 常州信息职业技术学院 立铣切削颤振的监测方法
CN106774245A (zh) * 2016-12-06 2017-05-31 北京广利核系统工程有限公司 核电站安全级仪控设备通道稳定度自动化测试系统和方法
CN108490789A (zh) * 2018-05-08 2018-09-04 西安交通大学 一种电主轴铣削颤振鲁棒主动控制方法及其主动控制系统
CN109396948A (zh) * 2018-11-16 2019-03-01 华中科技大学 一种提高五轴铣削系统加工稳定性的主动控制方法及系统
CN109766745A (zh) * 2018-11-22 2019-05-17 四川大学 强化学习三态组合长短时记忆神经网络系统及训练和预测方法
CN109857079A (zh) * 2018-12-05 2019-06-07 上海交通大学 加工中心主轴系统工作状态异常的智能诊断方法及装置
CN110147563A (zh) * 2018-12-21 2019-08-20 哈尔滨理工大学 一种基于大稳定域3阶线性公式预测铣削稳定性的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曾小钦: "基于LSSVM的风电机组传动系统故障预测与诊断", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11754472B2 (en) 2021-11-30 2023-09-12 Industrial Technology Research Institute Process diagnosis system and operation method thereof
TWI833251B (zh) * 2022-06-21 2024-02-21 南亞科技股份有限公司 失效模式分析系統及失效模式分析方法

Also Published As

Publication number Publication date
CN112783138B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN109396953B (zh) 基于信号融合的机床工作状态智能辨识系统
CN111353482B (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN112783138B (zh) 生产线设备加工稳定性智能监控和异常诊断方法及装置
CN111085898A (zh) 一种工况自适应的高速铣削加工过程刀具监测方法及系统
CN109857079B (zh) 加工中心主轴系统工作状态异常的智能诊断方法及装置
CN111113150B (zh) 一种机床刀具状态的监控方法
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
CN101870076A (zh) 一种基于性能退化模型的数控机床导轨副寿命预测方法
CN110057406B (zh) 一种多尺度自适应的机械设备趋势预警方法
CN111230740B (zh) 一种航空发动机叶片机器人磨削烧伤预测方法及装置
CN111066003A (zh) 对流程行业中的设备进行状态监测的方法、装置及介质
KR20210065581A (ko) 공작기계 이상상태 모니터링 시스템 및 방법
CN111852837A (zh) 基于聚类的往复式压缩机自适应故障监测方法
CN115307896A (zh) 一种基于机器学习的设备健康状态检测方法
CN116893643A (zh) 一种基于数据分析的智能机器人行驶轨迹安全管控系统
CN116871978A (zh) 基于多传感器融合的钻削刀具状态监测方法
CN112518425B (zh) 基于多源样本迁移强化学习的智能加工刀具磨损预测方法
CN112621381B (zh) 机床进给系统健康状态智能评估方法及装置
CN115788771A (zh) 一种基于物联网技术的风力发电系统的智能运维管理系统
CN113985814B (zh) 一种基于数字孪生的加工过程自适应控制方法
CN115716218A (zh) 一种数控刀具状态在线监控系统
CN108537174B (zh) 时变工况条件下旋转机械运行状态在线监测方法及系统
CN111044176A (zh) 一种发电机温度异常的监测方法
Liu et al. Research and application of wear prediction method of NC milling cutter based on data-driven
CN116893297B (zh) 旋转设备能耗的监测方法、监测系统

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