CN112859743A - 一种基于摩擦辨识的数控机床健康状态监测方法及装置 - Google Patents
一种基于摩擦辨识的数控机床健康状态监测方法及装置 Download PDFInfo
- Publication number
- CN112859743A CN112859743A CN202110080907.3A CN202110080907A CN112859743A CN 112859743 A CN112859743 A CN 112859743A CN 202110080907 A CN202110080907 A CN 202110080907A CN 112859743 A CN112859743 A CN 112859743A
- Authority
- CN
- China
- Prior art keywords
- machine tool
- friction
- feed shaft
- current
- healthy
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000036541 health Effects 0.000 title claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims description 45
- 230000003862 health status Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000020347 spindle assembly Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B2219/37—Measurements
- G05B2219/37616—Use same monitoring tools to monitor tool and workpiece
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于摩擦辨识的数控机床健康状态监测方法及装置，结合机床进给轴在匀速运动状态下进给轴电机的负载电流与负载转矩成正比，且机床不受惯量的影响，负载转矩约等于摩擦转矩的特性，根据机床各进给轴基于不同速度进行匀速运动时各进给轴电机的负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型，计算得到机床各进给轴的当前摩擦参数，与机床在健康状态下运行时所述机床各进给轴的健康摩擦参数分别进行比较，基于比较结果判断机床是否发生故障。不需要依赖于外接传感器和相应的数据采集装置，仅需要获取数控系统内部的电控数据即可实现健康监测，成本低；不需要大量的数据样本，无训练过程，占用资源小。
Description
技术领域
本发明属于数控机床技术领域，更具体地，涉及一种基于摩擦辨识的数控机床健康状态监测方法及装置。
背景技术
数控机床作为一种高效率、高精度、高自动化的加工设备，在制造业中具有十分重要的地位。数控机床的应用范围越来越广泛，包括航空航天、汽车、核电、医疗机械、工程机械等领域。数控机床结构复杂，在性能下降或者发生故障的情况下，导致产品质量下降或无法工作，将会造成巨大的经济损失，甚至造成生产事故的发生。数控机床的健康状态监测，主要是提前预测故障发生的可能，变事后故障处理为事前监测。数控机床故障可以分为数控系统故障、机械结构故障和电气系统故障等，其中数控系统和电气控制系统的故障，包括伺服系统故障、传感器故障、电机故障和电器故障等，机械系统的故障主要发生部位为主轴箱、丝杠副、导轨副、润滑液压系统以及气动系统。
数控机床健康状态监测技术已经成为数控机床关键技术，目前数控机床健康状态监测技术多数利用传感器采集机床的运行状态下的数据，再利用数据分析技术提取数据信息来进行机床健康状态的监测。比如利用神经网络或支持向量机等模型对滚珠丝杆工作时的传感器所采集的噪声进行分析，以此判断滚珠丝杆润滑系统是否工作正常；通过分析主轴交流电机转矩数据，实现主轴组件故障诊断和主轴当前运行能力评估；通过恒速轴测试、圆度测试和通用轴测试也能实现对机床进给系统的传动部件故障监测和伺服特性的全面评估。
当前多数数控机床健康状态监测方法需要依赖于外接传感器采集相应的数据，这无疑增加了购置传感器带来的成本以及安装传感器和采集处理传感器数据的时间成本。另外，利用神经网络等智能模型的健康监测方法在训练模型时需要大量的样本数据，这对机床使用者来说获取这些样本数据是比较困难的；同时，神经网络等机器学习模型的泛化能力一般较差，对于不同机床或是同一机床的不同时期的预测结果可能出现较大的变化，导致判断错误；再者，神经网络模型的计算量大，需要占用较大的资源。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于摩擦辨识的数控机床健康状态监测方法及装置，通过对数控机床各进给轴进行摩擦参数辨识，将辨识结果与机床健康状态下的各进给轴摩擦参数进行比较，从而有效判断机床当前的健康状态。
为实现上述目的，按照本发明的一个方面，提供了一种基于摩擦辨识的数控机床健康状态监测方法，包括：
S1：建立机床各进给轴的摩擦参数计算模型；
S2：采集所述机床各进给轴在当前运行状态下，基于不同速度进行匀速运动时各进给轴电机的负载电流和转速；根据所述负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型，计算得到所述机床各进给轴的当前摩擦参数；
S3：将所述机床各进给轴的当前摩擦参数与所述机床在健康状态下运行时所述机床各进给轴的健康摩擦参数分别进行比较，若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，则确认所述机床发生故障；
其中，所述健康摩擦参数根据所述机床在健康状态下基于不同速度进行匀速运动时各进给轴电机的负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型计算得到。
优选地，所述摩擦参数计算模型为：
库伦摩擦模型、Stribeck摩擦模型、LuGre摩擦模型中的至少一种。
优选地，当所述摩擦参数计算模型为Stribeck摩擦模型时，所述根据所述负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型，计算得到所述机床各进给轴的当前摩擦参数，所采用的公式具体为：
其中，v为电机转速，Fc为库伦摩擦力，Fs为最大静摩擦力，vs为Stribeck速度，Fv为阻尼系数，Fc、Fs、vs和Fv为机床各进给轴的摩擦参数；Ff为摩擦力，
Tf＝KtI，Tf为机床各进给轴在匀速运动状态下的负载转矩，Kt为电机转矩常数，I为负载电流，h为丝杆导程。
优选地，所述若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，则确认所述机床发生故障，包括：
若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，且与所述健康摩擦参数相比，所述当前摩擦参数的变化幅度大于预设阈值，则确认所述机床发生故障。
优选地，所述故障为机床传动系统故障。
优选地，所述机床各进给轴的健康摩擦参数预先存储在机床摩擦参数知识库中。
按照本发明的另一方面，提供了一种基于摩擦辨识的数控机床健康状态监测装置，其特征在于，包括：
模型建立模块，用于机床各进给轴的摩擦参数计算模型；
采集模块，用于采集所述机床各进给轴在当前运行状态下，基于不同速度进行匀速运动时各进给轴电机的负载电流和转速；
处理模块，用于根据所述负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型，计算得到所述机床各进给轴的当前摩擦参数；
判断模块，用于将所述机床各进给轴的当前摩擦参数与所述机床在健康状态下运行时所述机床各进给轴的健康摩擦参数分别进行比较，若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，则确认所述机床发生故障；
其中，所述健康摩擦参数根据所述机床在健康状态下基于不同速度进行匀速运动时各进给轴电机的负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型计算得到。
总体而言，通过本发明所构思的以上技术方案，结合机床进给轴在匀速运动状态下进给轴电机的负载电流与负载转矩成正比，且机床不受惯量的影响，负载转矩约等于摩擦转矩的特性，根据机床各进给轴基于不同速度进行匀速运动时各进给轴电机的负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型，计算得到机床各进给轴的当前摩擦参数，与机床在健康状态下运行时所述机床各进给轴的健康摩擦参数分别进行比较，基于比较结果判断机床是否发生故障。
与现有的数控机床健康状态监测方法相比，不需要依赖于外接传感器和相应的数据采集装置，仅需要获取数控系统内部的电控数据即可实现健康监测，成本低；与现有的基于智能模型的监测方法相比，不需要大量的数据样本，无训练过程，占用资源小；只需评估进给系统的摩擦力特性即可实现系统健康监测，泛化能力强，可用于不同型号的各类数控机床的健康状态监测；可用于数控机床进给传动系统的健康状态监测。
附图说明
图1为本发明实施例提供的一种基于摩擦辨识的数控机床健康状态监测方法流程示意图；
图2为本发明实施例提供的摩擦参数辨识原理示意图；
图3为本发明实施例提供的机床各进给轴的匀速运动指令信号示意图；
图4为本发明实施例提供的某型号机床健康状态下X轴基于不同速度进行匀速运动时的摩擦力示意图；
图5为本发明实施例提供的某型号机床传动系统发生故障的情况下X轴基于不同速度进行匀速运动时的摩擦力示意图；
图6为本发明实施例提供的某型号机床在传动系统故障修复后X轴基于不同速度进行匀速运动时的摩擦力示意图。
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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供一种基于摩擦辨识的数控机床健康状态监测方法，包括：
S1：建立机床各进给轴的摩擦参数计算模型。
具体地，如图1所示，分别建立机床各进给轴的摩擦参数计算模型。
其中，所述进给轴可以为X轴、Y轴、Z轴中的至少一个。例如：若所述进给轴包括X轴、Y轴和Z轴，则分别建立X轴、Y轴和Z轴的摩擦参数计算模型。
所述摩擦参数计算模型为现有技术中能够描述机床进给轴摩擦力特性的任意一种模型，如库伦摩擦模型、Stribeck摩擦模型、LuGre摩擦模型等，本发明实施例对此不做具体限定。
S2：采集所述机床各进给轴在当前运行状态下，基于不同速度进行匀速运动时各进给轴电机的负载电流和转速；根据所述负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型，计算得到所述机床各进给轴的当前摩擦参数。
具体地，机床进给轴在匀速运动状态下，进给轴电机的负载电流与负载转矩成正比，即：
Tf＝KtI；
其中，Tf为机床各进给轴在匀速运动状态下的负载转矩，Kt为电机转矩常数，I为负载电流；
进一步地，机床进给轴在匀速运动状态下，机床不受惯量的影响，负载转矩约等于摩擦转矩，通过测量负载电流即获得当前轴所受摩擦力矩，再根据摩擦力矩和摩擦力的计算公式即可计算得到摩擦力的大小，即：
其中，Tf为机床各进给轴在匀速运动状态下的负载转矩，Ff为摩擦力，h为丝杆导程。
即，机床进给轴在匀速运动状态下时，通过测量进给轴电机的负载电流即可间接获得进给轴所受摩擦力。
如图1所示，采集所述机床各进给轴在当前运行状态下，基于不同速度进行匀速运动时各进给轴电机的负载电流I和转速v，根据所述负载电流I即可间接获得各进给轴所受的摩擦力Ff，也即各进给轴在不同速度下所受的摩擦力Ff；分别基于各进给轴在不同转速v时所受的摩擦力Ff，以及已经建立的所述机床各进给轴的摩擦参数计算模型，通过模型求解算法即可得到所述机床各进给轴的当前摩擦参数。
其中，所述模型求解算法可以为任一种能够辨识摩擦参数的算法，例如：基于智能优化算法的摩擦参数辨识方法、基于模型参考自适应的摩擦参数辨识方法等。
当模型求解算法采用基于智能优化算法的摩擦参数辨识方法时，其辨识原理如图2所示，利用智能优化算法最小化摩擦参数计算模型输出的仿真摩擦力大小和实测摩擦力大小之间的偏差，不断更新摩擦力模型的参数，最终获得摩擦参数的辨识结果。
S3：将所述机床各进给轴的当前摩擦参数与所述机床在健康状态下运行时所述机床各进给轴的健康摩擦参数分别进行比较，若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，则确认所述机床发生故障；
其中，所述健康摩擦参数根据所述机床在健康状态下基于不同速度进行匀速运动时各进给轴电机的负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型计算得到。
具体地，采集机床在健康状态下运行匀速运动指令时各进给轴电机的负载电流和转速信号。机床各进给轴的匀速运动指令如图3所示，机床各进给轴在不同时间段以不同大小的速度进行匀速运动，采集所述机床在健康状态下基于不同速度进行匀速运动时各进给轴电机的负载电流和转速，基于所述负载电流和转速，以及机床各进给轴的摩擦参数计算模型，通过模型求解算法即可得到所述机床各进给轴的健康摩擦参数。
如图1所示，将所述机床各进给轴的当前摩擦参数与所述机床在健康状态下运行时所述机床各进给轴的健康摩擦参数分别进行比较，得到摩擦参数比较结果，若机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，则意味着机床的摩擦特性发生了变化，则确定机床发生故障。
本发明实施例提供的方法，与现有的数控机床健康状态监测方法相比，不需要依赖于外接传感器和相应的数据采集装置，仅需要获取数控系统内部的电控数据即可实现健康监测，成本低；与现有的基于智能模型的监测方法相比，不需要大量的数据样本，无训练过程，占用资源小；只需评估进给系统的摩擦力特性即可实现系统健康监测，泛化能力强，可用于不同型号的各类数控机床的健康状态监测。
基于上述实施例，所述摩擦参数计算模型为：
库伦摩擦模型、Stribeck摩擦模型、LuGre摩擦模型中的至少一种。
可以理解的是，所述机床各进给轴的摩擦参数计算模型可以相同，也可以不同，本发明实施例对此不作具体限定。
例如：X轴、Y轴和Z轴的摩擦参数计算模型均为库伦摩擦模型；
或者，X轴的摩擦参数计算模型为库伦摩擦模型，Y轴的摩擦参数计算模型为Stribeck摩擦模型，Z轴的摩擦参数计算模型为LuGre摩擦模型；
又或者，X轴和Y轴的摩擦参数计算模型为库伦摩擦模型，Z轴的摩擦参数计算模型为LuGre摩擦模型。
基于上述任一实施例，当所述摩擦参数计算模型为Stribeck摩擦模型时，所述根据所述负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型，计算得到所述机床各进给轴的当前摩擦参数，所采用的公式具体为：
其中，v为电机转速，Fc为库伦摩擦力，Fs为最大静摩擦力，vs为Stribeck速度，Fv为阻尼系数，Fc、Fs、vs和Fv为机床各进给轴的摩擦参数；Ff为摩擦力，
Tf＝KtI，Tf为机床各进给轴在匀速运动状态下的负载转矩，Kt为电机转矩常数，I为负载电流。
具体地，根据机床各进给轴在当前运行状态下，基于不同速度进行匀速运动时各进给轴电机的负载电流I和转速v，可计算出各进给轴在不同速度下所受的摩擦力Ff；基于各进给轴在不同速度下所受的摩擦力Ff，以及Stribeck摩擦模型，通过模型求解算法即可得到所述机床各进给轴的当前摩擦参数。
基于上述任一实施例，所述若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，则确认所述机床发生故障，包括：
若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，且与所述健康摩擦参数相比，任一当前摩擦参数的变化幅度大于预设阈值，则确认所述机床发生故障。
具体地，所述预设阈值可以根据实际情况进行设置，本发明实施例对此不作具体限定。
通过预设阈值，可以直接有效地判断出机床的摩擦特性是否发生了明显变化，如某个别参数或所有参数变化幅度较大等。
例如：通过摩擦参数比较结果，若任一当前摩擦参数的变化幅度较大(如增大或减小50％以上)，则可以认为机床发生了故障。
基于上述任一实施例，所述故障为机床传动系统故障。
具体地，通过分别比较机床各进给轴的当前摩擦参数和健康摩擦参数，可判断机床是否发生传动系统故障。
基于上述任一实施例，所述机床各进给轴的健康摩擦参数预先存储在机床摩擦参数知识库中。
具体地，可辨识机床各进给轴的各行程段摩擦参数，并将其存入机床各进给轴的摩擦参数知识库中，以备后续健康监测使用。
进一步地，不定期的对机床当前状态下各进给轴的摩擦参数进行辨识，将当前摩擦参数辨识结果与存储的各轴健康摩擦参数进行比较，判断机床是否发生故障。
下面以一个具体的例子对本发明实施例提供的方法进行说明，如图4所示，某型号机床健康状态下X轴摩擦力表现出明显的Stribeck特性，即摩擦力随速度的增大，呈现先减小后增大的变化趋势。因此，该进给轴的摩擦参数计算模型选用Stribeck摩擦模型。
采集该机床X轴在健康运行状态下，基于不同速度进行匀速运动时X轴电机的负载电流和转速；根据所述负载电流和转速，以及Stribeck摩擦模型，计算得到该机床X轴的健康摩擦参数如下：Fc：830.8N，Fs：1304.1N，vs：0.002m/s，Fv：3388.9N·s/m。
如图5所示，与图4同一机床在传动系统发生故障的情况下，X轴摩擦力并没有明显的Stribeck特性。采集该机床X轴在健康运行状态下，基于不同速度进行匀速运动时X轴电机的负载电流和转速；根据所述负载电流和转速，以及Stribeck摩擦模型，计算得到该机床X轴的健康摩擦参数如下：Fc：944.5N，Fs：2308.3N，vs：0.212m/s，Fv：35.92N·s/m。
将当前摩擦参数与健康摩擦参数一一对比可知，vs和Fv的变化幅度均大于50％，据此可以判断机床传动系统发生了故障。
如图6所示，与图4，图5同一机床在传动系统故障修复后X轴摩擦力再次表现出Stribeck特性。采集该机床X轴在健康运行状态下，基于不同速度进行匀速运动时X轴电机的负载电流和转速；根据所述负载电流和转速，以及Stribeck摩擦模型，计算得到该机床X轴的健康摩擦参数如下：Fc：820.6N，Fs：1117.2N，vs：0.0035m/s，Fv：3707.8N·s/m。
将当前摩擦参数与健康摩擦参数一一对比可知，各参数的变化幅度均小于50％变化不大，故可判断机床传动系统处于正常工作状态。
下面对本发明提供的基于摩擦辨识的数控机床健康状态监测装置进行描述，下文描述的基于摩擦辨识的数控机床健康状态监测装置与上文描述的基于摩擦辨识的数控机床健康状态监测方法可相互对应参照。
本发明实施例提供一种基于摩擦辨识的数控机床健康状态监测装置，包括：
模型建立模块，用于建立机床进给轴的摩擦参数计算模型；
采集模块，用于采集所述机床进给轴在当前运行状态下，基于不同速度进行匀速运动时的负载电流和电机转速；
处理模块，用于根据所述负载电流和电机转速，以及所述机床进给轴的摩擦参数计算模型，计算得到所述机床进给轴的当前摩擦参数；
判断模块，用于将所述机床进给轴的当前摩擦参数与机床在健康状态下运行时所述进给轴的健康摩擦参数进行比较，若所述进给轴的当前摩擦参数与所述健康摩擦参数不同，则确认所述机床发生故障。
本发明提供的基于摩擦辨识的数控机床健康状态监测装置，可用于执行上述各基于摩擦辨识的数控机床健康状态监测方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本领域的技术人员容易理解，以上所述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)
1.一种基于摩擦辨识的数控机床健康状态监测方法，其特征在于，包括：
S1：建立机床各进给轴的摩擦参数计算模型；
S2：采集所述机床各进给轴在当前运行状态下，基于不同速度进行匀速运动时各进给轴电机的负载电流和转速；根据所述负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型，计算得到所述机床各进给轴的当前摩擦参数；
S3：将所述机床各进给轴的当前摩擦参数与所述机床在健康状态下运行时所述机床各进给轴的健康摩擦参数分别进行比较，若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，则确认所述机床发生故障；
其中，所述健康摩擦参数根据所述机床在健康状态下基于不同速度进行匀速运动时各进给轴电机的负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型计算得到。
2.如权利要求1所述的基于摩擦辨识的数控机床健康状态监测方法，其特征在于，所述摩擦参数计算模型为：
库伦摩擦模型、Stribeck摩擦模型、LuGre摩擦模型中的至少一种。
3.如权利要求2所述的基于摩擦辨识的数控机床健康状态监测方法，其特征在于，当所述摩擦参数计算模型为Stribeck摩擦模型时，所述根据所述负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型，计算得到所述机床各进给轴的当前摩擦参数，所采用的公式具体为：
其中，v为电机转速，Fc为库伦摩擦力，Fs为最大静摩擦力，vs为Stribeck速度，Fv为阻尼系数，Fc、Fs、vs和Fv为机床各进给轴的摩擦参数；Ff为摩擦力，
Tf＝KtI，Tf为机床各进给轴在匀速运动状态下的负载转矩，Kt为电机转矩常数，I为负载电流，h为丝杆导程。
4.如权利要求1所述的基于摩擦辨识的数控机床健康状态监测方法，其特征在于，所述若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，则确认所述机床发生故障，包括：
若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，且与所述健康摩擦参数相比，所述当前摩擦参数的变化幅度大于预设阈值，则确认所述机床发生故障。
5.如权利要求1所述的基于摩擦辨识的数控机床健康状态监测方法，其特征在于，所述故障为机床传动系统故障。
6.如权利要求1所述的基于摩擦辨识的数控机床健康状态监测方法，其特征在于，所述机床各进给轴的健康摩擦参数预先存储在机床摩擦参数知识库中。
7.一种基于摩擦辨识的数控机床健康状态监测装置，其特征在于，包括：
模型建立模块，用于机床各进给轴的摩擦参数计算模型；
采集模块，用于采集所述机床各进给轴在当前运行状态下，基于不同速度进行匀速运动时各进给轴电机的负载电流和转速；
处理模块，用于根据所述负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型，计算得到所述机床各进给轴的当前摩擦参数；
判断模块，用于将所述机床各进给轴的当前摩擦参数与所述机床在健康状态下运行时所述机床各进给轴的健康摩擦参数分别进行比较，若所述机床的任一进给轴的当前摩擦参数与其健康摩擦参数不同，则确认所述机床发生故障；
其中，所述健康摩擦参数根据所述机床在健康状态下基于不同速度进行匀速运动时各进给轴电机的负载电流和转速，以及所述机床各进给轴的摩擦参数计算模型计算得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110080907.3A CN112859743A (zh) | 2021-01-21 | 2021-01-21 | 一种基于摩擦辨识的数控机床健康状态监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110080907.3A CN112859743A (zh) | 2021-01-21 | 2021-01-21 | 一种基于摩擦辨识的数控机床健康状态监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112859743A true CN112859743A (zh) | 2021-05-28 |
Family
ID=76008739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110080907.3A Pending CN112859743A (zh) | 2021-01-21 | 2021-01-21 | 一种基于摩擦辨识的数控机床健康状态监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112859743A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080251071A1 (en) * | 2007-04-13 | 2008-10-16 | Resmed Limited | Method and system for motor failure detection |
| CN102269638A (zh) * | 2011-04-27 | 2011-12-07 | 中国科学院光电技术研究所 | 伺服转台LuGre模型摩擦参数及转动惯量的一体化测量方法 |
| CN108674634A (zh) * | 2018-05-22 | 2018-10-19 | 南京航空航天大学 | 一种适用于飞机主动侧杆系统位置控制的摩擦补偿方法 |
| CN109571549A (zh) * | 2018-12-29 | 2019-04-05 | 上海新时达机器人有限公司 | 一种机器人本体的摩擦力监测方法和系统以及设备 |
| CN111580539A (zh) * | 2020-06-16 | 2020-08-25 | 北京石油化工学院 | 一种洛伦兹惯性稳定平台摩擦辨识与补偿控制方法 |
-
2021
- 2021-01-21 CN CN202110080907.3A patent/CN112859743A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080251071A1 (en) * | 2007-04-13 | 2008-10-16 | Resmed Limited | Method and system for motor failure detection |
| CN102269638A (zh) * | 2011-04-27 | 2011-12-07 | 中国科学院光电技术研究所 | 伺服转台LuGre模型摩擦参数及转动惯量的一体化测量方法 |
| CN108674634A (zh) * | 2018-05-22 | 2018-10-19 | 南京航空航天大学 | 一种适用于飞机主动侧杆系统位置控制的摩擦补偿方法 |
| CN109571549A (zh) * | 2018-12-29 | 2019-04-05 | 上海新时达机器人有限公司 | 一种机器人本体的摩擦力监测方法和系统以及设备 |
| CN111580539A (zh) * | 2020-06-16 | 2020-08-25 | 北京石油化工学院 | 一种洛伦兹惯性稳定平台摩擦辨识与补偿控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Toward intelligent machine tool | |
| CN105718876B (zh) | 一种滚珠丝杠健康状态的评估方法 | |
| CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
| CN203894596U (zh) | 数控机床加工状态多参数在线主动监控系统 | |
| Zhu et al. | A cyber-physical production system framework of smart CNC machining monitoring system | |
| CN102929210B (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
| CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
| Cheng et al. | High-accuracy unsupervised fault detection of industrial robots using current signal analysis | |
| CN103823409A (zh) | 数控机床加工状态多参数在线主动监控系统及其实现方法 | |
| CN110837248B (zh) | 机床健康度测评方法、系统、综合系统及数控机床 | |
| CN108536094A (zh) | 机床性能检测系统、方法及数控机床 | |
| CN110837247B (zh) | 基于机床数据的机床性能测评方法、系统、综合系统、云平台 | |
| Sun et al. | Composite-graph-based sparse subspace clustering for machine fault diagnosis | |
| PETERKA et al. | DIAGNOSTICS OF AUTOMATED TECHNOLOGICAL DEVICES. | |
| Nentwich et al. | Towards data acquisition for predictive maintenance of industrial robots | |
| CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
| Uhlmann et al. | Smart wireless sensor network and configuration of algorithms for condition monitoring applications | |
| CN112859743A (zh) | 一种基于摩擦辨识的数控机床健康状态监测方法及装置 | |
| D’Emilia et al. | Sensor fusion for more accurate features in condition monitoring of mechatronic systems | |
| Choi et al. | Development of fault diagnosis models based on predicting energy consumption of a machine tool spindle | |
| CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
| CN113155493A (zh) | 智能物料车运行故障诊断与检测控制器 | |
| CN108646670B (zh) | 一种数控机床部件温度实时预测方法 | |
| Kolar et al. | Identification of inability states of rotating machinery subsystems using industrial IoT and convolutional neural network–initial research | |
| Ou et al. | Online shock sensing for rotary machinery using encoder signal |
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: 20210528 |
|
| RJ01 | Rejection of invention patent application after publication |