CN113110292A - 基于时序功率数据的机床工作状态预测方法及系统 - Google Patents
基于时序功率数据的机床工作状态预测方法及系统 Download PDFInfo
- Publication number
- CN113110292A CN113110292A CN202110473592.9A CN202110473592A CN113110292A CN 113110292 A CN113110292 A CN 113110292A CN 202110473592 A CN202110473592 A CN 202110473592A CN 113110292 A CN113110292 A CN 113110292A
- Authority
- CN
- China
- Prior art keywords
- data
- power data
- time
- machine tool
- main shaft
- 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
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
- 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
- G05B19/401—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 control arrangements for measuring, e.g. calibration and initialisation, measuring workpiece for machining purposes
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34242—For measurement only
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
本发明提供了一种基于时序功率数据的机床工作状态预测方法及系统，其中，基于时序功率数据的机床工作状态预测方法通过获取总闸和主轴的功率数据，并分别计算总闸以及主轴的工作时间，依据功率数据以及工作时间完成对机床的工作状态预测，从而解决现有机床无法检测机床的工作状态的问题。
Description
技术领域
本发明涉及机床生产监测领域，具体涉及一种基于时序功率数据的机床工作状态预测方法及系统。
背景技术
数控机床属于工业机械加工过程中最常见的机械设备，其可提供高精度、高水平的机械加工服务。
传统的数控机床，在对工作状态进行监控时，一般采用人工进行监视，或者单纯的记录数控机床是否开机，在工件实际生产时，由于人工并不能实时监测机床的工作状态。
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基于时序功率数据的机床工作状态预测方法及系统。
本发明解决其技术问题所采用的技术方案是：提供了一种基于时序功率数据的机床工作状态预测方法，所述方法包括：
分别获取总闸和主轴的功率数据；
依据总闸的总闸功率数据计算第一工作时间；
依据主轴的主轴功率数据计算第二工作时间；
依据总闸功率数据、主轴功率数据、第一工作时间以及第二工作时间对工作状态进行预测。
进一步的，所述依据总闸的总闸功率数据计算第一工作时间的方法包括：
筛选出总闸功率数据中超过非加工功率阈值的时间戳，且，将筛选出的时间戳中连续的时间戳进行合并，并获取合并后的时间戳中最后一条时间戳；
将时间戳记入数组t1中，数组t1为第一工作时间。
进一步的，依据主轴的主轴功率数据计算第二工作时间的方法包括：
将主轴功率数据转化为主轴功率波形数据；
获取历史数据中的对应工件生产时的标准主轴波形数据，其中标准主轴波形数据为生产工件对应的功率波形数据；
在主轴功率波形数据依序取出与标准主轴波形数据长度一致的缓存数据，
计算标准主轴波形数据与缓存数据的第一误差；
将第一误差存入误差数据中；
获取误差数据中的局部最小值，若该局部最小值小于匹配阈值，则匹配成功，并将匹配点的时间戳记入数组t2中，数组t2为第二工作时间。
进一步的，依据总闸功率数据、主轴功率数据、第一工作时间以及第二工作时间对工作状态进行预测的方法包括：
依据时间戳遍历总闸功率数据以及主轴功率数据；
判断在同一时间戳上，总闸功率数据以及主轴功率数据，并获取当前机床的工作状态；
若，总闸功率数据以及主轴功率数据均为0，则当前机床的工作状态为关机；
若，总闸功率数据大于0，主轴功率数据为0，则当前机床的工作状态为待机；
若，总闸功率数据以及主轴功率数据均大于0，则依据第一工作时间以及第二工作时间对当前机床的工作状态进行判断。
进一步的，所述若，总闸功率数据以及主轴功率数据均大于0，则依据第一工作时间以及第二工作时间对当前机床的工作状态进行判断的方法包括：
获取第二工作时间的数组t2中小于当前时间戳，且最接近当前时刻的第一时间戳；
计算最接近当前时刻的第一时间戳与当前时间戳的第二误差；
若第二误差小于超时阈值，则当前机床的工作状态为加工中；
若第二误差大于超时阈值，则获取第一工作时间的数组t1中小于当前时间戳，且最接近当前时刻的第二时间戳；
计算最接近当前时刻的第一时间戳与当前时间戳的第三误差；
若第三误差小于超时阈值，则当前机床的工作状态为空运行；
若第三误差大于超时阈值，则当前机床的工作状态为待机。
本发明还提供了一种基于时序功率数据的机床工作状态预测系统，所述系统包括：
功率获取模块，适于分别获取总闸和主轴的功率数据；
总闸工作时间计算模块，适于依据总闸的总闸功率数据计算第一工作时间；
主轴工作时间计算模块，适于依据主轴的主轴功率数据计算第二工作时间；
预测模块，适于依据总闸功率数据、主轴功率数据、第一工作时间以及第二工作时间对工作状态进行预测。
进一步的，所述总闸工作时间计算模块包括：
筛选单元，筛选出总闸功率数据中超过非加工功率阈值的时间戳，且，将筛选出的时间戳中连续的时间戳进行合并，并获取合并后的时间戳中最后一条时间戳；
第一工作时间计算单元，适于将时间戳记入数组t1中，数组t1为第一工作时间。
进一步的，所述主轴工作时间计算模块包括：
转化单元，适于将主轴功率数据转化为主轴功率波形数据；
标准波形获取单元，适于获取历史数据中的对应工件生产时的标准主轴波形数据，其中标准主轴波形数据为生产工件对应的功率波形数据；
数据提取单元，适于在主轴功率波形数据依序取出与标准主轴波形数据长度一致的缓存数据，
第一误差计算单元，适于计算标准主轴波形数据与缓存数据的第一误差；
误差存入单元，适于将第一误差存入误差数据中；
第二工作时间计算单元，适于获取误差数据中的局部最小值，若该局部最小值小于匹配阈值，则匹配成功，并将匹配点的时间戳记入数组t2中，数组t2为第二工作时间。
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由处理器执行时实现如上述的基于时序功率数据的机床工作状态预测方法。
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如上述的基于时序功率数据的机床工作状态预测方法。
本发明的有益效果是：本发明提供了一种基于时序功率数据的机床工作状态预测方法及系统，其中，基于时序功率数据的机床工作状态预测方法通过获取总闸和主轴的功率数据，并分别计算总闸以及主轴的工作时间，依据功率数据以及工作时间完成对机床的工作状态预测，从而解决现有机床无法检测机床的工作状态的问题。
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基于时序功率数据的机床工作状态预测方法的流程图。
图2是本发明实施例所提供的基于时序功率数据的机床工作状态预测系统的原理框图。
图3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
请参阅图1，本实施例提供了一种基于时序功率数据的机床工作状态预测方法。通过获取总闸和主轴的功率数据，并分别计算总闸以及主轴的工作时间，依据功率数据以及工作时间完成对机床的工作状态预测，从而解决现有机床无法检测机床的工作状态的问题。
具体来说，基于时序功率数据的机床工作状态预测方法包括：
S110：分别获取总闸和主轴的功率数据。
其中，总闸的功率数据为机床总线的功率数据，主轴的功率数据为机床加工时的主轴电机的功率数据。
S120：依据总闸的总闸功率数据计算第一工作时间。
具体来说，步骤S120包括以下步骤：
S121：筛选出总闸功率数据中超过非加工功率阈值的时间戳，且，将筛选出的时间戳中连续的时间戳进行合并，并获取合并后的时间戳中最后一条时间戳；其中，非加工功率阈值为，机床空运行时总线功率的上限。
S122：将时间戳记入数组t1中，数组t1为第一工作时间。
S130：依据主轴的主轴功率数据计算第二工作时间。
具体来说，步骤S130包括以下步骤：
S131：将主轴功率数据转化为主轴功率波形数据；
具体地，将功率传感器检测的功率数据以时间戳连线后转化为生产波形数据。
S132：获取历史数据中的对应工件生产时的标准主轴波形数据，其中标准主轴波形数据为生产工件对应的功率波形数据；
S133：在主轴功率波形数据依序取出与标准主轴波形数据长度一致的缓存数据。
具体地，通过滑窗的方式取出数据，每次划去一个数据例如，有一万个功率数据，长度为200个数据，则先取出1-200的波形数据，然后取出2-201、3-202、直至9800-10000。
S134：计算标准主轴波形数据与缓存数据的第一误差。
具体来说，计算标准波形数据和缓存数据对应的每个元素差值的绝对值，并求和。
S135：将第一误差存入误差数据中；
S136：获取误差数据中的局部最小值，若该局部最小值小于匹配阈值，则匹配成功，并将匹配点的时间戳记入数组t2中，数组t2为第二工作时间。
具体来说，当标准波形数据与缓存数据匹配时，表示，两者的波形一致，此时，两者的误差应该趋近于0。本实施例中的，局部最小值的含义为，生产一件工件时，会产生一个与标准波形匹配的波形数据，采用滑窗的方式会产生很多个误差数据，此时的最小值为局部最小值。
S140：依据总闸功率数据、主轴功率数据、第一工作时间以及第二工作时间对工作状态进行预测。
具体来说，步骤S140包括以下步骤：
S141：依据时间戳遍历总闸功率数据以及主轴功率数据；
S142：判断在同一时间戳上，总闸功率数据以及主轴功率数据，并获取当前机床的工作状态；
S143：若，总闸功率数据以及主轴功率数据均为0，则当前机床的工作状态为关机；
S144：若，总闸功率数据大于0，主轴功率数据为0，则当前机床的工作状态为待机；
S145：若，总闸功率数据以及主轴功率数据均大于0，则依据第一工作时间以及第二工作时间对当前机床的工作状态进行判断。
其中，步骤S145包括以下步骤：
S1451：获取第二工作时间的数组t2中小于当前时间戳，且最接近当前时刻的第一时间戳；
S1452：计算最接近当前时刻的第一时间戳与当前时间戳的第二误差；
S1453：若第二误差小于超时阈值，则当前机床的工作状态为加工中；
S1454：若第二误差大于超时阈值，则获取第一工作时间的数组t1中小于当前时间戳，且最接近当前时刻的第二时间戳；
S1455：计算最接近当前时刻的第一时间戳与当前时间戳的第三误差；
S1456：若第三误差小于超时阈值，则当前机床的工作状态为空运行；
S1457：若第三误差大于超时阈值，则当前机床的工作状态为待机。
实施例2
请参阅图2，本实施例提供了一种基于时序功率数据的机床工作状态预测系统，所述系统包括：
功率获取模块，适于分别获取总闸和主轴的功率数据；其中，总闸的功率数据为机床总线的功率数据，主轴的功率数据为机床加工时的主轴电机的功率数据。
总闸工作时间计算模块，适于依据总闸的总闸功率数据计算第一工作时间。
所述总闸工作时间计算模块包括：
筛选单元，筛选出总闸功率数据中超过非加工功率阈值的时间戳，且，将筛选出的时间戳中连续的时间戳进行合并，并获取合并后的时间戳中最后一条时间戳；
第一工作时间计算单元，适于将时间戳记入数组t1中，数组t1为第一工作时间。
主轴工作时间计算模块，适于依据主轴的主轴功率数据计算第二工作时间。
其中，所述主轴工作时间计算模块包括：
转化单元，适于将主轴功率数据转化为主轴功率波形数据；
标准波形获取单元，适于获取历史数据中的对应工件生产时的标准主轴波形数据，其中标准主轴波形数据为生产工件对应的功率波形数据；
数据提取单元，适于在主轴功率波形数据依序取出与标准主轴波形数据长度一致的缓存数据，
第一误差计算单元，适于计算标准主轴波形数据与缓存数据的第一误差；
误差存入单元，适于将第一误差存入误差数据中；
第二工作时间计算单元，适于获取误差数据中的局部最小值，若该局部最小值小于匹配阈值，则匹配成功，并将匹配点的时间戳记入数组t2中，数组t2为第二工作时间。
预测模块，适于依据总闸功率数据、主轴功率数据、第一工作时间以及第二工作时间对工作状态进行预测。预测模块用于实现以下步骤：
S141：依据时间戳遍历总闸功率数据以及主轴功率数据；
S142：判断在同一时间戳上，总闸功率数据以及主轴功率数据，并获取当前机床的工作状态；
S143：若，总闸功率数据以及主轴功率数据均为0，则当前机床的工作状态为关机；
S144：若，总闸功率数据大于0，主轴功率数据为0，则当前机床的工作状态为待机；
S145：若，总闸功率数据以及主轴功率数据均大于0，则依据第一工作时间以及第二工作时间对当前机床的工作状态进行判断。
其中，步骤S145包括以下步骤：
S1451：获取第二工作时间的数组t2中小于当前时间戳，且最接近当前时刻的第一时间戳；
S1452：计算最接近当前时刻的第一时间戳与当前时间戳的第二误差；
S1453：若第二误差小于超时阈值，则当前机床的工作状态为加工中；
S1454：若第二误差大于超时阈值，则获取第一工作时间的数组t1中小于当前时间戳，且最接近当前时刻的第二时间戳；
S1455：计算最接近当前时刻的第一时间戳与当前时间戳的第三误差；
S1456：若第三误差小于超时阈值，则当前机床的工作状态为空运行；
S1457：若第三误差大于超时阈值，则当前机床的工作状态为待机。
实施例3
本实施例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由处理器执行时实现实施例1所提供的基于时序功率数据的机床工作状态预测方法。
具体来说，基于时序功率数据的机床工作状态预测方法通过获取总闸和主轴的功率数据，并分别计算总闸以及主轴的工作时间，依据功率数据以及工作时间完成对机床的工作状态预测，从而解决现有机床无法检测机床的工作状态的问题。
实施例4
请参阅图3，本发明实施例还提供了一种电子设备，包括：存储器502和处理器501；所述存储器502中存储有至少一条程序指令；所述处理器501，通过加载并执行所述至少一条程序指令以实现如实施例1所提供的基于时序功率数据的机床工作状态预测方法。
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，本发明提供了一种基于时序功率数据的机床工作状态预测方法及系统，其中，基于时序功率数据的机床工作状态预测方法通过获取总闸和主轴的功率数据，并分别计算总闸以及主轴的工作时间，依据功率数据以及工作时间完成对机床的工作状态预测，从而解决现有机床无法检测机床的工作状态的问题。
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)
1.一种基于时序功率数据的机床工作状态预测方法，其特征在于，所述方法包括：
分别获取总闸和主轴的功率数据；
依据总闸的总闸功率数据计算第一工作时间；
依据主轴的主轴功率数据计算第二工作时间；
依据总闸功率数据、主轴功率数据、第一工作时间以及第二工作时间对工作状态进行预测。
2.如权利要求1所述的基于时序功率数据的机床工作状态预测方法，其特征在于，所述依据总闸的总闸功率数据计算第一工作时间的方法包括：
筛选出总闸功率数据中超过非加工功率阈值的时间戳，且，将筛选出的时间戳中连续的时间戳进行合并，并获取合并后的时间戳中最后一条时间戳；
将时间戳记入数组t1中，数组t1为第一工作时间。
3.如权利要求2所述的基于时序功率数据的机床工作状态预测方法，其特征在于，依据主轴的主轴功率数据计算第二工作时间的方法包括：
将主轴功率数据转化为主轴功率波形数据；
获取历史数据中的对应工件生产时的标准主轴波形数据，其中标准主轴波形数据为生产工件对应的功率波形数据；
在主轴功率波形数据依序取出与标准主轴波形数据长度一致的缓存数据，
计算标准主轴波形数据与缓存数据的第一误差；
将第一误差存入误差数据中；
获取误差数据中的局部最小值，若该局部最小值小于匹配阈值，则匹配成功，并将匹配点的时间戳记入数组t2中，数组t2为第二工作时间。
4.如权利要求3所述的基于时序功率数据的机床工作状态预测方法，其特征在于，依据总闸功率数据、主轴功率数据、第一工作时间以及第二工作时间对工作状态进行预测的方法包括：
依据时间戳遍历总闸功率数据以及主轴功率数据；
判断在同一时间戳上，总闸功率数据以及主轴功率数据，并获取当前机床的工作状态；
若，总闸功率数据以及主轴功率数据均为0，则当前机床的工作状态为关机；
若，总闸功率数据大于0，主轴功率数据为0，则当前机床的工作状态为待机；
若，总闸功率数据以及主轴功率数据均大于0，则依据第一工作时间以及第二工作时间对当前机床的工作状态进行判断。
5.如权利要求4所述的基于时序功率数据的机床工作状态预测方法，其特征在于，所述若，总闸功率数据以及主轴功率数据均大于0，则依据第一工作时间以及第二工作时间对当前机床的工作状态进行判断的方法包括：
获取第二工作时间的数组t2中小于当前时间戳，且最接近当前时刻的第一时间戳；
计算最接近当前时刻的第一时间戳与当前时间戳的第二误差；
若第二误差小于超时阈值，则当前机床的工作状态为加工中；
若第二误差大于超时阈值，则获取第一工作时间的数组t1中小于当前时间戳，且最接近当前时刻的第二时间戳；
计算最接近当前时刻的第一时间戳与当前时间戳的第三误差；
若第三误差小于超时阈值，则当前机床的工作状态为空运行；
若第三误差大于超时阈值，则当前机床的工作状态为待机。
6.一种基于时序功率数据的机床工作状态预测系统，其特征在于，所述系统包括：
功率获取模块，适于分别获取总闸和主轴的功率数据；
总闸工作时间计算模块，适于依据总闸的总闸功率数据计算第一工作时间；
主轴工作时间计算模块，适于依据主轴的主轴功率数据计算第二工作时间；
预测模块，适于依据总闸功率数据、主轴功率数据、第一工作时间以及第二工作时间对工作状态进行预测。
7.如权利要求6所述的基于时序功率数据的机床工作状态预测系统，其特征在于，所述总闸工作时间计算模块包括：
筛选单元，筛选出总闸功率数据中超过非加工功率阈值的时间戳，且，将筛选出的时间戳中连续的时间戳进行合并，并获取合并后的时间戳中最后一条时间戳；
第一工作时间计算单元，适于将时间戳记入数组t1中，数组t1为第一工作时间。
8.如权利要求7所述的基于时序功率数据的机床工作状态预测系统，其特征在于，所述主轴工作时间计算模块包括：
转化单元，适于将主轴功率数据转化为主轴功率波形数据；
标准波形获取单元，适于获取历史数据中的对应工件生产时的标准主轴波形数据，其中标准主轴波形数据为生产工件对应的功率波形数据；
数据提取单元，适于在主轴功率波形数据依序取出与标准主轴波形数据长度一致的缓存数据，
第一误差计算单元，适于计算标准主轴波形数据与缓存数据的第一误差；
误差存入单元，适于将第一误差存入误差数据中；
第二工作时间计算单元，适于获取误差数据中的局部最小值，若该局部最小值小于匹配阈值，则匹配成功，并将匹配点的时间戳记入数组t2中，数组t2为第二工作时间。
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由处理器执行时实现权利要求1至5中任一所述的基于时序功率数据的机床工作状态预测方法。
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1-5中任一项所述的基于时序功率数据的机床工作状态预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110473592.9A CN113110292B (zh) | 2021-04-29 | 2021-04-29 | 基于时序功率数据的机床工作状态预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110473592.9A CN113110292B (zh) | 2021-04-29 | 2021-04-29 | 基于时序功率数据的机床工作状态预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113110292A true CN113110292A (zh) | 2021-07-13 |
| CN113110292B CN113110292B (zh) | 2022-03-18 |
Family
ID=76720412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110473592.9A Active CN113110292B (zh) | 2021-04-29 | 2021-04-29 | 基于时序功率数据的机床工作状态预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113110292B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010021511A2 (ko) * | 2008-08-21 | 2010-02-25 | Choi Jung Mo | 자동차의 공회전 강제 제한장치 및 방법 |
| CN103336891A (zh) * | 2013-06-09 | 2013-10-02 | 广东电网公司佛山供电局 | 一种用于配电网状态估计的伪量测生成方法 |
| CN103838181A (zh) * | 2012-11-22 | 2014-06-04 | 财团法人资讯工业策进会 | 机床状态判断方法以及系统 |
| CN104808584A (zh) * | 2015-02-17 | 2015-07-29 | 重庆大学 | 机床多源能耗系统多信息在线检测系统 |
| CN109725599A (zh) * | 2017-10-31 | 2019-05-07 | 于铃 | 一种数控机床能效在线监测方法 |
| US20190204143A1 (en) * | 2017-12-29 | 2019-07-04 | Chung Yuan Christian University | Method and device for monitoring idle machining of processing machine |
| CN209231776U (zh) * | 2018-11-20 | 2019-08-09 | 苏州正北工业智能科技有限公司 | 数控机床状态检测装置 |
| CN111158313A (zh) * | 2020-01-14 | 2020-05-15 | 上海交通大学 | 数控机床能耗建模与加工过程优化的方法 |
-
2021
- 2021-04-29 CN CN202110473592.9A patent/CN113110292B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010021511A2 (ko) * | 2008-08-21 | 2010-02-25 | Choi Jung Mo | 자동차의 공회전 강제 제한장치 및 방법 |
| CN103838181A (zh) * | 2012-11-22 | 2014-06-04 | 财团法人资讯工业策进会 | 机床状态判断方法以及系统 |
| CN103336891A (zh) * | 2013-06-09 | 2013-10-02 | 广东电网公司佛山供电局 | 一种用于配电网状态估计的伪量测生成方法 |
| CN104808584A (zh) * | 2015-02-17 | 2015-07-29 | 重庆大学 | 机床多源能耗系统多信息在线检测系统 |
| CN109725599A (zh) * | 2017-10-31 | 2019-05-07 | 于铃 | 一种数控机床能效在线监测方法 |
| US20190204143A1 (en) * | 2017-12-29 | 2019-07-04 | Chung Yuan Christian University | Method and device for monitoring idle machining of processing machine |
| CN209231776U (zh) * | 2018-11-20 | 2019-08-09 | 苏州正北工业智能科技有限公司 | 数控机床状态检测装置 |
| CN111158313A (zh) * | 2020-01-14 | 2020-05-15 | 上海交通大学 | 数控机床能耗建模与加工过程优化的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王秋莲等: "《数控机床能效在线监测方法及监测系统》", 《现代制造工程》 * |
| 王超等: "《一种数控切削机床运行能耗状态在线判别方法》", 《中国机械工程》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113110292B (zh) | 2022-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6450858B2 (ja) | 設備管理装置および方法 | |
| CN101470426B (zh) | 一种故障检测的方法和系统 | |
| CN103838181B (zh) | 机床状态判断方法以及系统 | |
| CN102393666B (zh) | 一种探测器嵌入式自主故障监测与异常数据记录装置 | |
| EP3864475B1 (en) | Method and system for monitoring tool wear to estimate rul of tool in machining | |
| CN110426634B (zh) | 一种用于驱动系统的异常预测的方法及设备 | |
| WO2018154604A1 (en) | Method and system for tool life monitoring and management in a cnc environment | |
| US7243260B2 (en) | Programmable controller unit and method of automatically restoring memory | |
| CN113126563A (zh) | 数控机床数据管理系统及方法 | |
| CN113252371A (zh) | 状态估计装置、系统和制造方法 | |
| CN113110292B (zh) | 基于时序功率数据的机床工作状态预测方法及系统 | |
| JP6880961B2 (ja) | 情報処理装置、およびログ記録方法 | |
| JP2020123230A (ja) | トレースデータ取得システム、トレースデータ取得方法、及びプログラム | |
| JP2020064390A (ja) | データ収集システム及びデータ収集方法 | |
| Brophy et al. | AI-based condition monitoring of the drilling process | |
| JP3885537B2 (ja) | プリント基板故障判定方法、及び、プリント基板故障判定装置 | |
| CN113189935B (zh) | 基于时序功率数据的非侵入式生产节拍预测方法及系统 | |
| CN100576182C (zh) | 计算机文件的实时监控系统和方法 | |
| US20190204143A1 (en) | Method and device for monitoring idle machining of processing machine | |
| US20220121195A1 (en) | Predictive Maintenance Tool Based on Digital Model | |
| EP3786750B1 (en) | Data collection system, data collection method, and program | |
| CN112560234B (zh) | 一种数控机床剩余寿命估计概率的计算方法、装置和网络侧服务端 | |
| CN110134069B (zh) | 数控机床自诊断方法及系统 | |
| CN113158941B (zh) | 基于时序功率数据的机床加工波形的匹配方法及系统 | |
| US20220342407A1 (en) | Irregularity detection system, irregularity detection method, and computer readable medium |
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 |