CN113238528B

CN113238528B - 一种机床健康状态实时评价方法及系统

Info

Publication number: CN113238528B
Application number: CN202110603384.6A
Authority: CN
Inventors: 周浩; 杨建中; 周会成; 向华; 周谋
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2021-05-31
Filing date: 2021-05-31
Publication date: 2022-08-02
Anticipated expiration: 2041-05-31
Also published as: CN113238528A

Abstract

本发明属于机床故障预警与健康保障领域，并具体公开了一种机床健康状态实时评价方法及系统，其包括如下步骤：S1、在机床运行过程中，采集非切削过程的电控数据作为稳态样本；S2、在稳态样本中提取特征指标，根据特征指标和健康状态下的理想指标，得到机床健康指数，根据机床健康指数对机床健康状态进行评价。本发明为了消除由于动态特性对机床健康状态的影响，以非切削过程数据作为分析机床健康状态的样本，非切削过程数据具有较强的一致性，可以用来反映机床部件加工动作的优劣，进而评价机床健康状态，提高了机床健康状态评价的准确度和可靠性。

Description

一种机床健康状态实时评价方法及系统

技术领域

本发明属于机床故障预警与健康保障领域，更具体地，涉及一种机床健康状态实时评价方法及系统。

背景技术

在设备故障预警与健康保障领域，机床的健康保障是机床高效生产的一项重要措施。数控机床因故障停止生产或因性能退化而造成加工质量下降，都会带来一定的经济损失，甚至可能会因机床故障而引起安全生产事故。因此，工厂中的机床设备需要进行健康保障的相关工作，降低机床发生故障的概率，保障高效生产。目前机床的健康保障方法主要有以下几种：

第一种是故障后维修：突发性高，易打乱生产排期，引起不必要的停机，且在故障发生后往往会造成更大的经济损失，出现“维修不足”现象。

第二种是人工定期维护：维修人员借助相关维护工具对机床做定期维护检修，对于机床发生的周期性故障有较好的效果。但是人工定期维护需要专业维护人员的参与，要求较高。依照定期时间进行，大多缺乏可靠性指标等方式进行指导，容易出现“维修过剩”的现象，造成经济浪费。

第三种就是设计专用G代码进行定期体检：通过对机床配置体检G代码后，控制机床各运动部件实现基本直线、旋转、加减速、换刀等动作。在机床运行体检G代码过程中，同时采集数控系统内部相关物理量(包括主轴转速、进给速度、跟随误差、电流等)，通过分析其不同特征的变化趋势来判别机床的健康状态。该方法每次体检需要保证输入G代码不变，系统参数及伺服参数也不变，在保证输入不变的情况采集机床输出信号，在相同的输入下，分析输出的变化过程。这种通过配置专用体检G代码的健康体检方式与人工定期维护相比，其减少了专业维护工人的参与程度，不需要过多的人工参与，只需要把体检当成一个加工任务来完成，与人工定期维护相比较为灵活。但是，专用G代码体检模式很容易受到机床参数、伺服参数的影响，当机床动态特性发生改变，机床体检结果会变差，抗干扰能力差。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种机床健康状态实时评价方法及系统，其目的在于，消除动态特性对机床健康状态的影响，实现不占用机床正常加工时间的机床健康状态实时评价。

为实现上述目的，按照本发明的一方面，提出了一种机床健康状态实时评价方法，包括如下步骤：

S1、在机床运行过程中，采集非切削过程的电控数据作为稳态样本；

S2、在稳态样本中提取特征指标，根据特征指标和健康状态下的理想指标，得到机床健康指数，根据机床健康指数对机床健康状态进行评价。

作为进一步优选的，在稳态样本中提取反应机床各部件运动特性的指标作为特征指标，然后对特征指标进行去参数配置处理，根据去参数配置后的特征指标计算机床健康指数。

作为进一步优选的，对特征指标进行去参数配置具体为：根据机床部件运动的理论参数和特征指标计算得到实际参数，然后以实际参数相比于理论参数的偏离率作为去参数配置后的特征指标。

作为进一步优选的，对去参数配置后的特征指标和健康状态下的理想指标进行归一化，得到归一化指标，根据该归一化指标计算得到机床健康指数；归一化指标X_t计算式如下：

其中，X_i为去参数配置后的特征指标，X_g为健康状态下的理想指标，X_d为相对误差边界。

作为进一步优选的，根据归一化指标计算契比雪夫距离d_st＝max(|X_t|)，进而得到机床健康指数HI：

作为进一步优选的，采集稳态样本数据的方式为定点采样、指令行采样或规定区间采样。

作为进一步优选的，机床部件包括主轴、进给轴、刀库；提取的主轴特征指标包括加减速时间、超调量、转差量，进给轴特征指标包括加减速时间、速度波动、电流波动，刀库特征指标包括换刀时间、主轴定向次数。

作为进一步优选的，通过G代码规划机床加工路径，其中非切削过程包括G00快速定位、G01非切削段、M05主轴停止、M03/M04空运行过程。

作为进一步优选的，该评价方法通过加工G代码和体检i指令实现，其中，加工G代码用于规划机床加工路径，体检i指令用于获取非切削过程的电控数据作为稳态样本，且加工G代码与体检i指令同时运行。

按照本发明的另一方面，提供了一种机床健康状态实时评价系统，包括机床健康状态评价模块及处理器，所述机床健康状态评价模块在被所述处理器调用时，实现上述机床健康状态实时评价方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1.由于用设定好的G代码进行机床体检的方法存在配置固定，体检过程需要人工参与导致使用率不高，且存在体检结果容易受到机床动态参数影响造成可靠性不高等问题；本发明为了消除由于动态特性对机床健康状态的影响，以非切削过程数据作为分析机床健康状态的样本，非切削过程数据具有较强的一致性，可以用来反映机床部件加工动作的优劣，进而评价机床健康状态，提高了机床健康状态评价的准确度和可靠性。

2.由于不同的稳态样本是在机床不同的配置下采样得到的，有些特征指标受伺服控制参数影响，本发明为了消除该影响，在提取反应各部件运动特性的特征指标后，将该指标与伺服参数关联，进行了去参数配置的归一化处理，继而计算得到一个可以评价机床目前状态的数值，即健康指数，进一步排除动态特性参数对健康度计算结果的影响。

3.本发明设置体检i指令与生产加工的G指令互匹配使用，实现非稳态样本的识别及数据的筛选功能，在机床实际加工过程中，G指令与i指令运行在数控系统中，两者同时运行，自检i代码完成稳态样本识别及数据采样过程后，健康评价模块对采集的数据进行特征提取及健康度分析，完成机床健康状态的评价；这种基于日常加工程序的机床健康状态评价方法，不占用机床的正常加工时间，保证了机床正常生产加工的效率。

附图说明

图1为本发明实施例机床健康状态实时评价实现原理示意图；

图2为本发明实施例机床健康状态实时评价技术路线示意图；

图3为本发明实施例机床健康状态实时评价方法流程图；

图4为本发明实施例机床部件健康指数变化趋势图。

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。

本发明实施例提供的一种机床健康状态实时评价方法，具体为一种基于当前加工的G代码实时采集加工过程电控数据进行机床健康状态评价的方法，该方法根据机床运动特性设计了一套专用的体检指令简称体检i指令，在数控系统中体检i指令与G代码同时运行，G代码用于机床加工路径规划，体检i指令用于机床加工过程不同部件运动样本提取，然后通过对提取的样本进行特征提取，最后计算各部件健康状态。

具体包括如下步骤：

S1、在零件加工工艺设计阶段，根据零件的工艺要求，利用编程软件编写加工G代码，在加工G代码中，挑选可以评价机床健康状态的G指令动作，一般是非切削动作；然后根据G指令，手工编写自检i指令。通常可以用来进行机床健康状态的G指令动作不多，自检i指令少于加工G指令，比较容易编制。

S2、在数控系统中同时加载加工G代码和与该G代码相匹配的自检i代码；运行加工G代码，数控系统根据配置的自检i指令，在机床运行过程中，采集非切削过程的电控数据作为稳态样本。

具体的，数控机床主要由主轴系统、进给轴系统、刀库系统等组成，数控机床的健康状态主要由这些机床部件的健康状态构成，数控机床的健康保障是对数控机床及其部件进行监控。根据机床加工动作产生的数据，提取反映机床及其部件的指标，评价机床及部件的健康状态。因此，本发明选择机床典型部件：主轴系统、进给轴系统、刀库系统作为监控对象，基于G指令动作，采集上述部件非切削过程的电控数据，并根据健康指标评价机床的健康状态，后续还可以扩展机床的其它组成系统作为研究对象，更加全面的评价机床的健康状态。更具体的，由于不同的加工程序工艺特性千差万别，在实际加工的过程中产生大量的数据，包含切削过程和非切削过程。为了消除由于动态特性对机床健康状态的影响，本发明以非切削过程数据作为分析机床健康状态的样本，非切削过程包括G00快速定位、G01非切削段、M05主轴停止、M03/M04空运行过程。

进一步的，为了达到机床健康状态实时评价的目的，需要实现实时数据采样，本发明提出的自检i指令，用于规定实时采样数据类型、采样点数、采样模式等配置。该指令与生产加工的G指令互匹配使用，实现非稳态样本的识别及数据的筛选功能。在机床实际加工过程中，G指令与i指令运行在数控系统中，两者同时运行，自检i代码完成稳态样本识别及数据采样过程。采集稳态样本数据的方式为定点采样、指令行采样或规定区间采样，具体可以根据自已的需要选择，例如：

定点采样：主轴M03/M04运动，比如N1 M03 S1000，SMP＝1NUM＝1000只采样1000个点；

指令行采样：进给轴X轴直线运动，比如N2 G00 X10，SMP＝2表示该行所有数据都要采集；

规定区间采样：XY平面圆弧运动，比如N2 G01 X10 N3 G03 Y10 R10 SMP＝3X＝2.24Y＝2.24表示只采集45度圆弧采样。

S3、在稳态样本中提取反应机床各部件运动特性的指标作为特征指标，根据特征指标和健康状态下的理想指标，得到机床各部件健康指数，形成结果文件，并图形化显示健康指数变化曲线，进而以此对机床及各部件的健康状态进行评价。具体包括如下步骤：

S31、在稳态样本中提取反应机床各部件运动特性的指标作为特征指标：对于不同的机床部件，提取的主轴特征指标包括加减速时间、超调量、转差量，进给轴特征指标包括加减速时间、速度波动、电流波动，刀库特征指标包括换刀时间、主轴定向次数。

S32、对特征指标进行去参数配置处理，具体根据机床部件运动的理论参数和特征指标计算得到实际参数，然后以实际参数相比于理论参数的偏离率作为去参数配置后的特征指标。

S33、对去参数配置后的特征指标和健康状态下的理想指标进行归一化，得到归一化指标，归一化指标X_t计算式如下：

其中，X_i为去参数配置后的特征指标，X_g为健康状态下的理想指标，X_d为相对误差边界；

然后根据归一化指标X_t计算契比雪夫距离d_st＝max(|X_t|)，进而得到机床健康指数HI：

由于是实时采样，对于某一机床部件，每个采样点采样得到的数据可对应计算得到一个健康指数，进而可得到健康指数的变化情况，健康指数越大，说明其健康状态越好。

以下对G代码与i指令的工作过程进行进一步说明：

如图1所示，为机床健康状态实时评价实现原理图，图左侧分别代表G代码与i代码，其中，G代码用于生产加工，i代码用于数据采样及评价机床的健康状态，这两种代码在数控系统内部的解释器一同被解释。根据解释器得到的内容，进行相应的插补处理；将处理得到的结果，输入到伺服控制系统及PLC控制系统，控制机床执行部件及数控系统响应相应的动作，完成工件的加工及机床及其部件的健康状态的评价。加工控制信息与采样控制信息的控制在完整加工过程中传递的过程如图1中所示，工件加工完成之后，可以计算处理采样的数据，将评价结果图形化显示出来，根据结果的变化趋势，评价目前机床的健康状态，依此制定合适的维护策略。

如图2所示，为机床健康状态实时评价技术路线示意图，此图主要说明利用自检i代码完成实时数据采样的动作流程。从图中可以看到，评价的机床及部件是主轴，进给轴，刀库等，左侧的G代码与i代码相互匹配使用。在i代码执行期间，主要完成的动作如图右侧示。i代码第一个需要完成的动作是数据采样，根据G指令动作，利用自检i指令对机床及部件完成数据采样，在采样得到的数据中，提取能反映机床及部件状态的稳态数据样本。而不同的稳态样本实在机床不同的配置下采样得到的，需要进行去配置的归一化处理，继而计算得到一个评价机床目前状态的数值，即健康指数。

如图3所示，为机床健康状态实时评价方法流程图，更加清楚明白的说明自检i指令的动作。图2左侧G代码用于正常的生产加工，与其匹配的i指令在其右侧，二者在工件加工的过程中，在数控系统中同时运行。图3所示的流程步骤表示一条自检i指令在运行后，数控系统执行的动作，主要包括数据的采样与健康指数的提取等相关工作。

以下为具体实施例：

对HNC8数控系统中主轴进行健康状态评价，包括如下步骤：

S1、运行加工G代码，数控系统根据配置的自检i指令，通过定点采样方法采集机床主轴在非切削过程的电控数据作为稳态样本；

S2、在稳态样本中提取特征指标(以某采样点为例)，如表1所示：

表1

将结果以向量形式表达，即特征指标X_h＝(0.9995,21.4,12.8,1004,21)；

S3、由于有些特征指标受伺服控制参数影响，为了消除影响需要去参数化处理，比如机床的主轴伺服参数主轴转速变化率为a＝2000r/(min*s)。依照公式对其进行去工况，得到去参数配置后的特征指标X_i：

X_i＝(0.05％,1.07％,0.64％,0.2％,1.05％)

具体的，HNC8数控系统中505号伺服参数加速时间常数为4s/8000rpm，代表理论上主轴加速到8000rpm的时间为4s中，对主轴转速变化率为2000r/(min*s)，实际主轴变化率为2000/0.9995＝2001，为了消除影响，计算健康度时不是直接用0.9995作为特征，而计算与理论的偏离程序(2001-2000)/2000＝0.05％。

S4、归一化处理：在理想情况下，机床部件按照伺服参数响应，并且无超调，无转差，健康状态下的理想指标向量X_g为：

X_g＝(1,0,0,1,0)

通过相关实验数据及主轴电机相关知识，确定机床主轴在故障时的特征指标相对误差边界：

X_d＝(2％,5％,3％,2％,5％)

利用指标归一化公式，进行指标归一化处理：

S5、利用契比雪夫距离量化机床目前性能偏离理想机床状态，趋向故障状态的程度：d_st＝max(|X_t|)＝0.214，进而得到健康指数HI为0.89。

按上述方法即可计算得到各部件在各采样时间的健康指数，进而得到如图4所示的机床不同部件健康状态变化趋势图。折线图是一种图像化的方式，清晰直观的显示结果，通过折线的变化趋势，判断机床的健康状态。如图4中所示，随着机床自检次数的增加，机床使用时间的积累，计算得到的健康指数有逐渐变小的趋势，即随着机床使用时间的积累，机床的各项性能指标会存在退化现象，导致机床健康指数的降低。

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

1.一种机床健康状态实时评价方法，其特征在于，包括如下步骤：

S2、在稳态样本中提取特征指标，根据特征指标和健康状态下的理想指标，得到机床健康指数，根据机床健康指数对机床健康状态进行评价；

具体的，在稳态样本中提取反应机床各部件运动特性的指标作为特征指标，然后对特征指标进行去参数配置处理，对去参数配置后的特征指标和健康状态下的理想指标进行归一化，得到归一化指标，根据该归一化指标计算得到机床健康指数；

该评价方法通过加工G代码和自检i指令实现，其中，加工G代码用于规划机床加工路径，在加工G代码中，挑选可以评价机床健康状态的G指令动作，然后根据G指令，手工编写自检i指令，自检i指令用于获取非切削过程的电控数据作为稳态样本，且加工G代码与自检i指令同时运行。

2.如权利要求1所述的机床健康状态实时评价方法，其特征在于，对特征指标进行去参数配置具体为：根据机床部件运动的理论参数和特征指标计算得到实际参数，然后以实际参数相比于理论参数的偏离率作为去参数配置后的特征指标。

3.如权利要求1所述的机床健康状态实时评价方法，其特征在于，归一化指标X_t计算式如下：

4.如权利要求3所述的机床健康状态实时评价方法，其特征在于，根据归一化指标计算契比雪夫距离d_st＝max(|X_t|)，进而得到机床健康指数HI：

5.如权利要求1所述的机床健康状态实时评价方法，其特征在于，采集稳态样本数据的方式为定点采样、指令行采样或规定区间采样。

6.如权利要求1所述的机床健康状态实时评价方法，其特征在于，机床部件包括主轴、进给轴、刀库；提取的主轴特征指标包括加减速时间、超调量、转差量，进给轴特征指标包括加减速时间、速度波动、电流波动，刀库特征指标包括换刀时间、主轴定向次数。

7.如权利要求1所述的机床健康状态实时评价方法，其特征在于，通过G代码规划机床加工路径，其中非切削过程包括G00快速定位、G01非切削段、M05主轴停止、M03/M04空运行过程。

8.一种机床健康状态实时评价系统，其特征在于，包括机床健康状态评价模块及处理器，所述机床健康状态评价模块在被所述处理器调用时，实现如权利要求1-7任意一项所述的机床健康状态实时评价方法。