CN113341879A - 一种数控机床的数据采集与监控方法及系统 - Google Patents
一种数控机床的数据采集与监控方法及系统 Download PDFInfo
- Publication number
- CN113341879A CN113341879A CN202110511200.3A CN202110511200A CN113341879A CN 113341879 A CN113341879 A CN 113341879A CN 202110511200 A CN202110511200 A CN 202110511200A CN 113341879 A CN113341879 A CN 113341879A
- Authority
- CN
- China
- Prior art keywords
- data
- machine tool
- state
- numerical control
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000036541 health Effects 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 47
- 238000013480 data collection Methods 0.000 claims description 8
- 230000003862 health status Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 238000007619 statistical method 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
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31357—Observer based fault detection, use model
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
本发明公开了一种数控机床的数据采集与监控方法及系统，本方法包括：1)采集端对数控机床的状态数据进行采集并发送给服务器端，采集的数据包括各轴电机的电流信号、温度信号、负载信号、主轴信息、刀具信息、工况、加工程序、机床编号和报警信息；以及通过安装在数控机床设定关键部位外部的振动传感器采集设定关键部位的振动信号并传输至服务器端；2)服务器端根据机床编号、运行时间、工况、加工程序、刀具信息对收到的数据进行分类，得到不同标签对应的数据集；3)服务器端根据用户端发送的请求中指定的标签，将对应标签的数据集传输至用户端；4)用户端对收到的数据集中各种信号数据进行实时显示和处理，得到数控机床的健康状态。
Description
技术领域
本发明属于机床技术领域，具体为一种数控机床的数据采集与监控方法及系统。
背景技术
数控机床是现代工业的重要设备，能够通过程序控制加工过程。数控机床具有加工精度高，生产效率高，自动化程度高的特点。随着工业快速发展对加工质量和生产效率的要求越来越高，对于数控机床的状态监测成为重点。实时监测机床的运行状态数据可以用以分析机床的健康状态，提前预测机床的故障，减少故障导致的损失。持续的监测数控机床能够得到机床长期运行的故障数据和维修记录等等，这些数据对机床的可靠性研究具有帮助。
针对数控机床的常见采集方法有：通过PLC接口采集，通过I/O接口采集，通过OPC协议采集。其中通过OPC协议的采集方法不需要对机床的电路部分进行改造，通用性强，可以采集的数据类型丰富。如今的常见数控系统，如Fanuc数控系统和Siemens数控系统等，都支持OPC UA协议的通信。通过调用OPC的函数库，可以获得机床数控的监控数据。
数控机床的故障分为三类，包括机械系统故障、数控系统故障和电气系统故障。现有数控机床的数控系统具有一定的自我诊断功能，但是主要针对的是数控系统和电气系统的故障。然而，机械系统的故障占数控机床所有故障的大部分，主要发生在丝杠、导轨和轴承等。机械系统的故障具有缓变性，故障发展是一个长期过程，而且故障的种类具有多样性，机械故障的信息隐藏在各种信息之间难以直接监控。而且机床的故障具有偶发性、随机性和耦合性，难以从简单数据中直观的观测到故障，造成可用的故障样本匮乏。因此，想要对数控机床的健康状态良好监控和后续分析，除了实时的显示与监控之外，也要对数控机床进行长期的监控积累数据。
发明内容
鉴于以上的问题，本发明提出了一种数控机床的采集和监控方法和系统，该系统包括采集端、用户端和服务器端。该系统能够实现对机床状态数据采集、显示、储存和分类，辅助现场工程师的实时监控，故障诊断专家可以查看和使用机床的状态数据用于机床健康状态的分析。由于机床的运行的状态复杂多样，受工况、转速、工序和刀具等等因素的影响，本发明对数据进行分类和分段以便于后续的分析。
本发明的技术方案为：
一种数控机床的数据采集与监控方法，其步骤包括：
1)采集端对数控机床的状态数据进行采集并发送给服务器端，采集的数据包括各轴电机的电流信号、温度信号、负载信号、主轴信息、刀具信息、工况、加工程序、机床编号和报警信息；以及通过安装在数控机床设定关键部位外部的振动传感器采集设定关键部位的振动信号并传输至服务器端；
2)服务器端根据机床编号、运行时间、工况、加工程序、刀具信息对收到的数据进行分类，得到不同标签对应的数据集；每一标签的数据种类包括各轴电机的电流信号、温度信号、负载信号、主轴信息和振动信号；
3)服务器端根据用户端发送的请求中指定的标签，将对应标签的数据集传输至用户端；
4)用户端对收到的数据集中各种信号数据进行实时显示，并对收到的信息实时处理，进行故障分析，得到数控机床的健康状态。
进一步的，所述用户端具有故障类型分析单元；所述故障类型分析单元中预设健康状态的数据特征，通过对比收到的采集数据特征与健康状态的数据特征得到差异度，进而得到设备健康状态。
进一步的，得到所述差异度的方法为：设P＝{p1,p2,...,pH}为用户端收到的数据集中第N种类数据组成的待测样本数据集合，Qk＝{q1,q2,...,qH}为第N种类数据第k个预设的健康状态对应的状态样本数据集合；待测样本数据合集P与状态样本数据合集Qk包括H段样本，通过公式
计算得到第N种类数据与第N种类数据第k个状态的差异度d(P,Qk)；其中，pi表示待测样本数据集合P的第i个样本，qj表示状态样本数据集合Q的第j个样本。
进一步的，通过公式
计算最小的差异度，将最小差异度所对应的健康状态作为待测样本的健康状态；其中M为预设健康状态样本的数量。m为差异度最小的健康状态样本的序号。
进一步的，所述用户端还包括故障位置分析单元和故障解决方案单元；所述故障位置分析单元依据故障类型分析单元的结果，通过各部位健康度判断故障发生位置；所述故障解决方案模块预设有不同故障的对应解决方案，依据所述故障类型分析模块和故障位置分析模块的结果，提供对应的解决方案。
进一步的，采集端对采集到的数据进行统计学特征分析，提取数据的统计学特征包括但不限于均值、方差、峰值、均方根和峭度指标。
进一步的，采集端通过安装在机床设定关键部位外部的振动传感器采集设定关键部位的振动信号，安装在机床的关键位置包括：机床主轴外壳、丝母、轴承座和夹具外壳。
一种数控机床的数据采集与监控系统，其特征在于，包括采集端、服务器端和用户端；其中，
所述采集端，用于对数控机床的状态数据进行采集并发送给服务器端，采集的数据包括各轴电机的电流信号、温度信号、负载信号、主轴信息、刀具信息、工况、加工程序、机床编号和报警信息；以及通过安装在数控机床设定关键部位外部的振动传感器采集设定关键部位的振动信号并传输至服务器端；
所述服务器端，用于根据机床编号、运行时间、工况、加工程序、刀具信息对收到的数据进行分类，得到不同标签对应的数据集；每一标签的数据种类包括各轴电机的电流信号、温度信号、负载信号、主轴信息和振动信号；以及根据用户端发送的请求中指定的标签，将对应标签的数据集传输至用户端；
所述用户端，用于对收到的数据集中各种信号数据进行实时显示，并对收到的信息实时处理，进行故障分析，得到数控机床的健康状态。
本发明主要包括以下单元：
采集端：采用OPC UA协议通过机床数控系统对数控机床的状态数据进行采集，采集的数据包括各轴电机的电流信号、温度信号、负载信号、主轴信息、刀具信息、工况、加工程序、机床编号、报警信息。通过安装在机床设定关键部位外部的振动传感器采集设定关键部位的振动信号，振动信号采用Labview或C#等平台通过采集卡采集加速度信号。采集的原始信号传输至云服务器端，服务器端的数据可以由用户端读取。采集数据中的机床编号、运行时间、工况、加工程序、刀具信息用于分类。采集数据中的各轴电机的电流信号、温度信号、负载信号、主轴信息和振动信号用于组成分析数据集。
服务器端：原始数据在服务器端对数据进行分类和整理，数据的分类依据机床编号、运行时间、工况、加工程序、刀具信息。分类后各轴电机的电流信号、温度信号、负载信号、主轴信息和振动信号的数据组成具有标签的数据集。每一段数据集对应唯一的机床编号、运行时间、工况、加工程序、刀具信息的标签。分类的数据依据类别的标签传输至用户端，用于机床的健康状态分析。用户端发送的请求指定标签种类，服务器端将对应标签的数据集传输至用户端，为后续分析做准备。通过长时间积累和分类的数据建立机床运行状态数据库，为机床健康状态分析提供足够的样本。
用户端：采集到的各种信号在用户端实时显示，同时对采集到的信息实时处理，进行故障分析，进而分析机床健康状态。
所述的数控机床采集系统的采集端，采集数据包括数控系统中的数据和外接传感器的数据。
数控系统中的数据包括数控机床内置传感器采集的数据和数控系统自身的监控数据，包括各轴电机电流信号、温度信号、负载信号、主轴信息、刀具信息、工况、加工程序、机床编号、报警信息。数控系统中的数据使用OPC UA协议采集，通过C#编程语言调用OPC函数库的方式，读取数控系统中的状态数据。
外接传感器的数据是通过加速度传感器和采集卡采集的振动加速度数据。外接传感器的数据使用采集卡采集，通过labview图形化编程语言从采集卡采集加速度信号，并储存为tdms格式，该格式是适用工业高速采集的二进制格式，更好的适用于高频的振动信号。
所述数控机床采集监控系统的采集端使用振动传感器安装在机床的关键位置包括：机床主轴外壳、丝母、轴承座和夹具外壳。
所述数控机床采集监控系统的采集端对采集到的数据进行统计学特征分析，提取数据的统计学特征包括但不限于均值、方差、峰值、均方根和峭度指标。
所述采集端具有人机交互模块，所述人机交互模块用于实时显示采集到的数据，并显示数据的统计学特征。
所述的用户端具有故障类型分析单元、故障位置分析单元和故障解决方案单元。
所述的用户端具有故障分析模块，所述的故障分析模块具有故障类型分析单元、故障位置分析单元和故障解决方案单元。所述故障类型分析单元，预设健康状态的数据特征，通过对比采集数据与健康状态数据的特征，分析差异度，进而得到设备健康状态。
分析待测数据和不同健康状态之间的差异度，通过计算待测样本数据集合和状态样本数据集合的模长得到差异度。P＝{p1,p2,...,pH}为用户端收到的采集数据的集合组成的待测样本数据集合。Qk＝{q1,q2,...,qH}为第k个预设的健康状态对应的状态样本数据集合。待测样本数据合集P与状态样本数据合集Qk都由H段样本组成的，每段样本的数据由该段数据序列对应的特征值组成。集合P包含电流信号、温度信号、负载信号、主轴信息和振动信号，每类数据分别进行差异度分析，得到每类数据的差异度，进而得到每类数据的健康度。以电流为例，电流的样本数据pi＝{Ii1,Ii2,...,IiN}，其中IN为电流的第N个统计学特征值。数据的差异度由如下公式计算。
式中：d(P,Qk)表示待测样本P与第k个状态的状态样本Qk的差异度。pi,i＝1,2,...,H，表示待测样本集合P的第i个样本。qj，j＝1,2,...,H，表示状态样本集合Q的第j个样本。
计算待测样本与每个健康状态之间的差异度，最小的差异度所对应的健康状态为待测样本的健康状态。根据差异度由如下公式计算样本的健康度。
式中M为预设健康状态样本的数量。m为差异度最小的健康状态样本的序号，即健康状态Qk为样本P的健康状态。
所述故障位置分析单元依据故障类型分析单元的结果，通过各部位健康度判断故障可能发生位置。所述故障解决方案模块预设有不同的故障的对应解决方案，依据所述故障类型分析模块和故障位置分析模块的结果，提供对应的解决方案，为现场人员提供参考。例如：主轴电机负载异常，原因可能为主轴轴承损坏、主轴电机过热或主轴润滑系统故障，解决方案为机床停机检查，提示维修人员检查主轴的传动部件。进给轴电流过大，原因可能为进给轴轴承损坏、进给轴丝杠损坏或伺服系统参数错误，解决方案为机床停机检查，提示提示维修人员检查进给轴的关键部件和程序参数设置。
所述用户端含有故障记录和维修记录的输入模块，所述输入模块具有预设的记录格式，使故障和维修记录格式统一。记录的格式包括机床编号、故障位置、故障原因及维修结果。将记录的数据传输至服务器端进行储存，能够用于可靠性分析。
所述的用户端还具有登录模块，所述的登录模块具有账号和密码输入单元，保证用户端不受无关人员误操作，并提高数据的保密性。
服务器端设置有数据分类模块，根据数据的统计学特征对数据进行分类和分段。分类模块将采集的数据按统计学特征进行分类，能够有效将机床不同工况的数据进行区分。分类模块内设有预设的类别标签，分类后的数据根据标签在服务器端进行储存备份。
所述数控机床采集监控系统，服务器端根据用户端的订阅请求，将订阅请求的对应数据发送数据至用户端。
本发明的有益效果在于：
本发明的数控机床采集和监控系统，采集端采集的数据为数控系统状态数据和振动数据，其中数控系统的数据由OPC协议的方法采集，能够充分收集数控系统的状态信息和历史报警信息并按照预设的统一格式储存，这些数据方便后续对机床可靠性的研究。振动数据的采集弥补数控系统本身数据针对机械故障的信息不足，可以通过在机床关键位置设置传感器，得到信息更丰富的数据。采集端的数据传输至用户端和服务器端，既可以辅助现场工程师监测机床的状态，又能够在服务器端储存历史数据。由于机床的运行的状态复杂多样，在数据采集阶段对数据分类有助于后续分析数据。在服务器端的数据依据机床的运行状态分类，详细分类的数据能方便后续对数据进行深度分析。
附图说明
图1为本发明数控机床采集和监控系统的模块图；
图2为本发明采集端的组成图；
图3为本发明用户端的组成图；
图4为本发明数控机床采集和监控的关键流程图。
具体实施方式
本发明的数控机床采集和监控系统，其作用对象是各种数控加工机床，数控系统如Fanuc数控系统和Siemens数控系统等多种支持OPC UA协议的数控系统。如图1所示，本系统主要包括三个模块：采集端、服务器端和用户端。
如图2所示，采集端的振动采集设备包括振动加速度传感器、恒流适配器和采集卡，振动信号的采集可以设置采样频率，选择通道数。机床机械故障的常发生在轴承和丝杠处，所以加速度传感器的布置位置选择靠近轴承和丝杠的丝母处，以得到明显的振动状态的信息。采用OPC UA协议通过机床数控系统对机床监控系统的状态数据进行采集，采集的数据包括各轴电机电流信号、温度信号、负载信号、主轴信息、刀具信息、工况、加工程序、机床编号、报警信息。
数控系统中的数据，以西门子的数控系统840D为例，使用网线连接数控机床和采集端，通过C#编程的客户端调用OPC的函数库，读取数控系统中的数据。数控系统中的数据分为NC数据、主轴驱动数据、刀具数据、紧急驱动数据等。如：机床各轴的坐标对应的OPC变量ID为”/Channel/MachineAxis/actToolBasePos[u<Area index>,<Row index>]”。通过变量的ID就可以访问到数控系统中的对应变量，将变量值读取到采集端。
服务器端用于储存和分类原始数据。通过采集端采集到的数据传输到服务器端，数据的储存采用数据库形式，服务器端的储存模块可以采用sql server数据库或mysql数据库。
如图3所示，采集端包括人机交互模块、故障分析模块、故障和维修记录输入模块和用户名与密码输入模块和通讯模块。
如图4所示，采集端传输到服务器端的数据首先进行分类，分类依据机床编号、运行时间、工况、加工程序、刀具信息等，分类后的数据依据类别用标签标记。
分类后的数据依据类别的标签备份储存，根据用户端的订阅请求将对应的数据传输至用户端。用户根据需求向服务器端发送请求，按照标签的类别请求得到特定标签的数据，为后续的工程师和故障诊断专家的数据分析工作提供便利的条件。
在本系统长期运行之后，用长时间积累和分类的数据建立机床运行状态数据库，为机床健康状态分析提供大量的样本。样本的积累有助于机床健康状态的分析，有助于解决机床故障样本匮乏的问题。
用户端将采集到的各种信号实时显示，同时对采集到的信号进行统计学分析。工程师可以从用户端看到机床的运行状态和各种运行信息，辅助工程师对机床状态进行判断。在用户端能够根据工程师设置的报警阈值进行预警和提示。用户端可以有多个，供多个工程师或专家对机床进行监控。
用户端能够设置实时状态识别模块，使用运算速度快的状态识别方法实现实时监控，如时间序列模型和神经网络模型等等。对于服务器端存储的大量数据，可以通过用户端请求访问，故障诊断专家通过分析长期积累的数据来判断机床可靠性和机床寿命研究。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的原理和范围，本发明的保护范围应以权利要求书所述为准。
Claims (10)
1.一种数控机床的数据采集与监控方法，其步骤包括：
1)采集端对数控机床的状态数据进行采集并发送给服务器端，采集的数据包括各轴电机的电流信号、温度信号、负载信号、主轴信息、刀具信息、工况、加工程序、机床编号和报警信息；以及通过安装在数控机床设定关键部位外部的振动传感器采集设定关键部位的振动信号并传输至服务器端；
2)服务器端根据机床编号、运行时间、工况、加工程序、刀具信息对收到的数据进行分类，得到不同标签对应的数据集；每一标签的数据种类包括各轴电机的电流信号、温度信号、负载信号、主轴信息和振动信号；
3)服务器端根据用户端发送的请求中指定的标签，将对应标签的数据集传输至用户端；
4)用户端对收到的数据集中各种信号数据进行实时显示，并对收到的信息实时处理，得到数控机床的健康状态。
2.如权利要求1所述的方法，其特征在于，所述用户端具有故障类型分析单元；所述故障类型分析单元中预设健康状态的数据特征，通过对比收到的采集数据特征与健康状态的数据特征得到差异度，进而得到设备健康状态。
3.如权利要求2所述的方法，其特征在于，得到所述差异度的方法为：设P＝{p1,p2,...,pH}为用户端收到的数据集中第N种类数据组成的待测样本数据集合，Qk＝{q1,q2,...,qH}为第N种类数据第k个预设的健康状态对应的状态样本数据集合；待测样本数据合集P与状态样本数据合集Qk包括H段样本，通过公式
计算得到第N种类数据与第N种类数据第k个状态的差异度d(P,Qk)；其中，pi表示待测样本数据集合P的第i个样本，qj表示状态样本数据集合Q的第j个样本。
4.如权利要求3所述的方法，其特征在于，通过公式
计算最小的差异度，将最小差异度所对应的健康状态作为待测样本的健康状态；其中M为预设健康状态样本的数量。m为差异度最小的健康状态样本的序号。
5.如权利要求1所述的方法，其特征在于，所述用户端还包括故障位置分析单元和故障解决方案单元；所述故障位置分析单元依据故障类型分析单元的结果，通过各部位健康度判断故障发生位置；所述故障解决方案模块预设有不同故障的对应解决方案，依据所述故障类型分析模块和故障位置分析模块的结果，提供对应的解决方案。
6.如权利要求1所述的方法，其特征在于，采集端对采集到的数据进行统计学特征分析，提取数据的统计学特征包括但不限于均值、方差、峰值、均方根和峭度指标。
7.如权利要求1所述的方法，其特征在于，采集端通过安装在机床设定关键部位外部的振动传感器采集设定关键部位的振动信号，安装在机床的关键位置包括：机床主轴外壳、丝母、轴承座和夹具外壳。
8.一种数控机床的数据采集与监控系统，其特征在于，包括采集端、服务器端和用户端；其中，
所述采集端，用于对数控机床的状态数据进行采集并发送给服务器端，采集的数据包括各轴电机的电流信号、温度信号、负载信号、主轴信息、刀具信息、工况、加工程序、机床编号和报警信息；以及通过安装在数控机床设定关键部位外部的振动传感器采集设定关键部位的振动信号并传输至服务器端；
所述服务器端，用于根据机床编号、运行时间、工况、加工程序、刀具信息对收到的数据进行分类，得到不同标签对应的数据集；每一标签的数据种类包括各轴电机的电流信号、温度信号、负载信号、主轴信息和振动信号；以及根据用户端发送的请求中指定的标签，将对应标签的数据集传输至用户端；
所述用户端，用于对收到的数据集中各种信号数据进行实时显示，并对收到的信息实时处理，得到数控机床的健康状态。
9.如权利要求8所述的系统，其特征在于，所述用户端具有故障类型分析单元；所述故障类型分析单元中预设健康状态的数据特征，通过对比收到的采集数据特征与健康状态的数据特征得到差异度，进而得到设备健康状态；其中，得到所述差异度的方法为：设P＝{p1,p2,...,pH}为用户端收到的数据集中第N种类数据组成的待测样本数据集合，Qk＝{q1,q2,...,qH}为第N种类数据第k个预设的健康状态对应的状态样本数据集合；待测样本数据合集P与状态样本数据合集Qk包括H段样本，通过公式
计算得到第N种类数据与第N种类数据第k个状态的差异度d(P,Qk)；其中，pi表示待测样本数据集合P的第i个样本，qj表示状态样本数据集合Q的第j个样本。
10.如权利要求8所述的系统，其特征在于，所述用户端还包括故障位置分析单元和故障解决方案单元；所述故障位置分析单元依据故障类型分析单元的结果，通过各部位健康度判断故障发生位置；所述故障解决方案模块预设有不同故障的对应解决方案，依据所述故障类型分析模块和故障位置分析模块的结果，提供对应的解决方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110511200.3A CN113341879A (zh) | 2021-05-11 | 2021-05-11 | 一种数控机床的数据采集与监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110511200.3A CN113341879A (zh) | 2021-05-11 | 2021-05-11 | 一种数控机床的数据采集与监控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113341879A true CN113341879A (zh) | 2021-09-03 |
Family
ID=77470764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110511200.3A Pending CN113341879A (zh) | 2021-05-11 | 2021-05-11 | 一种数控机床的数据采集与监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113341879A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113848805A (zh) * | 2021-09-22 | 2021-12-28 | 成都飞机工业（集团）有限责任公司 | 数控系统加工状态监测系统和方法 |
| CN113927370A (zh) * | 2021-09-22 | 2022-01-14 | 南京理工大学 | 一种基于多源信号的产线用刀具剩余寿命实时云监测系统及方法 |
| CN114371658A (zh) * | 2021-12-27 | 2022-04-19 | 上海滨捷机电有限公司 | 一种数控机床集成电柜控制方法、系统、电子设备和可读存储介质 |
| CN114710519A (zh) * | 2022-03-02 | 2022-07-05 | 大连光洋自动化液压系统有限公司 | 一种基于数控系统的opcua服务器系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107566498A (zh) * | 2017-09-08 | 2018-01-09 | 深圳市智物联网络有限公司 | 一种基于物联网的数控机床监控方法及系统 |
| CN109396953A (zh) * | 2018-12-05 | 2019-03-01 | 上海交通大学 | 基于信号融合的机床工作状态智能辨识系统 |
| JP2020027563A (ja) * | 2018-08-17 | 2020-02-20 | 高松機械工業株式会社 | ヘルスモニタリングシステム |
| CN111948978A (zh) * | 2019-05-17 | 2020-11-17 | 湖北欧安电气股份有限公司 | 一种基于数控机床用数据采集、监控系统 |
| CN112621381A (zh) * | 2020-12-25 | 2021-04-09 | 上海交通大学 | 机床进给系统健康状态智能评估方法及装置 |
-
2021
- 2021-05-11 CN CN202110511200.3A patent/CN113341879A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107566498A (zh) * | 2017-09-08 | 2018-01-09 | 深圳市智物联网络有限公司 | 一种基于物联网的数控机床监控方法及系统 |
| JP2020027563A (ja) * | 2018-08-17 | 2020-02-20 | 高松機械工業株式会社 | ヘルスモニタリングシステム |
| CN109396953A (zh) * | 2018-12-05 | 2019-03-01 | 上海交通大学 | 基于信号融合的机床工作状态智能辨识系统 |
| CN111948978A (zh) * | 2019-05-17 | 2020-11-17 | 湖北欧安电气股份有限公司 | 一种基于数控机床用数据采集、监控系统 |
| CN112621381A (zh) * | 2020-12-25 | 2021-04-09 | 上海交通大学 | 机床进给系统健康状态智能评估方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113848805A (zh) * | 2021-09-22 | 2021-12-28 | 成都飞机工业（集团）有限责任公司 | 数控系统加工状态监测系统和方法 |
| CN113927370A (zh) * | 2021-09-22 | 2022-01-14 | 南京理工大学 | 一种基于多源信号的产线用刀具剩余寿命实时云监测系统及方法 |
| CN114371658A (zh) * | 2021-12-27 | 2022-04-19 | 上海滨捷机电有限公司 | 一种数控机床集成电柜控制方法、系统、电子设备和可读存储介质 |
| CN114710519A (zh) * | 2022-03-02 | 2022-07-05 | 大连光洋自动化液压系统有限公司 | 一种基于数控系统的opcua服务器系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113341879A (zh) | 一种数控机床的数据采集与监控方法及系统 | |
| CN110347116B (zh) | 一种基于运行数据流的机床状态监测系统与监测方法 | |
| CN108038553B (zh) | 轧机设备状态在线监测与诊断系统及监测诊断方法 | |
| EP1650622B1 (en) | Data management and networking system and method | |
| CN108620950B (zh) | 一种车削刀具加工状态监测方法及系统 | |
| CN110045679B (zh) | 基于边缘计算的机床多源数据采集与数据质量评估方法 | |
| 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 | |
| CN109396954B (zh) | 嵌入式主轴系统异常状态智能检测和信息推送装置 | |
| CN103760820A (zh) | 数控铣床加工过程状态信息评价装置 | |
| US20070088454A1 (en) | System and method for troubleshooting a machine | |
| CN111522329A (zh) | 一种工业机器人故障诊断方法 | |
| CN207457811U (zh) | 一种数控机床智能故障诊断装置 | |
| CN111238559A (zh) | 一种卷包车间在线检测设备状态监控系统 | |
| CN113253037B (zh) | 基于电流波纹的边云协同设备状态监测方法及系统、介质 | |
| CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
| CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
| CN109848748A (zh) | 一种钻孔剪切试验数据自动采集控制系统及使用方法 | |
| CN116701984A (zh) | 基于机器学习的数控机床自动故障诊断系统 | |
| CN218004099U (zh) | 电子元件生产线在线监管分析系统 | |
| CN116244765A (zh) | 一种基于工业互联网的设备维护管理方法 | |
| CN117078227A (zh) | 一种基于标识解析的环境监测运维平台 | |
| CN111176215A (zh) | 数控机床运行状态辨识系统及辨识方法 | |
| CN109115271B (zh) | 一种数控机床远程监测系统 | |
| CN114281052A (zh) | 机械设备运行状态监控装置、系统及方法 | |
| CN112859740A (zh) | 一种数控机床数据采集装置 |
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: 20210903 |
|
| RJ01 | Rejection of invention patent application after publication |