CN113369979A - 一种基于云计算的在线监测数控车床冷却系统 - Google Patents
一种基于云计算的在线监测数控车床冷却系统 Download PDFInfo
- Publication number
- CN113369979A CN113369979A CN202110657126.6A CN202110657126A CN113369979A CN 113369979 A CN113369979 A CN 113369979A CN 202110657126 A CN202110657126 A CN 202110657126A CN 113369979 A CN113369979 A CN 113369979A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- monitoring
- alarm
- preset
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
- B23Q11/10—Arrangements for cooling or lubricating tools or work
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了一种基于云计算的在线监测数控车床冷却系统,涉及数控车床领域,针对现有冷却监测系统智能化程度低,只能通过发现异常数据进行简单的报警,无法及时作出对应措施,导致车床在冷却不及时的情况下严重损坏的问题,现提出如下方案,其包括冷却单元,监测单元,数据库,评估单元,智能调控处理中心,显示单元,报警单元,远程监控平台和自主学习进化单元,所述智能调控处理中心通过传输模块与远程监控平台无线通信连接。本发明通过监测数据与数据库中的标准数据库对比,并由评估单元分析得到风险等级,能够在发出警报的同时,智能调控处理中心根据风险等级进行及时的应对措施,最低限度的减小对数控车床的损失,延长其使用寿命。
Description
技术领域
本发明涉及数控车床领域,尤其涉及一种基于云计算的在线监测数控车床冷却系统。
背景技术
数控机床是数字控制机床(Computer numerical control machine tools)的简称,是一种装有程序控制系统的自动化机床。该控制系统能够逻辑地处理具有控制编码或其他符号指令规定的程序,并将其译码,用代码化的数字表示,通过信息载体输入数控装置。经运算处理由数控装置发出各种控制信号,控制机床的动作,按图纸要求的形状和尺寸,自动地将零件加工出来。
传统的数控车床的冷却监测系统大多较为简单,只能进行过载保护,一旦温度过高,则直接停机,导致车床频繁启停,工作效率大大降低,且智能化程度低,无法根据实时温度进行冷却方式的及时调整,导致车床在冷却不及时的情况下严重损坏,为此我们设计出一种基于云计算的在线监测数控车床冷却系统,来解决上述问题。
发明内容
本发明的目的是为了解决现有技术中存在冷却监测系统智能化程度低,只能通过发现异常数据进行简单的报警,无法及时作出对应措施,导致车床在冷却不及时的情况下严重损坏的缺点,而提出的一种基于云计算的在线监测数控车床冷却系统。
为了实现上述目的,本发明采用了如下技术方案:一种基于云计算的在线监测数控车床冷却系统,包括冷却单元,监测单元,数据库,评估单元,智能调控处理中心,显示单元,报警单元,远程监控平台和自主学习进化单元;
所述冷却单元包括液冷系统和风冷系统,所述液冷系统和风冷系统用于对数控车床发热部位以及铣刀加工部位进行冷却降温散热;
所述监测单元为温度传感器,所述温度传感器检测冷却单元的实时温度,并将实时温度数据发送至数据库中进行存储;
所述数据库用于存储各项数据,其包括标准指标库、温度监测库、智能调控执行库、监控平台指令库和评估结论库;
所述评估单元用于将监测单元监测的实时数据与标准指标库中的数据进行比对,通过异常数据给出风险等级的判定,并将判定结果发送至智能调控处理中心;
所述智能调控处理中心根据风险等级智能分析并向冷却单元发出调整指令,以及通过传输模块向远程监控平台送警报信息;
所述显示单元用于显示监测单元监测得到的温度变化数值、评估单元得出的风险等级情况以及智能调控处理中心发出来的指令或者警报信息,所述显示单元包括现场监控屏、远程监控屏和手持监控终端;
所述报警单元用于对数控车床温度异常情况发出报警信息,包括现场警报和远程警报;
所述远程监控平台用于接收、查看、修正智能调控处理中心发送的调控指令数据;
所述自主学习进化单元根据每次风险处理操作进行自主式学习,通过程序演算出现的异常数据消除的最佳方式,记录每次最佳的操作和时机,并在下次出现同样异常数据时预估原因并快速验证原因,给出建议性决策并执行决策,逐步智能化,减少人工排查解决的次数。
优选的,所述监测单元还包括高清摄像头,所述高清摄像头安装于数控车床发热部位以及铣刀加工部位。
优选的,所述标准指标库存储有数控车床正常运行情况下的温度数据;所述温度监测库存储有数控车床实际运行情况下的各项实时温度数据,所述智能调控执行库用于存储其发出的调控、警报命令;所述监控平台指令库用于存储其发出的决策性指令;所述评估结论库用于存储评估单元作出的判定操作过程以及风险等级。
优选的,所述风险等级包括低风险、中风险和高风险。
优选的,所述智能调控处理中心依据风险等级发出冷却单元功率调整指令、停机保护指令和发出警报指令。
优选的,所述异常数据的数量占比低于10%为低风险,占比介于10%-30%为中风险,占比高于30%高风险。
优选的,若所述风险等级判定为低风险,智能调控处理中心发出冷却单元功率调整指令;若所述风险等级判定为中风险,智能调控处理中心在低风险的基础上进一步作出发送警报指令,通过警报单元报警;若所述风险等级判定为高风险,智能调控处理中心直接停机,对数控车床进行保护,等待人工排查消除异常数据。
优选的,所述显示单元包含的现场监控屏、远程监控屏和手持监控终端均安装有配套app,所述配套app显示有实时温度数据、标准指标数据、异常数据提醒标注、风险等级、智能调控处理中心给出的决策指令和自主学习进化单元给出的预估原因及建议性决策;所述配套app可进行人工指令操作。
优选的,所述现场警报为声光报警器,所述远程警报包括APP弹窗报警和发送短信报警;
优选的,基于云计算的在线监测数控车床冷却系统还包括:
异常预测模块,用于基于之前预设时间段内所述温度传感器检测冷却单元的实时温度获得的多个实时温度值进行异常预测;
所述异常预测模块执行如下操作:
整合各所述实时温度值,获得温度值记录数据;
建立触发特征数据库,基于特征提取技术提取所述温度值记录数据的多个第一特征,将所述第一特征与所述触发特征数据库中的第二特征进行匹配;
若存在匹配符合,触发异常预测,获取匹配符合的所述第一特征与对应所述第二特征之间的匹配度;
将所述匹配度最大值对应的匹配符合的所述第一特征作为目标特征;
确定所述目标特征对应于所述温度值记录数据中的第一目标数据,获取所述第一目标数据的产生时刻;
获取当前时刻,计算所述产生时刻和所述当前时刻之间的时间差值;
查询预设的异常预测模型对照表,确定所述时间差值对应的异常预测模型;
获取所述温度值记录数据中所述第一目标数据前预设第一数量的第二目标数据,获取所述温度值记录数据中所述第一目标数据后预设第二数量的第三目标数据;所述预设第二数量大于所述预设第一数量;
将所述第一目标数据、第二目标数据和第三目标数据输入所述异常预测模型,获得异常预测结果,所述异常预测结果包括:多个预测值以及与所述预测值一一对应的权重;
从所述异常预测结果中筛选出全部满足预设的第一条件的所述预测值,作为第一筛选集合,所述第一条件包括:所述权重大于等于预设的权重阈值;
从所述异常预测结果中筛选出全部满足预设的第二条件的所述预测值,作为第二筛选集合,所述第二条件包括:所述权重小于所述权重阈值且所述权重与所述权重阈值的差值在预设的差值范围内;
筛选完毕后,将所述异常预测结果中其余全部所述预测值作为第三筛选集合;
基于所述第一筛选集合、第二筛选集合和所述第三筛选集合计算判定指数,计算公式如下:
其中,cl为所述判定指数,σ1,i为所述第一筛选集合中第i个所述预测值,n1为所述第一筛选集合中所述预测值的总数目,σ2,i为所述第二筛选集合中第i个所述预测值,n2为所述第二筛选集合中所述预测值的总数目,σ3,i为所述第三筛选集合中第i个所述预测值,n3为所述第三筛选集合中所述预测值的总数目,O为预设的预测值阈值,α1,i为中间变量;
当所述判定指数大于等于预设的判定指数阈值时,判定即将发生异常,完成异常预测,对用户进行相应提醒。
优选的,所述异常预测模块建立触发特征数据库,具体执行如下操作:
通过预设的获取路径获取异常大数据,所述异常大数据包括:多个历史异常数据;
对所述历史异常数据进行解析,确定所述历史异常数据的异常类型以及所述异常数据中的异常发生节点;
获取所述历史异常数据中所述异常发生节点前和/或后预设第三数量的第四目标数据;
提取所述第四目标数据的多个第三特征;
对所述第三特征进行解析,确定特征类型;
查询预设的关联特征对照表,确定与所述异常类型和所述特征类型共同对应的至少一个关联特征;
获取预设的空白数据库,将所述第三特征和对应所述关联特征填充至所述空白数据库;
当全部需要填充至所述空白数据库的所述第三特征和对应所述关联特征均填充完毕后,完成所述触发特征数据库的建立。
本发明的有益效果为:本发明监测系统通过监测单元对车床各个位置的温度进行实时监测并与数据库中的数据进行比对,由评估单元分析得到风险等级,智能调控处理中心能够在发出警报的同时根据风险等级进行及时的应对措施,最低限度的减小对数控车床造成的损伤,延长其使用寿命,自主学习进化单元通过程序演算出现的异常数据消除的最佳方式,并在下次出现同样异常数据时预估原因并快速验证原因,给出建议性决策并执行决策,逐步智能化,减少人工排查解决的次数。
附图说明
图1为本发明的逻辑框图。
图2为本发明的运行流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1-2,一种基于云计算的在线监测数控车床冷却系统,包括冷却单元,监测单元,数据库,评估单元,智能调控处理中心,显示单元,报警单元,远程监控平台和自主学习进化单元;
冷却单元包括液冷系统和风冷系统,液冷系统和风冷系统用于对数控车床发热部位以及铣刀加工部位进行冷却降温散热;
监测单元为温度传感器,温度传感器检测冷却单元的实时温度,并将实时温度数据发送至数据库中进行存储;监测单元还包括高清摄像头,高清摄像头安装于数控车床发热部位以及铣刀加工部位;
数据库用于存储各项数据,其包括标准指标库、温度监测库、智能调控执行库、监控平台指令库和评估结论库;标准指标库存储有数控车床正常运行情况下的温度数据;温度监测库存储有数控车床实际运行情况下的各项实时温度数据,智能调控执行库用于存储其发出的调控、警报命令;监控平台指令库用于存储其发出的决策性指令;评估结论库用于存储评估单元作出的判定操作过程以及风险等级;
评估单元用于将监测单元监测的实时数据与标准指标库中的数据进行比对,通过异常数据给出风险等级的判定,并将判定结果发送至智能调控处理中心;风险等级包括低风险、中风险和高风险;智能调控处理中心依据风险等级发出冷却单元功率调整指令、停机保护指令和发出警报指令;异常数据的数量占比低于10%为低风险,占比介于10%-30%为中风险,占比高于30%高风险;若风险等级判定为低风险,智能调控处理中心发出冷却单元功率调整指令;若风险等级判定为中风险,智能调控处理中心在低风险的基础上进一步作出发送警报指令,通过警报单元报警;若风险等级判定为高风险,智能调控处理中心直接停机,对数控车床进行保护,等待人工排查消除异常数据;
智能调控处理中心根据风险等级智能分析并向冷却单元发出调整指令,以及通过传输模块向远程监控平台送警报信息;
显示单元用于显示监测单元监测得到的温度变化数值、评估单元得出的风险等级情况以及智能调控处理中心发出来的指令或者警报信息,显示单元包括现场监控屏、远程监控屏和手持监控终端;显示单元包含的现场监控屏、远程监控屏和手持监控终端均安装有配套app,配套app显示有实时温度数据、标准指标数据、异常数据提醒标注、风险等级、智能调控处理中心给出的决策指令和自主学习进化单元给出的预估原因及建议性决策;配套app可进行人工指令操作;
报警单元用于对数控车床温度异常情况发出报警信息,包括现场警报和远程警报;现场警报为声光报警器,远程警报包括APP弹窗报警和发送短信报警;
远程监控平台用于接收、查看、修正智能调控处理中心发送的调控指令数据;
自主学习进化单元根据每次风险处理操作进行自主式学习,通过程序演算出现的异常数据消除的最佳方式,记录每次最佳的操作和时机,并在下次出现同样异常数据时预估原因并快速验证原因,给出建议性决策并执行决策,逐步智能化,减少人工排查解决的次数。
本系统在运行过程中,冷却单元通过风冷系统以及液冷系统对数控车床发热部位进行冷却散热降温,而监测单元通过温度传感器对发热部位进行实时温度监测,并将监测数据显示在显示单元上,同时发送至数据库的温度监测库中做数据保存,且监测单元将监测到的温度与数据库中的标准指标库中的限定值进行对比,一旦超过限定值则判定为异常数据,评估单元根据异常数据的数量判定此时数控车床运行受损的风险等级,评估单元执行过程中的数据存储在评估结论库中,风险等级判定依据分别为异常数据的数量占比低于10%为低风险,占比介于10%-30%为中风险,占比高于30%高风险;若风险等级判定为是低风险,智能调控处理中心发出冷却单元功率调整指令,冷却单元调大功率,提高冷却降温的效率,接着监测单元持续监测该异常数据是否恢复正常,若恢复正常,则数控车床继续工作,若依然持续异常,则转化为高风险等级;若风险等级判定为中风险,智能调控处理中心在低风险的基础上进一步作出发送警报指令,通过警报单元报警;监测单元持续监测该异常数据是否恢复正常,若恢复正常,则数控车床继续工作,若依然持续异常,则转化为高风险等级;若风险等级判定为高风险,智能调控处理中心直接停机,对数控车床进行保护,并通过传输模块对远程监控平台发出警报,等待人工排查消除异常数据;此过程中智能调控处理中心产生的指令、决策数据存储在智能调控执行库,对远程监控平台发出警报的记录及其反馈指令存储在监控平台指令库中。
上述监测系统运行过程中,自主学习进化单元通过程序对每次出现的异常数据消除方式进行演算,并得出最佳解决方式,并在下次出现同样异常数据时预估原因并快速验证原因,给出建议性决策并执行决策,逐步智能化,减少人工排查解决的次数。
本发明监测系统通过监测单元对车床各个位置的温度进行实时监测并与数据库中的数据进行比对,由评估单元分析得到风险等级,智能调控处理中心能够在发出警报的同时根据风险等级进行及时的应对措施,最低限度的减小对数控车床造成的损伤,延长其使用寿命。
一种基于云计算的在线监测数控车床冷却系统,还包括:
异常预测模块,用于基于之前预设时间段内所述温度传感器检测冷却单元的实时温度获得的多个实时温度值进行异常预测;
所述异常预测模块执行如下操作:
整合各所述实时温度值,获得温度值记录数据;
建立触发特征数据库,基于特征提取技术提取所述温度值记录数据的多个第一特征,将所述第一特征与所述触发特征数据库中的第二特征进行匹配;
若存在匹配符合,触发异常预测,获取匹配符合的所述第一特征与对应所述第二特征之间的匹配度;
将所述匹配度最大值对应的匹配符合的所述第一特征作为目标特征;
确定所述目标特征对应于所述温度值记录数据中的第一目标数据,获取所述第一目标数据的产生时刻;
获取当前时刻,计算所述产生时刻和所述当前时刻之间的时间差值;
查询预设的异常预测模型对照表,确定所述时间差值对应的异常预测模型;
获取所述温度值记录数据中所述第一目标数据前预设第一数量的第二目标数据,获取所述温度值记录数据中所述第一目标数据后预设第二数量的第三目标数据;所述预设第二数量大于所述预设第一数量;
将所述第一目标数据、第二目标数据和第三目标数据输入所述异常预测模型,获得异常预测结果,所述异常预测结果包括:多个预测值以及与所述预测值一一对应的权重;
从所述异常预测结果中筛选出全部满足预设的第一条件的所述预测值,作为第一筛选集合,所述第一条件包括:所述权重大于等于预设的权重阈值;
从所述异常预测结果中筛选出全部满足预设的第二条件的所述预测值,作为第二筛选集合,所述第二条件包括:所述权重小于所述权重阈值且所述权重与所述权重阈值的差值在预设的差值范围内;
筛选完毕后,将所述异常预测结果中其余全部所述预测值作为第三筛选集合;
基于所述第一筛选集合、第二筛选集合和所述第三筛选集合计算判定指数,计算公式如下:
其中,cl为所述判定指数,σ1,i为所述第一筛选集合中第i个所述预测值,n1为所述第一筛选集合中所述预测值的总数目,σ2,i为所述第二筛选集合中第i个所述预测值,n2为所述第二筛选集合中所述预测值的总数目,σ3,i为所述第三筛选集合中第i个所述预测值,n3为所述第三筛选集合中所述预测值的总数目,O为预设的预测值阈值,α1,i为中间变量;
当所述判定指数大于等于预设的判定指数阈值时,判定即将发生异常,完成异常预测,对用户进行相应提醒。
上述技术方案的工作原理及有益效果为:
预设的时间段具体为:例如,5秒;预设的异常预测模型对照表具体为:包含多个对照栏,每个对照栏包含一个时间差值和异常预测模型,用于基于时间差值,对照查询异常预测模型;预设的权重值阈值具体为:例如,75;预设的差值范围具体为:例如,0至-20;预设的预测值阈值具体为:例如,88;预设的判定指数阈值具体为:例如,98;
传统的异常预测均是对历史数据全部进行分析预测,极其费事,异常预测的目的就是及时提前发现异常,进行预警,这样做,异常预测效果极差,本申请通过建立触发特征数据库,设置触发机制,将从温度值记录数据中提取的第一特征与触发特征数据库中的第二特征进行匹配,若匹配符合,说明可能有异常发生,触发异常预测,有效节约了大量系统资源;
另外,设置异常预测模型对照表,不同时间差值对应有不同预测模型,例如:时间差值越大,说明发现略不及时,当前发生异常的可能性越大,使用精度较高,训练成熟度较高的异常预测模型进行预测,这样做,使得系统能够针对性地应对不同的异常预测场景;
其次,将第一目标数据、第二目标数据和第三目标数据输入异常预测模型后,为保证预测结果受偶然性误差的影响,异常预测模型会进行大量预测,输出多个预测值,预测值越大,说明未来发生异常的可能性越大,还会输出与预测值一一对应的权重,权重代表着异常预测模型进行某次预测的过程优良,例如:异常预测模型在进行某次预测时,过程顺利,预测精度在整个过程中都很稳定,则输出较高的权重;基于权重对各预测值进行筛选,获得第一筛选集合、第二筛选集合和第三筛选集合,第一筛选集合的价值大于第二筛选集合的价值,第二筛选集合的价值大于第三筛选集合的价值;基于三个筛选集合内的预测值综合计算判定指数,十分细致,提升了基于异常预测结果进行异常预测判定的精准性;
同时,通过上述公式基于三个筛选集合内的预测值综合计算判定指数,当判定指数大于等于判定指数阈值时,判定即将发生异常,极大程度上提升了系统的工作效率。
所述异常预测模块建立触发特征数据库,具体执行如下操作:
通过预设的获取路径获取异常大数据,所述异常大数据包括:多个历史异常数据;
对所述历史异常数据进行解析,确定所述历史异常数据的异常类型以及所述异常数据中的异常发生节点;
获取所述历史异常数据中所述异常发生节点前和/或后预设第三数量的第四目标数据;
基于特征提取技术提取所述第四目标数据的多个第三特征;
对所述第三特征进行解析,确定特征类型;
查询预设的关联特征对照表,确定与所述异常类型和所述特征类型共同对应的至少一个关联特征;
获取预设的空白数据库,将所述第三特征和对应所述关联特征填充至所述空白数据库;
当全部需要填充至所述空白数据库的所述第三特征和对应所述关联特征均填充完毕后,完成所述触发特征数据库的建立。
上述技术方案的工作原理及有益效果为:
预设的获取路径具体为:例如,某个节点;预设的关联特征对照表具体为:包含多个对照栏,每个对照栏包含一个异常类型、特征类型和至少一个关联特征,每个异常类型下的特征类型均具有不同的表现形式(例如:异常类型相同,异常数据长度不同,提取的特征的也不同),用于基于异常类型和特征类型,对照查询关联特征;预设的空白数据库具体为:该数据库内没有内容;
获取异常大数据库,异常大数据包含多个历史异常数据,该历史因此数据可以为用户自身冷却机器的温度异常数据,也可以为其他相同型号的冷却机器的温度异常数据;基于异常大数据建立触发特征数据库;设置关联特征对照表,对照查询关联特征,将关联特征也存储仅触发特征数据库,保证触发特征数据内尽可能地的丰富,提升其可利用价值,确保不遗漏触发异常预测。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于云计算的在线监测数控车床冷却系统,其特征在于,包括冷却单元,监测单元,数据库,评估单元,智能调控处理中心,显示单元,报警单元,远程监控平台和自主学习进化单元;
所述冷却单元包括液冷系统和风冷系统,所述液冷系统和风冷系统用于对数控车床发热部位以及铣刀加工部位进行冷却降温散热;
所述监测单元为温度传感器,所述温度传感器检测冷却单元的实时温度,并将实时温度数据发送至数据库中进行存储;
所述数据库用于存储各项数据,其包括标准指标库、温度监测库、智能调控执行库、监控平台指令库和评估结论库;
所述评估单元用于将监测单元监测的实时数据与标准指标库中的数据进行比对,获得异常数据,通过异常数据给出风险等级的判定,并将判定结果发送至智能调控处理中心;
所述智能调控处理中心根据风险等级智能分析并向冷却单元发出调整指令,以及通过传输模块向远程监控平台送警报信息;
所述显示单元用于显示监测单元监测得到的温度变化数值、评估单元得出的风险等级情况以及智能调控处理中心发出来的指令或者警报信息,所述显示单元包括现场监控屏、远程监控屏和手持监控终端;
所述报警单元用于对数控车床温度异常情况发出报警信息,包括现场警报和远程警报;
所述远程监控平台用于接收、查看、修正智能调控处理中心发送的调控指令数据;
所述自主学习进化单元根据每次风险处理操作进行自主式学习,通过程序演算出现的异常数据消除的最佳方式,记录每次最佳的操作和时机,并在下次出现同样异常数据时预估原因并快速验证原因,给出建议性决策并执行决策,逐步智能化,减少人工排查解决的次数;
所述现场警报为声光报警器,所述远程警报包括APP弹窗报警和发送短信报警。
2.根据权利要求1所述的一种基于云计算的在线监测数控车床冷却系统,其特征在于,所述监测单元还包括高清摄像头,所述高清摄像头安装于数控车床发热部位以及铣刀加工部位。
3.根据权利要求1所述的一种基于云计算的在线监测数控车床冷却系统,其特征在于,所述标准指标库存储有数控车床正常运行情况下的温度数据;所述温度监测库存储有数控车床实际运行情况下的各项实时温度数据,所述智能调控执行库用于存储其发出的调控、警报命令;所述监控平台指令库用于存储其发出的决策性指令;所述评估结论库用于存储评估单元作出的判定操作过程以及风险等级。
4.根据权利要求1所述的一种基于云计算的在线监测数控车床冷却系统,其特征在于,所述风险等级包括低风险、中风险和高风险。
5.根据权利要求1或4所述的一种基于云计算的在线监测数控车床冷却系统,其特征在于,所述智能调控处理中心依据风险等级发出冷却单元功率调整指令、停机保护指令和发出警报指令。
6.根据权利要求5所述的一种基于云计算的在线监测数控车床冷却系统,其特征在于,所述异常数据的数量占比低于10%为低风险,占比介于10%-30%为中风险,占比高于30%高风险。
7.根据权利要6所述的一种基于云计算的在线监测数控车床冷却系统,其特征在于,若所述风险等级判定为低风险,智能调控处理中心发出冷却单元功率调整指令;若所述风险等级判定为中风险,智能调控处理中心在低风险的基础上进一步作出发送警报指令,通过警报单元报警;若所述风险等级判定为高风险,智能调控处理中心直接停机,对数控车床进行保护,等待人工排查消除异常数据。
8.根据权利要求1所述的一种基于云计算的在线监测数控车床冷却系统,其特征在于,所述显示单元包含的现场监控屏、远程监控屏和手持监控终端均安装有配套app,所述配套app显示有实时温度数据、标准指标数据、异常数据提醒标注、风险等级、智能调控处理中心给出的决策指令和自主学习进化单元给出的预估原因及建议性决策;所述配套app可进行人工指令操作。
9.根据权利要求1所述的一种基于云计算的在线监测数控车床冷却系统,其特征在于,还包括:
异常预测模块,用于基于之前预设时间段内所述温度传感器检测冷却单元的实时温度获得的多个实时温度值进行异常预测;
所述异常预测模块执行如下操作:
整合各所述实时温度值,获得温度值记录数据;
建立触发特征数据库,基于特征提取技术提取所述温度值记录数据的多个第一特征,将所述第一特征与所述触发特征数据库中的第二特征进行匹配;
若存在匹配符合,触发异常预测,获取匹配符合的所述第一特征与对应所述第二特征之间的匹配度;
将所述匹配度最大值对应的匹配符合的所述第一特征作为目标特征;
确定所述目标特征对应于所述温度值记录数据中的第一目标数据,获取所述第一目标数据的产生时刻;
获取当前时刻,计算所述产生时刻和所述当前时刻之间的时间差值;
查询预设的异常预测模型对照表,确定所述时间差值对应的异常预测模型;
获取所述温度值记录数据中所述第一目标数据前预设第一数量的第二目标数据,获取所述温度值记录数据中所述第一目标数据后预设第二数量的第三目标数据;所述预设第二数量大于所述预设第一数量;
将所述第一目标数据、第二目标数据和第三目标数据输入所述异常预测模型,获得异常预测结果,所述异常预测结果包括:多个预测值以及与所述预测值一一对应的权重;
从所述异常预测结果中筛选出全部满足预设的第一条件的所述预测值,作为第一筛选集合,所述第一条件包括:所述权重大于等于预设的权重阈值;
从所述异常预测结果中筛选出全部满足预设的第二条件的所述预测值,作为第二筛选集合,所述第二条件包括:所述权重小于所述权重阈值且所述权重与所述权重阈值的差值在预设的差值范围内;
筛选完毕后,将所述异常预测结果中其余全部所述预测值作为第三筛选集合;
基于所述第一筛选集合、第二筛选集合和所述第三筛选集合计算判定指数,计算公式如下:
其中,cl为所述判定指数,σ1,i为所述第一筛选集合中第i个所述预测值,n1为所述第一筛选集合中所述预测值的总数目,σ2,i为所述第二筛选集合中第i个所述预测值,n2为所述第二筛选集合中所述预测值的总数目,σ3,i为所述第三筛选集合中第i个所述预测值,n3为所述第三筛选集合中所述预测值的总数目,O为预设的预测值阈值,α1,i为中间变量;
当所述判定指数大于等于预设的判定指数阈值时,判定即将发生异常,完成异常预测,对用户进行相应提醒。
10.根据权利要求9所述的一种基于云计算的在线监测数控车床冷却系统,其特征在于,所述异常预测模块建立触发特征数据库,具体执行如下操作:
通过预设的获取路径获取异常大数据,所述异常大数据包括:多个历史异常数据;
对所述历史异常数据进行解析,确定所述历史异常数据的异常类型以及所述异常数据中的异常发生节点;
获取所述历史异常数据中所述异常发生节点前和/或后预设第三数量的第四目标数据;
提取所述第四目标数据的多个第三特征;
对所述第三特征进行解析,确定特征类型;
查询预设的关联特征对照表,确定与所述异常类型和所述特征类型共同对应的至少一个关联特征;
获取预设的空白数据库,将所述第三特征和对应所述关联特征填充至所述空白数据库;
当全部需要填充至所述空白数据库的所述第三特征和对应所述关联特征均填充完毕后,完成所述触发特征数据库的建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657126.6A CN113369979B (zh) | 2021-06-12 | 2021-06-12 | 一种基于云计算的在线监测数控车床冷却系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657126.6A CN113369979B (zh) | 2021-06-12 | 2021-06-12 | 一种基于云计算的在线监测数控车床冷却系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113369979A true CN113369979A (zh) | 2021-09-10 |
CN113369979B CN113369979B (zh) | 2022-05-17 |
Family
ID=77574258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110657126.6A Active CN113369979B (zh) | 2021-06-12 | 2021-06-12 | 一种基于云计算的在线监测数控车床冷却系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113369979B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048346A (zh) * | 2021-10-09 | 2022-02-15 | 大庆恒驰电气有限公司 | 一种基于gis的安全生产一体化管控平台及方法 |
CN114546006A (zh) * | 2022-02-15 | 2022-05-27 | 中国热带农业科学院热带作物品种资源研究所 | 一种腰果仓储环境的智能控制方法及系统 |
CN115271552A (zh) * | 2022-09-26 | 2022-11-01 | 北京艾瑞信系统工程技术有限责任公司 | 一种数据中心智能巡视系统 |
CN115587978A (zh) * | 2022-10-08 | 2023-01-10 | 盐城工学院 | 一种基于深度学习的地板革贴合压纹在线检测系统 |
CN117252446A (zh) * | 2023-11-15 | 2023-12-19 | 青岛海信信息科技股份有限公司 | 一种过程指标萃取及指标智能运行的方法及系统 |
CN117439498A (zh) * | 2023-12-19 | 2024-01-23 | 深圳市武迪电子科技有限公司 | 用于电动汽车的电机冷却控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102126162A (zh) * | 2010-12-26 | 2011-07-20 | 北京航空航天大学 | 一种数控机床加工在线测量方法 |
CN103823409A (zh) * | 2014-02-27 | 2014-05-28 | 电子科技大学 | 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 |
CN108628661A (zh) * | 2017-03-24 | 2018-10-09 | 郑芳田 | 云制造服务的自动建置方法、云制造系统 |
JP2020019087A (ja) * | 2018-07-31 | 2020-02-06 | 独立行政法人国立高等専門学校機構 | 研削工具砥面評価装置とその学習器、評価プログラムおよび評価方法 |
CN112487058A (zh) * | 2020-11-30 | 2021-03-12 | 北京航空航天大学 | 一种基于数据挖掘的数控机床故障监测与诊断系统 |
-
2021
- 2021-06-12 CN CN202110657126.6A patent/CN113369979B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102126162A (zh) * | 2010-12-26 | 2011-07-20 | 北京航空航天大学 | 一种数控机床加工在线测量方法 |
CN103823409A (zh) * | 2014-02-27 | 2014-05-28 | 电子科技大学 | 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 |
CN108628661A (zh) * | 2017-03-24 | 2018-10-09 | 郑芳田 | 云制造服务的自动建置方法、云制造系统 |
JP2020019087A (ja) * | 2018-07-31 | 2020-02-06 | 独立行政法人国立高等専門学校機構 | 研削工具砥面評価装置とその学習器、評価プログラムおよび評価方法 |
CN112487058A (zh) * | 2020-11-30 | 2021-03-12 | 北京航空航天大学 | 一种基于数据挖掘的数控机床故障监测与诊断系统 |
Non-Patent Citations (1)
Title |
---|
黄莹等: "云计算在智能机床控制体系中的应用探析", 《机械工程学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048346A (zh) * | 2021-10-09 | 2022-02-15 | 大庆恒驰电气有限公司 | 一种基于gis的安全生产一体化管控平台及方法 |
CN114546006A (zh) * | 2022-02-15 | 2022-05-27 | 中国热带农业科学院热带作物品种资源研究所 | 一种腰果仓储环境的智能控制方法及系统 |
CN114546006B (zh) * | 2022-02-15 | 2022-12-23 | 中国热带农业科学院热带作物品种资源研究所 | 一种腰果仓储环境的智能控制方法及系统 |
CN115271552A (zh) * | 2022-09-26 | 2022-11-01 | 北京艾瑞信系统工程技术有限责任公司 | 一种数据中心智能巡视系统 |
CN115271552B (zh) * | 2022-09-26 | 2023-01-13 | 北京艾瑞信系统工程技术有限责任公司 | 一种数据中心智能巡视系统 |
CN115587978A (zh) * | 2022-10-08 | 2023-01-10 | 盐城工学院 | 一种基于深度学习的地板革贴合压纹在线检测系统 |
CN117252446A (zh) * | 2023-11-15 | 2023-12-19 | 青岛海信信息科技股份有限公司 | 一种过程指标萃取及指标智能运行的方法及系统 |
CN117252446B (zh) * | 2023-11-15 | 2024-02-13 | 青岛海信信息科技股份有限公司 | 一种过程指标萃取及指标智能运行的方法及系统 |
CN117439498A (zh) * | 2023-12-19 | 2024-01-23 | 深圳市武迪电子科技有限公司 | 用于电动汽车的电机冷却控制方法及系统 |
CN117439498B (zh) * | 2023-12-19 | 2024-03-15 | 深圳市武迪电子科技有限公司 | 用于电动汽车的电机冷却控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113369979B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113369979B (zh) | 一种基于云计算的在线监测数控车床冷却系统 | |
CN101470426B (zh) | 一种故障检测的方法和系统 | |
CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及系统 | |
CN105551549B (zh) | 一种核电设备运行状况在线监测方法及系统 | |
CA2433941A1 (en) | Adaptive modeling of changed states in predictive condition monitoring | |
EP1727009B1 (en) | System for displaying alarms and related information for supporting process operation | |
CN108268893B (zh) | 一种基于机器学习的化工园区预警方法及装置 | |
CN111275321A (zh) | 一种充电桩状态分析系统和方法 | |
EP3864475B1 (en) | Method and system for monitoring tool wear to estimate rul of tool in machining | |
CN116611712B (zh) | 基于语义推断的电网工作票评估系统 | |
CN112798042A (zh) | 液压支架工作状态与支护质量的智能诊断方法 | |
CN115174639B (zh) | 一种基于物联网的工业设备管理方法和系统 | |
TWM575368U (zh) | 智能化工具機雲端運算系統 | |
CN106483847A (zh) | 一种基于自适应ica的冷水机组故障检测方法 | |
CN113361958A (zh) | 一种缺陷预警方法及系统 | |
CN117032004A (zh) | 基于物联网的工业生产自动化控制平台 | |
KR102353574B1 (ko) | Cnc 공작기계의 공구 관련 비정상 데이터 탐지 시스템 | |
CN116976865A (zh) | 基于大数据分析的船舶维修器件调配管理系统 | |
CN117312879A (zh) | 一种注塑机生产数据监督预警方法、系统及介质 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN116629523A (zh) | 一种刀具管理方法及其相关设备 | |
CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN115688016A (zh) | 一种用于大型数据库智能运维的一体化方法 | |
CN114943281A (zh) | 一种热管冷却反应堆智能决策方法及系统 | |
US20220118576A1 (en) | Tool status detection system and method |
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 |