CN113627304A - 一种基于人工智能的机床主轴健康监控方法和系统 - Google Patents
一种基于人工智能的机床主轴健康监控方法和系统 Download PDFInfo
- Publication number
- CN113627304A CN113627304A CN202110884978.9A CN202110884978A CN113627304A CN 113627304 A CN113627304 A CN 113627304A CN 202110884978 A CN202110884978 A CN 202110884978A CN 113627304 A CN113627304 A CN 113627304A
- Authority
- CN
- China
- Prior art keywords
- evaluation value
- machine tool
- signal
- temperature
- image
- 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
- 230000036541 health Effects 0.000 title claims abstract description 169
- 238000012544 monitoring process Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 223
- 238000006073 displacement reaction Methods 0.000 claims abstract description 99
- 238000003754 machining Methods 0.000 claims abstract description 54
- 238000005299 abrasion Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 98
- 230000008859 change Effects 0.000 claims description 40
- 238000013507 mapping Methods 0.000 claims description 24
- 238000003384 imaging method Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明实施例涉及机床健康监控技术领域,具体公开了一种基于人工智能的机床主轴健康监控方法和系统。本发明实施例通过设置健康监控周期;采集振动信号、电流信号、位移信号和温度信号,分别生成机械故障评价值、刀具磨损评价值、加工精度评价值和工作温度评价值;根据机械故障评价值、刀具磨损评价值、加工精度评价值和工作温度评价值,生成主轴健康评价值。能够对机床主轴的振动信号、电流信号、位移信号和温度信号进行周期性采集,进而对机械故障、刀具磨损、加工精度和工作温度进行实时评价,并生成主轴健康评价值,便于工作人员能够实时查看机床主轴的健康状态,避免机床主轴在健康状态不合格时仍然保持工作,从而防止大量的加工产品报废。
Description
技术领域
本发明属于机床健康监控技术领域,尤其涉及一种基于人工智能的机床主轴健康监控方法和系统。
背景技术
数控机床是制造业的“工作母机”,其技术水平是一个国家工业水平与综合国力的象征。机床主轴指的是机床上带动工件或刀具旋转的轴。通常由主轴、轴承和传动件等组成主轴部件。在机器中主要用来支撑传动零件如齿轮、带轮,传递运动及扭矩,如机床主轴;有的用来装夹工件,如心轴。除了刨床、拉床等主运动为直线运动的机床外,大多数机床都有主轴部件。
机床主轴是机床上结构最复杂、故障率最高的核心部件,一旦主轴发生故障,将会直接影响加工质量。现有的对于机床主轴的健康评价及检查维护基本都是在加工完成之后、机床主轴不处于工作状态的时候进行,不能够在机床主轴工作的同时进行机床主轴的健康监控,从而不能够及时了解机床主轴的健康状态,很容易导致机床主轴在健康状态不合格时仍然保持工作,造成大量的加工产品报废。
发明内容
本发明实施例的目的在于提供一种基于人工智能的机床主轴健康监控方法和系统,旨在解决背景技术中提出的问题。
为实现上述目的,本发明实施例提供如下技术方案:
一种基于人工智能的机床主轴健康监控方法,所述方法具体包括以下步骤:
设置健康监控周期;
采集健康监控周期内机床主轴的振动信号,对所述振动信号进行处理分析,生成机械故障评价值;
采集健康监控周期内机床主轴的电流信号,对所述电流信号进行处理分析,生成刀具磨损评价值;
采集健康监控周期内机床主轴的位移信号,对所述位移信号进行处理分析,生成加工精度评价值;
采集健康监控周期内机床主轴的温度信号,对所述温度信号进行处理分析,生成工作温度评价值;
根据所述机械故障评价值、所述刀具磨损评价值、所述加工精度评价值和所述工作温度评价值,生成主轴健康评价值。
作为本发明实施例技术方案进一步的限定,所述采集健康监控周期内机床主轴的振动信号,对所述振动信号进行处理分析,生成机械故障评价值具体包括以下步骤:
采集健康监控周期内机床主轴的振动信号;
对所述振动信号进行处理,得到振动周期图像;
将所述振动周期图像与预设的振动标准图像进行对比分析,计算振动图像差别率;
将所述振动图像差别率输出至振动图像差别率与机械故障评价值映射模型中,输出在所述振动图像差别率下,对应的机械故障评价值。
作为本发明实施例技术方案进一步的限定,所述对所述振动信号进行处理,得到振动周期图像具体包括以下步骤:
对所述振动信号进行预处理,得到振动变化数据;
将所述振动变化数据进行图像化处理,生成振动周期图像。
作为本发明实施例技术方案进一步的限定,所述采集健康监控周期内机床主轴的电流信号,对所述电流信号进行处理分析,生成刀具磨损评价值具体包括以下步骤:
采集健康监控周期内机床主轴的电流信号;
对所述电流信号进行处理,得到电流周期图像;
将所述电流周期图像与预设的电流标准图像进行对比分析,计算电流图像差别率;
将所述电流图像差别率输出至电流图像差别率与刀具磨损评价值映射模型中,输出在所述电流图像差别率下,对应的刀具磨损评价值。
作为本发明实施例技术方案进一步的限定,所述对所述电流信号进行处理,得到电流周期图像具体包括以下步骤:
对所述电流信号进行预处理,得到电流变化数据;
将所述电流变化数据进行图像化处理,生成电流周期图像。
作为本发明实施例技术方案进一步的限定,所述采集健康监控周期内机床主轴的位移信号,对所述位移信号进行处理分析,生成加工精度评价值具体包括以下步骤:
采集健康监控周期内机床主轴的位移信号;
对所述位移信号进行处理,得到位移周期图像;
将所述位移周期图像与预设的位移标准图像进行对比分析,计算位移图像差别率;
将所述位移图像差别率输出至位移图像差别率与加工精度评价值映射模型中,输出在所述位移图像差别率下,对应的加工精度评价值。
作为本发明实施例技术方案进一步的限定,所述对所述位移信号进行处理,得到位移周期图像具体包括以下步骤:
对所述位移信号进行预处理,得到位移变化数据;
将所述位移变化数据进行图像化处理,生成位移周期图像。
作为本发明实施例技术方案进一步的限定,所述采集健康监控周期内机床主轴的温度信号,对所述温度信号进行处理分析,生成工作温度评价值具体包括以下步骤:
采集健康监控周期内机床主轴的温度信号;
对所述温度信号进行处理,得到温度周期图像;
将所述温度周期图像与预设的温度标准图像进行对比分析,计算温度图像差别率;
将所述温度图像差别率输出至温度图像差别率与工作温度评价值映射模型中,输出在所述温度图像差别率下,对应的工作温度评价值。
作为本发明实施例技术方案进一步的限定,所述对所述温度信号进行处理,得到温度周期图像具体包括以下步骤:
对所述温度信号进行预处理,得到温度变化数据;
将所述温度变化数据进行图像化处理,生成温度周期图像。
一种基于人工智能的机床主轴健康监控系统,所述系统包括监控周期设置单元、机械故障评价单元、刀具磨损评价单元、加工精度评价单元、工作温度评价单元和主轴健康评价单元,其中:
监控周期设置单元,用于设置健康监控周期;
机械故障评价单元,用于采集健康监控周期内机床主轴的振动信号,对所述振动信号进行处理分析,生成机械故障评价值;
刀具磨损评价单元,用于采集健康监控周期内机床主轴的电流信号,对所述电流信号进行处理分析,生成刀具磨损评价值;
加工精度评价单元,用于采集健康监控周期内机床主轴的位移信号,对所述位移信号进行处理分析,生成加工精度评价值;
工作温度评价单元,用于采集健康监控周期内机床主轴的温度信号,对所述温度信号进行处理分析,生成工作温度评价值;
主轴健康评价单元,用于根据所述机械故障评价值、所述刀具磨损评价值、所述加工精度评价值和所述工作温度评价值,生成主轴健康评价值。
与现有技术相比,本发明的有益效果是:
本发明实施例通过设置健康监控周期;采集振动信号、电流信号、位移信号和温度信号,分别生成机械故障评价值、刀具磨损评价值、加工精度评价值和工作温度评价值;根据机械故障评价值、刀具磨损评价值、加工精度评价值和工作温度评价值,生成主轴健康评价值。能够对机床主轴的振动信号、电流信号、位移信号和温度信号进行周期性采集,进而对机械故障、刀具磨损、加工精度和工作温度进行实时评价,并生成主轴健康评价值,便于工作人员能够实时查看机床主轴的健康状态,避免机床主轴在健康状态不合格时仍然保持工作,从而防止大量的加工产品报废。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1示出了本发明实施例提供的方法的流程图。
图2示出了本发明实施例提供的方法中机械故障评价的流程图。
图3示出了本发明实施例提供的方法中振动信号处理的流程图。
图4示出了本发明实施例提供的方法中刀具磨损评价的流程图。
图5示出了本发明实施例提供的方法中电流信号处理的流程图。
图6示出了本发明实施例提供的方法中加工精度评价的流程图。
图7示出了本发明实施例提供的方法中位移信号处理的流程图。
图8示出了本发明实施例提供的方法中工作温度评价的流程图。
图9示出了本发明实施例提供的方法中温度信号处理的流程图。
图10示出了本发明实施例提供的系统的应用架构图。
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。
可以理解的是,在现有技术中,对于机床主轴的健康评价及检查维护基本都是在加工完成之后、机床主轴不处于工作状态的时候进行,不能够在机床主轴工作的同时进行机床主轴的健康监控,从而不能够及时了解机床主轴的健康状态,很容易导致机床主轴在健康状态不合格时仍然保持工作,造成大量的加工产品报废。
为解决上述问题,本发明实施例对机床主轴的振动信号、电流信号、位移信号和温度信号进行周期性采集,进而对机械故障、刀具磨损、加工精度和工作温度进行实时评价,并生成主轴健康评价值,便于工作人员能够实时查看机床主轴的健康状态,避免机床主轴在健康状态不合格时仍然保持工作,从而防止大量的加工产品报废。
图1示出了本发明实施例提供的方法的流程图。
具体的,一种基于人工智能的机床主轴健康监控方法,所述方法具体包括以下步骤:
步骤S101,设置健康监控周期。
在本发明实施例中,对健康监控周期进行设置,健康监控周期是在机床主轴工作的过程中,对机床主轴进行健康状态评价的不同评价时间段,能够按照健康监控周期,对机床主轴进行不同时间段的不间断健康状态评价监控。
可以理解的是,机床主轴在启动、加工和等待加工等不同时期,对于机床主轴的健康状态评价均不相同,因此通过设置健康监控周期,将不同的健康状态评价时间段分开,进而分别判断机床主轴的健康状态,提高了对于机床主轴的健康监控的精度。
步骤S102,采集健康监控周期内机床主轴的振动信号,对所述振动信号进行处理分析,生成机械故障评价值。
在本发明实施例中,基于人工智能的信号采集与分析,在每个健康监控周期内,对机床主轴的振动信号进行实时性采集,并对振动信号进行处理,进行机床主轴的机械故障评价,生成机械故障评价值。
可以理解的是,数控机床主轴的机械部分的故障,尤其是机床主轴运动构件的故障,会引发系统的振动,因此,通过采集机床主轴的振动信号,通过对振动信号的分析,能够判断机床主轴的机械部分是否发生故障,以及机床主轴的机械部分的故障严重程度。
具体的,图2示出了本发明实施例提供的方法中机械故障评价的流程图。
其中,在本发明提供的优选实施方式中,所述采集健康监控周期内机床主轴的振动信号,对所述振动信号进行处理分析,生成机械故障评价值具体包括以下步骤:
步骤S1021,采集健康监控周期内机床主轴的振动信号。
在本发明实施例中,在机床主轴上安装多个振动传感器,通过多个振动传感器,在每个不同的健康监控周期内,对机床主轴的振动信号进行实时性智能化动态采集。
步骤S1022,对所述振动信号进行处理,得到振动周期图像。
在本发明实施例中,将健康监控周期内采集的振动信号基于人工智能分析处理,生成振动周期图像。通过振动周期图像,工作人员能够直观的查看振动信号在一个健康监控周期内的变化。
具体的,图3示出了本发明实施例提供的方法中振动信号处理的流程图。
其中,在本发明提供的优选实施方式中,所述对所述振动信号进行处理,得到振动周期图像具体包括以下步骤:
步骤S10221,对所述振动信号进行预处理,得到振动变化数据。
在本发明实施例中,将振动信号进行滤波降噪、去除奇异点和平滑处理等预处理,将振动信号转化成一串平滑变化的振动变化数据。
步骤S10222,将所述振动变化数据进行图像化处理,生成振动周期图像。
在本发明实施例中,将振动变化数据进行图像化处理,使得振动变化数据转化成光滑的、可视的振动周期图像。
进一步的,所述采集健康监控周期内机床主轴的振动信号,对所述振动信号进行处理分析,生成机械故障评价值还包括以下步骤:
步骤S1023,将所述振动周期图像与预设的振动标准图像进行对比分析,计算振动图像差别率。
在本发明实施例中,每个健康监控周期生成不同的振动周期图像,且每个健康监控周期对应不同的振动标准图像,将一个健康监控周期的振动周期图像与相应的振动标准图像进行对比分析,计算振动周期图像与相应的振动标准图像之间的振动图像差别率。
步骤S1024,将所述振动图像差别率输出至振动图像差别率与机械故障评价值映射模型中,输出在所述振动图像差别率下,对应的机械故障评价值。
在本发明实施例中,将振动图像差别率输入至振动图像差别率与机械故障评价值映射模型中,根据该映射模型的分析处理,得到与该振动图像差别率相对应的机械故障评价值。其中,机械故障评价值是根据该映射模型得到的机械故障程度的评分数值,工作人员能够通过查看机械故障评价值,直观的了解机床主轴的机械故障程度,从而判断是否保持机床主轴正常工作。
进一步的,所述方法还包括以下步骤:
步骤S103,采集健康监控周期内机床主轴的电流信号,对所述电流信号进行处理分析,生成刀具磨损评价值。
在本发明实施例中,基于人工智能的信号采集与分析,在每个健康监控周期内,对机床主轴的电流信号进行实时性采集,并对电流信号进行处理,进行机床主轴的刀具磨损评价,生成刀具磨损评价值。
可以理解的是,机床主轴电流信号随着刀具磨损几乎呈线性关系,机床主轴的电流会随刀具磨损量的增加而呈线性上升的趋势,因此只需通过监测机床主轴的电流信号变化规律,就可判断机床主轴的刀具磨损程度。
具体的,图4示出了本发明实施例提供的方法中刀具磨损评价的流程图。
其中,在本发明提供的优选实施方式中,所述采集健康监控周期内机床主轴的电流信号,对所述电流信号进行处理分析,生成刀具磨损评价值具体包括以下步骤:
步骤S1031,采集健康监控周期内机床主轴的电流信号。
在本发明实施例中,在机床主轴上安装多个霍尔电流传感器,通过多个霍尔电流传感器,在每个不同的健康监控周期内,对机床主轴的电流信号进行实时性智能化动态采集。
步骤S1032,对所述电流信号进行处理,得到电流周期图像。
在本发明实施例中,将健康监控周期内采集的电流信号基于人工智能分析处理,生成电流周期图像。通过电流周期图像,工作人员能够直观的查看电流信号在一个健康监控周期内的变化。
具体的,图5示出了本发明实施例提供的方法中电流信号处理的流程图。
其中,在本发明提供的优选实施方式中,所述对所述电流信号进行处理,得到电流周期图像具体包括以下步骤:
步骤S10321,对所述电流信号进行预处理,得到电流变化数据。
在本发明实施例中,将电流信号进行滤波降噪、去除奇异点和平滑处理等预处理,将电流信号转化成一串平滑变化的电流变化数据。
步骤S10322,将所述电流变化数据进行图像化处理,生成电流周期图像。
在本发明实施例中,将电流变化数据进行图像化处理,使得电流变化数据转化成光滑的、可视的电流周期图像。
进一步的,所述采集健康监控周期内机床主轴的电流信号,对所述电流信号进行处理分析,生成刀具磨损评价值还包括以下步骤:
步骤S1033,将所述电流周期图像与预设的电流标准图像进行对比分析,计算电流图像差别率。
在本发明实施例中,每个健康监控周期生成不同的电流周期图像,且每个健康监控周期对应不同的电流标准图像,将一个健康监控周期的电流周期图像与相应的电流标准图像进行对比分析,计算电流周期图像与相应的电流标准图像之间的电流图像差别率。
步骤S1034,将所述电流图像差别率输出至电流图像差别率与刀具磨损评价值映射模型中,输出在所述电流图像差别率下,对应的刀具磨损评价值。
在本发明实施例中,将电流图像差别率输入至电流图像差别率与刀具磨损评价值映射模型中,根据该映射模型的分析处理,得到与该电流图像差别率相对应的刀具磨损评价值。其中,刀具磨损评价值是根据该映射模型得到的刀具磨损程度的评分数值,工作人员能够通过查看刀具磨损评价值,直观的了解机床主轴的刀具磨损程度,从而判断是否保持机床主轴正常工作。
进一步的,所述方法还包括以下步骤:
步骤S104,采集健康监控周期内机床主轴的位移信号,对所述位移信号进行处理分析,生成加工精度评价值。
在本发明实施例中,基于人工智能的信号采集与分析,在每个健康监控周期内,对机床主轴的位移信号进行实时性采集,并对位移信号进行处理,进行机床主轴的加工精度评价,生成加工精度评价值。
可以理解的是,机床主轴输出端的回转轨迹直接决定了加工零件的精度,因此通过捕捉机床主轴的轴心运动轨迹,能够判断机床主轴在工作工程中的加工精度。
具体的,图6示出了本发明实施例提供的方法中加工精度评价的流程图。
其中,在本发明提供的优选实施方式中,所述采集健康监控周期内机床主轴的位移信号,对所述位移信号进行处理分析,生成加工精度评价值具体包括以下步骤:
步骤S1041,采集健康监控周期内机床主轴的位移信号。
在本发明实施例中,在机床主轴上安装多个微光位移传感器,通过多个微光位移传感器,在每个不同的健康监控周期内,对机床主轴的位移信号进行实时性智能化动态采集。
步骤S1042,对所述位移信号进行处理,得到位移周期图像。
在本发明实施例中,将健康监控周期内采集的位移信号基于人工智能分析处理,生成位移周期图像。通过位移周期图像,工作人员能够直观的查看机床主轴的输出端在一个健康监控周期内的轴心运动轨迹变化。
具体的,图7示出了本发明实施例提供的方法中位移信号处理的流程图。
其中,在本发明提供的优选实施方式中,所述对所述位移信号进行处理,得到位移周期图像具体包括以下步骤:
步骤S10421,对所述位移信号进行预处理,得到位移变化数据。
在本发明实施例中,将位移信号进行滤波降噪、去除奇异点和平滑处理等预处理,将位移信号转化成一串平滑变化的位移变化数据。
步骤S10422,将所述位移变化数据进行图像化处理,生成位移周期图像。
在本发明实施例中,将位移变化数据进行图像化处理,使得位移变化数据转化成光滑的、可视的位移周期图像。
进一步的,所述采集健康监控周期内机床主轴的位移信号,对所述位移信号进行处理分析,生成加工精度评价值还包括以下步骤:
步骤S1043,将所述位移周期图像与预设的位移标准图像进行对比分析,计算位移图像差别率。
在本发明实施例中,每个健康监控周期生成不同的位移周期图像,且每个健康监控周期对应不同的位移标准图像,将一个健康监控周期的位移周期图像与相应的位移标准图像进行对比分析,计算位移周期图像与相应的位移标准图像之间的位移图像差别率。
步骤S1044,将所述位移图像差别率输出至位移图像差别率与加工精度评价值映射模型中,输出在所述位移图像差别率下,对应的加工精度评价值。
在本发明实施例中,将位移图像差别率输入至位移图像差别率与加工精度评价值映射模型中,根据该映射模型的分析处理,得到与该位移图像差别率相对应的加工精度评价值。其中,加工精度评价值是根据该映射模型得到的机床主轴加工精度的评分数值,工作人员能够通过查看加工精度评价值,直观的了解机床主轴的加工精度,进而在加工精度不满足要求时,主动停止该机床的加工作业进程。
进一步的,所述方法还包括以下步骤:
步骤S105,采集健康监控周期内机床主轴的温度信号,对所述温度信号进行处理分析,生成工作温度评价值。
在本发明实施例中,基于人工智能的信号采集与分析,在每个健康监控周期内,对机床主轴的温度信号进行实时性采集,并对温度信号进行处理,进行机床主轴的工作温度评价,生成工作温度评价值。
可以理解的是,数控机床主轴运转过程中,因主轴润滑不足、润滑油太粘稠以及主轴加工、安装等因素,都会引起主轴轴承温度升高。主轴轴承温度过高,会引起材料膨胀,导致机械间隙变小而出现噪音和机械损伤。因此需要周期性的对机床主轴的温度进行监测,判断主轴轴承温度是否处于正常水平,进而判断机床主轴的工作是否处于正常状态。
具体的,图8示出了本发明实施例提供的方法中工作温度评价的流程图。
其中,在本发明提供的优选实施方式中,所述采集健康监控周期内机床主轴的温度信号,对所述温度信号进行处理分析,生成工作温度评价值具体包括以下步骤:
步骤S1051,采集健康监控周期内机床主轴的温度信号。
在本发明实施例中,在机床主轴上安装多个温度传感器,通过多个温度传感器,在每个不同的健康监控周期内,对机床主轴的温度信号进行实时性智能化动态采集。
步骤S1052,对所述温度信号进行处理,得到温度周期图像。
在本发明实施例中,将健康监控周期内采集的温度信号基于人工智能分析处理,生成温度周期图像。通过温度周期图像,工作人员能够直观的查看机床主轴的轴承温度在一个健康监控周期内的变化。
具体的,图9示出了本发明实施例提供的方法中温度信号处理的流程图。
其中,在本发明提供的优选实施方式中,所述对所述温度信号进行处理,得到温度周期图像具体包括以下步骤:
步骤S10521,对所述温度信号进行预处理,得到温度变化数据。
在本发明实施例中,将温度信号进行滤波降噪、去除奇异点和平滑处理等预处理,将温度信号转化成一串平滑变化的温度变化数据。
步骤S10522,将所述温度变化数据进行图像化处理,生成温度周期图像。
在本发明实施例中,将温度变化数据进行图像化处理,使得温度变化数据转化成光滑的、可视的温度周期图像。
进一步的,所述采集健康监控周期内机床主轴的温度信号,对所述温度信号进行处理分析,生成工作温度评价值还包括以下步骤:
步骤S1053,将所述温度周期图像与预设的温度标准图像进行对比分析,计算温度图像差别率。
在本发明实施例中,每个健康监控周期生成不同的温度周期图像,且每个健康监控周期对应不同的温度标准图像,将一个健康监控周期的温度周期图像与相应的温度标准图像进行对比分析,计算温度周期图像与相应的温度标准图像之间的温度图像差别率。
步骤S1054,将所述温度图像差别率输出至温度图像差别率与工作温度评价值映射模型中,输出在所述温度图像差别率下,对应的工作温度评价值。
在本发明实施例中,将温度图像差别率输入至温度图像差别率与工作温度评价值映射模型中,根据该映射模型的分析处理,得到与该温度图像差别率相对应的工作温度评价值。其中,工作温度评价值是根据该映射模型得到的机床主轴轴承处的温度的评分值,工作人员能够通过查看工作温度评价值,直观的了解机床主轴轴承处的温度情况,进而在机床主轴轴承处温度不满足要求时,主动停止该机床的加工作业进程。
进一步的,所述方法还包括以下步骤:
步骤S106,根据所述机械故障评价值、所述刀具磨损评价值、所述加工精度评价值和所述工作温度评价值,生成主轴健康评价值。
在本发明实施例中,将机械故障评价值、刀具磨损评价值、加工精度评价值和工作温度评价值进行综合分析,按照一定的比例,生成主轴健康评价值。例如,对于各个评价值的满分为10分的情况下,机械故障评价值为8分,刀具磨损评价值为7分,加工精度评价值为9分,工作温度评价值为8分,按照1:1:1:1的比例,将机械故障评价值、刀具磨损评价值、加工精度评价值和工作温度评价值综合生成主轴健康评价值,此时的主轴健康评价值为8分。
进一步的,图10示出了本发明实施例提供的基于人工智能的机床主轴健康监控系统101的应用架构图。
具体的,在本发明提供的又一个优选实施方式中,一种跨境电商平台的商品配送系统101,包括:
监控周期设置单元1011,用于设置健康监控周期。
在本发明实施例中,监控周期设置单元1011对健康监控周期进行设置,健康监控周期是在机床主轴工作的过程中,对机床主轴进行健康状态评价的不同评价时间段,能够按照健康监控周期,对机床主轴进行不同时间段的不间断健康状态评价监控。
机械故障评价单元1012,用于采集健康监控周期内机床主轴的振动信号,对所述振动信号进行处理分析,生成机械故障评价值。
在本发明实施例中,机械故障评价单元1012在每个健康监控周期内,对机床主轴的振动信号进行实时性采集,并对振动信号进行处理,进行机床主轴的机械故障评价,生成机械故障评价值。
刀具磨损评价单元1013,用于采集健康监控周期内机床主轴的电流信号,对所述电流信号进行处理分析,生成刀具磨损评价值。
在本发明实施例中,刀具磨损评价单元1013在每个健康监控周期内,对机床主轴的电流信号进行实时性采集,并对电流信号进行处理,进行机床主轴的刀具磨损评价,生成刀具磨损评价值。
加工精度评价单元1014,用于采集健康监控周期内机床主轴的位移信号,对所述位移信号进行处理分析,生成加工精度评价值。
在本发明实施例中,加工精度评价单元1014在每个健康监控周期内,对机床主轴的位移信号进行实时性采集,并对位移信号进行处理,进行机床主轴的加工精度评价,生成加工精度评价值。
工作温度评价单元1015,用于采集健康监控周期内机床主轴的温度信号,对所述温度信号进行处理分析,生成工作温度评价值。
在本发明实施例中,工作温度评价单元1015在每个健康监控周期内,对机床主轴的温度信号进行实时性采集,并对温度信号进行处理,进行机床主轴的工作温度评价,生成工作温度评价值。
主轴健康评价单元1016,用于根据所述机械故障评价值、所述刀具磨损评价值、所述加工精度评价值和所述工作温度评价值,生成主轴健康评价值。
在本发明实施例中,主轴健康评价单元1016将机械故障评价值、刀具磨损评价值、加工精度评价值和工作温度评价值进行综合分析,按照一定的比例,生成主轴健康评价值。
综上所述,本发明实施例通过设置健康监控周期;采集振动信号、电流信号、位移信号和温度信号,分别生成机械故障评价值、刀具磨损评价值、加工精度评价值和工作温度评价值;根据机械故障评价值、刀具磨损评价值、加工精度评价值和工作温度评价值,生成主轴健康评价值。能够对机床主轴的振动信号、电流信号、位移信号和温度信号进行周期性采集,进而对机械故障、刀具磨损、加工精度和工作温度进行实时评价,并生成主轴健康评价值,便于工作人员能够实时查看机床主轴的健康状态,避免机床主轴在健康状态不合格时仍然保持工作,从而防止大量的加工产品报废。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
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 (10)
1.一种基于人工智能的机床主轴健康监控方法,其特征在于,所述方法具体包括以下步骤:
设置健康监控周期;
采集健康监控周期内机床主轴的振动信号,对所述振动信号进行处理分析,生成机械故障评价值;
采集健康监控周期内机床主轴的电流信号,对所述电流信号进行处理分析,生成刀具磨损评价值;
采集健康监控周期内机床主轴的位移信号,对所述位移信号进行处理分析,生成加工精度评价值;
采集健康监控周期内机床主轴的温度信号,对所述温度信号进行处理分析,生成工作温度评价值;
根据所述机械故障评价值、所述刀具磨损评价值、所述加工精度评价值和所述工作温度评价值,生成主轴健康评价值。
2.根据权利要求1所述的基于人工智能的机床主轴健康监控方法,其特征在于,所述采集健康监控周期内机床主轴的振动信号,对所述振动信号进行处理分析,生成机械故障评价值具体包括以下步骤:
采集健康监控周期内机床主轴的振动信号;
对所述振动信号进行处理,得到振动周期图像;
将所述振动周期图像与预设的振动标准图像进行对比分析,计算振动图像差别率;
将所述振动图像差别率输出至振动图像差别率与机械故障评价值映射模型中,输出在所述振动图像差别率下,对应的机械故障评价值。
3.根据权利要求2所述的基于人工智能的机床主轴健康监控方法,其特征在于,所述对所述振动信号进行处理,得到振动周期图像具体包括以下步骤:
对所述振动信号进行预处理,得到振动变化数据;
将所述振动变化数据进行图像化处理,生成振动周期图像。
4.根据权利要求1所述的基于人工智能的机床主轴健康监控方法,其特征在于,所述采集健康监控周期内机床主轴的电流信号,对所述电流信号进行处理分析,生成刀具磨损评价值具体包括以下步骤:
采集健康监控周期内机床主轴的电流信号;
对所述电流信号进行处理,得到电流周期图像;
将所述电流周期图像与预设的电流标准图像进行对比分析,计算电流图像差别率;
将所述电流图像差别率输出至电流图像差别率与刀具磨损评价值映射模型中,输出在所述电流图像差别率下,对应的刀具磨损评价值。
5.根据权利要求4所述的基于人工智能的机床主轴健康监控方法,其特征在于,所述对所述电流信号进行处理,得到电流周期图像具体包括以下步骤:
对所述电流信号进行预处理,得到电流变化数据;
将所述电流变化数据进行图像化处理,生成电流周期图像。
6.根据权利要求1所述的基于人工智能的机床主轴健康监控方法,其特征在于,所述采集健康监控周期内机床主轴的位移信号,对所述位移信号进行处理分析,生成加工精度评价值具体包括以下步骤:
采集健康监控周期内机床主轴的位移信号;
对所述位移信号进行处理,得到位移周期图像;
将所述位移周期图像与预设的位移标准图像进行对比分析,计算位移图像差别率;
将所述位移图像差别率输出至位移图像差别率与加工精度评价值映射模型中,输出在所述位移图像差别率下,对应的加工精度评价值。
7.根据权利要求6所述的基于人工智能的机床主轴健康监控方法,其特征在于,所述对所述位移信号进行处理,得到位移周期图像具体包括以下步骤:
对所述位移信号进行预处理,得到位移变化数据;
将所述位移变化数据进行图像化处理,生成位移周期图像。
8.根据权利要求1所述的基于人工智能的机床主轴健康监控方法,其特征在于,所述采集健康监控周期内机床主轴的温度信号,对所述温度信号进行处理分析,生成工作温度评价值具体包括以下步骤:
采集健康监控周期内机床主轴的温度信号;
对所述温度信号进行处理,得到温度周期图像;
将所述温度周期图像与预设的温度标准图像进行对比分析,计算温度图像差别率;
将所述温度图像差别率输出至温度图像差别率与工作温度评价值映射模型中,输出在所述温度图像差别率下,对应的工作温度评价值。
9.根据权利要求8所述的基于人工智能的机床主轴健康监控方法,其特征在于,所述对所述温度信号进行处理,得到温度周期图像具体包括以下步骤:
对所述温度信号进行预处理,得到温度变化数据;
将所述温度变化数据进行图像化处理,生成温度周期图像。
10.一种基于人工智能的机床主轴健康监控系统,其特征在于,所述系统包括监控周期设置单元、机械故障评价单元、刀具磨损评价单元、加工精度评价单元、工作温度评价单元和主轴健康评价单元,其中:
监控周期设置单元,用于设置健康监控周期;
机械故障评价单元,用于采集健康监控周期内机床主轴的振动信号,对所述振动信号进行处理分析,生成机械故障评价值;
刀具磨损评价单元,用于采集健康监控周期内机床主轴的电流信号,对所述电流信号进行处理分析,生成刀具磨损评价值;
加工精度评价单元,用于采集健康监控周期内机床主轴的位移信号,对所述位移信号进行处理分析,生成加工精度评价值;
工作温度评价单元,用于采集健康监控周期内机床主轴的温度信号,对所述温度信号进行处理分析,生成工作温度评价值;
主轴健康评价单元,用于根据所述机械故障评价值、所述刀具磨损评价值、所述加工精度评价值和所述工作温度评价值,生成主轴健康评价值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110884978.9A CN113627304A (zh) | 2021-08-03 | 2021-08-03 | 一种基于人工智能的机床主轴健康监控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110884978.9A CN113627304A (zh) | 2021-08-03 | 2021-08-03 | 一种基于人工智能的机床主轴健康监控方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627304A true CN113627304A (zh) | 2021-11-09 |
Family
ID=78382369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110884978.9A Pending CN113627304A (zh) | 2021-08-03 | 2021-08-03 | 一种基于人工智能的机床主轴健康监控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627304A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114102262A (zh) * | 2021-12-27 | 2022-03-01 | 爱派尔(常州)数控科技有限公司 | 一种机床主轴安全检测方法、系统及机床 |
CN115685879A (zh) * | 2023-01-05 | 2023-02-03 | 广东美的制冷设备有限公司 | 机床状态调整方法、装置、设备、机床、介质及程序产品 |
CN117170312A (zh) * | 2023-11-03 | 2023-12-05 | 南通钜盛数控机床有限公司 | 一种数控机床主轴健康程度量化评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105234746A (zh) * | 2015-11-25 | 2016-01-13 | 苏州多荣自动化科技有限公司 | 一种刀具磨损在线监控系统及其检测方法 |
CN105676778A (zh) * | 2016-01-15 | 2016-06-15 | 深圳吉兰丁智能科技有限公司 | 基于传感器监测的智能制造方法和系统以及加工机床 |
CN109277882A (zh) * | 2018-09-25 | 2019-01-29 | 江苏西格数据科技有限公司 | 一种机床刀具监测系统 |
CN109909804A (zh) * | 2018-12-21 | 2019-06-21 | 北京工业大学 | 基于主轴驱动电流和工步的刀具磨损破损在线监测方法 |
CN111507490A (zh) * | 2020-05-09 | 2020-08-07 | 武汉数字化设计与制造创新中心有限公司 | 基于多源数据驱动的数控机床主轴预测性维护方法及系统 |
US20200386651A1 (en) * | 2017-10-10 | 2020-12-10 | Ford Motor Company | Automatic machine health assessment system for assessing health of a machining tool |
-
2021
- 2021-08-03 CN CN202110884978.9A patent/CN113627304A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105234746A (zh) * | 2015-11-25 | 2016-01-13 | 苏州多荣自动化科技有限公司 | 一种刀具磨损在线监控系统及其检测方法 |
CN105676778A (zh) * | 2016-01-15 | 2016-06-15 | 深圳吉兰丁智能科技有限公司 | 基于传感器监测的智能制造方法和系统以及加工机床 |
US20200386651A1 (en) * | 2017-10-10 | 2020-12-10 | Ford Motor Company | Automatic machine health assessment system for assessing health of a machining tool |
CN109277882A (zh) * | 2018-09-25 | 2019-01-29 | 江苏西格数据科技有限公司 | 一种机床刀具监测系统 |
CN109909804A (zh) * | 2018-12-21 | 2019-06-21 | 北京工业大学 | 基于主轴驱动电流和工步的刀具磨损破损在线监测方法 |
CN111507490A (zh) * | 2020-05-09 | 2020-08-07 | 武汉数字化设计与制造创新中心有限公司 | 基于多源数据驱动的数控机床主轴预测性维护方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114102262A (zh) * | 2021-12-27 | 2022-03-01 | 爱派尔(常州)数控科技有限公司 | 一种机床主轴安全检测方法、系统及机床 |
CN115685879A (zh) * | 2023-01-05 | 2023-02-03 | 广东美的制冷设备有限公司 | 机床状态调整方法、装置、设备、机床、介质及程序产品 |
CN117170312A (zh) * | 2023-11-03 | 2023-12-05 | 南通钜盛数控机床有限公司 | 一种数控机床主轴健康程度量化评价方法 |
CN117170312B (zh) * | 2023-11-03 | 2024-04-12 | 南通钜盛数控机床有限公司 | 一种数控机床主轴健康程度量化评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113627304A (zh) | 一种基于人工智能的机床主轴健康监控方法和系统 | |
US10725465B2 (en) | State diagnostic device | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
CN115293629B (zh) | 一种滚动轴承零件的生产加工方法及系统 | |
CN110701137B (zh) | 一种掘进机液压系统智能在线检测诊断装置及方法 | |
TW202012905A (zh) | 刀具磨耗監控方法 | |
CN116757648B (zh) | 基于人工智能的生产制造管理系统及方法 | |
JP2019098515A (ja) | 刃具状態検査システム及び方法 | |
CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
DE102004048649A1 (de) | Verfahren zur Zustandsüberwachung und Lebensdauerprognose wenigstens eines Wälzlagers in einer wälzgelagerten Vorrichtung | |
Jain et al. | Dynamic optimization of process quality control and maintenance planning | |
Sharma et al. | Six sigma DMAIC Methodology Implementation in Automobile industry: A case study | |
Shao et al. | Gearbox vibration monitoring using extended Kalman filters and hypothesis tests | |
CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
Denkena et al. | Preload monitoring of single nut ball screws based on sensor fusion | |
Spiewak et al. | Predictive monitoring and control of the cold extrusion process | |
CN112859741A (zh) | 一种机床顺序动作单元运行可靠性评价方法及系统 | |
Noh et al. | Implementation of remote monitoring system for prediction of tool wear and failure using ART2 | |
CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
Brundage et al. | Qualifying evaluations from human operators: Integrating sensor data with natural language logs | |
Jiang et al. | A dynamic failure mode and effect analysis (FMEA) method for CNC machine tool in service | |
CN113723732A (zh) | 用于离心泵的状态判定方法及系统 | |
Wan et al. | An on-line tool wear monitoring method based on cutting power | |
Schlagenhauf et al. | Analysis of the visually detectable wear progress on ball screws | |
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 |
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 |