CN114693143A - 一种数控机床的健康状态评价方法、系统、设备和介质 - Google Patents

一种数控机床的健康状态评价方法、系统、设备和介质 Download PDF

Info

Publication number
CN114693143A
CN114693143A CN202210360383.8A CN202210360383A CN114693143A CN 114693143 A CN114693143 A CN 114693143A CN 202210360383 A CN202210360383 A CN 202210360383A CN 114693143 A CN114693143 A CN 114693143A
Authority
CN
China
Prior art keywords
machine tool
numerical control
preset
data
likelihood probability
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
Application number
CN202210360383.8A
Other languages
English (en)
Other versions
CN114693143B (zh
Inventor
赵永胜
蒙杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202210360383.8A priority Critical patent/CN114693143B/zh
Publication of CN114693143A publication Critical patent/CN114693143A/zh
Application granted granted Critical
Publication of CN114693143B publication Critical patent/CN114693143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Numerical Control (AREA)

Abstract

本发明涉及一种数控机床的健康状态评价方法、系统、设备和介质，包括：基于预先得到的各训练样本数据集对健康状态分析模型的模型参数进行训练并计算对应的似然概率，将训练后的各组模型参数组成表征机床不同预设工况状态的预设模型参数合集，将各似然概率组成预设似然概率合集；基于得到的预设模型参数合集和预设似然概率合集，对当前数控机床的健康状态进行评价。本发明利用数控机床的历史监测数据构建多维数据向量，通过计算健康度对数控机床的健康状态进行评价，无需增加机床传感器数量，使模型具有更广泛的实用性，降低计算复杂度，实现准确、快速和实时的健康度评价，可以广泛应用于数控机床的健康状态监测领域。

Description

一种数控机床的健康状态评价方法、系统、设备和介质
技术领域
本发明属于数控机床的健康状态监测领域，具体涉及一种数控机床的健康状态评价方法、系统、设备和介质。
背景技术
数控机床作为现代工业的重要设备，其性能和可靠性至关重要。为了保证数控机床的使用寿命和生产效率，需要对数控机床进行合理的维护。当前的数控机床维护大多采用定期维护和事后维护，这种维护方式会使生产过程的效率降低，生产成本增加。所以对数控机床的健康状态进行准确的监测，及时对数控机床的故障状态进行预警是提高生产效率重要方法。
现代数控机床的自身具有内置传感器，数控系统能够实时监测数控机床的主轴、电机和刀具等部件的信息。数控系统的自诊断系统具有一定的诊断功能，但是诊断功能主要为电气系统故障和数控系统故障，对于数控机床的机械部件的健康状态没有准确评估。而且数控机床的种类繁多，运行工况不同，现有诊断系统无法建立个性化的健康状态评估方法。
发明内容
针对上述问题，本发明的目的是提供一种数控机床的健康状态评价方法、系统、设备和介质，利用工业网络对数控机床的运行数据进行监测，并使用监测历史数据训练健康度评价模型，充分利用历史数据中机床的个性化状态特征,实现准确、快速、准确和实时的健康度评价，并根据设定的阈值进行健康状态预警，以此预防数控机床的故障并实现预测性维修。
为实现上述目的，本发明采取以下技术方案：
第一方面，本发明提供一种数控机床的健康状态评价方法，包括以下步骤：
基于预先得到的各训练样本数据集对健康状态分析模型的模型参数进行训练并计算对应的似然概率，将训练后的各组模型参数组成表征机床不同预设工况状态的预设模型参数合集，将各似然概率组成预设似然概率合集；
基于得到的预设模型参数合集和预设似然概率合集，对当前数控机床的健康状态进行评价。
进一步，所述各训练样本数据集的获得方法，包括：
采用预设协议对数控机床的数控系统中的原始运行数据进行采集，采集的数据类型包括数控机床的状态数据以及状态数据对应的标签信息；
对采集的原始运行数据进行数据分析；
确定个性化状态特征数据向量，并基于数据分析后的运行数据，建立若干种预设工况状态对应的训练样本数据集。
进一步，所述数据向量由数控机床的状态数据确定，包括电流、负载、转速和平均温度。
进一步，所述健康状态分析模型采用隐式马尔科夫模型，得到预设模型参数合集和似然概率合集的方法，包括：
①基于其中一个训练样本数据集对隐式马尔科夫模型进行训练，得到模型参数；
②基于模型参数计算似然概率；
③重复步骤①～②，采用其他训练样本数据集对隐式马尔科夫模型进行训练，并将所有模型参数以及似然概率分别进行组合，得到预设模型参数合集和预设似然概率合集。
进一步，所述对当前数控机床的健康状态进行评价的方法，包括以下步骤：
针对实时采集的当前数控机床的状态数据组成待测数据向量，利用得到的预设模型参数合集对待测数据向量计算似然概率，得到似然概率合集；
基于似然概率合集和预设似然概率合集计算待测数据向量与所有预设工况状态之间的差异度，根据差异度计算健康度，并判断当前数控机床的健康状态。
进一步，所述计算差异度和健康度，并判断当前数控机床的健康状态的方法为：
基于似然概率合集，计算待测数据向量与不同预设工况状态之间的差异度；
根据待测数据向量与所有预设工况状态之间的差异度，得到待测数据向量所属的状态序号，并计算其健康度；
根据计算得到的健康度以及预设健康度阈值，得到当前数控机床的健康状态。
第二方面，本发明提供一种数控机床的健康状态评价系统，包括：
数据采集模块，用于基于采集的数控机床的历史运行数据得到若干种预设工况状态对应的训练样本数据集；
模型训练模块，用于基于各训练样本数据集对健康状态分析模型的模型参数进行训练并计算对应的似然概率，将训练后的各组模型参数组成表征机床不同预设工况状态的预设模型参数合集，将各似然概率组成预设似然概率合集；
健康状态评价模块，用于基于得到的预设模型参数合集和预设似然概率合集，对当前数控机床的健康状态进行评价。
进一步，所述健康状态评价模块包括：
似然概率计算模块，用于针对实时采集的当前数控机床的状态数据组成待测数据向量，利用得到的预设模型参数合集对待测数据向量计算似然概率，得到似然概率合集；
判断模块，用于基于似然概率合集和预设似然概率合集计算待测数据向量与所有预设工况状态之间的差异度，根据差异度计算健康度，并判断当前数控机床的健康状态。
第三方面，本发明提供一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行以实现所述数控机床的健康状态评价方法的步骤。
第四方面，本发明提供一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述数控机床的健康状态评价方法的步骤。
本发明由于采取以上技术方案，其具有以下优点：
本发明对数控机床进行实时健康状态监测，根据历史数据建立机床健康状态评价模型，并使用健康状态评价模型实时计算机床当前的健康度。使用数控系统中监测的电流、负载、转速和温度数据建立的4维数据向量计算机床健康度，能够全面的反映机床各轴的运行状态，通过健康状态评价模型实现准确、快速、准确和实时的健康度评价，并根据设定的健康度阈值为机床提供预警，实现机床的预测性维护，避免机床运行过程发生严重故障。因此，本发明可以广泛应用于数控机床的健康状态监测领域。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1为本发明实施例中的数控机床的健康状态评价方法流程示意图；
图2为本发明实施例中的数据向量组成。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
数控机床的运行过程中积累了大量历史监测数据，历史数据中蕴含着丰富的机床运行规律和健康状态信息。通过分析历史数据中的特征，使用机器学习技术建立健康状态分析模型，对数控机床的健康状态进行分析，从而通过监测数控机床的实时运行数据实现对机床健康状态的评估。
本发明的一些实施例中，提供一种数控机床的健康状态评价方法，包括：基于预先得到的各训练样本数据集对健康状态分析模型的模型参数进行训练并计算对应的似然概率，将训练后的各组模型参数组成表征机床不同预设工况状态的预设模型参数合集，将各似然概率组成预设似然概率合集；基于得到的预设模型参数合集和预设似然概率合集，对当前数控机床的健康状态进行评价。本发明利用数控机床的历史监测数据构建多维数据向量型，通过健康评价方法计算健康度，无需增加机床传感器数量，使模型具有更广泛的实用性，降低计算复杂度，实现准确、快速、准确和实时的健康度评价，可以广泛应用于数控机床的健康状态监测领域。
与之相对应地，本发明的另一些实施例中提供一种数控机床的健康状态评价系统、设备和介质。
实施例1
如图1所示，本实施例提供一种数控机床的健康状态评价方法，其包括以下步骤：
1)基于采集的数控机床的历史运行数据得到若干种预设工况状态对应的训练样本数据集；
2)基于各训练样本数据集对健康状态分析模型的模型参数进行训练并计算对应的似然概率，将训练后的各组模型参数组成表征机床不同预设工况状态的预设模型参数合集θall，将各似然概率组成预设似然概率合集P0；
3)基于得到的预设模型参数合集θall和预设似然概率合集P0，对当前数控机床的健康状态进行评价。
优选地，上述步骤1)中，基于采集的数控机床的历史运行数据得到若干种预设工况状态对应的训练样本数据集的方法，包括以下步骤：
1.1)采用预设协议对数控机床的数控系统中的原始运行数据进行采集，采集的数据类型包括数控机床的状态数据以及状态数据对应的标签信息。
其中，数控机床的状态数据包括电流、负载、温度和转速；状态数据对应的标签信息包括运行时间、加工程序、刀具信息和机床编号等，用于记录数据的来源。
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。
1.2)对采集的原始运行数据进行数据分析，主要包括归一化、剔除异常值和健康状态分析等。
1.3)确定个性化状态特征数据向量，并基于数据分析后的运行数据，建立M种预设工况状态对应的训练样本数据集X＝{X1,…,Xi,…,XM}。
如图2所示，本实施例中，根据数控机床的运行状态确定个性化状态特征数据向量，即Xi＝(xI,xl,xn,xT)，其中，xI为电流，xl为负载，xn为转速，xT为平均温度。预设训练样本数据集是将数控机床的历史运行数据按照机床编号、运行时间、工况、加工程序和刀具信息等不同工况进行分类后产生的M种数据合集，M为预设的工况状态数据的种类的数量。
优选地，上述步骤1.1)中，对数控机床的数控系统中的原始运行数据进行采集时，根据不同数据采集类型设置不同的预设采集频率，且预设采集频率能够由用户根据实际需要更改。例如温度数据的预设采集频率为0.1Hz，电流数据预设采集频率为1Hz。
优选地，上述步骤2)中，本实施例中的健康状态分析模型采用隐式马尔科夫模型，得到预设模型参数合集和似然概率合集的方法包括以下步骤：
2.1)基于其中一个训练样本数据集对隐式马尔科夫模型进行训练，得到模型参数θ＝{π,A,φ}，其中，π为初始概率分布，A为状态转移矩阵，φ为发射概率分布，且发射概率分布φ采用高斯分布，高斯分布的均值μk和方差Σk的计算公式为：
Figure BDA0003584858160000051
Figure BDA0003584858160000052
式中，xn为样本Xi的第n个序列的取值，γ(znk)为第n个序列的隐含状态为k的概率，N为样本包含的序列总数。
2.2)基于模型参数θ计算似然概率p,利用隐式马尔科夫模型的前后向算法，计算模型参数为θ时观测到样本Xi的似然概率p＝p(Xi|θ)。
2.3)重复步骤2.1)～2.2)，采用其他训练样本数据集对隐式马尔科夫模型进行训练，并将所有模型参数以及似然概率分别进行组合，得到预设模型参数合集θall＝{θ1,θ2,…,θM}和预设似然概率合集P0＝{p1,p2,…,pM}，其中，θ1,θ2,…,θM分别为M个训练样本数据集训练得到的模型参数；p1,p2,…,pM分别为M个训练样本数据集训练得到的模型参数计算得到的似然概率。
优选地，上述步骤3)中，对当前数控机床的健康状态进行评价的方法，包括以下步骤：
3.1)针对实时采集的当前数控机床的状态数据组成待测数据向量，利用得到的预设模型参数合集θall对待测数据向量计算似然概率，得到似然概率合集P；
3.2)基于似然概率合集P和预设似然概率合集P0计算待测数据向量与所有预设工况状态之间的差异度，根据差异度计算健康度，并判断当前数控机床的健康状态。
优选地，上述步骤3.1)中，利用预设模型参数合集θall对待测数据向量计算似然概率，得到的似然概率合集P为：
P＝{p(Xt|θ1),p(Xt|θ2),…,p(Xt|θM)}
式中，Xt为待测数据向量，由实时采集的当前数控机床的状态数据得到。
优选地，上述步骤3.2)中，计算差异度和健康度，并判断当前数控机床的健康状态的方法为：
3.2.1)基于似然概率合集P，计算待测数据向量Xt与不同预设工况状态之间的差异度。
其中，待测样本Xt与不同预设状态之间的差异度由如下公式计算：
d(Xt,m)＝|lnp(Xt|θm)-lnpm|
式中，d(Xt,m)为待测数据向量Xt与第m个预设工况状态的之间的差异度；p(Xt|θm)为待测数据向量Xt的似然概率合集P的第m个似然概率；pm为预设似然概率合集P0的第m个预设似然概率。
3.2.2)根据待测数据向量Xt与所有预设工况状态之间的差异度，得到待测数据向量Xt所属的状态序号，并计算其健康度。
其中，本实施例中，将最小差异度对应的预设工况状态作为待测数据向量Xt的状态，并计算待测数据向量Xt的状态序号，计算公式为：
Figure BDA0003584858160000061
式中，k为预设工况状态中与待测数据向量Xt之间差异度最小的状态的序号。
由最小差异度d(Xt,k)计算待测数据向量Xt的健康度，计算公式如下：
Figure BDA0003584858160000062
式中：μm为待测数据向量Xt的健康度，其值范围在0-1之间；c为常数，本实施例中设定为0.001。
3.2.3)根据计算得到的健康度以及预设健康度阈值，得到当前数控机床的健康状态。
本实施例中，设定r＝0.5为健康度阈值，当μm＞r时进行预警，并且r的值可以根据用户需要进行调整。
实施例2
上述实施例1提供了一种数控机床的健康状态评价方法，与之相对应地，本实施例提供一种数控机床的健康状态评价系统。本实施例提供的系统可以实施实施例1的数控机床的健康状态评价方法，该系统可以通过软件、硬件或软硬结合的方式来实现。例如，该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例1的部分说明即可，本实施例提供的系统的实施例仅仅是示意性的。
本实施例提供的一种数控机床的健康状态评价系统，包括：
数据采集模块，用于基于采集的数控机床的历史运行数据得到若干种预设工况状态对应的训练样本数据集；
模型训练模块，用于基于各训练样本数据集对健康状态分析模型的模型参数进行训练并计算对应的似然概率，将训练后的各组模型参数组成表征机床不同预设工况状态的预设模型参数合集θall，将各似然概率组成预设似然概率合集P0；
健康状态评价模块，用于基于得到的预设模型参数合集θall和预设似然概率合集P0，对当前数控机床的健康状态进行评价。
实施例3
本实施例提供一种与本实施例1所提供的数控机床的健康状态评价方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的数控机床的健康状态评价方法。
在一些实施例中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实施例中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例4
本实施例1的数控机床的健康状态评价方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的数控机床的健康状态评价方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种数控机床的健康状态评价方法，其特征在于，包括以下步骤：
基于预先得到的各训练样本数据集对健康状态分析模型的模型参数进行训练并计算对应的似然概率，将训练后的各组模型参数组成表征机床不同预设工况状态的预设模型参数合集，将各似然概率组成预设似然概率合集；
基于得到的预设模型参数合集和预设似然概率合集，对当前数控机床的健康状态进行评价。
2.如权利要求1所述的一种数控机床的健康状态评价方法，其特征在于，所述各训练样本数据集的获得方法，包括：
采用预设协议对数控机床的数控系统中的原始运行数据进行采集，采集的数据类型包括数控机床的状态数据以及状态数据对应的标签信息；
对采集的原始运行数据进行数据分析；
确定个性化状态特征数据向量，并基于数据分析后的运行数据，建立若干种预设工况状态对应的训练样本数据集。
3.如权利要求2所述的一种数控机床的健康状态评价方法，其特征在于，所述数据向量由数控机床的状态数据确定，包括电流、负载、转速和平均温度。
4.如权利要求1所述的一种数控机床的健康状态评价方法，其特征在于，所述健康状态分析模型采用隐式马尔科夫模型，对其训练得到预设模型参数合集和似然概率合集的方法，包括：
①基于其中一个训练样本数据集对隐式马尔科夫模型进行训练，得到模型参数；
②基于模型参数计算似然概率；
③重复步骤①～②，采用其他训练样本数据集对隐式马尔科夫模型进行训练，并将所有模型参数以及似然概率分别进行组合，得到预设模型参数合集和预设似然概率合集。
5.如权利要求1所述的一种数控机床的健康状态评价方法，其特征在于，所述对当前数控机床的健康状态进行评价的方法，包括以下步骤：
针对实时采集的当前数控机床的状态数据组成待测数据向量，利用得到的预设模型参数合集对待测数据向量计算似然概率，得到似然概率合集；
基于似然概率合集和预设似然概率合集计算待测数据向量与所有预设工况状态之间的差异度，根据差异度计算健康度，并判断当前数控机床的健康状态。
6.如权利要求5所述的一种数控机床的健康状态评价方法，其特征在于，所述计算差异度和健康度，并判断当前数控机床的健康状态的方法为：
基于似然概率合集，计算待测数据向量与不同预设工况状态之间的差异度；
根据待测数据向量与所有预设工况状态之间的差异度，得到待测数据向量所属的状态序号，并计算其健康度；
根据计算得到的健康度以及预设健康度阈值，得到当前数控机床的健康状态。
7.一种数控机床的健康状态评价系统，其特征在于，包括：
数据采集模块，用于基于采集的数控机床的历史运行数据得到若干种预设工况状态对应的训练样本数据集；
模型训练模块，用于基于各训练样本数据集对健康状态分析模型的模型参数进行训练并计算对应的似然概率，将训练后的各组模型参数组成表征机床不同预设工况状态的预设模型参数合集，将各似然概率组成预设似然概率合集；
健康状态评价模块，用于基于得到的预设模型参数合集和预设似然概率合集，对当前数控机床的健康状态进行评价。
8.如权利要求7所述的一种数控机床的健康状态评价系统，其特征在于，所述健康状态评价模块包括：
似然概率计算模块，用于针对实时采集的当前数控机床的状态数据组成待测数据向量，利用得到的预设模型参数合集对待测数据向量计算似然概率，得到似然概率合集；
判断模块，用于基于似然概率合集和预设似然概率合集计算待测数据向量与所有预设工况状态之间的差异度，根据差异度计算健康度，并判断当前数控机床的健康状态。
9.一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现权利要求1到6任一项所述数控机床的健康状态评价方法的步骤。
10.一种计算机存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现根据权利要求1到6任一项所述数控机床的健康状态评价方法的步骤。
CN202210360383.8A 2022-04-07 2022-04-07 一种数控机床的健康状态评价方法、系统、设备和介质 Active CN114693143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210360383.8A CN114693143B (zh) 2022-04-07 2022-04-07 一种数控机床的健康状态评价方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210360383.8A CN114693143B (zh) 2022-04-07 2022-04-07 一种数控机床的健康状态评价方法、系统、设备和介质

Publications (2)

Publication Number Publication Date
CN114693143A true CN114693143A (zh) 2022-07-01
CN114693143B CN114693143B (zh) 2024-08-13

Family

ID=82143385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210360383.8A Active CN114693143B (zh) 2022-04-07 2022-04-07 一种数控机床的健康状态评价方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN114693143B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520651A (zh) * 2009-03-03 2009-09-02 华中科技大学 一种基于隐马尔科夫链的数控装备可靠性分析方法
CN102284888A (zh) * 2011-02-25 2011-12-21 华中科技大学 一种数控机床车削稳定性在线监测方法
CN103034170A (zh) * 2012-11-27 2013-04-10 华中科技大学 一种基于区间的数控机床性能预测方法
CN111931838A (zh) * 2020-08-01 2020-11-13 南京星合精密智能制造研究院有限公司 一种基于深度学习算法的机床导轨健康状态识别方法
CN113902334A (zh) * 2021-10-28 2022-01-07 上海众源网络有限公司 一种事件异常波动检测方法、系统、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520651A (zh) * 2009-03-03 2009-09-02 华中科技大学 一种基于隐马尔科夫链的数控装备可靠性分析方法
CN102284888A (zh) * 2011-02-25 2011-12-21 华中科技大学 一种数控机床车削稳定性在线监测方法
CN103034170A (zh) * 2012-11-27 2013-04-10 华中科技大学 一种基于区间的数控机床性能预测方法
CN111931838A (zh) * 2020-08-01 2020-11-13 南京星合精密智能制造研究院有限公司 一种基于深度学习算法的机床导轨健康状态识别方法
CN113902334A (zh) * 2021-10-28 2022-01-07 上海众源网络有限公司 一种事件异常波动检测方法、系统、电子设备及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JIANBO YU: "Health Condition Monitoring of Machines Based on Hidden Markov Model and Contribution Analysis", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 61, no. 8, 31 December 2012 (2012-12-31), pages 2200 - 2211, XP011451025, DOI: 10.1109/TIM.2012.2184015 *
YAO XIONG ET AL,: "Reliability assessment of heavy-duty computer numerical control machine tools based on multi- performance multi-sequence hidden Markov model", 《QUALITY ENGINEERING》, 19 May 2020 (2020-05-19), pages 1 - 12 *
于宁等: "基于HSMM的机械故障演化预测诊断研究", 《组合机床与自动化加工技术》, no. 01, 20 January 2018 (2018-01-20), pages 56 - 59 *
冯成均: "基于隐马尔可夫的机床健康状态评估与预测", 《研究与探索》, no. 12, 15 December 2018 (2018-12-15), pages 126 - 127 *
王小岑等: "广义隐马尔科夫模型在轴承温升预测中的应用", 《机械与电子》, no. 06, 24 June 2013 (2013-06-24), pages 55 - 56 *
邓超等: "基于隐Markov模型的重型数控机床健康状态评估", 《计算机集成制造系统》, no. 03, 15 March 2013 (2013-03-15), pages 553 - 558 *

Also Published As

Publication number Publication date
CN114693143B (zh) 2024-08-13

Similar Documents

Publication Publication Date Title
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
US7308385B2 (en) Diagnostic systems and methods for predictive condition monitoring
EP3719601A1 (en) Abnormality determination system, motor control device, and abnormality determination device
US11468274B2 (en) Data driven method for automated detection of anomalous work pieces during a production process
CN113569903A (zh) 数控机床刀具磨损预测方法、系统、设备、介质、终端
CN113579851B (zh) 一种基于自适应分段pca的非平稳钻削过程监测方法
CN111538311B (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
US12007745B2 (en) Apparatus for predicting equipment damage
CN112414694A (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN114800040A (zh) 工艺-状态数据关联的刀具磨损监测方法及系统
Joung et al. Development and application of a method for real time motor fault detection
CN117961643A (zh) 一种基于多轴电流信号的数控机床在线故障监测方法
CN114326593B (zh) 一种刀具寿命预测系统及方法
CN115307943A (zh) 一种旋转机械设备多工况运行状态异常检测方法及系统
CN112859741A (zh) 一种机床顺序动作单元运行可靠性评价方法及系统
CN114693143B (zh) 一种数控机床的健康状态评价方法、系统、设备和介质
CN113447813B (zh) 海上风力发电机组的故障诊断方法及设备
CN112621381B (zh) 机床进给系统健康状态智能评估方法及装置
CN111993158B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN110543908B (zh) 一种基于动态观测窗口的控制图模式识别方法
CN116086537B (zh) 一种设备状态监测方法、装置、设备及存储介质
CN115438452B (zh) 一种时序网络信号的可靠性传输检测方法
Beckschulte et al. Benchmarking Control Charts and Machine Learning Methods for Fault Prediction in Manufacturing
CN118246905B (zh) 一种基于数据分析的小分子检测设备维护管理系统

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