CN114830052A - 用于确定机器的动态特性的方法和系统 - Google Patents

Abstract

本发明涉及一种用于确定具有多个轴(12，13)的机器(11)的动态特性的方法，该方法包括以下方法步骤：a.对于每个轴(12，13)在其整个工作区域内执行测量行程；b.检测和记录与该测量行程相关联的数据；c.借助于数据处理单元(20)来确定所记录的数据或系统特性的时频表示；d.通过图像处理算法分析该时频表示或相关表示。

Description

用于确定机器的动态特性的方法和系统

技术领域

本发明涉及一种用于确定具有多个轴的机器的动态特性的方法。此外，本发明涉及一种对应的系统。

背景技术

迄今为止，用于评估机器(特别是工具机)的动态属性的测量(特别是复杂的频率测量)是对于每个轴单个地根据位置或姿势实施的。只能非常有限地实现说明轴的动态属性对单个轴位置和其他轴位置的依赖性以及对复杂因果关系的识别。

特别地，在现有技术中仅在工作空间中的几个选定位置处执行动态属性的测量。这极大地限制了关于位置依赖性的说明的有效性。如果要检查与其他轴的位置依赖性，这只能通过预先配置几个起始位置来实现。即使这样，也只允许了位置离散说明。

发明内容

本发明的目的是在整个工作空间内确定具有多个轴的机器的动态特性。

根据本发明，此目的通过一种用于确定具有至少一个轴的机器的动态特性的方法来实现，该方法包括以下方法步骤：

a.对于每个轴在其整个工作区域内执行测量行程；

b.检测和记录与该测量行程相关联的数据；

c.使用数据处理单元来确定所记录的数据的时频表示；

d.通过图像处理算法特别是在图像区域中分析该时频表示或与该时频表示相关的表示。

在工具机中，加工单元(比如夹持工具的工具夹具或激光加工头)通过驱动装置和可能连接在它们之间的机械部件(比如传动装置或龙门)沿特定的轴向方向移动，加工单元可以安装在这些机械部件上。这通常简称为轴。因此，轴向位置是指加工单元在轴向方向上的位置，该轴向方向通过相关的轴引起。轴的工作区域是加工单元可以通过相应轴在其中移动的区域。工作空间通过工具机的轴的工作区域的叠加产生。因此，工作空间是加工单元可以到达的空间区域。姿势或空间姿态是对象(例如加工单元)的位置和取向的组合。

利用本发明的方法，测量行程优选地如此实施，以至于覆盖整个工作空间。针对每个轴的测量行程是在要检查的轴的整个工作区域内执行的。特别地，可以对每个轴执行多个测量行程。

在测量行程期间可以检测和记录不同数据源的数据。举例来说，可以在机器上设置传感器作为执行测量的数据源。机器的控制器和驱动装置也可以是数据源，这些控制器和驱动装置的输入和/或输出信号可以被检测为数据。

在测量行程期间检测和记录的数据可以以时间同步的方式记录或稍后被同步。记录的持续时间可能取决于要观察的轴的轴长度。优选地为数据检测选择从要观察的系统特性的角度来看合适的短采样时间(采样定理)。根据本发明的方法对具有时间-(空间)频率分辨率的机器的动态属性的位置依赖性进行全面说明，该时间-(空间)频率分辨率仅受用于测量的进给速率和数据检测的采样频率的限制。特别地，对轴的动态属性的说明可以基于单个轴位置和其他轴的位置来进行。因此，可以实现对完整位置依赖性的全局说明。可以以自动方式识别因果关系。

对轴的测量行程可以分段执行。特别地，可以在不同的时间检测不同的区段。然而，旨在对整个轴(即轴的整个工作区域)进行检测。

该测量行程可以在辅助时间或在该机器操作时执行。在此，辅助时间是机器不执行工件加工的时间。然而，也可以设想，与生产并行地对轴的工作区域的至少一些区段进行检测，例如在轮廓之间定位期间，即当加工单元从一个加工点移动到另一个加工点时。然而，数据记录也可以设备运行中作为在线测量实现。

替代性地，可以在单独的测量程序中执行测量行程。例如，可以在机器实际启动之前或在机器的辅助时间中执行测量程序。

根据所记录的数据的时频表示可以确定系统特性(特别是通过数据处理单元)。借助于时间索引测量可以确定激励信号和输出信号的频谱。这些频谱的比率给出了系统的动态特性在频域中的表示。

特别地，时频表示的分析可以以自动方式进行。

该测量行程可以以预给定的输入信号(特别是驱动装置的输入信号)执行，该输入信号包括叠加了激励信号的预给定信号。举例来说，预给定的预给定信号可以是叠加了激励信号的恒定速度。例如，激励信号可以是白噪声的技术近似。根据要执行的测量行程或测量的类型，可以预给定特定的合适的速度曲线。对于用于评估动态属性(机械属性的诊断、或者控制设置与机械属性的相互作用)的测量类型(例如位置控制回路的参考频率特性、转速/速度控制回路的参考频率特性、转速/速度控制回路的噪声频率特性、转速/速度控制器区段、机械频率特性)，可以选择与合适的激励信号叠加的恒定速度作为输入信号。

可以通过将叠加的激励信号归零来对运动中涉及的、存在于每个轴的传动系中的部件(例如驱动装置、齿条、测量系统)进行诊断。可以用不同的进给速率(即速度)或其他合适的速度曲线(例如，速度在轴向位置上线性增加)来选择多个单次测量行程。

可以设想多级做法来检查对工作空间位置的依赖性。为了考虑动态属性对除了要检查的轴之外的轴的工作空间位置的依赖性，可以将所述轴预先定位在特定位置并且可以针对每个姿势执行测量/测量行程。因此，除了要检查的轴之外的轴可以预先定位在不同的位置，并且可以针对其他轴的每个位置执行对要检查的轴的测量行程。

可以在另一个轴移动期间对至少一个轴执行测量行程。特别地，可以将多个轴的同时运动与对要检查的轴的数据记录相结合。特别地，当多个轴同时移动时，可以通过适当叠加激励信号以及输入信号和输出信号的记录来检查其相互影响，因此也可以产生对整个系统(机器(工具机))的所有移动(机械)部件的描绘。可以设想该描绘的多种形式。可以在频域中作为频率特性来执行表征。此外，可以使用时域中的系统识别方法，例如NARMAX(带外生输入的非线性自回归滑动平均法)、子空间系统识别等。特别地，可以为线性时不变系统产生耦合矩阵。

根据本发明，当测量单个轴时，规定输入信号和输出信号被记录为轴的整个工作区域内的数据。测量的输出信号可以例如是电流(特别是由轴的驱动装置汲取的电流)、进给速率、转速(驱动装置的转速，或者如果有齿轮，则是输出的转速)、加速度等。为了检查多个轴的耦合，要记录的数据项的数量根据要检查的传递特性而增加。

可以例如通过数据检测单元来检测数据，该数据检测单元能够在整个测量(特别是测量行程)周期内以时间同步的方式记录数据。数据检测单元可以是(机器的)控制器的一部分并且可以与存储单元交互。替代性地，数据检测单元可以是外部部件，如例如IPC(工业PC)，或具有实时能力的、具有至少一个物理通信接口并且特别是具有数据存储功能的数据检测单元，该数据检测单元连接到数据源，从而可以记录数据并进行适当的存储。

可以例如通过变换来确定该时频表示，该变换特别是傅里叶变换、平方变换或Wigner-Ville分布。举例来说，可以执行短时傅里叶变换。可以将至少一个轴的时间参考转换为位置参考。可以通过图像处理算法在图像区域中对该表示进行分析或评估。这可以例如基于规定的指标来执行，例如基于单个特征的统计值，比如具有/不具有位置参考的阈值。此外，可以基于该表示本身作为在数据处理单元中被进一步处理的高相关张量来执行分析。举例来说，可以在两个矩阵中提供波特图的数据，这两个矩阵在一个矩阵中涉及幅度信息，而在另一个矩阵中涉及相位信息，这些矩阵基于位置被分别转换为归一化灰度值。因此，可以使用图像处理算法检查数据，并训练神经网络，以便用全面的方法代替以前仅具有局部有效性的系列相关检查方法。这导致诊断过程大大简化。

在分析数据时，可以考虑其他参数，比如部件的寿命和磨损以及服务干预。这种分析可以针对群体或针对每个特征的相同或相似机器的时间特性进行，这也允许以自动方式识别相关特征。群体可以是具有标称相同特性(＝马达、传动装置、机器体等)的一组系统(＝机器(工具机))。从测量中提取的“特征”可以是例如固有频率、衰减、滞后等。这些特征具有统计分布。这些分布的特性(例如平均值、标准差)可能就其本身而言与对群体的表征相关。

例如，如果来自生产线A的机器的固有频率的标准差大于来自生产线B的机器的固有频率的标准差，这表明(名义上相同的)生产过程存在差异。

图像处理算法可以包括机器学习。特别地，算法可以建立基于训练数据(即，所检测的数据)的统计模型。特别地，可以在所检测的数据中识别模式和原则。因此，也可以在完成学习过程后评估未知数据。使用人工神经网络的一种可能的应用学习变体是所谓的深度学习，其可以根据本发明来应用。这可以包括例如卷积神经网络、深度自动编码器、生成对抗网络。

特别地，可以规定，通过将该图像区域中对该表示的分析馈送到人工神经网络来训练该神经网络。

可以向该神经网络提供元数据。特别地，可以将来自其他数据源的信息(例如基于服务干预历史的数据标记(例如关于执行的动作或更换的部件的信息))馈送到神经网络。在分析期间可以考虑这些元数据，以便自动分类测量数据。因此，可以自动识别复杂的因果关系。

这些方法步骤中的至少一些可以在空间分布的系统上执行。举例来说，图像处理算法可以在机器上执行，在具有实时能力的、具有至少一个物理通信接口并且特别是具有数据存储功能的数据检测单元上执行，在计算机上或在云结构中执行。

此外，在本发明的框架内还包括一种用于确定具有多个轴的机器的动态特性的系统，该系统具有包括多个轴的机器(特别是工具机)、连接到数据检测单元的至少一个数据源、用于存储所检测的数据的数据存储单元、和被配置为确定所记录的数据的时频表示的数据处理单元、以及用于处理该时频表示的图像处理设备。数据源可以是机器内部数据源或机器外部数据源。例如，机器内部数据源能够提供电流、加速度、速度、实际位置和/或设定值。此外，机器内部数据源可以来自控制器，例如来自可编程逻辑控制器(PLC)或数字控制器(NC)。此外，轴的驱动装置可以是数据源。此外，数据源能够提供激光功率、气体压力、散射光等作为数据。

机器外部数据源可以是例如麦克风、微机电系统(MEMS)传感器或相机。数据检测单元可以是控制器的一部分。替代性地，数据检测单元可以是用于数据检测的外部部件，例如具有实时能力的、具有至少一个物理通信接口并且特别是具有数据存储功能的数据检测单元，或IPC。

该图像处理设备可以采用神经网络的形式或者可以包括神经网络。这种图像处理设备允许使用自学习图像处理算法，特别是机器学习和所谓的深度学习。此外，可以基于附加信息来分类数据，例如基于服务干预报告、备件更换等。因此可以对具有时间-(空间)频率分辨率的工具机的动态属性的位置依赖性进行全面说明，该时间-(空间)频率分辨率仅受用于测量的进给速率和数据检测的采样频率的限制。能够检测到所检查系统中的局部差异。此外，可以在比以前更短的时间内做出关于位置依赖性的全局说明。可以以自动方式识别复杂的因果关系。

本发明的进一步的特征和优点将从以下对本发明示例性实施例的详细描述、参考示出本发明重要细节的附图以及从权利要求中显而易见。这里示出的特征应被理解为不一定是按比例绘制的，并且被以使得根据本发明的特性特征可以清晰可见的方式展示。在本发明的变体中，各种特征可以在各自的情况下自己单独地实现、或者以任意期望的组合作为多个实现。

附图说明

在示意图中展示了本发明的示例性实施例，并且在下面的描述中解释了该示例性实施例。

在附图中：

图1示出了根据本发明的用于确定机器的动态特性的系统；

图2示出了数据的位置-频率表示；

图3示出了根据本发明的方法的流程图。

具体实施方式

图1示出了用于确定具有多个轴12、13的机器11的动态特性的系统10。机器11还包括数据源14、15、16，数据源14、15与轴12、13相关联。特别地，这可以是内部传感器系统。此外，数据源14、15可以是控制器。例如，可以输出的数据是电流或转速。机器11可以包括例如传感器形式的另外的数据源16。举例来说，这使得可以测量加工单元的加速度。可以另外提供外部数据源17。例如，数据源17可以采用麦克风或相机的形式。使用附加数据源(例如加速度传感器、转速传感器、麦克风、相机等)使得可以确定系统属性的特性。

从数据源14、15、16、17检测的数据被馈送到数据检测单元18。来自数据源14、15、16、17的数据可以以时间同步的方式记录；特别地，数据源14-17可以是同步的。替代性地，可以随后例如在数据检测单元18中同步数据。特别地，数据检测单元18可以被配置为在整个测量周期内以时间同步的方式记录数据。数据检测单元18可以是控制器的一部分。在所示出的示例性实施例中，其可以采用外部的具有实时能力的数据检测单元的形式，该数据检测单元具有至少一个物理通信接口并且特别是具有数据存储功能。

在数据检测期间，轴12、13或机器11在其整个工作区域内移动。可能的输入信号是系统单个轴的恒定速度(通过轴移动加工单元的预给定恒定速度)，该恒定速度与激励信号叠加。例如，输出信号(即由数据源14-17提供的数据)可以对应于电流、进给速率、转速或加速度。

为了检查多个轴12、13的耦合，要记录的数据项的数量增加。所记录的数据被存储在数据存储单元19中。在这之后，在数据处理单元20中执行数据处理或数据预处理。特别地，在此确定所记录的数据的时频表示。替代性地或另外地，机器11的系统特性可以被确定为例如在线性时不变系统的假设下的传递函数，或者被确定为使用NARMAX方法的表示。可选地，时频表示可以随后被转换为位置-频率表示。

随后在图像处理设备21中对数据进行分析。特别地，可以基于规定的指标在图像区域中对由时频变换产生的表示进行评估。例如，可以为单个特征确定统计值，比如具有和不具有位置参考的阈值。该表示本身可以作为高相关张量被进一步处理。例如，一种方法是在两个矩阵中表示波特图的信息，这两个矩阵用于基于位置将一个矩阵中的幅度信息和另一个矩阵中的相位信息分别转换为归一化灰度值。因此，可以使用现代图像处理算法、特别是使用机器学习来检查数据，并训练合适的神经网络，以便用全面的方法代替以前仅具有局部有效性的系列相关检查方法。这导致诊断过程大大简化，包括确定与检查相关的属性。

可以由另外的存储器22给图像处理设备21馈送所谓的元数据。因此，可以在数据分析中考虑另外的参数。另外的参数例如是机器的寿命、磨损、服务干预等。

图2示出了位置-频率曲线图。这是通过在y轴移动时测量机器的x轴的频率特性来确定的。颜色或灰度示出了频率特性的幅度。该表示可以作为确定x轴在任何时间和任何点的频率特性的基础。因此，不仅可以像以前那样获得逐点数据，而且通常可以在x轴的整个工作区域中确定频率特性。

图3示出了根据本发明的方法的流程图。在步骤100中，对于每个轴在其整个工作区域内执行至少一个测量行程。

在步骤101中，检测和记录与测量行程相关联的数据。在步骤102中，使用数据处理单元来确定所记录的数据的时频表示。在步骤103中，通过图像处理算法来分析该时频表示或相关表示，例如位置-频率表示。

Claims (15)

1.一种用于确定具有至少一个轴(12，13)的机器(11)的动态特性的方法，该方法包括以下方法步骤：

a.对于每个轴(12，13)在其整个工作区域内执行测量行程；

b.检测和记录与该测量行程相关联的数据；

c.借助于数据处理单元(20)来确定所记录的数据的时频表示；

d.借助于图像处理算法分析该时频表示或与其相关的表示。

2.如权利要求1所述的方法，其特征在于，对轴(12，13)的测量行程分段执行。

3.如前述权利要求中任一项所述的方法，其特征在于，该测量行程在辅助时间或在该机器(11)运行时执行。

4.如前述权利要求之一所述的方法，其特征在于，该测量行程以预给定的输入信号执行，其中该输入信号包括与激励信号叠加的预给定信号。

5.如前述权利要求之一所述的方法，其特征在于，对至少一个轴(12，13)以不同的输入信号执行多个测量行程。

6.如前述权利要求之一所述的方法，其特征在于，在另一个轴运动期间对至少一个轴(12，13)执行测量行程。

7.如前述权利要求之一所述的方法，其特征在于，另一个轴(12、13)被预先定位在不同的位置，并且对于该另一个轴(12，13)的每个位置执行测量行程。

8.如前述权利要求之一所述的方法，其特征在于，借助于变换、特别是傅里叶变换、平方变换或Wigner-Ville分布来确定该时频表示。

9.如前述权利要求之一所述的方法，其特征在于，对至少一个轴(12，13)将时间参考换算为位置参考。

10.如前述权利要求之一所述的方法，其特征在于，借助于图像处理算法在图像区域中对该表示进行评估。

11.如前述权利要求之一所述的方法，其特征在于，通过将在图像区域中对该表示的分析馈送到人工神经网络来训练该神经网络。

12.如前述权利要求之一所述的方法，其特征在于，向神经网络提供元数据。

13.如前述权利要求之一所述的方法，其特征在于，所述方法步骤中的至少一些在空间分布的系统上执行。

14.一种用于确定具有多个轴(12，13)的机器(11)的动态特性的系统(10)，该系统具有包括所述多个轴(12，13)的机器(11)、连接到数据检测单元(18)的至少一个数据源(14-17)、用于存储所检测的数据的数据存储单元(19)和被设置为确定所记录的数据的时频表示的数据处理单元(20)以及用于处理该时频表示的图像处理设备(21)。

15.如权利要求14所述的系统，其特征在于，该图像处理设备(21)构造为神经网络或包括神经网络。

Images