CN114918739B - 一种机床主轴故障检测方法、装置、终端及存储介质 - Google Patents
一种机床主轴故障检测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114918739B CN114918739B CN202210655258.XA CN202210655258A CN114918739B CN 114918739 B CN114918739 B CN 114918739B CN 202210655258 A CN202210655258 A CN 202210655258A CN 114918739 B CN114918739 B CN 114918739B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- frequency
- node
- track data
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 75
- 238000005520 cutting process Methods 0.000 claims description 45
- 230000008859 change Effects 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 31
- 230000033001 locomotion Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 238000003754 machining Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000007689 inspection Methods 0.000 abstract description 6
- 239000000306 component Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/22—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring existing or desired position of tool 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
- B23Q17/22—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring existing or desired position of tool or work
- B23Q17/2233—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring existing or desired position of tool or work for adjusting the tool relative to the workpiece
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种机床主轴故障检测方法、装置、终端及存储介质。本发明通过对刀具的运行轨迹和主轴的电流信号进行联合监测，可以及时发现主轴异常的情况，提高了主轴故障判断的准确率。解决了现有技术中通过监测主轴运行数据来判断主轴是否异常，容易产生较高的误报率，导致维修人员无效检查的问题。
Description
技术领域
本发明涉及信号处理领域，尤其涉及的是一种机床主轴故障检测方法、装置、终端及存储介质。
背景技术
主轴是数控机床的重要核心部件，它支撑并带动工件或刀具完成表面成形运动，同时还起着传递运动和扭矩，承受切削力和驱动力等载荷的作用。因此主轴运行的稳定性在数控机床中占据着重要作用。在高速、高加速度和大载荷等工况下，振动冲击等因素常常会对机床主轴产生重大影响，并易导致轴承齿轮等部件发生故障。现有技术中通过采集主轴相关的运行数据，当运行数据超过预设的运行阈值时通知维修人员对主轴进行故障检测。这种方法虽然操作简单，但是也容易产生较高的误报率，导致维修人员无效检查。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种机床主轴故障检测方法、装置、终端及存储介质，旨在解决现有技术中通过监测主轴运行数据来判断主轴是否异常，容易产生较高的误报率，导致维修人员无效检查的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种机床主轴故障检测方法，其中，所述方法包括：
获取目标刀具对应的实际轨迹数据和标准轨迹数据；
根据所述实际轨迹数据和所述标准轨迹数据判断所述目标刀具对应的轨迹状态；
当所述轨迹状态为偏离状态时，获取目标主轴对应的实际电流信号，其中，所述目标刀具与所述目标主轴联结；
对所述实际电流信号进行小波变换，得到所述目标主轴对应的时频图像；
根据所述时频图像确定异常时间点的数量，其中，每一所述异常时间点对应的频率值与该异常时间点对应的参考频率值之间的差值大于第一阈值，所述参考频率值基于与该异常时间点相邻的两个时间点分别对应的频率值确定；
当所述异常时间点的数量大于第二阈值时，对所述目标主轴进行故障检测。
在一种实施方式中，所述获取目标刀具对应的实际轨迹数据，包括：
获取所述目标刀具对应的切削数据和定位数据；
获取所述目标刀具对应的加工工件的结构变化数据，其中，所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生；
根据所述切削数据确定所述目标刀具对应的切削速度、切削时长以及切削方向变化数据，根据所述切削速度、所述切削时长以及所述切削方向变化数据确定所述目标刀具对应的刀具加工轨迹数据；
根据所述定位数据确定所述目标刀具对应的位置变化数据，根据所述位置变化数据确定所述目标刀具对应的刀具移动轨迹数据；
根据所述结构变化数据，确定所述目标刀具对应的刀位点移动轨迹数据；
对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合，得到所述实际轨迹数据。
在一种实施方式中，所述对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合，得到所述实际轨迹数据，包括：
获取所述目标刀具对应的进给量；
根据所述进给量确定所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的轨迹序列，其中，每一所述轨迹序列包括若干节点，除最后一个所述节点以外相邻两个所述节点对应的节点距离与所述进给量相等；
根据所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的所述轨迹序列，确定所述实际轨迹数据，其中，所述实际轨迹数据包括若干融合节点，每一所述融合节点的坐标基于三个所述节点的坐标确定，三个所述节点分别对应不同所述轨迹序列中的同一节点顺序位。
在一种实施方式中，每一所述融合节点对应的三个所述节点为第一节点、第二节点以及第三节点，其中，所述第一节点对应所述刀具加工轨迹数据，所述第二节点对应所述刀具移动轨迹数据，所述第三节点对应所述刀位点移动轨迹数据，每一所述融合节点的坐标的确定方法，包括：
根据所述第一节点和所述第三节点分别对应的坐标，确定矩形参考区域，其中，所述第一节点和所述第三节点分别位于所述矩形参考区域的对角线的两个端点；
判断所述第二节点是否位于所述矩形参考区域；
当所述第二节点位于所述矩形参考区域之内时，根据所述第二节点对应的坐标确定该融合节点对应的坐标；
当所述第二节点位于所述矩形参考区域之外时，根据校正节点对应的坐标确定该融合节点对应的坐标，其中，所述校正节点为所述矩形参考区域内与所述第二节点距离最近的坐标点。
在一种实施方式中，所述标准轨迹数据包括若干标准节点，其中，若干所述标准节点和若干所述融合节点一一对应，所述根据所述实际轨迹数据和所述标准轨迹数据判断所述目标刀具对应的轨迹状态，包括：
确定所述实际轨迹数据中各所述融合节点分别对应的注意力权重；
根据所述标准轨迹数据、所述实际轨迹数据以及各所述融合节点分别对应的所述注意力权重，确定各所述融合节点分别对应的偏差值，其中，每一所述融合节点对应的所述偏差值基于该融合节点对应的坐标偏差值和所述注意力权重的乘积确定，所述坐标偏差值用于反映该融合节点与该融合节点对应的标准节点之间的坐标差距；
根据各所述融合节点分别对应的偏差值，确定所述实际轨迹数据对应的整体偏差值；
当所述整体偏差值大于第三阈值时，判断所述轨迹状态为偏离状态。
在一种实施方式中，所述对所述目标主轴进行故障检测，包括：
获取所述实际电流信号对应的频域图像；
获取所述目标主轴对应的标准频域图像，其中，所述标准频域图像基于所述目标主轴对应的标准电流信号确定；
将所述频域图像和所述标准频域图像输入状态预测模型，得到所述目标主轴对应的运行状态。
在一种实施方式中，所述频域图像包括若干频率区间，所述标准频域图像包括若干标准频率区间，其中，若干所述频率区间分别对应不同的频率等级，若干所述频率区间与若干所述标准频率区间一一对应，所述将所述频域图像和所述标准频域图像输入状态预测模型，得到所述目标主轴对应的运行状态，包括：
将所述频域图像和所述标准频域图像输入状态预测模型，通过所述状态预测模型确定若干所述频率区间分别对应的频率分布偏差值，其中，每一所述频率区间对应的频率分布偏差值用于反映该频率区间与对应的标准区间之间的频率分布差距；
获取若干所述频率区间分别对应的区间权重，其中，每一所述频率区间对应的区间权重基于该频率区间的区间大小和所述频率等级确定；
根据若干所述频率区间分别对应的所述频率分布偏差值和所述区间大小，确定所述频域图像对应的整体频率分布偏差值；
获取预设的频率分布偏差阈值，当所述整体频率分布偏差值大于所述频率分布偏差阈值时，输出所述目标主轴对应的运行状态为故障状态。
第二方面，本发明实施例还提供一种机床主轴故障检测装置，其中，所述装置包括：
轨迹监测模块，用于获取目标刀具对应的实际轨迹数据和标准轨迹数据；
根据所述实际轨迹数据和所述标准轨迹数据判断所述目标刀具对应的轨迹状态；
电流监测模块，用于当所述轨迹状态为偏离状态时，获取目标主轴对应的实际电流信号，其中，所述目标刀具与所述目标主轴联结；
对所述实际电流信号进行小波变换，得到所述目标主轴对应的时频图像；
根据所述时频图像确定异常时间点的数量，其中，每一所述异常时间点对应的频率值与该异常时间点对应的参考频率值之间的差值大于第一阈值，所述参考频率值基于与该异常时间点相邻的两个时间点分别对应的频率值确定；
故障检测模块，用于当所述异常时间点的数量大于第二阈值时，对所述目标主轴进行故障检测。
第三方面，本发明实施例还提供一种终端，其中，所述终端包括有存储器和一个或者一个以上处理器；所述存储器存储有一个或者一个以上的程序；所述程序包含用于执行如上述任一所述的机床主轴故障检测方法的指令；所述处理器用于执行所述程序。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的机床主轴故障检测方法的步骤。
本发明的有益效果：本发明实施例通过对刀具的运行轨迹和主轴的电流信号进行联合监测，可以及时发现主轴异常的情况，提高了主轴故障判断的准确率。解决了现有技术中通过监测主轴运行数据来判断主轴是否异常，容易产生较高的误报率，导致维修人员无效检查的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的机床主轴故障检测方法的流程示意图。
图2是本发明实施例提供的机床主轴故障检测装置的模块示意图。
图3是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了一种机床主轴故障检测方法、装置、终端及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
主轴是数控机床的重要核心部件，它支撑并带动工件或刀具完成表面成形运动，同时还起着传递运动和扭矩，承受切削力和驱动力等载荷的作用。因此主轴运行的稳定性在数控机床中占据着重要作用。在高速、高加速度和大载荷等工况下，振动冲击等因素常常会对机床主轴产生重大影响，并易导致轴承齿轮等部件发生故障。现有技术中通过采集主轴相关的运行数据，当运行数据超过预设的运行阈值时通知维修人员对主轴进行故障检测。这种方法虽然操作简单，但是也容易产生较高的误报率，导致维修人员无效检查。
针对现有技术的上述缺陷，本发明提供一种机床主轴故障检测方法，所述方法通过获取目标刀具对应的实际轨迹数据和标准轨迹数据；根据所述实际轨迹数据和所述标准轨迹数据判断所述目标刀具对应的轨迹状态；当所述轨迹状态为偏离状态时，获取目标主轴对应的实际电流信号，其中，所述目标刀具与所述目标主轴联结；对所述实际电流信号进行小波变换，得到所述目标主轴对应的时频图像；根据所述时频图像确定异常时间点的数量，其中，每一所述异常时间点对应的频率值与该异常时间点对应的参考频率值之间的差值大于预设阈值，所述参考频率值基于与该异常时间点相邻的两个时间点分别对应的频率值确定；当所述异常时间点的数量大于预设阈值时，对所述目标主轴进行故障检测。本发明通过对刀具的运行轨迹和主轴的电流信号进行联合监测，可以及时发现主轴异常的情况，提高了主轴故障判断的准确率。解决了现有技术中通过监测主轴运行数据来判断主轴是否异常，容易产生较高的误报率，导致维修人员无效检查的问题。
如图1所示，所述方法包括如下步骤：
步骤S100、获取目标刀具对应的实际轨迹数据和标准轨迹数据。
具体地，本实施例中的目标刀具是与当前被监测的机床主轴联结的刀具。由于机床主轴在发生故障时，其传递运动通常会受到较明显的影响，从而导致与其联结的目标刀具的运动轨迹出现异常。本实施例中的标准轨迹数据在主轴处于正常状态时获取到的目标刀具的移动轨迹，因此本实施例可以反过来监测目标刀具当前的实际轨迹，若实际轨迹与其对应的标准轨迹之间出现明显偏差则提示主轴可能出现故障。
在一种实现方式中，所述获取目标刀具对应的实际轨迹数据，具体包括如下步骤：
步骤S101、获取所述目标刀具对应的切削数据和定位数据；
步骤S102、获取所述目标刀具对应的加工工件的结构变化数据，其中，所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生；
步骤S103、根据所述切削数据确定所述目标刀具对应的切削速度、切削时长以及切削方向变化数据，根据所述切削速度、所述切削时长以及所述切削方向变化数据确定所述目标刀具对应的刀具加工轨迹数据；
步骤S104、根据所述定位数据确定所述目标刀具对应的位置变化数据，根据所述位置变化数据确定所述目标刀具对应的刀具移动轨迹数据；
步骤S105、根据所述结构变化数据，确定所述目标刀具对应的刀位点移动轨迹数据；
步骤S106、对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合，得到所述实际轨迹数据。
具体地，由于采用单一数据源来判断目标刀具当前的运动轨迹是否异常的可靠性较差，因此本实施例采用目标刀具对应的切削数据和定位数据，以及目标刀具对应的加工工件的结构变化数据三种数据来综合分析目标刀具当前的实际轨迹。为了融合这三种数据，本实施例首先需要将切削数据、定位数据以及结构变化数据转化为同一类型的数据，即用于反映目标刀具的轨迹信息的数据。其中，由于切削数据可以反映目标刀具的切削速度、切削时长以及切削方向变化数据，因此本实施例可以基于切削数据推算出目标刀具的刀具加工轨迹。由于定位数据可以反映目标刀具在不同时间点的位置，因此根据定位数据可以确定目标刀具的位置变化，进而确定刀具移动轨迹。而加工工件的结构变化数据可以反映加工工件上各个加工特征(即加工工件上可被加工位置)的结构变化的先后顺序，因此根据结构变化数据可以确定目标刀具在各个加工位置的落刀点顺序，进而得到目标刀具的刀位点移动轨迹数据。刀具加工轨迹数据、刀具移动轨迹数据以及刀位点移动轨迹数据三种轨迹数据都可以反映目标刀具在加工过程中的轨迹，本实施例将三种轨迹数据融合，得到目标刀具对应的实际轨迹数据。由于实际轨迹数据是基于三种数据源生成的，因此它相较单一数据源生成的轨迹数据的可靠性更高，可以更真实地反映目标刀具当前的运动轨迹。
在一种实现方式中，所述步骤S106具体包括如下步骤：
步骤S1061、获取所述目标刀具对应的进给量；
步骤S1062、根据所述进给量确定所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的轨迹序列，其中，每一所述轨迹序列包括若干节点，除最后一个所述节点以外相邻两个所述节点对应的节点距离与所述进给量相等；
步骤S1063、根据所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的所述轨迹序列，确定所述实际轨迹数据，其中，所述实际轨迹数据包括若干融合节点，每一所述融合节点的坐标基于三个所述节点的坐标确定，三个所述节点分别对应不同所述轨迹序列中的同一节点顺序位。
具体地，本实施例是采用节点融合的方式生成融合轨迹，因此，本实施例首先需要在三种轨迹数据中构建节点，即得到三种轨迹数据分别对应的轨迹序列。本实施例以目标刀具的进给量为单位长度在三种轨迹数据中构建节点。由于三种轨迹数据的总长度可能不相等，因此针对每一轨迹数据对应的轨迹序列，除了最后一个节点(即轨迹终点)以外，该轨迹序列中其他相邻两个节点之间的节点距离均与进给量相等。同理，实际轨迹数据也是由多个融合节点组成的，因此本实施例需要先确定各融合节点的坐标，才能生成实际轨迹数据。具体地，针对刀具加工轨迹数据、刀具移动轨迹数据以及刀位点移动轨迹数据这三种轨迹数据，同一节点顺序位上的节点是具有对应关系的，因此本实施例通过融合具有对应关系的三个节点得到一个融合节点的坐标。本实施例采用节点融合的方法可以降低个别节点坐标的计算偏差对计算结果的影响。
在一种实现方式中，每一所述融合节点对应的三个所述节点为第一节点、第二节点以及第三节点，其中，所述第一节点对应所述刀具加工轨迹数据，所述第二节点对应所述刀具移动轨迹数据，所述第三节点对应所述刀位点移动轨迹数据，每一所述融合节点的坐标的确定方法，包括：
步骤S10631、根据所述第一节点和所述第三节点分别对应的坐标，确定矩形参考区域，其中，所述第一节点和所述第三节点分别位于所述矩形参考区域的对角线的两个端点；
步骤S10632、判断所述第二节点是否位于所述矩形参考区域；
步骤S10633、当所述第二节点位于所述矩形参考区域之内时，根据所述第二节点对应的坐标确定该融合节点对应的坐标；
步骤S10634、当所述第二节点位于所述矩形参考区域之外时，根据校正节点对应的坐标确定该融合节点对应的坐标，其中，所述校正节点为所述矩形参考区域内与所述第二节点距离最近的坐标点。
具体地，由于刀具加工轨迹数据和刀位点移动轨迹数据都是间接反映目标刀具的移动轨迹，而刀具移动轨迹数据是直接反映目标刀具的移动轨迹，因此刀具移动轨迹数据相较于刀具加工轨迹数据和刀位点移动轨迹数据准确性更高，所以本实施例主要以刀具移动轨迹数据中的节点坐标为基础生成融合节点的坐标，刀具加工轨迹数据和刀位点移动轨迹数据中的节点坐标则是起到校正作用。为了区分不同轨迹数据中的节点，本实施例将刀具加工轨迹数据对应的节点定义为第一节点，将刀具移动轨迹数据对应的节点定义为第二节点，将刀位点移动轨迹数据对应的节点定义为第三节点。针对每一融合节点，首先确定与该融合节点位于同一节点顺序位上的第一节点、第二节点以及第三节点，判断第二节点是否位于第一节点和第三节点生成的矩形参考区域内，若第二节点位于矩形参考区域内，则表示第二节点的坐标有效，直接第二节点的坐标作为该融合节点的坐标；若第二节点位于矩形参考区域外，则表示第二节点的坐标可能具有较大测量误差，为了避免影响计算结果，放弃采用第二节点的坐标，根据矩形参考区域内与第二节点距离最近的坐标点生成该融合节点的坐标。本实施例在生成融合节点的过程中，包含了坐标校正的过程，进一步提高了实际轨迹数据的可靠性。
如图1所示，所述方法还包括如下步骤：
步骤S200、根据所述实际轨迹数据和所述标准轨迹数据判断所述目标刀具对应的轨迹状态。
具体地，目标刀具的轨迹状态包括两种状态，一种是正常状态，另一种则是偏离状态。当目标刀具的轨迹状态为正常状态时，其实际轨迹数据与标准轨迹数据之间的偏差较小，属于正常误差范围内；当目标刀具的轨迹状态为偏离状态时，其实际轨迹数据与标准轨迹数据之间的偏差较大，已超出正常误差范围。由于目标刀具的轨迹状态与主轴的运行状态之间有密切关系，因此本实施例可以通过监测目标刀具的轨迹状态，间接监测主轴的运行状态。
在一种实现方式中，所述标准轨迹数据包括若干标准节点，其中，若干所述标准节点和若干所述融合节点一一对应，所述步骤S200具体包括如下步骤：
步骤S201、确定所述实际轨迹数据中各所述融合节点分别对应的注意力权重；
步骤S202、根据所述标准轨迹数据、所述实际轨迹数据以及各所述融合节点分别对应的所述注意力权重，确定各所述融合节点分别对应的偏差值，其中，每一所述融合节点对应的所述偏差值基于该融合节点对应的坐标偏差值和所述注意力权重的乘积确定，所述坐标偏差值用于反映该融合节点与该融合节点对应的标准节点之间的坐标差距；
步骤S203、根据各所述融合节点分别对应的偏差值，确定所述实际轨迹数据对应的整体偏差值；
步骤S204、当所述整体偏差值大于第三阈值时，判断所述轨迹状态为偏离状态。
具体地，本实施例首先需要根据标准轨迹数据和实际轨迹数据，计算各融合节点的偏差值。为了区分不同重要级别的融合节点，本实施例预先根据各融合节点的重要程度为其分配了注意力权重，每一融合节点的偏差值需要综合考量其自身的坐标偏差和注意力权重。针对每一融合节点，首先计算该融合节点与其对应的标准节点之间的坐标偏差值，然后再将坐标偏差值与该融合节点对应的注意力权重相乘，得到该融合节点最终的偏差值。然后再将各融合节点的偏差值相加，得到实际轨迹数据相对标准轨迹数据的整体偏差值。若整体偏差值大于第三阈值，表示目标刀具当前的实际轨迹严重偏离正常轨迹，则判定目标刀具当前的轨迹状态为偏离状态；若整体偏差值小于或者等于预设阈值，表示目标刀具当前的实际轨迹与正常轨迹偏差较小，则判定目标刀具当前的轨迹状态为正常状态。
在一种实现方式中，除位于起点和终点的所述融合节点之外，每一所述融合节点对应的所述注意力权重与该融合节点对应的拐角的度数成正比关系。
简单来说，本实施例中处于拐弯点的融合节点的注意力权重大于处于直线上的融合节点的注意力权重。具体地，除了位于起点和终点的所述融合节点之外，针对每一融合节点，该融合节点对应的拐角为该融合节点对应的两个局部轨迹之间形成的夹角(该融合节点位于两个局部轨迹的交点上)，拐角度数越小表示两个局部轨迹之间刀具的走向变化越大，因此本实施例中拐角度数越小的融合节点的注意力权重越高。
如图1所示，所述方法包括如下步骤：
步骤S300、当所述轨迹状态为偏离状态时，获取目标主轴对应的实际电流信号，其中，所述目标刀具与所述目标主轴联结。
具体地，由于刀具轨迹偏离也可能是由于其他原因造成的，例如刀具磨损或者刀具掉。因此为了进一步确定目标刀具的轨迹偏离是否与目标主轴有关，本实施例需要获取目标主轴当前的电流信号，即得到实际电流信号。由于主轴发生故障时的电流信号通常会呈现与正常状态时的电流信号不一样的信号特征，因此本实施例可以通过检查目标主轴当前的电流信号，判断目标主轴是否出现故障，再决定是否派出维修人员检修，避免维修人员无效出工。
如图1所示，所述方法还包括如下步骤：
步骤S400、对所述实际电流信号进行小波变换，得到所述目标主轴对应的时频图像。
具体地，小波变换是一种新的信号变换分析方法，本实施例通过小波变换对实际电流信号进行分析，提取实际电流信号中频率随时间变化的信息，并以时频图像的形式呈现这些信息。可以理解的是，时频图像中的横坐标为时间，纵坐标为频率，因此通过时频图像不仅可以知道实际电流信号中存在的频率成分，还可以知道不同频率出现的时间点。
如图1所示，所述方法还包括如下步骤：
步骤S500、根据所述时频图像确定异常时间点的数量，其中，每一所述异常时间点对应的频率值与该异常时间点对应的参考频率值之间的差值大于第一阈值，所述参考频率值基于与该异常时间点相邻的两个时间点分别对应的频率值确定。
为了判断目标主轴是否存在故障问题，本实施例需要根据时频图像计算异常时间点的数量。具体地，针对每一时间点(除第一个时间点和最后一个时间点)，本实施例需要先根据位于该时间点左、右两侧的两个时间点计算该时间点对应的参考频率值，若该时间点对应的频率值与该参考频率值之间的差值大于预设阈值，则表示该时间点的频率值在其对应的时间段内明显异常，因此将该时间点作为异常时间点。
如图1所示，所述方法还包括如下步骤：
步骤S600、当所述异常时间点的数量大于第二阈值时，对所述目标主轴进行故障检测。
当异常时间点的数量大于第二阈值时，表示实际电流信号中存在的异常频率过多，已经不属于正常干扰因素所产生的异常，因此判断目标主轴存在故障。
在一种实现方式中，所述对所述目标主轴进行故障检测，具体包括如下步骤：
步骤S601、获取所述实际电流信号对应的频域图像；
步骤S602、获取所述目标主轴对应的标准频域图像，其中，所述标准频域图像基于所述目标主轴对应的标准电流信号确定；
步骤S603、将所述频域图像和所述标准频域图像输入状态预测模型，得到所述目标主轴对应的运行状态。
为了使故障判断结果更加准确，本实施例还新增了频域特征的检测过程。具体地，对实际电流信号进行频域转换，得到实际电流信号对应的频域图像，将其与正常状态下生成的标准频域图像输入状态预测模型，通过状态预测模型对两种输入图像进行比较，输出目标主轴的运行状态，例如运行状态为正常状态或者故障状态。
在一种实现方式中，所述频域图像包括若干频率区间，所述标准频域图像包括若干标准频率区间，其中，若干所述频率区间分别对应不同的频率等级，若干所述频率区间与若干所述标准频率区间一一对应，所述步骤S603具体包括如下步骤：
步骤S6031、将所述频域图像和所述标准频域图像输入状态预测模型，通过所述状态预测模型确定若干所述频率区间分别对应的频率分布偏差值，其中，每一所述频率区间对应的频率分布偏差值用于反映该频率区间与对应的标准区间之间的频率分布差距；
步骤S6032、获取若干所述频率区间分别对应的区间权重，其中，每一所述频率区间对应的区间权重基于该频率区间的区间大小和所述频率等级确定；
步骤S6033、根据若干所述频率区间分别对应的所述频率分布偏差值和所述区间大小，确定所述频域图像对应的整体频率分布偏差值；
步骤S6034、获取预设的频率分布偏差阈值，当所述整体频率分布偏差值大于所述频率分布偏差阈值时，输出所述目标主轴对应的运行状态为故障状态。
具体地，本实施例将频域图像划分为了不同的频率区间，各频率区间分别对应不同的频率等级，例如低频、中频、高频。由于低频区间存在噪音干扰，而高频区间相对于低频区间来说其内的频率特征的可靠性更高，因此针对每一频率区间，若该频率区间的频率等级越高，则该频率区间重要程度越高。此外，区间长度也会影响各频率区间的重要程度，针对每一频率区间，若该频率区间的区间长度越长，则该频率区间的重要程度越高。本实施例根据各频率区间的频率等级和区间长度综合判定各频率区间的区间权重，并采用加权求和的方式，先计算出各频率区间相对于对应的标准频率区间的频率分布偏差值，再基于各频率区间的区间权重加权求和得到整体频率分布偏差值。若整体频率分布偏差值小于预设的频率分布偏差阈值时，表示当前获得的频域图像与标准频域图像之间的差别不大，则判定目标主轴处于正常状态；若整体频率分布偏差值大于或者等于频率分布偏差阈值时，表示当前获得的频域图像与标准频域图像之间的差别过大，则判定目标主轴处于故障状态。
在一种实现方式中，各频率区间分别对应的频率分布偏差值，可以基于图像距离方法计算得到。
在另一种实现方式中，所述方法还可以通过采集主轴信号，通过小波变换形成时频图，转换成图像制作成图像数据集，然后将图像数据集输入Image transformer进行故障预测。
基于上述实施例，本发明还提供了一种机床主轴故障检测装置。如图2所示，所述装置包括：
轨迹监测模块01，用于获取目标刀具对应的实际轨迹数据和标准轨迹数据；
根据所述实际轨迹数据和所述标准轨迹数据判断所述目标刀具对应的轨迹状态；
电流监测模块02，用于当所述轨迹状态为偏离状态时，获取目标主轴对应的实际电流信号，其中，所述目标刀具与所述目标主轴联结；
对所述实际电流信号进行小波变换，得到所述目标主轴对应的时频图像；
根据所述时频图像确定异常时间点的数量，其中，每一所述异常时间点对应的频率值与该异常时间点对应的参考频率值之间的差值大于第一阈值，所述参考频率值基于与该异常时间点相邻的两个时间点分别对应的频率值确定；
故障检测模块03，用于当所述异常时间点的数量大于第二阈值时，对所述目标主轴进行故障检测。
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图3所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现机床主轴故障检测方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行机床主轴故障检测方法的指令。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明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。
综上所述，本发明公开了一种机床主轴故障检测方法、装置、终端及存储介质，所述方法通过获取目标刀具对应的实际轨迹数据和标准轨迹数据；根据所述实际轨迹数据和所述标准轨迹数据判断所述目标刀具对应的轨迹状态；当所述轨迹状态为偏离状态时，获取目标主轴对应的实际电流信号，其中，所述目标刀具与所述目标主轴联结；对所述实际电流信号进行小波变换，得到所述目标主轴对应的时频图像；根据所述时频图像确定异常时间点的数量，其中，每一所述异常时间点对应的频率值与该异常时间点对应的参考频率值之间的差值大于预设阈值，所述参考频率值基于与该异常时间点相邻的两个时间点分别对应的频率值确定；当所述异常时间点的数量大于预设阈值时，对所述目标主轴进行故障检测。本发明通过对刀具的运行轨迹和主轴的电流信号进行联合监测，可以及时发现主轴异常的情况，提高了主轴故障判断的准确率。解决了现有技术中通过监测主轴运行数据来判断主轴是否异常，容易产生较高的误报率，导致维修人员无效检查的问题。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种机床主轴故障检测方法，其特征在于，所述方法包括：
获取目标刀具对应的实际轨迹数据和标准轨迹数据；
根据所述实际轨迹数据和所述标准轨迹数据判断所述目标刀具对应的轨迹状态；
当所述轨迹状态为偏离状态时，获取目标主轴对应的实际电流信号，其中，所述目标刀具与所述目标主轴联结；
对所述实际电流信号进行小波变换，得到所述目标主轴对应的时频图像；
根据所述时频图像确定异常时间点的数量，其中，每一所述异常时间点对应的频率值与该异常时间点对应的参考频率值之间的差值大于第一阈值，所述参考频率值基于与该异常时间点相邻的两个时间点分别对应的频率值确定；
当所述异常时间点的数量大于第二阈值时，对所述目标主轴进行故障检测；
所述获取目标刀具对应的实际轨迹数据，包括：
获取所述目标刀具对应的切削数据和定位数据；
获取所述目标刀具对应的加工工件的结构变化数据，其中，所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生；
根据所述切削数据确定所述目标刀具对应的切削速度、切削时长以及切削方向变化数据，根据所述切削速度、所述切削时长以及所述切削方向变化数据确定所述目标刀具对应的刀具加工轨迹数据；
根据所述定位数据确定所述目标刀具对应的位置变化数据，根据所述位置变化数据确定所述目标刀具对应的刀具移动轨迹数据；
根据所述结构变化数据，确定所述目标刀具对应的刀位点移动轨迹数据；
对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合，得到所述实际轨迹数据。
2.根据权利要求1所述的机床主轴故障检测方法，其特征在于，所述对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合，得到所述实际轨迹数据，包括：
获取所述目标刀具对应的进给量；
根据所述进给量确定所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的轨迹序列，其中，每一所述轨迹序列包括若干节点，除最后一个所述节点以外相邻两个所述节点对应的节点距离与所述进给量相等；
根据所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据分别对应的所述轨迹序列，确定所述实际轨迹数据，其中，所述实际轨迹数据包括若干融合节点，每一所述融合节点的坐标基于三个所述节点的坐标确定，三个所述节点分别对应不同所述轨迹序列中的同一节点顺序位。
3.根据权利要求2所述的机床主轴故障检测方法，其特征在于，每一所述融合节点对应的三个所述节点为第一节点、第二节点以及第三节点，其中，所述第一节点对应所述刀具加工轨迹数据，所述第二节点对应所述刀具移动轨迹数据，所述第三节点对应所述刀位点移动轨迹数据，每一所述融合节点的坐标的确定方法，包括：
根据所述第一节点和所述第三节点分别对应的坐标，确定矩形参考区域，其中，所述第一节点和所述第三节点分别位于所述矩形参考区域的对角线的两个端点；
判断所述第二节点是否位于所述矩形参考区域；
当所述第二节点位于所述矩形参考区域之内时，根据所述第二节点对应的坐标确定该融合节点对应的坐标；
当所述第二节点位于所述矩形参考区域之外时，根据校正节点对应的坐标确定该融合节点对应的坐标，其中，所述校正节点为所述矩形参考区域内与所述第二节点距离最近的坐标点。
4.根据权利要求2所述的机床主轴故障检测方法，其特征在于，所述标准轨迹数据包括若干标准节点，其中，若干所述标准节点和若干所述融合节点一一对应，所述根据所述实际轨迹数据和所述标准轨迹数据判断所述目标刀具对应的轨迹状态，包括：
确定所述实际轨迹数据中各所述融合节点分别对应的注意力权重；
根据所述标准轨迹数据、所述实际轨迹数据以及各所述融合节点分别对应的所述注意力权重，确定各所述融合节点分别对应的偏差值，其中，每一所述融合节点对应的所述偏差值基于该融合节点对应的坐标偏差值和所述注意力权重的乘积确定，所述坐标偏差值用于反映该融合节点与该融合节点对应的标准节点之间的坐标差距；
根据各所述融合节点分别对应的偏差值，确定所述实际轨迹数据对应的整体偏差值；
当所述整体偏差值大于第三阈值时，判断所述轨迹状态为偏离状态。
5.根据权利要求1所述的机床主轴故障检测方法，其特征在于，所述对所述目标主轴进行故障检测，包括：
获取所述实际电流信号对应的频域图像；
获取所述目标主轴对应的标准频域图像，其中，所述标准频域图像基于所述目标主轴对应的标准电流信号确定；
将所述频域图像和所述标准频域图像输入状态预测模型，得到所述目标主轴对应的运行状态。
6.根据权利要求5所述的机床主轴故障检测方法，其特征在于，所述频域图像包括若干频率区间，所述标准频域图像包括若干标准频率区间，其中，若干所述频率区间分别对应不同的频率等级，若干所述频率区间与若干所述标准频率区间一一对应，所述将所述频域图像和所述标准频域图像输入状态预测模型，得到所述目标主轴对应的运行状态，包括：
将所述频域图像和所述标准频域图像输入状态预测模型，通过所述状态预测模型确定若干所述频率区间分别对应的频率分布偏差值，其中，每一所述频率区间对应的频率分布偏差值用于反映该频率区间与对应的标准区间之间的频率分布差距；
获取若干所述频率区间分别对应的区间权重，其中，每一所述频率区间对应的区间权重基于该频率区间的区间大小和所述频率等级确定；
根据若干所述频率区间分别对应的所述频率分布偏差值和所述区间大小，确定所述频域图像对应的整体频率分布偏差值；
获取预设的频率分布偏差阈值，当所述整体频率分布偏差值大于所述频率分布偏差阈值时，输出所述目标主轴对应的运行状态为故障状态。
7.一种基于权利要求1-6中任一所述的机床主轴故障检测方法的装置，其特征在于，所述装置包括：
轨迹监测模块，用于获取目标刀具对应的实际轨迹数据和标准轨迹数据；
根据所述实际轨迹数据和所述标准轨迹数据判断所述目标刀具对应的轨迹状态；
电流监测模块，用于当所述轨迹状态为偏离状态时，获取目标主轴对应的实际电流信号，其中，所述目标刀具与所述目标主轴联结；
对所述实际电流信号进行小波变换，得到所述目标主轴对应的时频图像；
根据所述时频图像确定异常时间点的数量，其中，每一所述异常时间点对应的频率值与该异常时间点对应的参考频率值之间的差值大于第一阈值，所述参考频率值基于与该异常时间点相邻的两个时间点分别对应的频率值确定；
故障检测模块，用于当所述异常时间点的数量大于第二阈值时，对所述目标主轴进行故障检测；
所述获取目标刀具对应的实际轨迹数据，包括：
获取所述目标刀具对应的切削数据和定位数据；
获取所述目标刀具对应的加工工件的结构变化数据，其中，所述切削数据、所述定位数据以及所述结构变化数据基于所述目标刀具对应的同一加工过程产生；
根据所述切削数据确定所述目标刀具对应的切削速度、切削时长以及切削方向变化数据，根据所述切削速度、所述切削时长以及所述切削方向变化数据确定所述目标刀具对应的刀具加工轨迹数据；
根据所述定位数据确定所述目标刀具对应的位置变化数据，根据所述位置变化数据确定所述目标刀具对应的刀具移动轨迹数据；
根据所述结构变化数据，确定所述目标刀具对应的刀位点移动轨迹数据；
对所述刀具加工轨迹数据、所述刀具移动轨迹数据以及所述刀位点移动轨迹数据进行融合，得到所述实际轨迹数据。
8.一种终端，其特征在于，所述终端包括有存储器和一个或者一个以上处理器；所述存储器存储有一个或者一个以上的程序；所述程序包含用于执行如权利要求1-6中任一所述的机床主轴故障检测方法的指令；所述处理器用于执行所述程序。
9.一种计算机可读存储介质，其上存储有多条指令，其特征在于，所述指令适用于由处理器加载并执行，以实现上述权利要求1-6任一所述的机床主轴故障检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210655258.XA CN114918739B (zh) | 2022-06-10 | 2022-06-10 | 一种机床主轴故障检测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210655258.XA CN114918739B (zh) | 2022-06-10 | 2022-06-10 | 一种机床主轴故障检测方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114918739A CN114918739A (zh) | 2022-08-19 |
| CN114918739B true CN114918739B (zh) | 2023-11-10 |
Family
ID=82815443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210655258.XA Active CN114918739B (zh) | 2022-06-10 | 2022-06-10 | 一种机床主轴故障检测方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114918739B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115741218B (zh) * | 2023-01-05 | 2023-04-21 | 单县亚太纸品有限公司 | 基于加工画像分析的机床故障预警方法及系统 |
| CN116223037B (zh) * | 2023-05-09 | 2023-09-19 | 山东金帝精密机械科技股份有限公司 | 一种风电轴承保持器的运行监测方法及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000317710A (ja) * | 1999-05-07 | 2000-11-21 | Toyoda Mach Works Ltd | 工作機械における工具異常検出方法および装置 |
| CN104400560A (zh) * | 2014-11-07 | 2015-03-11 | 西安交通大学 | 一种数控机床切削工况下主轴轴心轨迹在线测量方法 |
| CN105415093A (zh) * | 2015-12-11 | 2016-03-23 | 青岛职业技术学院 | 一种数控加工自检方法 |
| CN105817952A (zh) * | 2016-05-11 | 2016-08-03 | 西安交通大学 | 一种基于混合支撑电主轴的在线主轴碰撞及刀具折断监测系统和方法 |
| CN106125666A (zh) * | 2016-07-28 | 2016-11-16 | 大连理工大学 | 以切削力波动为约束的曲面加工刀具轨迹规划方法 |
| CN106312687A (zh) * | 2015-07-01 | 2017-01-11 | 大隈株式会社 | 机床的主轴负载监视装置 |
| CN111413923A (zh) * | 2020-03-30 | 2020-07-14 | 辽宁省交通高等专科学校 | 一种用于复杂曲面加工的高速精密加工系统及方法 |
| CN113221677A (zh) * | 2021-04-26 | 2021-08-06 | 阿波罗智联(北京)科技有限公司 | 一种轨迹异常检测方法、装置、路侧设备和云控平台 |
| CN114102261A (zh) * | 2021-12-27 | 2022-03-01 | 爱派尔(常州)数控科技有限公司 | 一种机床刀具安全检测方法、系统及机床 |
-
2022
- 2022-06-10 CN CN202210655258.XA patent/CN114918739B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000317710A (ja) * | 1999-05-07 | 2000-11-21 | Toyoda Mach Works Ltd | 工作機械における工具異常検出方法および装置 |
| CN104400560A (zh) * | 2014-11-07 | 2015-03-11 | 西安交通大学 | 一种数控机床切削工况下主轴轴心轨迹在线测量方法 |
| CN106312687A (zh) * | 2015-07-01 | 2017-01-11 | 大隈株式会社 | 机床的主轴负载监视装置 |
| CN105415093A (zh) * | 2015-12-11 | 2016-03-23 | 青岛职业技术学院 | 一种数控加工自检方法 |
| CN105817952A (zh) * | 2016-05-11 | 2016-08-03 | 西安交通大学 | 一种基于混合支撑电主轴的在线主轴碰撞及刀具折断监测系统和方法 |
| CN106125666A (zh) * | 2016-07-28 | 2016-11-16 | 大连理工大学 | 以切削力波动为约束的曲面加工刀具轨迹规划方法 |
| CN111413923A (zh) * | 2020-03-30 | 2020-07-14 | 辽宁省交通高等专科学校 | 一种用于复杂曲面加工的高速精密加工系统及方法 |
| CN113221677A (zh) * | 2021-04-26 | 2021-08-06 | 阿波罗智联(北京)科技有限公司 | 一种轨迹异常检测方法、装置、路侧设备和云控平台 |
| CN114102261A (zh) * | 2021-12-27 | 2022-03-01 | 爱派尔(常州)数控科技有限公司 | 一种机床刀具安全检测方法、系统及机床 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114918739A (zh) | 2022-08-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114918739B (zh) | 一种机床主轴故障检测方法、装置、终端及存储介质 | |
| US20200326698A1 (en) | Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method | |
| US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
| CN105171525A (zh) | 机床的诊断方法及系统 | |
| US20230315043A1 (en) | System and method for instantaneous performance management of a machine tool | |
| Jain et al. | Dynamic optimization of process quality control and maintenance planning | |
| CN114952422B (zh) | 一种数控机床加工刀具状态实时预测方法 | |
| CN113091797B (zh) | 一种监测编码器故障状态的方法及装置 | |
| Ngu et al. | Proactive and predictive maintenance strategies and application for instrumentation & control in oil & gas industry | |
| Liu et al. | A generalized method for the inherent energy performance modeling of machine tools | |
| CN109990803B (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
| Del Val et al. | On line diagnosis strategy of thread quality in tapping | |
| RU2727470C2 (ru) | Способ оперативной диагностики модулей металлообрабатывающих станков | |
| JP6765769B2 (ja) | 状態変動検出装置及び状態変動検出用プログラム | |
| EP3499327A1 (en) | Load state diagnosis device and load state diagnosis method for servomotor | |
| Rouvroye et al. | Minimizing costs while meeting safety requirements: Modeling deterministic (imperfect) staggered tests using standard Markov models for SIL calculations | |
| CN105197260A (zh) | 一种基于休哈特控制图的卫星动量轮早期异常检测方法 | |
| KR102054771B1 (ko) | 로봇의 토크 부하율을 이용한 고장 예측방법 | |
| CN111702557B (zh) | 铣床在铣削键槽时的异常诊断方法及设备 | |
| JP4825482B2 (ja) | 不具合発生予測装置および不具合発生予測方法 | |
| Masalimov et al. | Method of Operational Diagnostics of Metal Cutting Machine Modules | |
| Bismantolo et al. | Design and Construction of Vibration Level Monitoring Equipment on Machine Tools Based on the Internet of Things (IoT) | |
| WO2023089773A9 (ja) | 異常診断装置、異常診断システム、及び記憶媒体 | |
| Basova et al. | Maintenance of Operable Condition of a Flexible Production System Through the Development and Implementation of a Method for Cutting Tools and Workpieces Operational Control | |
| Masalimov et al. | Neural Networks For Diagnostics Of Metal Cutting Machine Modules |
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 |