CN115185234A - 一种数控机床的适应性故障监测方法及系统 - Google Patents
一种数控机床的适应性故障监测方法及系统 Download PDFInfo
- Publication number
- CN115185234A CN115185234A CN202211098817.8A CN202211098817A CN115185234A CN 115185234 A CN115185234 A CN 115185234A CN 202211098817 A CN202211098817 A CN 202211098817A CN 115185234 A CN115185234 A CN 115185234A
- Authority
- CN
- China
- Prior art keywords
- data
- machine tool
- numerical control
- fault
- control machine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 title claims description 36
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000008447 perception Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000003754 machining Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- 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
- B23Q1/00—Members which are comprised in the general build-up of a form of machine, particularly relatively large fixed members
- B23Q1/0009—Energy-transferring means or control lines for movable machine parts; Control panels or boxes; Control parts
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31357—Observer based fault detection, use model
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种数控机床的自适应故障监测方法及系统，方法包括：基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对传感数据进行数据预处理，得到机床运行数据，其中，传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据；基于云端预设的故障预测模型对机床运行数据进行分析，自动根据机床运行数据输出故障概率数据，故障概率数据用于反映数控机床出现故障的概率；若故障概率数据超过预设阈值，则输出报警信息，并中止数控机床的运行工作。本发明可实现对数控机床的故障进行实时且准确的预测，并且本发明基于边缘端与云端进行协作，不但缓解了云端的计算量，而且也减少了传输负荷，提高了数据质量。
Description
技术领域
本发明涉及数控机床加工控制技术领域，尤其涉及一种数控机床的适应性故障监测方法及系统。
背景技术
数控机床作为工业母机，是制造业核心基础装备。高端多轴数控机床多用于精密制造和仪器加工，其运行故障不仅会造成产品质量问题，增加企业成本，还可能导致技术瓶颈。
在现有技术中，对于数控机床的故障数据的分析一方面是数据的采集不及时，另一方面是数据的分析不及时，导致最终的故障分析结果并不准确。
因此，现有技术还有待改进和提高。
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，提供一种数控机床的适应性故障监测方法及系统，旨在解决现有技术故的障分析结果并不准确的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
第一方面，本发明提供一种数控机床的适应性故障监测方法，其中，所述方法包括：
基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，其中，所述传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据；
基于云端预设的故障预测模型对所述机床运行数据进行分析，自动根据所述机床运行数据输出故障概率数据，所述故障概率数据用于反映所述数控机床出现故障的概率；
若所述故障概率数据超过预设阈值，则输出报警信息，并中止所述数控机床的运行工作。
在一种实现方式中，所述基于边缘端的状态感知模型采集数控机床的传感数据，之前包括：
预先在所述数控机床的刀具安装位置、刀具操作位置设置振动传感器或者受力传感器；
预先在所述数控机床上设置温湿度传感器。
在一种实现方式中，所述基于边缘端的状态感知模型采集数控机床的传感数据，包括：
基于所述振动传感器采集所述机床启停数据；
基于所述受力传感器采集所述刀具加工数据，所述刀具加工数据反映的是刀具在所述数控机床上的使用数据；
基于所述温湿度传感器实采集所述环境温湿度数据。
在一种实现方式中，所述通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，包括：
对所述传感数据进行相关性筛选，确定所述传感数据中与数控机床的故障原因相关的传感数据，得到筛选后的传感数据，其中，所述相关性反映的是所述传感数据与所述故障原因之间的关联性；
通过所述轻量计算模型对所述筛选后的传感数据进行平滑与降噪处理，得到所述机床运行数据。
在一种实现方式中，所述通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，还包括：
获取所述传感数据中的通用参数，所述通用参数是所述数控机床在进行加工过程中固定的参数；
从所述传感数据中获取除所述通用参数后所剩下的特性参数，将所述特性参数发送至云端，所述特性参数为实时采集到所述刀具加工数据。
在一种实现方式中，所述故障预测模型的训练方式包括：
获取不同类型的数控机床所对应的历史刀具加工数据、历史环境温湿度数据机、历史机床启停数据、历史刀具磨损数据以及历史故障数据；
将所述历史刀具加工数据、所述历史环境温湿度数据机、缩水历史机床启停数据作为自变量，将所述历史刀具磨损数据与所述历史故障数据作为因变量，在云端训练通用重量级长短时记忆模型，得到所述故障预测模型。
在一种实现方式中，所述方法包括：
获取所述数控机床的使用场景，根据所述使用场景对计算资源进行分配；
若边缘端待监测的数据机床的数量少于预设值时，则将计算资源向所述云端倾斜；
若边缘端待监测的数据机床的数量多于预设值时，则将计算资源向所述边缘端倾斜。
第二方面，本发明实施例还提供一种数控机床的适应性故障监测装置，其中，所述装置包括：
数据获取模块，用于基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，其中，所述传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据；
数据分析模块，用于基于云端预设的故障预测模型对所述机床运行数据进行分析，自动根据所述机床运行数据输出故障概率数据，所述故障概率数据用于反映所述数控机床出现故障的概率；
机床控制模块，用于若所述故障概率数据超过预设阈值，则输出报警信息，并中止所述数控机床的运行工作。
第三方面，本发明实施例还提供一种数控机床，数控机床包括存储器、处理器及存储在存储器中并可在处理器上运行的数控机床的适应性故障监测程序，处理器执行数控机床的适应性故障监测程序时，实现如上述方案中任一项的数控机床的适应性故障监测方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有数控机床的适应性故障监测程序，数控机床的适应性故障监测程序被处理器执行时，实现如上述方案中任一项的数控机床的适应性故障监测方法的步骤。
有益效果：与现有技术相比，本发明提供了一种数控机床的适应性故障监测方法，本发明首先基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，其中，所述传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据。然后，基于云端预设的故障预测模型对所述机床运行数据进行分析，自动根据所述机床运行数据输出故障概率数据，所述故障概率数据用于反映所述数控机床出现故障的概率。最后，若所述故障概率数据超过预设阈值，则输出报警信息，并中止所述数控机床的运行工作。由于本发明是在边缘端首先进行了数据预处理，这样在将数据发送给云端时，可以减少数据传输负荷，提高了数据质量。此外，本发明可实现对数控机床的故障进行实时且准确的预测。
附图说明
图1为本发明实施例提供的数控机床的适应性故障监测方法的具体实施方式的流程图。
图2为本发明实施例提供的数控机床的适应性故障监测系统的原理框图。
图3为本发明实施例提供的数控机床的原理框图。
具体实施方式
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。
本实施例提供一种数控机床的适应性故障监测方法，具体实施时，本实施例首先基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，其中，所述传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据。然后，基于云端预设的故障预测模型对所述机床运行数据进行分析，自动根据所述机床运行数据输出故障概率数据，所述故障概率数据用于反映所述数控机床出现故障的概率。最后，若所述故障概率数据超过预设阈值，则输出报警信息，并中止所述数控机床的运行工作。本实施例可实现对数控机床的故障进行实时且准确的预测，并且本实施例基于边缘端与云端进行协作，不但缓解了云端的计算量，而且也减少了传输负荷，提高了数据质量。
示例性方法
本实施例的数控机床的适应性故障监测方法可应用于终端设备中，所述终端设备可为数控机床中主控装置，该主控装置可实现本实施例的方法的所有步骤，因此，本实施例的数控机床的适应性故障监测方法可应用于数控机床中。具体地，如图1中所示，本实施例的方法包括如下步骤：
步骤S100、基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，其中，所述传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据。
在本实施例中，边缘端为数控机床这一端，因为本实施例中所采集到所有的传感数据都是基于数控机床采集到的，因此，边缘端为数据的源头端。为此，本实施例在边缘端设置一状态感知模型，基于该状态感知模型来感应数控机床的运行数据的变化，从而判断出数控机床的运行状态。在本实施例中，当状态感知模型采集到数控机床的传感数据后，首先会基于边缘端中设置的轻量计算模型对所述传感数据进行数据预处理，该数据预处理的目的对一些无用的数据进行清洗，得到机床运行数据，该机床运行数据中没有多余的数据，都是对故障预测起到作用的数据，因此基于所述机床运行数据可以提高故障预测的准确性。
具体地，本实施例预先在所述数控机床的刀具安装位置、刀具操作位置设置振动传感器或者受力传感器，以及预先在所述数控机床上设置温湿度传感器。该振动传感器可以感应到数控机床的振动，当数控机床振动，则说明此时的数控机床启动了，因此本实施例可基于所述振动传感器采集所述机床启停数据。当刀具在对工件进行加工时，刀具本身会受到数控机床提供的力进行加工，且刀具还会受到工件反向提供的应用，因此本实施例通过设置受力传感器可采集到该刀具所受到的应力，进而经过应力分析来确定出刀具的刀具加工数据，本实施例中的刀具加工数据反映的是刀具在所述数控机床上的使用数据。此时，环境温湿度对数控机床的运行状态也会产生一定的影响，因此，本实施例可基于所述温湿度传感器实采集所述环境温湿度数据，以便根据环境温湿度数据来对数控机床的故障进行分析。此外，本实施例还可以在数控机床的加工过程中获取工件的材料性能等参数，这些数据也可以作为所述传感数据，以便获取不同维度的传感数据，提高故障分析的准确性。
在一种实现方式中，本实施例在得到传感数据后，还对该传感数据进行数据预处理，具体包括如下步骤：
步骤S101、对所述传感数据进行相关性筛选，确定所述传感数据中与数控机床的故障原因相关的传感数据，得到筛选后的传感数据，其中，所述相关性反映的是所述传感数据与所述故障原因之间的关联性；
步骤S102、通过所述轻量计算模型对所述筛选后的传感数据进行平滑与降噪处理，得到所述机床运行数据。
在本实施例中，本实施例在得到传感数据后，对这些传感数据进行筛选，筛选的目的是除去一些无用的数据、异常的数据或者与数控机床的故障无关的数据。在本实施例中，边缘端会对传感数据进行相关性筛选，所述相关性筛选是将与数控机床的故障原因相关的传感数据筛选出来。由于本实施例中的传感数据中包括了多维度的数据，这些数据虽然均是在数控机床的加工过程中采集到的，但是有些传感数据与数控机床的故障之间存在的联系不大。因此，本实施例需要首先对传感数据进行相关性筛选，从中确定出与数控机床的故障原因相关的传感数据，得到筛选后的传感数据。
当然，在具体应用时，本实施例可首先将传感数据与数控机床的故障原因之间的相关性作出一个预判，预判的依据是基于历史故障数据中得到。由于历史故障数据是数控机床在历史加工过程中的历史运行数据分析出来的，因此从该历史故障数据中可以确定出在历史运行数据中，哪些数据是导致是历史故障数据的关键，这些数据就可以作为参考数据。然后，本实施例在得到传感数据后，就可以将参加数据与传感数据进行匹配，从传感数据中筛选出与参考数据相同的数据，得到筛选后的传感数据。此外，本实施例还可以对传感数据中的每一个数据都进行相关性排序，与数控机床的故障原因的相关性大的数据排在前，与数控机床的故障原因的相关性小的数据排在后，这样就可以得到该传感数据的相关性顺序，然后本实施例基于一个预设的相关性基准值来对相关性顺序进行筛选，将大于或者等于相关性基准值的传感数据筛选出来，得到筛选后的传感数据。
在得到筛选后的传感数据后的，本实施例对这些筛选后的传感数据进行平滑与降噪处理，该平滑与降噪处理是为了提高数据质量，以便根据本实施例的机床数据确定出最为准确的故障数据。在进行平滑与降噪处理后，本实施例就可以得到机床运行数据。接着，本实施例将机床运行数据发送至云端，以便根据云端来对机床运行数据信息处理。
在另一种实现方式中，本实施例在对传感数据进行分析时，还可以获取所述传感数据中的通用参数，所述通用参数是所述数控机床在进行加工过程中固定的参数，因此所述通用参数对数控机床的故障影响较小，本实施例可从所述传感数据中获取除所述通用参数后所剩下的特性参数，将所述特性参数发送至云端，以便云端对特性参数进行分析，以便于监测出数控机床的故障。在一种实现方式中，本实施例中的所述特性参数为实时采集到所述刀具加工数据，该刀具加工数据可体现出刀具在整个使用过程中的状况，因此在后续的步骤中可基于该刀具加工数据确定出刀具磨损量，刀具磨损也为数控机床的一种故障形式。
此外，在另一种实现方式中，本实施例的边缘端还可以向云端发送重量级计算请求，请求云端利用重量级计算模型对机床运行数据进行参数调优，以便调优后的参数可以更好地用于对边缘端的轻量级计算模型进行训练。本实施例中的云端的重量级计算模型和边缘端的轻量级计算模型的组合即为“联邦学习”。
步骤S200、基于云端预设的故障预测模型对所述机床运行数据进行分析，自动根据所述机床运行数据输出故障概率数据，所述故障概率数据用于反映所述数控机床出现故障的概率。
当云端接收到所述机床运行数据后，可基于预设的故障预测模型对所述机床运行数据进行分析，并自动输出故障概率数据，所述故障概率数据用于反映所述数控机床出现故障的概率。本实施例在构建故障预测模型时，首先获取不同类型的数控机床所对应的历史刀具加工数据、历史环境温湿度数据机、历史机床启停数据、历史刀具磨损数据以及历史故障数据。本实施例可统计历史刀具磨损数据以及历史故障数据的次数，从而确定历史故障概率数据。然后将所述历史刀具加工数据、所述历史环境温湿度数据机、缩水历史机床启停数据作为自变量，将所述历史刀具磨损数据与所述历史故障数据作为因变量（因变量也可为历史故障概率数据），在云端训练通用重量级长短时记忆模型，得到所述故障预测模型。训练得到的故障预测模型可即可对机床运行数据进行分析，自动输出故障概率数据。
步骤S300、若所述故障概率数据超过预设阈值，则输出报警信息，并中止所述数控机床的运行工作。
当预测出故障概率数据后，本实施例将该故障概率数据与预设阈值进行比较，如果故障概率数据超过预设阈值，则说明此时数控机床正处于危险运行，因此本实施例输出报警信息，并中止所述数控机床的运行工作。
在另一种实现方式中，本实施例还可以获取所述数控机床的使用场景，根据所述使用场景对计算资源进行分配。而若边缘端待监测的数据机床的数量少于预设值时，则将计算资源向所述云端倾斜。而若边缘端待监测的数据机床的数量多于预设值时，则将计算资源向所述边缘端倾斜。具体地，本实施例可研究数控机床的故障监控系统的目标和约束（目标一般可设计为提高故障预测的准确率，约束可基于数控机床加工与刀具等使用场景，包含监控数据传输时延、边缘端的传感器计算开销、数据质量（可由数据丢包率反映）、物联网络整体吞吐量等），实现根据当前工厂内（可能包含多个机床）多机床使用情况的云端-边缘端协同控制。比如，如目前工厂内只有少量数控机床运行需要进行监控，则整体计算资源剩余较多，可分配更多计算资源到边缘端，即在边缘端的传感器请求时允许对其更多的参数进行采集与调优；反之，如果当前处于高密度生产阶段，则进一步压缩边缘端的计算资源，保证边缘端进行基本的轻量级计算，加快数据传输，由云端完成故障的预测工作，实现工厂级计算资源的“削峰填谷”。
综上，本实施例首先基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，其中，所述传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据。然后，基于云端预设的故障预测模型对所述机床运行数据进行分析，自动根据所述机床运行数据输出故障概率数据，所述故障概率数据用于反映所述数控机床出现故障的概率。最后，若所述故障概率数据超过预设阈值，则输出报警信息，并中止所述数控机床的运行工作。由于本实施例是在边缘端首先进行了数据预处理，这样在将数据发送给云端时，可以减少数据传输负荷，提高了数据质量。此外，本发明可实现对数控机床的故障进行实时且准确的预测。
与传统工业物联网和深度学习结合，用以预测工业设备故障相比，本实施例深度结合数控机床特色场景，分析云端-边缘端协同进行刀具磨损或故障预测的约束和目标，实现数控机床刀具磨损与故障实时监控的云端重量级计算模型和边缘端轻量级计算模型的协同，可更好地保障故障与磨损预测有效性。
示例性装置
基于上述实施例，本发明还提供一种数控机床的适应性故障监测装置，如图2中所示，所述装置包括：数据获取模块10、数据分析模块20以及机床控制模块30。所述数据获取模块10，用于基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，其中，所述传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据。所述数据分析模块20，用于基于云端预设的故障预测模型对所述机床运行数据进行分析，自动根据所述机床运行数据输出故障概率数据，所述故障概率数据用于反映所述数控机床出现故障的概率。所述机床控制模块30，用于若所述故障概率数据超过预设阈值，则输出报警信息，并中止所述数控机床的运行工作。
在一种实现方式中，所述数据获取模块10，包括：
第一传感器设置单元，用于预先在所述数控机床的刀具安装位置、刀具操作位置设置振动传感器或者受力传感器；
第二传感器设置单元，用于预先在所述数控机床上设置温湿度传感器。
在一种实现方式中，所述数据获取模块10，包括：
机床启停数据获取单元，用于基于所述振动传感器采集所述机床启停数据；
刀具加工数据获取单元，用于基于所述受力传感器采集所述刀具加工数据，所述刀具加工数据反映的是刀具在所述数控机床上的使用数据；
环境温湿度数据获取单元，用于基于所述温湿度传感器实采集所述环境温湿度数据。
在一种实现方式中，所述数据获取模块10，包括：
数据筛选单元，用于对所述传感数据进行相关性筛选，确定所述传感数据中与数控机床的故障原因相关的传感数据，得到筛选后的传感数据，其中，所述相关性反映的是所述传感数据与所述故障原因之间的关联性；
降噪处理单元，用于通过所述轻量计算模型对所述筛选后的传感数据进行平滑与降噪处理，得到所述机床运行数据。
在一种实现方式中，所述数据获取模块10，还包括：
通用数据确定单元，用于获取所述传感数据中的通用参数，所述通用参数是所述数控机床在进行加工过程中固定的参数；
特性参数确定单元，用于从所述传感数据中获取除所述通用参数后所剩下的特性参数，将所述特性参数发送至云端，所述特性参数为实时采集到所述刀具加工数据。
在一种实现方式中，所述故障预测模型的训练方式包括：
获取不同类型的数控机床所对应的历史刀具加工数据、历史环境温湿度数据机、历史机床启停数据、历史刀具磨损数据以及历史故障数据；
将所述历史刀具加工数据、所述历史环境温湿度数据机、缩水历史机床启停数据作为自变量，将所述历史刀具磨损数据与所述历史故障数据作为因变量，在云端训练通用重量级长短时记忆模型，得到所述故障预测模型。
在一种实现方式中，所述装置包括：
使用场景获取模块，用于获取所述数控机床的使用场景，根据所述使用场景对计算资源进行分配；
第一计算资源分配模块，用于若边缘端待监测的数据机床的数量少于预设值时，则将计算资源向所述云端倾斜；
第二计算资源分配模块，用于若边缘端待监测的数据机床的数量多于预设值时，则将计算资源向所述边缘端倾斜。
本实施例的数控机床的适应性故障监测系统中各个模块的工作原理与上述方法实施例中各个步骤的原理相同，此处不再赘述。
基于上述实施例，本发明还提供了一种数控机床，该数控机床中包括有主控装置，所述主控装置可为智能电脑等终端平台，所述数控机床的原理框图可以如图3所示。数控机床可以包括一个或多个处理器100（图3中仅示出一个），存储器101以及存储在存储器101中并可在一个或多个处理器100上运行的计算机程序102，例如， 数控机床的适应性故障监测的程序。一个或多个处理器100执行计算机程序102时可以实现数控机床的适应性故障监测的方法实施例中的各个步骤。或者，一个或多个处理器100执行计算机程序102时可以实现数控机床的适应性故障监测的装置实施例中各模块/单元的功能，此处不作限制。
在一个实施例中，所称处理器100可以是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在一个实施例中，存储器101可以是电子设备的内部存储单元，例如电子设备的硬盘或内存。存储器101也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡（smart media card，SMC），安全数字（secure digital，SD）卡，闪存卡（flash card）等。进一步地，存储器101还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及数控机床所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
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数控机床的限定，具体的数控机床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。
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，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、运营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）、双运营数据率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，本发明公开了一种数控机床的自适应故障监测方法及系统，方法包括：基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对传感数据进行数据预处理，得到机床运行数据，其中，传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据；基于云端预设的故障预测模型对机床运行数据进行分析，自动根据机床运行数据输出故障概率数据，故障概率数据用于反映数控机床出现故障的概率；若故障概率数据超过预设阈值，则输出报警信息，并中止数控机床的运行工作。本发明可实现对数控机床的故障进行实时且准确的预测，并且本发明基于边缘端与云端进行协作，不但缓解了云端的计算量，而且也减少了传输负荷，提高了数据质量。
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)
1.一种数控机床的适应性故障监测方法，其特征在于，所述方法包括：
基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，其中，所述传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据；
基于云端预设的故障预测模型对所述机床运行数据进行分析，自动根据所述机床运行数据输出故障概率数据，所述故障概率数据用于反映所述数控机床出现故障的概率；
若所述故障概率数据超过预设阈值，则输出报警信息，并中止所述数控机床的运行工作。
2.根据权利要求1所述的数控机床的适应性故障监测方法，其特征在于，所述基于边缘端的状态感知模型采集数控机床的传感数据，之前包括：
预先在所述数控机床的刀具安装位置、刀具操作位置设置振动传感器或者受力传感器；
预先在所述数控机床上设置温湿度传感器。
3.根据权利要求2所述的数控机床的适应性故障监测方法，其特征在于，所述基于边缘端的状态感知模型采集数控机床的传感数据，包括：
基于所述振动传感器采集所述机床启停数据；
基于所述受力传感器采集所述刀具加工数据，所述刀具加工数据反映的是刀具在所述数控机床上的使用数据；
基于所述温湿度传感器实采集所述环境温湿度数据。
4.根据权利要求3所述的数控机床的适应性故障监测方法，其特征在于，所述通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，包括：
对所述传感数据进行相关性筛选，确定所述传感数据中与数控机床的故障原因相关的传感数据，得到筛选后的传感数据，其中，所述相关性反映的是所述传感数据与所述故障原因之间的关联性；
通过所述轻量计算模型对所述筛选后的传感数据进行平滑与降噪处理，得到所述机床运行数据。
5.根据权利要求4所述的数控机床的适应性故障监测方法，其特征在于，所述通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，还包括：
获取所述传感数据中的通用参数，所述通用参数是所述数控机床在进行加工过程中固定的参数；
从所述传感数据中获取除所述通用参数后所剩下的特性参数，将所述特性参数发送至云端，所述特性参数为实时采集到所述刀具加工数据。
6.根据权利要求1所述的数控机床的适应性故障监测方法，其特征在于，所述故障预测模型的训练方式包括：
获取不同类型的数控机床所对应的历史刀具加工数据、历史环境温湿度数据机、历史机床启停数据、历史刀具磨损数据以及历史故障数据；
将所述历史刀具加工数据、所述历史环境温湿度数据机、缩水历史机床启停数据作为自变量，将所述历史刀具磨损数据与所述历史故障数据作为因变量，在云端训练通用重量级长短时记忆模型，得到所述故障预测模型。
7.根据权利要求1所述的数控机床的适应性故障监测方法，其特征在于，所述方法包括：
获取所述数控机床的使用场景，根据所述使用场景对计算资源进行分配；
若边缘端待监测的数据机床的数量少于预设值时，则将计算资源向所述云端倾斜；
若边缘端待监测的数据机床的数量多于预设值时，则将计算资源向所述边缘端倾斜。
8.一种数控机床的适应性故障监测装置，其特征在于，所述装置包括：
数据获取模块，用于基于边缘端的状态感知模型采集数控机床的传感数据，并通过边缘端的轻量计算模型对所述传感数据进行数据预处理，得到机床运行数据，其中，所述传感数据包括机床启停数据、环境温湿度数据以及刀具加工数据；
数据分析模块，用于基于云端预设的故障预测模型对所述机床运行数据进行分析，自动根据所述机床运行数据输出故障概率数据，所述故障概率数据用于反映所述数控机床出现故障的概率；
机床控制模块，用于若所述故障概率数据超过预设阈值，则输出报警信息，并中止所述数控机床的运行工作。
9.一种数控机床，其特征在于，所述数控机床包括存储器、处理器及存储在存储器中并可在处理器上运行的数控机床的适应性故障监测程序，所述处理器执行所述数控机床的适应性故障监测程序时，实现如权利要求1-7任一项所述的数控机床的适应性故障监测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有数控机床的适应性故障监测程序，所述数控机床的适应性故障监测程序被处理器执行时，实现如权利要求1-7任一项所述的数控机床的适应性故障监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211098817.8A CN115185234A (zh) | 2022-09-09 | 2022-09-09 | 一种数控机床的适应性故障监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211098817.8A CN115185234A (zh) | 2022-09-09 | 2022-09-09 | 一种数控机床的适应性故障监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115185234A true CN115185234A (zh) | 2022-10-14 |
Family
ID=83522990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211098817.8A Pending CN115185234A (zh) | 2022-09-09 | 2022-09-09 | 一种数控机床的适应性故障监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115185234A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115826503A (zh) * | 2023-02-14 | 2023-03-21 | 深圳市玄羽科技有限公司 | 一种基于工业互联网大数据的机床远程诊断方法 |
| CN116300691A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市正和楚基科技有限公司 | 一种多轴联动数控加工的状态监测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710362A (zh) * | 2018-06-25 | 2018-10-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于工业互联网平台的数控机床联网诊断方法 |
| CN109933004A (zh) * | 2019-03-27 | 2019-06-25 | 苏芯物联技术(南京)有限公司 | 基于边缘计算和云协同的机床故障诊断与预测方法及系统 |
| CN109961196A (zh) * | 2017-12-22 | 2019-07-02 | 华中科技大学 | 用于服务数控机床的方法及相应装置 |
| CN110394688A (zh) * | 2019-09-02 | 2019-11-01 | 太原科技大学 | 基于边缘计算的机床状态监测方法 |
| CN110554657A (zh) * | 2019-10-16 | 2019-12-10 | 河北工业大学 | 一种数控机床运行状态健康诊断系统及诊断方法 |
| CN111736566A (zh) * | 2019-03-25 | 2020-10-02 | 南京智能制造研究院有限公司 | 一种基于机器学习与边缘计算的远程设备健康预测方法 |
| CN112181382A (zh) * | 2020-11-27 | 2021-01-05 | 北京和利时系统工程有限公司 | 一种基于软件定义的工业智能控制系统 |
| CN113255584A (zh) * | 2021-06-22 | 2021-08-13 | 德明通讯（上海）股份有限公司 | 一种基于边缘计算的故障诊断与监测系统 |
| CN114706347A (zh) * | 2022-04-19 | 2022-07-05 | 盐城工学院 | 一种用于电解加工机床的故障诊断系统及诊断方法 |
-
2022
- 2022-09-09 CN CN202211098817.8A patent/CN115185234A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961196A (zh) * | 2017-12-22 | 2019-07-02 | 华中科技大学 | 用于服务数控机床的方法及相应装置 |
| CN108710362A (zh) * | 2018-06-25 | 2018-10-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于工业互联网平台的数控机床联网诊断方法 |
| CN111736566A (zh) * | 2019-03-25 | 2020-10-02 | 南京智能制造研究院有限公司 | 一种基于机器学习与边缘计算的远程设备健康预测方法 |
| CN109933004A (zh) * | 2019-03-27 | 2019-06-25 | 苏芯物联技术(南京)有限公司 | 基于边缘计算和云协同的机床故障诊断与预测方法及系统 |
| CN110394688A (zh) * | 2019-09-02 | 2019-11-01 | 太原科技大学 | 基于边缘计算的机床状态监测方法 |
| CN110554657A (zh) * | 2019-10-16 | 2019-12-10 | 河北工业大学 | 一种数控机床运行状态健康诊断系统及诊断方法 |
| CN112181382A (zh) * | 2020-11-27 | 2021-01-05 | 北京和利时系统工程有限公司 | 一种基于软件定义的工业智能控制系统 |
| CN113255584A (zh) * | 2021-06-22 | 2021-08-13 | 德明通讯（上海）股份有限公司 | 一种基于边缘计算的故障诊断与监测系统 |
| CN114706347A (zh) * | 2022-04-19 | 2022-07-05 | 盐城工学院 | 一种用于电解加工机床的故障诊断系统及诊断方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115826503A (zh) * | 2023-02-14 | 2023-03-21 | 深圳市玄羽科技有限公司 | 一种基于工业互联网大数据的机床远程诊断方法 |
| CN115826503B (zh) * | 2023-02-14 | 2023-04-14 | 深圳市玄羽科技有限公司 | 一种基于工业互联网大数据的机床远程诊断方法 |
| CN116300691A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市正和楚基科技有限公司 | 一种多轴联动数控加工的状态监测方法及系统 |
| CN116300691B (zh) * | 2023-05-25 | 2023-08-04 | 深圳市正和楚基科技有限公司 | 一种多轴联动数控加工的状态监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115185234A (zh) | 一种数控机床的适应性故障监测方法及系统 | |
| US7013411B2 (en) | Method for the automated generation of a fault tree structure | |
| CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
| CN108693822B (zh) | 控制装置、存储介质、控制系统及控制方法 | |
| DE112006000819T5 (de) | Diagnose- und Vorhersageverfahren und -system | |
| CN114676647B (zh) | 一种基于深度学习方法的数控机床零部件寿命预测方法 | |
| KR101938946B1 (ko) | 대량의 데이터 수집을 위한 인터페이스 미들웨어 시스템 및 인터페이스 미들웨어 시스템의 데이터 수집 방법 | |
| CN107798460B (zh) | 用于处理在连续工艺中获得的数据的智能工厂平台 | |
| WO2018154604A1 (en) | Method and system for tool life monitoring and management in a cnc environment | |
| US20190196458A1 (en) | Method for selecting leading associated parameter and method for combining critical parameter and leading associated parameter for equipment prognostics and health management | |
| CN111880475A (zh) | 用于数控机床的防撞机控制方法、控制系统及数控机床 | |
| CN115311825B (zh) | Pcb设备报警数据推送方法、装置、计算机设备及存储介质 | |
| CN114660993B (zh) | 一种基于多源异构数据特征降维的数控机床故障预测方法 | |
| CN115511136A (zh) | 基于层次分析和故障树的设备故障辅助诊断方法及系统 | |
| CN114918739A (zh) | 一种机床主轴故障检测方法、装置、终端及存储介质 | |
| CN115934487A (zh) | 日志监控告警方法、装置、计算机设备和存储介质 | |
| CN113472881B (zh) | 在线终端设备的统计方法和装置 | |
| CN113850428A (zh) | 作业调度的预测处理方法、装置和电子设备 | |
| CN111400368A (zh) | 一种分布式服务器系统的日志查找方法及装置 | |
| WO2019137712A1 (en) | Industrial process data processing | |
| WO2014117139A9 (en) | Reducing product variations via variance partition analysis | |
| US20230136216A1 (en) | Quantization of data streams of instrumented software and handling of delayed data by adjustment of a maximum delay | |
| US11886453B2 (en) | Quantization of data streams of instrumented software and handling of delayed or late data | |
| CN112417701B (zh) | 数控机床剩余寿命预测方法、装置和网络侧服务端 | |
| CN113110292B (zh) | 基于时序功率数据的机床工作状态预测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221014 |
|
| RJ01 | Rejection of invention patent application after publication |