CN115220396A - 一种数控机床智能监控方法及系统 - Google Patents

Abstract

本发明涉及机床监控技术领域，具体涉及一种数控机床智能监控方法及系统，该方法包括：在数控机床上部署多种传感器，对机床运行过程中的各个检测参数的运行数据进行采集，用于对机床各参数数据进行检测分析；建立数据分析模型，基于对个检测参数数据的分析，提取机床运行过程中的特征参数，用于对机床运行状况进行分析；基于所提取的机床运行特征参数，对机床状况进行自动检测，实现对数控机床的智能监控。本发明准确提取异常数据，避免噪点数据对其检测过程的影响。

Description

一种数控机床智能监控方法及系统

技术领域

本发明涉及机床监控技术领域，具体涉及一种数控机床智能监控方法及系统。

背景技术

在数控机床上加工零件，主要取决于加工程序，它与普通机床不同，不必制造，更换许多模具、夹具，不需要经常重新调整机床。因此，数控机床适用于所加工的零件频繁更换的场合，亦即适合单件，小批量产品的生产及新产品的开发，从而缩短了生产准备周期，节省了大量工艺装备的费用。数控机床监控系统可提供机床实时制造生产数据、即时通知以及历史分析的可视化，数控机床监控系统能够轻松缩短制造周期，提高生产者的效率以节省生产成本，因此，对于数控机床的智能监控是保证机床高效正常运行的关键步骤。

为实现对数控机床工作状况的准确监控，本发明将基于多维数据对数控机床的工作状况进行监控，对多维数据进行融合分析，并对数据进行处理筛选，实现对数控机床状况的精确检测，并进行相应的预警提示，进而实现对机床的准确智能监控。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种数控机床智能监控方法，所采用的技术方案具体如下：

采集数控机床运行状况的多个检测参数，根据各检测参数在不同时刻的数据构建矩阵，并对该矩阵进行归一化处理得到数据分析矩阵；

设置

的窗口对数据分析矩阵中的每个单位行向量进行分析，计算窗口数据异常置信度判定值，将该值的取值小于判定阈值的窗口记为第一类窗口，将该值的取值大于判定阈值的窗口记为第二类窗口；

获取第一类窗口的邻域窗口，并拟合各窗口内数据的线性函数获得对应的斜率，根据所述斜率和第一类窗口内的数据计算第一类窗口的检测参数；将该参数大于阈值的第一类窗口记为第一类局部异常窗口；根据第二类窗口的数据计算窗口内的数据波动情况，将数据波动情况大于阈值的第二类窗口记为第二类局部异常窗口；

统计数据分析矩阵中每个行向量所对应的第一类局部异常窗口以及第二类局部异常窗口的数量，建立异常特征参数，对数控机床运行过程中检测参数的运行状况进行判定，进而对数控机床运行状况的监控。

优选地，所述计算窗口数据异常置信度判定值具体为：

其中，

为单位行向量c的局部窗口i的窗口数据异常置信度判定值，

分别为单位行向量c的局部窗口i内最大数据值、最小数据值，

为单位行向量c的局部窗口i内数据的方差。

优选地，所述第一类窗口的检测参数的获取方法具体为：

式中，

分别代表局部窗口i和窗口i-1的数据均值差值绝对值、局部窗口i和窗口i+1的数据均值差值绝对值，

分别代表局部窗口i和窗口i-1对应参数向量之间的余弦相似度、局部窗口i和i+1对应参数向量之间的余弦相似度，

、

分别为取最小值、最大值操作。

优选地，所述异常特征参数的获取方法具体为：

式中，

为检测参数c（单位行向量c）所对应的异常特征参数，

分别为检测参数c所对应的第一类局部异常窗口数量、第二类局部异常窗口数量。

优选地，所述对数控机床运行过程中检测参数的运行状况进行判定具体为：

当数控机床检测参数的异常特征参数值高于预设阈值时，则数控机床的检测参数状况不佳；否则，数控机床的检测参数状况正常。

本发明还提供了一种数控机床智能监控系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种数控机床智能监控方法的步骤。

本发明实施例至少具有如下有益效果：

本发明基于通过多维数据构建数据分析矩阵，对各个检测参数的数据进行分析，准确提取异常数据，避免噪点数据对其检测过程的影响，本发明具有检测精度高，速度快等有益效果。

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和优点，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的介绍，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，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它附图。

图1是一种数控机床智能监控方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种数控机床智能监控方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种数控机床智能监控方法及系统的具体方案。

实施例1：

请参阅图1，其示出了本发明一个实施例提供的一种数控机床智能监控方法的步骤流程图，该方法包括以下步骤：

步骤一，采集数控机床运行状况的多个检测参数，根据各检测参数在不同时刻的数据构建矩阵，并对该矩阵进行归一化处理得到数据分析矩阵。

本发明基于多维数据对数控机床状况进行分析，以实现对数控机床状态的智能监控。本发明主要基于数控机床工作过程中各个检测参数的数据对其工作情况进行分析，与数控机床工作情况相关的检测参数有很多，比如机床振动频率、设备功率、电机旋转速度等，通过相应的传感器进行获取相应的检测参数数据，具体的传感器类型实施者可根据实际情况自行选取。针对不同类型的数控机床运行状况的检测分析需要获取与其对应的检测参数、设置相对应的参数数据采集装置、传感器。本发明将有限个数控机床运行状况相关的检测参数数量记为m，通过相应的传感器对各个检测参数的数据进行实时采集，得到数控机床智能监控的基础数据。所述数据采集设备为各种参数采集传感器、检测仪等，实施者可根据实际情况对其进行安装部署，以实现对对应检测参数数据进行提取。

至此，即可获取数控机床各个检测参数的时序数据，用于对数控机床状况进行综合监控分析。

需要说明的是，基于所采集的各个检测参数的数据信息，本发明可对数据进行处理、分析，进而实现对数控机床状况精确检测，本发明将建立数据分析模型，对多维检测参数的数据进行处理，构建数据分析矩阵，提取相关的特征参数，作为数控机床监控的基准。

具体地，对于采集的各个检测参数的大量数据，考虑到所采集的数据大多是连续的，不便于对检测参数的状态进行分析，因此，本发明将对所采集的数据进行离散化，对于每个检测参数，设置数据采样时间间隔t以及检测参数采集数据量k，本发明将数据时间间隔t=3s，数据量k=100，基于所提取的各个检测参数在不同时刻的采样数据，本发明将建立相应的数据分析矩阵：

所述检测矩阵中的k代表k个时刻的数据，m代表m个检测参数，

为检测参数m在k时刻所对应的数据，为避免各个检测参数不同量纲之间的影响，本发明将对数据分析矩阵进行归一化处理，保证每个函数值处于（0,1）。

步骤二，设置

的窗口对数据分析矩阵中的每个单位行向量进行分析，计算窗口数据异常置信度判定值，将该值的取值小于判定阈值的窗口记为第一类窗口，将该值的取值大于判定阈值的窗口记为第二类窗口。

首先，需要说明的是，对于所述数据分析矩阵中的每个检测参数，本发明将考虑到数据采集过程中当出现噪点时，将会对检测参数状态的检测分析产生影响，噪声数据极易被误认为是异常数据，导致对检测参数状态的分析出现误差，故本发明将对数据分析矩阵进行噪点数据的滤除，以避免噪点数据对于检测参数状态分析的影响。进而本发明建立数据分析模型，对数据分析矩阵内的异常数据进行准确提取，以实现对机床检测参数数据的监测目的。

然后，将对数据分析矩阵中的数据进行异常置信度的分析，对于数据分析矩阵中的每个单位行向量，设置

窗口，利用该窗口对其进行分析，为降低检测量，提高检测速度，初始窗口尺寸将设置为较大窗口，本实施例将其设置为N=25，以单位行向量c为例，对于局部窗口i，对窗口内数据的异常置信度进行判定，计算窗口数据异常置信度判定值为：

其中，

为单位行向量c的局部窗口i的窗口数据异常置信度判定值，

分别为单位行向量c的局部窗口i内最大数据值、最小数据值，

为单位行向量c的局部窗口i内数据的方差，

函数值越大（越接近于1），则认为该局部窗口内数据异常的可能性越高。

最后，本实施例设置疑似异常窗口判定阈值，判定阈值的取值为0.75，当窗口数据异常置信度判定值低于判定阈值时，将初步认为该局部窗口内的数据分布较为均匀，数据波动情况较小，则认为该局部窗口内不存在孤立的异常数据点以及噪点数据，将该类局部窗口记为第一类窗口。

但是本发明考虑到当局部窗口内全部为异常数据且异常数据的分布较为均匀时，若仅基于数据波动情况对其进行异常情况的分析，则将会被误分析的问题，因此，对于第一类窗口本发明将对其进行详细分析，以便准确对检测参数的异常状况进行识别。

当窗口数据异常置信度判定值高于判定阈值时，认为该局部窗口内数据分布较为不稳定，将该类局部窗口记为第二类窗口，同时，本发明考虑到当局部窗口出现噪点时，噪点数据在数据分析矩阵中具有随机孤立性，分布大多无规则性，会对局部窗口内数据的连续性产生破坏，进而造成误判情况，因此，对于第二类局部窗口，本发明同样对其进行细粒度分析，以便对检测参数的状况进行准确检测。在此需要说明，上述步骤的目的是为了基于局部窗口内的数据状况进行自适应的分析，以便后续针对性的基于局部窗口类型对窗口内的数据进行更进一步的检测。

步骤三，获取第一类窗口的邻域窗口，并拟合各窗口内数据的线性函数获得对应的斜率，根据所述斜率和第一类窗口内的数据计算第一类窗口的检测参数；将该参数大于阈值的第一类窗口记为第一类局部异常窗口；根据第二类窗口的数据计算窗口内的数据波动情况，将数据波动情况大于阈值的第二类窗口记为第二类局部异常窗口。

首先，若局部窗口i为第一类窗口，本发明将对其内数据的异常状况进行检测，对于第一类窗口，以i为例，本发明将获取其邻域局部窗口

，

，基于局部窗口内的数据均对应的拟合一个高斯模型

，并提取每个高斯模型对应的参数向量：

，

分别代表对应高斯模型的均值、方差，用于对拟合出的高斯函数曲线特征进行表征，进而对局部窗口内的数据分布情况进行检测，所述高斯模型的构建拟合过程为现有公知技术，不在本发明保护范围内，不做相关阐述。

为提高对局部窗口内数据异常的检测精度，本发明将基于局部窗口内的数据拟合一个线性函数，并获取函数斜率

，以便基于领域局部窗口的数据分布状况对当前局部窗口i进行异常状况的分析。构建第一类局部窗口异常判定模型，对第一类局部窗口i内的数据异常状况进行检测，计算第一类窗口的检测参数，具体为：

式中，

分别代表局部窗口i和窗口i-1的数据均值差值绝对值、局部窗口i和窗口i+1的数据均值差值绝对值，

分别代表局部窗口i和窗口i-1对应参数向量之间的余弦相似度、局部窗口i和i+1对应参数向量之间的余弦相似度，

、

分别为取最小值、最大值操作。对异常判定模型进行归一化处理，保证函数值处于（0,1），并设置相应的阈值（在本实施例中，阈值的取值为0.7），当所述第一类局部窗口异常判定指标高于阈值时，本发明将认为该局部窗口内数据为异常数据，该时段内对应的检测参数的数据出现异常状况，将其标注为第一类局部异常窗口；否则将认为该局部窗口内的数据为正常运行数据。

然后，若局部窗口j为第二类窗口时，对于第二类局部窗口，以j为例，本发明将对其进行细粒度分析，以分析该局部窗口内的数据为真实异常数据点还是噪点数据，以提高系统的监测精度，保证后续对机床检测参数实际状况的准确评估，所述细粒度分析过程具体为：

对于第二类局部窗口，本发明将首先对其内每个数据进行分析，以每个数据为中心，获取其邻域像素点，分析每个数据的波动情况，以窗口内的数据a为例，所述数据波动情况为：

，获取每个数据的波动程度，将局部窗口内出现波动程度高于0.6的数据的个数记为U，当U大于

时，将认为该局部窗口内出现真实异常数据，将该局部窗口标记为第二类局部异常窗口，其中

为设定参数，实施者可自行设置，本发明将其设置为

；否则将认为该局部窗口内出现孤立噪点数据，导致局部窗口内的数据分布状况稳定性较低，至此，可实现对每个局部窗口内的数据情况进行分析，对异常数据进行准确提取。

最后，通过上述步骤，本发明将实现对局部窗口内的数据进行准确判定，对异常数据进行提取，并有效避免噪点数据对于检测参数异常数据提取的影响，提高数据分析精度。根据本发明上述方法可对每个单位行向量均进行上述分析过程，也即对于每个检测参数的时序数据均进行异常数据的提取分析。

步骤四，统计数据分析矩阵中每个行向量所对应的第一类局部异常窗口以及第二类局部异常窗口的数量，建立异常特征参数，对数控机床运行过程中检测参数的运行状况进行判定，进而对数控机床运行状况的监控。

具体地，按照上述步骤的方法，统计数据分析矩阵中每个行向量所对应的第一类局部异常窗口以及第二类局部异常窗口的数量

，用于建立异常特征参数，对数控机床运行过程中检测参数的运行状况进行判定。

所述异常特征参数具体为：

式中，

为检测参数c（单位行向量c）所对应的异常特征参数，

分别为检测参数c所对应的第一类局部异常窗口数量、第二类局部异常窗口数量，

，U为第二类局部窗口j内波动程度高于0.6的数据的个数。

至此，即可获取检测参数c的异常特征参数，根据所述方法可获取数据分析矩阵中每个单位行向量所对应的异常特征参数，用于对机床运行过程中的检测参数状况进行分析，进而实现对机床状况的监控。

为实现基于多维数据对数控机床状况进行直观分析，本发明将对所述异常特征参数进行归一化处理，保证函数值处于(0,1)，并将设置异常特征参数阈值（在本实施例中该阈值的取值为0.5），当数控机床检测参数的异常特征参数值高于预设阈值时，系统将认为当前检测时段数控机床的该检测参数状况不佳，有发生故障的可能性，及时提示相关检测人员机床的该检测参数进行检修，以避免出现严重的故障状况；否则，将认为数控机床的检测参数状况正常。基于本发明所述方法可实现对数控机床运行过程中的各个检测参数数据进行监测分析，进而实现对数控机床运行状况的监控。

实施例2：

本实施例提供了一种数控机床智能监控系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种数控机床智能监控方法的步骤。由于实施例1已经对一种数控机床智能监控方法进行了详细的阐述，此处不再过多介绍。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种数控机床智能监控方法，其特征在于，该方法包括以下步骤：

采集数控机床运行状况的多个检测参数，根据各检测参数在不同时刻的数据构建矩阵，并对该矩阵进行归一化处理得到数据分析矩阵；

设置

的窗口对数据分析矩阵中的每个单位行向量进行分析，计算窗口数据异常置信度判定值，将该值的取值小于判定阈值的窗口记为第一类窗口，将该值的取值大于判定阈值的窗口记为第二类窗口；

获取第一类窗口的邻域窗口，并拟合各窗口内数据的线性函数获得对应的斜率，根据所述斜率和第一类窗口内的数据计算第一类窗口的检测参数；将该参数大于阈值的第一类窗口记为第一类局部异常窗口；根据第二类窗口的数据计算窗口内的数据波动情况，将数据波动情况大于阈值的第二类窗口记为第二类局部异常窗口；

统计数据分析矩阵中每个行向量所对应的第一类局部异常窗口以及第二类局部异常窗口的数量，建立异常特征参数，对数控机床运行过程中检测参数的运行状况进行判定，进而对数控机床运行状况的监控。

2.根据权利要求1所述的一种数控机床智能监控方法，其特征在于，所述计算窗口数据异常置信度判定值具体为：

其中，

为单位行向量c的局部窗口i的窗口数据异常置信度判定值，

分别为单位行向量c的局部窗口i内最大数据值、最小数据值，

为单位行向量c的局部窗口i内数据的方差。

3.根据权利要求1所述的一种数控机床智能监控方法，其特征在于，所述第一类窗口的检测参数的获取方法具体为：

式中，

分别代表局部窗口i和窗口i-1的数据均值差值绝对值、局部窗口i和窗口i+1的数据均值差值绝对值，

分别代表局部窗口i和窗口i-1对应参数向量之间的余弦相似度、局部窗口i和i+1对应参数向量之间的余弦相似度，

、

分别为取最小值、最大值操作。

4.根据权利要求1所述的一种数控机床智能监控方法，其特征在于，所述异常特征参数的获取方法具体为：

式中，

为检测参数c（单位行向量c）所对应的异常特征参数，

分别为检测参数c所对应的第一类局部异常窗口数量、第二类局部异常窗口数量。

5.根据权利要求1所述的一种数控机床智能监控方法，其特征在于，所述对数控机床运行过程中检测参数的运行状况进行判定具体为：

当数控机床检测参数的异常特征参数值高于预设阈值时，则数控机床的检测参数状况不佳；否则，数控机床的检测参数状况正常。

6.一种数控机床智能监控系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的一种数控机床智能监控方法的步骤。

Images