CN115935243A - 一种基于数据处理的故障分析方法 - Google Patents
一种基于数据处理的故障分析方法 Download PDFInfo
- Publication number
- CN115935243A CN115935243A CN202310180619.4A CN202310180619A CN115935243A CN 115935243 A CN115935243 A CN 115935243A CN 202310180619 A CN202310180619 A CN 202310180619A CN 115935243 A CN115935243 A CN 115935243A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- sensor
- various
- fault
- 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
Links
Images
Classifications
-
- 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
- Numerical Control (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种基于数据处理的故障分析方法,包括:获取各个关键位置在各个时刻内各个传感器采集的各个数据;根据各个数据的影响指数得到各种传感器的影响指数矩阵,进而得到各个传感器的各种数据值的参考权重;根据各种传感器的各种数据值的最小时间间隔以及参考权重得到各种数据值的数据异常系数,进而得到各个异常数据,根据各个异常数据得到各个故障发生时刻以及各个异常位置;根据各个异常数据与不同故障类型对应的各个历史数据之间的差异性得到各个异常位置的故障类型。本发明可以自动判断数控机床的故障位置以及故障类型,准确快速。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种基于数据处理的故障分析方法。
背景技术
数控机床是制造行业的主要生产机械设备,其优异的生产性能能够满足多种精密零部件的加工,数控机床稳定有序的运行是工厂正常生产的必要前提条件。作为一种具有高精度、大体积、组成复杂的机械设备,数控机床在使用过程难免会发生一些故障。
数控机床的故障可以分为随机性故障和硬性故障,随机性故障通常是由机床参数、软件程序等原因造成的,这种故障通常影响到工件生产,硬性故障通常是由数控机床控制系统的硬件损坏造成的,这种故障对机床本身的危害性较大,通常需要立刻解决。常见的硬件故障包括主轴故障、传动链故障以及换刀装置的故障,刀具自动夹紧结构、自动调速装置是造成主轴部件故障的常见因素;机械部件间的间隙过大会导致进给传动链故障;当机床的机械手臂转速不均时,自动换刀装置发生故障的频率将会大幅度增加。现阶段对数控机床的硬性故障的分析通常是在机床出现异常后对机床进人工检修,这种故障分析方式的时间较长且较为依赖维修人员的经验知识,是一种普适性较低的分析方法。
发明内容
本发明提供一种基于数据处理的故障分析方法,以解决现有的问题。
本发明的一种基于数据处理的故障分析方法采用如下技术方案:
本发明一个实施例提供了一种基于数据处理的故障分析方法,该方法包括以下步骤:
利用各个传感器采集数控机床的各个关键位置在不同时刻所对应的各个数据;
根据各个时刻内,各个关键位置上的同种传感器采集到的各个数据之间的差异得到各个数据的影响指数,根据各个数据的影响指数得到各种传感器的影响指数矩阵;
以各个关键位置上,各种传感器的各种数据值在各种传感器的影响指数矩阵中对应参数的均值作为各种数据值的参考权重;获取各种传感器的各种数据值中各个数据的采集时间之间的最小时间间隔;以各种传感器的各种数据值的最小时间间隔为周期间隔,根据各种数据值的参考权重以及各种数据值的各个周期性强度指标,得到各种数据值的数据异常系数,各种数据值中各个数据的数据异常系数等于各种数据值的数据异常系数;
根据各个数据的数据异常系数得到各个异常数据,以各个异常数据的采集时刻为故障发生时刻,以各个异常数据对应的位置编号得到数控机床的异常位置;获取各个异常位置上发生不同故障时,各种传感器采集到的各个历史数据;根据各个故障发生时刻各个异常位置上对应的异常数据与各个异常位置的历史数据之间的差异性得到各个异常位置的故障类型。
优选的,所述各个数据的影响指数的获取表达式为:
式中,为第K个时刻,第i个关键位置上安装的传感器A采集的数据的影响指数;为第i个关键位置上安装的传感器A采集的数据值,为第j个关键位置上安装的传感器A采集的数据值;J是数控机床所包含的关键位置的总个数;M是数控机床同种传感器A在正常情况下可以采集到的最大值。
优选的,所述各种传感器的各种数据值是指:对于各种传感器在同一个关键位置上的不同时刻采集的所有数据,将数据值大小相同的各个数据称为一种数据值,每种数据值包含多个数据。
优选的,所述各种数据值的各个周期性强度指标的获取方法为:
对于一个关键位置上的一个传感器,获取在所述关键位置上,所述传感器采集的所有数据中,采集时间间隔等于对应周期间隔的各个时间对;以各个时间对中各个时刻内,与所述传感器类型相同的传感器在所有关键位置上采集的数据之间的均值,计算各个时间对中各个时刻对应的均值之间的差值;将各个时间对所对应的差值之间的方差作为传感器类型为所述传感器时,各种数据值的周期性强度指标;计算所述关键位置上,传感器类型为其他传感器时,各种数据值的周期性强度指标,得到各种数据值的各个周期性强度指标。
优选的,所述各种数据值的数据异常系数的获取方法为:
对于一种目标传感器,将传感器类型为目标传感器时,各种数据值对应的周期性强度指标与各种数据值的参考权重之间的乘积作为在传感器类型为目标传感器时,各种数据值的异常程度;
计算传感器类型为其他传感器时,各种数据值对应的异常程度;将各种数据值在传感器类型为不同传感器时所对应的异常程度的累加值作为各种数据值的数据异常系数。
优选的,所述各个异常数据的获取方法为:
当各个数据对应的数据异常系数小于预设阈值时,各个数据为正常数据;当各个数据对应的数据异常系数大于等于预设阈值时,各个数据为异常数据。
优选的,所述根据各个故障发生时刻各个异常位置上对应的异常数据与各个异常位置的历史数据之间的差异性得到各个异常位置的故障类型的方法为:
计算各个故障发生时刻各个异常位置上各种传感器对应的各个异常数据,计算各个异常位置上,各种传感器对应的异常数据以及数控机床存在各种故障类型时,各种传感器对应的历史数据之间的欧式距离,将所有传感器对应的欧式距离进行累加,将所得结果作为各个故障发生时刻采集到的异常数据与各种故障类型对应的历史数据之间的差异性,将各种故障类型所对应的差异性最小的数据类型作为各个异常位置的故障类型。
本发明的技术方案的有益效果是:
首先在数控机床上多个关键位置安装多个传感器采集不同的机床数据,然后根据同一时刻内,同种传感器在不同关键位置上的采集的各个数据之间的差异情况得到该时刻内各个数据的影响指数,根据不同时刻不同关键位置上同种传感器采集的数据对应的影响指数构建影响指数矩阵,从而得到各个数据对判断各个关键位置上是否发生故障的影响程度,相对于传统的阈值判断方法,如傅里叶分析方法,该方法在窗函数确定后,其形状不再发生改变,然而对于故障时刻采集的非平稳信号,对窗函数的要求是会变化的,因此相对于传统方法,本方法可以得到更加准确的影响程度。
由于电流电压类的故障往往是瞬时发生的,且可能会存在因周围干扰产生的噪声数据,如果仅根据单个传感器采集的数据值是否超出阈值判断数控机床是否发生了故障可能会存在一定的误差,此外,对于不同量纲的采集数据的阈值标准也存在差异,同时对一个位置上的多个采集数据进行分析难度较大,使得数据处理效率下降,因此本发明根据正常数据存在周期性,而异常数据存在重复性的特点,得到各个数据的数据异常系数,从而对正常数据以及异常数据进行区分;并利用各个数据对应的数据异常系数得到各个异常数据以及各个异常位置,结合各个异常位置上的异常数据与各个异常位置上各种故障类型所对应的历史数据之间的差异性判断各个异常位置的具体故障类型,从而实现数控机床故障类型的自动分析,提高对数控机床故障的识别效率,有助于提升数控机床的加工效率。
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为本发明的一种基于数据处理的故障分析方法的步骤流程图。
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基于数据处理的故障分析方法,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基于数据处理的故障分析方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于数据处理的故障分析方法的步骤流程图,该方法包括以下步骤:
利用各个传感器采集数控机床的各个关键位置在不同时刻所对应的各个数据。
根据数控机床的型号、轴承结构以及机床的加工工件选择各主轴对应的关键位置,例如机械臂的转动装置就可以作为测速的关键位置,在数控机床的各个关键位置上安装用于采集数据的多种传感器,用于采集多个生产周期内数控机床在工作状态下,不同关键位置的各种数据。
在本发明中,数控机床的关键位置包括主轴、自动调速装置以及机械臂,本发明对各个关键位置分别赋予唯一的位置编号,从而能够直接根据位置编号确定机床出现故障的具体位置,位置编号并不参与具体的数据分析过程。
考虑到数控机床零部件的间隙和传感器的大小,本发明使用的传感器主要是振动传感器,电流传感器和电压传感器,分别用以采集每个关键位置上的振动信号,电流以及电压,记录数控机床的各个关键位置上,各个传感器在各个时刻所对应的数据。
根据各个时刻内,各个关键位置上的同种传感器采集到的各个数据之间的差异得到各个数据的影响指数,根据各个数据的影响指数得到各种传感器的影响指数矩阵。
数控机床的故障信号是非平稳信号,也就是说瞬时故障信号与正常信号之间的区别较大,使得瞬时故障信号在数控机床的所有采集数据中是相对明显的,因此对于数控机床的每个关键位置,本发明根据各个传感器在不同时刻对应的各个数据之间的差异,确定各个数据的异常程度,作为判断各个数据是否为故障产生的评价指标。进一步的,当数控机床出现故障时,故障发生位置的电流、电压以及振动信号等所有数据都处于异常状态。
由于本发明采集数据在数控机床多个完整的工作周期内的,因此数据之间存在一定的循环性,对于数控机床在正常工作状态下所采集的数据,其循环性表现在对于数控机床的同一个关键位置上各个传感器在不同时刻采集的数据是周期变化的,当数控机床发生故障时,由故障产生的异常数据会破坏正常数据的周期性变化,但是故障数据会在整个采集过程中按照固定频率反复出现,因此故障数据的循环性体现在不具有周期性,但是具有重复性,例如轴承故障时采集的振动信号,此振动信号对应的故障发生的那一时刻的瞬态幅值会破坏正常振动信号的周期性,但是该瞬态幅值在频域中是等间距分布的,相邻分布之间的距离就是故障的频率。
在多个关键位置采集的大量数据的目的是为了从多个角度分析数控机床是否出现故障,但是这样造成了非常大的计算量,而对数控机床的故障分析检测需要满足一定的时效要求,因此,本发明首先对同一时刻内各个关键位置上采集的数据进行分析,从而提取对数控机床出现故障的分析过程具有较高影响的数据,在本发明中,具有较高影响的数据是指此数据与数控机床的故障之间存在较强的相关关系。此时根据同一个时刻内,一种传感器A在数控机床的不同关键位置上采集的各个数据之间的差异计算各个数据对该时刻的影响指数,由于数控机床的每个关键位置上都会安装一个传感器A,因此数控机床的关键位置个数与传感器A的个数是相同的,此处的A可以理解为传感器的名称,则第K个时刻内,第i个关键位置上安装的传感器A采集的数据所对应的影响指数可表示为:
式中,为第i个关键位置上安装的传感器A采集的数据值,为第j个关键位置上安装的传感器A采集的数据值;J是数控机床所包含的关键位置的总个数,也是整个数控机床上传感器A的总个数;M是数控机床同种传感器A在正常情况下可以采集到的最大值。
例如对于当传感器A表示的是电流传感器,M则为数控机床允许的最大电流值;通过将各个时刻各个关键位置上不同传感器采集的数据,与对应传感器在正常情况下采集到的最大数据值进行作比,从而将不同传感器采集到的数据映射到同一范围内。
数控机床上不同关键位置存在差异是因为数控机床有内部损耗,比如电源有内阻,且这种内部损耗是对所有关键位置都有影响的,在这种情况下,同种传感器在不同关键位置上采集的数据之间的差异是很小的,甚至可以忽略,当数控机床内部损耗造成大量能量损失时,此时的数控机床必然存在故障,而同种传感器在发生故障的关键位置上采集的数据值会远大于只存在内部损耗的关键位置上采集的数据,因此本发明根据同一时刻上,不同关键位置上的同种传感器采集到的数据之间的差异情况判断该时刻内存在故障的概率,即当某一时刻,在一个关键位置上采集的数据值与其他位置上的数据值之间的差异越大,这个数据值为一个故障数据的概率越大,对应判断此时刻是否存在故障时的影响程度。由于故障信号为非平稳信号,传统的方法,如傅里叶分析,其对数据的周期性要求较高,使用傅里叶分析时往往会使用窗函数,而窗函数确定后,其形状就不会发生变化,而非平稳的故障信号要求窗函数是变化的,因此相对于传统方法,本方法更适合于存在非平稳故障信号的情况,从而得到更加准确的影响程度。
即影响指数反映了同一时刻内,同种传感器采集的任意一个数据对该时刻可能发生故障的影响程度,影响指数的值越大,对应该数据对判断第K个时刻是否发生故障的影响越高。
将第K个时刻,各个关键位置上的同种传感器A采集的数据所对应的影响指数构成了传感器A在当前第K个时刻对应的一维序列;假设共采集了m个时刻的数据,对于传感器A,将这种传感器在不同时刻对应的一维序列构成了一个m行J列的矩阵,该矩阵即为传感器A的影响指数矩阵,同理,根据上述方法获取每种传感器所对应的影响指数矩阵,记本发明在数控机床的各个关键位置上安装的传感器种类数为P,则可以得到P个影响指数矩阵,每一种传感器均对应一个影响指数矩阵。
此时,传感器A的影响指数矩阵的每一列为同一个关键位置对应的传感器A在不同时刻采集的数据对应的数据影响指数;的每一行为不同关键位置对应的传感器A在同一时刻内采集的数据对应的数据影响指数;则第i关键位置上安装的传感器A在第K个时刻采集的数据对应中第K行第i列的参数,该参数值即为该采集数据的影响指数,即对于同种传感器,在不同关键位置上不同时刻采集的数据与该传感器所对应的指数影响矩阵存在一一对应关系。
由于影响指数矩阵可以将多个时刻的同种传感器所采集的数据集中到一个矩阵中,而故障时刻采集的数据与正常数据存在较为显著的差异,因此利用影响指数矩阵,从不同的采集时刻对数据记性分析,可以增加故障时刻数据的显著性,能够更好地将所有时刻的采集数据进行分析对比。
获取各个关键位置上,各种传感器各种数据值的参考权重;根据各种传感器的各种数据值的最小时间间隔以及参考权重得到各种数据值的数据异常系数。
对于得到各种传感器的影响指数矩阵,矩阵中的每个参数都对该参数所对应的时刻是否发生故障的判断具有较强的影响性。对于数控机床来说,发生故障时的数据相较于正常工作状态下的数据是异常的,而正常数据与故障数据之间的区别在于,正常数据的循环性表现在较强的周期性上,故障数据的循环性表现在数据的重复性上,故本发明中周期性较强的数据的异常程度是较弱的,而具有重复性的数据是异常程度较强的。因此本发明中根据各个关键位置上,各种传感器在个时刻内采集的数据的周期性,对各个关键位置上的异常数据进行分析,本发明中将一个关键位置上,一个传感器在不同时刻采集的所有数据中,数据值相同的各个数据称为一种数据值,则对于第i个关键位置上安装的第p个传感器,在个时刻内采集的第r种数据值的数据异常系数可表示为:
式中,是第p个传感器采集的第r种数据值中各个数据之间的最小时间间隔;表示以第p个传感器采集的第r种数据值的最小时间间隔为周期间隔时,第p个传感器对应的异常程度;为各个关键位置上安装的同种传感器在第t1个时刻采集的所有数据的均值;为各个关键位置安装的同种传感器在第t2个时刻采集的所有数据的均值,且;m是数据采集的时刻个数,即共采集量m个时刻,P是各个关键位置上安装的传感器种类数,为求方差函数;表示第 p个传感器第r种数据值中的各个数据,在该传感器的影响指数矩阵中对应参数的平均值;表示保证所述采集时刻不超过采集时刻的总个数m。
正常状态下的数控机床各个关键位置上的各个传感器采集数据都是周期性较强的数据,且每个周期的时间间隔是固定的,传感器采集到的值大小也是较为接近的;此外,当数控机床不存在故障时,各个关键位置对应的各种数据也是周期性变化的,因此,对于一个传感器采集的一个数据,判断该数据是否存在异常时,需要满足两个条件,周期时间间隔一致,该数据所处时刻上,同种传感器采集的所有数据的均值也是较为相似的。
因此本发明首先获取各个关键位置上各个传感器采集到的相同数据所对应的最小时间间隔,根据每间隔该最小时间间隔的各个时刻,同种传感器采集的所有数据的均值之间的差异情况对各个数据的异常程度进行判断;即对于第i个关键位置上,第p个传感器采集得到的第r种数据值,首先获取第r种数据值中各个数据的最小时间间隔,然后每间隔时间的两个时刻构成一个时间对,由此得到多个时间对,例如其中一个时间对分别为第t1个时刻与第t2个时刻,获取这两个时刻中同种传感器所采集的所有数据的均值的差异,即,正常情况下,当数据为周期性变化时,间隔一个周期的两个时刻对应的上述均值之间的差异应该较小,因此当各个时刻对应的差值之间的差异越小,即越小,表示以该数据的最小时间间隔为周期间隔所得到的周期性越强,对应该数据为故障数据的概率越小;因此本发明将作为第p个传感器采集得到的第r种数据值的周期性强度指标。
考虑到同一传感器在不同时刻采集的数据对判断故障是否发生的影响程度不同,因此本发明以第p个传感器的第r种数据值在该传感器的影响指数矩阵中对应参数的均值作为该数据的参考程度,越大,在计算该数据的异常程度时对该数据所对应的的参考程度越大,从而得到当传感器的类型为第p个传感器的传感器类型时,第p个传感器的第r种数据值的异常程度。同理,计算当传感器的类型为其他传感器时,第p个传感器的第r种数据值所对应的异常程度,将所有传感器对应的第p个传感器的第r种数据值的异常程度的累加值作为第p个传感器的第r种数据值的数据异常系数。
其中各种数据值中各个数据的数据异常系数等于各种数据值的数据异常系数,即第r种数据值中的各个数据的数据异常系数均为。值得注意的是,由于越靠近噪声源的关键位置受到的噪声影响越大,且无论是数控机床的何种故障,主轴故障,机械臂故障,产生故障的时刻会产生多个异常数据,因此当传感器采集的一个数据值不存在最小时间间隔时,认为这种数据是周围干扰噪声产生的异常数据。
由于电流电压类的故障往往是瞬时发生的,且可能会存在因周围干扰产生的噪声数据,如果仅根据单个传感器采集的数据值是否超出阈值判断数控机床是否发生了故障可能会存在一定的误差,此外,对于不同量纲的采集数据的阈值标准也存在差异,同时对一个位置上的多个采集数据进行分析难度较大,使得数据处理效率下降,因此本发明根据上述方法,得到各个关键位置上,各个传感器采集到的各个数据的数据异常系数,设置判断阈值Y,根据经验设置Y的值为5,当一个数据的数据异常系数小于Y时,该数据为正常数据;当一个数据的数据异常系数大于等于Y时,认为该数据为一个故障数据,需要进一步判断故障类型,依次对各个数据进行判断,得到各个故障数据。
根据各个数据的数据异常系数得到各个异常数据,进而得到各个故障发生时刻以及各个异常位置;根据各个故障发生时刻各个异常位置上对应的异常数据与对应的异常位置上各个故障类型的历史数据得到各个异常位置的故障类型。
将各个故障数据对应的采集时刻作为故障发生时刻,在根据各个故障数据所对应的关键位置编号找到发生故障的异常位置;获取历史时刻中,此类异常位置上发生的常见故障类型以及不同故障发生时各种传感器采集到的数据,从而得到各个故障类型所对应的各个历史数据,本发明中各个关键位置上的各个历史数据为各个关键位置上常见的故障类型所对应的不同传感器采集到的数据。
以数控机床的机械臂为例,获取机械臂故障时,各种故障类型所对应的历史数据,计算本发明中判断为故障发生时刻时,各种传感器对应的异常数据与各个历史数据中对应传感器采集到的故障数据之间的相似性,本发明通过计算对应传感器采集的数据之间的欧式距离评估两组数据之间的相似性,欧式距离越小,相似度就越高,欧式距离的计算为公知技术,具体过程不再详细赘述。将所有故障类型中,与本发明中故障发生时刻的各个故障数据之间的相似性最高的历史数据所对应的故障类型作为本发明中数控机床的故障类型。
通过以上步骤,完成了对数控机床的故障分析。
本发明首先在数控机床上多个关键位置安装多个传感器采集不同的机床数据,然后根据同一时刻内,同种传感器在不同关键位置上的采集的各个数据之间的差异情况得到该时刻内各个数据的影响指数,根据不同时刻不同关键位置上同种传感器采集的数据对应的影响指数构建影响指数矩阵,从而得到各个数据对判断各个关键位置上是否发生故障的影响程度,相对于传统的阈值判断方法,如傅里叶分析方法,本方法更适合于对非平稳的故障信号进行判断,进而得到更加准确的影响程度。
而电流电压类的故障往往是瞬时发生的,且可能会存在因周围干扰产生的噪声数据,如果仅根据单个传感器采集的数据值是否超出阈值判断数控机床是否发生了故障可能会存在一定的误差,此外,对于不同量纲的采集数据的阈值标准也存在差异,同时对一个位置上的多个采集数据进行分析难度较大,使得数据处理效率下降,因此本发明根据正常数据存在周期性,而异常数据存在重复性的特点,得到各个数据的数据异常系数,从而对正常数据以及异常数据进行区分;并利用各个数据对应的数据异常系数得到各个异常数据以及各个异常位置,结合各个异常位置上的异常数据与各个异常位置上各种故障类型所对应的历史数据之间的差异性判断各个异常位置的具体故障类型,从而实现数控机床故障类型的自动分析,提高对数控机床故障的识别效率,有助于提升数控机床的加工效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于数据处理的故障分析方法,其特征在于,该方法包括以下步骤:
利用各个传感器采集数控机床的各个关键位置在不同时刻所对应的各个数据;
根据各个时刻内,各个关键位置上的同种传感器采集到的各个数据之间的差异得到各个数据的影响指数,根据各个数据的影响指数得到各种传感器的影响指数矩阵;
以各个关键位置上,各种传感器的各种数据值在各种传感器的影响指数矩阵中对应参数的均值作为各种数据值的参考权重;获取各种传感器的各种数据值中各个数据的采集时间之间的最小时间间隔;以各种传感器的各种数据值的最小时间间隔为周期间隔,根据各种数据值的参考权重以及各种数据值的各个周期性强度指标,得到各种数据值的数据异常系数,各种数据值中各个数据的数据异常系数等于各种数据值的数据异常系数;
根据各个数据的数据异常系数得到各个异常数据,以各个异常数据的采集时刻为故障发生时刻,以各个异常数据对应的位置编号得到数控机床的异常位置;获取各个异常位置上发生不同故障时,各种传感器采集到的各个历史数据;根据各个故障发生时刻各个异常位置上对应的异常数据与各个异常位置的历史数据之间的差异性得到各个异常位置的故障类型。
2.根据权利要求1所述的一种基于数据处理的故障分析方法,其特征在于,所述各个数据的影响指数的获取表达式为:
式中,为第K个时刻,第i个关键位置上安装的传感器A采集的数据的影响指数;为第i个关键位置上安装的传感器A采集的数据值, 为第j个关键位置上安装的传感器A采集的数据值;J是数控机床所包含的关键位置的总个数;M是数控机床同种传感器A在正常情况下可以采集到的最大值。
3.根据权利要求1所述的一种基于数据处理的故障分析方法,其特征在于,所述各种传感器的各种数据值是指:对于各种传感器在同一个关键位置上的不同时刻采集的所有数据,将数据值大小相同的各个数据称为一种数据值,每种数据值包含多个数据。
4.根据权利要求1所述的一种基于数据处理的故障分析方法,其特征在于,所述各种数据值的各个周期性强度指标的获取方法为:
对于一个关键位置上的一个传感器,获取在所述关键位置上,所述传感器采集的所有数据中,采集时间间隔等于对应周期间隔的各个时间对;以各个时间对中各个时刻内,与所述传感器类型相同的传感器在所有关键位置上采集的数据之间的均值,计算各个时间对中各个时刻对应的均值之间的差值;将各个时间对所对应的差值之间的方差作为传感器类型为所述传感器时,各种数据值的周期性强度指标;计算所述关键位置上,传感器类型为其他传感器时,各种数据值的周期性强度指标,得到各种数据值的各个周期性强度指标。
5.根据权利要求1所述的一种基于数据处理的故障分析方法,其特征在于,所述各种数据值的数据异常系数的获取方法为:
对于一种目标传感器,将传感器类型为目标传感器时,各种数据值对应的周期性强度指标与各种数据值的参考权重之间的乘积作为在传感器类型为目标传感器时,各种数据值的异常程度;
计算传感器类型为其他传感器时,各种数据值对应的异常程度;将各种数据值在传感器类型为不同传感器时所对应的异常程度的累加值作为各种数据值的数据异常系数。
6.根据权利要求1所述的一种基于数据处理的故障分析方法,其特征在于,所述各个异常数据的获取方法为:
当各个数据对应的数据异常系数小于预设阈值时,各个数据为正常数据;当各个数据对应的数据异常系数大于等于预设阈值时,各个数据为异常数据。
7.根据权利要求1所述的一种基于数据处理的故障分析方法,其特征在于,所述根据各个故障发生时刻各个异常位置上对应的异常数据与各个异常位置的历史数据之间的差异性得到各个异常位置的故障类型的方法为:
计算各个故障发生时刻各个异常位置上各种传感器对应的各个异常数据,计算各个异常位置上,各种传感器对应的异常数据以及数控机床存在各种故障类型时,各种传感器对应的历史数据之间的欧式距离,将所有传感器对应的欧式距离进行累加,将所得结果作为各个故障发生时刻采集到的异常数据与各种故障类型对应的历史数据之间的差异性,将各种故障类型所对应的差异性最小的数据类型作为各个异常位置的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310180619.4A CN115935243B (zh) | 2023-03-01 | 2023-03-01 | 一种基于数据处理的故障分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310180619.4A CN115935243B (zh) | 2023-03-01 | 2023-03-01 | 一种基于数据处理的故障分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115935243A true CN115935243A (zh) | 2023-04-07 |
CN115935243B CN115935243B (zh) | 2023-09-15 |
Family
ID=86654387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310180619.4A Active CN115935243B (zh) | 2023-03-01 | 2023-03-01 | 一种基于数据处理的故障分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935243B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116460653A (zh) * | 2023-06-20 | 2023-07-21 | 山东硕德博数控机械有限公司 | 基于传感器的数控机床数据处理方法 |
CN117102950A (zh) * | 2023-10-17 | 2023-11-24 | 上海诺倬力机电科技有限公司 | 故障分析方法、装置、电子设备及计算机可读存储介质 |
CN117390402A (zh) * | 2023-12-11 | 2024-01-12 | 青岛可颂食品有限公司 | 一种混合奶油生产管理系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU8001898A (en) * | 1997-08-15 | 1999-02-25 | Komatsu Limited | Machine fault monitoring apparatus and method |
WO2001008296A1 (en) * | 1999-07-13 | 2001-02-01 | Pmc-Sierra, Inc. | Amplifier measurement and modeling processes for use in generating predistortion parameters |
EP3001265A1 (en) * | 2014-09-26 | 2016-03-30 | Palo Alto Research Center, Incorporated | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor |
JP6408063B1 (ja) * | 2017-04-28 | 2018-10-17 | ファナック株式会社 | 複数のセンサを備える工作機械の主軸ヘッドの故障検出装置 |
US20200379454A1 (en) * | 2019-05-31 | 2020-12-03 | Panasonic Intellectual Property Management Co., Ltd. | Machine learning based predictive maintenance of equipment |
WO2021179572A1 (zh) * | 2020-03-12 | 2021-09-16 | 平安科技(深圳)有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
WO2022068645A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
CN115310497A (zh) * | 2022-10-11 | 2022-11-08 | 南通韦俐数控机床有限公司 | 用于数控机床轴承的异常识别方法 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
CN115639781A (zh) * | 2022-12-23 | 2023-01-24 | 江苏航锲科技有限公司 | 基于大数据的数控机床控制方法及系统 |
-
2023
- 2023-03-01 CN CN202310180619.4A patent/CN115935243B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU8001898A (en) * | 1997-08-15 | 1999-02-25 | Komatsu Limited | Machine fault monitoring apparatus and method |
WO2001008296A1 (en) * | 1999-07-13 | 2001-02-01 | Pmc-Sierra, Inc. | Amplifier measurement and modeling processes for use in generating predistortion parameters |
EP3001265A1 (en) * | 2014-09-26 | 2016-03-30 | Palo Alto Research Center, Incorporated | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor |
JP6408063B1 (ja) * | 2017-04-28 | 2018-10-17 | ファナック株式会社 | 複数のセンサを備える工作機械の主軸ヘッドの故障検出装置 |
US20200379454A1 (en) * | 2019-05-31 | 2020-12-03 | Panasonic Intellectual Property Management Co., Ltd. | Machine learning based predictive maintenance of equipment |
WO2021179572A1 (zh) * | 2020-03-12 | 2021-09-16 | 平安科技(深圳)有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
WO2022068645A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
CN115310497A (zh) * | 2022-10-11 | 2022-11-08 | 南通韦俐数控机床有限公司 | 用于数控机床轴承的异常识别方法 |
CN115639781A (zh) * | 2022-12-23 | 2023-01-24 | 江苏航锲科技有限公司 | 基于大数据的数控机床控制方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116460653A (zh) * | 2023-06-20 | 2023-07-21 | 山东硕德博数控机械有限公司 | 基于传感器的数控机床数据处理方法 |
CN117102950A (zh) * | 2023-10-17 | 2023-11-24 | 上海诺倬力机电科技有限公司 | 故障分析方法、装置、电子设备及计算机可读存储介质 |
CN117102950B (zh) * | 2023-10-17 | 2023-12-22 | 上海诺倬力机电科技有限公司 | 故障分析方法、装置、电子设备及计算机可读存储介质 |
CN117390402A (zh) * | 2023-12-11 | 2024-01-12 | 青岛可颂食品有限公司 | 一种混合奶油生产管理系统 |
CN117390402B (zh) * | 2023-12-11 | 2024-03-08 | 青岛可颂食品有限公司 | 一种混合奶油生产管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115935243B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115935243A (zh) | 一种基于数据处理的故障分析方法 | |
TWI460416B (zh) | 機械系統狀態之判斷方法及判斷裝置 | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN108981796B (zh) | 一种五位一体水力机械故障诊断方法 | |
CN109947047B (zh) | 一种电主轴失衡故障诊断方法 | |
CN116701984B (zh) | 基于机器学习的数控机床自动故障诊断系统 | |
CN116360367A (zh) | 一种工业设备物联网数据采集方法及系统 | |
CN110285045B (zh) | 一种核电厂rcp主泵振动相位监测系统和方法 | |
KR20210065581A (ko) | 공작기계 이상상태 모니터링 시스템 및 방법 | |
CN113777351B (zh) | 一种风电场风速传感器故障诊断方法、装置 | |
CN110488188B (zh) | 基于动态阈值的机组三维健康量化评价方法 | |
CN114664063A (zh) | 一种基于通用指标趋势分析的设备分级报警方法 | |
CN117030249A (zh) | 一种用信号时间片段进行往复机械故障定位的方法 | |
CN109522657B (zh) | 一种基于相关性网络和svdd的燃气轮机异常检测方法 | |
CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
CN113487141B (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
CN111599033B (zh) | 一种诊断卷烟机故障的处理方法 | |
CN114295367A (zh) | 一种风电机组齿轮箱工况在线监测方法 | |
CN116460653A (zh) | 基于传感器的数控机床数据处理方法 | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
CN113702041B (zh) | 一种轴承故障诊断方法 | |
CN117872474B (zh) | 地震预警台网波形数据质量分析方法和系统 | |
CN116757535B (zh) | 一种用于工业应用平台的智能管理方法及系统 | |
CN111980900B (zh) | 一种基于多源数据融合分析的水泵故障诊断方法 | |
CN112722757B (zh) | 基于音频的传送带预警装置及其预警方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230824 Address after: Room 305, Building 6, No. 73 Guanlan Avenue, Qiankeng Community, Fucheng Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Applicant after: Huamou consulting technology (Shenzhen) Co.,Ltd. Address before: Entrepreneurship College of Zhongnan University of Finance, Economics, and Law, No. 182 Nanhu Avenue, Hongshan District, Wuhan City, Hubei Province, 430223 (Cultural and Creative Space No. 119) Applicant before: Wuhan Tongchuang Wanzhi Digital Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |