CN116226239A - 一种基于数据驱动的加工中心主轴系统状态监测方法 - Google Patents

一种基于数据驱动的加工中心主轴系统状态监测方法 Download PDF

Info

Publication number
CN116226239A
CN116226239A CN202310499997.9A CN202310499997A CN116226239A CN 116226239 A CN116226239 A CN 116226239A CN 202310499997 A CN202310499997 A CN 202310499997A CN 116226239 A CN116226239 A CN 116226239A
Authority
CN
China
Prior art keywords
machining center
data
main shaft
state
value
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
Application number
CN202310499997.9A
Other languages
English (en)
Other versions
CN116226239B (zh
Inventor
赵明
李蔺
赵琪
宋向阳
张超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Ruixue Fengtai Precision Electronics Co ltd
Original Assignee
Chengdu Ruixue Fengtai Precision Electronics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Ruixue Fengtai Precision Electronics Co ltd filed Critical Chengdu Ruixue Fengtai Precision Electronics Co ltd
Priority to CN202310499997.9A priority Critical patent/CN116226239B/zh
Publication of CN116226239A publication Critical patent/CN116226239A/zh
Application granted granted Critical
Publication of CN116226239B publication Critical patent/CN116226239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/219—Managing data history or versioning
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Machine Tool Sensing Apparatuses (AREA)

Abstract

本发明涉及设备性能监控领域，公开了一种基于数据驱动的加工中心主轴系统状态监测方法，包括构建历史数据库；以欧式距离为度量方法，依据最小距离分类法对加工中心主轴系统的实时数据进行处理，并根据历史数据库确定相似样本集；根据该相似样本集进行定义相关矩阵，再分解该相关矩阵，以分解的矩阵定义残差向量，将残差向量中各残差值的绝对值的最大值为基础计算出异常检测指标；设置阈值；将所述异常检测指标与阈值比较，判断加工中心主轴系统状态是否异常。本发明是对加工中心主轴系统的实时数据进行计算来判断主轴系统是否异常，不用停机，不影响加工中心的正常使用，并且基于实时数据的驱动，能够及时发现加工中心主轴系统是否异常。

Description

一种基于数据驱动的加工中心主轴系统状态监测方法
技术领域
本发明涉及数控设备的健康监控领域，具体讲是一种基于数据驱动的加工中心主轴系统状态监测方法。
背景技术
加工中心是精密加工领域中重要的工具，而主轴系统作为是加工中心的核心部件，能够对机床整机的加工精度和生产率起到决定性的影响。因此主轴系统的状态监控显得更加重要，而传统的监控方式一般是通过有经验的工作人员听取振动声音来判别，或者通过零件加工精度来反推，或者定期停机检测；其中通过振动声音判别的方法，对工作人员的要求极高，一般工作人员是难以判别出异常；通过零件加工精度来反推的方法，是在零件出问题或达不到精度后才知晓，发现后已经异常，监控不及时，并且对工件材料也是一种浪费；而定期停机检测的方法，会停止加工中心工作，降低了效率，并且这样的检测周期长。
发明内容
因此，为了克服上述不足，本发明提供了一种基于数据驱动的加工中心主轴系统状态监测方法，本方法是对加工中心主轴系统的实时数据进行计算来判断主轴系统是否异常，不用停机，不影响加工中心的正常使用，并且基于实时数据的驱动，能够及时发现加工中心主轴系统是否异常。
具体的，一种基于数据驱动的加工中心主轴系统状态监测方法，包括
构建历史数据库，该历史数据库至少包括加工中心主轴系统的工况信息和状态信息；优选的，所述工况信息至少包括主轴系统的温度和转速；所述状态信息至少包括主轴系统的电流的特征值和主轴系统的振动的特征值；优选的，所述特征值可以是均方根值、标准差、最大值、方差、或峭度因子等。
以欧式距离为度量方法，依据最小距离分类法对加工中心主轴系统的实时数据进行处理，并根据历史数据库确定相似样本集；
根据该相似样本集进行定义相关矩阵，再分解该相关矩阵，以分解的相关矩阵定义残差向量，将残差向量中各残差值的绝对值的最大值为基础计算出异常检测指标；
设置阈值；
将所述异常检测指标与阈值比较，判断加工中心主轴系统状态是否异常。
可选的，对以欧式距离为度量方法，依据最小距离分类法对加工中心主轴系统的实时数据进行处理，并根据历史数据库确定相似样本集的方法是：
从加工中心主轴系统获取实时数据，并从该实时数据中获取工况信息和状态信息，所述工况信息至少包括第一元素和第二元素，所述状态信息至少包括第一特征值和第二特征值；作为优选的，所述第一元素可以是主轴系统的温度，所述第二元素可以是主轴系统的转速；所述第一特征值可以是主轴系统的电流的特征值，所述第二特征值可以是主轴系统的振动的特征值。
以欧式距离为度量方法，依据最小距离分类法，基于欧氏距离函数与邻域空间半径，对第一元素进行匹配，从历史数据库中确定数据集；
在所述数据集中，依据最小距离分类法，基于欧氏距离函数与另一邻域空间半径，确定第二元素范围集以及对应的相似度大小，从数据集中选定与实时数据中工况信息最相似的N个样本来构建相似样本集。
由于所述第一元素和第二元素是线性的，通过上述技术手段是最简单快速的。
可选的，根据该相似样本集计算出异常检测指标的方法是：
将相似样本集中状态信息的第一特征值作为输入数据，第二特征值作为输出数据；
对所述输入数据和输出数据进行去均值；
根据去均值后的输入数据和输出数据估算出输入数据协方差、输出数据协方差和互协方差；
根据所述输入数据协方差、输出数据协方差和互协方差定义相关矩阵；
通过奇异值将所述相关矩阵进行分解；
定义残差向量；
根据所述残差向量计算异常检测指标。
上述技术特征与传统典型相关分析算法的区别是，使用相似样本集中的数据，而不是整个历史数据库中的数据，并且采用上述计算异常检测指标，可以减少计算量。
可选的，所述异常检测指标通过如下公式计算：
Figure SMS_1
其中，
Figure SMS_2
是异常检测指标，/>
Figure SMS_3
是残差向量，/>
Figure SMS_4
是残差向量中各残差值的绝对值的最大值，/>
Figure SMS_5
是残差向量中残差值的数量。
该技术手段的目的是为了加大异常数据和健康数据之间的区别，提高指标对异常数据的敏感性，所以将残差向量中各残差值的绝对值的最大值的平方的
Figure SMS_6
倍作为异常检测指标。
可选的，通过如下公式设置阈值：
Figure SMS_7
，
其中，
Figure SMS_8
是阈值，/>
Figure SMS_9
是常数，根据工程实际情况进行设置，/>
Figure SMS_10
，
Figure SMS_11
，/>
Figure SMS_12
是置信水平，/>
Figure SMS_13
和/>
Figure SMS_14
是通过历史数据估计的常数。
考虑到本发明的检测指标与传统的典型相关分析算法不同，同时实际工程中数据会包含噪声，因此，该技术手段改变传统的阈值设置公式，并增加
Figure SMS_15
系数，用于调节阈值，使阈值能有效划分异常数据和健康数据。/>
可选的，判断加工中心主轴系统状态是否异常的方法是：
当所述异常检测指标大于阈值时，加工中心主轴系统状态是异常；
当所述异常检测指标小于等于阈值时，加工中心主轴系统状态是正常。
本发明具有如下优点：
本发明使用相似样本集中的数据，而不是整个历史数据库中的数据计算量小、复杂度低，容易实现；并且加工中心不用停机，不影响加工中心的正常使用，基于实时数据的驱动，能够及时发现加工中心主轴系统是否异常。
附图说明
图1是本发明的流程示意图；
图2是本发明实施例的逻辑流程图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
下面参考附图1和图2描述本申请实施例。
传统的监控方式一般是通过有经验的工作人员听取振动声音来判别，或者通过零件加工精度来反推，或者定期停机检测；其中通过振动声音判别的方法，对工作人员的要求极高，一般工作人员是难以判别出异常；通过零件加工精度来反推的方法，是在零件出问题或达不到精度后才知晓，发现后已经异常，监控不及时，并且对工件材料也是一种浪费；而定期停机检测的方法，会停止加工中心工作，降低了效率，并且这样的检测周期长。基于该原因，本发明提供了一种基于数据驱动的加工中心主轴系统状态监测方法，包括
步骤S100、构建历史数据库，该历史数据库至少包括加工中心主轴系统的工况信息和状态信息；该历史数据库至少包括加工中心主轴系统的工况信息和状态信息；所述工况信息至少包括主轴系统的温度和转速；所述状态信息至少包括主轴系统的电流的特征值和主轴系统的振动的特征值；所述特征值可以是均方根值、标准差、最大值、方差、或峭度因子等；
在一些实施例中，将所述主轴系统的温度作为工况信息的第一元素，将主轴系统的转速作为工况信息的第二元素，将主轴系统的电流的特征值作为第一特征值，将主轴系统的振动的特征值作为第二特征值。
步骤S200、以欧式距离为度量方法，依据最小距离分类法对加工中心主轴系统的实时数据
Figure SMS_16
进行处理，并根据历史数据库确定相似样本集；/>
具体的，从主轴系统的实时数据
Figure SMS_17
中获取第一元素和第二元素，即当前的温度和转速；
以欧式距离为度量方法，依据最小距离分类法，基于欧氏距离函数与邻域空间半径
Figure SMS_18
（该领域空间半径/>
Figure SMS_19
根据实际情况进行设置），对温度进行匹配，从历史数据中确定数据集/>
Figure SMS_20
。
在该数据集
Figure SMS_21
中，依据最小距离分类法，基于欧氏距离函数与邻域空间半径/>
Figure SMS_22
（该邻域空间半径/>
Figure SMS_23
根据实际情况进行设置），确定转速范围集以及对应的相似度大小，从数据集/>
Figure SMS_24
中选定与实时数据/>
Figure SMS_25
中工况信息最相似的N个样本来构建相似样本集/>
Figure SMS_26
。
步骤S300、根据该相似样本集进行定义相关矩阵，再分解该相关矩阵，以分解的相关矩阵定义残差向量，将残差向量中各残差值的绝对值的最大值为基础计算出异常检测指标。
具体的，将相似样本集
Figure SMS_27
中电流的特征值作为输入，振动的特征值作为输出，并将N个样本可表示为：
Figure SMS_28
，
Figure SMS_29
，
式中
Figure SMS_30
是输入，/>
Figure SMS_31
是输出，/>
Figure SMS_32
是第i个输入向量，/>
Figure SMS_33
是第i个输出向量，
Figure SMS_34
是第N个输入向量，/>
Figure SMS_35
是第N个输出向量，i=1,…,N；l和m分别为输入和输出的变量特征的个数。
通过如下公式对
Figure SMS_36
进行去平均值，
Figure SMS_37
，
其中，
Figure SMS_38
；
去平均值后输入数据采用X标识，并且
Figure SMS_39
。
通过如下公式对
Figure SMS_40
进行去平均值，
Figure SMS_41
，
其中，
Figure SMS_42
；
去平均值后输出数据采用Y表示，并且
Figure SMS_43
。/>
根据上述的数据X和Y估算出输入数据协方差
Figure SMS_44
、输出数据协方差/>
Figure SMS_45
和互协方差/>
Figure SMS_46
。
其中，
Figure SMS_47
，
Figure SMS_48
，
Figure SMS_49
。
然后定义相关矩阵E为：
Figure SMS_50
。
通过奇异值将相关矩阵E分解为：
Figure SMS_51
，
其中，
Figure SMS_52
为相关矩阵的左奇异向量，/>
Figure SMS_53
为右奇异向量，/>
Figure SMS_54
为典型相关系数，/>
Figure SMS_55
表示非零奇异值个数，/>
Figure SMS_56
和/>
Figure SMS_57
是对应的奇异向量。
然后再定义残差向量
Figure SMS_58
为：
Figure SMS_59
，
其中，
Figure SMS_60
，/>
Figure SMS_61
，/>
Figure SMS_62
。
让后在通过如下公式计算异常检测指标
Figure SMS_63
；
Figure SMS_64
，
其中，
Figure SMS_65
是异常检测指标，/>
Figure SMS_66
是残差向量，/>
Figure SMS_67
是残差向量中各残差值的绝对值的最大值，/>
Figure SMS_68
是残差向量中残差值的数量。
步骤S400、设置阈值；
具体的，定义阈值为
Figure SMS_69
，并利用如下公式对阈值进行设置；
Figure SMS_70
，
其中，
Figure SMS_73
是常数，根据工程实际情况进行设置，/>
Figure SMS_74
是置信水平，/>
Figure SMS_76
，/>
Figure SMS_72
，/>
Figure SMS_75
和/>
Figure SMS_77
能被估计，并且/>
Figure SMS_78
，/>
Figure SMS_71
。
步骤S500、将所述异常检测指标与阈值比较，判断加工中心主轴系统状态是否异常。
具体的，当所述异常检测指标
Figure SMS_79
大于阈值/>
Figure SMS_80
时，加工中心主轴系统状态是异常；
当所述异常检测指标
Figure SMS_81
小于等于阈值/>
Figure SMS_82
时，加工中心主轴系统状态是正常。
本发明所述一种基于数据驱动的加工中心主轴系统状态监测方法，是基于加工中心主轴系统的数据，先依据最小距离分类法，基于欧氏距离函数与邻域空间半径，筛选相似样本集，然后以电流的特征值作为输入，以振动的特征值作为输出，建立加工中心主轴系统的监测指标，最后设置阈值和判断规则，实现加工中心主轴系统状态监测；该方法是对加工中心主轴系统的实时数据进行计算来判断主轴系统是否异常，不用停机，不影响加工中心的正常使用，并且基于实时数据的驱动，能够及时发现加工中心主轴系统是否异常，计算量小、复杂度低，容易实现。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于数据驱动的加工中心主轴系统状态监测方法，其特征在于，包括
构建历史数据库，该历史数据库至少包括加工中心主轴系统的工况信息和状态信息；
以欧式距离为度量方法，依据最小距离分类法对加工中心主轴系统的实时数据进行处理，并根据历史数据库确定相似样本集；
根据该相似样本集进行定义相关矩阵，再分解该相关矩阵，以分解的相关矩阵定义残差向量，将残差向量中各残差值的绝对值的最大值为基础计算出异常检测指标；
设置阈值；
将所述异常检测指标与阈值比较，判断加工中心主轴系统状态是否异常。
2.根据权利要求1所述一种基于数据驱动的加工中心主轴系统状态监测方法，其特征在于，对以欧式距离为度量方法，依据最小距离分类法对加工中心主轴系统的实时数据进行处理，并根据历史数据库确定相似样本集的方法是：
从加工中心主轴系统获取实时数据，并从该实时数据中获取工况信息和状态信息，所述工况信息至少包括第一元素和第二元素，所述状态信息至少包括第一特征值和第二特征值；
以欧式距离为度量方法，依据最小距离分类法，基于欧氏距离函数与邻域空间半径，对第一元素进行匹配，从历史数据库中确定数据集；
在所述数据集中，依据最小距离分类法，基于欧氏距离函数与另一邻域空间半径，确定第二元素范围集以及对应的相似度大小，从数据集中选定与实时数据中工况信息最相似的N个样本来构建相似样本集。
3.根据权利要求2所述一种基于数据驱动的加工中心主轴系统状态监测方法，其特征在于，根据该相似样本集计算出异常检测指标的方法是：
将相似样本集中状态信息的第一特征值作为输入数据，第二特征值作为输出数据；
对所述输入数据和输出数据进行去均值；
根据去均值后的输入数据和输出数据估算出输入数据协方差、输出数据协方差和互协方差；
根据所述输入数据协方差、输出数据协方差和互协方差定义相关矩阵；
通过奇异值将所述相关矩阵进行分解；
定义残差向量；
根据所述残差向量计算异常检测指标。
4.根据权利要求3所述一种基于数据驱动的加工中心主轴系统状态监测方法，其特征在于，所述异常检测指标通过如下公式计算：
Figure QLYQS_1
，
其中，
Figure QLYQS_2
是异常检测指标，/>
Figure QLYQS_3
是残差向量，/>
Figure QLYQS_4
是残差向量中各残差值的绝对值的最大值，/>
Figure QLYQS_5
是残差向量中残差值的数量。
5.根据权利要求1所述一种基于数据驱动的加工中心主轴系统状态监测方法，其特征在于，通过如下公式设置阈值：
Figure QLYQS_6
，
其中，
Figure QLYQS_7
是阈值，/>
Figure QLYQS_8
是大于零的常数，/>
Figure QLYQS_9
，/>
Figure QLYQS_10
，/>
Figure QLYQS_11
是置信水平，/>
Figure QLYQS_12
和
Figure QLYQS_13
是通过历史数据估计的常数。
6.根据权利要求1所述一种基于数据驱动的加工中心主轴系统状态监测方法，其特征在于，判断加工中心主轴系统状态是否异常的方法是：
当所述异常检测指标大于阈值时，加工中心主轴系统状态是异常；
当所述异常检测指标小于等于阈值时，加工中心主轴系统状态是正常。
CN202310499997.9A 2023-05-06 2023-05-06 一种基于数据驱动的加工中心主轴系统状态监测方法 Active CN116226239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310499997.9A CN116226239B (zh) 2023-05-06 2023-05-06 一种基于数据驱动的加工中心主轴系统状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310499997.9A CN116226239B (zh) 2023-05-06 2023-05-06 一种基于数据驱动的加工中心主轴系统状态监测方法

Publications (2)

Publication Number Publication Date
CN116226239A true CN116226239A (zh) 2023-06-06
CN116226239B CN116226239B (zh) 2023-07-07

Family

ID=86585880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310499997.9A Active CN116226239B (zh) 2023-05-06 2023-05-06 一种基于数据驱动的加工中心主轴系统状态监测方法

Country Status (1)

Country Link
CN (1) CN116226239B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8634965B1 (en) * 2010-12-03 2014-01-21 Bei Gou Computer-based method for power system state estimation
CN103842922A (zh) * 2011-07-19 2014-06-04 智能信号公司 通过模式序列使用内核回归建模的监控系统
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN105353256A (zh) * 2015-11-30 2016-02-24 上海交通大学 一种输变电设备状态异常检测方法
CN106338406A (zh) * 2016-10-19 2017-01-18 北京交通大学 列车牵引电传动系统的在线监测与故障预警系统及方法
CN108416386A (zh) * 2018-03-08 2018-08-17 云南电网有限责任公司电力科学研究院 一种用于水电机组轴承温度异常判断的方法及系统
CN109298697A (zh) * 2018-11-13 2019-02-01 远光软件股份有限公司 基于动态基线模型的火电厂系统各部件工作状态评估方法
CN109739214A (zh) * 2019-01-14 2019-05-10 中国石油大学(华东) 工业过程间歇故障的检测方法
CN109784127A (zh) * 2017-11-10 2019-05-21 郑州大学 一种设备健康状态预警方法及其系统
CN109818349A (zh) * 2019-03-13 2019-05-28 东北大学 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
CN110222765A (zh) * 2019-06-06 2019-09-10 中车株洲电力机车研究所有限公司 一种永磁同步电机健康状态监测方法及系统
CN111546854A (zh) * 2020-06-18 2020-08-18 中南大学 一种智能列车空调机组在途识别与诊断方法
CN112257943A (zh) * 2020-10-29 2021-01-22 上海电力大学 一种基于mset和偏离度的电厂引风机故障预警方法
CN113255795A (zh) * 2021-06-02 2021-08-13 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
US20220283576A1 (en) * 2021-03-03 2022-09-08 Aktiebolaget Skf Automatic diagnosis method, system and storage medium for equipment
CN115464172A (zh) * 2022-08-24 2022-12-13 成都瑞雪丰泰精密电子股份有限公司 一种数控车床加工长大型薄壁工件的方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8634965B1 (en) * 2010-12-03 2014-01-21 Bei Gou Computer-based method for power system state estimation
CN103842922A (zh) * 2011-07-19 2014-06-04 智能信号公司 通过模式序列使用内核回归建模的监控系统
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN105353256A (zh) * 2015-11-30 2016-02-24 上海交通大学 一种输变电设备状态异常检测方法
CN106338406A (zh) * 2016-10-19 2017-01-18 北京交通大学 列车牵引电传动系统的在线监测与故障预警系统及方法
CN109784127A (zh) * 2017-11-10 2019-05-21 郑州大学 一种设备健康状态预警方法及其系统
CN108416386A (zh) * 2018-03-08 2018-08-17 云南电网有限责任公司电力科学研究院 一种用于水电机组轴承温度异常判断的方法及系统
CN109298697A (zh) * 2018-11-13 2019-02-01 远光软件股份有限公司 基于动态基线模型的火电厂系统各部件工作状态评估方法
CN109739214A (zh) * 2019-01-14 2019-05-10 中国石油大学(华东) 工业过程间歇故障的检测方法
CN109818349A (zh) * 2019-03-13 2019-05-28 东北大学 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
CN110222765A (zh) * 2019-06-06 2019-09-10 中车株洲电力机车研究所有限公司 一种永磁同步电机健康状态监测方法及系统
CN111546854A (zh) * 2020-06-18 2020-08-18 中南大学 一种智能列车空调机组在途识别与诊断方法
CN112257943A (zh) * 2020-10-29 2021-01-22 上海电力大学 一种基于mset和偏离度的电厂引风机故障预警方法
US20220283576A1 (en) * 2021-03-03 2022-09-08 Aktiebolaget Skf Automatic diagnosis method, system and storage medium for equipment
CN113255795A (zh) * 2021-06-02 2021-08-13 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN115464172A (zh) * 2022-08-24 2022-12-13 成都瑞雪丰泰精密电子股份有限公司 一种数控车床加工长大型薄壁工件的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
D. SAXENA 等: ""Power quality event classification: an overview and key issues"", 《INTERNATIONAL JOURNAL OF ENGINEERING, SCIENCE AND TECHNOLOGY》, pages 186 - 199 *
王华秋 等: ""门循环单元预测模型在故障诊断中的应用"", 《重庆理工大学学报( 自然科学)》, pages 152 - 158 *

Also Published As

Publication number Publication date
CN116226239B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Kothuru et al. Application of audible sound signals for tool wear monitoring using machine learning techniques in end milling
CN108490880B (zh) 一种数控机床切削刀具磨损状态实时监测方法
CN109597315B (zh) 一种机械设备健康退化状态辨识方法、设备及系统
TWI481978B (zh) 工具機之加工品質的預測方法
CN108356606A (zh) 基于小波包分析与rbf神经网络的刀具磨损在线监测方法
CN115829422B (zh) 基于大数据的工业设备运行异常状态识别方法
JP6832327B2 (ja) 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法
CN108445838A (zh) 一种数控机床加工质量分析方法、分类器及设备
Tiwari et al. Tool wear prediction in end milling of Ti-6Al-4V through Kalman filter based fusion of texture features and cutting forces
CN112380992B (zh) 一种加工过程监控数据准确性评估与优化方法及装置
CN117148784A (zh) 一种多轴多通道数控系统运行故障分析方法
CN115741235A (zh) 基于五轴加工中心刀具的磨损预测与健康管理方法
CN116226239B (zh) 一种基于数据驱动的加工中心主轴系统状态监测方法
CN116408501A (zh) 窜刀模式下滚刀磨损状态在机无监督实时监测方法
CN116307938B (zh) 一种加工中心进给系统健康状态评估方法
CN105629959A (zh) 一种工业过程故障检测方法
Kwon et al. Adaptive support vector regression analysis of closed-loop inspection accuracy
Goetz et al. Process monitoring in end milling using polar figures
CN108803478B (zh) 一种航空发动机叶片加工过程退化的轮廓质量控制方法
CN116214263B (zh) 一种刀具剩余寿命预测方法、系统及计算机
Engelmann Towards Material-Batch-Aware Tool Condition Monitoring
Pang et al. Tool wear forecast using Dominant Feature Identification of acoustic emissions
Lan et al. Study on the Predictive of Dynamic Milling Force of Milling Process Based on Data Mining
Geramifard et al. Feature selection for tool wear monitoring: A comparative study
KR102656853B1 (ko) 인공지능 기반 절삭공구 마모 관리 시스템 및 그 방법

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