CN116237817A - 基于物联网的五轴联动数控机床智能监测系统 - Google Patents

基于物联网的五轴联动数控机床智能监测系统 Download PDF

Info

Publication number
CN116237817A
CN116237817A CN202310498162.1A CN202310498162A CN116237817A CN 116237817 A CN116237817 A CN 116237817A CN 202310498162 A CN202310498162 A CN 202310498162A CN 116237817 A CN116237817 A CN 116237817A
Authority
CN
China
Prior art keywords
data
detection point
point
noise
detection
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
CN202310498162.1A
Other languages
English (en)
Other versions
CN116237817B (zh
Inventor
孙庆海
韩纪光
韩纪强
牛作文
郭书超
刘恩喜
赵延良
胡东阳
刘营平
李振
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.)
Jinan Zhangli Machinery Co ltd
Original Assignee
Jinan Zhangli Machinery 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 Jinan Zhangli Machinery Co ltd filed Critical Jinan Zhangli Machinery Co ltd
Priority to CN202310498162.1A priority Critical patent/CN116237817B/zh
Publication of CN116237817A publication Critical patent/CN116237817A/zh
Application granted granted Critical
Publication of CN116237817B publication Critical patent/CN116237817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
    • B23Q11/0078—Safety devices protecting the operator, e.g. against accident or noise
    • B23Q11/0089—Safety devices protecting the operator, e.g. against accident or noise actuating operator protecting means, e.g. closing a cover element, producing an alarm signal
    • 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

本发明涉及数据处理领域，具体涉及基于物联网的五轴联动数控机床智能监测系统，所述系统包括数据采集模块、数据处理模块和预警模块，数据采集模块：获取智能监测的数据矩阵；数据处理模块：提取初步异常检测点；根据初步异常检测点中各数据的波动因子得到各噪点数据；构建中心噪点数据结构分布指标；根据中心噪点数据的结构分布指标得到中心噪点数据的自适应滤波窗口尺寸；进而获取中心噪点数据的优化自适应窗口尺寸；根据各初步异常检测点的时序分析指标以及空间分析指标得到各初步异常检测点的异常置信度；预警模块：对真实异常检测点进行预警处理。从而实现对五轴联动数控机床的准确智能监测，提高五轴联动数控机床异常预警的准确性。

Description

基于物联网的五轴联动数控机床智能监测系统
技术领域
本申请涉及数据处理领域，具体涉及基于物联网的五轴联动数控机床智能监测系统。
背景技术
目前，为满足我国重大基础制造和国防工业领域对高档数控机床的需求，需大力发展高性能、智能化的数控机床装备。五轴联动数控机床是一种科技含量高、精密度高、专门用于加工复杂曲面的机床，数控机床在长期服役过程中高连续、高封闭的工作特性，会促使主轴系统零部件健康状态及性能下降，容易因疲劳、磨损等问题而引发故障，一旦出现故障往往会引起连锁反应，加剧其他零部件的损耗速度，从而引发更加严重的故障，影响整机的健康状况。
为保证五轴联动数控机床的加工精度，降低故障率，需要在五轴联动数控机床上装配监测系统，对五轴联动数控机床工作过程进行智能监测。但目前大多五轴联动数控机床监测系统存在监测不全面，检测参数单一，仅在一个位置部署传感器进行监测，不够对五轴联动数控机床的运行状况进行综合监测，监测精度低等问题。
综上所述，本发明提出基于物联网的五轴联动数控机床智能监测系统，本发明通过各检测参数传感器对数据进行采集，通过物联网技术连接智能监测系统，对五轴联动数控机床工作运行过程中不同检测点处各个检测参数的分析，对五轴联动数控机床进行智能监测，通过多维数据对五轴联动数控机床运行状态进行监测，提高五轴联动数据机床智能监测精度。
发明内容
为了解决上述技术问题，本发明提供基于物联网的五轴联动数控机床智能监测系统，所述系统包括：
数据采集模块、数据处理模块和预警模块；
数据采集模块：采集五轴联动数控机床运行时各检测点处每个检测参数的数据得到各检测点的数据矩阵；
数据处理模块：将五轴联动数控机床的每个检测点记为待监测检测点；根据待监测检测点与其他各个待监测检测点之间的相关系数得到待监测检测点的相关系数指标；根据各个待监测检测点的相关系数指标以及相关系数阈值得到初步异常检测点集合；
将初步异常检测点数据矩阵中的每个数据均记为中心数据，根据中心数据局部邻域内的数据差异程度得到中心数据的波动因子；根据各中心数据的波动因子得到初步异常检测点数据矩阵中的噪点数据；依次将每个噪点数据记为中心噪点数据，根据中心噪点数据局部范围内所包含的噪点数据到中心噪点数据的距离关系特征得到中心噪点数据结构分布指标；根据中心噪点数据的结构分布指标得到中心噪点数据的自适应滤波窗口尺寸；根据中心噪点数据局部邻域噪点数据的自适应滤波窗口尺寸得到中心噪点数据的优化自适应窗口尺寸；根据各中心噪点数据的优化自适应窗口尺寸对各中心噪点数据进行滤波得到初步异常检测点的优化数据矩阵；
根据初步异常检测点优化数据矩阵中同一检测参数在不同时刻的数据差异情况得到初步异常检测点的时序分析指标；
根据初步异常检测点优化数据矩阵中同一时刻不同检测参数的数据差异情况得到初步异常检测点的空间分析指标；
根据各初步异常检测点的时序分析指标以及空间分析指标得到各初步异常检测点的异常置信度；将异常置信度大于预设异常置信度阈值的初步异常检测点作为真实异常检测点；
预警模块：根据五轴联动数控机床各初步异常检测点的异常置信度进行真实异常检测点的预警处理。
优选的，所述根据待监测检测点与其他各个待监测检测点之间的相关系数得到待监测检测点的相关系数指标，包括的具体步骤为：计算待监测检测点与其他各个待监测检测点之间的相关系数，将待监测检测点与其他各个待监测检测点之间的相关系数均值作为待监测检测点的相关系数指标。
优选的，所述根据中心数据局部邻域内的数据差异程度得到中心数据的波动因子，包括的具体步骤为：以中心数据为中心，从中心数据左右两边局部邻域内各提取数个数据，分别计算数个数据与中心数据的差值绝对值，将数个差值绝对值的均值作为中心数据的波动因子。
优选的，所述根据中心噪点数据局部范围内所包含的噪点数据到中心噪点数据的距离关系特征得到中心噪点数据结构分布指标，表达式为：
Figure SMS_1
Figure SMS_2
式中，
Figure SMS_3
为距离阈值，用于限制中心噪点数据的局部范围；S为中心噪点数据局部范 围内所包含的噪点数据数量；
Figure SMS_4
为中心噪点数据的局部范围内的噪点数据s到中心噪点数 据的距离；
Figure SMS_5
为中心噪点数据的结构分布指标。
优选的，所述根据中心噪点数据的结构分布指标得到中心噪点数据的自适应滤波窗口尺寸具体为：
Figure SMS_6
式中，
Figure SMS_7
为中心噪点数据的自适应滤波窗口尺寸；
Figure SMS_8
为中心噪点数据的初始滤波 窗口尺寸；
Figure SMS_9
为向上取整操作；
Figure SMS_10
为中心噪点数据的结构分布指标；其中
Figure SMS_11
为偶数，当
Figure SMS_12
为奇数时，
Figure SMS_13
。
优选的，所述根据中心噪点数据局部邻域噪点数据的自适应滤波窗口尺寸得到中心噪点数据的优化自适应窗口尺寸，包括的具体步骤为：
获取同一检测参数中各个中心噪点数据的自适应滤波窗口尺寸，通过回归拟合得到同一检测参数各中心噪点数据自适应滤波窗口尺寸对应的拟合函数，根据拟合函数得到中心噪点数据平滑后的优化自适应窗口尺寸。
优选的，所述根据初步异常检测点优化数据矩阵中同一检测参数在不同时刻的数据差异情况得到初步异常检测点的时序分析指标，具体表达式为：
Figure SMS_14
式中，
Figure SMS_15
为初步异常检测点c的时序分析指标；N为检测参数个数；T为连续检测 时间的时长；
Figure SMS_16
为初步异常检测点c的优化数据矩阵中检测参数n在p时刻的数据；
Figure SMS_17
为初步异常检测点c的优化数据矩阵中检测参数n在q时刻的数据；
Figure SMS_18
为初步异常检测点c的 优化数据矩阵中检测参数n在连续检测时间T内的数据方差；
Figure SMS_19
为以自然常数e为底的 指数函数。
优选的，所述根据初步异常检测点优化数据矩阵中同一时刻不同检测参数的数据差异情况得到初步异常检测点的空间分析指标，具体表达式为：
Figure SMS_20
式中，
Figure SMS_21
为初步异常检测点c的空间分析指标；T为连续检测时间的时长；N为 检测参数个数；
Figure SMS_22
为初步异常检测点c的优化数据矩阵中t时刻检测参数u的数据；
Figure SMS_23
为初步异常检测点c的优化数据矩阵中t时刻检测参数v的数据；
Figure SMS_24
为初步异常检测点c的 优化数据矩阵中t时刻各个检测参数的数据方差；
Figure SMS_25
为以自然常数e为底的指数函数。
优选的，所述根据各初步异常检测点的时序分析指标以及空间分析指标得到各初步异常检测点的异常置信度，具体表达式为：
Figure SMS_26
式中，
Figure SMS_27
为初步异常检测点c的异常置信度，
Figure SMS_28
分别为初步异常检 测点c的归一化时序分析指标、归一化空间分析指标；
Figure SMS_29
表示相乘操作。
本发明至少具有如下有益效果：
目前对于数控机床的智能监测大多通过单维数据的分析，没有考虑到多维检测参数之间的相关性，本发明通过时序以及空间特征的分析，解决了单维数据分析监测精度不高的问题。同时，对于五轴联动数控机床进行监测时，本发明通过递进的方式对各个检测点的异常情况进行判定，结合初步异常检测点的优化数据矩阵，对初步异常检测点的异常置信度进行分析，进一步提高了五轴联动数控机床运行过程中的监测精度，以便进行实时预警；
考虑到五轴联动数控机床智能监测过程中，在进行各检测参数数据采集时将会受到噪声数据的影响，导致对各检测点的异常情况的误判，本发明对噪点数据进行提取，结合自适应滤波窗口尺寸对噪点数据进行滤波处理，能够避免噪点数据对各个检测点异常置信度的影响，提高了五轴联动数控机床各检测点异常监测的准确性。
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为本发明提供的基于物联网的五轴联动数控机床智能监测系统的流程图。
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基于物联网的五轴联动数控机床智能监测系统，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基于物联网的五轴联动数控机床智能监测系统的具体方案。
本发明一个实施例提供的基于物联网的五轴联动数控机床智能监测系统，该系统包含数据采集模块、数据处理模块和预警模块。
具体的，本实施例的基于物联网的五轴联动数控机床智能监测系统提供了如下的基于物联网的五轴联动数控机床智能监测方法，请参阅图1，该方法包括以下步骤：
步骤S001，通过数据采集传感器对五轴联动数控机床工作过程中的检测参数数据进行采集，获取五轴联动数控机床智能监测的数据矩阵。
首先，本实施例将在五轴联动数控机床上设置多个检测点，每个检测点装配多个不同检测参数的传感器，需要说明的是，具体检测点数量、位置的设定以及检测参数传感器类型实施者可自行设定。五轴联动数控机床在加工运行过程中，与其运行状态智能监测相关的检测参数有很多，包括但不限于振动频率、功率信号、轴转速等，具体检测参数的选取实施者根据实际情况自行选取。然后，通过传感器采集或者现有数据搬运换算得到各个检测参数的实时数据，作为检测五轴联动数控机床智能监测的基础数据；
本实施例将设置连续检测时段T，连续检测时段内五轴联动数控机床每个检测点各个检测参数的时序数据组成数据矩阵，以便对每个检测点的各个检测参数数据进行分析，以检测点i为例，所述数据矩阵具体为：
Figure SMS_30
式中，
Figure SMS_31
为检测点i的传感器1在时刻1、时刻2、时刻T采集的数 据，
Figure SMS_32
为检测点i的传感器2在时刻1、时刻2、时刻T采集的数据，
Figure SMS_33
为检测点i的传感器N在时刻1、时刻2、时刻T采集的数据，N为传感器 种类数，也即检测参数个数，T为连续检测时段T。
至此，即可得到用于智能监测五轴联动数控机床运行状况的数据矩阵，获取连续检测时段内每个检测点所对应的各个检测参数的数据，作为连续检测时段内五轴联动数控机床智能监测的基础数据。
步骤S002，对五轴联动数控机床智能监测的数据矩阵进行分析，提取初步异常检测点，并根据时序分析指标以及空间分析指标获取各初步异常检测点的异常置信度。
获取连续检测时段内五轴联动数控机床智能监测的数据矩阵，首先，将对初步异常检测点集合进行提取，具体为：
为消除不同量纲对各个检测参数数据分析的影响，本实施例将对数据矩阵进行归一化处理，保证数据矩阵中的各个元素均处于[0,1]，具体的归一化过程及方法有很多，在此不做相关阐述；
为实现对五轴联动数控机床运行过程中的异常情况进行监测，本发明将根据相邻检测点的数据矩阵进行关联性分析，以便对初步异常的检测点进行提取。将五轴联动数据机床智能监测的各个检测点均作为待监测检测点，计算每个待监测检测点与其他各待监测检测点之间的相关系数，将待监测检测点与其他各待监测检测点之间相关系数的均值作为待监测检测点的相关系数指标，用于表征待监测检测点与其他各个待监测检测点在同一时段内的数据相关性；
根据上述方法获取每个待监测检测点的相关系数指标，并设置相关系数阈值：
Figure SMS_34
式中，
Figure SMS_35
为相关系数阈值，
Figure SMS_36
为大于1 的限定系数，用于根据各个待监测检测点的 相关系数集合均值对相关系数阈值进行控制，实施者可自行设定，本发明将其设置为
Figure SMS_37
，M为待监测检测点数量，
Figure SMS_38
为待监测检测点i的相关系数指标；
根据各个待监测检测点的相关系数指标以及相关系数阈值得到初步异常检测点 集合，本实施例中待监测检测点的相关系数指标小于
Figure SMS_39
时，则待监测检测点与其他各个待 监测检测点之间的数据相关性较低，将该待监测检测点初步判定为初步异常检测点；否则 为正常检测点。
重复上述方法，对每个待监测检测点均进行初步判定，提取各个初步异常检测点，将各个初步异常检测点组成初步异常检测点集合。
至此，可实现对初步异常检测点集合的提取。
进一步，考虑到五轴联动数控机床在加工运行过程中，在对各检测参数进行数据采集时，数据采集过程中将会存在噪点数据的影响，导致智能监测精度不高；同时，本实施例考虑到不同维度的检测参数之间也具有较强的关联性，若仅通过整体的相关系数对检测点的数据矩阵异常情况进行判定，存在精度不高问题，极易将数据矩阵中存在较多噪点的检测点误认为是异常检测点，因此，对于初步异常检测点集合，为提高五轴联动数控机床智能监测精度，本实施例将对初步异常检测点的数据进行进一步的分析，以准确获取每个初步异常检测点的异常置信度。
首先，对于初步异常检测点的数据矩阵，本实施例以初步异常检测点集合中的初 步异常检测点c为例，为对初步异常检测点的异常真实性进行监测，避免噪点数据对于检测 点数据矩阵异常状况的影响，本实施例将对数据矩阵中的噪点数据进行提取处理。首先，将 对初步异常检测点数据矩阵中的噪点数据进行提取，本实施例考虑到噪点数据具有孤立特 性，而五轴联动数控机床运行过程中的数据异常多为连续性或者周期性，因此，对于初步异 常检测点c数据矩阵中的每个数据，本实施例以数据
Figure SMS_40
为例，本实施例将该数据作为中 心数据，从中心数据左右两边局部邻域内各提取数个数据，分别计算数个数据与中心数据 的差值绝对值，将数个差值绝对值的均值作为中心数据的波动因子。需要说明的是从中心 数据左右两边局部邻域各提取数个数据的数量实施者可自行设定，本发明从中心数据左右 两边局部邻域内各提取15个数据。当初步异常检测点数据矩阵中的数据波动因子高于波动 阈值时，则对应的数据为噪点数据，反之，则为非噪点数据。需要说明的是，波动阈值取值实 施者自行设定，本发明设置为0.15。
重复上述方法，对初步异常检测点数据矩阵中的每个数据均进行上述分析，以实现对初步异常检测点数据矩阵中的噪点数据进行提取，实现对各个初步异常检测点数据矩阵中噪点数据的识别。
然后，对于初步异常检测点数据矩阵中的噪点数据，为避免噪点数据对五轴联动数控机床智能监测的影响，本实施例将每个噪点数据作为中心噪点，在同一检测参数下设置1*W的滤波窗口对噪点数据进行滤波处理，以防止噪点数据对于各个初步异常检测点异常判定的影响。传统对于噪点数据的滤波大多为固定窗口滤波处理，但是窗口尺寸设定过大时，将会导致计算量大、滤波误差较大等问题，窗口尺寸设定过小时，将出现噪声去除不完整，噪点数据去除效果不佳等问题，因此，为避免滤波窗口尺寸单一导致噪点数据处理效果不佳的问题，本实施例对噪点数据滤波过程中的窗口进行自适应设定。需要说明的是，对噪点数据进行滤波的现有算法有很多，实施者可自行选取滤波算法。
将每个噪点数据记为中心噪点数据，根据中心噪点数据局部范围内所包含的噪点数据到中心噪点数据的距离关系特征得到中心噪点数据结构分布指标；根据中心噪点数据的结构分布指标得到中心噪点数据的自适应滤波窗口尺寸；根据中心噪点数据局部邻域噪点数据的自适应滤波窗口尺寸得到中心噪点数据的优化自适应窗口尺寸；根据各中心噪点数据的优化自适应窗口尺寸对各中心噪点数据进行滤波得到初步异常检测点的优化数据矩阵。
对于噪点数据，本实施例将每个噪点数据记为中心噪点数据，根据中心噪点数据局部范围内的噪点数据构建结构分布指标，用于对中心噪点数据局部范围内的噪点数据密度以及局部噪点分布状况进行表征，结构分布指标表达式具体为：
Figure SMS_41
Figure SMS_42
式中，
Figure SMS_43
为距离阈值，用于限制中心噪点数据的局部范围；S为中心噪点数据局部范 围内所包含的噪点数据数量；
Figure SMS_44
为中心噪点数据的局部范围内的噪点数据s到中心噪点数 据的距离；
Figure SMS_45
为中心噪点数据的结构分布指标。根据上述方法得到每个中心噪点数据的结构 分布指标，用于对中心噪点数据的滤波窗口进行自适应设定。需要说明的是，中心噪点数据 局部范围内的噪点数据到中心噪点数据的距离是指：中心噪点数据在数据矩阵中的位置与 局部范围内噪点数据在数据矩阵中的位置之间的欧式距离，欧式距离的计算方法为现有公 知技术，噪点数据的位置是指在数据矩阵中的行列位置。
中心噪点数据的结构分布指标越大，则局部范围内噪点数据分布越密集，则在对中心噪点数据进行滤波时，如果窗口过小则窗口内的噪点数据较多，为提高中心噪点数据的滤波精度，将自适应扩大中心噪点数据对应的滤波窗口尺寸；中心噪点数据的结构分布指标越小，则局部范围内的噪点数据越少，分布越稀疏，在对中心噪点数据进行滤波时，为降低系统计算量，减少计算成本，同时保证中心噪点数据的滤波效果，则自适应的减小中心噪点数据对应的滤波窗口尺寸。因此，本实施例根据中心噪点数据的局部噪点分布状况，构建中心噪点数据的自适应滤波窗口尺寸，具体为：
Figure SMS_46
式中，
Figure SMS_47
为中心噪点数据的自适应滤波窗口尺寸；
Figure SMS_48
为中心噪点数据的初始滤波 窗口尺寸，实施者可自行设定，本实施例设置为3；
Figure SMS_49
为向上取整操作，且保证
Figure SMS_50
为偶数， 当
Figure SMS_51
为奇数时，
Figure SMS_52
即可。
进一步，考虑到相邻噪点之间的窗口尺寸相差过大时，可能会导致滤波后数据之 间的平滑效果低，因此，本实施例将对相邻噪点的滤波窗口尺寸进行优化调控。根据上述自 适应滤波窗口尺寸获取同一检测参数内各个噪点数据的自适应滤波窗口尺寸，然后通过回 归拟合的方法得到同一检测参数内噪点数据自适应滤波窗口尺寸所对应的拟合函数，需要 说明的是，回归拟合过程为现有公知技术。拟合函数的自变量为噪点数据的位置，因变量为 对应噪点数据的优化自适应窗口尺寸
Figure SMS_53
。需要说明的是，上述噪点数据的位置本实施中设 定为：以检测点i的检测参数N为例，连续检测时段内对应的时序数据记为：
Figure SMS_54
，上述位置是指数据所对应的时刻，
Figure SMS_55
的位置为1，
Figure SMS_56
的位置 为2，在此不做一一阐述。
至此，可通过优化自适应窗口尺寸结合滤波算法对每个检测参数内的各个噪点数据进行自适应滤波处理。通过自适应设定窗口尺寸，不仅提高数据去噪精度，减少计算成本，同时可实现对噪点数据的平稳滤波处理，保证滤波效果。
最后，为避免优化自适应窗口尺寸设定过程中窗口尺寸过大的情况，本实施例设 置当噪点数据的优化自适应窗口尺寸
Figure SMS_57
大于窗口尺寸阈值
Figure SMS_58
时，将对应噪点数据的优化 自适应滤波窗口尺寸设置为
Figure SMS_59
，本实施中窗口尺寸阈值
Figure SMS_60
，实施者可自行设定。
至此，即可实现对初步异常检测点数据矩阵中的噪点数据进行自适应滤波，根据噪点数据的特征属性对噪点数据进行自适应处理，提高噪点数据的去噪精度。根据上述方法对初步异常检测点的数据矩阵中的噪点均进行自适应滤波，将自适应滤波处理后的初步异常检测点的数据矩阵记为优化数据矩阵。对存在噪点数据的初步异常检测点数据矩阵均进行自适应滤波处理，得到各个初步异常检测点对应的优化数据矩阵。
本实施例将对初步异常检测点的优化数据矩阵进行异常情况的分析，基于优化数据矩阵对初步异常检测点的真实异常情况进行判定，为提高初步异常检测点的真实异常判定精度，本实施例将从不同维度对初步异常检测点的优化数据矩阵进行特征分析，首先，对初步异常检测点优化数据矩阵中数据之间的时序上的关联性进行分析，构建时序分析指标：
Figure SMS_61
式中，
Figure SMS_62
为初步异常检测点c的时序分析指标；N为检测参数个数；T为连续检测 时间的时长；
Figure SMS_63
为初步异常检测点c的优化数据矩阵中检测参数n在p时刻的数据；
Figure SMS_64
为初步异常检测点c的优化数据矩阵中检测参数n在q时刻的数据；
Figure SMS_65
为初步异常检测点c的 优化数据矩阵中检测参数n在连续检测时间T内的数据方差；
Figure SMS_66
为以自然常数e为底的 指数函数。时序分析指标值越大，则初步异常检测点优化数据矩阵中的数据在时序上的关 联性越大，数据在时序上的相关程度越高，分布越规律。
进一步，考虑到五轴联动数控机床在加工运行过程中，不同维度的检测参数之间具有较强的相关性，在对初步异常检测点进行真实异常判定时，本实施例将从多维度检测参数对初步异常检测点的优化数据矩阵进行分析，以便对真实异常检测点进行准确判定，构建空间分析指标，对初步异常检测点优化数据矩阵中数据之间的空间关联性进行分析，空间分析指标表达式具体为：
Figure SMS_67
式中，
Figure SMS_68
为初步异常检测点c的空间分析指标；T为连续检测时间的时长；N为 检测参数个数；
Figure SMS_69
为初步异常检测点c的优化数据矩阵中t时刻检测参数u的数据；
Figure SMS_70
为初步异常检测点c的优化数据矩阵中t时刻检测参数v的数据；
Figure SMS_71
为初步异常检测点c的 优化数据矩阵中t时刻各个检测参数的数据方差；
Figure SMS_72
为以自然常数e为底的指数函数。 空间分析指标越高，则初步异常检测点优化数据矩阵中的数据在不同检测参数之间的空间 关联性越大。
最后，根据初步异常检测点的时序分析指标以及空间分析指标得到初步异常检测点的异常置信度，对初步异常检测点异常情况的真实性进行检测，初步异常检测点的异常置信度表达式具体为：
Figure SMS_73
式中，
Figure SMS_74
为初步异常检测点c的异常置信度，
Figure SMS_75
分别为初步异常检 测点c的归一化时序分析指标、归一化空间分析指标，
Figure SMS_76
表示相乘操作，需要说明的是归一化 时序分析指标、归一化空间分析指标分别是对时序分析指标、空间分析指标的归一化值，具 体的归一化过程为现有公知技术，本实施例不做相关阐述。异常置信度越高，则初步异常检 测点存在异常的可能性越大，异常程度也对应越严重。
重复上述方法，获取每个初步异常检测点的异常置信度，作为初步异常检测点异常情况的判定。
步骤S003，根据初步异常检测点的置信度对初步异常检测点的异常状况进行判定，对各真实异常检测点进行预警处理。
获取各个初步异常检测点的异常置信度，并设置异常置信度阈值，异常置信度阈值实施者可自行设定，本实施例设置为0.5。当初步异常检测点的异常置信度高于异常置信度阈值时，对应初步异常检测点为真实异常检测点；否则，初步异常检测点为由于噪声等因素导致误判的正常检测点。
根据异常置信度阈值得到五轴联动数控机床运行过程中的各真实异常检测点，对于真实异常检测点，智能监测系统将在对应的检测点位置发出异常蜂鸣预警，提示相关工作人员对五轴联动数控机床进行检修，避免五轴联动数控机床出现严重异常问题，甚至导致安全事故的发生。
综上所述，本发明实施例提供了基于物联网的五轴联动数控机床智能监测系统，本发明通过对五轴联动数控机床检测参数数据时序以及空间特征的分析，解决了单维数据分析监测精度不高的问题。同时，对于五轴联动数控机床进行监测时，本发明通过递进的方式对各个检测点的异常情况进行判定，结合初步异常检测点的优化数据矩阵，对初步异常检测点的异常置信度进行分析，进一步提高了五轴联动数控机床运行过程中的监测精度，以便进行实时预警；
考虑到五轴联动数控机床智能监测过程中，在进行各检测参数数据采集时将会受到噪声数据的影响，导致对各检测点的异常情况的误判，本发明对噪点数据进行提取，结合自适应滤波窗口尺寸对噪点数据进行滤波处理，能够避免噪点数据对各个检测点异常置信度的影响，提高了五轴联动数控机床各检测点异常监测的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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 (9)

1.基于物联网的五轴联动数控机床智能监测系统，其特征在于，所述系统包括：
数据采集模块、数据处理模块和预警模块；
数据采集模块：采集五轴联动数控机床运行时各检测点处每个检测参数的数据得到各检测点的数据矩阵；
数据处理模块：将五轴联动数控机床的每个检测点记为待监测检测点；根据待监测检测点与其他各个待监测检测点之间的相关系数得到待监测检测点的相关系数指标；根据各个待监测检测点的相关系数指标以及相关系数阈值得到初步异常检测点集合；
将初步异常检测点数据矩阵中的每个数据均记为中心数据，根据中心数据局部邻域内的数据差异程度得到中心数据的波动因子；根据各中心数据的波动因子得到初步异常检测点数据矩阵中的噪点数据；依次将每个噪点数据记为中心噪点数据，根据中心噪点数据局部范围内所包含的噪点数据到中心噪点数据的距离关系特征得到中心噪点数据结构分布指标；根据中心噪点数据的结构分布指标得到中心噪点数据的自适应滤波窗口尺寸；根据中心噪点数据局部邻域噪点数据的自适应滤波窗口尺寸得到中心噪点数据的优化自适应窗口尺寸；根据各中心噪点数据的优化自适应窗口尺寸对各中心噪点数据进行滤波得到初步异常检测点的优化数据矩阵；
根据初步异常检测点优化数据矩阵中同一检测参数在不同时刻的数据差异情况得到初步异常检测点的时序分析指标；
根据初步异常检测点优化数据矩阵中同一时刻不同检测参数的数据差异情况得到初步异常检测点的空间分析指标；
根据各初步异常检测点的时序分析指标以及空间分析指标得到各初步异常检测点的异常置信度；将异常置信度大于预设异常置信度阈值的初步异常检测点作为真实异常检测点；
预警模块：根据五轴联动数控机床各初步异常检测点的异常置信度进行真实异常检测点的预警处理。
2.如权利要求1所述的基于物联网的五轴联动数控机床智能监测系统，其特征在于，所述根据待监测检测点与其他各个待监测检测点之间的相关系数得到待监测检测点的相关系数指标，包括的具体步骤为：计算待监测检测点与其他各个待监测检测点之间的相关系数，将待监测检测点与其他各个待监测检测点之间的相关系数均值作为待监测检测点的相关系数指标。
3.如权利要求1所述的基于物联网的五轴联动数控机床智能监测系统，其特征在于，所述根据中心数据局部邻域内的数据差异程度得到中心数据的波动因子，包括的具体步骤为：以中心数据为中心，从中心数据左右两边局部邻域内各提取数个数据，分别计算数个数据与中心数据的差值绝对值，将数个差值绝对值的均值作为中心数据的波动因子。
4.如权利要求1所述的基于物联网的五轴联动数控机床智能监测系统，其特征在于，所述根据中心噪点数据局部范围内所包含的噪点数据到中心噪点数据的距离关系特征得到中心噪点数据结构分布指标，表达式为：
Figure QLYQS_1
/>
Figure QLYQS_2
式中，
Figure QLYQS_3
为距离阈值，用于限制中心噪点数据的局部范围；S为中心噪点数据局部范围内所包含的噪点数据数量；/>
Figure QLYQS_4
为中心噪点数据的局部范围内的噪点数据s到中心噪点数据的距离；/>
Figure QLYQS_5
为中心噪点数据的结构分布指标。
5.如权利要求1所述的基于物联网的五轴联动数控机床智能监测系统，其特征在于，所述根据中心噪点数据的结构分布指标得到中心噪点数据的自适应滤波窗口尺寸具体为：
Figure QLYQS_6
式中，
Figure QLYQS_7
为中心噪点数据的自适应滤波窗口尺寸；/>
Figure QLYQS_8
为中心噪点数据的初始滤波窗口尺寸；/>
Figure QLYQS_9
为向上取整操作；/>
Figure QLYQS_10
为中心噪点数据的结构分布指标；其中/>
Figure QLYQS_11
为偶数，当/>
Figure QLYQS_12
为奇数时，/>
Figure QLYQS_13
。
6.如权利要求1所述的基于物联网的五轴联动数控机床智能监测系统，其特征在于，所述根据中心噪点数据局部邻域噪点数据的自适应滤波窗口尺寸得到中心噪点数据的优化自适应窗口尺寸，包括的具体步骤为：
获取同一检测参数中各个中心噪点数据的自适应滤波窗口尺寸，通过回归拟合得到同一检测参数各中心噪点数据自适应滤波窗口尺寸对应的拟合函数，根据拟合函数得到中心噪点数据平滑后的优化自适应窗口尺寸。
7.如权利要求1所述的基于物联网的五轴联动数控机床智能监测系统，其特征在于，所述根据初步异常检测点优化数据矩阵中同一检测参数在不同时刻的数据差异情况得到初步异常检测点的时序分析指标，具体表达式为：
Figure QLYQS_14
式中，
Figure QLYQS_15
为初步异常检测点c的时序分析指标；N为检测参数个数；T为连续检测时间的时长；/>
Figure QLYQS_16
为初步异常检测点c的优化数据矩阵中检测参数n在p时刻的数据；/>
Figure QLYQS_17
为初步异常检测点c的优化数据矩阵中检测参数n在q时刻的数据；/>
Figure QLYQS_18
为初步异常检测点c的优化数据矩阵中检测参数n在连续检测时间T内的数据方差；/>
Figure QLYQS_19
为以自然常数e为底的指数函数。
8.如权利要求1所述的基于物联网的五轴联动数控机床智能监测系统，其特征在于，所述根据初步异常检测点优化数据矩阵中同一时刻不同检测参数的数据差异情况得到初步异常检测点的空间分析指标，具体表达式为：
Figure QLYQS_20
式中，
Figure QLYQS_21
为初步异常检测点c的空间分析指标；T为连续检测时间的时长；N为检测参数个数；/>
Figure QLYQS_22
为初步异常检测点c的优化数据矩阵中t时刻检测参数u的数据；/>
Figure QLYQS_23
为初步异常检测点c的优化数据矩阵中t时刻检测参数v的数据；/>
Figure QLYQS_24
为初步异常检测点c的优化数据矩阵中t时刻各个检测参数的数据方差；/>
Figure QLYQS_25
为以自然常数e为底的指数函数。
9.如权利要求1所述的基于物联网的五轴联动数控机床智能监测系统，其特征在于，所述根据各初步异常检测点的时序分析指标以及空间分析指标得到各初步异常检测点的异常置信度，具体表达式为：
Figure QLYQS_26
式中，
Figure QLYQS_27
为初步异常检测点c的异常置信度，/>
Figure QLYQS_28
分别为初步异常检测点c的归一化时序分析指标、归一化空间分析指标；/>
Figure QLYQS_29
表示相乘操作。/>
CN202310498162.1A 2023-05-06 2023-05-06 基于物联网的五轴联动数控机床智能监测系统 Active CN116237817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310498162.1A CN116237817B (zh) 2023-05-06 2023-05-06 基于物联网的五轴联动数控机床智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310498162.1A CN116237817B (zh) 2023-05-06 2023-05-06 基于物联网的五轴联动数控机床智能监测系统

Publications (2)

Publication Number Publication Date
CN116237817A true CN116237817A (zh) 2023-06-09
CN116237817B CN116237817B (zh) 2023-07-14

Family

ID=86631633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310498162.1A Active CN116237817B (zh) 2023-05-06 2023-05-06 基于物联网的五轴联动数控机床智能监测系统

Country Status (1)

Country Link
CN (1) CN116237817B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
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
CN116561535A (zh) * 2023-07-11 2023-08-08 安徽建筑大学 一种基于个性化建筑交互设计处理方法
CN116595338A (zh) * 2023-07-18 2023-08-15 北京邮电大学 基于物联网工程信息采集处理系统
CN117078118A (zh) * 2023-10-18 2023-11-17 济南章力机械有限公司 一种数控机床生产工件质量智能检测系统
CN117474427A (zh) * 2023-12-27 2024-01-30 大连金马衡器有限公司 基于物联网技术的智能托盘冷链溯源方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170090457A1 (en) * 2015-09-30 2017-03-30 Baker Hughes Incorporated Pump integrity detection, monitoring and alarm generation
WO2018199312A1 (ja) * 2017-04-27 2018-11-01 日本電気株式会社 波形異常判定装置、方法、プログラムと記録媒体
CN109190598A (zh) * 2018-09-29 2019-01-11 西安交通大学 一种基于ses-lof的旋转机械监测数据噪点检测方法
JP2019101503A (ja) * 2017-11-28 2019-06-24 ファナック株式会社 数値制御装置
CN110297464A (zh) * 2019-06-28 2019-10-01 江苏南高智能装备创新中心有限公司 基于数控机床上传感器数据的故障预测系统及其方法
CN112034789A (zh) * 2020-08-25 2020-12-04 国家机床质量监督检验中心 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机
CN113165134A (zh) * 2018-12-12 2021-07-23 株式会社富士 异常检测装置、机床、异常检测方法及程序
US11080127B1 (en) * 2018-02-28 2021-08-03 Arizona Public Service Company Methods and apparatus for detection of process parameter anomalies
CN115079639A (zh) * 2022-07-13 2022-09-20 深圳市协和传动器材有限公司 凸轮分割器的加工机床运行异常报警方法
CN115220396A (zh) * 2022-09-20 2022-10-21 南通韦俐数控机床有限公司 一种数控机床智能监控方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170090457A1 (en) * 2015-09-30 2017-03-30 Baker Hughes Incorporated Pump integrity detection, monitoring and alarm generation
WO2018199312A1 (ja) * 2017-04-27 2018-11-01 日本電気株式会社 波形異常判定装置、方法、プログラムと記録媒体
JP2019101503A (ja) * 2017-11-28 2019-06-24 ファナック株式会社 数値制御装置
US11080127B1 (en) * 2018-02-28 2021-08-03 Arizona Public Service Company Methods and apparatus for detection of process parameter anomalies
CN109190598A (zh) * 2018-09-29 2019-01-11 西安交通大学 一种基于ses-lof的旋转机械监测数据噪点检测方法
CN113165134A (zh) * 2018-12-12 2021-07-23 株式会社富士 异常检测装置、机床、异常检测方法及程序
CN110297464A (zh) * 2019-06-28 2019-10-01 江苏南高智能装备创新中心有限公司 基于数控机床上传感器数据的故障预测系统及其方法
CN112034789A (zh) * 2020-08-25 2020-12-04 国家机床质量监督检验中心 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机
CN115079639A (zh) * 2022-07-13 2022-09-20 深圳市协和传动器材有限公司 凸轮分割器的加工机床运行异常报警方法
CN115220396A (zh) * 2022-09-20 2022-10-21 南通韦俐数控机床有限公司 一种数控机床智能监控方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
屈海军;: "基于多传感器信息融合的数控机床故障诊断研究", 装备制造技术, no. 11, pages 242 - 243 *
石荣波;: "基于状态监测的高档数控机床智能保障系统研究", 自动化与仪器仪表, no. 05, pages 23 - 25 *

Cited By (9)

* Cited by examiner, † Cited by third party
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
CN116561535A (zh) * 2023-07-11 2023-08-08 安徽建筑大学 一种基于个性化建筑交互设计处理方法
CN116561535B (zh) * 2023-07-11 2023-09-19 安徽建筑大学 一种基于个性化建筑交互设计处理方法
CN116595338A (zh) * 2023-07-18 2023-08-15 北京邮电大学 基于物联网工程信息采集处理系统
CN116595338B (zh) * 2023-07-18 2023-09-08 北京邮电大学 基于物联网工程信息采集处理系统
CN117078118A (zh) * 2023-10-18 2023-11-17 济南章力机械有限公司 一种数控机床生产工件质量智能检测系统
CN117078118B (zh) * 2023-10-18 2024-01-05 济南章力机械有限公司 一种数控机床生产工件质量智能检测系统
CN117474427A (zh) * 2023-12-27 2024-01-30 大连金马衡器有限公司 基于物联网技术的智能托盘冷链溯源方法
CN117474427B (zh) * 2023-12-27 2024-03-26 大连金马衡器有限公司 基于物联网技术的智能托盘冷链溯源方法

Also Published As

Publication number Publication date
CN116237817B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN116237817B (zh) 基于物联网的五轴联动数控机床智能监测系统
CN111046945B (zh) 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN107784325B (zh) 基于数据驱动增量融合的螺旋式故障诊断方法
CN111275288A (zh) 基于XGBoost的多维数据异常检测方法与装置
CN112414694B (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
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
CN117708748B (zh) 一种用于离心风机的运行监测系统及方法
CN108723895B (zh) 一种用于钻削加工状态实时监测的信号分割方法
CN114416707A (zh) 工业时序数据的自动化特征工程方法和装置
CN114020598B (zh) 一种时间序列数据的异常检测方法、装置及设备
CN114871850A (zh) 一种基于振动信号和bp神经网络的刀具磨损状态评估方法
CN111538755A (zh) 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法
CN115310497A (zh) 用于数控机床轴承的异常识别方法
CN114638265B (zh) 一种基于信号卷积神经网络的铣削颤振判别方法
CN115270875A (zh) 一种基于深度学习的隔膜泵运行状态监测方法
CN114004360B (zh) 基于模糊专家模型的智能装备诊断设备和方法
CN117807531B (zh) 一种基于智能戒指的血氧数据精确采集系统
CN117807551B (zh) 基于智能戒指的心率异常捕获方法及系统
CN114354184B (zh) 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置
CN114346762B (zh) 一种高速铣削加工过程颤振监测方法、系统及可存储介质
CN118090078B (zh) 一种闭式循环水冷系统渗漏在线监测方法
CN116992389B (zh) 一种物联网虚假数据检测方法及系统
CN112834194B (zh) 一种无故障样本下基于软目标度量的故障智能检测方法
CN117892214A (zh) 异常检测模型的构建方法、异常检测方法及异常检测系统

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
GR01 Patent grant
GR01 Patent grant