CN116307938A - 一种加工中心进给系统健康状态评估方法 - Google Patents

一种加工中心进给系统健康状态评估方法 Download PDF

Info

Publication number
CN116307938A
CN116307938A CN202310553986.4A CN202310553986A CN116307938A CN 116307938 A CN116307938 A CN 116307938A CN 202310553986 A CN202310553986 A CN 202310553986A CN 116307938 A CN116307938 A CN 116307938A
Authority
CN
China
Prior art keywords
real
feeding system
machining center
sample
time
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
CN202310553986.4A
Other languages
English (en)
Other versions
CN116307938B (zh
Inventor
赵明
陈建丰
赵琪
罗松
何良奇
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 CN202310553986.4A priority Critical patent/CN116307938B/zh
Publication of CN116307938A publication Critical patent/CN116307938A/zh
Application granted granted Critical
Publication of CN116307938B publication Critical patent/CN116307938B/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
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及设备性能监控领域，公开了一种加工中心进给系统健康状态评估方法，包括：通过加工中心进给系统的标准健康数据构建历史数据库；获取加工中心进给系统的实时数据样本，依据历史数据库获取实时相似样本集；依据实时相似样本集，采用无监督思想建立模型，计算检测值，得出实时相似样本集中每个样本的检测值，选择最大检测值和最小检测值设置阈值范围；计算实时数据样本的检测值；将所述检测值与所述阈值范围对比，判断加工中心进给系统是否异常。本发明通过对进给系统的工况信息和状态信息等参数来综合分析，评估进给系统的健康状况，能够及时的判断出进给系统的健康情况，方便工作人员对进给系统进行及时的维护。

Description

一种加工中心进给系统健康状态评估方法
技术领域
本发明涉及数控机床健康监测领域，具体讲是一种加工中心进给系统健康状态评估方法。
背景技术
进给系统作为加工中心的子系统，其可靠性能够直接影响被加工件精度，其重要程度不言而喻。当进给系统发生故障时，需要进行停机检修，这在降低工作效率的同时也会导致维护成本增加。而传统的进给系统健康监控是通过有经验的工作人员去听关键部件的声音，或者加工出的工件精度一直达不到要求时才发现进给系统出问题；这样的传统监控方式不能够及时发现进给系统的健康问题，容易导致进给系统出现进一步地破坏或增加加工中心的维护成本。
发明内容
因此，为了及时发现进给系统的健康情况，方便工作人员及时维护进给系统，本发明提供了一种加工中心进给系统健康状态评估方法；该方法通过对进给系统的工况信息（如切削速度、加工精度）和状态信息（如电流的特征值、传动丝杠的振动的特征值，所述特征值可以是均方根值、或标准差、或最大值、或方差、或峭度因子）等参数来综合分析，评估进给系统的健康状况，该方法能够及时地判断出进给系统的健康情况，方便工作人员对进给系统进行及时地维护，给工作人员维护进给系统提供准确的指向。
本发明是这样实现的，构造一种加工中心进给系统健康状态评估方法，包括：
S1、通过加工中心进给系统的标准健康数据构建历史数据库，该标准健康数据包括加工中心进给系统的工况信息和状态信息。
S2、获取加工中心进给系统的实时数据样本
Figure SMS_1
，以实时数据样本/>
Figure SMS_2
的工况信息为基础利用欧式距离为度量方法和依据最小距离分类法从历史数据库中获取实时相似样本集/>
Figure SMS_3
；由于工况信息都是线性化的，通过该步骤能够快速找到工况信息相近的相似样本集。
S3、依据实时相似样本集
Figure SMS_4
，采用无监督思想建立模型，计算检测值，得出实时相似样本集中每个样本的检测值，选择最大检测值和最小检测值设置阈值范围；由于实际工程中故障发生较少，甚至没有故障样本，该步骤采用无监督思想，可以在没有故障样本的情况下可以通过历史样本的检测值设置较合理的阈值范围。
S4、根据S3中计算实时相似样本集中每个样本的检测值的方法，计算实时数据样本
Figure SMS_5
的检测值。
S5、将所述检测值与所述阈值范围对比，判断加工中心进给系统是否异常。
可选的，所述工况信息至少包括第一元素和第二元素，所述第一元素可以是加工中心进给系统的切削速度，所述第二元素可以是加工中心进给系统的加工精度；所述状态信息至少包括电流的特征值或/和振动的特征值，其中振动是传动丝杠的振动，所述特征值是可以是均方根值、或标准差、或最大值、或方差、或峭度因子等。
可选的，所述步骤S2的具体方法是：
获取加工中心进给系统实时数据样本中工况信息的第一元素和第二元素；
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；
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，从所述数据集中选定与实时数据样本
Figure SMS_6
最相似的N个样本来构建实时相似样本集/>
Figure SMS_7
；优选的，所述第一元素是加工中心进给系统的切削速度，所述第二元素是加工中心进给系统的加工精度。
可选的，所述步骤S3的具体方法包括：
S31、通过如下公式获得实时相似样本集中第i个状态信息的平均值，
Figure SMS_8
，
其中，
Figure SMS_9
是实时相似样本集/>
Figure SMS_10
中第i个状态信息的平均值，i=1,2,...,n；/>
Figure SMS_11
是实时相似样本集/>
Figure SMS_12
中第j个样本的第i个状态信息的值，j=1,2,...,m；m和n分别为实时相似样本集/>
Figure SMS_13
中样本数量和状态信息的个数；在该步骤中，获取平均值的目的是，提高数据的准确性，因为在健康阶段同一个工况下相同的状态信息会有一定的波动，但波动值会在某一个值附近振动，而所述“某一个值”就是平均值。
S32、通过每个状态信息的平均值得到的向量
Figure SMS_14
；
S33、通过如下公式获得第j个样本中每个状态信息的检测值
Figure SMS_15
，其中/>
Figure SMS_16
表达的是第j个样本中第i个状态信息的检测值；
Figure SMS_17
，
其中，
Figure SMS_18
是实时相似样本集/>
Figure SMS_19
中第j个样本。
S34、通过如下公式计算
Figure SMS_20
的平均值，并作为实时相似样本集/>
Figure SMS_21
中第j个样本的检测值；
Figure SMS_22
；
该步骤是以每个样本中所有状态信息的检测值的平均值作为该样本的检测值，用于反映状态信息的整体健康程度。
S35、计算出实时相似样本集
Figure SMS_24
中每个样本的检测值/>
Figure SMS_29
，根据/>
Figure SMS_30
计算最大值/>
Figure SMS_25
和最小值/>
Figure SMS_26
，并设置阈值范围为/>
Figure SMS_27
，其中/>
Figure SMS_28
和/>
Figure SMS_23
均是大于零的常数。
可选的，所述步骤S4的具体方法是：
通过如下公式获得实时数据样本
Figure SMS_31
中每个状态信息的检测值/>
Figure SMS_32
，
Figure SMS_33
，
然后，通过如下公式获得实时数据样本
Figure SMS_34
的检测值/>
Figure SMS_35
，
Figure SMS_36
。
可选的，所述步骤S5的具体方法是：
当
Figure SMS_37
或/>
Figure SMS_38
时，加工中心进给系统有风险，需进行维护；
当
Figure SMS_39
时，加工中心进给系统能正常运行。
本发明具有如下有益效果：
本发明通过对进给系统的工况信息和状态信息等参数来综合分析，评估进给系统的健康状况，该方法能够及时地判断出进给系统的健康情况，方便工作人员对进给系统进行及时的维护，给工作人员维护进给系统提供准确的指向。
附图说明
图1是本发明所述一种加工中心进给系统健康状态评估方法。
图2是本发明所述一种在历史数据库中寻找第一元素相似度大的样本的方法。
图3是本发明所述一种在第一元素相似度大的样本集中寻找第二元素相似度大的样本的方法。
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。
下面参考图1-图3描述本申请实施例的，
传统的进给系统健康监控是通过有经验的工作人员去听关键部件的声音，或者加工出的工件精度一直达不到要求时才发现进给系统出问题；这样的传统监控方式不能够及时发现进给系统的健康问题，容易导致进给系统出现进一步的破坏或增加加工中心的维护成本。基于该原因，本发明提供了一种加工中心进给系统健康状态评估方法，包括：
S1、通过加工中心进给系统的标准健康数据构建历史数据库，该标准健康数据包括加工中心进给系统的工况信息和状态信息；其中所述工况信息至少包括加工中心进给系统的切削速度或/和加工精度，所述状态信息至少包括电流的特征值或/和振动的特征值。
S2、获取加工中心进给系统的实时数据样本
Figure SMS_40
，以实时数据样本/>
Figure SMS_41
的工况信息为基础利用欧式距离为度量方法和依据最小距离分类法从历史数据库中获取实时相似样本集。
示例性的，该步骤S2的具体方法如下：
S21、获取加工中心进给系统实时数据样本中工况信息的第一元素和第二元素；所述第一元素是加工中心进给系统的切削速度，所述第二元素是加工中心进给系统的加工精度。
S22、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_42
，对切削速度进行匹配，从历史数据中确定数据集Q1；所述邻域空间半径/>
Figure SMS_43
根据实际情况进行设置。
如图2所示，横坐标为切削速度，切削速度的取值随着箭头方向越来越大。以实时数据样本
Figure SMS_44
的切削速度为中心，以/>
Figure SMS_45
为半径，从数据集中确定切削速度范围集。以欧氏距离为相似度，切削速度与实时数据样本/>
Figure SMS_46
的切削速度的欧式距离越小，则与实时数据样本/>
Figure SMS_47
的切削速度的相似度越大。从历史数据库中选择相似度大的样本，从而确定数据集Q1。
S23、在数据集Q1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_48
，确定加工精度范围集以及对应的相似度大小，从数据集Q1中选定与实时数据样本/>
Figure SMS_49
最相似的N个样本来构建实时相似样本集/>
Figure SMS_50
。所述邻域空间半径/>
Figure SMS_51
根据实际情况进行设置。
如图3所示，横坐标为加工精度，加工精度的取值随着箭头方向越来越大。以实时数据样本
Figure SMS_52
的加工精度为中心，以/>
Figure SMS_53
为半径，从数据集中确定加工精度范围集。以欧氏距离为相似度，加工精度与实时数据样本/>
Figure SMS_54
的加工精度的欧式距离越小，则与实时数据样本/>
Figure SMS_55
的加工精度的相似度越大。从数据集Q1中选择相似度大的样本，从而确定实时相似样本集
Figure SMS_56
。
S3、依据实时相似样本集，采用无监督思想建立模型，计算检测值，得出实时相似样本集中每个样本的检测值，选择最大检测值和最小检测值设置阈值范围；
示例性的，该步骤S3的具体方法包括：
S31、通过如下公式获得实时相似样本集
Figure SMS_57
中第i个状态信息的平均值，
Figure SMS_58
，
其中，
Figure SMS_59
是实时相似样本集/>
Figure SMS_60
中第i个状态信息的平均值，i=1,2,...,n；/>
Figure SMS_61
是实时相似样本集/>
Figure SMS_62
中第j个样本的第i个状态信息的值，j=1,2,...,m；m和n分别为实时相似样本集/>
Figure SMS_63
中样本数量和状态信息的个数；
S32、通过每个状态信息的平均值得到的向量
Figure SMS_64
；
S33、通过如下公式获得第j个样本中每个状态信息的检测值
Figure SMS_65
，其中/>
Figure SMS_66
表达的是第j个样本中第i个状态信息的检测值；
Figure SMS_67
，
其中，
Figure SMS_68
是实时相似样本集/>
Figure SMS_69
中第j个样本。
S34、通过如下公式计算
Figure SMS_70
的平均值，并作为实时相似样本集/>
Figure SMS_71
中第j个样本的检测值；
Figure SMS_72
；
S35、计算出实时相似样本集
Figure SMS_75
中每个样本的检测值/>
Figure SMS_77
，根据/>
Figure SMS_78
计算最大值/>
Figure SMS_74
和最小值/>
Figure SMS_76
，并设置阈值范围为/>
Figure SMS_79
，其中/>
Figure SMS_80
和/>
Figure SMS_73
均是大于零的常数。
S4、根据S3中计算实时相似样本集中每个样本的检测值的方法，计算实时数据样本
Figure SMS_81
的检测值；
示例性的，所述步骤S4的具体方法是：
通过如下公式获得实时数据样本
Figure SMS_82
中每个状态信息的检测值/>
Figure SMS_83
，
Figure SMS_84
，
然后，通过如下公式获得实时数据样本
Figure SMS_85
的检测值/>
Figure SMS_86
，
Figure SMS_87
。
S5、将所述检测值与所述阈值范围对比，判断加工中心进给系统是否异常，示例性的，具体如下：
当
Figure SMS_88
或/>
Figure SMS_89
时，加工中心进给系统有风险，需进行维护；当
Figure SMS_90
时，加工中心进给系统能正常运行。
本发明通过对进给系统的工况信息和状态信息等参数来综合分析，评估进给系统的健康状况，该方法能够及时的判断出进给系统的健康情况，方便工作人员对进给系统进行及时的维护，给工作人员维护进给系统提供准确的指向。利用历史数据库，将工况匹配和无监督思想结合，建立加工中心进给系统的评估指标，实现对加工中心进给系统健康监测。
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 (7)

1.一种加工中心进给系统健康状态评估方法，其特征在于，包括
S1、通过加工中心进给系统的标准健康数据构建历史数据库，该标准健康数据包括加工中心进给系统的工况信息和状态信息；
S2、获取加工中心进给系统的实时数据样本
Figure QLYQS_1
，以实时数据样本/>
Figure QLYQS_2
的工况信息为基础利用欧式距离为度量方法和依据最小距离分类法从历史数据库中获取实时相似样本集/>
Figure QLYQS_3
；
S3、依据实时相似样本集
Figure QLYQS_4
，采用无监督思想建立模型，计算检测值，得出实时相似样本集中每个样本的检测值，选择最大检测值和最小检测值设置阈值范围；
S4、根据S3中计算实时相似样本集中每个样本的检测值的方法，计算实时数据样本
Figure QLYQS_5
的检测值；
S5、将步骤S4中所述检测值与步骤S3中所述阈值范围对比，判断加工中心进给系统是否异常。
2.根据权利要求1所述一种加工中心进给系统健康状态评估方法，其特征在于，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电流的特征值或/和振动的特征值。
3.根据权利要求2所述一种加工中心进给系统健康状态评估方法，其特征在于，所述第一元素是加工中心进给系统的切削速度，所述第二元素是加工中心进给系统的加工精度。
4.根据权利要求2或3所述一种加工中心进给系统健康状态评估方法，其特征在于，所述步骤S2的具体方法是：
获取加工中心进给系统实时数据样本中工况信息的第一元素和第二元素；
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；
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，从所述数据集中选定与实时数据样本
Figure QLYQS_6
最相似的N个样本来构建实时相似样本集/>
Figure QLYQS_7
。
5.根据权利要求1所述一种加工中心进给系统健康状态评估方法，其特征在于，所述步骤S3的具体方法包括：
S31、通过如下公式获得实时相似样本集
Figure QLYQS_8
中第i个状态信息的平均值，
Figure QLYQS_9
，
其中，
Figure QLYQS_10
是实时相似样本集/>
Figure QLYQS_11
中第i个状态信息的平均值，i=1,2,...,n；/>
Figure QLYQS_12
是实时相似样本集/>
Figure QLYQS_13
中第j个样本的第i个状态信息的值，j=1,2,...,m；m和n分别为实时相似样本集/>
Figure QLYQS_14
中样本数量和状态信息的个数；
S32、通过每个状态信息的平均值得到向量
Figure QLYQS_15
；
S33、通过如下公式获得第j个样本中每个状态信息的检测值
Figure QLYQS_16
，其中/>
Figure QLYQS_17
表达的是第j个样本中第i个状态信息的检测值；
Figure QLYQS_18
，
其中，
Figure QLYQS_19
是实时相似样本集/>
Figure QLYQS_20
中第j个样本；
S34、通过如下公式计算
Figure QLYQS_21
的平均值，并作为实时相似样本集/>
Figure QLYQS_22
中第j个样本的检测值；
Figure QLYQS_23
；
S35、计算出实时相似样本集中每个样本的检测值
Figure QLYQS_24
，根据/>
Figure QLYQS_25
计算最大值/>
Figure QLYQS_26
和最小值/>
Figure QLYQS_27
，并设置阈值范围为/>
Figure QLYQS_28
，其中/>
Figure QLYQS_29
和/>
Figure QLYQS_30
均是大于零的常数。
6.根据权利要求5所述一种加工中心进给系统健康状态评估方法，其特征在于，所述步骤S4的具体方法是：
通过如下公式获得实时数据样本
Figure QLYQS_31
中每个状态信息的检测值/>
Figure QLYQS_32
，
Figure QLYQS_33
，
然后，通过如下公式获得实时数据样本
Figure QLYQS_34
的检测值/>
Figure QLYQS_35
，
Figure QLYQS_36
。
7.根据权利要求6所述一种加工中心进给系统健康状态评估方法，其特征在于，所述步骤S5的具体方法是：
当
Figure QLYQS_37
或/>
Figure QLYQS_38
时，加工中心进给系统有风险，需进行维护；
当
Figure QLYQS_39
时，加工中心进给系统能正常运行。
CN202310553986.4A 2023-05-17 2023-05-17 一种加工中心进给系统健康状态评估方法 Active CN116307938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310553986.4A CN116307938B (zh) 2023-05-17 2023-05-17 一种加工中心进给系统健康状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310553986.4A CN116307938B (zh) 2023-05-17 2023-05-17 一种加工中心进给系统健康状态评估方法

Publications (2)

Publication Number Publication Date
CN116307938A true CN116307938A (zh) 2023-06-23
CN116307938B CN116307938B (zh) 2023-07-25

Family

ID=86799943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310553986.4A Active CN116307938B (zh) 2023-05-17 2023-05-17 一种加工中心进给系统健康状态评估方法

Country Status (1)

Country Link
CN (1) CN116307938B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251738A (zh) * 2023-11-17 2023-12-19 四川中测仪器科技有限公司 一种基于数据的调节阀组振动阈值设置方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8544087B1 (en) * 2001-12-14 2013-09-24 The Trustess Of Columbia University In The City Of New York Methods of unsupervised anomaly detection using a geometric framework
CN109396576A (zh) * 2018-09-29 2019-03-01 郑州轻工业学院 基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法
CN111274084A (zh) * 2020-01-14 2020-06-12 中国平安人寿保险股份有限公司 故障诊断方法、装置、设备及计算机可读存储介质
CN111638707A (zh) * 2020-06-07 2020-09-08 南京理工大学 基于som聚类和mpca的间歇过程故障监测方法
US20210065059A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Monitoring computing system status by implementing a deep unsupervised binary coding network
CN113158559A (zh) * 2021-04-02 2021-07-23 杭州电子科技大学 一种精密复杂刀具高效智能设计方法
CN113554055A (zh) * 2021-06-11 2021-10-26 杭州玖欣物联科技有限公司 一种基于聚类算法的加工工况识别方法
CN115828140A (zh) * 2022-12-13 2023-03-21 中国民航大学 邻域互信息与随机森林相融合故障检测方法、系统及应用
CN115860211A (zh) * 2022-11-29 2023-03-28 北京科技大学 一种基于局部在线建模的铸坯质量预测方法
CN116108358A (zh) * 2023-03-01 2023-05-12 杭州安脉盛智能技术有限公司 一种设备监测阈值确定方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8544087B1 (en) * 2001-12-14 2013-09-24 The Trustess Of Columbia University In The City Of New York Methods of unsupervised anomaly detection using a geometric framework
CN109396576A (zh) * 2018-09-29 2019-03-01 郑州轻工业学院 基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法
US20210065059A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Monitoring computing system status by implementing a deep unsupervised binary coding network
CN111274084A (zh) * 2020-01-14 2020-06-12 中国平安人寿保险股份有限公司 故障诊断方法、装置、设备及计算机可读存储介质
CN111638707A (zh) * 2020-06-07 2020-09-08 南京理工大学 基于som聚类和mpca的间歇过程故障监测方法
CN113158559A (zh) * 2021-04-02 2021-07-23 杭州电子科技大学 一种精密复杂刀具高效智能设计方法
CN113554055A (zh) * 2021-06-11 2021-10-26 杭州玖欣物联科技有限公司 一种基于聚类算法的加工工况识别方法
CN115860211A (zh) * 2022-11-29 2023-03-28 北京科技大学 一种基于局部在线建模的铸坯质量预测方法
CN115828140A (zh) * 2022-12-13 2023-03-21 中国民航大学 邻域互信息与随机森林相融合故障检测方法、系统及应用
CN116108358A (zh) * 2023-03-01 2023-05-12 杭州安脉盛智能技术有限公司 一种设备监测阈值确定方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FRANCESCA CALABRESE 等: "Unsupervised Fault Detection and Prediction of Remaining Useful Life for Online Prognostic Health Management of Mechanical Systems", 《APPLIED SCIENCES》, pages 1 - 19 *
刘炜: "应用改进最小距离分类法识别泵功图工况", 《 电脑知识与技术》, vol. 6, no. 6, pages 1449 - 1451 *
李红斌;王嘉伟;: "基于多源信息的数控机床故障诊断系统的设计与实现", 电子设计工程, no. 18, pages 78 - 81 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251738A (zh) * 2023-11-17 2023-12-19 四川中测仪器科技有限公司 一种基于数据的调节阀组振动阈值设置方法
CN117251738B (zh) * 2023-11-17 2024-01-23 四川中测仪器科技有限公司 一种基于数据的调节阀组振动阈值设置方法

Also Published As

Publication number Publication date
CN116307938B (zh) 2023-07-25

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
CN109514349B (zh) 基于振动信号和Stacking集成模型的刀具磨损状态监测方法
US10635081B2 (en) Tool state estimation apparatus and machine tool
CN110059442B (zh) 一种基于零件表面粗糙度和功率信息的车削加工换刀方法
US9378183B2 (en) Monitoring diagnostic device and monitoring diagnostic method
US20190160619A1 (en) Tool State Detection Method of Machine Tool and System Thereof
US20120253694A1 (en) Method and apparatus for judging status of mechanical system
CN109597315B (zh) 一种机械设备健康退化状态辨识方法、设备及系统
CN116307938B (zh) 一种加工中心进给系统健康状态评估方法
CN118094449B (zh) 基于工业互联网的生产智能监控方法、系统及装置
WO2007064933A1 (en) Method and apparatus for classifying manufacturing outputs
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
Godreau et al. Continuous improvement of HSM process by data mining
CN108537249B (zh) 一种密度峰值聚类的工业过程数据聚类方法
Yang et al. Application of bispectrum diagonal slice feature analysis to monitoring CNC tool wear states
TW202147161A (zh) 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品
Seevers et al. Automatic detection of manufacturing equipment cycles using time series
WO2020010902A1 (zh) 刀具状态检测系统
CN113408383B (zh) 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法
Ferguson et al. A data processing pipeline for prediction of milling machine tool condition from raw sensor data
Wan et al. An on-line tool wear monitoring method based on cutting power
Herrera-Granados et al. An experimental study of multi-sensor tool wear monitoring and its application to predictive maintenance
Klyachkin et al. Analysis of stable functioning of objects using machine learning
Sheng et al. Tool wear assessment approach based on the neighborhood rough set model and nearest neighbor model
CN118518590B (zh) 一种检测治具的性能数据跟踪方法及系统

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
GR01 Patent grant
GR01 Patent grant