CN116520769B - 数控机床的监测方法、装置、终端设备及计算机存储介质 - Google Patents
数控机床的监测方法、装置、终端设备及计算机存储介质 Download PDFInfo
- Publication number
- CN116520769B CN116520769B CN202310814833.0A CN202310814833A CN116520769B CN 116520769 B CN116520769 B CN 116520769B CN 202310814833 A CN202310814833 A CN 202310814833A CN 116520769 B CN116520769 B CN 116520769B
- Authority
- CN
- China
- Prior art keywords
- data
- numerical control
- control machine
- machine tool
- monitoring
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000000712 assembly Effects 0.000 claims abstract description 12
- 238000000429 assembly Methods 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 98
- 230000002159 abnormal effect Effects 0.000 claims description 73
- 238000013528 artificial neural network Methods 0.000 claims description 57
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 230000006854 communication Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34475—Detect abnormality of control system without inverted model, using input command
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Numerical Control (AREA)
Abstract
本申请涉及数控技术领域，尤其涉及一种数控机床的监测方法、装置、终端设备及计算机存储介质，该方法应用于数控机床的监测系统中的孪生模块，所述数控机床的监控系统还包括：多个监测组件和主控模块，多个所述监测组件、主控模块和孪生模块依次连接，多个监测组件与数控机床连接。该方法包括：依据所述主控模块对目标组件做出的响应，确定所述目标组件输出的所述数控机床的运行状态数据，所述目标组件是指多个所述监测组件中的至少一个监测组件；依据所述运行状态数据确定所述数控机床的预测运行状态，并依据所述预测运行状态对所述数控机床的实际运行状态进行监控，本申请提高了数控机床的监控效率。
Description
技术领域
本申请涉及数控技术领域，尤其涉及一种数控机床的监测方法、装置、终端设备及计算机存储介质。
背景技术
数控技术是当今先进制造业不可或缺的技术，在数控技术飞速发展的同时，用户对数控机床的监测效率提出了更高的要求。
数控机床作为精密加工制造业中最重要的设备，在生产管理过程中，数控机床往往是车间的“信息孤岛”，设备通讯接口封闭、加工程序不能集中高效管理，进而使得生产管理者无法及时了解设备运行状态信息、无法准确记录刀具及加工过程信息、无法及时获取生产汇总信息。且现有的数控机床监测方式大多依赖专家经验对数控机床的生产过程进行判断，但因受数控机床设备的复杂结构约束不仅对专家的技术经验以及知识储备的要求较高，而且整个监控过程非常耗时耗力，无法及时追踪数控机床的运行状态。也就是说，现有的数控机床监测方式存在着监控效率差的技术问题。
发明内容
本申请的主要目的在于提供一种数控机床的监测方法、装置、终端设备及计算机存储介质，旨在提高数控机床的监控效率。
为实现上述目的，本申请提供一种数控机床的监测方法，所述数控机床的监测方法应用于数控机床的监测系统中的孪生模块，所述数控机床的监控系统还包括：多个监测组件和主控模块，多个所述监测组件、主控模块和孪生模块依次连接，多个监测组件与数控机床连接；
所述数控机床的监测方法包括：
依据所述主控模块对目标组件做出的响应，确定所述目标组件输出的所述数控机床的运行状态数据，所述目标组件是指多个所述监测组件中的至少一个监测组件，所述运行状态数据至少包括所述数控机床的伺服电机参数、液压状态参数、气动状态参数、水路状态参数、主轴状态参数和AC摆幅状态参数；
依据所述运行状态数据确定所述数控机床的预测运行状态，并依据所述预测运行状态对所述数控机床的实际运行状态进行监控。
可选地，所述孪生模块包括学习算法单元，所述依据所述运行状态数据确定所述数控机床的预测运行状态的步骤包括：
获取所述目标组件输出的历史运行数据，并获取与所述历史运行数据对应的平均阈值数据；
当所述运行状态数据与所述平均阈值数据匹配时，将所述运行状态数据传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态。
可选地，在所述获取与所述历史运行数据对应的平均阈值数据的步骤之后，所述数控机床的监测方法还包括：
确定所述平均阈值数据指定的阈值范围；
检测所述运行状态数据与所述平均阈值数据之间的绝对差值数据是否超过所述阈值范围；
若所述绝对差值数据未超过所述阈值范围，则确定所述运行状态数据与所述平均阈值数据匹配。
可选地，在所述检测所述运行状态数据与所述平均阈值数据之间的绝对差值数据是否超过所述阈值范围的步骤之后，所述数控机床的监测方法还包括：
若所述绝对差值数据超过所述阈值范围，则确定所述运行状态数据与所述平均阈值数据不匹配，所述运行状态数据的数量有多个，所述数控机床的运行数据集包括多个所述运行状态数据；
将所述运行数据集中超过所述阈值范围的运行状态数据作为所述数控机床的异常数据，并依据所述数控机床的给定权重比例和所述异常数据对所述运行数据集进行更新，得到更新后的运行数据集；
将所述更新后的运行数据集传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态。
可选地，所述依据所述数控机床的给定权重比例和所述异常数据对所述运行数据集进行更新，得到更新后的运行数据集的步骤，包括：
判断所述异常数据的异常数量占比所述运行数据集的数据总量是否超过所述给定权重比例；
若所述异常数据的异常数量占比所述运行数据集的数据总量未超过所述给定权重比例，则在所述运行数据集中删除所述异常数据，得到更新后的运行数据集；
若所述异常数据的异常数量占比所述运行数据集的数据总量超过所述给定权重比例，则对所述异常数据进行异常值纠正处理，得到纠正后的异常数据，并在所述运行数据集中依据所述纠正后的异常数据对所述异常数据进行替换，得到所述更新后的运行数据集。
可选地，所述学习算法单元包括初始神经网络算法模型，所述将所述运行状态数据传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态的步骤包括：
确定所述运行状态数据指向的时间标识，并依据所述时间标识和所述运行状态数据确定所述数控机床的时间序列数据；
确定所述初始神经网络算法模型指向的监督格式，依据所述监督格式将所述时间序列数据转化成监督序列数据输入至所述初始神经网络算法模型中进行模型训练，得到所述初始神经网络算法模型输出的所述数控机床的预测运行参数；
依据所述历史运行数据确定所述数控机床的真实运行参数，并当所述预测运行参数与所述真实运行参数一致时，将所述预测运行参数作为所述数控机床的预测运行状态。
可选地，所述初始神经网络算法模型包括多层神经网络，在所述依据所述历史运行数据确定所述数控机床的真实运行参数的步骤之后，所述数控机床的监测方法还包括：
确认所述真实运行参数与所述预测运行参数之间的均方差是否处于所述数控机床的给定阈值区间内；
若所述均方差处于所述给定阈值区间内，则确定所述预测运行参数与所述真实运行参数一致；
若所述均方差未处于所述给定阈值区间内，则确定所述预测运行参数与所述真实运行参数不一致，依据所述均方差对多层所述神经网络进行权值更新，得到更新权值矩阵；
依据所述更新权值矩阵对所述初始神经网络算法模型进行调整，并将调整后的神经网络算法模型作为下一个初始神经网络算法模型，返回执行所述依据所述监督格式将所述时间序列数据转化成监督序列数据输入至所述初始神经网络算法模型中进行模型训练的步骤。
此外，为实现上述目的，本申请还提供一种数控机床的监测装置，本申请数控机床的监测装置包括：
输出模块，用于依据主控模块对目标组件做出的响应，确定所述目标组件输出的所述数控机床的运行状态数据，所述目标组件是指多个监测组件中的至少一个监测组件，所述运行状态数据至少包括所述数控机床的伺服电机参数、液压状态参数、气动状态参数、水路状态参数、主轴状态参数和AC摆幅状态参数；
监控模块，用于依据所述运行状态数据确定所述数控机床的预测运行状态，并依据所述预测运行状态对所述数控机床的运行状态进行监控。
本申请数控机床的监测装置的各个功能模块在运行时实现如上所述的本申请数控机床的监测方法的步骤。
此外，为实现上述目的，本申请还提供一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数控机床的监测程序，所述数控机床的监测程序被所述处理器执行时实现上述数控机床的监测方法的步骤。
此外，为实现上述目的，本申请还提供一种计算机存储介质，所述计算机存储介质上存储有数控机床的监测程序，所述数控机床的监测程序被处理器执行时实现上述的数控机床的监测方法的步骤。
本申请中数控机床的监测方法应用于数控机床的监测系统中的孪生模块，另外，数控机床的监控系统还可以包括多个监测组件和主控模块，多个监测组件、主控模块和孪生模块依次连接。区别于现有的数控机床监测方式，本申请依据主控模块对目标组件做出的响应，可以迅速确定目标组件输出的所述数控机床的运行状态数据，从而实现了对数控机床的运行状态数据进行针对性监测的目的，其中，目标组件是指多个监测组件中的至少一个监测组件；然后依据运行状态数据可以准确地确定数控机床的预测运行状态，再依据预测运行状态自动对数控机床的运行状态进行实时监控，不仅避免了无法及时追踪数控机床的运行状态的现象发生，还有效地提高了数控机床的监控效率。
附图说明
图1是本申请数控机床的监测方法第一实施例的流程示意图；
图2是本申请数控机床的监测系统涉及的结构示意图；
图3是本申请孪生模块涉及的结构示意图；
图4是本申请数控机床的监测方法第二实施例的流程示意图；
图5是本申请实施例方案涉及的数控机床的监测装置的结构示意图；
图6为本申请实施例方案涉及的终端设备的结构示意图；
图7是本申请实施例方案涉及的计算机存储介质的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
本申请实施例提供了一种数控机床的监测方法，参照图1所示，图1是本申请数控机床的监测方法第一实施例的流程示意图。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。
本实施例中，参照图2，图2是本申请数控机床的监测系统涉及的结构示意图。本申请数控机床的监测方法应用于数控机床的监测系统中的孪生模块，所述数控机床的监控系统还包括：多个监测组件和主控模块，多个所述监测组件、主控模块和孪生模块依次连接，多个监测组件与数控机床连接。在下述实施例中不再对本申请的执行主体进行赘述。本申请数控机床的监测方法包括：
步骤S10：依据所述主控模块对目标组件做出的响应，确定所述目标组件输出的所述数控机床的运行状态数据，所述目标组件是指多个所述监测组件中的至少一个监测组件，所述运行状态数据至少包括所述数控机床的伺服电机参数、液压状态参数、气动状态参数、水路状态参数、主轴状态参数和AC摆幅状态参数；
在本实施例中，在数控机床的人机交互界面或者与所述数控机床建立连接的用户终端输入目标监测指令后，主控模块则可以及时地获取目标监测指令指向的组件标识，并按照该组件标识从多个监测组件中查找到目标组件；然后，根据主控模块和孪生模块之间的通信连接，主控模块将目标组件输出的数控机床的运行状态数据映射到孪生模块中，此时，孪生模块可以实时采集到数控机床的运行状态数据。
需要说明的是，主控模块是指数控机床的实际中控平台，且主控模块包括物理实体模型；孪生模块用于依据主控模块转发的运行状态数据反映数控机床的实际运行状态。目标监测指令是指对多个监测组件中的至少一个监测组件输出的数控机床的运行状态数据进行监控的指令。每一运行状态数据与一个监测组件一一对应，监测组件包括但不限于伺服系统监控监测组件、液压状态监控监测组件、气动状态监控监测组件、水路状态监控监测组件、主轴状态监控监测组件和AC摆幅状态监控监测组件；运行状态数据包括但不限于数控机床的伺服电机参数、液压状态参数、气动状态参数、水路状态参数、主轴状态参数和AC摆幅状态参数，其中，AC摆幅状态参数与数控机床的AC旋转轴有关，一般情况下围绕着数控机床的加工中心X轴做旋转运动的轴，定义为A轴，其A旋转轴的工作范围是+30度至-120度。另外，将围绕着数控机床的加工中心Z轴做旋转运动的轴，定义为C旋转轴，其C旋转轴的工作范围是360度回转。A旋转轴和C旋转轴组合成数控机床的五轴加工中心。
另外，需要说明的是，伺服系统监控监测组件包括但不限于速度传感器、旋转式感应同步器以及温度传感器；液压状态监控监测组件包括但不限于液位传感器；气动状态监控监测组件包括但不限于气压传感器；水路状态监控监测组件但不限于包括压阻式传感器；主轴状态监控监测组件包括但不限于机床主轴编码器、AC摆幅状态监控监测组件包括但不限于位移传感器、振动传感器、直线光栅和接触式传感器。
在具体实施例，当目标检测组件为伺服系统监控监测组件时，伺服系统监控监测组件用于采集数控机床的伺服电机参数，并根据主控模块与伺服系统监控监测组件之间的通信连接，将采集到的伺服电机参数传输至主控模块，此时，根据主控模块与孪生模块之间的通信连接，主控模块将伺服电机参数映射到孪生模块中，此时，孪生模块可以依据采集到数控机床的伺服电机参数及时反映数控机床中伺服系统的运行情况。
步骤S20：依据所述运行状态数据确定所述数控机床的预测运行状态，并依据所述预测运行状态对所述数控机床的实际运行状态进行监控。
在本实施例中，参照图3，图3是本申请孪生模块涉及的结构示意图。孪生模块包括映像数字孪生体、学习算法单元和数字孪生结构模型，数字孪生体、学习算法单元和数字孪生结构模型依次连接，数字孪生体与数字孪生结构模型连接，其中，主控模块与映像数字孪生体一一对应，具体的，主控模块中的物理实体模型可通过MTConnect、OPC-UA、MQTT等协议规范将目标组件实时采集的运行状态数据传输至到映像数字孪生体上，进而通过映像数字孪生体将运行状态数据输至学习算法单元中进行预警分析，得到学习算法单元输出的数控机床的预测运行状态；然后根据学习算法单元与数字孪生结构模型之间的通信连接，学习算法单元将预测运行状态传输至数字孪生结构模型，再根据数字孪生结构模型通过映像数字孪生体与主控模块之间的通信连接，数字孪生结构模型可通过OPC-UA、MQTT、CoAP等协议规范将接收到的预测运行状态反馈给主控模块中的物理实体模型，通过Socket、RPC和MQSeries等软件接口实现两个模型间的双向通讯，实现物理实体模型、虚拟实体模型（即数字孪生结构模型）之间的互联互通。然后在物理实体模型接收到预测运行状态后，主控模块可以依据该预测运行状态实时追踪数控机床的实际运行状态以便主控模块可以及时判断数控机床是否发生故障，具体的，当预测运行状态与实际运行状态不相等时，通过数控机床的监测系统中的人机交互界面将主控模块输出的数控机床的故障状态进行显示以提高数控机床的监控效率。
需要说明的是，预测运行状态可以理解为用于实时反映数控机床在当前时刻的实际运行状态是否处于正常运行的参数，即可以依据预测运行状态实时判断数控机床在当前时刻的实际运行状态是否发生故障。
另外，需要说明的是，根据映像数字孪生体与数字孪生结构模型之间连接，数字孪生结构模型可以通过JDBC、ODBC等数据库接口将依据运行状态数据确定的数控机床的仿真实时存储到映像数字孪生体中，以便数控机床的监测系统可实时读取数字孪生体的各类数据、融合数据和关联数据等驱动动态仿真。
综上，本申请中数控机床的监测方法应用于数控机床的监测系统中的孪生模块，另外，数控机床的监控系统还可以包括多个监测组件和主控模块，多个监测组件、主控模块和孪生模块依次连接。区别于现有的数控机床监测方式，本申请依据主控模块对目标组件做出的响应，可以迅速确定目标组件输出的所述数控机床的运行状态数据，从而实现了对数控机床的运行状态数据进行针对性监测的目的，其中，目标组件是指多个监测组件中的至少一个监测组件；然后依据运行状态数据可以准确地确定数控机床的预测运行状态，再依据预测运行状态自动对数控机床的运行状态进行实时监控，不仅避免了无法及时追踪数控机床的运行状态的现象发生，还有效地提高了数控机床的监控效率。
进一步地，基于本申请数控机床的监测方法的第一实施例，提出本申请数控机床的监测方法的第二实施例，参照图4，图4是本申请数控机床的监测方法第二实施例的流程示意图。
进一步地，在一些可行的实施例中，所述孪生模块包括学习算法单元，上述步骤S20：依据所述运行状态数据确定所述数控机床的预测运行状态，还可以包括以下实施步骤：
步骤S201：获取所述目标组件输出的历史运行数据，并获取与所述历史运行数据对应的平均阈值数据；
在本实施例中，学习算法单元从数控机床的监测系统中的数据库查找目标组件输出的历史运行数据，然后依据历史运行数据的数据数量对进行求和计算后的历史运行数据进行平均值处理，得到平均阈值数据。
步骤S202：当所述运行状态数据与所述平均阈值数据匹配时，将所述运行状态数据传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态。
在本实施例中，当学习算法单元接收到映像数字孪生体转发的运行状态数据后，学习算法单元可以依据历史运行数据对应的平均阈值数据对该运行状态数据进行实时检测，当该运行状态数据与平均阈值数据匹配时，将运行状态数据传输至学习算法单元中的初始神经网络算法模型进行预警分析并输出数控机床的预测运行状态。
进一步地，在一些可行的实施例中，在上述步骤S201：获取与所述历史运行数据对应的平均阈值数据之后，数控机床的监测方法还可以包括以下实施步骤：
步骤A10：确定所述平均阈值数据指定的阈值范围；
在本实施例中，在确定目标组件输出的历史运行数据对应的平均阈值后，学习算法单元可以直接确定该平均阈值指定的阈值范围。
需要说明的是，阈值范围与目标组件输出的历史运行数据有关，即每一目标组件输出的历史运行数据对应着一个阈值范围。具体的，当目标检测组件为伺服系统监控监测组件时，学习算法单元依据伺服系统监控监测组件输出的历史伺服参数进行求和平均计算后，得到历史伺服参数对应的平均阈值数据，再确定平均阈值数据指定的阈值范围。另外，阈值范围也可以根据用户的需求进行自定义，本申请在此不做任何限制。
步骤A20：检测所述运行状态数据与所述平均阈值数据之间的绝对差值数据是否超过所述阈值范围；
在本实施例中，学习算法单元首先依据运行状态数据与平均阈值数据之间的差值，再确定所述数控机床的差值数据，并将差值数据的绝对值作为所述数控机床的绝对差值数据，然后检测绝对差值数据是否超过阈值范围。
需要说明的是，运行状态数据的数量有多个，运行数据集包括多个运行状态数据，其中，运行数据集的数量也有多个，一个运行数据集与一个监测组件输出的多个运行状态数据相配对。
在具体实施例中，学习算法单元检测各运行状态数据与平均阈值数据之间的绝对差值数据是否超过阈值范围。例如，当目标检测组件为伺服系统监控监测组件时，伺服系统监控监测组件输出的伺服电机参数有多个，学习算法单元首先确定各伺服电机参数与平均阈值数据之间的绝对差值数据，然后检测各绝对差值数据是否超过历史伺服参数对应的平均阈值数据指定的阈值范围。
步骤A30：若所述绝对差值数据未超过所述阈值范围，则确定所述运行状态数据与所述平均阈值数据匹配。
在本实施例中，若各绝对差值数据均未阈值范围，则确定运行数据集中的各个运行状态数据均与平均阈值数据匹配。
进一步地，在另一些可行的实施例中，在步骤A20：检测所述运行状态数据与所述平均阈值数据之间的绝对差值数据是否超过所述阈值范围之后，数控机床的监测方法还可以包括以下实施步骤：
步骤B10：若所述绝对差值数据超过所述阈值范围，则确定所述运行状态数据与所述平均阈值数据不匹配，所述运行状态数据的数量有多个，所述数控机床的运行数据集包括多个所述运行状态数据；
在本实施例中，若运行数据集中至少存在一个运行状态数据与平均阈值数据之间的绝对差值数据超过阈值范围，则确定运行数据集中至少有一个运行状态数据与平均阈值数据不匹配。
步骤B20：将所述运行数据集中超过所述阈值范围的运行状态数据作为所述数控机床的异常数据，并依据所述数控机床的给定权重比例和所述异常数据对所述运行数据集进行更新，得到更新后的运行数据集；
在本实施例中，从运行数据集中查找超过阈值范围的运行状态数据，并将这些超过阈值范围的运行状态数据作为数控机床的异常数据；然后依据数控机床的给定权重比例和异常数据对运行数据集进行更新，得到更新后的运行数据集，从而有效地提高了运行状态数据的稳定性和正确性。
需要说明的是，给定权重比例可以理解为预先设置的限定异常数据的权重比例，可以根据用户的需求进行自定义。
步骤B30：将所述更新后的运行数据集传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态。
在本实施例中，学习算法单元将更新后的运行数据集中的运行状态数据传输至学习算法单元中的初始神经网络算法模型进行预警分析并输出所述数控机床的预测运行状态。
进一步地，在一些可行的实施例中，在上述步骤B20：依据所述数控机床的给定权重比例和所述异常数据对所述运行数据集进行更新，得到更新后的运行数据集，还可以包括以下实施步骤：
步骤B201：判断所述异常数据的异常数量占比所述运行数据集的数据总量是否超过所述给定权重比例；
在本实施例中，学习算法单元判断异常数据的异常数量占比运行数据集的数据总量是否超过给定权重比例。
步骤B202：若所述异常数据的异常数量占比所述运行数据集的数据总量未超过所述给定权重比例，则在所述运行数据集中删除所述异常数据，得到更新后的运行数据集；
在本实施例中，若异常数据的异常数量占比运行数据集的数据总量小于给定权重比例，则在运行数据集中删除异常数据，得到更新后的运行数据集。
步骤B203：若所述异常数据的异常数量占比所述运行数据集的数据总量超过所述给定权重比例，则对所述异常数据进行异常值纠正处理，得到纠正后的异常数据，并在所述运行数据集中依据所述纠正后的异常数据对所述异常数据进行替换，得到所述更新后的运行数据集。
在本实施例中，若异常数据的异常数量占比运行数据集的数据总量大于或者等于给定权重比例，则将从运行数据集中查找到的正常数据对应的中位数据作为纠正后的异常数据，再在运行数据集中依据纠正后的异常数据对异常数据进行替换，即将异常数据替换成中位数据得到更新后的运行数据集。
需要说明的是，正常数据是指在运行数据集中未超过阈值范围的运行状态数据。
进一步地，在另一些可行的实施例中，所述学习算法单元包括初始神经网络算法模型，上述步骤S202：当所述运行状态数据与所述平均阈值数据匹配时，将所述运行状态数据传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态，还可以包括以下实施步骤：
步骤S2021：确定所述运行状态数据指向的时间标识，并依据所述时间标识和所述运行状态数据确定所述数控机床的时间序列数据；
在本实施例中，学习算法单元确定各运行状态数据指向的时间标识，并依据各时间标识的先后顺序对多个运行状态数据进行排列，得到数控机床的初始序列数据，并按照预设的窗口平移平滑法对初始序列数据进行平滑处理，可以得到稳定的时间序列数据，从而有效地提高了时间序列数据的稳定性。
步骤S2022：确定所述初始神经网络算法模型指向的监督格式，依据所述监督格式将所述时间序列数据转化成监督序列数据输入至所述初始神经网络算法模型中进行模型训练，得到所述初始神经网络算法模型输出的所述数控机床的预测运行参数；
在本实施例中，学习算法单元确定初始神经网络算法模型指向的监督格式，依据监督格式将时间序列数据转化成监督序列数据输入至初始神经网络算法模型中进行模型训练，得到初始神经网络算法模型输出的数控机床的预测运行参数。
步骤S2023：依据所述历史运行数据确定所述数控机床的真实运行参数，并当所述预测运行参数与所述真实运行参数一致时，将所述预测运行参数作为所述数控机床的预测运行状态。
在本实施例中，学习算法单元依据历史运行数据确定数控机床的真实运行参数，然后依据真实运行参数对预测运行参数进行判断，在判断到预测运行参数与真实运行参数一致后，学习算法单元将预测运行参数作为数控机床的预测运行状态。即本申请将预测运行参数与真实运行参数进行对比，从而有效地提高了数控机床的预测运行状态的真实性。
需要说明的是，真实运行参数可以理解为数控机床在历史时刻的实际运行状态。
进一步地，在另一些可行的实施例中，所述初始神经网络算法模型包括多层神经网络，在上述步骤S2023：依据所述历史运行数据确定所述数控机床的真实运行参数之后，数控机床的监测方法还可以包括以下实施步骤：
步骤C10：确认所述真实运行参数与所述预测运行参数之间的均方差是否处于所述数控机床的给定阈值区间内；
在本实施例中，学习算法单元确认真实运行参数与预测运行参数之间的均方差是否处于数控机床的给定阈值区间内。
步骤C20：若所述均方差处于所述给定阈值区间内，则确定所述预测运行参数与所述真实运行参数一致；
在本实施例中，若均方差处于给定阈值区间内，学习算法单元则确定预测运行参数与真实运行参数一致。
步骤C30：若所述均方差未处于所述给定阈值区间内，则确定所述预测运行参数与所述真实运行参数不一致，依据所述均方差对多层所述神经网络进行权值更新，得到更新权值矩阵；
在本实施例中，若均方差未处于给定阈值区间内，学习算法单元则确定预测运行参数与真实运行参数不一致，依据均方差对多层神经网络进行权值更新，得到更新权值矩阵，以便学习算法单元可以依据更新权值矩阵对初始神经网络算法模型进行调整，提高了初始神经网络算法模型的泛化能力。
步骤C40：依据所述更新权值矩阵对所述初始神经网络算法模型进行调整，并将调整后的神经网络算法模型作为下一个初始神经网络算法模型，返回执行所述依据所述监督格式将所述时间序列数据转化成监督序列数据输入至所述初始神经网络算法模型中进行模型训练的步骤。
在本实施例中，学习算法单元依据更新权值矩阵对初始神经网络算法模型进行调整，并将调整后的神经网络算法模型作为下一个初始神经网络算法模型，返回执行所述依据所述监督格式将所述时间序列数据转化成监督序列数据输入至所述初始神经网络算法模型中进行模型训练的步骤。
综上，本申请的学习算法单元包括映像数字孪生体、学习算法单元和数字孪生结构模型，数字孪生体、学习算法单元和数字孪生结构模型依次连接，数字孪生体与数字孪生结构模型连接，当数字孪生体将主控模块转发的运行状态数据输入至学习算法单元中的初始神经网络算法模型进行模型训练，得到预测运行参数，并当预测运行参数与真实运行参数不一致时，依据真实运行参数与预测运行参数之间的均方差对多层神经网络进行权值更新，实时调整初始神经网络算法模型，进而通过提高初始神经网络算法模型的泛化能力以提高预测运行参数的真实性。
此外，本申请还提供一种数控机床的监测装置，请参照图5，图5是本申请实施例方案涉及的数控机床的监测装置的结构示意图。
本申请数控机床的监测装置包括：
输出模块H01，用于依据主控模块对目标组件做出的响应，确定所述目标组件输出的所述数控机床的运行状态数据，所述目标组件是指多个监测组件中的至少一个监测组件，所述运行状态数据至少包括所述数控机床的伺服电机参数、液压状态参数、气动状态参数、水路状态参数、主轴状态参数和AC摆幅状态参数；
监控模块H02，用于依据所述运行状态数据确定所述数控机床的预测运行状态，并依据所述预测运行状态对所述数控机床的运行状态进行监控。
可选地，监控模块H02还可以包括：
获取单元，用于获取所述目标组件输出的历史运行数据，并获取与所述历史运行数据对应的平均阈值数据；
分析单元，用于当所述运行状态数据与所述平均阈值数据匹配时，将所述运行状态数据传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态。
可选地，监控模块H02还可以包括：
指定单元，用于确定所述平均阈值数据指定的阈值范围；
检测单元，用于检测所述运行状态数据与所述平均阈值数据之间的绝对差值数据是否超过所述阈值范围；
匹配单元，用于若所述绝对差值数据未超过所述阈值范围，则确定所述运行状态数据与所述平均阈值数据匹配。
可选地，监控模块H02还可以包括：
超值单元，用于若所述绝对差值数据超过所述阈值范围，则确定所述运行状态数据与所述平均阈值数据不匹配，所述运行状态数据的数量有多个，所述数控机床的运行数据集包括多个所述运行状态数据；
更新单元，用于将所述运行数据集中超过所述阈值范围的运行状态数据作为所述数控机床的异常数据，并依据所述数控机床的给定权重比例和所述异常数据对所述运行数据集进行更新，得到更新后的运行数据集；
传输单元，用于将所述更新后的运行数据集传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态。
可选地，监控模块H02还可以包括：
判断单元，用于判断所述异常数据的异常数量占比所述运行数据集的数据总量是否超过所述给定权重比例；
删除单元，用于若所述异常数据的异常数量占比所述运行数据集的数据总量未超过所述给定权重比例，则在所述运行数据集中删除所述异常数据，得到更新后的运行数据集；
纠正处理单元，用于若所述异常数据的异常数量占比所述运行数据集的数据总量超过所述给定权重比例，则对所述异常数据进行异常值纠正处理，得到纠正后的异常数据，并在所述运行数据集中依据所述纠正后的异常数据对所述异常数据进行替换，得到所述更新后的运行数据集。
可选地，监控模块H02还可以包括：
标识单元，用于确定所述运行状态数据指向的时间标识，并依据所述时间标识和所述运行状态数据确定所述数控机床的时间序列数据；
模型训练单元，用于确定所述初始神经网络算法模型指向的监督格式，依据所述监督格式将所述时间序列数据转化成监督序列数据输入至所述初始神经网络算法模型中进行模型训练，得到所述初始神经网络算法模型输出的所述数控机床的预测运行参数；
第一预测单元，用于依据所述历史运行数据确定所述数控机床的真实运行参数，并当所述预测运行参数与所述真实运行参数一致时，将所述预测运行参数作为所述数控机床的预测运行状态。
可选地，监控模块H02还可以包括：
确定单元，用于确认所述真实运行参数与所述预测运行参数之间的均方差是否处于所述数控机床的给定阈值区间内；
第二预测单元，用于若所述均方差处于所述给定阈值区间内，则确定所述预测运行参数与所述真实运行参数一致；
权值更新单元，用于若所述均方差未处于所述给定阈值区间内，则确定所述预测运行参数与所述真实运行参数不一致，依据所述均方差对多层所述神经网络进行权值更新，得到更新权值矩阵；
调整单元，用于依据所述更新权值矩阵对所述初始神经网络算法模型进行调整，并将调整后的神经网络算法模型作为下一个初始神经网络算法模型，返回执行所述依据所述监督格式将所述时间序列数据转化成监督序列数据输入至所述初始神经网络算法模型中进行模型训练的步骤。
本申请数控机床的监测装置的各个功能模块在运行时实现如上所述的本申请数控机床的监测方法的步骤。
此外，本申请还提供一种终端设备。请参照图6，图6为本申请实施例方案涉及的终端设备的结构示意图。本申请实施例终端设备具体可以是为本地运行数控机床的监测的设备。
如图6所示，本申请实施例终端设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如Wi-Fi接口）。
存储器1005设置在终端设备主体上，存储器1005上存储有程序，该程序被处理器1001执行时实现相应的操作。存储器1005还用于存储供终端设备使用的参数。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图6中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图6所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及终端设备的数控机床的监测程序。
在图6所示的终端设备中，处理器1001可以用于调用存储器1005中存储的终端设备的数控机床的监测程序，并执行上述数控机床的监测方法的步骤。
此外，请参照图7，图7是本申请实施例方案涉及的计算机存储介质的结构示意图。本申请提供了一种计算机存储介质。该计算机存储介质上存储有数控机床的监测程序，数控机床的监测程序被处理器执行时实现上述的数控机床的监测方法的步骤。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上述的一个计算机存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (6)
1.一种数控机床的监测方法，其特征在于，所述数控机床的监测方法应用于数控机床的监测系统中的孪生模块，所述数控机床的监控系统还包括：多个监测组件和主控模块，多个所述监测组件、主控模块和孪生模块依次连接，多个监测组件与数控机床连接，所述孪生模块包括学习算法单元；
所述数控机床的监测方法包括：
依据所述主控模块对目标组件做出的响应，确定所述目标组件输出的所述数控机床的运行状态数据，所述目标组件是指多个所述监测组件中的至少一个监测组件，所述运行状态数据至少包括所述数控机床的伺服电机参数、液压状态参数、气动状态参数、水路状态参数、主轴状态参数和AC摆幅状态参数；
依据所述运行状态数据确定所述数控机床的预测运行状态，并依据所述预测运行状态对所述数控机床的实际运行状态进行监控；
所述依据所述运行状态数据确定所述数控机床的预测运行状态的步骤包括：
获取所述目标组件输出的历史运行数据，并获取与所述历史运行数据对应的平均阈值数据；
当所述运行状态数据与所述平均阈值数据匹配时，将所述运行状态数据传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态；
在所述获取与所述历史运行数据对应的平均阈值数据的步骤之后，所述数控机床的监测方法还包括：
确定所述平均阈值数据指定的阈值范围；
检测所述运行状态数据与所述平均阈值数据之间的绝对差值数据是否超过所述阈值范围；
若所述绝对差值数据未超过所述阈值范围，则确定所述运行状态数据与所述平均阈值数据匹配；
在所述检测所述运行状态数据与所述平均阈值数据之间的绝对差值数据是否超过所述阈值范围的步骤之后，所述数控机床的监测方法还包括：
若所述绝对差值数据超过所述阈值范围，则确定所述运行状态数据与所述平均阈值数据不匹配，所述运行状态数据的数量有多个，所述数控机床的运行数据集包括多个所述运行状态数据；
将所述运行数据集中超过所述阈值范围的运行状态数据作为所述数控机床的异常数据，并依据所述数控机床的给定权重比例和所述异常数据对所述运行数据集进行更新，得到更新后的运行数据集；
将所述更新后的运行数据集传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态；
所述依据所述数控机床的给定权重比例和所述异常数据对所述运行数据集进行更新，得到更新后的运行数据集的步骤包括：
判断所述异常数据的异常数量占比所述运行数据集的数据总量是否超过所述给定权重比例；
若所述异常数据的异常数量占比所述运行数据集的数据总量未超过所述给定权重比例，则在所述运行数据集中删除所述异常数据，得到更新后的运行数据集；
若所述异常数据的异常数量占比所述运行数据集的数据总量超过所述给定权重比例，则对所述异常数据进行异常值纠正处理，得到纠正后的异常数据，并在所述运行数据集中依据所述纠正后的异常数据对所述异常数据进行替换，得到所述更新后的运行数据集。
2.如权利要求1所述数控机床的监测方法，其特征在于，所述学习算法单元包括初始神经网络算法模型，所述将所述运行状态数据传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态的步骤包括：
确定所述运行状态数据指向的时间标识，并依据所述时间标识和所述运行状态数据确定所述数控机床的时间序列数据；
确定所述初始神经网络算法模型指向的监督格式，依据所述监督格式将所述时间序列数据转化成监督序列数据输入至所述初始神经网络算法模型中进行模型训练，得到所述初始神经网络算法模型输出的所述数控机床的预测运行参数；
依据所述历史运行数据确定所述数控机床的真实运行参数，并当所述预测运行参数与所述真实运行参数一致时，将所述预测运行参数作为所述数控机床的预测运行状态。
3.如权利要求2所述数控机床的监测方法，其特征在于，所述初始神经网络算法模型包括多层神经网络，在所述依据所述历史运行数据确定所述数控机床的真实运行参数的步骤之后，所述数控机床的监测方法还包括：
确认所述真实运行参数与所述预测运行参数之间的均方差是否处于所述数控机床的给定阈值区间内；
若所述均方差处于所述给定阈值区间内，则确定所述预测运行参数与所述真实运行参数一致；
若所述均方差未处于所述给定阈值区间内，则确定所述预测运行参数与所述真实运行参数不一致，依据所述均方差对多层所述神经网络进行权值更新，得到更新权值矩阵；
依据所述更新权值矩阵对所述初始神经网络算法模型进行调整，并将调整后的神经网络算法模型作为下一个初始神经网络算法模型，返回执行所述依据所述监督格式将所述时间序列数据转化成监督序列数据输入至所述初始神经网络算法模型中进行模型训练的步骤。
4.一种数控机床的监测装置，其特征在于，所述数控机床的监测装置，包括：
输出模块，用于依据主控模块对目标组件做出的响应，确定所述目标组件输出的所述数控机床的运行状态数据，所述目标组件是指多个监测组件中的至少一个监测组件，所述运行状态数据至少包括所述数控机床的伺服电机参数、液压状态参数、气动状态参数、水路状态参数、主轴状态参数和AC摆幅状态参数；
监控模块，用于依据所述运行状态数据确定所述数控机床的预测运行状态，并依据所述预测运行状态对所述数控机床的运行状态进行监控；
所述监控模块，用于获取所述目标组件输出的历史运行数据，并获取与所述历史运行数据对应的平均阈值数据，当所述运行状态数据与所述平均阈值数据匹配时，将所述运行状态数据传输至学习算法单元中进行预警分析并输出所述数控机床的预测运行状态；
所述监控模块，用于确定所述平均阈值数据指定的阈值范围，检测所述运行状态数据与所述平均阈值数据之间的绝对差值数据是否超过所述阈值范围，若所述绝对差值数据未超过所述阈值范围，则确定所述运行状态数据与所述平均阈值数据匹配；
所述监控模块，用于若所述绝对差值数据超过所述阈值范围，则确定所述运行状态数据与所述平均阈值数据不匹配，所述运行状态数据的数量有多个，所述数控机床的运行数据集包括多个所述运行状态数据，将所述运行数据集中超过所述阈值范围的运行状态数据作为所述数控机床的异常数据，并依据所述数控机床的给定权重比例和所述异常数据对所述运行数据集进行更新，得到更新后的运行数据集，将所述更新后的运行数据集传输至所述学习算法单元中进行预警分析并输出所述数控机床的预测运行状态；
所述监控模块，用于判断所述异常数据的异常数量占比所述运行数据集的数据总量是否超过所述给定权重比例，若所述异常数据的异常数量占比所述运行数据集的数据总量未超过所述给定权重比例，则在所述运行数据集中删除所述异常数据，得到更新后的运行数据集，若所述异常数据的异常数量占比所述运行数据集的数据总量超过所述给定权重比例，则对所述异常数据进行异常值纠正处理，得到纠正后的异常数据，并在所述运行数据集中依据所述纠正后的异常数据对所述异常数据进行替换，得到所述更新后的运行数据集。
5.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数控机床的监测程序，所述处理器执行所述数控机床的监测程序时实现如权利要求1至3中任一项所述数控机床的监测方法的步骤。
6.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有数控机床的监测程序，所述数控机床的监测程序被处理器执行时实现如权利要求1至3中任一项所述数控机床的监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310814833.0A CN116520769B (zh) | 2023-07-05 | 2023-07-05 | 数控机床的监测方法、装置、终端设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310814833.0A CN116520769B (zh) | 2023-07-05 | 2023-07-05 | 数控机床的监测方法、装置、终端设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116520769A CN116520769A (zh) | 2023-08-01 |
| CN116520769B true CN116520769B (zh) | 2023-09-15 |
Family
ID=87403347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310814833.0A Active CN116520769B (zh) | 2023-07-05 | 2023-07-05 | 数控机床的监测方法、装置、终端设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116520769B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117020244B (zh) * | 2023-09-28 | 2024-01-12 | 季华实验室 | 加工状态监测方法、装置、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
| KR20190013344A (ko) * | 2017-08-01 | 2019-02-11 | 사단법인 캠틱종합기술원 | 가공좌표계상 가공시간에 따라 가공위치와 물리적 가공절삭 특성값을 매핑하는 절삭특성맵을 활용하여 절삭상태를 지능적으로 감시 및 진단하고, 절삭조건을 제어할 수 있는 지능형 cnc공작기계 제어시스템 |
| CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
| CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN113538865A (zh) * | 2021-06-18 | 2021-10-22 | 意特利（上海）科技有限公司 | 基于数字孪生的五轴联动机床在线诊断预警系统及方法 |
| EP3961321A1 (en) * | 2020-08-27 | 2022-03-02 | Siemens Aktiengesellschaft | System and method for instantaneous performance management of a machine tool |
| CN115291565A (zh) * | 2022-05-25 | 2022-11-04 | 重庆大学 | 一种机床数字孪生系统 |
| CN115562158A (zh) * | 2022-11-10 | 2023-01-03 | 北京机床研究所有限公司 | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 |
| CN116300691A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市正和楚基科技有限公司 | 一种多轴联动数控加工的状态监测方法及系统 |
| CN116339239A (zh) * | 2023-05-26 | 2023-06-27 | 中科航迈数控软件(深圳)有限公司 | 数控机床协同控制方法、装置、设备以及计算机存储介质 |
-
2023
- 2023-07-05 CN CN202310814833.0A patent/CN116520769B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190013344A (ko) * | 2017-08-01 | 2019-02-11 | 사단법인 캠틱종합기술원 | 가공좌표계상 가공시간에 따라 가공위치와 물리적 가공절삭 특성값을 매핑하는 절삭특성맵을 활용하여 절삭상태를 지능적으로 감시 및 진단하고, 절삭조건을 제어할 수 있는 지능형 cnc공작기계 제어시스템 |
| CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
| EP3961321A1 (en) * | 2020-08-27 | 2022-03-02 | Siemens Aktiengesellschaft | System and method for instantaneous performance management of a machine tool |
| CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
| CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN113538865A (zh) * | 2021-06-18 | 2021-10-22 | 意特利（上海）科技有限公司 | 基于数字孪生的五轴联动机床在线诊断预警系统及方法 |
| CN115291565A (zh) * | 2022-05-25 | 2022-11-04 | 重庆大学 | 一种机床数字孪生系统 |
| CN115562158A (zh) * | 2022-11-10 | 2023-01-03 | 北京机床研究所有限公司 | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 |
| CN116300691A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市正和楚基科技有限公司 | 一种多轴联动数控加工的状态监测方法及系统 |
| CN116339239A (zh) * | 2023-05-26 | 2023-06-27 | 中科航迈数控软件(深圳)有限公司 | 数控机床协同控制方法、装置、设备以及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116520769A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1938165B1 (en) | Aggregation of asset use indices within a process plant | |
| CN114237155B (zh) | 一种多轴数控加工的误差预测及补偿方法、系统及介质 | |
| CN116520769B (zh) | 数控机床的监测方法、装置、终端设备及计算机存储介质 | |
| CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
| US9218233B2 (en) | Systems and methods for control reliability operations | |
| CN107614214A (zh) | 故障诊断装置及故障诊断方法 | |
| CN113011085A (zh) | 一种设备数字孪生建模方法及系统 | |
| CN116594349A (zh) | 机床预测方法、装置、终端设备以及计算机可读存储介质 | |
| CN116339239B (zh) | 数控机床协同控制方法、装置、设备以及计算机存储介质 | |
| CN117608241B (zh) | 数控机床数字孪生模型的更新方法、系统、装置及介质 | |
| CN117852896B (zh) | 一种施工监理风险控制预警系统及方法 | |
| TWI676873B (zh) | 刀具監控系統及刀具監控方法 | |
| CN117170310A (zh) | 一种基于数字孪生的数控机床远程故障诊断方法及系统 | |
| CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
| CN117471990A (zh) | 数控机床加工方法、装置、终端设备以及计算机存储介质 | |
| CN109360118A (zh) | 一种工厂状态监控方法、装置、系统、设备和存储介质 | |
| EP3582034A1 (en) | Method and apparatus, in the field of automation technology, of updating processing data | |
| CN116820038A (zh) | 一种基于数字孪生技术的智慧工厂系统及方法 | |
| CN113051700B (zh) | 设备可靠性监测方法及装置 | |
| KR20230032675A (ko) | Ｃｎｃ 공작기계를 이용한 데이터 수집 시스템 | |
| CN113204219B (zh) | 用于智能制造的工业控制器 | |
| CN118276535B (zh) | 基于数字孪生的产线管控系统、方法、计算机设备及介质 | |
| CN109765840A (zh) | 高档数控机床换刀预测系统 | |
| CN117822670B (zh) | 一种基于数字孪生桩基施工监控方法 | |
| CN117950381B (zh) | 一种数字化生产制造管理系统 |
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 |