CN116701984B - 基于机器学习的数控机床自动故障诊断系统 - Google Patents
基于机器学习的数控机床自动故障诊断系统 Download PDFInfo
- Publication number
- CN116701984B CN116701984B CN202310973318.7A CN202310973318A CN116701984B CN 116701984 B CN116701984 B CN 116701984B CN 202310973318 A CN202310973318 A CN 202310973318A CN 116701984 B CN116701984 B CN 116701984B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- signal data
- vibration signal
- window
- imf
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 290
- 238000009826 distribution Methods 0.000 claims abstract description 61
- 230000035945 sensitivity Effects 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 51
- 230000005856 abnormality Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 20
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000010361 irregular oscillation Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于机器学习的数控机床自动故障诊断系统,包括:将属于异常信号的震动信号数据转换为测试信号;根据测试信号获得所有异常等级及其异常特征范围;获得每个IMF分量的每个异常等级序列及其复杂特征值序列;根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度计算每个IMF分量的敏感程度;根据每个IMF分量的敏感程度获得最优分解层级数量;根据最优分解层级数量对下一个周期的震动信号数据进行分解,获得震动信号数据的异常增加程度;根据异常增加程度判断机床主轴故障的类型。本发明在保证准确性的同时,避免端点效应同时抑制边界效应,降低计算量。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于机器学习的数控机床自动故障诊断系统。
背景技术
数控机床在工业生产中扮演着重要的角色,但由于其复杂的结构和高度的自动化程度,一旦发生故障,往往需要专业技术人员进行检修和维修,这不仅耗费时间和人力成本,还可能导致生产线的停工和损失。
使用自动故障诊断系统可以快速准确地判断机床故障的类型和位置,及时发现机床故障,避免机床故障对工人的伤害,给维修人员检查和维修提供先期情报,节省检修时间。
自动故障诊断系统大多是基于专业技术和算法开发的,所以用户或操作员需要具备一定的技术知识和操作技能,才能使用这类系统高效地进行故障诊断和维修处理。目前很多自动诊断系统存在响应时间较长的问题,需要进一步优化系统的时间损耗,优化诊断系统的实时性。
发明内容
本发明提供基于机器学习的数控机床自动故障诊断系统,以解决现有的问题。
本发明的基于机器学习的数控机床自动故障诊断系统采用如下技术方案:
本发明提供了基于机器学习的数控机床自动故障诊断系统,所述系统包括:
震动信号数据获取模块,获得机床的一个周期的震动信号数据;
最优分解层级数量获取模块,将属于异常信号的震动信号数据转换为测试信号;根据测试信号划分的窗口的异常特征值进行聚类,获得所有异常等级及其异常特征范围;将测试信号分解为若干个IMF分量;根据所有异常等级及其异常特征范围获得每个IMF分量的每个异常等级序列及其复杂特征值序列;根据IMF分量的所有异常等级序列的复杂特征值序列的分布情况,计算IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度;根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度,计算每个IMF分量的敏感程度;根据每个IMF分量的敏感程度,获得最优分解层级数量;
异常增加程度获取模块,根据最优分解层级数量对机床的下一个周期的震动信号数据进行分解,获得震动信号数据的异常增加程度;
主轴故障类型判断模块,根据震动信号数据的异常增加程度判断机床主轴故障的类型。
进一步地,所述将属于异常信号的震动信号数据转换为测试信号,包括的具体步骤如下:
震动信号数据包括:机床在径向x轴方向的震动信号数据、径向y轴方向的震动信号数据和轴向方向的震动信号数据;
通过训练好的支持向量机判断震动信号数据是否为异常信号,如果震动信号数据是正常信号,获取机床的下一个周期的震动信号数据,重复上述操作,直至获得的机床的一个周期的震动信号数据是异常信号;
对于属于异常信号的震动信号数据,将三个方向的震动信号数据作为相互独立的成分,利用独立成分分析算法对相互独立的三个方向的震动信号数据进行信号数据复原,得到一个合并后的信号数据,记为测试信号。
进一步地,所述根据测试信号划分的窗口的异常特征值进行聚类,获得所有异常等级及其异常特征范围,包括的具体步骤如下:
通过K均值聚类算法根据窗口的异常特征值对所有窗口进行聚类,其中,K均值聚类算法初始时的类簇数量为预设数量K,分析每个类簇是否满足停止聚类条件,如果存在不满足条件的类簇,则通过K均值聚类算法将该类簇分为两个新的类簇,重复上述操作,直至所有类簇均满足停止聚类条件,将此时获得的所有类簇记为类别,获得所有类别以及每个类别的聚类中心,其中,停止聚类条件为:类簇中所有窗口的异常特征值与类簇中心的距离均小于该类簇中所有窗口的异常特征值的标准差的二倍;
按照类别的聚类中心的异常特征值从小到大的顺序将所有类别依此作为第一异常等级到第C异常等级,C为所有类别的数量,将每个异常等级作为每个异常等级对应的类别中的所以窗口的异常等级,将每个异常等级对应的所以窗口的异常特征值的最小值和最大值组成的范围记为每个异常等级的异常特征范围。
进一步地,所述窗口的异常特征值的获取方法具体如下:
获得测试信号的周期长度;对测试信号进行窗口划分,获得每个窗口的异常特征值,具体为:将周期长度的二倍作为窗口长度,根据窗口长度将测试信号划分为若干个不重叠的窗口,将最后一个不满足窗口长度的部分也作为一个窗口;获得测试信号中的所有峰值,将测试信号中所有峰值的标准差记为整体标准差,将每个窗口中的所有峰值的标准差记为每个窗口的标准差;将每个窗口的标准差与整体标准差的比值记为每个窗口的异常特征值。
进一步地,所述获得每个IMF分量的每个异常等级序列及其复杂特征值序列,包括的具体步骤如下:
通过经验模态分解对测试信号进行分解,直到剩余的信号不能再分解为止,将测试信号分解为若干个IMF分量和剩余分量,按照获得顺序对IMF分量进行排序;
根据测试信号的窗口划分方法将每个IMF分量划分为若干个分量窗口,将测试信号中每个窗口的异常等级作为每个IMF分量中相同位置的分量窗口的异常等级;对于任意一个IMF分量,将该IMF分量的所有分量窗口中异常等级相同的分量窗口划分为一个集合,共获得预设数量C个集合,记为该IMF分量的第一异常等级集合到第C异常等级集合;将该IMF分量的每个异常等级集合中所有分量窗口按照对应的IMF分量的获取顺序进行排列作为该IMF分量的每个异常等级序列,记为该IMF分量的第一异常等级序列到第C异常等级序列;将每个分量窗口的排列熵记为每个分量窗口的复杂特征值,将该IMF分量的每个异常等级序列中所有分量窗口的复杂特征值组成的序列记为该IMF分量的每个异常等级序列的复杂特征值序列,将该IMF分量的每个异常等级序列的复杂特征值序列中所有复杂特征值的均值记为该IMF分量的每个异常等级序列的整体复杂特征值。
进一步地,所述计算IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度,包括的具体步骤如下:
式中,L1表示IMF分量的异常等级序列间复杂特征值分布度,C表示预设数量,也表示IMF分量的异常等级序列的数量,表示IMF分量的第i异常等级序列的整体复杂特征值差异,/>,其中,/>和/>分别表示IMF分量的第i异常等级序列和第i+1异常等级序列的整体复杂特征值,/>表示取绝对值,/>表示IMF分量的所有异常等级序列的整体复杂特征值差异的均值,/>表示以自然常数为底的指数函数;
式中,L2表示IMF分量的异常等级序列内复杂特征值分布度,C表示预设数量,也表示IMF分量的异常等级序列的数量,表示IMF分量的第c异常等级序列中分量窗口的数量,表示IMF分量的第c异常等级序列的复杂特征值序列中的第m个复杂特征值,/>表示IMF分量的第c异常等级序列的整体复杂特征值。
进一步地,所述计算每个IMF分量的敏感程度,包括的具体步骤如下:
式中,S表示IMF分量的敏感程度,L1表示IMF分量的异常等级序列间复杂特征值离散度,L2表示IMF分量的异常等级序列内复杂特征值离散度,表示以自然常数为底的指数函数。
进一步地,所述获得最优分解层级数量,包括的具体步骤如下:
对于排序后的所有IMF分量,将每个IMF分量的敏感程度与后一个IMF分量的敏感程度的差值的绝对值,记为IMF分量的敏感程度差异值,即,其中,/>表示序号为n的IMF分量的敏感程度差异值,/>和/>分别为序号为n的IMF分量和序号为n+1的IMF分量的敏感程度;将最大的敏感程度差异值对应的IMF分量的序号记为最优分解层级数量。
进一步地,所述获得震动信号数据的异常增加程度,包括的具体步骤如下:
通过震动信号数据获取模块获得机床的下一个周期的震动信号数据,包括机床在径向x轴方向的震动信号数据、径向y轴方向的震动信号数据和轴向方向的震动信号数据,通过经验模态分解(EMD)分别对三个方向的震动信号数据进行分解,分解的次数等于最优分解层级数量,将每个方向的震动信号数据分解为最优分解层级数量个IMF分量;
同理,对每个方向的震动信号数据的每个IMF分量进行窗口划分,获得每个窗口的异常特征值,每个IMF分量划分的窗口的数量记为I;根据每个窗口的异常特征值所属的异常特征范围,获得每个窗口的异常等级,定义一个新的异常等级:第C+1异常等级,将异常特征值不属于任意一个异常特征范围的窗口的异常等级记为第C+1异常等级;
将每个方向的震动信号数据的所有IMF分量中相同位置的窗口组成的集合记为每个方向的震动信号数据的窗口集合,按照位置从左往右的顺序,依此记为第一窗口集合到第I窗口集合;根据每个方向的震动信号数据的每个窗口集合的异常程度密度计算每个方向的震动信号数据的异常增加程度,具体计算公式为:
式中,表示第i个窗口集合的异常程度密度,/>是表示第i个窗口集合中异常等级为c的窗口中峰值点的数量,Z表示周期长度,2Z表示窗口长度,C+1表示异常等级的数量;A表示方向的震动信号数据的异常增加程度,I表示每个IMF分量划分的窗口的数量,也表示每个方向的震动信号数据的窗口集合的数量,/>表示第j个窗口集合的异常程度密度,/>表示方向的震动信号数据的前三个窗口集合的异常程度密度的最小值。
进一步地,所述判断机床主轴故障的类型,包括的具体步骤如下:
如果三个方向的震动信号数据的异常增加程度相等,则机床主轴故障为偏心故障的可能性较高;
如果轴向方向的震动信号数据的异常增加程度大于径向的x轴方向和y轴方向的震动信号数据的异常增加程度,则机床主轴故障为轴向故障的可能性较高;
如果轴向方向的震动信号数据的异常增加程度小于径向的x轴方向和y轴方向的震动信号数据的异常增加程度,则机床主轴故障为径向故障的可能性较高。
本发明的技术方案的有益效果是:针对机床主轴的震动信号包含着自身运行的震动特征,以及发生异常时的异常信号特征,二者混杂在一起互相影响,使得信号杂乱无章,传统诊断方法通过提取机器信号的时域、频域特征,来判断机器是否存在故障的实时性较差的问题,通过EMD分解信号分析,避免了传统分析方法中需要进行频域分析和滤波等预处理的步骤,实时性较好;但是EMD分解时容易出现边界效应,即IMF分量在端点处存在较大误差,可能会对判断主轴震动的异常方向造成影响,导致误判,因此,本发明为了避免端点效应,根据所有异常等级及其异常特征范围获得每个IMF分量的每个异常等级序列及其复杂特征值序列;根据IMF分量的所有异常等级序列的复杂特征值序列的分布情况,计算IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度;根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度,计算每个IMF分量的敏感程度;根据每个IMF分量的敏感程度,获得最优分解层级数量,在保证准确性的同时,避免端点效应同时抑制边界效应,降低计算量。
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为本发明的基于机器学习的数控机床自动故障诊断系统的系统框图。
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机器学习的数控机床自动故障诊断系统,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机器学习的数控机床自动故障诊断系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于机器学习的数控机床自动故障诊断系统,该系统包括以下模块:
震动信号数据获取模块101,用于获得机床的一个周期的震动信号数据。
需要说明的是,数控机床在工业生产中扮演着重要的角色,但由于其复杂的结构和高度的自动化程度,一旦发生故障,往往需要专业技术人员进行检修和维修,这不仅耗费时间和人力成本,还可能导致生产线的停工和损失。自动故障诊断系统基于机床工作时的震动信号数据来判断机床故障的类型和位置,及时发现机床故障,避免机床故障对工人的伤害,给维修人员检查和维修提供先期情报,节省检修时间。
预设一个时长T,需注意采集时间的选择,应保证足够的信号长度,以便进行后续的信号处理和分析,因此,本实施例T=3分钟为例进行叙述,本实施例不进行具体限定,其中T根据具体实施情况而定;预设一个频率P,采集时需注意采样率的选择,一般建议采用高于信号最高频率两倍的采样率,以避免信号失真,数控机床的信号频率最高约为700hz,因此,本实施例P=1400hz为例进行叙述,本实施例不进行具体限定,其中P根据具体实施情况而定。
具体的,根据机床的特点和实际需求,选择灵敏度高、频率响应范围广、抗干扰能力强、安装方便等特点的震动传感器;将震动传感器安装在机床主轴的端部或侧面,在安装过程中,需确保震动传感器与机床表面接触紧密、固定可靠,避免震动传感器松动或脱落;使用数据采集卡通过震动传感器分别获得机床预设时长T内在径向的x轴方向和y轴方向、轴向方向的震动信号数据,采样频率等于预设频率P。
进一步,对采集到的机床在三个方向上的震动信号数据使用有限脉冲响应滤波器(FIR滤波器)进行预处理,去除不相关的高频噪声,将预处理后的数据分别记为机床在径向x轴方向的震动信号数据、径向y轴方向的震动信号数据和轴向方向的震动信号数据,将三个方向的震动信号数据作为机床的一个周期的震动信号数据;其中,通过滤波降噪去除震动信号数据中的高频噪声的干扰,提高震动信号数据的质量和准确性。
至此,获得机床的一个周期的震动信号数据。
最优分解层级数量获取模块102,用于根据测试信号划分的窗口的异常特征值进行聚类,获得所有异常等级及其异常特征范围,根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度,计算每个IMF分量的敏感程度,根据每个IMF分量的敏感程度,获得最优分解层级数量。
需要说明的是,机床主轴的震动信号包含着自身运行的震动特征,以及发生异常时的异常信号特征,二者混杂在一起互相影响,使得信号杂乱无章;传统诊断方法通过提取机器信号的时域、频域特征,来判断机器是否存在故障,这种做法实时性较差;而使用EMD分解信号分析,避免了传统分析方法中需要进行频域分析和滤波等预处理的步骤,实时性较好;但是EMD分解时容易出现边界效应,即IMF分量在端点处存在较大误差,可能会对判断主轴震动的异常方向造成影响,导致误判。因此,为了避免端点效应,需要选取一个合适的分解层级以避免端点影响产生的误判,选取方式为判断不同的IMF分量对不同异常等级的异常信号的敏感程度,将敏感程度低的IMF分量以及之后的IMF分量不进行分解,避免端点效应的同时还可以节省计算量。
具体的,将大量的历史震动信号数据作为训练样本训练支持向量机,获得能够识别输入的震动信号数据是否为异常信号的支持向量机,其中,训练样本中的每个历史震动信号数据都具有正常信号或异常信号的标签;通过训练好的支持向量机判断震动信号数据是否为异常信号,如果震动信号数据是正常信号,获取机床的下一个周期的震动信号数据,重复上述操作,直至获得的机床的一个周期的震动信号数据是异常信号,则对该震动信号数据进行分析,获得该震动信号数据的最优分解层级数量,具体操作如下:
1、根据测试信号划分的窗口的异常特征值进行聚类,获得所有异常等级及其异常特征范围。
需要说明的是,因为异常信号的异常体现在波峰出现的幅度以及波峰出现的密度,正常信号的整体波动特征平稳;波峰(波谷)出现的频率低,分布均匀,而异常信号的波峰出现频率高,出现周期短且不规律;基于以上特征,可以对测试信号的不同分段即窗口,按照异常程度进行分类。
具体的,将三个方向的震动信号数据作为相互独立的成分,利用独立成分分析算法对相互独立的三个方向的震动信号数据进行信号数据复原,得到一个合并后的信号数据,记为测试信号。独立成分分析算法可以将相互独立的三个方向的震动信号数据中杂乱无序的信息分离出来,获取更为准确的主要特征信息,独立成分分析算法为现有技术,此处不再进行赘述。
进一步,获得测试信号的周期长度,获得测试信号的周期长度为现有技术,具体为:对测试信号进行归一化处理,计算测试信号的自相关函数(ACF),找到自相关函数的主要峰值,将主要峰值位置之间的时间差的均值来获得周期长度。
进一步,对测试信号进行窗口划分,获得每个窗口的异常特征值,具体为:为了保证窗口内存在完整的信号周期,将周期长度的二倍作为窗口长度,根据窗口长度将测试信号划分为若干个不重叠的窗口,将最后一个不满足窗口长度的部分也作为一个窗口;获得测试信号中的所有峰值,将测试信号中所有峰值的标准差记为整体标准差,将每个窗口中的所有峰值的标准差记为每个窗口的标准差;将每个窗口的标准差与整体标准差的比值记为每个窗口的异常特征值。
预设一个数量K,其中本实施例K=4为例进行叙述,本实施例不进行具体限定,其中K根据具体实施情况而定。
进一步,通过K均值聚类算法根据窗口的异常特征值对所有窗口进行聚类,其中,K均值聚类算法初始时的类簇数量为预设数量K,分析每个类簇是否满足停止聚类条件,如果存在不满足条件的类簇,则通过K均值聚类算法将该类簇分为两个新的类簇,重复上述操作,直至所有类簇均满足停止聚类条件,将此时获得的所有类簇记为类别,获得所有类别以及每个类别的聚类中心,其中,停止聚类条件为:类簇中所有窗口的异常特征值与类簇中心的距离均小于该类簇中所有窗口的异常特征值的标准差的二倍。
进一步,按照类别的聚类中心的异常特征值从小到大的顺序将所有类别依此作为第一异常等级到第C异常等级,C为所有类别的数量,将每个异常等级作为每个异常等级对应的类别中的所以窗口的异常等级,将每个异常等级对应的所以窗口的异常特征值的最小值和最大值组成的范围记为每个异常等级的异常特征范围。
至此,获得所有异常等级及其异常特征范围。
2、根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度,计算每个IMF分量的敏感程度。
需要说明的是,对于发生异常的车床主轴震动的信号序列,EMD分解的分解层级即分量数量并不是越多越好,因为层数过多可能会影响运算的效率,同时也容易出现边界效应,即EMD分解结果在端点处存在较大误差,这种情况下会影响信号分析结果的可靠性和准确性。因此,可以对测试信号进行多层的EMD分解,通过获得不同IMF分量的不同分段即窗口的排列熵,根据不同类别的排列熵的分层程度,对IMF分量进行区分,获得EMD分解的有效分解层级数量,以此用来检测之后一个周期的震动信号数据的信号特征,避免端点效应的同时还可以节省计算量。
进一步需要说明的是,车床主轴的震动信号通常包含多种运动状态和特征,如不规则振荡、噪声、突变等,窗口的排列熵可以反映窗口中信号的复杂性和随机性,从而对信号的特征进行更准确的描述;因此使用排列熵可以更好地捕捉和描述这些复杂特征。
具体的,通过经验模态分解(EMD)对测试信号进行分解,直到剩余的信号不能再分解为止,将测试信号分解为若干个IMF分量和剩余分量,按照获得顺序对IMF分量进行排序。
进一步,根据测试信号的窗口划分方法将每个IMF分量划分为若干个分量窗口,将测试信号中每个窗口的异常等级作为每个IMF分量中相同位置的分量窗口的异常等级;对于任意一个IMF分量,将该IMF分量的所有分量窗口中异常等级相同的分量窗口划分为一个集合,共获得预设数量C个集合,记为该IMF分量的第一异常等级集合到第C异常等级集合;将该IMF分量的每个异常等级集合中所有分量窗口按照对应的IMF分量的获取顺序进行排列作为该IMF分量的每个异常等级序列,记为该IMF分量的第一异常等级序列到第C异常等级序列;将每个分量窗口的排列熵记为每个分量窗口的复杂特征值,将该IMF分量的每个异常等级序列中所有分量窗口的复杂特征值组成的序列记为该IMF分量的每个异常等级序列的复杂特征值序列,将该IMF分量的每个异常等级序列的复杂特征值序列中所有复杂特征值的均值记为该IMF分量的每个异常等级序列的整体复杂特征值。
需要说明的是,在同一IMF分量中,不同异常等级的信号对应的复杂度是稳定的,不同异常等级序列的整体复杂特征值表现出不同异常等级序列中IMF分量所提取的所有窗口的信息的差异,IMF分量能够提取更多的信息,则IMF分量对信息的敏感度越高,为了使IMF分量能够提取更多的信息,要求不同异常等级序列提取的信息不同且尽量覆盖所有信息,这就要求不同异常等级序列的整体复杂特征值尽可能均匀分布且分布范围尽可能广。
具体的,根据该IMF分量的所有异常等级序列的整体复杂特征值的差异的分布情况,计算IMF分量的异常等级序列间复杂特征值分布度,具体计算公式为:
式中,L1表示IMF分量的异常等级序列间复杂特征值分布度,C表示预设数量,也表示IMF分量的异常等级序列的数量,表示IMF分量的第i异常等级序列的整体复杂特征值差异,/>,其中,/>和/>分别表示IMF分量的第i异常等级序列和第i+1异常等级序列的整体复杂特征值,/>表示取绝对值,/>表示IMF分量的所有异常等级序列的整体复杂特征值差异的均值,/>表示以自然常数为底的指数函数。
通过IMF分量的每个异常等级序列的整体复杂特征值差异与所有异常等级序列的整体复杂特征值差异的平均值的差值来表示不同异常等级序列的整体复杂特征值分布的均匀性,该值越小,则分布越均匀,越满足要求,相应的IMF分量能够提取更多的信息,IMF分量对信息的敏感度越大,而该值越小,IMF分量的异常等级序列间复杂特征值分布度越小,因此,IMF分量的异常等级序列间复杂特征值分布度越小,IMF分量对信息的敏感度越大。通过每个异常等级序列的整体复杂特征值与后一个异常等级序列的整体复杂特征值的差异,即每个异常等级序列的整体复杂特征值差异的累积值/>来表示不同异常等级序列的整体复杂特征值分布范围的广度,该值越大,则分布越广,越满足要求,相应的IMF分量能够提取更多的信息,IMF分量对信息的敏感度越大,而该值越大,通过反比例函数/>,IMF分量的异常等级序列间复杂特征值分布度越小,因此,IMF分量的异常等级序列间复杂特征值分布度越小,IMF分量对信息的敏感度越大。
需要说明的是,对于任意一个IMF分量中同一个异常等级序列中所有分量窗口的复杂特征值,所有分量窗口的复杂特征值越一致,即整体分布越集中,则IMF分量所提取的同一个异常等级序列的窗口的信息越一致,说明IMF分量对该信息的敏感度越高。
具体的,根据IMF分量的每个异常等级序列中所有复杂特征值的分布特征,计算IMF分量的异常等级序列内复杂特征值分布度,具体计算公式为:
式中,L2表示IMF分量的异常等级序列内复杂特征值分布度,C表示预设数量,也表示IMF分量的异常等级序列的数量,表示IMF分量的第c异常等级序列中分量窗口的数量,表示IMF分量的第c异常等级序列的复杂特征值序列中的第m个复杂特征值,/>表示IMF分量的第c异常等级序列的整体复杂特征值。
在同一IMF分量中,不同异常等级的信号对应的复杂度是稳定的,如果一个IMF分量对应的排列熵分布稳定,区分度良好,认为该IMF分量对振动信号中的异常部分敏感,即该IMF分量的敏感程度越大;用来分析的是单个异常等级序列内所有复杂特征值分布的离散程度,该值越小,则IMF分量所提取的同一个异常等级序列的窗口的信息越一致,说明IMF分量对该信息的敏感度越高,该值越小,IMF分量的异常等级序列内复杂特征值分布度越小,因此,IMF分量的异常等级序列内复杂特征值分布度越小,IMF分量对该信息的敏感度越高。
需要说明的是,综上所述,IMF分量的异常等级序列间复杂特征值分布度越小,IMF分量对信息的敏感度越大,IMF分量的异常等级序列内复杂特征值分布度越小,IMF分量对该信息的敏感度越高。
根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度,计算每个IMF分量的敏感程度,具体计算公式为:
式中,S表示IMF分量的敏感程度,L1表示IMF分量的异常等级序列间复杂特征值离散度,L2表示IMF分量的异常等级序列内复杂特征值离散度,表示以自然常数为底的指数函数。
至此,获得每个IMF分量的敏感程度。
3、根据每个IMF分量的敏感程度,获得最优分解层级数量。
需要说明的是,敏感程度越大的IMF分量提取出的信息越能够表征测试信号的特征,对于排序后的所有IMF分量中敏感程度开始较大变化的IMF分量,说明该IMF分量的敏感程度较大,所提取的信息能够表征测试信号的特征,但是该IMF分量的后一个IMF分量的敏感程度较大,所提取的信息所能表征的测试信号的特征已经非常少了,为了避免EMD分解时出现边界效应,即IMF分量在端点处存在较大误差,对判断主轴震动的异常方向造成影响,导致误判。因此,本实施例对敏感程度开始较大变化的IMF分量以及之后的IMF分量不进行分解,避免端点效应的同时还可以节省计算量。
具体的,对于排序后的所有IMF分量,将每个IMF分量的敏感程度与后一个IMF分量的敏感程度的差值的绝对值,记为IMF分量的敏感程度差异值,即,其中,/>表示序号为n的IMF分量的敏感程度差异值,/>和/>分别为序号为n的IMF分量和序号为n+1的IMF分量的敏感程度;将最大的敏感程度差异值对应的IMF分量的序号记为最优分解层级数量。
至此,获得最优分解层级数量。
异常增加程度获取模块103,用于根据最优分解层级数量对机床的下一个周期的震动信号数据进行分解,获得每个方向的震动信号数据的异常增加程度。
具体的,通过震动信号数据获取模块获得机床的下一个周期的震动信号数据,包括机床在径向x轴方向的震动信号数据、径向y轴方向的震动信号数据和轴向方向的震动信号数据,通过经验模态分解(EMD)分别对三个方向的震动信号数据进行分解,分解的次数等于最优分解层级数量,将每个方向的震动信号数据分解为最优分解层级数量个IMF分量。
进一步,同理,对每个方向的震动信号数据的每个IMF分量进行窗口划分,获得每个窗口的异常特征值,每个IMF分量划分的窗口的数量记为I;根据每个窗口的异常特征值所属的异常特征范围,获得每个窗口的异常等级,定义一个新的异常等级:第C+1异常等级,将异常特征值不属于任意一个异常特征范围的窗口的异常等级记为第C+1异常等级。
进一步,将每个方向的震动信号数据的所有IMF分量中相同位置的窗口组成的集合记为每个方向的震动信号数据的窗口集合,按照位置从左往右的顺序,依此记为第一窗口集合到第I窗口集合;根据每个方向的震动信号数据的每个窗口集合的异常程度密度计算每个方向的震动信号数据的异常增加程度,具体计算公式为:
式中,表示第i个窗口集合的异常程度密度,/>是表示第i个窗口集合中异常等级为c的窗口中峰值点的数量,Z表示周期长度,2Z表示窗口长度,C+1表示异常等级的数量;A表示方向的震动信号数据的异常增加程度,I表示每个IMF分量划分的窗口的数量,也表示每个方向的震动信号数据的窗口集合的数量,/>表示第j个窗口集合的异常程度密度,/>表示方向的震动信号数据的前三个窗口集合的异常程度密度的最小值。
在单个窗口内,使用不同异常等级的波峰的数量与对应的等级相乘即,可以反应窗口中所有不同异常等级的峰值点的异常程度密度,异常程度密度越大,窗口内偏离正常范围的峰值点越多且偏离程度越大;由于震动信号数据最开始的数据相对稳定,因此,以震动信号数据的前几个窗口集合的异常程度密度为依据,计算每个震动信号数据的异常增加程度,异常增加程度越大,表示异常程度密度在连续多个窗口上的增加值不断增大,说明机床的异常程度在增大,且增大的程度没有缩减的趋势,机床出现故障的程度越大。
至此,获得每个方向的震动信号数据的异常增加程度。
主轴故障类型判断模块104,用于根据每个方向的震动信号数据的异常增加程度,判断机床主轴故障的类型。
根据三个方向的震动信号数据的异常增加程度判断机床主轴故障的类型,具体判断方法如下:
(1)如果三个方向的震动信号数据的异常增加程度相等,则机床主轴故障为偏心故障的可能性较高。
(2)如果轴向方向的震动信号数据的异常增加程度大于径向的x轴方向和y轴方向的震动信号数据的异常增加程度,则机床主轴故障为轴向故障的可能性较高。
(3)如果轴向方向的震动信号数据的异常增加程度小于径向的x轴方向和y轴方向的震动信号数据的异常增加程度,则机床主轴故障为径向故障的可能性较高。
至此,实现对机床主轴故障的类型的判断。
本发明的系统包括震动信号数据获取模块、最优分解层级数量获取模块、异常增加程度获取模块和主轴故障类型判断模块。针对机床主轴的震动信号包含着自身运行的震动特征,以及发生异常时的异常信号特征,二者混杂在一起互相影响,使得信号杂乱无章,传统诊断方法通过提取机器信号的时域、频域特征,来判断机器是否存在故障的实时性较差的问题,通过EMD分解信号分析,避免了传统分析方法中需要进行频域分析和滤波等预处理的步骤,实时性较好;但是EMD分解时容易出现边界效应,即IMF分量在端点处存在较大误差,可能会对判断主轴震动的异常方向造成影响,导致误判,因此,本发明为了避免端点效应,根据所有异常等级及其异常特征范围获得每个IMF分量的每个异常等级序列及其复杂特征值序列;根据IMF分量的所有异常等级序列的复杂特征值序列的分布情况,计算IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度;根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度,计算每个IMF分量的敏感程度;根据每个IMF分量的敏感程度,获得最优分解层级数量,在保证准确性的同时,避免端点效应同时抑制边界效应,降低计算量。
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 (10)
1.基于机器学习的数控机床自动故障诊断系统,其特征在于,所述系统包括:
震动信号数据获取模块,获得机床的一个周期的震动信号数据;
最优分解层级数量获取模块,将属于异常信号的震动信号数据转换为测试信号;根据测试信号划分的窗口的异常特征值进行聚类,获得所有异常等级及其异常特征范围;将测试信号分解为若干个IMF分量;根据所有异常等级及其异常特征范围获得每个IMF分量的每个异常等级序列及其复杂特征值序列;根据IMF分量的所有异常等级序列的复杂特征值序列的分布情况,计算IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度;根据IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度,计算每个IMF分量的敏感程度;根据每个IMF分量的敏感程度,获得最优分解层级数量;
异常增加程度获取模块,根据最优分解层级数量对机床的下一个周期的震动信号数据进行分解,获得震动信号数据的异常增加程度;
主轴故障类型判断模块,根据震动信号数据的异常增加程度判断机床主轴故障的类型。
2.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统,其特征在于,所述将属于异常信号的震动信号数据转换为测试信号,包括的具体步骤如下:
震动信号数据包括:机床在径向x轴方向的震动信号数据、径向y轴方向的震动信号数据和轴向方向的震动信号数据;
通过训练好的支持向量机判断震动信号数据是否为异常信号,如果震动信号数据是正常信号,获取机床的下一个周期的震动信号数据,重复上述操作,直至获得的机床的一个周期的震动信号数据是异常信号;
对于属于异常信号的震动信号数据,将三个方向的震动信号数据作为相互独立的成分,利用独立成分分析算法对相互独立的三个方向的震动信号数据进行信号数据复原,得到一个合并后的信号数据,记为测试信号。
3.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统,其特征在于,所述根据测试信号划分的窗口的异常特征值进行聚类,获得所有异常等级及其异常特征范围,包括的具体步骤如下:
通过K均值聚类算法根据窗口的异常特征值对所有窗口进行聚类,其中,K均值聚类算法初始时的类簇数量为预设数量K,分析每个类簇是否满足停止聚类条件,如果存在不满足条件的类簇,则通过K均值聚类算法将该类簇分为两个新的类簇,重复上述操作,直至所有类簇均满足停止聚类条件,将此时获得的所有类簇记为类别,获得所有类别以及每个类别的聚类中心,其中,停止聚类条件为:类簇中所有窗口的异常特征值与类簇中心的距离均小于该类簇中所有窗口的异常特征值的标准差的二倍;
按照类别的聚类中心的异常特征值从小到大的顺序将所有类别依此作为第一异常等级到第C异常等级,C为所有类别的数量,将每个异常等级作为每个异常等级对应的类别中的所以窗口的异常等级,将每个异常等级对应的所以窗口的异常特征值的最小值和最大值组成的范围记为每个异常等级的异常特征范围。
4.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统,其特征在于,所述窗口的异常特征值的获取方法具体如下:
获得测试信号的周期长度;对测试信号进行窗口划分,获得每个窗口的异常特征值,具体为:将周期长度的二倍作为窗口长度,根据窗口长度将测试信号划分为若干个不重叠的窗口,将最后一个不满足窗口长度的部分也作为一个窗口;获得测试信号中的所有峰值,将测试信号中所有峰值的标准差记为整体标准差,将每个窗口中的所有峰值的标准差记为每个窗口的标准差;将每个窗口的标准差与整体标准差的比值记为每个窗口的异常特征值。
5.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统,其特征在于,所述获得每个IMF分量的每个异常等级序列及其复杂特征值序列,包括的具体步骤如下:
通过经验模态分解对测试信号进行分解,直到剩余的信号不能再分解为止,将测试信号分解为若干个IMF分量和剩余分量,按照获得顺序对IMF分量进行排序;
根据测试信号的窗口划分方法将每个IMF分量划分为若干个分量窗口,将测试信号中每个窗口的异常等级作为每个IMF分量中相同位置的分量窗口的异常等级;对于任意一个IMF分量,将该IMF分量的所有分量窗口中异常等级相同的分量窗口划分为一个集合,共获得预设数量C个集合,记为该IMF分量的第一异常等级集合到第C异常等级集合;将该IMF分量的每个异常等级集合中所有分量窗口按照对应的IMF分量的获取顺序进行排列作为该IMF分量的每个异常等级序列,记为该IMF分量的第一异常等级序列到第C异常等级序列;将每个分量窗口的排列熵记为每个分量窗口的复杂特征值,将该IMF分量的每个异常等级序列中所有分量窗口的复杂特征值组成的序列记为该IMF分量的每个异常等级序列的复杂特征值序列,将该IMF分量的每个异常等级序列的复杂特征值序列中所有复杂特征值的均值记为该IMF分量的每个异常等级序列的整体复杂特征值。
6.根据权利要求5所述的基于机器学习的数控机床自动故障诊断系统,其特征在于,所述计算IMF分量的异常等级序列间复杂特征值分布度和异常等级序列内复杂特征值分布度,包括的具体步骤如下:
式中,L1表示IMF分量的异常等级序列间复杂特征值分布度,C表示预设数量,也表示IMF分量的异常等级序列的数量,表示IMF分量的第i异常等级序列的整体复杂特征值差异,/>,其中,/>和/>分别表示IMF分量的第i异常等级序列和第i+1异常等级序列的整体复杂特征值,/>表示取绝对值,/>表示IMF分量的所有异常等级序列的整体复杂特征值差异的均值,/>表示以自然常数为底的指数函数;
式中,L2表示IMF分量的异常等级序列内复杂特征值分布度,C表示预设数量,也表示IMF分量的异常等级序列的数量,表示IMF分量的第c异常等级序列中分量窗口的数量,表示IMF分量的第c异常等级序列的复杂特征值序列中的第m个复杂特征值,/>表示IMF分量的第c异常等级序列的整体复杂特征值。
7.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统,其特征在于,所述计算每个IMF分量的敏感程度,包括的具体步骤如下:
式中,S表示IMF分量的敏感程度,L1表示IMF分量的异常等级序列间复杂特征值分布度,L2表示IMF分量的异常等级序列内复杂特征值分布度,表示以自然常数为底的指数函数。
8.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统,其特征在于,所述获得最优分解层级数量,包括的具体步骤如下:
对于排序后的所有IMF分量,将每个IMF分量的敏感程度与后一个IMF分量的敏感程度的差值的绝对值,记为IMF分量的敏感程度差异值,即,其中,/>表示序号为n的IMF分量的敏感程度差异值,/>和/>分别为序号为n的IMF分量和序号为n+1的IMF分量的敏感程度;将最大的敏感程度差异值对应的IMF分量的序号记为最优分解层级数量。
9.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统,其特征在于,所述获得震动信号数据的异常增加程度,包括的具体步骤如下:
通过震动信号数据获取模块获得机床的下一个周期的震动信号数据,包括机床在径向x轴方向的震动信号数据、径向y轴方向的震动信号数据和轴向方向的震动信号数据,通过经验模态分解(EMD)分别对三个方向的震动信号数据进行分解,分解的次数等于最优分解层级数量,将每个方向的震动信号数据分解为最优分解层级数量个IMF分量;
同理,对每个方向的震动信号数据的每个IMF分量进行窗口划分,获得每个窗口的异常特征值,每个IMF分量划分的窗口的数量记为I;根据每个窗口的异常特征值所属的异常特征范围,获得每个窗口的异常等级,定义一个新的异常等级:第C+1异常等级,将异常特征值不属于任意一个异常特征范围的窗口的异常等级记为第C+1异常等级;
将每个方向的震动信号数据的所有IMF分量中相同位置的窗口组成的集合记为每个方向的震动信号数据的窗口集合,按照位置从左往右的顺序,依此记为第一窗口集合到第I窗口集合;根据每个方向的震动信号数据的每个窗口集合的异常程度密度计算每个方向的震动信号数据的异常增加程度,具体计算公式为:
式中,表示第i个窗口集合的异常程度密度,/>是表示第i个窗口集合中异常等级为c的窗口中峰值点的数量,Z表示周期长度,2Z表示窗口长度,C+1表示异常等级的数量;A表示方向的震动信号数据的异常增加程度,I表示每个IMF分量划分的窗口的数量,也表示每个方向的震动信号数据的窗口集合的数量,/>表示第j个窗口集合的异常程度密度,/>表示方向的震动信号数据的前三个窗口集合的异常程度密度的最小值。
10.根据权利要求1所述的基于机器学习的数控机床自动故障诊断系统,其特征在于,所述判断机床主轴故障的类型,包括的具体步骤如下:
如果三个方向的震动信号数据的异常增加程度相等,则机床主轴故障为偏心故障的可能性较高;
如果轴向方向的震动信号数据的异常增加程度大于径向的x轴方向和y轴方向的震动信号数据的异常增加程度,则机床主轴故障为轴向故障的可能性较高;
如果轴向方向的震动信号数据的异常增加程度小于径向的x轴方向和y轴方向的震动信号数据的异常增加程度,则机床主轴故障为径向故障的可能性较高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973318.7A CN116701984B (zh) | 2023-08-04 | 2023-08-04 | 基于机器学习的数控机床自动故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973318.7A CN116701984B (zh) | 2023-08-04 | 2023-08-04 | 基于机器学习的数控机床自动故障诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116701984A CN116701984A (zh) | 2023-09-05 |
CN116701984B true CN116701984B (zh) | 2023-10-10 |
Family
ID=87824297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310973318.7A Active CN116701984B (zh) | 2023-08-04 | 2023-08-04 | 基于机器学习的数控机床自动故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701984B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881636B (zh) * | 2023-09-08 | 2023-12-08 | 山东远盾网络技术股份有限公司 | 基于人工智能的频域信号分析检测方法 |
CN116992393B (zh) * | 2023-09-27 | 2023-12-22 | 联通(江苏)产业互联网有限公司 | 一种基于工业物联网的安全生产监测方法 |
CN117375626B (zh) * | 2023-12-08 | 2024-03-08 | 北京奥力斯特投资管理有限公司 | 一种智慧供热异常数据传输方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105971901A (zh) * | 2016-05-03 | 2016-09-28 | 北京航空航天大学 | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 |
CN110991004A (zh) * | 2019-11-06 | 2020-04-10 | 安徽大学 | 一种轴承故障诊断方法、终端设备及计算机存储介质 |
CN115601365A (zh) * | 2022-12-15 | 2023-01-13 | 无锡康贝电子设备有限公司(Cn) | 用于数控机床的轴承检测方法 |
-
2023
- 2023-08-04 CN CN202310973318.7A patent/CN116701984B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105971901A (zh) * | 2016-05-03 | 2016-09-28 | 北京航空航天大学 | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 |
CN110991004A (zh) * | 2019-11-06 | 2020-04-10 | 安徽大学 | 一种轴承故障诊断方法、终端设备及计算机存储介质 |
CN115601365A (zh) * | 2022-12-15 | 2023-01-13 | 无锡康贝电子设备有限公司(Cn) | 用于数控机床的轴承检测方法 |
Non-Patent Citations (1)
Title |
---|
Melih C. Yesillia 等.Chatter detection in turning using machine learning and similarity measures of time series via dynamic time warping.Journal of Manufacturing Processes.2022,(第77期),190–206. * |
Also Published As
Publication number | Publication date |
---|---|
CN116701984A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116701984B (zh) | 基于机器学习的数控机床自动故障诊断系统 | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN113400652B (zh) | 基于振动信号的3d打印机监测与诊断知识库装置、系统 | |
CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
AU2002246994A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
WO2002086726A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
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 | |
CN115935243B (zh) | 一种基于数据处理的故障分析方法 | |
CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
CN117078227A (zh) | 一种基于标识解析的环境监测运维平台 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN113341879A (zh) | 一种数控机床的数据采集与监控方法及系统 | |
CN109974985A (zh) | 一种单向阀性能退化评估装置及其诊断方法 | |
CN117113104A (zh) | 一种应用数据分析技术的智能化管理系统及方法 | |
CN112326246A (zh) | 基于周期数据及核密度估计的轴承安全状态在线监测方法 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN115392812B (zh) | 一种异常根因定位方法、装置、设备及介质 | |
CN116502043A (zh) | 一种基于孤立森林算法的精轧电机状态分析方法 | |
CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 | |
CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 | |
CN112699609B (zh) | 一种基于振动数据的柴油机可靠性模型构建方法 | |
EP3751419B1 (en) | Digital input edge detection with smart filtering algorithm |
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 |