CN116880359A - 一种可信数控系统的测试方法及系统 - Google Patents
一种可信数控系统的测试方法及系统 Download PDFInfo
- Publication number
- CN116880359A CN116880359A CN202311146806.7A CN202311146806A CN116880359A CN 116880359 A CN116880359 A CN 116880359A CN 202311146806 A CN202311146806 A CN 202311146806A CN 116880359 A CN116880359 A CN 116880359A
- Authority
- CN
- China
- Prior art keywords
- numerical control
- control system
- main component
- information
- condition information
- 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
Links
- 238000010998 test method Methods 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 49
- 238000006731 degradation reaction Methods 0.000 claims description 23
- 230000015556 catabolic process Effects 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 238000009792 diffusion process Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 235000006629 Prosopis spicigera Nutrition 0.000 claims description 3
- 240000000037 Prosopis spicigera Species 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 description 16
- 238000003754 machining Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000005299 abrasion Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000005653 Brownian motion process Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012043 cost effectiveness analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 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
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36291—Cutting, machining conditions by empirical equation, like tool life
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本公开提供一种可信数控系统的测试方法及系统,包括基于在数控系统的主要部件中设置的传感器采集所述数控系统的运行工况信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数;根据所述故障率函数,设定所述数控系统的主要部件的稳定度,获取所述数控系统的主要部件的初始成本信息,并且引入敏感因子,构建所述数控系统的可靠性模型,基于所述数控系统可靠性模型对所述数控系统的主要部件进行可靠性评估,得到所述数控系统的主要部件的可靠性评估结果;根据所述数控系统的主要部件的可靠性评估结果,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测。
Description
技术领域
本公开涉及可靠性技术,尤其涉及一种可信数控系统的测试方法及系统。
背景技术
数控机床作为集机、电、液和光于一体的现代化制造装备,主要应用于航空、航天和汽车等高精密工件的加工上,由于本身集成的复杂性,就会对其可靠性提出较高的要求。在机电产品设计中,可靠性的分配与优化是整机可靠性设计的重要工作。
CN201410653419.7,一种数控机床加工精度可靠性敏感度分析方法,公开了通过多体系统运动特征分析方法建立机床的空间误差模型,并结合蒙特卡洛数字模拟方法,分析机床的加工精度可靠性,以及机床各项几何误差的波动作用对加工精度可靠性的影响程度,从而辨识出影响加工精度可靠性的关键性几何误差。
CN201610077927.4,一种基于快速马尔可夫链的机床加工精度可靠性灵敏度分析方法,公开了通过多体系统理论,在机床的拓扑结构的基础上,建立起机床整体的空间误差模型,根据快速马尔可夫链仿真方法进行机床加工精度可靠性分析,由于机床的几何误差是相互关联的,首先,对机床加工精度可靠性进行定义,建立机床的七种失效模式,将相关的几何误差转化为独立的标准正态随机变量,然后用独立空间的可靠性分析方法对加工精度的失效概率进行估计。
现有技术所公开的内容,依赖于简化模型,然而,这些模型可能基于某些简化假设或近似方法,从而导致对机床实际行为的精确性有所限制,此外,将机床的几何误差转化为独立的标准正态随机变量,然后使用独立空间的可靠性分析方法进行失效概率的估计,然而,在实际情况下,机床的几何误差可能是相互关联的,简单地将其转化为独立的随机变量可能无法准确地捕捉到这种相互关联的影响。
发明内容
本公开实施例提供一种可信数控系统的测试方法及系统,能够至少解决如上所述的部分问题。
本公开实施例的第一方面,
提供一种可信数控系统的测试方法,包括:
基于在数控系统的主要部件中设置的传感器采集所述数控系统的运行工况信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数;
根据所述故障率函数,设定所述数控系统的主要部件的稳定度,获取所述数控系统的主要部件的初始成本信息,并且引入敏感因子,构建所述数控系统的可靠性模型,基于所述数控系统可靠性模型对所述数控系统的主要部件进行可靠性评估,得到所述数控系统的主要部件的可靠性评估结果;
根据所述数控系统的主要部件的可靠性评估结果,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测。
在一种可选的实施方式中,
所述基于在数控系统的主要部件中设置的传感器采集所述数控系统的运行工况信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数包括:
确定所述运行工况信息对应的工况协变量以及尺度参数;
根据所述运行工况信息,结合所述数控系统的主要部件的漂移参数和扩散系数,确定所述数控系统的主要部件的退化信息;
基于所述工况协变量、所述尺度参数以及所述退化信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数。
在一种可选的实施方式中,
所述根据所述运行工况信息,结合所述数控系统的主要部件的漂移参数和扩散系数,确定所述数控系统的主要部件的退化信息如下公式所示:
;
其中,F(t)表示主要部件的退化量,u表示漂移参数,D(t)表示单调递增函数,x(t)表示运行工况信息,v表示扩散系数,B()表示标准布朗运动函数;
所述确定所述数控系统的运行工况信息对应的故障率函数如下公式所示:
;
其中,G(t)表示故障率函数,TIME(t)表示所述数控系统的故障间隔时间,C(t)表示尺度参数,K表示运行工况的类别,L表示工况因素的数量,h i 表示工况协变量系数,B ij 表示第i种运行工况的第j种工况因素的工况协变量。
在一种可选的实施方式中,
所述构建所述数控系统的可靠性模型包括:
基于所述数控系统的主要部件的稳定度,以及稳定度与初始成本的对应关系,确定所述数控系统的主要部件的初始成本信息;
根据所述初始成本信息,以及引入的敏感因子,结合所述数控系统的主要部件的结构复杂度,构建所述数控系统的可靠性模型。
在一种可选的实施方式中,
所述根据主要部件的可靠性评估结果,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测包括:
基于在数控系统的主要部件中设置的传感器所采集的运行工况信息,通过正交尺度函数对所述运行工况信息进行正交分解,确定所述运行工况信息对应的低频信息和高频信息;
按照预设分解层数,逐层对所述低频信息和所述高频信息进行分解,并确定分解后每一层低频信息和高频信息的能量值;
根据所述分解后每一层低频信息和高频信息的能量值结合所述运行工况信息,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测,其中,所述寿命预测模型基于改进的支持向量机构建。
在一种可选的实施方式中,
所述确定分解后每一层低频信息和高频信息的能量值如下公式所示:
;
其中,E k 表示能量值,S k 表示小波包节点系数,M表示层数。
所述通过预先构建的支持向量机,对所述数控系统的主要部件进行剩余寿命预测如下公式所示:
;
其中,y(x,w)表示剩余寿命预测值,N表示运行工况信息对应的向量值的数量,w i 表示第i个运行工况信息对应的权重值,K()表示核函数,x i 表示第i个运行工况信息对应的向量值,表示运行工况信息对应的方差值,R表示运行工况信息对应的矩阵维度,/>表示运行工况信息经过核函数输出值对应的矩阵维度,/>表示第i个偏差值。
本公开实施例的第二方面,
提供一种可信数控系统的测试系统,包括:
第一单元,用于基于在数控系统的主要部件中设置的传感器采集所述数控系统的运行工况信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数;
第二单元,用于根据所述故障率函数,设定所述数控系统的主要部件的稳定度,获取所述数控系统的主要部件的初始成本信息,并且引入敏感因子,构建数控系统可靠性模型,基于所述数控系统可靠性模型对所述数控系统的主要部件进行可靠性评估,得到所述数控系统的主要部件的可靠性评估结果;
第三单元,用于根据所述数控系统的主要部件的可靠性评估结果,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测。
本公开实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本公开实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果,在此不再赘述。
附图说明
图1为本公开实施例可信数控系统的测试方法的流程示意图;
图2为本公开实施例可信数控系统的测试系统的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本公开实施例可信数控系统的测试方法的流程示意图,如图1所示,所述方法包括:
S101. 基于在数控系统的主要部件中设置的传感器采集所述数控系统的运行工况信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数;
示例性地,本申请实施例的主要部件包括伺服系统、控制器以及运动系统中至少一种,其中,伺服系统是数控机床的核心控制部件,用于控制运动轴的位置和速度,通常由伺服电机、编码器、伺服驱动器等组成,传感器可以用于实时采集伺服电机的位置、速度和加速度等信息,以便进行闭环控制,确保运动轴的准确性和平滑性;控制器是数控系统的大脑,负责解释和执行加工程序,接收来自操作者或外部计算机的指令,并将其转换为实际的运动控制信号,以控制机床的运动,控制器可以采集机床状态信息,并进行故障检测和诊断;运动系统包括各个运动轴的驱动和传动机构,用于实现机床的运动,传感器可以用于监测运动轴的运动状态和位置,以实现闭环控制和运动精度的提高。
示例性地,工况因素(Operating Factors):在数控系统中,工况因素是指影响数控机床性能和加工结果的各种变量或因素,这些因素可以是外部的,也可以是内部的,对数控系统的工作过程和加工质量产生直接或间接的影响。
举例说明:对于数控机床的工况因素,可以包括切削刃具的磨损状况、工件装夹方式和夹紧力、机床刚度和动态特性、切削润滑方式和润滑剂性质等,这些因素会影响到数控系统的切削质量、加工精度、表面光洁度以及机床的稳定性和耐久性。
对于数控系统而言,工况条件是指影响数控机床运行和加工过程的环境和操作要素,而工况因素是指影响数控机床性能和加工结果的各种变量或因素。在数控系统的设计、设置和操作中,合理考虑和控制工况条件和工况因素,能够确保数控系统的稳定性、精度和效率,提高加工质量和生产效益。
工况协变量(Operating Covariates):在数控系统中,工况协变量是指在特定工况条件下对系统性能或加工质量具有影响的变量,它们是与工况条件相关的因素,可以作为工况条件的补充描述,更详细地刻画数控系统的运行状态。
举例说明:对于数控机床的工况协变量,可以包括刀具磨损量、切削力大小、加工表面粗糙度等,这些协变量与工况条件密切相关,会在特定工况条件下发生变化,并对数控系统的性能和加工效果产生直接影响。
协变系数(Covariance Coefficient):协变系数是用来衡量工况协变量与其他变量之间的关联程度的统计量,它反映了工况协变量与其他变量之间的线性关系强度和方向。协变系数的取值范围在-1到1之间,其中正值表示正相关,负值表示负相关,而接近于0的值表示变量之间关联较弱。
举例说明:数控机床加工过程中的切削力与切削速度的关系。可以通过收集一系列实验数据,在不同的切削速度下测量切削力,并计算出切削力和切削速度之间的协变系数,如果协变系数为正值且接近于1,那么可以推断切削力和切削速度之间存在强正相关关系,即随着切削速度的增加,切削力也相应增加。
综上所述,工况协变量是在特定工况条件下对数控系统性能或加工质量具有影响的变量,协变系数则用于衡量工况协变量与其他变量之间的关联程度。
示例性地,数控系统的运行工况信息(Operating Conditions):在数控系统中,运行工况信息是指影响数控机床运行和加工过程的各种环境和操作要素,这些信息对于数控系统的正常工作和加工效果至关重要。
举例说明:对于数控机床的运行工况信息,可以包括切削速度、进给速度、主轴转速、冷却液温度、环境温度和湿度、工件材料和形状等。这些信息需要根据具体加工要求和工件特性进行设定和控制,以确保数控系统在理想的运行环境下实现精确的加工。
在一种可选的实施方式中,
所述基于在数控系统的主要部件中设置的传感器采集所述数控系统的运行工况信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数包括:
确定所述运行工况信息对应的工况协变量以及尺度参数;
根据所述运行工况信息,结合所述数控系统的主要部件的漂移参数和扩散系数,确定所述数控系统的主要部件的退化信息;
基于所述工况协变量、所述尺度参数以及所述退化信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数。
在一种可选的实施方式中,
数控机床关键功能部件在工作的过程中,由于机械零部件的磨损、电子元器件的老化等原因会造成其性能不断下降,直至其无法正常工作,将其性能下降的过程称为退化过程,退化的特征量称为退化量。根据退化量可以建立退化轨迹模型,再结合预设阈值,即可外推获得产品达到阈值时的故障前时间。进一步地,将故障前时间与小样本的故障数据融合,可以有效地缓解因试验时间、成本、样本量造成的故障样本少的难题。
示例性地,确定数控系统中主要部件的退化量可以如下公式所示:
;
其中,F(t)表示主要部件的退化量,u表示漂移参数,D(t)表示单调递增函数,x(t)表示运行工况信息,v表示扩散系数,B()表示标准布朗运动函数。
其中,漂移参数用于表示主要部件的退化速率;扩散系数用于指示主要部件的退化过程随时间的波动情况;单调递增函数在一个时间尺度内表示退化路径为线性或非线性;
故障数据是可靠性评估的重要依据,然而随着数控机床关键功能部件可靠性水平的不断提升,可靠性试验周期不断延长,致使有限时间内获取的故障数据严重不足,而仅凭有限的故障数据所得出评估结果的精度较低。在数控机床关键功能部件的全寿命周期中,有多源的可靠性信息,但其中存在着部分缺失、获取困难等问题。目前基于多源信息融合的可靠性评估研究通常是将相同维度的信息进行融合,信息源相对单一,易导致评估结果偏差较大,故在保证融合误差最小的前提下,需完善不同来源的信息进行融合的方法。
所述确定所述数控系统的运行工况信息对应的故障率函数如下公式所示:
;
其中,G(t)表示故障率函数,TIME(t)表示所述数控系统的故障间隔时间,C(t)表示尺度参数,K表示运行工况的类别,L表示工况因素的数量,h i 表示工况协变量系数,B ij 表示第i种运行工况的第j种工况因素的工况协变量。
S102. 根据所述故障率函数,设定所述数控系统的主要部件的稳定度,获取所述数控系统的主要部件的初始成本信息,并且引入敏感因子,构建所述数控系统的可靠性模型,基于所述数控系统可靠性模型对所述数控系统的主要部件进行可靠性评估,得到所述数控系统的主要部件的可靠性评估结果;
示例性地,主要部件的稳定度指的是部件在特定工作条件下保持稳定运行的能力,稳定度高的部件意味着其在工作过程中不容易出现故障或性能下降。例如,对于数控系统的伺服电机,稳定度可以解释为在不同运动速度和负载下,电机能够保持稳定的位置控制和运动精度。如果电机的稳定度较高,它可以在长时间内保持精确的位置控制,不容易出现漂移或误差积累,从而提高数控系统的加工精度和稳定性。
其中,设定所述数控系统的主要部件的稳定度可以包括根据已收集的数据和可用的故障率函数,分析不同工况下部件的故障率变化,识别影响部件可靠性的关键工况和因素:可以涉及工作负荷、环境温度、振动等。例如,对于伺服电机,工作负荷是一个重要因素。基于关键工况和因素,确定稳定度参数,这可以是一个权重、修正系数或缩放因子,用于调整故障率函数以考虑不同工况下的稳定性。利用确定的稳定度参数,将故障率函数乘以稳定度参数,以考虑不同工况下的稳定性。
在一种可选的实施方式中,
所述确定所述数控系统的主要部件的初始成本信息如下公式所示:
;
其中,COST 0 表示初始成本信息,H表示主要部件的数量,S l 表示第l个主要部件的稳定度,表示第l个主要部件的结构复杂度;
示例性地,稳定度表示部件的稳定性,稳定性越高,部件在各种工况下的性能表现越好,从而在运行中的可靠性更高;结构复杂度越高的部件,所需的成本也就越高。
示例性地,敏感因子是指对系统可靠性产生显著影响的关键因素,在可靠性评估中,那些对系统可靠性具有较大影响的因素,这些因素即为敏感因子。其中,敏感因子可以包括维护策略、随机干扰、使用年限以及运行环境等多种因素,为了说明方便,本申请以敏感因子包括维护策略和随机干扰为例进行说明,其中,维护策略可以表示为Maint,随机干扰可以表示为ramdon。在实际应用中,为了合理控制敏感因子对可靠性的影响程度,可以为敏感因子设置对应的权重系数。
在一种可选的实施方式中,
所述构建所述数控系统的可靠性模型包括:
基于所述数控系统的主要部件的稳定度,以及稳定度与初始成本的对应关系,确定所述数控系统的主要部件的初始成本信息;
根据所述初始成本信息,以及引入的敏感因子,结合所述数控系统的主要部件的结构复杂度,构建所述数控系统的可靠性模型。
确定主要部件的初始成本信息有助于对项目进行成本控制和预算规划,在项目启动阶段,有准确的初始成本信息可以帮助管理层做出明智的决策,分配资源和预留预算。确定主要部件的初始成本信息可以帮助进行成本效益分析,从而决定是否使用某个部件、材料或技术,这有助于选择最经济和可行的方案。
所述构建所述数控系统的可靠性模型如下公式所示:
;
其中,C表示可靠性,R l 表示第l个主要部件的可靠度,R Max 、R Min 分别表示第l个主要部件的可靠度上、下限,Maint、ramdon分别表示敏感因子中的维护策略和随机干扰,r 1 、r 2 分别表示维护策略和随机干扰对应的权重系数。
通过考虑稳定度、初始成本和敏感因子,不仅仅关注部件的故障率,还将稳定性、成本和外部因素纳入考虑,更全面地评估了数控系统的可靠性;相比仅考虑故障率的模型,这个模型更能反映不同因素的交互影响;可靠性评估可以指导资源的合理分配,对于那些可靠性较低、成本较高的部件,可以考虑更频繁的维护或替换,以确保系统整体的稳定性和可靠性;还可以帮助识别系统的薄弱环节和高风险部件,这样,在预测到可能的故障前,可以采取措施进行干预,减少系统故障对生产的影响。
S103. 根据所述数控系统的主要部件的可靠性评估结果,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测。
数控机床运行可靠性是指在规定的条件下和服役的时间内由其零部件的运行状态所决定的完成规定功能的能力。数控机床的运行可靠性除了与机床的固有可靠性水平相关外,还与使用工况、运行环境、维护和监控等条件有关。
高端数控机床关键功能部件作为数控机床最重要的组成部分,其可靠性水平直接影响数控机床整机的可靠性水平。由于高速、高加速及大切削力等冲击载荷,以及磨损、疲劳等原因,功能部件的性能不可避免地产生退化直至完全失效,从而导致在运行过程中加工精度的下降,甚至发生严重的故障。
随着自动监测技术和传感器技术的发展,在数控装备运行过程中可获得大量的状态监测数据,这些监测数据往往能实时反映设备运行状况。在功能部件性能退化的初期,挖掘故障特征及规律并对剩余寿命进行预测,并在此基础上确定部件维修的最佳时机,从而提高设备的可靠性、使用性和安全性。
剩余寿命,通常称为剩余有效寿命,是从当前时刻开始,设备还能继续正常工作的时间。寿命预测是指在当前设备状态和历史状态数据己知的条件下,预测失效发生之前还剩下多少时间,其中,剩余寿命可以定义为条件随机变量。
在一种可选的实施方式中,
所述方法还包括预测所述数控系统中主要部件的剩余寿命:
基于在数控系统的主要部件中设置的传感器所采集的运行工况信息,通过正交尺度函数对所述运行工况信息进行正交分解,确定所述运行工况信息对应的低频信息和高频信息;
按照预设分解层数,逐层对所述低频信息和所述高频信息进行分解,并确定分解后每一层低频信息和高频信息的能量值;
根据所述分解后每一层低频信息和高频信息的能量值,结合所述运行工况信息通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测。
示例性地,传感器所采集的运行工况信息可以包括振动信号、电流信号及声发射信号等。因采集电流信号成本低、可操作性强、同时包含信息量大,适合长期监测,而且不影响数控系统正常工作。
小波包分解能对信号在全频段范围内进行正交分解,使信号的高频和低频分解都能达到很精细的程度,在刻划信号特征方面具有很强的自适应性。示例性地,通过正交尺度函数对所述运行工况信息进行正交分解,确定所述运行工况信息对应的低频信息和高频信息如下公式所示:
;
;
其中,L(t)表示t时刻的低频信息,H(t)表示t时刻的高频信息,k表示分解层数,h k 表示运行工况信息,表示正交尺度函数;
示例性地,对于正常状态的机械设备,其特征信号成分较为简单。当设备性能退化时,特征信号表现为在有序的正常信号中混杂了不一致的异常信号,因此可以利用信号的复杂程度,监测设备性能退化程度。
逐层对所述低频信息和所述高频信息进行分解,能够对每一层的低频信息和高频信息进行精细化分析,并依次确定其对应的能量值,从而提高后续剩余寿命预测的准确度。
其中,确定分解后每一层低频信息和高频信息的能量值如下公式所示:
;
其中,E k 表示能量值,S k 表示小波包节点系数,M表示层数。
本公开实施例的寿命预测模型基于改进的支持向量机构建,用于预测主要部件的剩余寿命。其中,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测如下公式所示:
;
其中,y(x,w)表示剩余寿命预测值,N表示运行工况信息对应的向量值的数量,w i 表示第i个运行工况信息对应的权重值,K()表示核函数,x i 表示第i个运行工况信息对应的向量值,表示运行工况信息对应的方差值,R表示运行工况信息对应的矩阵维度,/>表示运行工况信息经过核函数输出值对应的矩阵维度,/>表示第i个偏差值。
将原始信号分解为低频信息和高频信息,这种分解能够有效提取出主要部件的基本运行特征,使得预测模型更加准确;低频信息可以反映部件的长期变化趋势,而高频信息则关注于短期的异常行为,综合考虑两者可以更全面地评估部件的寿命状态;通过逐层分解低频信息和高频信息,可以获得多个层次的能量值,每一层的能量值表示该层频段内的信号能量,可以反映出部件在不同频率范围内的运行状况。
本公开实施例的第二方面,
提供一种可信数控系统的测试系统, 图2为本公开实施例可信数控系统的测试系统的结构示意图,包括:
第一单元,用于基于在数控系统的主要部件中设置的传感器采集所述数控系统的运行工况信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数;
第二单元,用于根据所述故障率函数,设定所述数控系统的主要部件的稳定度,获取所述数控系统的主要部件的初始成本信息,并且引入敏感因子,构建数控系统可靠性模型,基于所述数控系统可靠性模型对所述数控系统的主要部件进行可靠性评估,得到所述数控系统的主要部件的可靠性评估结果;
第三单元,用于根据所述数控系统的主要部件的可靠性评估结果,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测。
本公开实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本公开实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (9)
1.一种可信数控系统的测试方法,其特征在于,包括:
基于在数控系统的主要部件中设置的传感器采集所述数控系统的运行工况信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数,其中,主要部件包括伺服系统、控制器以及运动系统中至少一种;
根据所述故障率函数,设定所述数控系统的主要部件的稳定度,获取所述数控系统的主要部件的初始成本信息,并且引入敏感因子,构建所述数控系统的可靠性模型,基于所述数控系统的可靠性模型对所述数控系统的主要部件进行可靠性评估,得到所述数控系统的主要部件的可靠性评估结果;
根据所述数控系统的主要部件的可靠性评估结果,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测。
2.根据权利要求1所述的方法,其特征在于,所述基于在数控系统的主要部件中设置的传感器采集所述数控系统的运行工况信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数包括:
确定所述运行工况信息对应的工况协变量以及尺度参数;
根据所述运行工况信息,结合所述数控系统的主要部件的漂移参数和扩散系数,确定所述数控系统的主要部件的退化信息;
基于所述工况协变量、所述尺度参数以及所述退化信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述运行工况信息,结合所述数控系统的主要部件的漂移参数和扩散系数,确定所述数控系统的主要部件的退化信息如下公式所示:
;
其中,F(t)表示主要部件的退化量,u表示漂移参数,D(t)表示单调递增函数,x(t)表示运行工况信息,v表示扩散系数,B()表示标准布朗运动函数;
所述确定所述数控系统的运行工况信息对应的故障率函数如下公式所示:
;
其中,G(t)表示故障率函数,TIME(t)表示所述数控系统的故障间隔时间,C(t)表示尺度参数,K表示运行工况的类别,L表示工况因素的数量,h i 表示工况协变量系数,B ij 表示第i种运行工况的第j种工况因素的工况协变量。
4.根据权利要求1所述的方法,其特征在于,所述构建所述数控系统的可靠性模型包括:
基于所述数控系统的主要部件的稳定度,以及稳定度与初始成本的对应关系,确定所述数控系统的主要部件的初始成本信息;
根据所述初始成本信息,以及引入的敏感因子,结合所述数控系统的主要部件的结构复杂度,构建所述数控系统的可靠性模型。
5.根据权利要求1所述的方法,其特征在于,根据所述数控系统的主要部件的可靠性评估结果,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测包括:
基于在数控系统的主要部件中设置的传感器所采集的运行工况信息,通过正交尺度函数对所述运行工况信息进行正交分解,确定所述运行工况信息对应的低频信息和高频信息;
按照预设分解层数,逐层对所述低频信息和所述高频信息进行分解,并确定分解后每一层低频信息和高频信息的能量值;
根据所述分解后每一层低频信息和高频信息的能量值结合所述运行工况信息,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测,其中,所述寿命预测模型基于改进的支持向量机构建。
6.根据权利要求5所述的方法,其特征在于,所述确定分解后每一层低频信息和高频信息的能量值如下公式所示:
;
其中,E k 表示能量值,S k 表示小波包节点系数,M表示层数;
所述通过预先构建的支持向量机,对所述数控系统的主要部件进行剩余寿命预测如下公式所示:
;
其中,y(x,w)表示剩余寿命预测值,N表示运行工况信息对应的向量值的数量,w i 表示第i个运行工况信息对应的权重值,K()表示核函数,x i 表示第i个运行工况信息对应的向量值,表示运行工况信息对应的方差值,R表示运行工况信息对应的矩阵维度,/>表示运行工况信息经过核函数输出值对应的矩阵维度,/>表示第i个偏差值。
7.一种可信数控系统的测试系统,其特征在于,包括:
第一单元,用于基于在数控系统的主要部件中设置的传感器采集所述数控系统的运行工况信息,结合预先获取的所述数控系统的故障间隔时间,确定所述数控系统的运行工况信息对应的故障率函数,其中,所述主要部件包括伺服系统、控制器以及运动系统中至少一种;
第二单元,用于根据所述故障率函数,设定所述数控系统的主要部件的稳定度,获取所述数控系统的主要部件的初始成本信息,并且引入敏感因子,构建数控系统可靠性模型,基于所述数控系统可靠性模型对所述数控系统的主要部件进行可靠性评估,得到所述数控系统的主要部件的可靠性评估结果;
第三单元,用于根据所述数控系统的主要部件的可靠性评估结果,通过预先构建的寿命预测模型,对所述数控系统的主要部件进行剩余寿命预测。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146806.7A CN116880359B (zh) | 2023-09-07 | 2023-09-07 | 一种可信数控系统的测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146806.7A CN116880359B (zh) | 2023-09-07 | 2023-09-07 | 一种可信数控系统的测试方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116880359A true CN116880359A (zh) | 2023-10-13 |
CN116880359B CN116880359B (zh) | 2023-11-10 |
Family
ID=88255373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311146806.7A Active CN116880359B (zh) | 2023-09-07 | 2023-09-07 | 一种可信数控系统的测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116880359B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006277370A (ja) * | 2005-03-29 | 2006-10-12 | Toshiba Corp | 回路基板の品質解析システム及び品質解析方法 |
EP1724684A1 (en) * | 2005-05-17 | 2006-11-22 | BUSI Incubateur d'entreprises d'AUVEFGNE | System and method for task scheduling, signal analysis and remote sensor |
CN102663516A (zh) * | 2012-03-28 | 2012-09-12 | 北京航空航天大学 | 产品外场寿命及可靠性模型构建及评估方法 |
US20120290261A1 (en) * | 2011-05-12 | 2012-11-15 | Abelman, Frayne & Schwab | Valve actuator fault analysis system |
CN103048951A (zh) * | 2012-12-15 | 2013-04-17 | 北京航空航天大学 | 一种用于评估数控系统可靠性的试验方法 |
CN103777621A (zh) * | 2012-10-18 | 2014-05-07 | 天津职业技术师范大学 | 步加寿命试验下数控系统可靠性评定系统 |
WO2014106269A1 (en) * | 2012-12-31 | 2014-07-03 | Telvent Dtn Llc | Airfoil icing controller apparatuses, methods and systems |
US20150106058A1 (en) * | 2013-10-15 | 2015-04-16 | General Electric Company | Systems and methods for improved reliability operations |
US20160292652A1 (en) * | 2015-04-03 | 2016-10-06 | Chevron Pipe Line Company | Predictive analytic reliability tool set for detecting equipment failures |
WO2018234741A1 (en) * | 2017-06-23 | 2018-12-27 | Qio Technologies Ltd | SYSTEMS AND METHODS FOR INTELLIGENCE OF INDUSTRIAL ASSETS BY DISTRIBUTED SYSTEMIC ANTICIPATION |
WO2019133048A1 (en) * | 2017-12-30 | 2019-07-04 | Intel Corporation | Methods and devices for wireless communications |
US20190272354A1 (en) * | 2019-03-06 | 2019-09-05 | Beihang University | Method for degradation modeling and lifetime prediction considering recoverable shock damages |
CN113065675A (zh) * | 2021-04-13 | 2021-07-02 | 中国人民解放军空军工程大学 | 一种基于剩余寿命预测的设备最优维护方法 |
CN113569345A (zh) * | 2021-05-31 | 2021-10-29 | 北京航空航天大学 | 一种基于多源信息融合的数控系统可靠性建模方法与装置 |
CN115409067A (zh) * | 2022-09-07 | 2022-11-29 | 西安工业大学 | 一种数控机床组件剩余寿命预测方法 |
CN115630374A (zh) * | 2022-12-22 | 2023-01-20 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 可信数控系统的测试方法、装置、计算机设备和存储介质 |
CN116384223A (zh) * | 2023-02-21 | 2023-07-04 | 中国科学院合肥物质科学研究院 | 基于退化状态智能辨识的核设备可靠性评估方法及系统 |
-
2023
- 2023-09-07 CN CN202311146806.7A patent/CN116880359B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006277370A (ja) * | 2005-03-29 | 2006-10-12 | Toshiba Corp | 回路基板の品質解析システム及び品質解析方法 |
EP1724684A1 (en) * | 2005-05-17 | 2006-11-22 | BUSI Incubateur d'entreprises d'AUVEFGNE | System and method for task scheduling, signal analysis and remote sensor |
US20120290261A1 (en) * | 2011-05-12 | 2012-11-15 | Abelman, Frayne & Schwab | Valve actuator fault analysis system |
CN102663516A (zh) * | 2012-03-28 | 2012-09-12 | 北京航空航天大学 | 产品外场寿命及可靠性模型构建及评估方法 |
CN103777621A (zh) * | 2012-10-18 | 2014-05-07 | 天津职业技术师范大学 | 步加寿命试验下数控系统可靠性评定系统 |
CN103048951A (zh) * | 2012-12-15 | 2013-04-17 | 北京航空航天大学 | 一种用于评估数控系统可靠性的试验方法 |
WO2014106269A1 (en) * | 2012-12-31 | 2014-07-03 | Telvent Dtn Llc | Airfoil icing controller apparatuses, methods and systems |
US20150106058A1 (en) * | 2013-10-15 | 2015-04-16 | General Electric Company | Systems and methods for improved reliability operations |
US20160292652A1 (en) * | 2015-04-03 | 2016-10-06 | Chevron Pipe Line Company | Predictive analytic reliability tool set for detecting equipment failures |
WO2018234741A1 (en) * | 2017-06-23 | 2018-12-27 | Qio Technologies Ltd | SYSTEMS AND METHODS FOR INTELLIGENCE OF INDUSTRIAL ASSETS BY DISTRIBUTED SYSTEMIC ANTICIPATION |
WO2019133048A1 (en) * | 2017-12-30 | 2019-07-04 | Intel Corporation | Methods and devices for wireless communications |
US20190272354A1 (en) * | 2019-03-06 | 2019-09-05 | Beihang University | Method for degradation modeling and lifetime prediction considering recoverable shock damages |
CN113065675A (zh) * | 2021-04-13 | 2021-07-02 | 中国人民解放军空军工程大学 | 一种基于剩余寿命预测的设备最优维护方法 |
CN113569345A (zh) * | 2021-05-31 | 2021-10-29 | 北京航空航天大学 | 一种基于多源信息融合的数控系统可靠性建模方法与装置 |
CN115409067A (zh) * | 2022-09-07 | 2022-11-29 | 西安工业大学 | 一种数控机床组件剩余寿命预测方法 |
CN115630374A (zh) * | 2022-12-22 | 2023-01-20 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 可信数控系统的测试方法、装置、计算机设备和存储介质 |
CN116384223A (zh) * | 2023-02-21 | 2023-07-04 | 中国科学院合肥物质科学研究院 | 基于退化状态智能辨识的核设备可靠性评估方法及系统 |
Non-Patent Citations (7)
Title |
---|
刘英;陈宇;陈志恒;: "数控机床功能部件维护时间建模与提示系统开发", 制造技术与机床, no. 11 * |
张士峰;张虹;刘婷;钱山;: "基于对数正态假设的系统可靠性评估及试验设计方法", 兵工学报, no. 01 * |
沈明瑞;刘阔;董浩琪;王永青;: "基于贝叶斯与故障树的数控机床可靠性评价", 制造技术与机床, no. 01 * |
申桂香: "最小故障率下数控组合机床平均维修时间确定", 《吉林大学学报(工学版)》, no. 5, pages 1 - 2 * |
袁忠大;程秀全;张勇;: "民用航空发动机引气系统部件寿命建模", 航空发动机, no. 01 * |
陈凤腾;杨根喜;: "水泥回转窑轴瓦视情维修的可靠性模型分析", 价值工程, no. 25 * |
韩思远;董海鹰;: "基于copula函数的风力发电机组可靠性分析模型", 兰州交通大学学报, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN116880359B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mann et al. | Statistical‐based or condition‐based preventive maintenance? | |
JP6140331B1 (ja) | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム | |
US10042922B2 (en) | Database for chatter predictions | |
JP5997330B1 (ja) | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 | |
Teti et al. | Advanced monitoring of machining operations | |
US20180307203A1 (en) | Machining defect factor estimation device | |
US5602761A (en) | Machine performance monitoring and fault classification using an exponentially weighted moving average scheme | |
US11402817B2 (en) | Life predicting device and machine learning device | |
JP2019008675A (ja) | 故障予測装置及び機械学習装置 | |
JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
US20060089742A1 (en) | System and method for monitoring machine health | |
CN113027703A (zh) | 包括传动系统、齿轮箱和发电机的旋转机械的损害和剩余使用寿命的确定 | |
CN111774931A (zh) | 数控车削批量加工刀具磨损在线监测方法 | |
Al‐Najjar et al. | Improving effectiveness of manufacturing systems using total quality maintenance | |
Jain et al. | Dynamic optimization of process quality control and maintenance planning | |
CN115169050A (zh) | 一种多模型融合的切削刀具磨损量动态预测方法 | |
Liu et al. | A generalized method for the inherent energy performance modeling of machine tools | |
CN116880359B (zh) | 一种可信数控系统的测试方法及系统 | |
Sayed-Mouchaweh et al. | Explainable decision support tool for iot predictive maintenance within the context of industry 4.0 | |
Feng et al. | A generalized analysis of energy saving strategies through experiment for CNC milling machine tools | |
CN115879238A (zh) | 一种发动机整机及试验孪生体系模型构建方法 | |
WO2022102036A1 (ja) | 加工診断装置、学習装置、推論装置、加工診断方法及びプログラム | |
KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
CN112597637A (zh) | 一种舵系统健康状态评估方法 | |
Aggogeri et al. | Design for Reliability of Robotic Systems Based on the Prognostic Approach |
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 |