CN117020244B - 加工状态监测方法、装置、电子设备及存储介质 - Google Patents
加工状态监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117020244B CN117020244B CN202311275575.XA CN202311275575A CN117020244B CN 117020244 B CN117020244 B CN 117020244B CN 202311275575 A CN202311275575 A CN 202311275575A CN 117020244 B CN117020244 B CN 117020244B
- Authority
- CN
- China
- Prior art keywords
- lathe
- machining
- strain
- historical
- stress
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 268
- 238000012544 monitoring process Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000003754 machining Methods 0.000 claims abstract description 278
- 239000011159 matrix material Substances 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000007787 long-term memory Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002390 adhesive tape Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000004745 nonwoven fabric Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 239000004945 silicone rubber Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000012496 stress study Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23B—TURNING; BORING
- B23B25/00—Accessories or auxiliary equipment for turning-machines
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Numerical Control (AREA)
Abstract
本申请属于车床状态监测的技术领域，公开了一种加工状态监测方法、装置、电子设备及存储介质，该方法包括：获取车床的加工应力曲线数据和应变曲线数据，以及车床数据库的加工状态监测训练样本，将加工应力曲线数据和应变曲线数据转换为对应的矩阵形式数据，根据加工状态监测训练样本，构建加工状态预测模型，将矩阵形式数据输入加工状态预测模型，计算得到车床的预测的加工状态参数，对比加工应力曲线数据和预测的加工状态参数及对比应变曲线数据和预测的加工状态参数，以对车床的加工状态进行监测，通过将加工应力曲线数据和应变曲线数据与预测的加工状态参数进行对比，以对车床的加工状态进行监测，提高了车床加工状态的监测效率。
Description
技术领域
本申请涉及车床状态监测的技术领域，具体而言，涉及一种加工状态监测方法、装置、电子设备及存储介质。
背景技术
在机床的应力研究领域，车床具有代表性。关于车削加工中切削力的监测技术方案主要集中在刀柄、刀架、刀具、主轴的力学传感器监测上。监测机床应力状态的一个重要目的在于探索研究机床内在运行精度变化、衰减物理规律，从而优化机床加工参数设置乃至机床设计。
当前存在的对车床力学方面的监测，通常在对车刀本身、刀架、主轴等部位安装传感器，以上部件属于经常拆卸、更换的部件，传感器对其的监测数据缺乏延续性，难以反映其长期运动状态，且通用性不强，通常需要根据机床具体结构进行定制，难以在多种设备上应用。同时数据采集量较少，时间不够长，很难控制变量，受主轴旋转振动影响大，难以得出机床长期工作后的运行状态变化规律，从而阻碍了机床精度稳定性、保持性和可靠性的理论与工程研究。
因此，为了解决现有的加工状态监测方法通常将传感器安装在车床中需要经常拆卸和更换的部件导致监测数据缺乏延续性而难以反映车床的长期运动状态的技术问题，亟需一种加工状态监测方法、装置、电子设备及存储介质。
发明内容
本申请的目的在于提供一种加工状态监测方法、装置、电子设备及存储介质，通过加工状态监测系统和加工状态预测模型，对车床的加工状态进行监测，解决现有的加工状态监测方法通常将传感器安装在车床中需要经常拆卸和更换的部件导致监测数据缺乏延续性而难以反映车床的长期运动状态的问题，能够长时间持续监测车床的加工状态，提高了车床加工状态的监测效率。
第一方面，本申请提供了一种加工状态监测方法，应用于加工状态监测系统以对车床的加工状态进行监测；所述加工状态监测系统包括依次连接的多个单向应变片、动态应变测量仪和监测主机；所述多个单向应变片具体安装在所述车床的主轴箱端面的主轴轴承座周围的圆柱面；所述方法包括：
基于所述多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，以及获取车床数据库的加工状态监测训练样本；所述加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数；
将所述加工应力曲线数据和所述应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型；
将所述应力矩阵形式数据和所述应变矩阵形式数据输入所述加工状态预测模型，计算得到所述车床的预测的加工状态参数；
对比所述加工应力曲线数据和所述预测的加工状态参数及对比所述应变曲线数据和所述预测的加工状态参数，以对所述车床的加工状态进行监测。
本申请提供的加工状态监测方法可以实现对车床的加工状态进行监测，通过加工状态监测系统和加工状态预测模型，对车床的加工状态进行监测，解决现有的加工状态监测方法通常将传感器安装在车床中需要经常拆卸和更换的部件导致监测数据缺乏延续性而难以反映车床的长期运动状态的问题，能够长时间持续监测车床的加工状态，提高了车床加工状态的监测效率。
可选地，基于所述多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，包括：
获取所述车床在加工时各所述单向应变片的应变片电阻数据；
将所述应变片电阻数据转换为关于应变和应力的数据曲线，得到所述车床的加工应力曲线数据和应变曲线数据。
可选地，将所述加工应力曲线数据和所述应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据，包括：
对所述加工应力曲线数据和所述应变曲线数据进行标准化处理，得到标准化处理后的加工应力曲线数据和应变曲线数据；
将所述标准化处理后的加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据。
本申请提供的加工状态监测方法可以实现对车床的加工状态进行监测，通过将曲线数据形式的加工应力曲线数据和应变曲线数据转换为适合神经网络模型的输入格式，即将加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据，矩阵形式数据可用于输入模型，有利于提高加工状态监测效率。
可选地，根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型，包括：
构建与所述历史车床加工应力和所述历史车床加工应变对应的初步加工状态预测模型；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，训练所述初步加工状态预测模型，得到训练后的初步加工状态预测模型；
基于所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，验证所述训练后的初步加工状态预测模型，得到所述加工状态预测模型。
本申请提供的加工状态监测方法可以实现对车床的加工状态进行监测，通过历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型，通过构建加工状态预测模型，预测车床的运行状态，有利于提高加工状态监测效率。
可选地，根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，训练所述初步加工状态预测模型，得到训练后的初步加工状态预测模型，包括：
将所述历史车床加工应力和所述历史车床加工应变输入到所述初步加工状态预测模型，得到对应的输出数据；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数和所述对应的输出数据，确定训练误差；
基于所述训练误差，调整所述初步加工状态预测模型的参数，得到最优参数，并利用所述最优参数，优化所述初步加工状态预测模型，得到所述训练后的初步加工状态预测模型。
可选地，将所述历史车床加工应力和所述历史车床加工应变输入到所述初步加工状态预测模型，得到对应的输出数据之前，包括：
初始化所述初步加工状态预测模型的参数。
可选地，对比所述加工应力曲线数据和所述预测的加工状态参数及对比所述应变曲线数据和所述预测的加工状态参数，以对所述车床的加工状态进行监测，包括：
将所述预测的加工状态参数转换为对应的加工状态曲线数据；
判断所述加工应力曲线数据与所述加工状态曲线数据的第一偏差和所述应变曲线数据与所述加工状态曲线数据的第二偏差是否都小于或等于预设的偏差阈值；若是，则确定所述车床处于正常运行状态；若否，则确定所述车床处于异常运行状态，发出异常告警信号。
第二方面，本申请提供了一种加工状态监测装置，应用于加工状态监测系统以对车床的加工状态进行监测；所述加工状态监测系统包括依次连接的多个单向应变片、动态应变测量仪和监测主机；所述多个单向应变片具体安装在所述车床的主轴箱端面的主轴轴承座周围的圆柱面；所述装置包括：
获取模块，用于基于所述多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，以及获取车床数据库的加工状态监测训练样本；所述加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数；
转换模块，用于将所述加工应力曲线数据和所述应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据；
构建模块，用于根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型；
计算模块，用于将所述应力矩阵形式数据和所述应变矩阵形式数据输入所述加工状态预测模型，计算得到所述车床的预测的加工状态参数；
监测模块，用于对比所述加工应力曲线数据和所述预测的加工状态参数及对比所述应变曲线数据和所述预测的加工状态参数，以对所述车床的加工状态进行监测。
该加工状态监测装置，通过加工状态监测系统和加工状态预测模型，对车床的加工状态进行监测，解决现有的加工状态监测方法通常将传感器安装在车床中需要经常拆卸和更换的部件导致监测数据缺乏延续性而难以反映车床的长期运动状态的问题，能够长时间持续监测车床的加工状态，提高了车床加工状态的监测效率。
第三方面，本申请提供了一种电子设备，包括处理器和存储器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时，运行如前文所述加工状态监测方法中的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如前文所述加工状态监测方法中的步骤。
有益效果：本申请提供的加工状态监测方法、装置、电子设备及存储介质，通过加工状态监测系统和加工状态预测模型，对车床的加工状态进行监测，解决现有的加工状态监测方法通常将传感器安装在车床中需要经常拆卸和更换的部件导致监测数据缺乏延续性而难以反映车床的长期运动状态的问题，能够长时间持续监测车床的加工状态，提高了车床加工状态的监测效率。
附图说明
图1为本申请实施例提供的加工状态监测方法的流程图。
图2为本申请实施例提供的加工状态监测装置的结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
图4为多个单向应变片的安装位置示意图。
图5为单向应变片的安装位置A的放大示意图。
图6为单向应变片的安装位置B的放大示意图。
图7为加工状态监测系统的接线原理示意图。
图8为加工状态预测模型的结构示意图。
标号说明：1、获取模块；2、转换模块；3、构建模块；4、计算模块；5、监测模块；11、单向应变片；12、动态应变测量仪；13、监测主机；301、处理器；302、存储器；303、通信总线。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种加工状态监测方法，应用于加工状态监测系统以对车床的加工状态进行监测；该系统包括依次连接的多个单向应变片11、动态应变测量仪12和监测主机13；多个单向应变片11具体安装在车床的主轴箱端面的主轴轴承座周围的圆柱面；该方法包括：
步骤S101，基于多个单向应变片11获取车床的加工应力曲线数据和应变曲线数据，以及获取车床数据库的加工状态监测训练样本；加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数；
步骤S102，将加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据；
步骤S103，根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型；
步骤S104，将应力矩阵形式数据和应变矩阵形式数据输入加工状态预测模型，计算得到车床的预测的加工状态参数；
步骤S105，对比加工应力曲线数据和预测的加工状态参数及对比应变曲线数据和预测的加工状态参数，以对车床的加工状态进行监测。
该加工状态监测方法，通过加工状态监测系统和加工状态预测模型，对车床的加工状态进行监测，解决现有的加工状态监测方法通常将传感器安装在车床中需要经常拆卸和更换的部件导致监测数据缺乏延续性而难以反映车床的长期运动状态的问题，能够长时间持续监测车床的加工状态，提高了车床加工状态的监测效率。
具体地，在步骤S101中，基于多个单向应变片11获取车床的加工应力曲线数据和应变曲线数据，包括：
获取车床在加工时各单向应变片11的应变片电阻数据；
将应变片电阻数据转换为关于应变和应力的数据曲线，得到车床的加工应力曲线数据和应变曲线数据。
在步骤S101中，在车床的刀具加工到加工工件表面时，切削力造成主轴受应力变形，间接造成应变片传感器（单向应变片11）粘贴部位（安装位置）受力，该受力被单向应变片11以电阻变化方式进行捕捉，由动态应变测量仪12内置的惠斯通电桥（又称单臂电桥）进行调理，使得该受力转变为应变片电阻数据，即得到车床在加工时各单向应变片的应变片电阻数据。如图4、图5和图6所示，图4为多个单向应变片的安装位置示意图，图5为单向应变片的安装位置A的放大示意图，图6为单向应变片的安装位置B的放大示意图，其中，a为车床的主轴箱，b为主轴箱端面的主轴轴承座周围的圆柱面，c为主轴，d为轴向应变片，e为径向应变片，f为轴向应变片，g为径向应变片，A为单向应变片（具体为轴向应变片d和径向应变片e）的安装位置，B为单向应变片（具体为轴向应变片f和径向应变片g）的安装位置，多个单向应变片11具体安装在车床的主轴箱端面的主轴轴承座周围的圆柱面，其中，轴向应变片用于检测该圆柱面的轴向应力，径向应变片用于检测该圆柱面的径向应力。
例如，多个单向应变片11的安装方法包括：打磨主轴箱端面的主轴轴承座周围的圆柱面的应变片粘贴位置，面积约为10mm×10mm，然后用无纺布以少量溶剂清洁，使用8个120-5AA标准单向应变片，其中，单向应变片基底尺寸为9mm×4mm，分辨率不低于0.1微应变，按照平行主轴的方向和垂直主轴的方向，将8个单向应变片以胶水粘贴方式平均地粘贴在对应方向的位置上，以测试该位置轴向应变应力数据和径向应变应力数据。待胶水固化后以防水硅橡胶在单向应变片11的表面进行涂覆，以防尘放水，增加测试稳定性。引出导线（单向应变片11与动态应变测量仪12的连接线，即应变片导线）长度为1000mm，并用防水胶带做好导线焊点的固定与防护。多个单向应变片11安装时涉及的数量和尺寸等数据可根据实际情况进行修改，但不限于此。
图7所示，图7为加工状态监测系统的接线原理示意图，从图中可知，多个单向应变片11、动态应变测量仪12和监测主机13依次连接。例如，加工状态监测系统的接线方式包括：将应变片导线连接到DB9线缆，然后接入动态应变测量仪12，通过两个NI-9237模块，再以RJ45电缆将信号输入linux系统电脑（监测主机13）由上位机软件处理。其中，动态应变测量仪12采样频率应高于1.5kHz。
通过监测主机13，对应变片电阻数据进行数据处理，将应变片电阻数据转换为关于应变和应力的数据曲线，得到车床的加工应力曲线数据和应变曲线数据，具体变换过程为现有技术，此处不对其进行详述。
其中，一个时刻的加工应力和应变对应的加工状态参数为该时刻的下一时刻的加工应力和应变。在步骤S101中，获取车床数据库的加工状态监测训练样本，加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，其中，历史车床加工应力和历史车床加工应变包括数据库（车床数据库）中车床加工应力和车床加工应变的历史记录，而对应的历史加工状态参数包括这些数据的历史记录所对应的历史加工状态参数。从数据库中的历史记录中提取某一时刻的车床加工应力和车床加工应变作为历史车床加工应力和历史车床加工应变，提取该某一时刻后的下一个时刻的加工应力和加工应变作为历史加工状态参数，从而提取数据库中的大量数据组成加工状态监测训练样本，将上述获取的数据设为测试集和验证集，用于对模型进行训练，从而使得训练后的模型能够实现预测功能。
具体地，在步骤S102中，将加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据，包括：
对加工应力曲线数据和应变曲线数据进行标准化处理，得到标准化处理后的加工应力曲线数据和应变曲线数据；
将标准化处理后的加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据。
在步骤S102中，对加工应力曲线数据和应变曲线数据进行标准化处理，包括去除异常值、处理缺失值、滤波操作和标准化操作等数据处理方式。标准化处理可以将数据统一量纲和范围，以便更好地用于模型的训练和输入。
对标准化处理后的加工应力曲线数据和应变曲线数据进行格式转换，将格式转换为对应的矩阵形式，得到对应的应力矩阵形式数据和应变矩阵形式数据，矩阵形式数据适用于模型的输入。根据实际需要将加工应力曲线数据和应变曲线数据划分为等间距的时间序列，并将每个时间序列中每个时间点上的应力和应变值以矩阵形式进行设置，得到对应的应力矩阵形式数据和应变矩阵形式数据，把矩阵形式数据（应力矩阵形式数据和应变矩阵形式数据）作为输入特征，用于模型的输入。例如，提取加工应力曲线数据和应变曲线数据中每一时刻对应的应力和应变，分别以一维矩阵形式进行排列，同一时刻的应力和应变分别在应力矩阵形式数据和应变矩阵形式数据中处于同一位置，在输入模型时，将同一时段的应力和应变输入模型。
具体地，在步骤S103中，根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型，包括：
构建与历史车床加工应力和历史车床加工应变对应的初步加工状态预测模型；
根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，训练初步加工状态预测模型，得到训练后的初步加工状态预测模型；
基于历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，验证训练后的初步加工状态预测模型，得到加工状态预测模型。
具体地，在步骤S103中，根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建初步加工状态预测模型。
加工状态预测模型为长短期记忆网络模型（LSTM），如图8所示，图8为加工状态预测模型的结构示意图，其中，Ct-1为表示过去记忆，Ct表示当前时刻神经元（细胞）的状态，ht-1表示上一时刻的输出，上一时刻的输出ht-1可作为当前时刻的模型系统的输入（只能用一次，因此称为短期记忆），ht表示当前输出，xt表示当前输入，即输入数据（历史车床加工应力和历史车床加工应变或应力矩阵形式数据和应变矩阵形式数据）。Ct-1到Ct的过程表示长期记忆（模型主线），ht-1到ht的过程可以看做是短期记忆，x代表事件信息，即输入数据，ft表示遗忘门，it表示输入门，ot表示输出门，小方框表示神经网络层，箭头表示运行顺序，表示点乘操作，/>表示相加操作，tanh为tanh函数，/>为sigmoid函数。
LSTM具有其中三个门，即遗忘门、输入门和输出门，通过“门”以保护和控制单元状态。 LSTM通过“门”来控制丢弃或者增加信息，从而实现遗忘或记忆的功能。“门”是一种使信息选择性通过的结构，由一个sigmoid函数和一个点乘操作组成sigmoid函数的输出值在[0,1]区间，0代表完全丢弃，1代表完全通过。
遗忘门就是决定要不要以往的信息，遗忘门控制之前记忆状态的输入幅度遗忘门的任务就是接受一个长期记忆 Ct1( 上一个单元模块传过来的输出)并决定要保留和遗忘Ct1的哪个部分。
输入门控制当前的输入数据的输入幅度，决定要让多少新的信息加入到长期记忆C中。
输出门控制最终记忆的输出幅度，这个输出主要是依赖于长期记忆C的当前状态Ct。
将当前的输入数据输入到加工状态预测模型，输入数据经过遗忘门、输入门和输出门的计算和识别，得到输出结果，该输出结果即为预测的加工状态参数，该预测的加工状态参数实质包括预测的车床加工应力和车床加工应变，表示为未来时刻的车床加工应力和车床加工应变。
具体地，在步骤S103中，根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，训练初步加工状态预测模型，得到训练后的初步加工状态预测模型，包括：
将历史车床加工应力和历史车床加工应变输入到初步加工状态预测模型，得到对应的输出数据；
根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数和对应的输出数据，确定训练误差；
基于训练误差，调整初步加工状态预测模型的参数，得到最优参数，并利用最优参数，优化初步加工状态预测模型，得到训练后的初步加工状态预测模型。
在步骤S103中，通过将数据库中历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，与历史车床加工应力和历史车床加工应变输入初步加工状态预测模型得到的结果（历史车床加工应力和历史车床加工应变输入初步加工状态预测模型得到对应的输出数据）进行比较，得到训练误差，如输出数据中部分数据与历史加工状态参数中对应数据的差值的大小程度，或输出数据比历史加工状态参数多一个相关变量等训练误差，利用训练误差，对初步加工状态预测模型的参数进行调整，如训练误差为输出数据中部分数据与历史加工状态参数中对应数据的差值的大小程度，则修改对应的模型参数，令输出数据愈发准确，得到最优参数，通过最优参数，优化初步加工状态预测模型，得到训练后的初步加工状态预测模型。
在步骤S103中，将数据库中未用于训练的历史车床加工应力和历史车床加工应变输入训练后的初步加工状态预测模型，得到初步加工状态预测模型输出的输出数据数据，作为状态数据验证数据，对比状态数据验证数据与该未用于训练的历史车床加工应力和历史车床加工应变所对应的历史加工状态参数，确定误差在可接受范围内（误差可接受范围一般为0到3%，可根据实际需要进行修改），验证训练后的初步加工状态预测模型的准确度，得到加工状态预测模型。
具体地，在步骤S103中，将历史车床加工应力和历史车床加工应变输入到初步加工状态预测模型，得到对应的输出数据之前，还包括：
初始化初步加工状态预测模型的参数。
在步骤S103中，在输入数据对模型进行训练之前，要初始化初步加工状态预测模型的参数，保证模型处于正常使用状态。
具体地，在步骤S104中，将应力矩阵形式数据和应变矩阵形式数据输入到加工状态预测模型，通过加工状态预测模型的计算，得到车床的预测的加工状态参数（未来时刻的加工应力和加工应变）。
具体地，在步骤S105中，对比加工应力曲线数据和预测的加工状态参数及对比应变曲线数据和预测的加工状态参数，以对车床的加工状态进行监测，包括：
将预测的加工状态参数转换为对应的加工状态曲线数据；
判断加工应力曲线数据与加工状态曲线数据的第一偏差和应变曲线数据与加工状态曲线数据的第二偏差是否都小于或等于预设的偏差阈值；若是，则确定车床处于正常运行状态；若否，则确定车床处于异常运行状态，发出异常告警信号。
在步骤S105中，加工状态曲线数据包括预测应力曲线数据和预测应变曲线数据，预设的偏差阈值包括应力偏差阈值和应变偏差阈值，对比加工应力曲线数据和预测应力曲线数据，对比应变曲线数据和预测应变曲线数据，当加工应力曲线数据和预测应力曲线数据的第一偏差小于或等于应力偏差阈值，并且应变曲线数据和预测应变曲线数据的第二偏差小于或等于应变偏差阈值时，确定车床处于正常运行状态，否则，则表示车床处于异常运行状态，发出异常告警信号。
在发出异常告警信号后，工作人员可以通过对比应力矩阵形式数据和加工状态参数，对比应变矩阵形式数据和加工状态参数，确定异常原因（例如，可预先通过数据统计确定在各种典型异常情况下应力矩阵形式数据和预测的加工状态参数的区别特征以及应变矩阵形式数据和加工状态参数的区别特征，并根据该区别特征确定异常原因，区别特征可以包括相似度、偏差范围、偏差曲线等），并执行相应的调整操作，如若确定为异常为刀具磨损问题，则更换磨损刀具。
由上可知，该加工状态监测方法，通过基于多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，以及获取车床数据库的加工状态监测训练样本，加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，将加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据，根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型，将应力矩阵形式数据和应变矩阵形式数据输入加工状态预测模型，计算得到车床的预测的加工状态参数，对比加工应力曲线数据和预测的加工状态参数及对比应变曲线数据和预测的加工状态参数，以对车床的加工状态进行监测；从而，通过加工状态监测系统和加工状态预测模型，对车床的加工状态进行监测，解决现有的加工状态监测方法通常将传感器安装在车床中需要经常拆卸和更换的部件导致监测数据缺乏延续性而难以反映车床的长期运动状态的问题，能够长时间持续监测车床的加工状态，提高了车床加工状态的监测效率。
参考图2，本申请提供了一种加工状态监测装置，应用于加工状态监测系统以对车床的加工状态进行监测；该系统包括依次连接的多个单向应变片、动态应变测量仪和监测主机；多个单向应变片具体安装在车床的主轴箱端面的主轴轴承座周围的圆柱面；该装置包括：
获取模块1，用于基于多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，以及获取车床数据库的加工状态监测训练样本；加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数；
转换模块2，用于将加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据；
构建模块3，用于根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型；
计算模块4，用于将应力矩阵形式数据和应变矩阵形式数据输入加工状态预测模型，计算得到车床的预测的加工状态参数；
监测模块5，用于对比加工应力曲线数据和预测的加工状态参数及对比应变曲线数据和预测的加工状态参数，以对车床的加工状态进行监测。
该加工状态监测装置，通过加工状态监测系统和加工状态预测模型，对车床的加工状态进行监测，解决现有的加工状态监测方法通常将传感器安装在车床中需要经常拆卸和更换的部件导致监测数据缺乏延续性而难以反映车床的长期运动状态的问题，能够长时间持续监测车床的加工状态，提高了车床加工状态的监测效率。
由上可知，该加工状态监测装置，通过基于多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，以及获取车床数据库的加工状态监测训练样本，加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，将加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据，根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型，将应力矩阵形式数据和应变矩阵形式数据输入加工状态预测模型，计算得到车床的预测的加工状态参数，对比加工应力曲线数据和预测的加工状态参数及对比应变曲线数据和预测的加工状态参数，以对车床的加工状态进行监测；从而，通过加工状态监测系统和加工状态预测模型，对车床的加工状态进行监测，解决现有的加工状态监测方法通常将传感器安装在车床中需要经常拆卸和更换的部件导致监测数据缺乏延续性而难以反映车床的长期运动状态的问题，能够长时间持续监测车床的加工状态，提高了车床加工状态的监测效率。
请参照图3，图3为本申请实施例提供的一种电子设备的结构示意图，本申请提供一种电子设备，包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构（未标出）互连并相互通讯，存储器302存储有处理器301可执行的计算机程序，当电子设备运行时，处理器301执行该计算机程序，以执行上述实施例的任一可选的实现方式中的加工状态监测方法，以实现以下功能：基于所述多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，以及获取车床数据库的加工状态监测训练样本，加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，将加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据，根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型，将应力矩阵形式数据和应变矩阵形式数据输入加工状态预测模型，计算得到车床的预测的加工状态参数，对比加工应力曲线数据和预测的加工状态参数及对比应变曲线数据和预测的加工状态参数，以对车床的加工状态进行监测。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的加工状态监测方法，以实现以下功能：基于所述多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，以及获取车床数据库的加工状态监测训练样本，加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，将加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据，根据历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型，将应力矩阵形式数据和应变矩阵形式数据输入加工状态预测模型，计算得到车床的预测的加工状态参数，对比加工应力曲线数据和预测的加工状态参数及对比应变曲线数据和预测的加工状态参数，以对车床的加工状态进行监测。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory,简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
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。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (7)
1.一种加工状态监测方法，应用于加工状态监测系统以对车床的加工状态进行监测，其特征在于，所述加工状态监测系统包括依次连接的单向应变片、动态应变测量仪和监测主机；所述单向应变片设置有多个单向应变片；所述多个单向应变片具体安装在所述车床的主轴箱端面的主轴轴承座周围的圆柱面；所述方法包括：
基于所述多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，以及获取车床数据库的加工状态监测训练样本；所述加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数；
将所述加工应力曲线数据和所述应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型；
将所述应力矩阵形式数据和所述应变矩阵形式数据输入所述加工状态预测模型，计算得到所述车床的预测的加工状态参数；
对比所述加工应力曲线数据和所述预测的加工状态参数及对比所述应变曲线数据和所述预测的加工状态参数，以对所述车床的加工状态进行监测；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型，包括：
构建与所述历史车床加工应力和所述历史车床加工应变对应的初步加工状态预测模型；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，训练所述初步加工状态预测模型，得到训练后的初步加工状态预测模型；
基于所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，验证所述训练后的初步加工状态预测模型，得到所述加工状态预测模型；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，训练所述初步加工状态预测模型，得到训练后的初步加工状态预测模型，包括：
将所述历史车床加工应力和所述历史车床加工应变输入到所述初步加工状态预测模型，得到对应的输出数据；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数和所述对应的输出数据，确定训练误差；
基于所述训练误差，调整所述初步加工状态预测模型的参数，得到最优参数，并利用所述最优参数，优化所述初步加工状态预测模型，得到所述训练后的初步加工状态预测模型；
将所述历史车床加工应力和所述历史车床加工应变输入到所述初步加工状态预测模型，得到对应的输出数据之前，包括：
初始化所述初步加工状态预测模型的参数。
2.根据权利要求1所述的加工状态监测方法，其特征在于，基于所述多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，包括：
获取所述车床在加工时各所述单向应变片的应变片电阻数据；
将所述应变片电阻数据转换为关于应变和应力的数据曲线，得到所述车床的加工应力曲线数据和应变曲线数据。
3.根据权利要求1所述的加工状态监测方法，其特征在于，将所述加工应力曲线数据和所述应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据，包括：
对所述加工应力曲线数据和所述应变曲线数据进行标准化处理，得到标准化处理后的加工应力曲线数据和应变曲线数据；
将所述标准化处理后的加工应力曲线数据和应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据。
4.根据权利要求1所述的加工状态监测方法，其特征在于，对比所述加工应力曲线数据和所述预测的加工状态参数及对比所述应变曲线数据和所述预测的加工状态参数，以对所述车床的加工状态进行监测，包括：
将所述预测的加工状态参数转换为对应的加工状态曲线数据；
判断所述加工应力曲线数据与所述加工状态曲线数据的第一偏差和所述应变曲线数据与所述加工状态曲线数据的第二偏差是否都小于或等于预设的偏差阈值；若是，则确定所述车床处于正常运行状态；若否，则确定所述车床处于异常运行状态，发出异常告警信号。
5.一种加工状态监测装置，应用于加工状态监测系统以对车床的加工状态进行监测，其特征在于，所述加工状态监测系统包括依次连接的单向应变片、动态应变测量仪和监测主机；所述单向应变片设置有多个单向应变片；所述多个单向应变片具体安装在所述车床的主轴箱端面的主轴轴承座周围的圆柱面；所述装置包括：
获取模块，用于基于所述多个单向应变片获取车床的加工应力曲线数据和应变曲线数据，以及获取车床数据库的加工状态监测训练样本；所述加工状态监测训练样本包括历史车床加工应力和历史车床加工应变及对应的历史加工状态参数；
转换模块，用于将所述加工应力曲线数据和所述应变曲线数据转换为对应的应力矩阵形式数据和应变矩阵形式数据；
构建模块，用于根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型；
计算模块，用于将所述应力矩阵形式数据和所述应变矩阵形式数据输入所述加工状态预测模型，计算得到所述车床的预测的加工状态参数；
监测模块，用于对比所述加工应力曲线数据和所述预测的加工状态参数及对比所述应变曲线数据和所述预测的加工状态参数，以对所述车床的加工状态进行监测；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，构建加工状态预测模型，包括：
构建与所述历史车床加工应力和所述历史车床加工应变对应的初步加工状态预测模型；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，训练所述初步加工状态预测模型，得到训练后的初步加工状态预测模型；
基于所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，验证所述训练后的初步加工状态预测模型，得到所述加工状态预测模型；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数，训练所述初步加工状态预测模型，得到训练后的初步加工状态预测模型，包括：
将所述历史车床加工应力和所述历史车床加工应变输入到所述初步加工状态预测模型，得到对应的输出数据；
根据所述历史车床加工应力和历史车床加工应变及对应的历史加工状态参数和所述对应的输出数据，确定训练误差；
基于所述训练误差，调整所述初步加工状态预测模型的参数，得到最优参数，并利用所述最优参数，优化所述初步加工状态预测模型，得到所述训练后的初步加工状态预测模型；
将所述历史车床加工应力和所述历史车床加工应变输入到所述初步加工状态预测模型，得到对应的输出数据之前，包括：
初始化所述初步加工状态预测模型的参数。
6.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时，运行如权利要求1-4任一项所述加工状态监测方法中的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-4任一项所述加工状态监测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311275575.XA CN117020244B (zh) | 2023-09-28 | 2023-09-28 | 加工状态监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311275575.XA CN117020244B (zh) | 2023-09-28 | 2023-09-28 | 加工状态监测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117020244A CN117020244A (zh) | 2023-11-10 |
| CN117020244B true CN117020244B (zh) | 2024-01-12 |
Family
ID=88632114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311275575.XA Active CN117020244B (zh) | 2023-09-28 | 2023-09-28 | 加工状态监测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117020244B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117300184A (zh) * | 2023-11-29 | 2023-12-29 | 山东正祥工矿设备股份有限公司 | 一种用于铜铸件生产用加工车床的控制系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113894617A (zh) * | 2021-09-22 | 2022-01-07 | 沈阳机床(集团)有限责任公司 | 一种基于机床振动信号的刀具状态监测系统及方法 |
| GB202117061D0 (en) * | 2021-09-27 | 2022-01-12 | Continental Automotive Gmbh | Method and system for lane tracking for an autonomous vehicle |
| CN116520769A (zh) * | 2023-07-05 | 2023-08-01 | 中科航迈数控软件(深圳)有限公司 | 数控机床的监测方法、装置、终端设备及计算机存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102014103240A1 (de) * | 2014-03-11 | 2015-10-01 | Pro-Micron Gmbh & Co. Kg | Verfahren zur Einrichtung und/oder Überwachung von Betriebsparametern einer Werkstückbearbeitungsmaschine |
-
2023
- 2023-09-28 CN CN202311275575.XA patent/CN117020244B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113894617A (zh) * | 2021-09-22 | 2022-01-07 | 沈阳机床(集团)有限责任公司 | 一种基于机床振动信号的刀具状态监测系统及方法 |
| GB202117061D0 (en) * | 2021-09-27 | 2022-01-12 | Continental Automotive Gmbh | Method and system for lane tracking for an autonomous vehicle |
| CN116520769A (zh) * | 2023-07-05 | 2023-08-01 | 中科航迈数控软件(深圳)有限公司 | 数控机床的监测方法、装置、终端设备及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117020244A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117020244B (zh) | 加工状态监测方法、装置、电子设备及存储介质 | |
| CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
| JP6450858B2 (ja) | 設備管理装置および方法 | |
| AU2002246994B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| US20040078171A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| CN110187694A (zh) | 故障预测装置以及机器学习装置 | |
| CN113569903A (zh) | 数控机床刀具磨损预测方法、系统、设备、介质、终端 | |
| WO2008004457A1 (fr) | Procédé de diagnostic d'installation, système de diagnostic d'installation, et programme d'ordinateur | |
| US11726469B2 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
| EP3862829B1 (en) | State estimation device, system, and manufacturing method | |
| CN114077919A (zh) | 用于预测加工异常的系统 | |
| CN114139274A (zh) | 一种健康管理系统 | |
| CN116651971A (zh) | 一种汽车冲压模具在线检测方法及系统 | |
| CN117608241B (zh) | 数控机床数字孪生模型的更新方法、系统、装置及介质 | |
| CN113941901B (zh) | 机床刀具监控方法、监控装置及电子设备 | |
| CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
| CN112528227A (zh) | 一种基于数理统计的传感器异常数据识别方法 | |
| CN108427375B (zh) | 一种基于带通滤波处理多传感监测刀具状态的方法 | |
| CN111338876A (zh) | 一种故障模式与影响分析的决策方法、系统及存储介质 | |
| Qin et al. | A study of fault detection and diagnosis for PLC controlled manufacturing system | |
| CN112231849B (zh) | 基于nest和sprt融合算法的轴温故障检测方法 | |
| CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 | |
| CN113052232A (zh) | 一种电机故障分析方法及系统 | |
| CN117359391B (zh) | 数控机床滚动轴承的故障智能诊断方法及系统 |
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 |