CN117171591A - 一种数控机床故障相关关系动态变化分析方法 - Google Patents

Abstract

本发明公开了一种数控机床故障相关关系动态变化分析方法，属于数控机床故障相关关系动态变化分析技术领域，为了实现数控机床故障相关关系动态变化分析，分析方法包括：步骤S1：获取数控机床信息，根据所述数控机床信息建立动态网络关系图；步骤S2：当数控机床发生故障时，采集数控机床的故障特征数据；步骤S3：将获得的故障特征数据输入到动态网络关系图中进行匹配，确定所述故障特征数据对应的各分析链；根据各所述分析链生成故障分析图；步骤S4：识别各分析链对应的并发数据，并发数据包括各链段对应的并发值和修正值；步骤S5：根据所述并发数据计算各分析链的分析值，将各分析链的分析值补充到故障分析图。

Description

一种数控机床故障相关关系动态变化分析方法

技术领域

本发明属于数控机床故障相关关系动态变化分析技术领域，具体是一种数控机床故障相关关系动态变化分析方法。

背景技术

数控机床在工业生产中具有重要地位，其正常运行对企业的生产效益具有关键性影响。然而，由于数控机床的复杂性和高精度性，其故障的发生往往不是孤立的，而是与机床的多个子系统、多种因素相关。在常见的数控机床故障中，结构性故障主要涉及主轴电动机运行噪声大、发热量大、切削时产生振动、速度不稳定等问题，动作性故障则主要表现为各执行部件出现的动作障碍，功能性故障则可能表现为系统功能的异常丧失。

对于这些故障的处理，传统的故障分析方法往往只针对单个故障点进行维修，而忽略了故障之间的关联性和动态变化。这可能会导致维修的效率和效果都不尽如人意。因此，为了实现数控机床故障相关关系动态变化分析，本发明提供了一种数控机床故障相关关系动态变化分析方法。

发明内容

为了解决上述方案存在的问题，本发明提供了一种数控机床故障相关关系动态变化分析方法。

本发明的目的可以通过以下技术方案实现：

一种数控机床故障相关关系动态变化分析方法，方法包括：

步骤S1：获取数控机床信息，根据所述数控机床信息建立动态网络关系图；

进一步地，动态网络图的建立方法包括：

建立初始图库，所述初始图库用于储存各种数控机床信息对应的初始网络图；

根据数控机床信息从初始图库中匹配对应的初始网络图；

实时获取该数控机床信息对应的历史故障数据，识别历史故障数据中对应的各故障原因、故障类型和故障现象；将获得的故障原因、故障类型和故障现象输入到初始网络图中进行匹配，识别对应的故障链；将历史故障数据对应的各故障链标记为修正链；

将各所述修正链在修正图上进行分布，识别修正图中各链接线对应的份额；根据获得的各链接线份额设置对应的修正值；识别链接线在初始网络图中对应的并发线或关联线，补充对应的修正值；将当前的初始网络图标记为动态网络图。

进一步地，初始图库的建立方法包括：

获取需要建立初始网络图的数控机床信息，标记为待建信息；获取各所述待建信息对应的故障数据；识别故障数据中各种故障类型，以及各故障类型对应的故障占比；

根据故障数据和故障占比，建立初始故障原因网络图、故障类型图和初始故障现象网络图；

标记初始故障原因网络图和故障类型图中各原因单元点和各故障单元点之间的原因关联线；标记初始故障现象网络图和故障类型图中现象单元点和各故障单元点之间的现象关联线；

由初始故障原因网络图、故障类型图和初始故障现象网络图组成初始网络图，并为所述初始网络图标记对应的数控机床信息；

将各所述初始网络图进行汇总后建立初始图库。

进一步地，对生成的初始网络图中各原因单元点、故障单元点和现象单元点的位置和链接方式进行调整。

进一步地，建立初始故障原因网络图的方法包括：

根据故障数据识别具有的各种故障原因，将故障原因作为原因单元点分布到对应的图层中；

根据故障数据识别各故障原因的并发链，并根据各所述故障原因的并发链将各所述原因单元点进行链接；

识别各并发链对应的故障类型以及该并发链中各故障原因之间的并发概率；

根据获得的各故障类型对应的故障占比和并发概率计算对应的并发值，将并发值标记在对应的并发链上，形成初始故障原因网络图。

进一步地，并发值的计算方法包括：

将并发链对应的各故障类型整合为故障集{Q}；将从故障集中选择的各故障类型标记为i，i∈{Q}，i=1、2、……、n，n为正整数；

根据并发公式BF=100×BG×∑GBi计算对应的原因并发值；其中BF为并发值，BG为并发概率，GBi为对应故障类型的故障占比。

进一步地，设置故障校验集对初始网络图进行校验，根据校验结果设置对应的调整值TX，则对应并发公式调整为BF=TX+100×BG×∑GBi。

步骤S2：当数控机床发生故障时，采集数控机床的故障特征数据；

步骤S3：将获得的故障特征数据输入到动态网络关系图中进行匹配，确定所述故障特征数据对应的各分析链；根据各所述分析链生成故障分析图；

进一步地，所述故障分析图包括分析链分布图和分析链排序表。

步骤S4：识别各分析链对应的并发数据，并发数据包括各链段对应的并发值和修正值；

步骤S5：根据所述并发数据计算各分析链的分析值，将各分析链的分析值补充到故障分析图。

进一步地，分析链的分析值的计算方法包括：

识别分析链中各链段对应的并发值和修正值，将链段标记为j，i=1、2、……、m，m为正整数；将对应链段的并发值和修正值分别标记为BFj和XZj；

根据分析公式FX=100×∏[（BFj+XZj）÷100]计算对应的分析值，j=1、2、……、m，m为正整数。

进一步地，还包括步骤S6：基于神经网络建立故障分析模型，通过所述故障分析模型对故障分析图进行分析，获得目标链。

与现有技术相比，本发明的有益效果是：

通过建立动态网络关系图进行数控机床故障相关关系动态变化分析，实现根据故障特征快速确定故障问题，并在分析过程中充分考虑各种故障可能性，综合故障之间的关联性和动态变化；且通过设置修正值、调整值等措施提高分析精确度；通过实时获取的该数控机床故障数据对动态网络关系图进行持续优化，逐步优化对该数控机床的故障分析，实现各数控机床的针对性故障分析。

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的介绍，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为本发明方法流程图；

图2为本发明并发链示例图。

具体实施方式

下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

如图1至图2所示，一种数控机床故障相关关系动态变化分析方法，方法包括：

步骤S1：获取数控机床信息，根据获得的数控机床信息建立动态网络关系图；

数控机床信息包括该数控机床的品牌、类型、型号、各配套系统版本等相关信息。

动态网络图为三层图，底层为故障原因网络图，中间层为故障类型图，顶层为故障现象网络图；根据故障现象、故障类型和故障原因之间的关联性将故障原因网络图、故障类型图和故障现象网络图进行相关联、相连接，形成动态网络图；动态网络图用于表示该数控机床信息对应的各故障种类相关关系动态变化。

动态网络图的建立方法包括：

建立初始图库，所述初始图库用于储存各种数控机床信息对应的初始网络图；由平台方进行建立；

根据数控机床信息从初始图库中匹配对应的初始网络图；

实时获取该数控机床对应的历史故障数据，识别历史故障数据中对应的各故障原因、故障类型和故障现象；将获得的故障原因、故障类型和故障现象输入到初始网络图中进行对应的匹配，识别对应的故障链，故障链即为从故障现象开始到故障类型再到故障原因，如现象1+现象3+现象4→类型1→原因1+原因2+原因6形成的故障链；根据故障原因、故障类型和故障现象可以直接进行识别；将历史故障数据对应的各故障链标记为修正链。

将各修正链在空白图上进行分布，标记为修正图，即按照对应的链接关系进行分布，修正图中一种原因单元点只有一个，即多个具有相同原因单元点的修正链将会共用一个原因单元点，故障单元点和现象单元点同理；识别修正图中各链接线对应的份额，份额是根据应用该链接线的次数与所有修正链的数量进行比较获得的，即份额=应用次数/修正链数量，包括重复修正链的数量。

根据获得的各链接线份额设置对应的修正值；修正值用于对初始网络图中对应的链路并发值进行修正，使其越来越适应该数控机床的故障分析，提高分析精度；份额越大，表示发生故障时该链路的出现概率越大，需要在初始网络图中相应链路的基础上进行相应调整；具体的在进行初始网络图建立的过程中，根据大量的故障数据进行验证，设置在不同连接线对应的份额下，如何设置相应的修正值使其分析正确率符合要求或提高分析正确率；将对应的故障数据带入验证调整即可；实现设置份额不同情况下的修正值；还可以通过人工的方式建立对应的训练集，训练集包括各种模拟设置的链接线份额以及对应设置的修正值；基于CNN网络或DNN网络建立对应的修正模型，通过建立的训练集进行训练，获得对应的修正值，因为神经网络为本领域的现有技术，因此，具体的建立和训练过程在本发明中不进行详细叙述。

识别链接线在初始网络图中对应的并发线或关联线；补充对应的修正值；将当前的初始网络图标记为动态网络图。

初始图库的建立方法包括：

获取需要进行建立初始网络图的数控机床信息，标记为待建信息；通过基于大数据或者从平台方具有的历史数据机床故障数据库采集待建信息对应的各种故障数据；即通过现有技术获取该待建信息出现过的各种故障数据；识别故障数据中具有的各种故障类型，以及各故障类型对应的故障占比；对于故障占比可以根据获得的故障数据中该故障类型的数据量占比进行设置；若本领域内具有相应各故障类型的占比，则应用其对应的故障占比；建立对应的初始故障原因网络图、故障类型图和初始故障现象网络图；

标记初始故障原因网络图和故障类型图中各原因单元点和各故障单元点之间的原因关联线；故障单元点即为各个故障类型，根据各故障类型可能具有故障原因进行连接；标记初始故障现象网络图和故障类型图中现象单元点和各故障单元点之间的现象关联线，即根据各故障类型可能具有故障现象进行连接；再根据故障数据中各故障原因、故障类型和故障现象之间的关联情况，将对应原因关联线和现象关联线进行连接，即故障原因和故障现象相对应。

由初始故障原因网络图、故障类型图和初始故障现象网络图组成初始网络图，为该初始网络图标记对应的数控机床信息。

建立初始故障原因网络图的方法包括：

根据故障数据识别具有的各种故障原因和故障现象，将故障原因和故障现象作为对应的单元点分布到对应的图层中，即将各个故障原因作为原因单元点，各原因单元点能够表明对应的故障原因，将原因单元点分布在故障原因网络图对应的空白图层中，现象单元同理进行分布设置。

根据故障数据识别各故障原因的并发链，即根据故障数据确定该故障对应的故障原因组合，再根据故障原因的先后顺序进行连接，形成并发链；根据获得的各故障原因的并发链将各原因单元点进行连接。

识别各并发链对应的故障类型以及该并发链中各故障原因之间的并发概率；根据并发链各部分对应的故障原因确定相应的故障类型，因为并发链可能会很长，导致会跨越多个故障类型，因此需要根据对应部分进行匹配，一个部分的并发链还可能对应多种故障类型，将对应的故障类型均标记在对应的并发链上；各故障原因之间的并发概率可以根据获得的故障数据中该故障原因共同出现的数据量占比进行设置；若本领域内具有相应并发概率，则应用其对应的并发概率。

示例性的，如图2所示，一个简单的并发链上具有故障原因：原因1-5，原因1和原因2共同出现对应的故障类型是类型1、2、5；原因1、2、3组成的部分链，其对应的为共同的故障类型，为类型1、2；整个并发链还可以分成多个不分链，如原因1、2，原因2、3，原因1、2、3、4等；依此类推。

识别各故障原因之间并发链对应的各故障类型和并发概率，将该并发链对应的各故障类型整合为故障集，用{Q}表示；将从故障集中选择的各故障类型标记为i，i∈{Q}；如故障集有类型1、2、3，则根据后续故障类型的匹配，i可以表示类型1、2、3或1或1、3或2、3等各种情况；以表示类型1、3为例，则i共有2个值，i=1表示类型1，i=2表示类型3；i=1、2、……、n，n为正整数；依此类推；根据并发公式BF=100×BG×∑GBi计算对应的原因并发值；其中BF为并发值，BG为并发概率，GBi为对应故障类型的故障占比。

将并发值标记在对应的并发链上，形成由各原因单元点、并发链等组成的初始故障原因网络图。

初始故障现象网络图的建立方法与初始故障原因网络图的建立方法相同；均是先设置相应的现象单元点，形象对应的并发链，确定各并发链的并发概率，基于并发公式确定现象并发值。详情参照初始故障原因网络图的建立方法。

在一个实施例中，因为直接进行智能生成的初始网络图容易出现链接杂乱的情况出现，虽然进行智能识别没有阻碍，但是若要进行人工识别则较为困难，因此对初始网络图中各原因单元点、故障单元点和现象单元点的位置和链接方式进行调整；具体的调整方式可以采用人工或者智能技术进行调整，若采用智能技术进行调整，则需要根据当前的人工智能技术进行建立相应的智能模型进行调整；若难以建立，因为调整难度较小，也可以采用人工的方式进行调整。

在一个实施例中，为了保障初始网络图的故障分析精度，需要设置相应的故障校验集进行校验，通过故障校验集对初始网络图进行校验，获取各校验数据对应的校验结果，分析正确率是否满足要求，并根据校验结果，对并发公式进行调整，使其变为BF=TX+100×BG×∑GBi，TX即为根据校验结果在该链路设置的调整值，调整该链路的并发值，即调整选中概率；通过人工的方式在校验的过程中进行设置，直到正确率达到预定要求，才停止对应调整值的变动。

步骤S2：当数控机床发生故障时，获取该数控机床的故障特征数据；

故障特征数据是根据初始网络图中初始故障现象网络图中具有各故障现象的数据采集进行采集的，即根据具有的各故障现象确定该故障现象的采集方式，进而汇总为故障特征数据采集模板，故障特征数据即为各故障现象对应的表现特征数据；通过人工的方式设置对应的采集方式，进而设置故障特征数据采集模板。

步骤S3：将获得的故障特征数据输入到动态网络关系图中进行匹配，确定包括全部故障特征数据的各故障链，标记为分析链；根据各分析链生成故障分析图；

根据故障特征数据识别具有哪些故障现象，进而在动态网络关系图中确定对应的现象单元点；以各现象单元点为基准，识别与各故障单元点和原因单元点之间具有的故障链；即现象关联线与原因关联线相连通。

现象单元点的组合为固定的，进而确定固定的各故障类型，故障类型图和初始故障现象网络图对应固定，根据现象关联线与原因关联线相连通，确定初始故障原因网络图中各原因单元点组成的并发链；

根据并发链的组合形成各分析链；如图2所示，确定其为一条并发链，以A表示故障类型图和初始故障现象网络图对应的固定部分，原因1为A的链接点，则分析链具有：A→原因1、A→原因1+原因2、A→原因1+原因2+原因3、……、A→原因1+原因2+原因3+原因5+原因4。

故障分析图是根据各分析链的分布进行生成的，包括两部分，一个为分析链分布，与修正图中修正链的分布方式相同；另一个为按照统属并发链的长短进行分栏排序，即先识别具有各并发链，再将该并发链对应的各分析链按照链的长短进行排序，从短到长排序；统属并发链的各分析链按照排序第一的最短的分析链对应的分析值高低进行排序；进而形成故障分析图，但是若还未确定对应的分析值，则各统属不同并发链的分析链按照整体的方式进行随机排序。

步骤S4：识别各分析链对应的并发数据，并发数据包括各链段对应的并发值和修正值；

步骤S5：根据所述并发数据计算各分析链的分析值，将各分析链的分析值补充到故障分析图。

分析链的分析值的计算方法包括：

识别分析链中各链段对应的并发值和修正值，将链段标记为j，i=1、2、……、m，m为正整数，m为分析链中链段的数量；将对应链段的并发值和修正值分别标记为BFj和XZj；

根据分析公式FX=100×∏[（BFj+XZj）÷100]计算对应的分析值，i=1、2、……、m，m为正整数。

在一个实施例中，为了进一步地提高分析精度，可以结合人工智能技术对故障分析图进行进一步的分析，确定目标链，目标链即经分析确定的具体故障情况。

即还包括步骤S6：基于神经网络建立故障分析模型，通过所述故障分析模型对故障分析图进行分析，获得目标链。

故障分析模型是基于CNN网络或DNN网络等进行建立的，通过人工的方式建立对应的训练集，训练集包括模拟设置的各种故障分析图以及对应设置的目标链；通过训练成功后的故障分析模型进行分析。

示例性的，创建样本数据集，样本数据集包括素材样本和人工标注样本集，素材样本为模拟设置的各种故障分析图形成的原始图片集，人工标注样本集为对原始图片进行格式转换、人工标注目标链处理后的图片集，样本数据集中素材样本和人工标注样本集比例为2：1；对人工标注样本集中的图片进行二值化处理，并以单通道形式进行保存，将照片样本集和人工标注样本集按照比例进行切分，形成第二照片样本集和第二人工标注样本集；在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型，设置Linknet网络模型的参数，将第二照片样本集和第二人工标注样本集输入Linknet网络模型，并基于Pytorch深度学习框架对Linknet网络模型进行训练，训练过程中保存多个模型，利用验证集数据选择误差最小的模型作为故障分析模型。

通过建立动态网络关系图进行数控机床故障相关关系动态变化分析，实现根据故障特征快速确定故障问题，并在分析过程中充分考虑各种故障可能性，综合故障之间的关联性和动态变化；且通过设置修正值、调整值等措施提高分析精确度；通过实时获取的该数控机床故障数据对动态网络关系图进行持续优化，逐步优化对该数控机床的故障分析，实现各数控机床的针对性故障分析。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (9)

1.一种数控机床故障相关关系动态变化分析方法，其特征在于，方法包括：

步骤S1：获取数控机床信息，根据所述数控机床信息建立动态网络关系图；

建立初始图库，所述初始图库用于储存各种数控机床信息对应的初始网络图；

根据数控机床信息从初始图库中匹配对应的初始网络图；

实时获取该数控机床信息对应的历史故障数据，识别历史故障数据中对应的各故障原因、故障类型和故障现象；将获得的故障原因、故障类型和故障现象输入到初始网络图中进行匹配，识别对应的故障链；将历史故障数据对应的各故障链标记为修正链；

将各所述修正链在修正图上进行分布，识别修正图中各链接线对应的份额；根据获得的各链接线份额设置对应的修正值；识别链接线在初始网络图中对应的并发线或关联线，补充对应的修正值；将当前的初始网络图标记为动态网络图；

步骤S2：当数控机床发生故障时，采集数控机床的故障特征数据；

步骤S3：将获得的故障特征数据输入到动态网络关系图中进行匹配，确定所述故障特征数据对应的各分析链；根据各所述分析链生成故障分析图；

步骤S4：识别各分析链对应的并发数据，并发数据包括各链段对应的并发值和修正值；

步骤S5：根据所述并发数据计算各分析链的分析值，将各分析链的分析值补充到故障分析图。

2.根据权利要求1所述的一种数控机床故障相关关系动态变化分析方法，其特征在于，初始图库的建立方法包括：

获取需要建立初始网络图的数控机床信息，标记为待建信息；获取各所述待建信息对应的故障数据；识别故障数据中各种故障类型，以及各故障类型对应的故障占比；

根据故障数据和故障占比，建立初始故障原因网络图、故障类型图和初始故障现象网络图；

标记初始故障原因网络图和故障类型图中各原因单元点和各故障单元点之间的原因关联线；标记初始故障现象网络图和故障类型图中现象单元点和各故障单元点之间的现象关联线；

由初始故障原因网络图、故障类型图和初始故障现象网络图组成初始网络图，并为所述初始网络图标记对应的数控机床信息；

将各所述初始网络图进行汇总后建立初始图库。

3.根据权利要求2所述的一种数控机床故障相关关系动态变化分析方法，其特征在于，对生成的初始网络图中各原因单元点、故障单元点和现象单元点的位置和链接方式进行调整。

4.根据权利要求2所述的一种数控机床故障相关关系动态变化分析方法，其特征在于，建立初始故障原因网络图的方法包括：

根据故障数据识别具有的各种故障原因，将故障原因作为原因单元点分布到对应的图层中；

根据故障数据识别各故障原因的并发链，并根据各所述故障原因的并发链将各所述原因单元点进行链接；

识别各并发链对应的故障类型以及该并发链中各故障原因之间的并发概率；

根据获得的各故障类型对应的故障占比和并发概率计算对应的并发值，将并发值标记在对应的并发链上，形成初始故障原因网络图。

5.根据权利要求4所述的一种数控机床故障相关关系动态变化分析方法，其特征在于，并发值的计算方法包括：

将并发链对应的各故障类型整合为故障集{Q}；将从故障集中选择的各故障类型标记为i，i∈{Q}，i=1、2、……、n，n为正整数；

根据并发公式BF=100×BG×∑GBi计算对应的原因并发值；其中BF为并发值，BG为并发概率，GBi为对应故障类型的故障占比。

6.根据权利要求5所述的一种数控机床故障相关关系动态变化分析方法，其特征在于，设置故障校验集对初始网络图进行校验，根据校验结果设置对应的调整值TX，则对应并发公式调整为BF=TX+100×BG×∑GBi。

7.根据权利要求1所述的一种数控机床故障相关关系动态变化分析方法，其特征在于，步骤S3中所述故障分析图包括分析链分布图和分析链排序表。

8.根据权利要求5或6所述的一种数控机床故障相关关系动态变化分析方法，其特征在于，分析链的分析值的计算方法包括：

识别分析链中各链段对应的并发值和修正值，将链段标记为j，i=1、2、……、m，m为正整数；将对应链段的并发值和修正值分别标记为BFj和XZj；

根据分析公式FX=100×∏[（BFj+XZj）÷100]计算对应的分析值，j=1、2、……、m，m为正整数。

9.根据权利要求1所述的一种数控机床故障相关关系动态变化分析方法，其特征在于，还包括步骤S6：基于神经网络建立故障分析模型，通过所述故障分析模型对故障分析图进行分析，获得目标链。