CN117193164A - 一种数控机床的故障监测方法及系统 - Google Patents
一种数控机床的故障监测方法及系统 Download PDFInfo
- Publication number
- CN117193164A CN117193164A CN202311476004.2A CN202311476004A CN117193164A CN 117193164 A CN117193164 A CN 117193164A CN 202311476004 A CN202311476004 A CN 202311476004A CN 117193164 A CN117193164 A CN 117193164A
- Authority
- CN
- China
- Prior art keywords
- temperature sequence
- sequence
- historical
- current
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000001816 cooling Methods 0.000 claims abstract description 74
- 238000012216 screening Methods 0.000 claims abstract description 11
- 230000000875 corresponding effect Effects 0.000 claims description 109
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000005856 abnormality Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明涉及异常报警检测技术领域，具体涉及一种数控机床的故障监测方法及系统，该方法包括：获取数控机床对应的当前温度序列和每个历史温度序列，并从当前温度序列和每个历史温度序列中筛选出非降温数据；确定当前温度序列和每个历史温度序列之间的运行相关指标；确定每个历史温度序列对应的整体运行相似指标；确定每个历史温度序列对应的重要影响权重；从所有历史温度序列中筛选出重要影响权重最大的历史温度序列；确定当前故障程度；若当前故障程度大于预设故障阈值，则控制输出报警信息，并中止数控机床的运行工作。本发明通过控制输出报警信息，实现了异常报警检测，提高了对数控机床进行故障监测的准确度。
Description
技术领域
本发明涉及异常报警检测技术领域，具体涉及一种数控机床的故障监测方法及系统。
背景技术
随着科技的发展，数控机床的应用越来越广泛，因此对数控机床进行故障监测至关重要。由于温度过高往往会导致数控机床产生故障，所以对数控机床进行故障监测，通常判断采集的温度数据中是否存在过高的温度，若存在，则判定数控机床发生了故障。
然而，当通过判断采集的温度数据中是否存在过高的温度，对数控机床进行故障监测时，经常会存在如下技术问题：
由于数控机床是否存在故障往往受到多个因素的影响，不仅仅是过高的温度，例如，在某些时刻可能由于数控机床的某些部件接触不良等原因，导致某些时刻的运行状态发生异常，致使某些时刻的温度变化发生异常，此时的温度虽然可能并没有过高，但数控机床也产生了故障，因此仅仅通过判断采集的温度数据中是否存在过高的温度，对数控机床进行故障监测时，往往导致对数控机床进行故障监测的准确度较差。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对数控机床进行故障监测的准确度较差的技术问题，本发明提出了一种数控机床的故障监测方法及系统。
第一方面，本发明提供了一种数控机床的故障监测方法，该方法包括：
获取数控机床对应的当前温度序列和每个历史温度序列，并从当前温度序列和每个历史温度序列中筛选出非降温数据；
根据当前温度序列和每个历史温度序列中所有的非降温数据，确定当前温度序列和每个历史温度序列之间的运行相关指标；
根据每个历史温度序列和所有其他历史温度序列中所有的非降温数据，确定每个历史温度序列对应的整体运行相似指标；
根据每个历史温度序列对应的整体运行相似指标、当前温度序列和每个历史温度序列之间的运行相关指标、以及当前温度序列和每个历史温度序列之间的时间间隔，确定每个历史温度序列对应的重要影响权重；
从所有历史温度序列中筛选出重要影响权重最大的历史温度序列，作为参考温度序列；
根据参考温度序列和当前温度序列中最大的温度、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，确定当前故障程度；
若当前故障程度大于预设故障阈值，则控制输出报警信息。
可选地，所述从当前温度序列和每个历史温度序列中筛选出非降温数据，包括：
将当前温度序列中的每个当前温度和所述历史温度序列中的每个历史温度，确定为温度数据，并将任意一个温度数据作为标记数据；
当所述标记数据大于或等于前一个温度数据时，将所述标记数据确定为非降温数据。
可选地，所述根据当前温度序列和每个历史温度序列中所有的非降温数据，确定当前温度序列和每个历史温度序列之间的运行相关指标，包括：
将当前温度序列中所有的非降温数据，组合为第一序列；
将所述历史温度序列中所有的非降温数据，组合为第二序列；
确定所述第一序列和所述第二序列之间的相似度；
将所述第一序列和所述第二序列之间的相似度，确定为当前温度序列和所述历史温度序列之间的运行相关指标。
可选地，所述根据每个历史温度序列和所有其他历史温度序列中所有的非降温数据，确定每个历史温度序列对应的整体运行相似指标，包括：
根据每个历史温度序列和每个其他历史温度序列中所有的非降温数据，确定每个历史温度序列和每个其他历史温度序列之间的运行相关指标；
将每个历史温度序列和所有其他历史温度序列之间的运行相关指标的均值，确定为每个历史温度序列对应的整体运行相似指标。
可选地，历史温度序列对应的整体运行相似指标与其对应的重要影响权重呈正相关；当前温度序列和所述历史温度序列之间的运行相关指标与所述历史温度序列对应的重要影响权重呈正相关；当前温度序列和所述历史温度序列之间的时间间隔与所述历史温度序列对应的重要影响权重呈负相关。
可选地，历史温度序列对应的重要影响权重对应的公式为：
；其中，/>是第i个历史温度序列对应的重要影响权重；/>是归一化函数；/>是第i个历史温度序列对应的整体运行相似指标；/>是当前温度序列和第i个历史温度序列之间的运行相关指标；/>是当前温度序列和第i个历史温度序列之间的时间间隔；i是历史温度序列的序号。
可选地，所述根据参考温度序列和当前温度序列中最大的温度、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，确定当前故障程度，包括：
根据参考温度序列和当前温度序列中最大的温度，确定当前高温偏差；
根据当前高温偏差、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，确定当前故障程度。
可选地，所述根据参考温度序列和当前温度序列中最大的温度，确定当前高温偏差，包括：
对当前温度序列中最大的温度和参考温度序列中最大的温度的差值进行归一化，得到当前高温偏差。
可选地，当前故障程度对应的公式为：
；其中，H是当前故障程度；是归一化函数；/>是当前温度序列中最大的温度；/>是参考温度序列中最大的温度；/>是取绝对值函数；/>是当前温度序列中所有非降温数据的方差；/>是参考温度序列中所有非降温数据的方差；w是参考温度序列对应的重要影响权重；G是当前温度序列和参考温度序列之间的运行相关指标；/>是当前高温偏差。
第二方面，本发明提供了一种数控机床的故障监测系统，包括处理器和存储器，上述处理器用于处理存储在上述存储器中的指令以实现上述的一种数控机床的故障监测方法。
本发明具有如下有益效果：
本发明的一种数控机床的故障监测方法，通过控制输出报警信息，实现了异常报警检测，解决了对数控机床进行故障监测的准确度较差的技术问题，提高了对数控机床进行故障监测的准确度。首先，由于温度的变化往往与数控机床的运行状态有关，因此获取数控机床对应的当前温度序列和每个历史温度序列，可以便于后续对数控机床进行故障检测。其次，由于在数控机床运行过程中温度往往不会呈现降温的状态，因此从当前温度序列和每个历史温度序列中筛选出的非降温数据，往往是数控机床运行过程中的温度，往往可以用于判断数控机床在运行过程中是否发生了故障。然后，基于当前温度序列和历史温度序列中所有的非降温数据，可以量化当前温度序列和历史温度序列之间的运行相关指标，其值越大，往往说明当前温度序列和历史温度序列对应的时间段之间的运行状态越相近。继续，基于历史温度序列和所有其他历史温度序列中所有的非降温数据，可以量化历史温度序列对应的整体运行相似指标，其值越大，往往说明历史温度序列对应的时间段与其他历史温度序列对应的时间段内的运行状态越相似，由于异常往往是少数，故此时历史温度序列对应的时间段内数控机床的运行往往越可能未发生故障。再者，由于当前温度序列和历史温度序列之间的时间间隔越短，往往说明当前温度序列和历史温度序列对应的时间段内数控机床部件的新旧程度越相近，因此，综合考虑每个历史温度序列对应的整体运行相似指标、当前温度序列和每个历史温度序列之间的运行相关指标、以及当前温度序列和每个历史温度序列之间的时间间隔，可以提高每个历史温度序列对应的重要影响权重确定的准确度。之后，从所有历史温度序列中筛选出的重要影响权重最大的历史温度序列往往相对是数控机床未发生故障时采集的序列，并且与当前温度序列越相关，往往说明在一定程度上可以作为当前温度序列的参照。而后，综合考虑参考温度序列和当前温度序列中最大的温度、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，可以提高当前故障程度确定的准确度，并且其值越大，往往说明当前温度序列对应的时间段内越可能存在运行故障。最后，若当前故障程度大于预设故障阈值，则控制输出报警信息，实现了异常报警检测，并且相较于只考虑采集的温度数据中是否存在过高的温度，本发明不仅考虑了温度大小，比如参考温度序列和当前温度序列中最大的温度，还以多个历史温度序列作为对照，量化了多个与数控机床运行状态相关的指标，比如，运行相关指标、整体运行相似指标、重要影响权重和当前故障程度，在一定程度上提高了数控机床故障监测的准确度。
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和优点，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它附图。
图1为本发明的一种数控机床的故障监测方法的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外，一个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。
本发明提供了一种数控机床的故障监测方法，该方法包括以下步骤：
获取数控机床对应的当前温度序列和每个历史温度序列，并从当前温度序列和每个历史温度序列中筛选出非降温数据；
根据当前温度序列和每个历史温度序列中所有的非降温数据，确定当前温度序列和每个历史温度序列之间的运行相关指标；
根据每个历史温度序列和所有其他历史温度序列中所有的非降温数据，确定每个历史温度序列对应的整体运行相似指标；
根据每个历史温度序列对应的整体运行相似指标、当前温度序列和每个历史温度序列之间的运行相关指标、以及当前温度序列和每个历史温度序列之间的时间间隔，确定每个历史温度序列对应的重要影响权重；
从所有历史温度序列中筛选出重要影响权重最大的历史温度序列，作为参考温度序列；
根据参考温度序列和当前温度序列中最大的温度、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，确定当前故障程度；
若当前故障程度大于预设故障阈值，则控制输出报警信息。
下面对上述各个步骤进行详细展开：
参考图1，示出了本发明的一种数控机床的故障监测方法的一些实施例的流程。该数控机床的故障监测方法，包括以下步骤：
步骤S1，获取数控机床对应的当前温度序列和每个历史温度序列，并从当前温度序列和每个历史温度序列中筛选出非降温数据。
在一些实施例中，可以获取数控机床对应的当前温度序列和每个历史温度序列，并从当前温度序列和每个历史温度序列中筛选出非降温数据。
其中，当前温度序列对应的时间段可以为当前时间段。当前温度序列中的当前温度可以是在当前时间段内采集的数控机床的温度。当前时间段的结束时刻可以是当前时刻。每个历史温度序列对应的时间段可以为历史时间段。历史时间段可以是在当前时间段之前的时间段。历史温度序列中的历史温度可以是在对应的历史时间段内采集的数控机床的温度。每个历史时间段和当前时间段对应的时长可以相等。例如，每个历史时间段和当前时间段对应的时长可以为1天。当前温度序列和每个历史温度序列可以是时序数据。数控机床在当前时间段和每个历史时间段内的加工内容可以相同。
需要说明的是，由于温度的变化往往与数控机床的运行状态有关，因此获取数控机床对应的当前温度序列和每个历史温度序列，可以便于后续对数控机床进行故障检测。其次，由于在数控机床运行过程中温度往往不会呈现降温的状态，因此从当前温度序列和每个历史温度序列中筛选出的非降温数据，往往是数控机床运行过程中的温度，往往可以用于判断数控机床在运行过程中是否发生了故障。其次，后续进行数据存储时，可以只存储获取的非降温数据，而不需记录所有的温度数据，在一定程度上可以减少内存的占用。
作为示例，本步骤可以包括以下步骤：
第一步，获取数控机床对应的当前温度序列和每个历史温度序列可以包括以下子步骤：
第一子步骤，通过温度传感器，采集数控机床在当前时间段内每个时刻下的温度，作为当前温度，并将所有当前温度组合为当前温度序列。
第二子步骤，通过温度传感器，采集数控机床在历史时间段内每个时刻下的温度，作为历史温度，并将历史时间段内所有历史温度组合为历史温度序列。
第二步，从当前温度序列和每个历史温度序列中筛选出非降温数据可以包括以下子步骤：
第一子步骤，将当前温度序列中的每个当前温度和上述历史温度序列中的每个历史温度，确定为温度数据，并将任意一个温度数据作为标记数据。
第二子步骤，当上述标记数据大于或等于前一个温度数据时，将上述标记数据确定为非降温数据。
步骤S2，根据当前温度序列和每个历史温度序列中所有的非降温数据，确定当前温度序列和每个历史温度序列之间的运行相关指标。
在一些实施例中，可以根据当前温度序列和每个历史温度序列中所有的非降温数据，确定当前温度序列和每个历史温度序列之间的运行相关指标。
需要说明的是，基于当前温度序列和历史温度序列中所有的非降温数据，可以量化当前温度序列和历史温度序列之间的运行相关指标，其值越大，往往说明当前温度序列和历史温度序列对应的时间段之间的运行状态越相近。
作为示例，本步骤可以包括以下步骤：
第一步，将当前温度序列中所有的非降温数据，组合为第一序列。
其中，第一序列可以是时序数据。
第二步，将上述历史温度序列中所有的非降温数据，组合为第二序列。
其中，第二序列可以是时序数据。
第三步，确定上述第一序列和上述第二序列之间的相似度。
例如，可以根据上述第一序列和上述第二序列，通过DTW（Dynamic Time Warping，动态时间归整）算法，得到相似性，并对得到的相似性进行归一化，将归一化后的相似性，确定为上述第一序列和上述第二序列之间的相似度。
第四步，将上述第一序列和上述第二序列之间的相似度，确定为当前温度序列和上述历史温度序列之间的运行相关指标。
步骤S3，根据每个历史温度序列和所有其他历史温度序列中所有的非降温数据，确定每个历史温度序列对应的整体运行相似指标。
在一些实施例中，可以根据每个历史温度序列和所有其他历史温度序列中所有的非降温数据，确定每个历史温度序列对应的整体运行相似指标。
其中，记任意一个历史温度序列为标记温度序列，对于标记温度序列来说，其他历史温度序列就是除了标记温度序列之外的历史温度序列。
需要说明的是，基于历史温度序列和所有其他历史温度序列中所有的非降温数据，可以量化历史温度序列对应的整体运行相似指标，其值越大，往往说明历史温度序列对应的时间段与其他历史温度序列对应的时间段内的运行状态越相似，由于异常往往是少数，故此时历史温度序列对应的时间段内数控机床的运行往往越可能未发生故障。
作为示例，本步骤可以包括以下步骤：
第一步，根据每个历史温度序列和每个其他历史温度序列中所有的非降温数据，确定每个历史温度序列和每个其他历史温度序列之间的运行相关指标。
例如，可以参考当前温度序列和历史温度序列之间的运行相关指标的确定方法，确定历史温度序列和其他历史温度序列之间的运行相关指标，具体为：将历史温度序列作为当前温度序列，并将其他历史温度序列作为历史温度序列，执行步骤S2，得到的运行相关指标即为历史温度序列和其他历史温度序列之间的运行相关指标。
第二步，将每个历史温度序列和所有其他历史温度序列之间的运行相关指标的均值，确定为每个历史温度序列对应的整体运行相似指标。
步骤S4，根据每个历史温度序列对应的整体运行相似指标、当前温度序列和每个历史温度序列之间的运行相关指标、以及当前温度序列和每个历史温度序列之间的时间间隔，确定每个历史温度序列对应的重要影响权重。
在一些实施例中，可以根据每个历史温度序列对应的整体运行相似指标、当前温度序列和每个历史温度序列之间的运行相关指标、以及当前温度序列和每个历史温度序列之间的时间间隔，确定每个历史温度序列对应的重要影响权重。
其中，历史温度序列对应的整体运行相似指标可以与其对应的重要影响权重呈正相关。当前温度序列和上述历史温度序列之间的运行相关指标可以与上述历史温度序列对应的重要影响权重呈正相关。当前温度序列和上述历史温度序列之间的时间间隔可以与上述历史温度序列对应的重要影响权重呈负相关。当前温度序列和历史温度序列之间的时间间隔可以是当前温度序列对应的开始时刻与历史温度序列对应的开始时刻之间的时长。
需要说明的是，由于当前温度序列和历史温度序列之间的时间间隔越短，往往说明当前温度序列和历史温度序列对应的时间段内数控机床部件的新旧程度越相近，因此，综合考虑每个历史温度序列对应的整体运行相似指标、当前温度序列和每个历史温度序列之间的运行相关指标、以及当前温度序列和每个历史温度序列之间的时间间隔，可以提高每个历史温度序列对应的重要影响权重确定的准确度。
作为示例，确定历史温度序列对应的重要影响权重对应的公式可以为：
；其中，/>是第i个历史温度序列对应的重要影响权重。/>是归一化函数。/>是第i个历史温度序列对应的整体运行相似指标。/>是当前温度序列和第i个历史温度序列之间的运行相关指标。/>是当前温度序列和第i个历史温度序列之间的时间间隔。i是历史温度序列的序号。
需要说明的是，当越大时，往往说明第i个历史温度序列与越可能多的其他历史温度序列相近，往往说明第i个历史温度序列与越可能多的其他历史温度序列对应的时间段内的运行状态相似，由于异常往往是少数，故此时第i个历史温度序列对应的时间段内数控机床的运行往往越可能未发生故障。当/>越大时，往往说明第i个历史温度序列与当前温度序列越相近，往往说明当前温度序列和第i个历史温度序列对应的时间段之间的运行状态越相近，往往说明当前温度序列和第i个历史温度序列对应的时间段内数控机床的运行状态越相近，往往说明第i个历史温度序列越可以作为当前温度序列的参照。当/>越小时，往往说明第i个历史温度序列与当前温度序列之间的时间间隔越短，往往说明第i个历史温度序列与当前温度序列对应的时间段内数控机床部件的新旧程度越相近，往往说明第i个历史温度序列对当前温度序列越有价值，往往说明第i个历史温度序列越可以作为当前温度序列的参照。因此，当/>越大时，往往说明第i个历史温度序列对应的时间段内数控机床的运行往往越可能未发生故障，并且对应的时间段内数控机床的运行状态和部件新旧程度越相近；往往说明第i个历史温度序列越可以作为当前温度序列的参照。
步骤S5，从所有历史温度序列中筛选出重要影响权重最大的历史温度序列，作为参考温度序列。
在一些实施例中，可以从所有历史温度序列中筛选出重要影响权重最大的历史温度序列，作为参考温度序列。
需要说明的是，从所有历史温度序列中筛选出的重要影响权重最大的历史温度序列往往相对是数控机床未发生故障时采集的序列，并且与当前温度序列越相关，往往说明在一定程度上可以作为当前温度序列的参照。
作为示例，可以将重要影响权重最大的历史温度序列，确定为参考温度序列。
步骤S6，根据参考温度序列和当前温度序列中最大的温度、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，确定当前故障程度。
在一些实施例中，可以根据参考温度序列和当前温度序列中最大的温度、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，确定当前故障程度。
需要说明的是，综合考虑参考温度序列和当前温度序列中最大的温度、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，可以提高当前故障程度确定的准确度，并且其值越大，往往说明当前温度序列对应的时间段内越可能存在运行故障。
作为示例，本步骤可以包括以下步骤：
第一步，根据参考温度序列和当前温度序列中最大的温度，确定当前高温偏差。
例如，可以对当前温度序列中最大的温度和参考温度序列中最大的温度的差值进行归一化，得到当前高温偏差。
第二步，根据当前高温偏差、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，确定当前故障程度对应的公式可以为：
；其中，H是当前故障程度。是归一化函数。/>是当前温度序列中最大的温度。/>是参考温度序列中最大的温度。/>是取绝对值函数。/>是当前温度序列中所有非降温数据的方差。/>是参考温度序列中所有非降温数据的方差。w是参考温度序列对应的重要影响权重。G是当前温度序列和参考温度序列之间的运行相关指标。/>是当前高温偏差。
需要说明的是，当w越大时，往往说明参考温度序列对应的时间段内数控机床的运行越可能未发生故障，并且其与当前温度序列对应的时间段内数控机床的运行状态和部件新旧程度越相近；往往说明参考温度序列越可以作为当前温度序列的参照。当G越大时，往往说明当前温度序列和参考温度序列对应的时间段内数控机床的运行状态越相近，往往说明参考温度序列越可以作为当前温度序列的参照。因此当越大时，往往说明参考温度序列越可以作为当前温度序列的参照，往往说明参考温度序列与当前温度序列对应的时间段内数控机床的运行情况越相近。当/>较大，并且/>越大时，往往说明参考温度序列和当前温度序列在对应的运行状态相近的情况下，参考温度序列和当前温度序列越可能还存在一定的差异，由于参考温度序列往往表示数控机床未发生故障时采集的温度，所以此时当前温度序列对应的时间段内越可能由于数控机床的某些部件接触不良等原因，导致某些时刻的运行状态发生了异常，致使某些时刻的温度变化发生了异常。当/>较大，并且/>越大时，往往说明当前温度序列对应的时间段内的温度越可能高于相近运行状态时的温度，往往说明当前温度序列对应的时间段内数控机床运行越可能发生了故障。因此，当H越大时，往往说明当前温度序列对应的时间段内数控机床运行越可能发生了故障。
步骤S7，若当前故障程度大于预设故障阈值，则控制输出报警信息。
在一些实施例中，若当前故障程度大于预设故障阈值，则可以控制输出报警信息，实现了异常报警检测。
其中，预设故障阈值可以是预先设置的阈值。例如，预设故障阈值可以是0.8。
作为示例，若当前故障程度大于预设故障阈值，则可以输出报警信息，用于提醒维修人员对数控机床进行维修检查，并中止数控机床的运行工作。其中，报警信息可以为“数控机床可能存在故障，建议进行维修检查”。
基于与上述方法实施例相同的发明构思，本发明提供了一种数控机床的故障监测系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，上述计算机程序被处理器执行时实现一种数控机床的故障监测方法的步骤。
综上，相较于只考虑采集的温度数据中是否存在过高的温度，本发明不仅考虑了温度大小，比如参考温度序列和当前温度序列中最大的温度，还以多个历史温度序列作为对照，量化了多个与数控机床运行状态相关的指标，比如，运行相关指标、整体运行相似指标、重要影响权重和当前故障程度，在一定程度上提高了数控机床故障监测的准确度。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种数控机床的故障监测方法，其特征在于，包括以下步骤：
获取数控机床对应的当前温度序列和每个历史温度序列，并从当前温度序列和每个历史温度序列中筛选出非降温数据；
根据当前温度序列和每个历史温度序列中所有的非降温数据，确定当前温度序列和每个历史温度序列之间的运行相关指标；
根据每个历史温度序列和所有其他历史温度序列中所有的非降温数据，确定每个历史温度序列对应的整体运行相似指标；
根据每个历史温度序列对应的整体运行相似指标、当前温度序列和每个历史温度序列之间的运行相关指标、以及当前温度序列和每个历史温度序列之间的时间间隔，确定每个历史温度序列对应的重要影响权重；
从所有历史温度序列中筛选出重要影响权重最大的历史温度序列，作为参考温度序列；
根据参考温度序列和当前温度序列中最大的温度、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，确定当前故障程度；
若当前故障程度大于预设故障阈值，则控制输出报警信息。
2.根据权利要求1所述的一种数控机床的故障监测方法，其特征在于，所述从当前温度序列和每个历史温度序列中筛选出非降温数据，包括：
将当前温度序列中的每个当前温度和所述历史温度序列中的每个历史温度，确定为温度数据，并将任意一个温度数据作为标记数据；
当所述标记数据大于或等于前一个温度数据时，将所述标记数据确定为非降温数据。
3.根据权利要求1所述的一种数控机床的故障监测方法，其特征在于，所述根据当前温度序列和每个历史温度序列中所有的非降温数据，确定当前温度序列和每个历史温度序列之间的运行相关指标，包括：
将当前温度序列中所有的非降温数据，组合为第一序列；
将所述历史温度序列中所有的非降温数据，组合为第二序列；
确定所述第一序列和所述第二序列之间的相似度；
将所述第一序列和所述第二序列之间的相似度，确定为当前温度序列和所述历史温度序列之间的运行相关指标。
4.根据权利要求1所述的一种数控机床的故障监测方法，其特征在于，所述根据每个历史温度序列和所有其他历史温度序列中所有的非降温数据，确定每个历史温度序列对应的整体运行相似指标，包括：
根据每个历史温度序列和每个其他历史温度序列中所有的非降温数据，确定每个历史温度序列和每个其他历史温度序列之间的运行相关指标；
将每个历史温度序列和所有其他历史温度序列之间的运行相关指标的均值，确定为每个历史温度序列对应的整体运行相似指标。
5.根据权利要求1所述的一种数控机床的故障监测方法，其特征在于，历史温度序列对应的整体运行相似指标与其对应的重要影响权重呈正相关；当前温度序列和所述历史温度序列之间的运行相关指标与所述历史温度序列对应的重要影响权重呈正相关；当前温度序列和所述历史温度序列之间的时间间隔与所述历史温度序列对应的重要影响权重呈负相关。
6.根据权利要求5所述的一种数控机床的故障监测方法，其特征在于，历史温度序列对应的重要影响权重对应的公式为：
；其中，/>是第i个历史温度序列对应的重要影响权重；是归一化函数；/>是第i个历史温度序列对应的整体运行相似指标；/>是当前温度序列和第i个历史温度序列之间的运行相关指标；/>是当前温度序列和第i个历史温度序列之间的时间间隔；i是历史温度序列的序号。
7.根据权利要求1所述的一种数控机床的故障监测方法，其特征在于，所述根据参考温度序列和当前温度序列中最大的温度、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，确定当前故障程度，包括：
根据参考温度序列和当前温度序列中最大的温度，确定当前高温偏差；
根据当前高温偏差、参考温度序列中所有非降温数据的方差、当前温度序列中所有非降温数据的方差、参考温度序列对应的重要影响权重、以及当前温度序列和参考温度序列之间的运行相关指标，确定当前故障程度。
8.根据权利要求7所述的一种数控机床的故障监测方法，其特征在于，所述根据参考温度序列和当前温度序列中最大的温度，确定当前高温偏差，包括：
对当前温度序列中最大的温度和参考温度序列中最大的温度的差值进行归一化，得到当前高温偏差。
9.根据权利要求8所述的一种数控机床的故障监测方法，其特征在于，当前故障程度对应的公式为：
；其中，H是当前故障程度；/>是归一化函数；/>是当前温度序列中最大的温度；/>是参考温度序列中最大的温度；/>是取绝对值函数；/>是当前温度序列中所有非降温数据的方差；/>是参考温度序列中所有非降温数据的方差；w是参考温度序列对应的重要影响权重；G是当前温度序列和参考温度序列之间的运行相关指标；/>是当前高温偏差。
10.一种数控机床的故障监测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现权利要求1-9中任一项所述的一种数控机床的故障监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311476004.2A CN117193164B (zh) | 2023-11-08 | 2023-11-08 | 一种数控机床的故障监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311476004.2A CN117193164B (zh) | 2023-11-08 | 2023-11-08 | 一种数控机床的故障监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117193164A true CN117193164A (zh) | 2023-12-08 |
| CN117193164B CN117193164B (zh) | 2024-01-30 |
Family
ID=88992837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311476004.2A Active CN117193164B (zh) | 2023-11-08 | 2023-11-08 | 一种数控机床的故障监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117193164B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454096A (zh) * | 2023-12-25 | 2024-01-26 | 西安高商智能科技有限责任公司 | 一种电机生产质量检测方法及系统 |
| CN117804639A (zh) * | 2024-02-29 | 2024-04-02 | 潍坊盛品印刷设备有限公司 | 一种胶装机温控传感器的温度校准方法及系统 |
| CN117874687A (zh) * | 2024-03-12 | 2024-04-12 | 深圳市格瑞邦科技有限公司 | 一种工业平板电脑的数据交互方法 |
| CN117804639B (zh) * | 2024-02-29 | 2024-05-17 | 潍坊盛品印刷设备有限公司 | 一种胶装机温控传感器的温度校准方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5793635A (en) * | 1992-12-28 | 1998-08-11 | Mitsubishi Denki Kabushiki Kaisha | Numerically controlled machine tool and method |
| CN110286656A (zh) * | 2019-05-07 | 2019-09-27 | 清华大学 | 一种错误数据容忍的虚警过滤方法和装置 |
| EP3629118A1 (en) * | 2018-09-30 | 2020-04-01 | 4dot Mechatronic Systems s.r.o. | Diagnostic system of machine tools |
| CN112348120A (zh) * | 2020-12-01 | 2021-02-09 | 江苏南高智能装备创新中心有限公司 | 数控机床退化轨迹模式识别方法及装置 |
| CN114925752A (zh) * | 2022-04-24 | 2022-08-19 | 南通透灵信息科技有限公司 | 基于物联网的线切割机床板材切割异常监测方法 |
| CN115639781A (zh) * | 2022-12-23 | 2023-01-24 | 江苏航锲科技有限公司 | 基于大数据的数控机床控制方法及系统 |
| CN115741218A (zh) * | 2023-01-05 | 2023-03-07 | 单县亚太纸品有限公司 | 基于加工画像分析的机床故障预警方法及系统 |
| CN115840897A (zh) * | 2023-02-09 | 2023-03-24 | 广东吉器电子有限公司 | 一种温度传感器数据异常处理方法 |
| CN116185097A (zh) * | 2023-02-09 | 2023-05-30 | 湖州新晶觅仪器设备有限公司 | 一种用于恒温槽的温度智能调控方法 |
-
2023
- 2023-11-08 CN CN202311476004.2A patent/CN117193164B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5793635A (en) * | 1992-12-28 | 1998-08-11 | Mitsubishi Denki Kabushiki Kaisha | Numerically controlled machine tool and method |
| EP3629118A1 (en) * | 2018-09-30 | 2020-04-01 | 4dot Mechatronic Systems s.r.o. | Diagnostic system of machine tools |
| CN110286656A (zh) * | 2019-05-07 | 2019-09-27 | 清华大学 | 一种错误数据容忍的虚警过滤方法和装置 |
| CN112348120A (zh) * | 2020-12-01 | 2021-02-09 | 江苏南高智能装备创新中心有限公司 | 数控机床退化轨迹模式识别方法及装置 |
| CN114925752A (zh) * | 2022-04-24 | 2022-08-19 | 南通透灵信息科技有限公司 | 基于物联网的线切割机床板材切割异常监测方法 |
| CN115639781A (zh) * | 2022-12-23 | 2023-01-24 | 江苏航锲科技有限公司 | 基于大数据的数控机床控制方法及系统 |
| CN115741218A (zh) * | 2023-01-05 | 2023-03-07 | 单县亚太纸品有限公司 | 基于加工画像分析的机床故障预警方法及系统 |
| CN115840897A (zh) * | 2023-02-09 | 2023-03-24 | 广东吉器电子有限公司 | 一种温度传感器数据异常处理方法 |
| CN116185097A (zh) * | 2023-02-09 | 2023-05-30 | 湖州新晶觅仪器设备有限公司 | 一种用于恒温槽的温度智能调控方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454096A (zh) * | 2023-12-25 | 2024-01-26 | 西安高商智能科技有限责任公司 | 一种电机生产质量检测方法及系统 |
| CN117454096B (zh) * | 2023-12-25 | 2024-03-01 | 西安高商智能科技有限责任公司 | 一种电机生产质量检测方法及系统 |
| CN117804639A (zh) * | 2024-02-29 | 2024-04-02 | 潍坊盛品印刷设备有限公司 | 一种胶装机温控传感器的温度校准方法及系统 |
| CN117804639B (zh) * | 2024-02-29 | 2024-05-17 | 潍坊盛品印刷设备有限公司 | 一种胶装机温控传感器的温度校准方法及系统 |
| CN117874687A (zh) * | 2024-03-12 | 2024-04-12 | 深圳市格瑞邦科技有限公司 | 一种工业平板电脑的数据交互方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117193164B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117193164B (zh) | 一种数控机床的故障监测方法及系统 | |
| CN112152224B (zh) | 一种电压暂降治理优化方法及系统 | |
| US11029674B2 (en) | Information processing device and information processing method | |
| JP7012888B2 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
| CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| US6904388B2 (en) | Method for preventing or minimizing operational failures in a technical installation | |
| CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
| US20220269257A1 (en) | Vacuum system with diagnostic circuitry and a method and computer program for monitoring the health of such a vacuum system | |
| KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
| CN116956187A (zh) | 用于电源模块的故障预测方法、装置、存储介质及处理器 | |
| CN113955149B (zh) | 一种电机系统的健康诊断方法和装置 | |
| CN114227701B (zh) | 一种基于生产数据的机器人故障预测方法 | |
| US20230280735A1 (en) | Monitoring device and monitoring method | |
| US20230141816A1 (en) | Method and Apparatus for Operating a Machine with a Tool | |
| JP7236886B2 (ja) | 異常検知装置、異常検知方法、及び異常検知システム | |
| CN112737120A (zh) | 区域电网控制报告的生成方法、装置和计算机设备 | |
| CN111627189B (zh) | 一种设备异常处理方法、系统及存储介质 | |
| JP7325219B2 (ja) | プラント監視診断装置およびプラント監視診断方法 | |
| CN117522370A (zh) | 设备检测方法、计算机设备及机器可读存储介质 | |
| CN117313019B (zh) | 一种基于深度强化学习的数据异常检测方法 | |
| CN117391481B (zh) | 一种基于大数据的电力数据监视方法及系统 | |
| CN113469453B (zh) | 基于信息物理系统的电梯评估方法以及电梯评估装置 | |
| JP2002091562A (ja) | 監視制御システム | |
| CN117171517A (zh) | 一种数据中心运营故障风险动态预警方法 | |
| CN115342036A (zh) | 一种风力发电组机变桨电机异常预警方法及系统 |
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 |