CN117359391B - 数控机床滚动轴承的故障智能诊断方法及系统 - Google Patents
数控机床滚动轴承的故障智能诊断方法及系统 Download PDFInfo
- Publication number
- CN117359391B CN117359391B CN202311674544.1A CN202311674544A CN117359391B CN 117359391 B CN117359391 B CN 117359391B CN 202311674544 A CN202311674544 A CN 202311674544A CN 117359391 B CN117359391 B CN 117359391B
- Authority
- CN
- China
- Prior art keywords
- bearing
- machine tool
- fault diagnosis
- working condition
- fault
- 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 279
- 238000005096 rolling process Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 165
- 238000004364 calculation method Methods 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000005236 sound signal Effects 0.000 claims description 10
- 238000005299 abrasion Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005520 cutting process Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000003754 machining Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003801 milling 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
- 230000004044 response Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
-
- 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
- B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
-
- 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
- G01M13/04—Bearings
-
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了数控机床滚动轴承的故障智能诊断方法及系统,涉及数控机床技术领域,所述方法包括:获得目标数控机床的轴承数据库;根据轴承数据库执行G个滚动轴承的故障诊断算力解析;获得多维预设轴承监测因子;根据多维预设轴承监测因子分别对G个滚动轴承执行监测传感器的布设;根据G个轴承故障诊断算力对G个滚动轴承进行实时监测,获得带有实时机床工况标识的G个轴承实时监测信号集;根据机床工况轴承故障联动诊断算法,结合实时机床工况标识和G个轴承实时监测信号集对G个滚动轴承进行故障诊断,获得机床轴承故障诊断报告。进而达成自动化决策、诊断效率高,对生产影响小的技术效果。
Description
技术领域
本发明涉及数控机床技术领域,特别涉及数控机床滚动轴承的故障智能诊断方法及系统。
背景技术
数控机床是一种用于自动化加工的机床,包括铣床、车床、钻床等。它们通常包含多个轴承以支撑和运动机床的各个部分。轴承的状态对机床的运行至关重要,决定了机床的可靠性,现有的数据机床轴承诊断方法存在依赖人工决策、诊断效率低,诊断影响生产的技术问题。
发明内容
本申请的目的在于提供数控机床滚动轴承的故障智能诊断方法及系统。用以解决现有技术中依赖人工决策、诊断效率低,诊断影响生产的技术问题。
鉴于以上技术问题,本申请提供了数控机床滚动轴承的故障智能诊断方法及系统。
第一方面,本申请提供了数控机床滚动轴承的故障智能诊断方法,其中,所述方法包括:
获得目标数控机床的轴承数据库,其中,所述轴承数据库包括所述目标数控机床的G个滚动轴承对应的G个轴承信息集,且,G为大于1的正整数;根据所述轴承数据库执行所述G个滚动轴承的故障诊断算力解析,得到G个轴承故障诊断算力;获得多维预设轴承监测因子,其中,所述多维预设轴承监测因子包括振动信号、温度信号、转速信号和声音信号;根据所述多维预设轴承监测因子分别对所述G个滚动轴承执行监测传感器的布设,获得G个轴承传感监测子模块;基于所述G个轴承传感监测子模块,根据所述G个轴承故障诊断算力对所述G个滚动轴承进行实时监测,获得带有实时机床工况标识的G个轴承实时监测信号集;根据机床工况轴承故障联动诊断算法,结合所述实时机床工况标识和所述G个轴承实时监测信号集对所述G个滚动轴承进行故障诊断,获得机床轴承故障诊断报告。
第二方面,本申请还提供了数控机床滚动轴承的故障智能诊断系统,其中,所述系统包括:
数据库模块,所述数据库模块用于获得目标数控机床的轴承数据库,其中,所述轴承数据库包括所述目标数控机床的G个滚动轴承对应的G个轴承信息集,且,G为大于1的正整数;算力解析模块,所述算力解析模块用于根据所述轴承数据库执行所述G个滚动轴承的故障诊断算力解析,得到G个轴承故障诊断算力;监测设定模块,所述监测设定模块用于获得多维预设轴承监测因子,其中,所述多维预设轴承监测因子包括振动信号、温度信号、转速信号和声音信号;监测布置模块,所述监测布置模块用于根据所述多维预设轴承监测因子分别对所述G个滚动轴承执行监测传感器的布设,获得G个轴承传感监测子模块;监测采集模块,所述监测采集模块用于基于所述G个轴承传感监测子模块,根据所述G个轴承故障诊断算力对所述G个滚动轴承进行实时监测,获得带有实时机床工况标识的G个轴承实时监测信号集;故障诊断模块,所述故障诊断模块用于根据机床工况轴承故障联动诊断算法,结合所述实时机床工况标识和所述G个轴承实时监测信号集对所述G个滚动轴承进行故障诊断,获得机床轴承故障诊断报告。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过获得目标数控机床的轴承数据库,其中,轴承数据库包括目标数控机床的G个滚动轴承对应的G个轴承信息集,且,G为大于1的正整数;根据轴承数据库执行G个滚动轴承的故障诊断算力解析,得到G个轴承故障诊断算力;获得多维预设轴承监测因子,其中,多维预设轴承监测因子包括振动信号、温度信号、转速信号和声音信号;根据多维预设轴承监测因子分别对G个滚动轴承执行监测传感器的布设,获得G个轴承传感监测子模块;基于G个轴承传感监测子模块,根据G个轴承故障诊断算力对G个滚动轴承进行实时监测,获得带有实时机床工况标识的G个轴承实时监测信号集;根据机床工况轴承故障联动诊断算法,结合实时机床工况标识和G个轴承实时监测信号集对G个滚动轴承进行故障诊断,获得机床轴承故障诊断报告。进而达成自动化决策、诊断效率高,对生产影响小的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚阐明本申请的技术手段,进而可依照说明书的内容予以实施,并且为了让本申请的上述及其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
本发明的实施例及后述简单说明结合图示予以说明,附图说明如下:
图1为本申请数控机床滚动轴承的故障智能诊断方法的流程示意图。
图2为本申请数控机床滚动轴承的故障智能诊断方法中得到G个轴承故障诊断算力的流程示意图。
图3为本申请数控机床滚动轴承的故障智能诊断系统的结构示意图。
附图标记说明:数据库模块11、算力解析模块12、监测设定模块13、监测布置模块14、监测采集模块15、故障诊断模块16。
具体实施方式
本申请通过提供数控机床滚动轴承的故障智能诊断方法及系统,解决了现有技术面临的依赖人工决策、诊断效率低,诊断影响生产的技术问题。
本技术实施例中的方案,为解决上述问题,所采用的整体思路如下:
首先,获得目标数控机床的轴承数据库,其中包括了G个滚动轴承对应的轴承信息集,G是一个大于1的正整数。然后,利用这个轴承数据库,执行G个滚动轴承的故障诊断算法解析,得到每个滚动轴承的故障诊断算力。接下来,获取多维预设轴承监测因子,这些因子包括振动信号、温度信号、转速信号和声音信号。根据这些多维预设轴承监测因子,为每一个滚动轴承分别执行监测传感器的布设,以获得G个轴承传感监测子模块。利用这些轴承传感监测子模块,基于轴承的故障诊断算力,对G个滚动轴承进行实时监测,得到带有实时机床工况标识的G个轴承实时监测信号集。最后,基于机床工况、轴承的实时监测信号以及轴承的故障诊断算法,对G个滚动轴承进行故障诊断,从而生成机床轴承故障诊断报告。进而达成自动化决策、诊断效率高,对生产影响小的技术效果。
为更好理解上述技术方案,下面将结合说明书附图和具体的实施方式来对上述技术方案进行详细的说明,需要说明的是,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本发明的实施例,本领域普通技术人员在没有作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。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示,本申请提供了数控机床滚动轴承的故障智能诊断方法,所述方法包括:
S100:获得目标数控机床的轴承数据库,其中,所述轴承数据库包括所述目标数控机床的G个滚动轴承对应的G个轴承信息集,且,G为大于1的正整数;
可选的,轴承数据库中的G个轴承信息集包括与G个滚动轴承相关的详细信息,如轴承型号、规格、制造商、寿命、负荷能力、润滑要求、安装位置、回转精度、刚性、抗颤振动切削性能等。采取数据库进行上述G个轴承信息集的管理,便于进行查询和更新。
可选的,上述信息通过交互相关数据源获取,包括现有数据库系统、文件系统、访问制造商网页、实验测试、传感器采集等。其中,对获取的信息进行数据清洗、数据融合和整合,确保数据的准确性和一致性。
可选的,基于预设的更新周期,于更新节点对目标数控机床的轴承数据库进行更新,确保数据库的时效性。
S200:根据所述轴承数据库执行所述G个滚动轴承的故障诊断算力解析,得到G个轴承故障诊断算力;
可选的,轴承故障诊断算力用于反映对轴承进行诊断监测的倾斜程度,其中,轴承故障诊断算力高的轴承对数控机床的生产影响程度较大,具有较高的重要性。
进一步的,如图2所示,根据所述轴承数据库执行所述G个滚动轴承的故障诊断算力解析,得到G个轴承故障诊断算力,步骤S200包括:
根据所述轴承数据库,提取所述G个滚动轴承对应的G个轴承作业属性;
根据所述G个轴承作业属性进行轴承作业重要性分析,获得G个轴承作业价值系数;
根据所述轴承数据库,提取所述G个滚动轴承对应的G个轴承状态信息,并根据所述G个轴承状态信息对所述G个滚动轴承执行磨损度识别,生成G个轴承磨损系数;
对所述G个滚动轴承进行故障触发度计算,获得G个轴承故障触发系数;
基于预设算力解析权重约束分别对所述G个轴承作业价值系数、所述G个轴承磨损系数和所述G个轴承故障触发系数进行加权计算,生成所述G个轴承故障诊断算力。
可选的,轴承作业属性包括安装位置、用途、轴承型号、额定负载、转速、精度控制约束、受力状态等。根据轴承作业属性进行轴承重要G个轴承在目标数控机床中的重要,该重要性量化为G个轴承作业价值系数。
可选的,进行轴承作业重要性分析,首先,确定每个轴承的作业属性;而后,收集轴承作业属性数据,包括每个轴承的具体参数和性能数据。接着,基于制定的评估指标和数据,对每个轴承的重要性进行评估。其中,重要性评估可以是主观的,也可以是基于统计分析的客观评估。示例性的,主轴轴承的状态和性能直接影响到机床的转速、回转精度、刚性、抗颤振动切削性能、噪声、温升及热变形等,进而影响到加工零件的精度、表面质量等。具有较高的轴承作业重要性。
示例性的,基于统计分析,由专业人员构建作业属性-重要性等级表,而后,根据G个轴承作业属性,基于该表进行G个轴承的重要性等级累加,累加获取的G个重要性等级累加值即为G个轴承的重要性。
可选的,轴承磨损系数用于衡量轴承的老化磨损速度,对于磨损状况严重,磨损速度快的轴承,其轴承磨损系数较高,对应需要更多的诊断算力倾斜。基于状态信息数据,使用磨损度识别算法来评估每个滚动轴承的磨损程度。包括检测异常振动、温度升高、噪音变化等。
进一步的,对所述G个滚动轴承进行故障触发度计算,获得G个轴承故障触发系数,步骤还包括:
获得第一预设历史时区;
基于所述第一预设历史时区,分别对所述G个滚动轴承进行故障频率采集,获得G个轴承故障频率;
基于所述G个轴承故障频率进行占比计算,生成所述G个轴承故障触发系数。
可选的,第一预设历史时区为获取历史故障记录的时间区间,可以是过去一年、半年或其他合适的时间段。优选的,选取距离当前时间较近的时间区间作为历史时区。
可选的,在所述历史时区内,对G个滚动轴承进行故障事件的采集。故障事件包括轴承故障的报告、记录、日志或其他相关数据。基于历史时区内的故障事件数据,计算每个轴承的故障频率。故障频率表示为每个时间段内的故障次数,比如每月或每季度的故障次数。
可选的,进行G个轴承故障频率的占比计算。通过将G个轴承的故障频率分别与历史时区内总的故障次数相比,获取G个轴承的故障占比。进而将计算获取的故障占比作为轴承的故障触发系数。
通过为G个轴承生成故障触发系数,反映了轴承在历史时区内的故障频率相对于总故障次数的占比。进而评估不同轴承的故障触发概率,以支持维护和决策过程。
S300:获得多维预设轴承监测因子,其中,所述多维预设轴承监测因子包括振动信号、温度信号、转速信号和声音信号;
多维预设轴承监测因子用于监测和评估轴承的健康状况。振动信号用于监测轴承的振动特性,包括振幅、频率和波形。异常的振动信号可能表示轴承的不平衡、松动、损坏或其他问题。温度信号用于监测轴承的工作温度。轴承温度的升高可能表明润滑不足、摩擦或其他问题。转速信号反映了轴承的旋转速度。异常的转速信号可能暗示着轴承的异常工作或失速。声音信号用于监测轴承工作时产生的声音。异常的声音信号可能表示轴承存在异常,如撞击、磨损或其他问题。
通过多维预设轴承监测因子,得以全面地监测轴承的运行状态,为后续进行诊断分析提供了依据。
S400:根据所述多维预设轴承监测因子分别对所述G个滚动轴承执行监测传感器的布设,获得G个轴承传感监测子模块;
可选的,监测传感器基于多维预设轴承监测因子进行布设,包括振动传感器、温度传感器、转速传感器或编码器、声音传感器。其中,G个轴承传感监测子模块中包括上述多种传感器中一种或多种,基于G个轴承的作业属性确定,不同作业属性的轴承可能需要不同的检测因子进行采集监测。
可选的,执行监测传感器的布设,包括对每个轴承确定传感器的监测位置。安装传感器在接近轴承的位置,以捕获相关监测因子的数据。此外,安装传感器还包括连接它们到监测系统或设备,并进行传感器的校准。在每个轴承的监测位置安装传感器并连接到数据采集系统后,获得G个轴承传感监测子模块,每个子模块负责监测相应轴承的多维预设轴承监测因子。
S500:基于所述G个轴承传感监测子模块,根据所述G个轴承故障诊断算力对所述G个滚动轴承进行实时监测,获得带有实时机床工况标识的G个轴承实时监测信号集;
可选的,轴承故障诊断算力越大,则对应的轴承传感监测子模块的监测采样频率越高,监测采样精度越高。目标数控机床具有多组不同的工况,不同工况下的轴承运行状态也不尽相同。示例性的,不同的工况可能导致轴承温度的变化。在高负荷工况下,轴承温度较高。在粗加工工况下,机床需要承受较大的切削力和切削热,轴承可能受到较大的冲击和摩擦。在精加工工况下,机床的切削速度和进给速度一般较慢,轴承的摩擦和磨损相对较小。
S600:根据机床工况轴承故障联动诊断算法,结合所述实时机床工况标识和所述G个轴承实时监测信号集对所述G个滚动轴承进行故障诊断,获得机床轴承故障诊断报告。
进一步的,根据机床工况轴承故障联动诊断算法,结合所述实时机床工况标识和所述G个轴承实时监测信号集对所述G个滚动轴承进行故障诊断,步骤S600包括:
获得所述目标数控机床的M个机床作业工况,M为大于1的正整数;
基于所述M个机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,搭建机床轴承故障集成诊断模块,其中,所述机床轴承故障集成诊断模块包括所述M个机床作业工况分别对应的M个工况-轴承故障诊断子模块,每个工况-轴承故障诊断子模块包括每个机床作业工况对应的G个滚动轴承的G个轴承故障诊断器;
基于所述实时机床工况标识,生成匹配子模块激活指令;
基于所述机床轴承故障集成诊断模块,根据所述匹配子模块激活指令,激活所述实时机床工况标识对应的匹配工况-轴承故障诊断子模块;
将所述G个轴承实时监测信号集输入所述匹配工况-轴承故障诊断子模块,根据所述匹配工况-轴承故障诊断子模块内的G个轴承故障诊断器分别对所述G个轴承实时监测信号集进行故障诊断,获得G个轴承故障诊断报告;
根据所述G个轴承故障诊断报告,生成所述机床轴承故障诊断报告。
可选的,目标数控机床的M个机床作业工况基于机床的操作状态、工作负荷、切削条件等因素进行分类获取。且M个机床作业工况具有对应的工况标识。示例性的,可分为粗加工工况、精加工工况、攻丝工况等。
可选的,通过匹配子模块激活指令来激活实时机床工况标识对应的匹配工况-轴承故障诊断子模块。其中,匹配子模块激活指令通过查找工况标识与已知的工况对应关系实现。接收到激活指令的工况-轴承故障诊断子模块将会被激活,开始诊断与匹配工况相关的轴承状态。
可选的,工况-轴承故障诊断子模块使用接收到的数据,结合预先建立的模型或算法来分析轴承状态,识别轴承故障或异常。
可选的,匹配工况-轴承故障诊断子模块中包括G个轴承故障诊断器,G个轴承故障诊断器用于分别对目标数控机床中G个轴承进行故障诊断,进而生成G个轴承故障诊断报告。其中,轴承故障诊断报告反映了轴承的故障诊断结果,包括轴承的健康状况、是否存在故障、故障类型和故障严重程度等信息。
可选的,机床轴承故障诊断报告基于G个轴承故障诊断报告生成,包含了G个轴承故障诊断报告中存在故障的H个轴承故障诊断报告。
进一步的,将所述G个轴承实时监测信号集输入所述匹配工况-轴承故障诊断子模块之前,步骤还包括:
根据所述G个轴承实时监测信号集,获得第g轴承实时监测信号集,且,g为正整数,g属于G;
根据所述G个轴承传感监测子模块,调取所述第g轴承实时监测信号集对应的多个传感环境指标;
基于所述多个传感环境指标进行环境影响度识别,获得所述多个传感环境指标对应的多个传感环境影响度;
判断所述多个传感环境影响度是否小于预设环境影响度;
若所述多个传感环境影响度中的任意一个传感环境影响度大于/等于所述预设环境影响度,获得传感调整指令;
根据所述传感调整指令执行所述第g轴承实时监测信号集的监测信号调整。
可选的,G个轴承实时监测信号集具有轴承编号标记,获得第g轴承实时监测信号集,基于G个轴承的轴承故障诊断算力确定轴承获取顺序,优先选取轴承故障诊断算力高的轴承,根据该轴承的轴承编号,提取G个轴承实时监测信号集中具有相同轴承编号标记的监测信号,生成第g轴承实时监测信号集。
其中,传感环境指标是指第g轴承实时监测信号集中每个监测传感器对应的实时环境信息,示例性的,包括环境温度、环境湿度、环境压力等。这些指标用于描述环境状态。
可选的,对于每个传感环境指标,使用合适的算法或模型来识别其对轴承状态的影响,获取多个传感环境影响度。该环境影响度识别过程涉及预构建的模型,如回归模型、神经网络等,以建立传感环境指标与传感器数据准确度之间的关系,进而确定传感环境指标对监测传感器的传感数据准确度造成的影响程度。
可选的,若存在传感环境影响度大于/等于所述预设环境影响度,则说明当前传感环境指标下,传感器受影响程度较大,检测准确度不满足需求,则生成传感调整指令,进行第g轴承实时监测信号集的监测信号调整。其中,该调整包括监测信号补偿、监测传感器位置调整、监测传感器选型调整等,进而提高监测信号的准确度和置信度,确保故障诊断的准确度。
进一步的,基于所述M个机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,搭建机床轴承故障集成诊断模块,步骤还包括:
根据所述M个机床作业工况,提取第m机床作业工况,且,m为正整数,m属于M;
基于所述第m机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,获得所述第m机床作业工况对应的G个轴承故障诊断器;
集成所述第m机床作业工况对应的G个轴承故障诊断器,生成第m工况-轴承故障诊断子模块;
将所述第m工况-轴承故障诊断子模块添加至所述机床轴承故障集成诊断模块。
可选的,遍历M个机床作业工况,进行机床作业工况的提取、轴承故障诊断器的构建和训练,进而获取包含M个工况-轴承故障诊断子模块的机床轴承故障集成诊断模块。其中,每个工况-轴承故障诊断子模块包括当前工况下的G个轴承故障诊断器。
根据M个机床作业工况,分别构建第一,第二至第M工况-轴承故障诊断子模块,建立了一个能够针对不同机床工况进行滚动轴承故障诊断的模块。进而得以适应各种工况条件下的故障诊断任务和需求。
进一步的,基于所述第m机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,步骤还包括:
根据所述G个滚动轴承,获得第g滚动轴承;
获得多维轴承故障诊断指标,其中,所述多维轴承故障诊断指标包括轴承故障类型、轴承故障组件和轴承故障风险;
根据所述多维预设轴承监测因子和所述多维轴承故障诊断指标对所述第g滚动轴承进行故障诊断记录读取,获得第g轴承故障诊断记录库;
根据所述多维预设轴承监测因子和所述多维轴承故障诊断指标,对所述第g滚动轴承进行同特征属性轴承的故障诊断记录调取,获得同源轴承故障诊断记录库;
根据所述同源轴承故障诊断记录库对BP神经网络进行有监督训练,生成m工况-g轴承故障诊断网络;
根据所述第g轴承故障诊断记录库对所述m工况-g轴承故障诊断网络进行测试,获得m工况-g轴承故障诊断敏感度;
若所述m工况-g轴承故障诊断敏感度满足预设故障诊断敏感度约束,将所述m工况-g轴承故障诊断网络记为所述第m机床作业工况对应的第g滚动轴承的第g轴承故障诊断器。
可选的,第g滚动轴承为G个滚动轴承中任意一滚动轴承,优选的,基于G个轴承故障诊断算力对G个滚动轴承进行降序排列,生成滚动轴承序列,该滚动轴承序列中靠前的滚动轴承对于目标数控机床的重要性较高,进行按照该滚动轴承序列进行第g滚动轴承的获取。
可选的,故障诊断记录通过交互数控机床维修保养记录、生产日志等数据源获取。其中,同源轴承故障诊断记录库包含与目标数控机床第g滚动轴承型号规格、安装位置相同或近似的多个数控机床滚动轴承的故障诊断记录。
可选的,同源轴承故障诊断记录库为BP神经网络的训练数据集,同源轴承故障诊断记录库包括多组多维轴承故障诊断指标值与对应的多组多维预设轴承监测因子。其中,多维预设轴承监测因子为BP神经网络的输入约束参数,多维轴承故障诊断指标值为BP神经网络的响应参数。
可选的,对BP神经网络进行有监督训练,生成m工况-g轴承故障诊断网络,首先,将同源轴承故障诊断记录库中的数据按照不同工况(M个工况)和不同轴承(G个轴承)分组。每个组应包含相应工况和轴承下的故障诊断记录。而后基于BP神经网络的架构,设计并构建m工况-g轴承故障诊断网络,包括输入层、隐藏层和输出层的神经元数量。输入层的神经元数量与多维预设轴承监测因子的特征数量相匹配,输出层的神经元数量与故障类别数量相匹配。接着,标准化或归一化同源轴承故障诊断记录库,以确保它们在相同的尺度上,并将同源轴承故障诊断记录库划分为训练集和测试集。训练集用于训练神经网络,测试集用于评估模型性能。然后,使用训练集对BP神经网络进行有监督训练。基于梯度下降或反向传播等优化算法,最小化预测输出与实际标签之间的误差。而后,使用测试集来评估训练后的网络的性能。评估指标可以包括准确性、精确度、召回率、F1分数等,选取的评估指标即为m工况-g轴承故障诊断敏感度。若网络的m工况-g轴承故障诊断敏感度满足预设故障诊断敏感度约束,则说明网络性能满足当前工况下第g轴承的故障诊断需求,将该网络存储为第m机床作业工况对应的第g滚动轴承的第g轴承故障诊断器。
综上所述,本发明所提供的数控机床滚动轴承的故障智能诊断方法具有如下技术效果:
通过获得目标数控机床的轴承数据库,其中,轴承数据库包括目标数控机床的G个滚动轴承对应的G个轴承信息集,且,G为大于1的正整数;根据轴承数据库执行G个滚动轴承的故障诊断算力解析,得到G个轴承故障诊断算力;获得多维预设轴承监测因子,其中,多维预设轴承监测因子包括振动信号、温度信号、转速信号和声音信号;根据多维预设轴承监测因子分别对G个滚动轴承执行监测传感器的布设,获得G个轴承传感监测子模块;基于G个轴承传感监测子模块,根据G个轴承故障诊断算力对G个滚动轴承进行实时监测,获得带有实时机床工况标识的G个轴承实时监测信号集;根据机床工况轴承故障联动诊断算法,结合实时机床工况标识和G个轴承实时监测信号集对G个滚动轴承进行故障诊断,获得机床轴承故障诊断报告。进而达成自动化决策、诊断效率高,对生产影响小的技术效果。
实施例二
基于与所述实施例中数控机床滚动轴承的故障智能诊断方法同样的构思,如图3所示,本申请还提供了数控机床滚动轴承的故障智能诊断系统,所述系统包括:
数据库模块11,用于获得目标数控机床的轴承数据库,其中,所述轴承数据库包括所述目标数控机床的G个滚动轴承对应的G个轴承信息集,且,G为大于1的正整数;
算力解析模块12,用于根据所述轴承数据库执行所述G个滚动轴承的故障诊断算力解析,得到G个轴承故障诊断算力;
监测设定模块13,用于获得多维预设轴承监测因子,其中,所述多维预设轴承监测因子包括振动信号、温度信号、转速信号和声音信号;
监测布置模块14,用于根据所述多维预设轴承监测因子分别对所述G个滚动轴承执行监测传感器的布设,获得G个轴承传感监测子模块;
监测采集模块15,用于基于所述G个轴承传感监测子模块,根据所述G个轴承故障诊断算力对所述G个滚动轴承进行实时监测,获得带有实时机床工况标识的G个轴承实时监测信号集;
故障诊断模块16,用于根据机床工况轴承故障联动诊断算法,结合所述实时机床工况标识和所述G个轴承实时监测信号集对所述G个滚动轴承进行故障诊断,获得机床轴承故障诊断报告。
进一步的,算力解析模块12还包括:
属性提取单元,用于根据所述轴承数据库,提取所述G个滚动轴承对应的G个轴承作业属性;
价值分析单元,用于根据所述G个轴承作业属性进行轴承作业重要性分析,获得G个轴承作业价值系数;
磨损分析单元,用于根据所述轴承数据库,提取所述G个滚动轴承对应的G个轴承状态信息,并根据所述G个轴承状态信息对所述G个滚动轴承执行磨损度识别,生成G个轴承磨损系数;
触发度计算单元,用于对所述G个滚动轴承进行故障触发度计算,获得G个轴承故障触发系数;
算力生成单元,用于基于预设算力解析权重约束分别对所述G个轴承作业价值系数、所述G个轴承磨损系数和所述G个轴承故障触发系数进行加权计算,生成所述G个轴承故障诊断算力。
进一步的,触发度计算单元还包括:
时区设定单元,用于获得第一预设历史时区;
故障率采集单元,用于基于所述第一预设历史时区,分别对所述G个滚动轴承进行故障频率采集,获得G个轴承故障频率;
占比计算单元,用于基于所述G个轴承故障频率进行占比计算,生成所述G个轴承故障触发系数。
进一步的,故障诊断模块16还包括:
工况获取单元,用于获得所述目标数控机床的M个机床作业工况,M为大于1的正整数;
诊断训练单元,用于基于所述M个机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,搭建机床轴承故障集成诊断模块,其中,所述机床轴承故障集成诊断模块包括所述M个机床作业工况分别对应的M个工况-轴承故障诊断子模块,每个工况-轴承故障诊断子模块包括每个机床作业工况对应的G个滚动轴承的G个轴承故障诊断器;
激活设置单元,用于基于所述实时机床工况标识,生成匹配子模块激活指令;
匹配激活单元,用于基于所述机床轴承故障集成诊断模块,根据所述匹配子模块激活指令,激活所述实时机床工况标识对应的匹配工况-轴承故障诊断子模块;
故障诊断单元,用于将所述G个轴承实时监测信号集输入所述匹配工况-轴承故障诊断子模块,根据所述匹配工况-轴承故障诊断子模块内的G个轴承故障诊断器分别对所述G个轴承实时监测信号集进行故障诊断,获得G个轴承故障诊断报告;
报告生成单元,用于根据所述G个轴承故障诊断报告,生成所述机床轴承故障诊断报告。
进一步的,故障诊断模块16还包括:
监测采集单元,用于根据所述G个轴承实时监测信号集,获得第g轴承实时监测信号集,且,g为正整数,g属于G;
环境采集单元,用于根据所述G个轴承传感监测子模块,调取所述第g轴承实时监测信号集对应的多个传感环境指标;
环境影响分析单元,用于基于所述多个传感环境指标进行环境影响度识别,获得所述多个传感环境指标对应的多个传感环境影响度;
环境判别单元,用于判断所述多个传感环境影响度是否小于预设环境影响度;
调整指令单元,用于若所述多个传感环境影响度中的任意一个传感环境影响度大于/等于所述预设环境影响度,获得传感调整指令;
监测调整单元,用于根据所述传感调整指令执行所述第g轴承实时监测信号集的监测信号调整。
进一步的,诊断训练单元还包括:
工况选择单元,用于根据所述M个机床作业工况,提取第m机床作业工况,且,m为正整数,m属于M;
特征学习单元,用于基于所述第m机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,获得所述第m机床作业工况对应的G个轴承故障诊断器;
诊断器集成单元,用于集成所述第m机床作业工况对应的G个轴承故障诊断器,生成第m工况-轴承故障诊断子模块;
模块生成单元,用于将所述第m工况-轴承故障诊断子模块添加至所述机床轴承故障集成诊断模块。
进一步的,还包括:
目标获取单元,用于根据所述G个滚动轴承,获得第g滚动轴承;
多维诊断指标单元,用于获得多维轴承故障诊断指标,其中,所述多维轴承故障诊断指标包括轴承故障类型、轴承故障组件和轴承故障风险;
记录读取单元,用于根据所述多维预设轴承监测因子和所述多维轴承故障诊断指标对所述第g滚动轴承进行故障诊断记录读取,获得第g轴承故障诊断记录库;
同源记录库单元,用于根据所述多维预设轴承监测因子和所述多维轴承故障诊断指标,对所述第g滚动轴承进行同特征属性轴承的故障诊断记录调取,获得同源轴承故障诊断记录库;
监督训练单元,用于根据所述同源轴承故障诊断记录库对BP神经网络进行有监督训练,生成m工况-g轴承故障诊断网络;
验证单元,用于根据所述第g轴承故障诊断记录库对所述m工况-g轴承故障诊断网络进行测试,获得m工况-g轴承故障诊断敏感度;
训练约束单元,用于若所述m工况-g轴承故障诊断敏感度满足预设故障诊断敏感度约束,将所述m工况-g轴承故障诊断网络记为所述第m机床作业工况对应的第g滚动轴承的第g轴承故障诊断器。
应当理解的是,本说明书中所提及的实施例重点在其与其他实施例的不同,前述实施例一中的具体实施例,同样适用于实施例二所述的数控机床滚动轴承的故障智能诊断系统,为了说明书的简洁,在此不做进一步的展开。
应当理解的是,本申请所公开的实施例及上述说明,可以使得本领域的技术人员运用本申请实现本申请。同时本申请不被限制于上述所提到的这部分实施例,对本申请提到的实施例进行显而易见的修改、变种,也属于本申请原理范围之内。
Claims (5)
1.数控机床滚动轴承的故障智能诊断方法,其特征在于,所述方法包括:
获得目标数控机床的轴承数据库,其中,所述轴承数据库包括所述目标数控机床的G个滚动轴承对应的G个轴承信息集,且,G为大于1的正整数;
根据所述轴承数据库执行所述G个滚动轴承的故障诊断算力解析,得到G个轴承故障诊断算力,包括:
根据所述轴承数据库,提取所述G个滚动轴承对应的G个轴承作业属性;
根据所述G个轴承作业属性进行轴承作业重要性分析,获得G个轴承作业价值系数;
根据所述轴承数据库,提取所述G个滚动轴承对应的G个轴承状态信息,并根据所述G个轴承状态信息对所述G个滚动轴承执行磨损度识别,生成G个轴承磨损系数;
对所述G个滚动轴承进行故障触发度计算,获得G个轴承故障触发系数,包括:获得第一预设历史时区;基于所述第一预设历史时区,分别对所述G个滚动轴承进行故障频率采集,获得G个轴承故障频率;基于所述G个轴承故障频率进行占比计算,生成所述G个轴承故障触发系数;
基于预设算力解析权重约束分别对所述G个轴承作业价值系数、所述G个轴承磨损系数和所述G个轴承故障触发系数进行加权计算,生成所述G个轴承故障诊断算力;
获得多维预设轴承监测因子,其中,所述多维预设轴承监测因子包括振动信号、温度信号、转速信号和声音信号;
根据所述多维预设轴承监测因子分别对所述G个滚动轴承执行监测传感器的布设,获得G个轴承传感监测子模块;
基于所述G个轴承传感监测子模块,根据所述G个轴承故障诊断算力对所述G个滚动轴承进行实时监测,获得带有实时机床工况标识的G个轴承实时监测信号集;
根据机床工况轴承故障联动诊断算法,结合所述实时机床工况标识和所述G个轴承实时监测信号集对所述G个滚动轴承进行故障诊断,获得机床轴承故障诊断报告,包括:
获得所述目标数控机床的M个机床作业工况,M为大于1的正整数;
基于所述M个机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,搭建机床轴承故障集成诊断模块,其中,所述机床轴承故障集成诊断模块包括所述M个机床作业工况分别对应的M个工况-轴承故障诊断子模块,每个工况-轴承故障诊断子模块包括每个机床作业工况对应的G个滚动轴承的G个轴承故障诊断器;
基于所述实时机床工况标识,生成匹配子模块激活指令;
基于所述机床轴承故障集成诊断模块,根据所述匹配子模块激活指令,激活所述实时机床工况标识对应的匹配工况-轴承故障诊断子模块;
将所述G个轴承实时监测信号集输入所述匹配工况-轴承故障诊断子模块,根据所述匹配工况-轴承故障诊断子模块内的G个轴承故障诊断器分别对所述G个轴承实时监测信号集进行故障诊断,获得G个轴承故障诊断报告;
根据所述G个轴承故障诊断报告,生成所述机床轴承故障诊断报告。
2.如权利要求1所述的方法,其特征在于,将所述G个轴承实时监测信号集输入所述匹配工况-轴承故障诊断子模块之前,还包括:
根据所述G个轴承实时监测信号集,获得第g轴承实时监测信号集,且,g为正整数,g属于G;
根据所述G个轴承传感监测子模块,调取所述第g轴承实时监测信号集对应的多个传感环境指标;
基于所述多个传感环境指标进行环境影响度识别,获得所述多个传感环境指标对应的多个传感环境影响度;
判断所述多个传感环境影响度是否小于预设环境影响度;
若所述多个传感环境影响度中的任意一个传感环境影响度大于/等于所述预设环境影响度,获得传感调整指令;
根据所述传感调整指令执行所述第g轴承实时监测信号集的监测信号调整。
3.如权利要求1所述的方法,其特征在于,基于所述M个机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,搭建机床轴承故障集成诊断模块,包括:
根据所述M个机床作业工况,提取第m机床作业工况,且,m为正整数,m属于M;
基于所述第m机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,获得所述第m机床作业工况对应的G个轴承故障诊断器;
集成所述第m机床作业工况对应的G个轴承故障诊断器,生成第m工况-轴承故障诊断子模块;
将所述第m工况-轴承故障诊断子模块添加至所述机床轴承故障集成诊断模块。
4.如权利要求3所述的方法,其特征在于,基于所述第m机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,包括:
根据所述G个滚动轴承,获得第g滚动轴承;
获得多维轴承故障诊断指标,其中,所述多维轴承故障诊断指标包括轴承故障类型、轴承故障组件和轴承故障风险;
根据所述多维预设轴承监测因子和所述多维轴承故障诊断指标对所述第g滚动轴承进行故障诊断记录读取,获得第g轴承故障诊断记录库;
根据所述多维预设轴承监测因子和所述多维轴承故障诊断指标,对所述第g滚动轴承进行同特征属性轴承的故障诊断记录调取,获得同源轴承故障诊断记录库;
根据所述同源轴承故障诊断记录库对BP神经网络进行有监督训练,生成m工况-g轴承故障诊断网络;
根据所述第g轴承故障诊断记录库对所述m工况-g轴承故障诊断网络进行测试,获得m工况-g轴承故障诊断敏感度;
若所述m工况-g轴承故障诊断敏感度满足预设故障诊断敏感度约束,将所述m工况-g轴承故障诊断网络记为所述第m机床作业工况对应的第g滚动轴承的第g轴承故障诊断器。
5.数控机床滚动轴承的故障智能诊断系统,其特征在于,所述系统用于实施权利要求1-4任意一项所述的数控机床滚动轴承的故障智能诊断方法,所述系统包括:
数据库模块,所述数据库模块用于获得目标数控机床的轴承数据库,其中,所述轴承数据库包括所述目标数控机床的G个滚动轴承对应的G个轴承信息集,且,G为大于1的正整数;
算力解析模块,所述算力解析模块用于根据所述轴承数据库执行所述G个滚动轴承的故障诊断算力解析,得到G个轴承故障诊断算力,包括:
根据所述轴承数据库,提取所述G个滚动轴承对应的G个轴承作业属性;
根据所述G个轴承作业属性进行轴承作业重要性分析,获得G个轴承作业价值系数;
根据所述轴承数据库,提取所述G个滚动轴承对应的G个轴承状态信息,并根据所述G个轴承状态信息对所述G个滚动轴承执行磨损度识别,生成G个轴承磨损系数;
对所述G个滚动轴承进行故障触发度计算,获得G个轴承故障触发系数,包括:获得第一预设历史时区;基于所述第一预设历史时区,分别对所述G个滚动轴承进行故障频率采集,获得G个轴承故障频率;基于所述G个轴承故障频率进行占比计算,生成所述G个轴承故障触发系数;
基于预设算力解析权重约束分别对所述G个轴承作业价值系数、所述G个轴承磨损系数和所述G个轴承故障触发系数进行加权计算,生成所述G个轴承故障诊断算力;
监测设定模块,所述监测设定模块用于获得多维预设轴承监测因子,其中,所述多维预设轴承监测因子包括振动信号、温度信号、转速信号和声音信号;
监测布置模块,所述监测布置模块用于根据所述多维预设轴承监测因子分别对所述G个滚动轴承执行监测传感器的布设,获得G个轴承传感监测子模块;
监测采集模块,所述监测采集模块用于基于所述G个轴承传感监测子模块,根据所述G个轴承故障诊断算力对所述G个滚动轴承进行实时监测,获得带有实时机床工况标识的G个轴承实时监测信号集;
故障诊断模块,所述故障诊断模块用于根据机床工况轴承故障联动诊断算法,结合所述实时机床工况标识和所述G个轴承实时监测信号集对所述G个滚动轴承进行故障诊断,获得机床轴承故障诊断报告,包括:
获得所述目标数控机床的M个机床作业工况,M为大于1的正整数;
基于所述M个机床作业工况,分别对所述G个滚动轴承进行故障诊断的特征学习,搭建机床轴承故障集成诊断模块,其中,所述机床轴承故障集成诊断模块包括所述M个机床作业工况分别对应的M个工况-轴承故障诊断子模块,每个工况-轴承故障诊断子模块包括每个机床作业工况对应的G个滚动轴承的G个轴承故障诊断器;
基于所述实时机床工况标识,生成匹配子模块激活指令;
基于所述机床轴承故障集成诊断模块,根据所述匹配子模块激活指令,激活所述实时机床工况标识对应的匹配工况-轴承故障诊断子模块;
将所述G个轴承实时监测信号集输入所述匹配工况-轴承故障诊断子模块,根据所述匹配工况-轴承故障诊断子模块内的G个轴承故障诊断器分别对所述G个轴承实时监测信号集进行故障诊断,获得G个轴承故障诊断报告;
根据所述G个轴承故障诊断报告,生成所述机床轴承故障诊断报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674544.1A CN117359391B (zh) | 2023-12-08 | 2023-12-08 | 数控机床滚动轴承的故障智能诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674544.1A CN117359391B (zh) | 2023-12-08 | 2023-12-08 | 数控机床滚动轴承的故障智能诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117359391A CN117359391A (zh) | 2024-01-09 |
CN117359391B true CN117359391B (zh) | 2024-02-13 |
Family
ID=89396935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311674544.1A Active CN117359391B (zh) | 2023-12-08 | 2023-12-08 | 数控机床滚动轴承的故障智能诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117359391B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029992A (zh) * | 2018-06-15 | 2018-12-18 | 深圳大学 | 机床主轴的轴承故障诊断的方法和系统 |
CN110110768A (zh) * | 2019-04-24 | 2019-08-09 | 西安电子科技大学 | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 |
CN110276416A (zh) * | 2019-07-02 | 2019-09-24 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
CN111896259A (zh) * | 2020-07-31 | 2020-11-06 | 沈阳建筑大学 | 一种用于低温真空环境的陶瓷滚子轴承的加载及测试系统 |
CN115524118A (zh) * | 2022-06-22 | 2022-12-27 | 中国船舶重工集团公司第七一一研究所 | 轴承故障诊断方法及系统 |
CN116304848A (zh) * | 2023-05-26 | 2023-06-23 | 广东石油化工学院 | 一种滚动轴承故障诊断系统及方法 |
CN116593159A (zh) * | 2023-06-07 | 2023-08-15 | 重庆大学 | 一种组合轴承故障诊断方法和系统 |
CN116738372A (zh) * | 2023-08-15 | 2023-09-12 | 昆仑数智科技有限责任公司 | 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 |
CN116861765A (zh) * | 2023-05-30 | 2023-10-10 | 西安交通大学 | 一种基于数字孪生和dbn的滚动轴承故障诊断方法及系统 |
-
2023
- 2023-12-08 CN CN202311674544.1A patent/CN117359391B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029992A (zh) * | 2018-06-15 | 2018-12-18 | 深圳大学 | 机床主轴的轴承故障诊断的方法和系统 |
CN110110768A (zh) * | 2019-04-24 | 2019-08-09 | 西安电子科技大学 | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 |
CN110276416A (zh) * | 2019-07-02 | 2019-09-24 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
CN111896259A (zh) * | 2020-07-31 | 2020-11-06 | 沈阳建筑大学 | 一种用于低温真空环境的陶瓷滚子轴承的加载及测试系统 |
CN115524118A (zh) * | 2022-06-22 | 2022-12-27 | 中国船舶重工集团公司第七一一研究所 | 轴承故障诊断方法及系统 |
CN116304848A (zh) * | 2023-05-26 | 2023-06-23 | 广东石油化工学院 | 一种滚动轴承故障诊断系统及方法 |
CN116861765A (zh) * | 2023-05-30 | 2023-10-10 | 西安交通大学 | 一种基于数字孪生和dbn的滚动轴承故障诊断方法及系统 |
CN116593159A (zh) * | 2023-06-07 | 2023-08-15 | 重庆大学 | 一种组合轴承故障诊断方法和系统 |
CN116738372A (zh) * | 2023-08-15 | 2023-09-12 | 昆仑数智科技有限责任公司 | 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
基于小波包分析的数控机床主轴滚动轴承故障诊断;陈牧野;何亚飞;;上海第二工业大学学报(第02期);全文 * |
基于混合智能算法的轴承故障诊断系统设计;赵永生;李宝莹;;鞍山科技大学学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117359391A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5602761A (en) | Machine performance monitoring and fault classification using an exponentially weighted moving average scheme | |
US6845340B2 (en) | System and method for machining data management | |
JP3321487B2 (ja) | 機器/設備診断方法およびシステム | |
US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
US7496798B2 (en) | Data-centric monitoring method | |
US7571022B2 (en) | System and method for monitoring machine health | |
US20070088454A1 (en) | System and method for troubleshooting a machine | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN112052979A (zh) | 基于故障预测与健康管理的设备备件需求预测系统 | |
WO2008142386A1 (en) | Machining process monitor | |
CN112881014B (zh) | 传动总成的下线nvh测试系统及方法 | |
Züfle et al. | A machine learning-based workflow for automatic detection of anomalies in machine tools | |
CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
Demilia et al. | Measurements for smart manufacturing in an Industry 4.0 scenario a case-study on a mechatronic system | |
D'Emilia et al. | Mechatronics applications of measurements for smart manufacturing in an industry 4.0 scenario | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN110488188B (zh) | 基于动态阈值的机组三维健康量化评价方法 | |
Jain et al. | Dynamic optimization of process quality control and maintenance planning | |
KR100758152B1 (ko) | 진동신호 양자화에 의한 거동반응을 이용한 고장진단방법 | |
CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
CN116399630A (zh) | 一种基于设备工况的运行监测管理方法及系统 | |
JP7166839B2 (ja) | ヘルスモニタリングシステム | |
CN107702919A (zh) | 基于声发射的滑动轴承润滑状态监测方法 | |
CN117359391B (zh) | 数控机床滚动轴承的故障智能诊断方法及系统 | |
KR20220102364A (ko) | 진동 센서를 통한 설비 예지 보전 시스템 |
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 |