CN117555287A - 一种基于cae的数控机床加工动态性能监控方法及系统 - Google Patents
一种基于cae的数控机床加工动态性能监控方法及系统 Download PDFInfo
- Publication number
- CN117555287A CN117555287A CN202410044110.1A CN202410044110A CN117555287A CN 117555287 A CN117555287 A CN 117555287A CN 202410044110 A CN202410044110 A CN 202410044110A CN 117555287 A CN117555287 A CN 117555287A
- Authority
- CN
- China
- Prior art keywords
- numerical control
- control machine
- machine tool
- model
- cae
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003754 machining Methods 0.000 title claims description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000012843 least square support vector machine Methods 0.000 claims description 44
- 238000005520 cutting process Methods 0.000 claims description 38
- 230000002068 genetic effect Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 21
- 238000013461 design Methods 0.000 claims description 17
- 238000010845 search algorithm Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000002076 thermal analysis method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition 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
- G05B19/4097—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 using design data to control NC machines, e.g. CAD/CAM
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31027—Computer assisted manual assembly CAA, display operation, tool, result
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
本发明涉及监控技术领域，公开了一种基于CAE的数控机床加工动态性能监控方法及系统，该方法包括以下步骤：采集数控机床的加工数据；构建数控机床的CAE模型；进行仿真分析得到数控机床在不同工况下的性能数据；分析得到数控机床的实际性能与预期性能的差异；判断差异结果是否超出预设差异阈值，若否则运行正常，若是则运行异常；利用基于量子优化的故障识别模型输出故障类型；利用参数优化算法对数控机床的运行参数进行优化调整。本发明不仅可以实现数控机床异常运行状态的识别，而且还可以实现对数控机床故障类型的识别，以及实现对数控机床运行参数的优化调整，可以更好地实现对数控机床的整体状态进行监测。
Description
技术领域
本发明涉及监控技术领域，具体来说，涉及一种基于CAE的数控机床加工动态性能监控方法及系统。
背景技术
在当今的制造业中，我们正在目睹一个显著的转变，即从传统的生产方式向数字化、网络化、智能化的制造方式的转变。在这个转变过程中，数控机床作为先进制造业的核心设备，起着不可或缺的作用。事实上，数控机床的性能直接决定了产品质量和生产效率，这就使得对其进行智能化监控和优化变得至关重要。
为了实现数控机床的智能化监控与优化，我们需要一个能够实时监测数控机床的加工状态的系统，这个系统不仅要能够准确判断异常情况，而且还需要能够对运行参数进行自动优化。这样的系统可以帮助我们在第一时间内发现并处理问题，从而避免了生产过程中的不必要的停机和延误。
然而，目前的数控机床状态监测与故障检测主要依赖于传感器技术。虽然传感器能够提供大量的数据，但是这些数据往往只能反映机床的局部状态，对于机床的整体动态响应的了解却十分有限。因此，我们迫切需要开发新的数控机床智能监控与优化技术，这些技术能够提供对机床全面的、实时的监控，同时还能够根据实时数据自动优化机床的运行参数，从而提高生产效率，保证产品质量。
发明内容
针对相关技术中的问题，本发明提出一种基于CAE的数控机床加工动态性能监控方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种基于CAE的数控机床加工动态性能监控方法，包括以下步骤：
S1、采集数控机床的加工数据，包括运行参数、传感器监测数据及工件尺寸测量数据；
S2、使用CAE工具根据采集的加工数据及数控机床的设计信息构建数控机床的CAE模型；
S3、利用数控机床的CAE模型进行仿真分析，得到数控机床在不同工况下的性能数据；
S4、通过分析比较采集的加工数据与仿真分析结果，得到数控机床的实际性能与预期性能的差异；
S5、判断差异结果是否超出预设差异阈值，若否，则数控机床运行正常，若是，则数控机床运行异常，并执行S6；
S6、利用基于量子优化的故障识别模型输出与数控机床的采集加工数据相对应的故障类型；
S7、利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整。
作为优选的，所述使用CAE工具根据采集的加工数据及数控机床的设计信息构建数控机床的CAE模型包括以下步骤：
S21、基于数控机床的设计文件获取数控机床中各部件的几何结构及尺寸信息的设计数据；
S22、收集数控机床的材料属性数据，包括数控机床中各部件使用的材料及其力学性能参数；
S23、根据数控机床的运动学及动力学特征选择对应的CAE分析方法，并融合采集的加工数据对数控机床的关键部件进行细化建模；
S24、组装各关键部件的CAE模型，得到数控机床的CAE模型。
作为优选的，所述利用数控机床的CAE模型进行仿真分析，得到数控机床在不同工况下的性能数据包括以下步骤：
S31、定义仿真分析的工况参数，包括切削速度、进给速率、切削深度、轴向切削力、径向切削力及刀具状态参数；
S32、获得数控机床在不同切削载荷下的应力和变形情况，实现静力分析；
S33、通过模态分析得到数控机床结构在不同切削参数下的固有频率和振型，实现动力学分析；
S34、分析数控机床的运动学性能，实现运动学分析；
S35、获得数控机床在不同切削条件下的动力响应，实现动力响应分析；
S36、分析数控机床在切削过程中的热变形效应，实现热分析；
S37、考虑机械及热学的多物理场的相互影响，实现多物理场耦合分析；
S38、对不同工况的仿真结果进行对比和分析，得到数控机床在不同工况下的性能数据。
作为优选的，所述利用基于量子优化的故障识别模型输出与数控机床的采集的加工数据相对应的故障类型包括以下步骤：
S61、获取数控机床运行时的历史加工数据，并对获取的历史加工数据进行预处理；
S62、构建最小二乘支持向量机模型，并利用量子遗传算法进行全局搜索优化最小二乘支持向量机模型的参数；
S63、对优化后的最小二乘支持向量机模型进行训练，得到训练后的最小二乘支持向量机模型；
S64、利用训练后的最小二乘支持向量机模型输出与数控机床的实时加工数据相对应的故障类型。
作为优选的，所述构建最小二乘支持向量机模型，并利用量子遗传算法进行全局搜索优化最小二乘支持向量机模型的参数包括以下步骤：
S621、利用预处理后的历史加工数据对构建的初始最小二乘支持向量机模型进行训练；
S622、确定最小二乘支持向量机模型的核函数，并将最小二乘支持向量机模型的参数编码为量子遗传算法的个体；
S623、设置量子遗传算法的种群大小及迭代次数；
S624、对编码后的每个个体进行解码得到一组最小二乘支持向量机模型的参数；
S625、利用解码得到的最小二乘支持向量机模型的参数对最小二乘支持向量机模型进行训练，并将训练集上的分类准确率作为个体适应度；
S626、进行量子遗传算法的遗传运算生成新一代种群；
S627、重复执行S624-S626，直到达到预设迭代次数或分类准确率要求；
S628、输出最佳个体，并解码得到全局最佳的最小二乘支持向量机模型参数。
作为优选的，所述进行量子遗传算法的遗传运算生成新一代种群包括：
选择操作，根据个体适应度从当前种群中选择优质个体，创建适应度池，且适应度越高的个体被选择的概率越大；
交叉操作，从适应度池中随机选择两个个体，根据预设的交叉概率对两个个体的编码进行量子旋转门操作，生成新的个体；
变异操作，对种群中的个体根据变异概率对个体的编码进行量子NOT门操作实现变异；
更新种群，用交叉和变异生成的新个体替换掉种群中适应度不佳的个体，形成新一代种群。
作为优选的，所述利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整包括以下步骤：
S71、根据故障类型的分析结果确定引起数控机床故障的运行参数，包括主轴转速、进给速率及切削深度；
S72、基于预设的优化目标构建数控机床的多目标参数优化模型；
S73、利用改进引力搜索算法对多目标参数优化模型进行求解，得到优化后的运行参数。
作为优选的，所述预设的优化目标包括最大化机床寿命、最佳切削质量、最小化机床振动及最小化生产成本。
作为优选的，所述利用改进引力搜索算法对多目标参数优化模型进行求解，得到优化后的运行参数包括以下步骤：
S731、确定改进引力搜索算法的关键参数，包括群体数量、最大迭代次数、速度更新权重；
S732、根据多目标参数优化模型的决策变量设计编码方式，并随机生成初始群体，计算初始群体中每个个体的适应度；
S733、根据引力搜索算法的速度更新公式更新每个个体的速度，并根据更新后的速度更新每个个体在搜索空间中的位置；
S734、计算每个个体对应的参数组合代入多目标参数优化模型后的目标函数值，作为个体的适应度；
S735、根据适应度对群体进行非支配排序得到不同层次的非支配解集，并使用外部存档存储非支配解，管理推进；
S736、判断是否达到预设迭代次数，若否，返回S733；若是，则终止搜索，解码最终外部存档中的非支配解得到多组优化后的参数组合，并根据仿真验证参数组合的效果选择最佳解，得到优化后的运行参数。
根据本发明的另一个方面，提供了一种基于CAE的数控机床加工动态性能监控系统，包括：
数据采集模块，用于采集数控机床的加工数据，包括运行参数、传感器监测数据及工件尺寸测量数据；
模型构建模块，用于使用CAE工具根据采集的加工数据及数控机床的设计信息构建数控机床的CAE模型；
仿真分析模块，用于利用数控机床的CAE模型进行仿真分析，得到数控机床在不同工况下的性能数据；
性能比较模块，用于通过分析比较采集的加工数据与仿真分析结果，得到数控机床的实际性能与预期性能的差异；
运行状况判断模块，用于判断差异结果是否超出预设差异阈值，若否，则数控机床运行正常，若是，则数控机床运行异常；
故障类型识别模块，用于利用基于量子优化的故障识别模型输出与数控机床的采集的加工数据相对应的故障类型；
运行参数优化模块，用于利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整。
与现有技术相比，本发明提供了基于CAE的数控机床加工动态性能监控方法及系统，具备以下有益效果：
（1）本发明能够利用构建的数控机床的CAE模型来实现仿真分析，从而不仅可以基于仿真分析结果与采集的加工数据的比对结果来实现数控机床异常运行状态的识别，而且还可以利用基于量子优化的故障识别模型来实现对数控机床故障类型的识别，以及利用参数优化算法来实现对数控机床运行参数的优化调整，进而可以更好地实现对数控机床的整体状态进行监测。
（2）本发明不仅可以利用基于量子遗传算法优化的最小二乘支持向量机模型来提高数控机床故障检测的准确性，而且还可以利用改进引力搜索算法调整数控机床的运行参数，从而可以实现数控机床的自动优化，提高数控机床的加工性能。
（3）本发明实现了数控机床从数据采集、状态监测、故障检测到参数优化的全流程智能化，提高了数控机床的运行可靠性，减少了不必要的停机维护，在降低生产成本的同时可以有效地提升生产效率。该方法充分利用了CAE技术、机器学习和优化算法，实现了数控机床的智能化监控与优化，具有推广应用前景。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本发明实施例的一种基于CAE的数控机床加工动态性能监控方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。
根据本发明的实施例，提供了一种基于CAE的数控机床加工动态性能监控方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种基于CAE的数控机床加工动态性能监控方法，包括以下步骤：
S1、采集数控机床的加工数据，包括运行参数、传感器监测数据及工件尺寸测量数据等，具体包括：
1）运行参数的数据：
从数控系统中采集主轴转速、进给速率、切削深度、切削宽度等切削参数。
采集轴驱动系统的位置、速度、电流、温度数据。
采集机床的程序运行和报警信息。
2）传感器监测数据：
在主轴、传动系统等关键部位布置振动、噪声、温度传感器。
在机床基座设置力传感器，监测切削力。
使用无线传感器网络采集机床整体的动态响应数据，其中，动态响应数据主要是指机床在运行过程中，由于各种内外部因素影响，机床各部位的物理量如位置、速度、加速度、力、压力、温度、振动等参数随时间的变化规律。这些数据可以通过各种传感器进行实时采集。
3）工件尺寸测量数据：
使用激光测微器、三坐标测量机等设备测量工件尺寸。
采集不同加工阶段的工件尺寸，判断尺寸误差。
测量工件表面粗糙度等加工质量数据。
4）对采集的数据进行同步处理，建立关联关系，作为模型训练和测试之用。
5）采用数字化系统进行数据的收集、传输与存储，确保数据的精确性。
S2、使用CAE工具根据采集的加工数据及数控机床的设计信息构建数控机床的CAE模型；
其中，所述使用CAE（计算机辅助工程）工具根据采集的加工数据及数控机床的设计信息构建数控机床的CAE模型包括以下步骤：
S21、基于数控机床的设计文件获取数控机床中各部件的几何结构及尺寸信息的设计数据；
S22、收集数控机床的材料属性数据，包括数控机床中各部件使用的材料及其力学性能参数；
S23、根据数控机床的运动学及动力学特征选择对应的CAE分析方法，并融合采集的加工数据对数控机床的关键部件进行细化建模；具体的，通过融合采集的运行参数数据，如主轴转速、进给速率、切削深度、切削宽度等可以来更具体地了解并模拟机床的实际工作状态；通过融合采集的传感器监测数据，如振动、噪声、温度等能够帮助我们更准确地了解材料在真实运行环境下的健康状态和性能特性；通过引入从实际工件加工过程中得到的工件尺寸测量数据，可以对数控机床的关键部件进行细化建模，这使得模型能更为精确地反映实际加工过程中的情况。
S24、组装各关键部件的CAE模型，得到数控机床的CAE模型。
S3、利用数控机床的CAE模型进行仿真分析，得到数控机床在不同工况下的性能数据；
其中，所述利用数控机床的CAE模型进行仿真分析，得到数控机床在不同工况下的性能数据包括以下步骤：
S31、定义仿真分析的工况参数，包括切削速度、进给速率、切削深度、轴向和径向切削力等切削参数，以及刀具状态参数如刀具磨损程度等；
S32、获得数控机床在不同切削载荷下的应力和变形情况，实现静力分析；
S33、通过模态分析得到数控机床结构在不同切削参数下的固有频率和振型，实现动力学分析；
S34、分析数控机床的运动学性能，如运动精度等，实现运动学分析；
S35、获得数控机床在不同切削条件下的动力响应，如振动、切削稳定性等，实现动力响应分析；
S36、分析数控机床在切削过程中的热变形效应，实现热分析；
S37、考虑机械及热学等多物理场的相互影响，实现多物理场耦合分析；
S38、对不同工况的仿真结果进行对比和分析，得到数控机床在不同工况下的性能数据。
S4、通过分析比较采集的加工数据与仿真分析结果，得到数控机床的实际性能与预期性能的差异；
其中，所述通过分析比较采集的加工数据与仿真分析结果，得到数控机床的实际性能与预期性能的差异包括以下步骤：
数据预处理：对实际采集的加工数据进行去噪、同步等预处理，使其可与仿真结果进行对比。
指标选择：根据分析目的，选择合适的性能指标，如切削力、振动、温升、应变等。
数据映射：将实际数据与仿真结果进行映射，确保对比的可行性。
性能指标计算：计算并提取实际数据和仿真结果中的各性能指标。
差异分析：针对每个性能指标，统计并分析实际值和仿真值之间的误差。
关系建模：利用回归分析等方法建立实际数据与仿真结果之间的误差模型。
原因分析：分析导致差异的潜在原因，如模型误差、环境噪声等。
S5、判断差异结果是否超出预设差异阈值，若否，则数控机床运行正常，若是，则数控机床运行异常，并执行S6；
具体的，预设差异阈值的设定是一个重要步骤，它依赖于对特定数控机床工作特性的深入理解，包括机床的运行参数、故障模式和阈值故障的识别。以下是设定预设差异阈值的一般处理框架：
1）历史数据分析：收集大量历史加工数据，包括正常和异常状态下的数据。通过统计分析，确定参数在正常运行和报警状态下的分布范围。确定每个参数的正常运行范围，超过该范围则认为是异常。
2）机床性能与规格：参考机床的设计规格和性能参数。这些信息通常可以从机床的工程规格、操作手册或制造商数据中获取。确保阈值不会对机床的正常运行造成干扰。
3）实验验证：在设定一定的阈值后，通过实际运行检验阈值设定的合理性。如果发现阈值过大导致故障检出率低，或阈值过小导致误报率高，可以根据实验结果对阈值进行调整。
4）专家经验：在确定阈值时，专家经验是非常重要的。机床操作员和维修人员拥有丰富的经验，可借鉴他们的知识和直觉来设置或调整阈值。
请注意，阈值设计是一个动态过程，需要定期进行校验和调整。因为机床的性能会随着设备的磨损、工艺条件改变等因素而改变，这可能影响到阈值的选择。S6、利用基于量子优化的故障识别模型输出与数控机床的采集加工数据相对应的故障类型；
其中，所述利用基于量子优化的故障识别模型输出与数控机床的采集加工数据相对应的故障类型包括以下步骤：
S61、获取数控机床运行时的历史加工数据，并对获取的历史加工数据进行预处理；
S62、构建最小二乘支持向量机模型，并利用量子遗传算法进行全局搜索优化最小二乘支持向量机模型的参数；
具体的，所述构建最小二乘支持向量机模型，并利用量子遗传算法进行全局搜索优化最小二乘支持向量机模型的参数包括以下步骤：
S621、利用预处理后的历史加工数据对构建的初始最小二乘支持向量机模型进行训练；
S622、确定最小二乘支持向量机模型的核函数，常用的核函数有线性核、多项式核、RBF核等，并将最小二乘支持向量机模型的参数编码为量子遗传算法的个体，如正则化参数等；
S623、设置量子遗传算法的种群大小及迭代次数；
S624、对编码后的每个个体进行解码得到一组最小二乘支持向量机模型的参数；
S625、利用解码得到的最小二乘支持向量机模型的参数对最小二乘支持向量机模型进行训练，并将训练集上的分类准确率作为个体适应度；
具体的，S621中训练出的初始最小二乘支持向量机模型，是使用默认参数或者随机参数得到的一个初始模型；S625中的模型训练是在S622的编码和S624的解码之后，使用每个个体所对应的一组最小二乘支持向量机参数进行的模型训练。所以两个步骤中的模型训练基于不同的LSSVM（最小二乘支持向量机）参数，产生了不同的LSSVM模型。S621中模型训练仅用于产生一个初始的模型，而S625中的模型训练是为了计算每个个体的适应度，从而选择参数优化后的LSSVM模型。
S626、进行量子遗传算法的遗传运算生成新一代种群，具体的包括：
选择操作，根据个体适应度从当前种群中选择较优个体，创建适应度池,适应度越高的个体被选择的概率越大；
交叉操作，从适应度池中随机选择两个个体，根据一定的交叉概率对两个个体的编码进行量子旋转门操作，生成新的个体；
变异操作，对种群中的个体，根据变异概率对个体的编码进行量子NOT门操作实现变异；
更新种群，用交叉和变异生成的新个体替换掉种群中适应度较差的个体，形成新一代种群。
具体的，量子NOT门是量子计算中最简单的单量子比特（qubit）逻辑门。它对一个量子状态进行否定（NOT）操作。
具体来说，设量子状态为：
其中和/>表示0和1两个基本状态，α和β为复数，表示相应基本状态的概率振幅。
则经过NOT门后，量子状态变为：
即0状态和1状态的概率振幅对调。
这相当于对经典0和1进行否定操作，0变1，1变0。
在量子遗传算法中，NOT门可用于对个体进行单点变异，对编码进行否定，引入新的基因类型，增加种群多样性。
总之，量子NOT门对qubit状态进行否定翻转，是量子算法中一个非常基础和简单的逻辑门。
S627、重复执行S624-S626，直到达到预设迭代次数或分类准确率要求；
S628、输出最佳个体，并解码得到全局最佳的最小二乘支持向量机模型参数。
S63、对优化后的最小二乘支持向量机模型进行训练，得到训练后的最小二乘支持向量机模型；
S64、利用训练后的最小二乘支持向量机模型输出与数控机床的实时加工数据相对应的故障类型。
具体的，数控机床在运行过程中可能出现的常见故障类型包括：
1）主轴系统故障：主轴不平衡、主轴轴承损坏等。
2）传动系统故障：齿轮箱损坏、齿轮磨损、轴承损坏等。
3）导轨系统故障：导轨间隙过大、刮花、打点等。
4）电气系统故障：电机失步、编码器故障、电源异常等。
5）控制系统故障：PLC程序错误、伺服系统失控等。
6）液压系统故障：泵损坏、油管泄漏、阀门失灵等。
7）机床结构故障：机床基座变形、碰撞损伤等。
此外，本实施例中还可以建立一个基于知识图谱的故障诊断系统，结合模型分类结果和专家知识库进行综合诊断，具体步骤如下：
收集数控机床运行数据和故障案例，标注故障类型，构建故障知识库。
使用机器学习技术训练故障分类和预测模型，可以获得基础的故障检测能力。
构建知识图谱，包括故障症状、机床部件、监测参数等实体节点，以及实体间的关系。
将专家经验系统化整理到知识图谱中，形成规则、约束等逻辑关系。
利用知识图谱进行推理，根据监测参数和症状映射到相关故障。
将监测参数输入故障分类和预测模型，获得模型输出的故障可能性。
结合知识图谱推理结果和预测模型结果，进行多源证据融合，给出综合故障诊断。
根据诊断结果，自动触发相应的故障响应机制，如报警、停机等。
反馈诊断与处理结果来优化知识图谱与预测模型，实现持续学习。
定期邀请专家核查诊断与处理方案，进一步完善知识图谱。
本实施例中，最小二乘支持向量机模型主要针对数控机床的实时加工数据，经过训练可以实现实时的故障识别，主要特点是模型鲁棒性强，适应性广，能够更准确地进行实时故障识别。而故障分类和预测模型则强调对一系列历史故障案例数据进行学习，构建出能够预测未来故障的模型。它侧重于预测性维护，通过大量历史故障数据进行模型训练，以预测未来可能的故障。
这两种模型都具备故障识别的功能，但关注的焦点不同，最小二乘支持向量机模型关注于实时性，故障分类和预测模型则侧重长期的预测和维护。具体应用时，可以将实时的机床数据输入到最小二乘支持向量机模型中，进行故障检测和识别；同时，通过长期收集的机床运行和维护数据，建立故障分类和预测模型，预测未来可能出现的故障和所需的维护操作。S7、利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整。
其中，所述利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整包括以下步骤：
S71、根据故障类型的分析结果确定引起数控机床故障的运行参数，包括主轴转速、进给速率及切削深度等；
S72、基于预设的优化目标构建数控机床的多目标参数优化模型；
具体的，所述预设的优化目标包括最大化机床寿命、最佳切削质量、最小化机床振动及最小化生产成本等。
S73、利用改进引力搜索算法对多目标参数优化模型进行求解，得到优化后的运行参数。
其中，所述利用改进引力搜索算法对多目标参数优化模型进行求解，得到优化后的运行参数包括以下步骤：
S731、确定改进引力搜索算法的关键参数，包括群体数量、最大迭代次数、速度更新权重；
S732、根据多目标参数优化模型的决策变量设计编码方式，并随机生成初始群体，计算初始群体中每个个体的适应度；
S733、根据引力搜索算法的速度更新公式更新每个个体的速度，并根据更新后的速度更新每个个体在搜索空间中的位置；
速度更新公式如下：
位置更新公式如下：
式中，表示第t+1次迭代时第i个质点在第d维的速度，/>表示第t次迭代时第i个质点在第d维的加速度，/>表示第t次迭代时第i个质点在第d维的速度，wmax、wmin分别为最大和最小权重，/>表示第t+1次迭代时第i个质点在第d维的位置，/>表示第t次迭代时第i个质点在第d维的位置。
S734、计算每个个体对应的参数组合代入多目标参数优化模型后的目标函数值，作为个体的适应度；
S735、根据适应度对群体进行非支配排序得到不同层次的非支配解集，并使用外部存档存储非支配解，管理推进；
S736、判断是否达到预设迭代次数，若否，返回S733；若是，则终止搜索，解码最终外部存档中的非支配解得到多组优化后的参数组合，并根据仿真验证参数组合的效果选择最佳解，得到优化后的运行参数。
根据本发明的另一个实施例，提供了一种基于CAE的数控机床加工动态性能监控系统，包括：
数据采集模块，用于采集数控机床的加工数据，包括运行参数、传感器监测数据及工件尺寸测量数据；
模型构建模块，用于使用CAE工具根据采集的加工数据及数控机床的设计信息构建数控机床的CAE模型；
仿真分析模块，用于利用数控机床的CAE模型进行仿真分析，得到数控机床在不同工况下的性能数据；
性能比较模块，用于通过分析比较采集的加工数据与仿真分析结果，得到数控机床的实际性能与预期性能的差异；
运行状况判断模块，用于判断差异结果是否超出预设差异阈值，若否，则数控机床运行正常，若是，则数控机床运行异常；
故障类型识别模块，用于利用基于量子优化的故障识别模型输出与数控机床的采集的加工数据相对应的故障类型；
运行参数优化模块，用于利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整。
综上所述，借助于本发明的上述技术方案，本发明能够利用构建的数控机床的CAE模型来实现仿真分析，从而不仅可以基于仿真分析结果与采集的加工数据的比对结果来实现数控机床异常运行状态的识别，而且还可以利用基于量子优化的故障识别模型来实现对数控机床故障类型的识别，以及利用参数优化算法来实现对数控机床运行参数的优化调整，进而可以更好地实现对数控机床的整体状态进行监测。
此外，本发明不仅可以利用基于量子遗传算法优化的最小二乘支持向量机模型来提高数控机床故障检测的准确性，而且还可以利用改进引力搜索算法调整数控机床的运行参数，从而可以实现数控机床的自动优化，提高数控机床的加工性能。
此外，本发明实现了数控机床从数据采集、状态监测、故障检测到参数优化的全流程智能化，提高了数控机床的运行可靠性，减少了不必要的停机维护，在降低生产成本的同时可以有效地提升生产效率。该方法充分利用了CAE技术、机器学习和优化算法，实现了数控机床的智能化监控与优化，具有推广应用前景。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括以上方法所述的步骤，所述的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于CAE的数控机床加工动态性能监控方法，其特征在于，该基于CAE的数控机床加工动态性能监控方法包括以下步骤：
S1、采集数控机床的加工数据，包括运行参数、传感器监测数据及工件尺寸测量数据；
S2、使用CAE工具根据采集的加工数据及数控机床的设计信息构建数控机床的CAE模型；
S3、利用数控机床的CAE模型进行仿真分析，得到数控机床在不同工况下的性能数据；
S4、通过分析比较采集的加工数据与仿真分析结果，得到数控机床的实际性能与预期性能的差异；
S5、判断差异结果是否超出预设差异阈值，若否，则数控机床运行正常，若是，则数控机床运行异常，并执行S6；
S6、利用基于量子优化的故障识别模型输出与数控机床的采集加工数据相对应的故障类型；
S7、利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整。
2.根据权利要求1所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述使用CAE工具根据采集的加工数据及数控机床的设计信息构建数控机床的CAE模型包括以下步骤：
S21、基于数控机床的设计文件获取数控机床中各部件的几何结构及尺寸信息的设计数据；
S22、收集数控机床的材料属性数据，包括数控机床中各部件使用的材料及其力学性能参数；
S23、根据数控机床的运动学及动力学特征选择对应的CAE分析方法，并融合采集的加工数据对数控机床的关键部件进行细化建模；
S24、组装各关键部件的CAE模型，得到数控机床的CAE模型。
3.根据权利要求1所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述利用数控机床的CAE模型进行仿真分析，得到数控机床在不同工况下的性能数据包括以下步骤：
S31、定义仿真分析的工况参数，包括切削速度、进给速率、切削深度、轴向切削力、径向切削力及刀具状态参数；
S32、获得数控机床在不同切削载荷下的应力和变形情况，实现静力分析；
S33、通过模态分析得到数控机床结构在不同切削参数下的固有频率和振型，实现动力学分析；
S34、分析数控机床的运动学性能，实现运动学分析；
S35、获得数控机床在不同切削条件下的动力响应，实现动力响应分析；
S36、分析数控机床在切削过程中的热变形效应，实现热分析；
S37、考虑机械及热学的多物理场的相互影响，实现多物理场耦合分析；
S38、对不同工况的仿真结果进行对比和分析，得到数控机床在不同工况下的性能数据。
4.根据权利要求1所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述利用基于量子优化的故障识别模型输出与数控机床的采集的加工数据相对应的故障类型包括以下步骤：
S61、获取数控机床运行时的历史加工数据，并对获取的历史加工数据进行预处理；
S62、构建最小二乘支持向量机模型，并利用量子遗传算法进行全局搜索优化最小二乘支持向量机模型的参数；
S63、对优化后的最小二乘支持向量机模型进行训练，得到训练后的最小二乘支持向量机模型；
S64、利用训练后的最小二乘支持向量机模型输出与数控机床的实时加工数据相对应的故障类型。
5.根据权利要求4所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述构建最小二乘支持向量机模型，并利用量子遗传算法进行全局搜索优化最小二乘支持向量机模型的参数包括以下步骤：
S621、利用预处理后的历史加工数据对构建的初始最小二乘支持向量机模型进行训练；
S622、确定最小二乘支持向量机模型的核函数，并将最小二乘支持向量机模型的参数编码为量子遗传算法的个体；
S623、设置量子遗传算法的种群大小及迭代次数；
S624、对编码后的每个个体进行解码得到一组最小二乘支持向量机模型的参数；
S625、利用解码得到的最小二乘支持向量机模型的参数对最小二乘支持向量机模型进行训练，并将训练集上的分类准确率作为个体适应度；
S626、进行量子遗传算法的遗传运算生成新一代种群；
S627、重复执行S624-S626，直到达到预设迭代次数或分类准确率要求；
S628、输出最佳个体，并解码得到全局最佳的最小二乘支持向量机模型参数。
6.根据权利要求5所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述进行量子遗传算法的遗传运算生成新一代种群包括：
选择操作，根据个体适应度从当前种群中选择优质个体，创建适应度池，且适应度越高的个体被选择的概率越大；
交叉操作，从适应度池中随机选择两个个体，根据预设的交叉概率对两个个体的编码进行量子旋转门操作，生成新的个体；
变异操作，对种群中的个体根据变异概率对个体的编码进行量子NOT门操作实现变异；
更新种群，用交叉和变异生成的新个体替换掉种群中适应度不佳的个体，形成新一代种群。
7.根据权利要求1所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整包括以下步骤：
S71、根据故障类型的分析结果确定引起数控机床故障的运行参数，包括主轴转速、进给速率及切削深度；
S72、基于预设的优化目标构建数控机床的多目标参数优化模型；
S73、利用改进引力搜索算法对多目标参数优化模型进行求解，得到优化后的运行参数。
8.根据权利要求7所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述预设的优化目标包括最大化机床寿命、最佳切削质量、最小化机床振动及最小化生产成本。
9.根据权利要求7所述的一种基于CAE的数控机床加工动态性能监控方法，其特征在于，所述利用改进引力搜索算法对多目标参数优化模型进行求解，得到优化后的运行参数包括以下步骤：
S731、确定改进引力搜索算法的关键参数，包括群体数量、最大迭代次数、速度更新权重；
S732、根据多目标参数优化模型的决策变量设计编码方式，并随机生成初始群体，计算初始群体中每个个体的适应度；
S733、根据引力搜索算法的速度更新公式更新每个个体的速度，并根据更新后的速度更新每个个体在搜索空间中的位置；
S734、计算每个个体对应的参数组合代入多目标参数优化模型后的目标函数值，作为个体的适应度；
S735、根据适应度对群体进行非支配排序得到不同层次的非支配解集，并使用外部存档存储非支配解，管理推进；
S736、判断是否达到预设迭代次数，若否，返回S733；若是，则终止搜索，解码最终外部存档中的非支配解得到多组优化后的参数组合，并根据仿真验证参数组合的效果选择最佳解，得到优化后的运行参数。
10.一种基于CAE的数控机床加工动态性能监控系统，用于实现权利要求1-9中任一所述的基于CAE的数控机床加工动态性能监控方法的步骤，其特征在于，该基于CAE的数控机床加工动态性能监控系统包括：
数据采集模块，用于采集数控机床的加工数据，包括运行参数、传感器监测数据及工件尺寸测量数据；
模型构建模块，用于使用CAE工具根据采集的加工数据及数控机床的设计信息构建数控机床的CAE模型；
仿真分析模块，用于利用数控机床的CAE模型进行仿真分析，得到数控机床在不同工况下的性能数据；
性能比较模块，用于通过分析比较采集的加工数据与仿真分析结果，得到数控机床的实际性能与预期性能的差异；
运行状况判断模块，用于判断差异结果是否超出预设差异阈值，若否，则数控机床运行正常，若是，则数控机床运行异常；
故障类型识别模块，用于利用基于量子优化的故障识别模型输出与数控机床的采集的加工数据相对应的故障类型；
运行参数优化模块，用于利用参数优化算法结合故障分析结果对数控机床的运行参数进行优化调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410044110.1A CN117555287B (zh) | 2024-01-12 | 2024-01-12 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410044110.1A CN117555287B (zh) | 2024-01-12 | 2024-01-12 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117555287A true CN117555287A (zh) | 2024-02-13 |
| CN117555287B CN117555287B (zh) | 2024-04-09 |
Family
ID=89823664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410044110.1A Active CN117555287B (zh) | 2024-01-12 | 2024-01-12 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117555287B (zh) |
Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5377116A (en) * | 1991-07-01 | 1994-12-27 | Valenite Inc. | Method and system for designing a cutting tool |
| US20080140749A1 (en) * | 2004-12-20 | 2008-06-12 | Stmicroelectronics S.R.L. | Method and device for performing a quantum algorithm to simulate a genetic algorithm |
| CN101523316A (zh) * | 2006-10-11 | 2009-09-02 | 费舍-柔斯芒特系统股份有限公司 | 用于检测加工厂中的故障的方法和系统 |
| CN103631201A (zh) * | 2013-12-17 | 2014-03-12 | 吉林大学 | 一种数控机床子系统可靠性影响度分析方法 |
| CN104181817A (zh) * | 2014-09-12 | 2014-12-03 | 河海大学常州校区 | 一种新型的两轮自平衡电动车系统控制器的设计方法 |
| CN105574231A (zh) * | 2015-11-27 | 2016-05-11 | 上海交通大学 | 一种蓄电池剩余容量检测方法 |
| US20180276555A1 (en) * | 2017-03-22 | 2018-09-27 | Accenture Global Solutions Limited | Quantum optimization system |
| CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
| CN110347116A (zh) * | 2019-07-17 | 2019-10-18 | 重庆大学 | 一种基于运行数据流的机床状态监测系统与监测方法 |
| CN110909782A (zh) * | 2019-11-15 | 2020-03-24 | 湘潭大学 | 一种基于多特征结合深度学习对机床主轴故障的诊断方法 |
| CN112016801A (zh) * | 2020-07-17 | 2020-12-01 | 山东师范大学 | 带传输和切换时间的柔性作业车间调度方法及系统 |
| CN112650146A (zh) * | 2020-12-18 | 2021-04-13 | 国家机床质量监督检验中心 | 一种数控机床多工况下故障诊断优化方法、系统及设备 |
| CN113552840A (zh) * | 2021-07-30 | 2021-10-26 | 娄底市同丰科技有限公司 | 一种机械加工控制系统 |
| CN113591944A (zh) * | 2021-07-14 | 2021-11-02 | 中国海洋大学 | 随机森林模型训练中参数选择的优化方法、系统、设备 |
| CN113741377A (zh) * | 2021-09-29 | 2021-12-03 | 上海理工大学 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
| CN114384861A (zh) * | 2021-12-16 | 2022-04-22 | 重庆邮电大学 | 一种基于多层感知机的数控机床多工况切削参数优化方法 |
| CN114417909A (zh) * | 2021-12-01 | 2022-04-29 | 国网山东省电力公司电力科学研究院 | 一种气体绝缘组合电器的故障识别方法及系统 |
| CN114970028A (zh) * | 2022-05-31 | 2022-08-30 | 山东大学 | 一种数字孪生驱动的制造装备研发方法及系统 |
| CN115334592A (zh) * | 2022-08-01 | 2022-11-11 | 天津理工大学 | 一种基于量子行为粒子群优化策略的IoT用户感知任务卸载方法 |
| CN115562167A (zh) * | 2022-11-11 | 2023-01-03 | 哈尔滨理工大学 | 一种数字孪生数控机床运行能耗监控系统 |
| CN116167438A (zh) * | 2023-02-27 | 2023-05-26 | 长沙理工大学 | 基于改进量子遗传算法优化svm的变压器故障诊断方法 |
| CN116184928A (zh) * | 2023-02-21 | 2023-05-30 | 浙江工业大学 | 一种考虑刀具磨损的机床空间几何误差模型建模方法 |
| CN116360339A (zh) * | 2023-03-10 | 2023-06-30 | 重庆工商大学 | 一种基于元动作单元数字孪生模型的数控机床可靠性优化方法 |
| CN116360340A (zh) * | 2022-12-26 | 2023-06-30 | 三明学院 | 一种数控机床的进给轴故障检测装置 |
| CN116578040A (zh) * | 2023-07-13 | 2023-08-11 | 北京机床研究所有限公司 | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 |
| CN116976441A (zh) * | 2023-03-15 | 2023-10-31 | 腾讯科技（深圳）有限公司 | 设备故障预测模型训练方法、设备故障预测方法和装置 |
| CN117111589A (zh) * | 2023-10-23 | 2023-11-24 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
| CN117170308A (zh) * | 2023-11-02 | 2023-12-05 | 中国机械总院集团云南分院有限公司 | 一种基于指令序列分析的机床动态误差补偿方法及系统 |
-
2024
- 2024-01-12 CN CN202410044110.1A patent/CN117555287B/zh active Active
Patent Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5377116A (en) * | 1991-07-01 | 1994-12-27 | Valenite Inc. | Method and system for designing a cutting tool |
| US20080140749A1 (en) * | 2004-12-20 | 2008-06-12 | Stmicroelectronics S.R.L. | Method and device for performing a quantum algorithm to simulate a genetic algorithm |
| CN101523316A (zh) * | 2006-10-11 | 2009-09-02 | 费舍-柔斯芒特系统股份有限公司 | 用于检测加工厂中的故障的方法和系统 |
| CN103631201A (zh) * | 2013-12-17 | 2014-03-12 | 吉林大学 | 一种数控机床子系统可靠性影响度分析方法 |
| CN104181817A (zh) * | 2014-09-12 | 2014-12-03 | 河海大学常州校区 | 一种新型的两轮自平衡电动车系统控制器的设计方法 |
| CN105574231A (zh) * | 2015-11-27 | 2016-05-11 | 上海交通大学 | 一种蓄电池剩余容量检测方法 |
| US20180276555A1 (en) * | 2017-03-22 | 2018-09-27 | Accenture Global Solutions Limited | Quantum optimization system |
| CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
| CN110347116A (zh) * | 2019-07-17 | 2019-10-18 | 重庆大学 | 一种基于运行数据流的机床状态监测系统与监测方法 |
| CN110909782A (zh) * | 2019-11-15 | 2020-03-24 | 湘潭大学 | 一种基于多特征结合深度学习对机床主轴故障的诊断方法 |
| CN112016801A (zh) * | 2020-07-17 | 2020-12-01 | 山东师范大学 | 带传输和切换时间的柔性作业车间调度方法及系统 |
| CN112650146A (zh) * | 2020-12-18 | 2021-04-13 | 国家机床质量监督检验中心 | 一种数控机床多工况下故障诊断优化方法、系统及设备 |
| CN113591944A (zh) * | 2021-07-14 | 2021-11-02 | 中国海洋大学 | 随机森林模型训练中参数选择的优化方法、系统、设备 |
| CN113552840A (zh) * | 2021-07-30 | 2021-10-26 | 娄底市同丰科技有限公司 | 一种机械加工控制系统 |
| CN113741377A (zh) * | 2021-09-29 | 2021-12-03 | 上海理工大学 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
| CN114417909A (zh) * | 2021-12-01 | 2022-04-29 | 国网山东省电力公司电力科学研究院 | 一种气体绝缘组合电器的故障识别方法及系统 |
| CN114384861A (zh) * | 2021-12-16 | 2022-04-22 | 重庆邮电大学 | 一种基于多层感知机的数控机床多工况切削参数优化方法 |
| CN114970028A (zh) * | 2022-05-31 | 2022-08-30 | 山东大学 | 一种数字孪生驱动的制造装备研发方法及系统 |
| CN115334592A (zh) * | 2022-08-01 | 2022-11-11 | 天津理工大学 | 一种基于量子行为粒子群优化策略的IoT用户感知任务卸载方法 |
| CN115562167A (zh) * | 2022-11-11 | 2023-01-03 | 哈尔滨理工大学 | 一种数字孪生数控机床运行能耗监控系统 |
| CN116360340A (zh) * | 2022-12-26 | 2023-06-30 | 三明学院 | 一种数控机床的进给轴故障检测装置 |
| CN116184928A (zh) * | 2023-02-21 | 2023-05-30 | 浙江工业大学 | 一种考虑刀具磨损的机床空间几何误差模型建模方法 |
| CN116167438A (zh) * | 2023-02-27 | 2023-05-26 | 长沙理工大学 | 基于改进量子遗传算法优化svm的变压器故障诊断方法 |
| CN116360339A (zh) * | 2023-03-10 | 2023-06-30 | 重庆工商大学 | 一种基于元动作单元数字孪生模型的数控机床可靠性优化方法 |
| CN116976441A (zh) * | 2023-03-15 | 2023-10-31 | 腾讯科技（深圳）有限公司 | 设备故障预测模型训练方法、设备故障预测方法和装置 |
| CN116578040A (zh) * | 2023-07-13 | 2023-08-11 | 北京机床研究所有限公司 | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 |
| CN117111589A (zh) * | 2023-10-23 | 2023-11-24 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
| CN117170308A (zh) * | 2023-11-02 | 2023-12-05 | 中国机械总院集团云南分院有限公司 | 一种基于指令序列分析的机床动态误差补偿方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| HONGYI PU: "Detecting Replay Attacks against Industrial Robots via Power Fingerprinting", 《ISI_WEB OF SCIENCE》, 31 December 2020 (2020-12-31), pages 286 - 297 * |
| HONGYI PU: "Security of Industrial Robots: Vulnerabilities, Attacks, and Mitigations", 《IEEE》, 31 December 2023 (2023-12-31), pages 111 - 117 * |
| 吴凇等: "改进量子遗传算法在电机结构优化中的应用", 《鱼雷技术》, vol. 23, no. 1, 28 February 2015 (2015-02-28), pages 49 - 54 * |
| 焦斌等: "量子遗传算法优化的最小二乘支持向量机的风机故障诊断", 《上海电机学院学报》, vol. 17, no. 3, 31 December 2014 (2014-12-31), pages 158 - 163 * |
| 詹欣隆 等: "基于改进引力搜索算法的铣削加工参数低碳建模及优化", 《中国机械工程》, vol. 31, no. 12, 30 June 2020 (2020-06-30), pages 1481 - 1491 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117555287B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ding et al. | State of AI-based monitoring in smart manufacturing and introduction to focused section | |
| Li et al. | Fuzzy neural network modelling for tool wear estimation in dry milling operation | |
| Nalbant et al. | The experimental investigation of the effects of uncoated, PVD-and CVD-coated cemented carbide inserts and cutting parameters on surface roughness in CNC turning and its prediction using artificial neural networks | |
| CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
| Jiang et al. | Real-time quality monitoring and predicting model based on error propagation networks for multistage machining processes | |
| JP2020138279A (ja) | 加工条件調整装置及び加工条件調整システム | |
| Liu et al. | Establishing a reliable mechanism model of the digital twin machining system: An adaptive evaluation network approach | |
| Al‐Najjar et al. | Improving effectiveness of manufacturing systems using total quality maintenance | |
| CN101636698A (zh) | 使用三维pareto-front遗传规划开发的推理传感器 | |
| CN106774157A (zh) | 一种具有故障诊断与预警功能的数控机床 | |
| Quintana et al. | Prediction, monitoring and control of surface roughness in high-torque milling machine operations | |
| Yao et al. | Tool remaining useful life prediction using deep transfer reinforcement learning based on long short-term memory networks | |
| Castano et al. | Data-driven insights on time-to-failure of electromechanical manufacturing devices: A procedure and case study | |
| CN112418455A (zh) | 一种设备故障预测与健康管理系统 | |
| Bai et al. | Fault data screening and failure rate prediction framework-based bathtub curve on industrial robots | |
| CN117555287B (zh) | 一种基于cae的数控机床加工动态性能监控方法及系统 | |
| Masalimov et al. | Diagnostics of the tool condition in metal-cutting machines by means of recurrent neural networks | |
| Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
| Szelążek et al. | Semantic data mining‐based decision support for quality assessment in steel industry | |
| Vallejo et al. | Cost-effective supervisory control system in peripheral milling using HSM | |
| Han et al. | Remaining useful life prediction of manufacturing system based on fuzzy quality state task network | |
| Jiang et al. | A novel ensemble fuzzy model for degradation prognostics of rolling element bearings | |
| Jain et al. | Quality control based tool condition monitoring | |
| Bonci et al. | Machine learning for monitoring and predictive maintenance of cutting tool wear for clean-cut machining machines | |
| Jiang et al. | A dynamic failure mode and effect analysis (FMEA) method for CNC machine tool in service |
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 |