CN117707050A - 基于云计算的数控机床实时监控与数据分析系统及方法 - Google Patents
基于云计算的数控机床实时监控与数据分析系统及方法 Download PDFInfo
- Publication number
- CN117707050A CN117707050A CN202311794769.0A CN202311794769A CN117707050A CN 117707050 A CN117707050 A CN 117707050A CN 202311794769 A CN202311794769 A CN 202311794769A CN 117707050 A CN117707050 A CN 117707050A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- machine tool
- numerical control
- control machine
- state coefficient
- 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 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000007405 data analysis Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 287
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 206010000117 Abnormal behaviour Diseases 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function 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
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本发明涉及数控机床领域，本发明公开了基于云计算的数控机床实时监控与数据分析系统及方法，包括获取数控机床实时机床特征数据；将实时机床特征数据分别输入预配置对应的特征预测模型中，获取未来机床特征数据；将未来机床特征数据输入预配置的状态系数回归模型中，获取运行状态系数；根据运行状态系数判断数控机床是否存在异常，并基于异常状态系数区间与异常状态信息之间的预设关系，确定关联的异常状态信息；根据未来机床特征数据生成实际异常表现图，根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因；本发明有利于对数控机床异常原因和异常位置进行快速断定，以保障设备的可靠性和生产效率。
Description
技术领域
本发明涉及数控机床领域，更具体地说，本发明涉及基于云计算的数控机床实时监控与数据分析系统及方法。
背景技术
数控机床在长时间运行中难免会遇到各种故障和异常情况，这些异常不仅会导致生产中断和资源浪费，还可能损害设备和增加维修成本；因此，作为机床销售商，提供可靠的数控机床以及与之配套的监控与维护服务是提高客户满意度和促进销售的关键；但在当前的数控机床监控管理过程中，在机床发生故障或其他报警时，往往是由机床操作工和车间管理人员通过层层电话沟通的方式与销售商建立联系，之后再根据与销售商取得指导和处理信息后进行维护；此类方式滞后性较大，易造成较长时间机床的停机，且难以实现对各区域分布的机床设备的远程监控和管理；因此，为了及时发现和处理数控机床的异常，提高设备的可靠性和生产效率，迫切需要一种先进的数控机床实时监控与数据分析系统或方法。
目前，现有的数控机床实时监控与数据分析系统或方法主要围绕如何提高数控机床故障监测准确度进行优化设计，例如授权公告号为CN109933004B的中国专利公开了基于边缘计算和云协同的机床故障诊断与预测方法及系统，再例如授权公告号为CN116009480B的中国专利公开了一种数控机床的故障监测方法、装置、设备及存储介质，上述方法虽能实现对数控机床的故障监测，但对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术至少存在以下部分缺陷：
(1)缺乏对数控机床当前运行特征和未来运行特征关系研究，异常预测过程依赖于当前运行特征，使得数控机床的异常预测准确度仍然有待提高；且异常检测过于频繁，监控和分析资源存在过度消耗；
(2)难以在数控机床异常判断结果的基础上，针对数控机床异常原因和异常位置进行快速断定，从而无法辅助销售商或机床操作工缩短维护时间，进而难以保障设备的可靠性和生产效率。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于云计算的数控机床实时监控与数据分析系统及方法。
为实现上述目的，本发明提供如下技术方案：
基于云计算的数控机床实时监控与数据分析方法，所述方法应用于云服务器中，所述云服务器分别与安装于数控机床的集成数据终端和部署机床销售商的管理终端远程通信连接，所述方法包括：
步骤1：通过集成数据终端获取数控机床在T-N到T时间跨度内的实时机床特征数据，T和N均为大于零的正整数；
步骤2：将T-N到T时间跨度内的实时机床特征数据分别输入预配置对应的特征预测模型中，以获取T+N到T+2N时间区间内数控机床的未来机床特征数据；
步骤3：将T+N到T+2N时间区间内数控机床的未来机床特征数据输入预配置的状态系数回归模型中，以获取T+N到T+2N时间区间内数控机床的运行状态系数；
步骤4：根据运行状态系数判断在T+N到T+2N时间区间内数控机床是否存在异常，若不存在异常，则令T＝T+2N，并返回至步骤1；若存在异常，则基于异常状态系数区间与异常状态信息之间的预设关系，确定关联的异常状态信息；所述异常状态信息包括K个异常原因、每个异常原因对应的异常位置以及每个异常原因对应的E个标准异常表现图，E、K为大于零的正整数；
步骤5：根据T+N到T+2N时间区间内的未来机床特征数据生成实际异常表现图，根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因，并将异常原因和异常位置反馈至管理终端。
进一步地，所述实时机床特征数据包括数控机床的温度差集合、振动差集合、电机电压差集合、电机电流差集合和运行速度差集合。
进一步地，预配置的所述特征预测模型包含R个，R为大于零的正整数；R个所述特征预测模型包括但不限于用于预测T+N到T+2N时间区间内未来机床温度均值的特征预测模型、用于预测T+N到T+2N时间区间内未来机床振动均值的特征预测模型、用于预测T+N到T+2N时间区间内未来电源电压均值的特征预测模型、用于预测T+N到T+2N时间区间内未来电源电流均值的特征预测模型以及用于预测T+N到T+2N时间区间内未来机床速度均值的特征预测模型。
进一步地，所述状态系数回归模型的生成逻辑具体如下：
获取历史状态系数样本数据，将所述历史状态系数样本数据划分成状态系数训练集和状态系数测试集；所述历史状态系数样本数据包括未来机床特征数据及其对应的运行状态系数；
其中，所述运行状态系数的生成逻辑如下：
获取在设定时间跨度内数控机床轴运动时的实际位置坐标和期望位置坐标，以及获取在设定时间跨度内数控机床的实际处理量和被分配的任务总量；
根据实际位置坐标和期望位置坐标确定数控机床的运行精度系数，并将所述运行精度系数结合实际处理量和被分配的任务总量进行公式化计算，以获取运行状态系数，其计算公式如下：
式中：α表示运行精度系数，Xn、Yn和Zn表示n时刻下的实际位置坐标，和表示n时刻下的期望位置坐标，Hadn表示n时刻下的实际处理量，Total表示设定时间跨度内被分配的任务总量，N表示设定时间跨度，β表示运行状态系数；
构建第二回归网络，将状态系数训练集中的未来机床特征数据作为第二回归网络的输入数据，将状态系数训练集中的运行状态系数作为第二回归网络的输出数据，对第二回归网络进行训练，得到初始状态系数回归网络；
利用状态系数测试集对初始状态系数回归网络进行模型验证，输出预测误差小于等于预设误差阈值的初始状态系数回归网络作为状态系数回归模型。
进一步地，所述判断在T+N到T+2N时间区间内数控机床是否存在异常，包括：
将运行状态系数与Q个异常状态系数区间进行比对，Q为大于零的正整数；
若所述运行状态系数落入Q个异常状态系数区间中的任何一个区间中，则判定T+N到T+2N时间区间内的数控机床存在异常；
若所述运行状态系数未落入Q个异常状态系数区间中的任何一个区间中，则判定T+N到T+2N时间区间内的数控机床不存在异常。
进一步地，所述实际异常表现图存在E个，E个实际异常表现图包括但不限于反映温度变化的实际异常表现图、反映振动变化的实际异常表现图、反映电压变化的实际异常表现图、反映电流变化的实际异常表现图或反映速度变化的实际异常表现图；
根据T+N到T+2N时间区间内的未来机床特征数据生成实际异常表现图，包括：
提取T+N到T+2N时间区间内未来机床特征数据的每一温度值；
构建二维坐标系，将为T+N到T+2N时间区间作为二维坐标系的横轴，以及将每一温度值作为二维坐标系的纵轴，得到反映温度变化的实际异常表现图。
进一步地，所述根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因，包括：
利用余弦相似度算法对E个实际异常表现图和E个标准异常表现图中相同形式的表现图进行相似度计算，得到S个余弦相似度，S为大于零的正整数；
筛选S个余弦相似度中的最大余弦相似度，将最大余弦相似度与预设余弦相似度阈值进行比对；
若最大余弦相似度大于等于预设余弦相似度阈值，则将最大余弦相似度的标准异常表现图对应的异常原因作为最终异常原因；
若最大余弦相似度小于预设余弦相似度阈值，则不将最大余弦相似度的标准异常表现图对应的异常原因作为最终异常原因。
基于云计算的数控机床实时监控与数据分析系统，包括：
数据获取模块，用于通过集成数据终端获取数控机床在T-N到T时间跨度内的实时机床特征数据，T和N均为大于零的正整数；
特征预测模块，用于将T-N到T时间跨度内的实时机床特征数据分别输入预配置对应的特征预测模型中，以获取T+N到T+2N时间区间内数控机床的未来机床特征数据；
系数回归模块，用于将T+N到T+2N时间区间内数控机床的未来机床特征数据输入预配置的状态系数回归模型中，以获取T+N到T+2N时间区间内数控机床的运行状态系数；
异常判断模块，用于根据运行状态系数判断在T+N到T+2N时间区间内数控机床是否存在异常，若不存在异常，则令T＝T+2N，并触发数据获取模块；若存在异常，则基于异常状态系数区间与异常状态信息之间的预设关系，确定关联的异常状态信息；所述异常状态信息包括K个异常原因、每个异常原因对应的异常位置以及每个异常原因对应的E个标准异常表现图，E、K为大于零的正整数；
原因确定模块，用于根据T+N到T+2N时间区间内的未来机床特征数据生成实际异常表现图，根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因，并将异常原因和异常位置反馈至管理终端。
一种电子设备，包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述基于云计算的数控机床实时监控与数据分析方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述任一项所述基于云计算的数控机床实时监控与数据分析方法。
相比于现有技术，本发明的有益效果在于：
1.本申请公开了基于云计算的数控机床实时监控与数据分析系统及方法，首先获取数控机床实时机床特征数据；然后将实时机床特征数据分别输入预配置对应的特征预测模型中，获取未来机床特征数据；之后将未来机床特征数据输入预配置的状态系数回归模型中，获取运行状态系数；接着根据运行状态系数判断数控机床是否存在异常，并基于异常状态系数区间与异常状态信息之间的预设关系，确定关联的异常状态信息；最后根据未来机床特征数据生成实际异常表现图，根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因；基于上述技术方案，本发明能够在数控机床异常判断结果的基础上，针对数控机床异常原因和异常位置进行快速断定，从而有利于辅助销售商或机床操作工缩短维护时间，进而有利于保障设备的可靠性和生产效率。
2.本申请公开了基于云计算的数控机床实时监控与数据分析系统及方法，通过对数控机床当前运行特征和未来运行特征的关系进行研究，本发明能够进一步提高数控机床的异常预测准确度；此外，通过引入一定时间周期的异常判断机制，本发明有利于避免异常检测过于频繁，从而有利于降低监控和分析资源的消耗。
附图说明
图1为本发明提供的基于云计算的数控机床实时监控与数据分析方法的流程图；
图2为本发明提供的基于云计算的数控机床实时监控与数据分析系统的示意图；
图3为本发明提供的一种电子设备的结构示意图；
图4为本发明提供的一种计算机可读存储介质的结构示意图。
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。
实施例1
请参阅图1所示，基于同一个发明构思，本实施例公开提供了基于云计算的数控机床实时监控与数据分析方法，所述方法应用于云服务器中，所述云服务器分别与安装于数控机床的集成数据终端和部署于机床销售商的管理终端远程通信连接，所述方法包括：
步骤1：通过集成数据终端获取数控机床在T-N到T时间跨度内的实时机床特征数据，T和N均为大于零的正整数；
具体的，所述实时机床特征数据包括数控机床的温度差集合、振动差集合、电机电压差集合、电机电流差集合和运行速度差集合；
需要说明的是：所述温度差集合中包含多个在设定时间间隔内的温度差值；进一步举例说明就是：假设T-N到T时间跨度为9点00分钟到9点10分钟，且设定时间间隔为1分钟，则在设定时间间隔内的温度差值(即温度差集合)，包含有9点01到9点00之间的温度差值、9点02到9点01之间的温度差值、9点03到9点02之间的温度差值、…、9点10到9点09之间的温度差值；同理，对于振动差集合、电机电压差集合、电机电流差集合和运行速度差集合而言，也是如此，详情参照温度差集合的介绍，对此不再过多赘述。
还需要说明的是：所述集成数据终端存在若干个，每个均部署于工厂中的每一数控机床上，所述集成数据终端至少包括温度传感器、振动传感、电压传感器、电流传感器和速度传感器。
步骤2：将T-N到T时间跨度内的实时机床特征数据分别输入预配置对应的特征预测模型中，以获取T+N到T+2N时间区间内数控机床的未来机床特征数据；
具体的，预配置的所述特征预测模型包含R个，R为大于零的正整数；进一步需要说明的是，R个所述特征预测模型包括但不限于用于预测T+N到T+2N时间区间内未来机床温度均值的特征预测模型、用于预测T+N到T+2N时间区间内未来机床振动均值的特征预测模型、用于预测T+N到T+2N时间区间内未来电源电压均值的特征预测模型、用于预测T+N到T+2N时间区间内未来电源电流均值的特征预测模型以及用于预测T+N到T+2N时间区间内未来机床速度均值的特征预测模型；
具体的，所述未来机床特征数据包括未来机床温度均值、未来机床振动均值、未来电机电压均值、未来电机电流均值以及未来运行速度均值；
在一个具体实施方式中，所述特征预测模型的生成逻辑具体如下：
获取历史温度样本数据，将所述历史温度样本数据划分成未来温度训练集和未来温度测试集；所述历史温度样本数据包括温度差集合及其对应的未来机床温度均值；
构建第一回归网络，将未来温度训练集中的温度差集合作为第一回归网络的输入数据，将未来温度训练集中的未来机床温度均值作为第一回归网络的输出数据，对第一回归网络进行训练，得到初始特征预测网络；
利用未来温度测试集对初始特征预测网络进行模型验证，输出预测误差小于等于预设误差阈值的初始特征预测网络作为特征预测模型；
需要说明的是：所述第一回归网络具体为LSTM神经网络、决策树回归网络、随机森林回归网络、支持向量机回归网络或线性回归网络等模型中的一种；
还需要说明的是：上述特征预测模型的生成逻辑具体为R个所述特征预测模型中的具体一个特征预测模型的训练过程，其具体为用于预测T+N到T+2N时间区间内未来机床温度均值的特征预测模型的训练过程，其中，所述未来机床温度均值通过将每一时刻下温度值累加和除以时长N得到(其他未来机床特征数据的计算逻辑也是如此，对此不再过多赘述)；但上述特征预测模型的生成逻辑，剩余R-1个所述特征预测模型的生成逻辑也是如此，因此，对其不作过多赘述，详情可参照上述训练过程；应当注意的是：R个所述特征预测模型只是预测结果不同，其训练原理和过程一致。
步骤3：将T+N到T+2N时间区间内数控机床的未来机床特征数据输入预配置的状态系数回归模型中，以获取T+N到T+2N时间区间内数控机床的运行状态系数；
具体的，所述状态系数回归模型的生成逻辑具体如下：
获取历史状态系数样本数据，将所述历史状态系数样本数据划分成状态系数训练集和状态系数测试集；所述历史状态系数样本数据包括未来机床特征数据及其对应的运行状态系数；
其中，所述运行状态系数的生成逻辑如下：
获取在设定时间跨度内数控机床轴运动时的实际位置坐标和期望位置坐标，以及获取在设定时间跨度内数控机床的实际处理量和被分配的任务总量；
根据实际位置坐标和期望位置坐标确定数控机床的运行精度系数，并将所述运行精度系数结合实际处理量和被分配的任务总量进行公式化计算，以获取运行状态系数，其计算公式如下：
式中：α表示运行精度系数，Xn、Yn和Zn表示n时刻下的实际位置坐标，和表示n时刻下的期望位置坐标，Hadn表示n时刻下的实际处理量，Total表示设定时间跨度内被分配的任务总量，N表示设定时间跨度，β表示运行状态系数；
构建第二回归网络，将状态系数训练集中的未来机床特征数据作为第二回归网络的输入数据，将状态系数训练集中的运行状态系数作为第二回归网络的输出数据，对第二回归网络进行训练，得到初始状态系数回归网络；
利用状态系数测试集对初始状态系数回归网络进行模型验证，输出预测误差小于等于预设误差阈值的初始状态系数回归网络作为状态系数回归模型；
需要说明的是：所述第二回归网络具体为RNN循环神经网络模型。
步骤4：根据运行状态系数判断在T+N到T+2N时间区间内数控机床是否存在异常，若不存在异常，则令T＝T+2N，并返回至步骤1；若存在异常，则基于异常状态系数区间与异常状态信息之间的预设关系，确定关联的异常状态信息；所述异常状态信息包括K个异常原因、每个异常原因对应的异常位置以及每个异常原因对应的E个标准异常表现图，E、K为大于零的正整数；
在实施中，判断在T+N到T+2N时间区间内数控机床是否存在异常，包括：
将运行状态系数与Q个异常状态系数区间进行比对，Q为大于零的正整数；
若所述运行状态系数落入Q个异常状态系数区间中的任何一个区间中，则判定T+N到T+2N时间区间内的数控机床存在异常；
若所述运行状态系数未落入Q个异常状态系数区间中的任何一个区间中，则判定T+N到T+2N时间区间内的数控机床不存在异常；
需要说明的是：系统数据库中预先存储有Q个异常状态系数区间，每个异常状态系数区间的具体范围根据实验情况具体确定，每个异常状态系数区间具体事先人为关联绑定有一个异常状态信息，在一个异常状态信息中关联有K个异常原因、每个异常原因对应的异常位置以及每个异常原因对应的E个标准异常表现图，E个所述标准异常表现图包括但不限于反映温度变化的标准异常表现图、反映振动变化的标准异常表现图、反映电压变化的标准异常表现图、反映电流变化的标准异常表现图或反映速度变化的标准异常表现图；
应当明白的是：由于异常状态系数区间与异常状态信息之间的预设关系通过事先人为设定绑定建立；因此，当将所述运行状态系数与Q个异常状态系数区间进行比对时，即可获悉所述运行状态系数对应归属的异常状态系数区间，再根据异常状态系数区间与异常状态信息之间的映射关系，即可知道所述运行状态系数对应归属的异常状态系数区间所映射的对应异常状态信息，即确定了关联的异常状态信息；进一步地，则获悉了在未来T+N到T+2N时间区间内数控机床将要发生异常时的K个异常原因、每个异常原因对应的异常位置以及每个异常原因对应的E个标准异常表现图，再根据后续处理，进一步确定具体情况，以实现事先快速异常排查，从而有利于缩短数控机床的维护时间，避免数控机床停机过长而影响生产效率。
步骤5：根据T+N到T+2N时间区间内的未来机床特征数据生成实际异常表现图，根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因，并将异常原因和异常位置反馈至管理终端；
在一个具体实施方式中，根据T+N到T+2N时间区间内的未来机床特征数据生成实际异常表现图，包括：
提取T+N到T+2N时间区间内未来机床特征数据的每一温度值；
构建二维坐标系，将为T+N到T+2N时间区间作为二维坐标系的横轴，以及将每一温度值作为二维坐标系的纵轴，得到反映温度变化的实际异常表现图。
需要说明的是：所述实际异常表现图存在E个，在其他具体实施方式中，二维坐标系的纵轴可由T+N到T+2N时间区间内未来机床特征数据的每一振动值、T+N到T+2N时间区间内未来机床特征数据的每一电压值、T+N到T+2N时间区间内未来机床特征数据的每一电流值或T+N到T+2N时间区间内未来机床特征数据的每一速度值中的一种替代；因此，E个实际异常表现图包括但不限于反映温度变化的实际异常表现图、反映振动变化的实际异常表现图、反映电压变化的实际异常表现图、反映电流变化的实际异常表现图或反映速度变化的实际异常表现图；其他形式所述实际异常表现图的生成逻辑同上述反映温度变化的实际异常表现图的生成逻辑，对其不再过多赘述；
在实施中，根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因，包括：
利用余弦相似度算法对E个实际异常表现图和E个标准异常表现图中相同形式的表现图进行相似度计算，得到S个余弦相似度，S为大于零的正整数；
筛选S个余弦相似度中的最大余弦相似度，将最大余弦相似度与预设余弦相似度阈值进行比对；
若最大余弦相似度大于等于预设余弦相似度阈值，则将最大余弦相似度的标准异常表现图对应的异常原因作为最终异常原因；
若最大余弦相似度小于预设余弦相似度阈值，则不将最大余弦相似度的标准异常表现图对应的异常原因作为最终异常原因；
应当明白的是：当排除最大余弦相似度的标准异常表现图对应的异常原因作为最终异常原因时，则在剩下K-1个异常原因中再做排查，直至某一个异常原因关联标准异常表现图的最大余弦相似度大于等于预设余弦相似度阈值时，得到最终异常原因。
实施例2
请参阅图2所示，本实施例公开提供了基于云计算的数控机床实时监控与数据分析系统，所述系统应用于云服务器中，所述云服务器分别与安装于数控机床的集成数据终端和部署于机床销售商的管理终端远程通信连接，所述系统包括：
数据获取模块210，用于通过集成数据终端获取数控机床在T-N到T时间跨度内的实时机床特征数据，T和N均为大于零的正整数；
具体的，所述实时机床特征数据包括数控机床的温度差集合、振动差集合、电机电压差集合、电机电流差集合和运行速度差集合；
需要说明的是：所述温度差集合中包含多个在设定时间间隔内的温度差值；进一步举例说明就是：假设T-N到T时间跨度为9点00分钟到9点10分钟，且设定时间间隔为1分钟，则在设定时间间隔内的温度差值(即温度差集合)，包含有9点01到9点00之间的温度差值、9点02到9点01之间的温度差值、9点03到9点02之间的温度差值、…、9点10到9点09之间的温度差值；同理，对于振动差集合、电机电压差集合、电机电流差集合和运行速度差集合而言，也是如此，详情参照温度差集合的介绍，对此不再过多赘述。
还需要说明的是：所述集成数据终端存在若干个，每个均部署于工厂中的每一数控机床上，所述集成数据终端至少包括温度传感器、振动传感、电压传感器、电流传感器和速度传感器。
特征预测模块220，用于将T-N到T时间跨度内的实时机床特征数据分别输入预配置对应的特征预测模型中，以获取T+N到T+2N时间区间内数控机床的未来机床特征数据；
具体的，预配置的所述特征预测模型包含R个，R为大于零的正整数；进一步需要说明的是，R个所述特征预测模型包括但不限于用于预测T+N到T+2N时间区间内未来机床温度均值的特征预测模型、用于预测T+N到T+2N时间区间内未来机床振动均值的特征预测模型、用于预测T+N到T+2N时间区间内未来电源电压均值的特征预测模型、用于预测T+N到T+2N时间区间内未来电源电流均值的特征预测模型以及用于预测T+N到T+2N时间区间内未来机床速度均值的特征预测模型；
具体的，所述未来机床特征数据包括未来机床温度均值、未来机床振动均值、未来电机电压均值、未来电机电流均值以及未来运行速度均值；
在一个具体实施方式中，所述特征预测模型的生成逻辑具体如下：
获取历史温度样本数据，将所述历史温度样本数据划分成未来温度训练集和未来温度测试集；所述历史温度样本数据包括温度差集合及其对应的未来机床温度均值；
构建第一回归网络，将未来温度训练集中的温度差集合作为第一回归网络的输入数据，将未来温度训练集中的未来机床温度均值作为第一回归网络的输出数据，对第一回归网络进行训练，得到初始特征预测网络；
利用未来温度测试集对初始特征预测网络进行模型验证，输出预测误差小于等于预设误差阈值的初始特征预测网络作为特征预测模型；
需要说明的是：所述第一回归网络具体为LSTM神经网络、决策树回归网络、随机森林回归网络、支持向量机回归网络或线性回归网络等模型中的一种；
还需要说明的是：上述特征预测模型的生成逻辑具体为R个所述特征预测模型中的具体一个特征预测模型的训练过程，其具体为用于预测T+N到T+2N时间区间内未来机床温度均值的特征预测模型的训练过程，其中，所述未来机床温度均值通过将每一时刻下温度值累加和除以时长N得到(其他未来机床特征数据的计算逻辑也是如此，对此不再过多赘述)；但上述特征预测模型的生成逻辑，剩余R-1个所述特征预测模型的生成逻辑也是如此，因此，对其不作过多赘述，详情可参照上述训练过程；应当注意的是：R个所述特征预测模型只是预测结果不同，其训练原理和过程一致。
系数回归模块230，用于将T+N到T+2N时间区间内数控机床的未来机床特征数据输入预配置的状态系数回归模型中，以获取T+N到T+2N时间区间内数控机床的运行状态系数；
具体的，所述状态系数回归模型的生成逻辑具体如下：
获取历史状态系数样本数据，将所述历史状态系数样本数据划分成状态系数训练集和状态系数测试集；所述历史状态系数样本数据包括未来机床特征数据及其对应的运行状态系数；
其中，所述运行状态系数的生成逻辑如下：
获取在设定时间跨度内数控机床轴运动时的实际位置坐标和期望位置坐标，以及获取在设定时间跨度内数控机床的实际处理量和被分配的任务总量；
根据实际位置坐标和期望位置坐标确定数控机床的运行精度系数，并将所述运行精度系数结合实际处理量和被分配的任务总量进行公式化计算，以获取运行状态系数，其计算公式如下：
式中：α表示运行精度系数，Xn、Yn和Zn表示n时刻下的实际位置坐标，和表示n时刻下的期望位置坐标，Hadn表示n时刻下的实际处理量，Total表示设定时间跨度内被分配的任务总量，N表示设定时间跨度，β表示运行状态系数；
构建第二回归网络，将状态系数训练集中的未来机床特征数据作为第二回归网络的输入数据，将状态系数训练集中的运行状态系数作为第二回归网络的输出数据，对第二回归网络进行训练，得到初始状态系数回归网络；
利用状态系数测试集对初始状态系数回归网络进行模型验证，输出预测误差小于等于预设误差阈值的初始状态系数回归网络作为状态系数回归模型；
需要说明的是：所述第二回归网络具体为RNN循环神经网络模型。
异常判断模块240，用于根据运行状态系数判断在T+N到T+2N时间区间内数控机床是否存在异常，若不存在异常，则令T＝T+2N，并触发数据获取模块210；若存在异常，则基于异常状态系数区间与异常状态信息之间的预设关系，确定关联的异常状态信息；所述异常状态信息包括K个异常原因、每个异常原因对应的异常位置以及每个异常原因对应的E个标准异常表现图，E、K为大于零的正整数；
在实施中，判断在T+N到T+2N时间区间内数控机床是否存在异常，包括：
将运行状态系数与Q个异常状态系数区间进行比对，Q为大于零的正整数；
若所述运行状态系数落入Q个异常状态系数区间中的任何一个区间中，则判定T+N到T+2N时间区间内的数控机床存在异常；
若所述运行状态系数未落入Q个异常状态系数区间中的任何一个区间中，则判定T+N到T+2N时间区间内的数控机床不存在异常；
需要说明的是：系统数据库中预先存储有Q个异常状态系数区间，每个异常状态系数区间的具体范围根据实验情况具体确定，每个异常状态系数区间具体事先人为关联绑定有一个异常状态信息，在一个异常状态信息中关联有K个异常原因、每个异常原因对应的异常位置以及每个异常原因对应的E个标准异常表现图，E个所述标准异常表现图包括但不限于反映温度变化的标准异常表现图、反映振动变化的标准异常表现图、反映电压变化的标准异常表现图、反映电流变化的标准异常表现图或反映速度变化的标准异常表现图；
应当明白的是：由于异常状态系数区间与异常状态信息之间的预设关系通过事先人为设定绑定建立；因此，当将所述运行状态系数与Q个异常状态系数区间进行比对时，即可获悉所述运行状态系数对应归属的异常状态系数区间，再根据异常状态系数区间与异常状态信息之间的映射关系，即可知道所述运行状态系数对应归属的异常状态系数区间所映射的对应异常状态信息，即确定了关联的异常状态信息；进一步地，则获悉了在未来T+N到T+2N时间区间内数控机床将要发生异常时的K个异常原因、每个异常原因对应的异常位置以及每个异常原因对应的E个标准异常表现图，再根据后续处理，进一步确定具体情况，以实现事先快速异常排查，从而有利于缩短数控机床的维护时间，避免数控机床停机过长而影响生产效率。
原因确定模块250，用于根据T+N到T+2N时间区间内的未来机床特征数据生成实际异常表现图，根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因，并将异常原因和异常位置反馈至管理终端；
在一个具体实施方式中，根据T+N到T+2N时间区间内的未来机床特征数据生成实际异常表现图，包括：
提取T+N到T+2N时间区间内未来机床特征数据的每一温度值；
构建二维坐标系，将为T+N到T+2N时间区间作为二维坐标系的横轴，以及将每一温度值作为二维坐标系的纵轴，得到反映温度变化的实际异常表现图。
需要说明的是：所述实际异常表现图存在E个，在其他具体实施方式中，二维坐标系的纵轴可由T+N到T+2N时间区间内未来机床特征数据的每一振动值、T+N到T+2N时间区间内未来机床特征数据的每一电压值、T+N到T+2N时间区间内未来机床特征数据的每一电流值或T+N到T+2N时间区间内未来机床特征数据的每一速度值中的一种替代；因此，E个实际异常表现图包括但不限于反映温度变化的实际异常表现图、反映振动变化的实际异常表现图、反映电压变化的实际异常表现图、反映电流变化的实际异常表现图或反映速度变化的实际异常表现图；其他形式所述实际异常表现图的生成逻辑同上述反映温度变化的实际异常表现图的生成逻辑，对其不再过多赘述；
在实施中，根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因，包括：
利用余弦相似度算法对E个实际异常表现图和E个标准异常表现图中相同形式的表现图进行相似度计算，得到S个余弦相似度，S为大于零的正整数；
筛选S个余弦相似度中的最大余弦相似度，将最大余弦相似度与预设余弦相似度阈值进行比对；
若最大余弦相似度大于等于预设余弦相似度阈值，则将最大余弦相似度的标准异常表现图对应的异常原因作为最终异常原因；
若最大余弦相似度小于预设余弦相似度阈值，则不将最大余弦相似度的标准异常表现图对应的异常原因作为最终异常原因；
应当明白的是：当排除最大余弦相似度的标准异常表现图对应的异常原因作为最终异常原因时，则在剩下K-1个异常原因中再做排查，直至某一个异常原因关联标准异常表现图的最大余弦相似度大于等于预设余弦相似度阈值时，得到最终异常原因。
实施例3
请参阅图3所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于云计算的数控机床实时监控与数据分析方法。
由于本实施例所介绍的电子设备为实施本申请实施例中基于云计算的数控机床实时监控与数据分析方法所采用的电子设备，故而基于本申请实施例中所介绍的基于云计算的数控机床实时监控与数据分析方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中基于云计算的数控机床实时监控与数据分析方法所采用的电子设备，都属于本申请所欲保护的范围。
实施例4
请参阅图4所示，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述任一项所述基于云计算的数控机床实时监控与数据分析方法。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，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，实际实现时可以有另外的划分方式，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，机械或其他的形式。
所述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，即可以位于一个地方，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。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于云计算的数控机床实时监控与数据分析方法，其特征在于，所述方法应用于云服务器中，所述云服务器分别与安装于数控机床的集成数据终端和部署机床销售商的管理终端远程通信连接，所述方法包括：
步骤1：通过集成数据终端获取数控机床在T-N到T时间跨度内的实时机床特征数据，T和N均为大于零的正整数；
步骤2：将T-N到T时间跨度内的实时机床特征数据分别输入预配置对应的特征预测模型中，以获取T+N到T+2N时间区间内数控机床的未来机床特征数据；
步骤3：将T+N到T+2N时间区间内数控机床的未来机床特征数据输入预配置的状态系数回归模型中，以获取T+N到T+2N时间区间内数控机床的运行状态系数；
步骤4：根据运行状态系数判断在T+N到T+2N时间区间内数控机床是否存在异常，若不存在异常，则令T＝T+2N，并返回至步骤1；若存在异常，则基于异常状态系数区间与异常状态信息之间的预设关系，确定关联的异常状态信息；所述异常状态信息包括K个异常原因、每个异常原因对应的异常位置以及每个异常原因对应的E个标准异常表现图，E、K为大于零的正整数；
步骤5：根据T+N到T+2N时间区间内的未来机床特征数据生成实际异常表现图，根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因，并将异常原因和异常位置反馈至管理终端。
2.根据权利要求1所述的基于云计算的数控机床实时监控与数据分析方法，其特征在于，所述实时机床特征数据包括数控机床的温度差集合、振动差集合、电机电压差集合、电机电流差集合和运行速度差集合。
3.根据权利要求2所述的基于云计算的数控机床实时监控与数据分析方法，其特征在于，预配置的所述特征预测模型包含R个，R为大于零的正整数；R个所述特征预测模型包括但不限于用于预测T+N到T+2N时间区间内未来机床温度均值的特征预测模型、用于预测T+N到T+2N时间区间内未来机床振动均值的特征预测模型、用于预测T+N到T+2N时间区间内未来电源电压均值的特征预测模型、用于预测T+N到T+2N时间区间内未来电源电流均值的特征预测模型以及用于预测T+N到T+2N时间区间内未来机床速度均值的特征预测模型。
4.根据权利要求3所述的基于云计算的数控机床实时监控与数据分析方法，其特征在于，所述状态系数回归模型的生成逻辑具体如下：
获取历史状态系数样本数据，将所述历史状态系数样本数据划分成状态系数训练集和状态系数测试集；所述历史状态系数样本数据包括未来机床特征数据及其对应的运行状态系数；
其中，所述运行状态系数的生成逻辑如下：
获取在设定时间跨度内数控机床轴运动时的实际位置坐标和期望位置坐标，以及获取在设定时间跨度内数控机床的实际处理量和被分配的任务总量；
根据实际位置坐标和期望位置坐标确定数控机床的运行精度系数，并将所述运行精度系数结合实际处理量和被分配的任务总量进行公式化计算，以获取运行状态系数，其计算公式如下：
式中：α表示运行精度系数，Xn、Yn和Zn表示n时刻下的实际位置坐标，和/>表示n时刻下的期望位置坐标，Hadn表示n时刻下的实际处理量，Total表示设定时间跨度内被分配的任务总量，N表示设定时间跨度，β表示运行状态系数；
构建第二回归网络，将状态系数训练集中的未来机床特征数据作为第二回归网络的输入数据，将状态系数训练集中的运行状态系数作为第二回归网络的输出数据，对第二回归网络进行训练，得到初始状态系数回归网络；
利用状态系数测试集对初始状态系数回归网络进行模型验证，输出预测误差小于等于预设误差阈值的初始状态系数回归网络作为状态系数回归模型。
5.根据权利要求4所述的基于云计算的数控机床实时监控与数据分析方法，其特征在于，所述判断在T+N到T+2N时间区间内数控机床是否存在异常，包括：
将运行状态系数与Q个异常状态系数区间进行比对，Q为大于零的正整数；
若所述运行状态系数落入Q个异常状态系数区间中的任何一个区间中，则判定T+N到T+2N时间区间内的数控机床存在异常；
若所述运行状态系数未落入Q个异常状态系数区间中的任何一个区间中，则判定T+N到T+2N时间区间内的数控机床不存在异常。
6.根据权利要求5所述的基于云计算的数控机床实时监控与数据分析方法，其特征在于，所述实际异常表现图存在E个，E个实际异常表现图包括但不限于反映温度变化的实际异常表现图、反映振动变化的实际异常表现图、反映电压变化的实际异常表现图、反映电流变化的实际异常表现图或反映速度变化的实际异常表现图；
根据T+N到T+2N时间区间内的未来机床特征数据生成实际异常表现图，包括：
提取T+N到T+2N时间区间内未来机床特征数据的每一温度值；
构建二维坐标系，将为T+N到T+2N时间区间作为二维坐标系的横轴，以及将每一温度值作为二维坐标系的纵轴，得到反映温度变化的实际异常表现图。
7.根据权利要求6所述的基于云计算的数控机床实时监控与数据分析方法，其特征在于，所述根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因，包括：
利用余弦相似度算法对E个实际异常表现图和E个标准异常表现图中相同形式的表现图进行相似度计算，得到S个余弦相似度，S为大于零的正整数；
筛选S个余弦相似度中的最大余弦相似度，将最大余弦相似度与预设余弦相似度阈值进行比对；
若最大余弦相似度大于等于预设余弦相似度阈值，则将最大余弦相似度的标准异常表现图对应的异常原因作为最终异常原因；
若最大余弦相似度小于预设余弦相似度阈值，则不将最大余弦相似度的标准异常表现图对应的异常原因作为最终异常原因。
8.基于云计算的数控机床实时监控与数据分析系统，其基于权利要求1-7中任一项所述的基于云计算的数控机床实时监控与数据分析方法实现，其特征在于，包括：
数据获取模块，用于通过集成数据终端获取数控机床在T-N到T时间跨度内的实时机床特征数据，T和N均为大于零的正整数；
特征预测模块，用于将T-N到T时间跨度内的实时机床特征数据分别输入预配置对应的特征预测模型中，以获取T+N到T+2N时间区间内数控机床的未来机床特征数据；
系数回归模块，用于将T+N到T+2N时间区间内数控机床的未来机床特征数据输入预配置的状态系数回归模型中，以获取T+N到T+2N时间区间内数控机床的运行状态系数；
异常判断模块，用于根据运行状态系数判断在T+N到T+2N时间区间内数控机床是否存在异常，若不存在异常，则令T＝T+2N，并触发数据获取模块；若存在异常，则基于异常状态系数区间与异常状态信息之间的预设关系，确定关联的异常状态信息；所述异常状态信息包括K个异常原因、每个异常原因对应的异常位置以及每个异常原因对应的E个标准异常表现图，E、K为大于零的正整数；
原因确定模块，用于根据T+N到T+2N时间区间内的未来机床特征数据生成实际异常表现图，根据实际异常表现图和标准异常表现图的相似度确定数控机床的最终异常原因，并将异常原因和异常位置反馈至管理终端。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述基于云计算的数控机床实时监控与数据分析方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现权利要求1至7任一项所述基于云计算的数控机床实时监控与数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311794769.0A CN117707050B (zh) | 2023-12-25 | 2023-12-25 | 基于云计算的数控机床实时监控与数据分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311794769.0A CN117707050B (zh) | 2023-12-25 | 2023-12-25 | 基于云计算的数控机床实时监控与数据分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117707050A true CN117707050A (zh) | 2024-03-15 |
| CN117707050B CN117707050B (zh) | 2024-05-07 |
Family
ID=90149591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311794769.0A Active CN117707050B (zh) | 2023-12-25 | 2023-12-25 | 基于云计算的数控机床实时监控与数据分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117707050B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180048218A (ko) * | 2016-10-31 | 2018-05-10 | 현대위아 주식회사 | 기계학습 기반 공작기계 고장 진단 시스템 및 방법 |
| CN108572006A (zh) * | 2017-03-07 | 2018-09-25 | 大隈株式会社 | 状态诊断装置 |
| CN110977614A (zh) * | 2019-12-18 | 2020-04-10 | 常州机电职业技术学院 | 一种数控机床健康诊断方法 |
| CN113741343A (zh) * | 2021-11-08 | 2021-12-03 | 东莞市宝科精密机械有限公司 | 一种机床双轴同步控制方法、系统和机床 |
| CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
| CN116644968A (zh) * | 2023-04-28 | 2023-08-25 | 南京国电南自维美德自动化有限公司 | 一种基于状态感知空间的风电机组子部件状态分析方法 |
| CN116700141A (zh) * | 2023-07-22 | 2023-09-05 | 广州市燊雅精密科技有限公司 | 一种基于人工智能的数控车床加工效率检测系统 |
| CN117270514A (zh) * | 2023-11-22 | 2023-12-22 | 南京迅集科技有限公司 | 基于工业物联网的生产过程全流程故障检测方法 |
-
2023
- 2023-12-25 CN CN202311794769.0A patent/CN117707050B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180048218A (ko) * | 2016-10-31 | 2018-05-10 | 현대위아 주식회사 | 기계학습 기반 공작기계 고장 진단 시스템 및 방법 |
| CN108572006A (zh) * | 2017-03-07 | 2018-09-25 | 大隈株式会社 | 状态诊断装置 |
| CN110977614A (zh) * | 2019-12-18 | 2020-04-10 | 常州机电职业技术学院 | 一种数控机床健康诊断方法 |
| CN113741343A (zh) * | 2021-11-08 | 2021-12-03 | 东莞市宝科精密机械有限公司 | 一种机床双轴同步控制方法、系统和机床 |
| CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
| CN116644968A (zh) * | 2023-04-28 | 2023-08-25 | 南京国电南自维美德自动化有限公司 | 一种基于状态感知空间的风电机组子部件状态分析方法 |
| CN116700141A (zh) * | 2023-07-22 | 2023-09-05 | 广州市燊雅精密科技有限公司 | 一种基于人工智能的数控车床加工效率检测系统 |
| CN117270514A (zh) * | 2023-11-22 | 2023-12-22 | 南京迅集科技有限公司 | 基于工业物联网的生产过程全流程故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117707050B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| JP5539382B2 (ja) | 航空エンジン内の故障の識別 | |
| CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
| CN111665806A (zh) | 基于管理系统的叶片气膜孔的加工方法、装置和管理系统 | |
| CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
| US11726469B2 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
| CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
| CN116449771B (zh) | 一种数控机床的数字孪生建模方法 | |
| CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
| CN114077919A (zh) | 用于预测加工异常的系统 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
| EP4174601A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
| CN111061581B (zh) | 一种故障检测方法、装置及设备 | |
| CN117020244B (zh) | 加工状态监测方法、装置、电子设备及存储介质 | |
| 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 | |
| CN112686773A (zh) | 一种基于融合业务拓扑的电力计量全链路关键业务异常定位模型构建方法 | |
| CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
| CN111555899A (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| Tang et al. | An IoT inspired semiconductor Reliability test system integrated with data-mining applications | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| US20220414555A1 (en) | Prediction system, information processing apparatus, and information processing program |
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 |