CN117851954B - 基于数据分析的轴承加工设备运行质量检测系统和方法 - Google Patents
基于数据分析的轴承加工设备运行质量检测系统和方法 Download PDFInfo
- Publication number
- CN117851954B CN117851954B CN202410253767.9A CN202410253767A CN117851954B CN 117851954 B CN117851954 B CN 117851954B CN 202410253767 A CN202410253767 A CN 202410253767A CN 117851954 B CN117851954 B CN 117851954B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- bearing
- ring image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007405 data analysis Methods 0.000 title claims abstract description 27
- 238000003754 machining Methods 0.000 title claims description 77
- 238000001514 detection method Methods 0.000 title description 13
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000004519 manufacturing process Methods 0.000 claims description 132
- 230000002159 abnormal effect Effects 0.000 claims description 94
- 238000004364 calculation method Methods 0.000 claims description 73
- 238000003062 neural network model Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 11
- 230000008676 import Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于数据分析的轴承加工设备运行质量检测系统和方法，属于电数字数据处理领域，本发明将获取的加工设备生产的轴承生产数据导入轴承生产数据异常值计算策略中计算轴承加工设备的轴承生产数据异常值，将计算得到的设备运行异常值和轴承生产数据异常值代入设备故障判断策略中进行设备故障值的计算，通过将计算得到的设备故障值与设定的设备故障阈值进行对比，若设备故障值大于等于设定的设备故障阈值，输出设备故障概率最大的部位，提醒维修人员进行设备维修，若设备故障值小于设定的设备故障阈值，则不需要进行维修，通过设备运行数据和轴承生产数据对设备的故障和故障位置进行准确判断和识别。
Description
技术领域
本发明属于电数字数据处理领域，具体的说是一种基于数据分析的轴承加工设备运行质量检测系统和方法。
背景技术
轴承是当代机械设备中一种重要零部件，它的主要功能是支撑机械旋转体，降低其运动过程中的摩擦系数，并保证其回转精度，按运动元件摩擦性质的不同，轴承可分为滚动轴承和滑动轴承两大类；滚动轴承一般由外圈、内圈、滚动体和保持架四部分组成，在进行轴承加工时需要实时对轴承加工设备运行质量进行检测，现有技术在进行轴承加工设备运行质量检测时，通常通过监测设备运行数据来对加工设备进行质量分析，无法通过设备运行数据和轴承生产数据对设备的故障和故障位置进行准确判断和识别，导致检测准确率较低，现有技术中均存在上述问题；
例如在申请公布号为CN115099633A的中国专利中公开了基于数据分析的轴承加工设备运行质量检测系统，涉及运行质量检测技术领域，解决了现有技术中，轴承加工设备在运行过程中不能对其生产产品进行质量分析，以至于轴承加工设备的运行质量不能实时掌控的技术问题，将轴承加工设备进行生产质量分析，判断轴承加工设备的生产质量是否合格，从而侧面分析出轴承加工设备的运行质量，保证轴承加工设备的工作效率；将分析对象的运行状态进行检测，从而判断分析对象的运行状态是否合格，以至于能够降低分析对象的故障率，提高了分析对象的生产效率，保证分析对象对应生产产品的合格性；将对应分析对象运行过程中的故障进行分析监测，判断分析对象的故障对应生产的影响。
以上专利均存在本背景技术提出的问题：现有技术在进行轴承加工设备运行质量检测时，通常通过监测设备运行数据来对加工设备进行质量分析，无法通过设备运行数据和轴承生产数据对设备的故障和故障位置进行准确判断和识别，导致检测准确率较低，为了解决这些问题，本申请设计了一种基于数据分析的轴承加工设备运行质量检测系统和方法。
发明内容
针对现有技术的不足，本发明提出了一种基于数据分析的轴承加工设备运行质量检测系统和方法。
为实现上述目的，本发明提供如下技术方案：
一种基于数据分析的轴承加工设备运行质量检测方法，其包括以下具体步骤：
S1、获取轴承加工设备的设备运行数据，同时获取加工设备生产的轴承生产数据，同时获取历史设备故障数据和其对应的轴承加工设备的设备运行数据、加工设备生产的轴承生产数据；
S2、将轴承加工设备的设备运行数据导入设备运行异常值计算策略中计算轴承加工设备的设备运行异常值；
S3、将获取的加工设备生产的轴承生产数据导入轴承生产数据异常值计算策略中计算轴承加工设备的轴承生产数据异常值；
S4、将计算得到的设备运行异常值和轴承生产数据异常值代入设备故障判断策略中进行设备故障值的计算；
S5、通过将计算得到的设备故障值与设定的设备故障阈值进行对比，若设备故障值大于等于设定的设备故障阈值，输出设备故障概率最大的部位，提醒维修人员进行设备维修，若设备故障值小于设定的设备故障阈值，则不需要进行维修。
具体的，所述S1包括以下具体步骤：
S11、获取轴承加工设备运行过程中的设备运行数据，其中设备运行数据包括设备运行过程中设定周期内的电压、电流、温度和振动幅度数据，同时提取历史设备故障数据对应的轴承加工设备的设备运行数据，将设备运行数据对应类型统计为表格形式传输；
S12、获取轴承加工设备生产的轴承生产数据，其中，轴承生产数据为设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像，同时提取判断为合格轴承的指定位置拍摄的内圈图像和外圈图像，同时获取历史设备故障数据对应的设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像，储存在储存模组中；
具体的，所述S2中的设备运行异常值计算策略包括以下具体内容：
S21、获取设备运行过程中设定周期内的电压变化曲线、电流变化曲线、温度变化曲线和振动幅度变化曲线，同时获取设备安全运行过程中的安全电压范围、安全电流范围、安全温度范围和安全振动幅度范围；
S22、将获取的设定周期内的电压变化曲线、电流变化曲线、温度变化曲线、振动幅度变化曲线、安全电压范围、安全电流范围、安全温度范围和安全振动幅度范围导入设备运行异常值计算公式中计算设定周期内的设备运行异常值，设备运行异常值计算公式为：，其中，K为设定周期内的设备运行异常值，n为设备运行数据中参数种类个数，T为设定周期时长，/>为设备运行数据中第i个参数t时刻的数据，/>为设备运行数据中第i个参数安全范围的中值，/>为时间积分，/>为设备运行数据中第i个参数安全范围最大值，/>为设备运行数据中第i个参数安全范围最小值，/>为设备运行数据中第i个参数的占比系数，其中，/>；
具体的，所述S3的轴承生产数据异常值计算策略包括如下具体步骤：
S31、提取设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像，同时提取判断为合格轴承的指定位置拍摄的内圈图像和外圈图像；
S32、将获取的设定周期内轴承生产过程中的指定位置拍摄的内圈图像、外圈图像、判断为合格轴承的指定位置拍摄的内圈图像和外圈图像，将图像导入图像处理软件中，获取图像各像素点的像素值，同时将轴承生产过程中的内圈图像与合格轴承的内圈图像重叠，将轴承生产过程中的外圈图像与合格轴承的外圈图像重叠，提取重叠图像面积，将图像各像素点的像素值和重叠图像面积代入轴承生产数据异常值计算公式中计算轴承生产数据异常值，轴承生产数据异常值计算公式为：，其中，A为设定周期内轴承生产数量，H为合格轴承的指定位置拍摄的内圈图像和外圈图像的像素点个数，/>为设定周期内第j个生产轴承内圈图像和外圈图像第k个像素点的坐标，/>为对应的合格轴承的指定位置拍摄的内圈图像和外圈图像第k个像素点的坐标，S（）为括号中图像的面积，为设定周期内第j个生产轴承内圈图像，/>为合格轴承的指定位置拍摄的内圈图像，为两个图像重合部位，/>为设定周期内第j个生产轴承外圈图像，/>为合格轴承的指定位置拍摄的外圈图像，/>为两个图像合并为一起的并集，/>为像素占比系数，/>为面积占比系数，/>；在此需要说明的是，这里的图像拍摄将物品放置在指定位置拍摄。
具体的，所述S4中设备故障判断策略的具体内容如下：
获取计算得到的设备运行异常值和轴承生产数据异常值，将获取的设备运行异常值和轴承生产数据异常值代入设备故障值计算公式中进行设备故障值的计算，设备故障值计算公式为：；
在此需要说明的是，、/>、/>和设备故障阈值的取值方式为：获取历史设备数据和轴承生产数据导入设备故障值计算公式中进行设备故障值计算，查找其中确实发生设备故障的次数，将计算数据和判断发生故障具体判断数据导入拟合软件中输出符合判断故障发生准确率的最优/>、/>、/>和设备故障阈值的取值；
具体的，所述S5的具体步骤如下：
S51、获取计算得到的设备故障值，将计算得到的设备故障值与设定的设备故障阈值进行对比，若设备故障值大于等于设定的设备故障阈值，则进行S52，若设备故障值小于设定的设备故障阈值，则不需要进行维修；
S52、获取历史设备故障数据对应的轴承加工设备的设备运行数据、历史设备故障数据对应的设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像数据，构建输入为设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像、轴承加工设备的设备运行数据，输出为历史设备故障位置数据的神经网络模型，将获取的历史设备故障数据对应的轴承加工设备的设备运行数据、历史设备故障数据对应的设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像数据分为85%的权重、偏置训练集和15%的权重、偏置测试集；将85%的权重、偏置训练集输入深度学习神经网络模型进行训练，以得到初始神经网络模型；利用15%的权重、偏置测试集对初始神经网络模型进行测试，输出满足预设设备故障位置判断准确度的最优初始神经网络模型输出作为神经网络模型，其中，神经网络模型的输出公式为：，其中/>为c+1层第s项神经元的输出k，/>为第c层第x项神经元与c+1层s项神经元的连接权重g，/>代表第c层第x项神经元的输入r，/>代表第c层第x项神经元与c+1层s项神经元的线性关系的偏置z，/>代表Sigmoid激活函数，X为第c层神经网络模型中输入神经元的数量，将获取的实时数据导入构建的神经网络模型中，导出判断的设备故障位置。
一种基于数据分析的轴承加工设备运行质量检测系统，其基于上述一种基于数据分析的轴承加工设备运行质量检测方法实现，其包括数据获取模块、设备运行异常值计算模块、轴承生产数据异常值计算模块、设备故障值计算模块、数据对比模块、故障位置输出模块和控制模块，所述数据获取模块用于获取轴承加工设备的设备运行数据，同时获取加工设备生产的轴承生产数据，同时获取历史设备故障数据和其对应的轴承加工设备的设备运行数据、加工设备生产的轴承生产数据，所述设备运行异常值计算模块用于将轴承加工设备的设备运行数据导入设备运行异常值计算策略中计算轴承加工设备的设备运行异常值，所述轴承生产数据异常值计算模块用于将获取的加工设备生产的轴承生产数据导入轴承生产数据异常值计算策略中计算轴承加工设备的轴承生产数据异常值。
具体的，所述设备故障值计算模块用于将计算得到的设备运行异常值和轴承生产数据异常值代入设备故障判断策略中进行设备故障值的计算，所述数据对比模块用于将计算得到的设备故障值与设定的设备故障阈值进行对比，所述故障位置输出模块用于输出设备故障概率最大的部位，提醒维修人员进行设备维修。
具体的，所述控制模块用于控制数据获取模块、设备运行异常值计算模块、轴承生产数据异常值计算模块、设备故障值计算模块、数据对比模块和故障位置输出模块的运行。
一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种基于数据分析的轴承加工设备运行质量检测方法。
一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的一种基于数据分析的轴承加工设备运行质量检测方法。
与现有技术相比，本发明的有益效果是：
本发明获取轴承加工设备的设备运行数据，同时获取加工设备生产的轴承生产数据，同时获取历史设备故障数据和其对应的轴承加工设备的设备运行数据、加工设备生产的轴承生产数据，将轴承加工设备的设备运行数据导入设备运行异常值计算策略中计算轴承加工设备的设备运行异常值，将获取的加工设备生产的轴承生产数据导入轴承生产数据异常值计算策略中计算轴承加工设备的轴承生产数据异常值，将计算得到的设备运行异常值和轴承生产数据异常值代入设备故障判断策略中进行设备故障值的计算，通过将计算得到的设备故障值与设定的设备故障阈值进行对比，若设备故障值大于等于设定的设备故障阈值，输出设备故障概率最大的部位，提醒维修人员进行设备维修，若设备故障值小于设定的设备故障阈值，则不需要进行维修，通过设备运行数据和轴承生产数据对设备的故障和故障位置进行准确判断和识别，提高了运行质量检测的准确性。
附图说明
图1为本发明一种基于数据分析的轴承加工设备运行质量检测方法流程示意图；
图2为本发明一种基于数据分析的轴承加工设备运行质量检测系统整体框架示意图。
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例1
请参阅图1，本发明提供的一种实施例：一种基于数据分析的轴承加工设备运行质量检测方法，其包括以下具体步骤：
S1、获取轴承加工设备的设备运行数据，同时获取加工设备生产的轴承生产数据，同时获取历史设备故障数据和其对应的轴承加工设备的设备运行数据、加工设备生产的轴承生产数据；
S2、将轴承加工设备的设备运行数据导入设备运行异常值计算策略中计算轴承加工设备的设备运行异常值；
S3、将获取的加工设备生产的轴承生产数据导入轴承生产数据异常值计算策略中计算轴承加工设备的轴承生产数据异常值；
S4、将计算得到的设备运行异常值和轴承生产数据异常值代入设备故障判断策略中进行设备故障值的计算；
S5、通过将计算得到的设备故障值与设定的设备故障阈值进行对比，若设备故障值大于等于设定的设备故障阈值，输出设备故障概率最大的部位，提醒维修人员进行设备维修，若设备故障值小于设定的设备故障阈值，则不需要进行维修，在此需要说明的是，S1包括以下具体步骤：
S11、获取轴承加工设备运行过程中的设备运行数据，其中设备运行数据包括设备运行过程中设定周期内的电压、电流、温度和振动幅度数据，同时提取历史设备故障数据对应的轴承加工设备的设备运行数据，将设备运行数据对应类型统计为表格形式传输；
S12、获取轴承加工设备生产的轴承生产数据，其中，轴承生产数据为设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像，同时提取判断为合格轴承的指定位置拍摄的内圈图像和外圈图像，同时获取历史设备故障数据对应的设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像，储存在储存模组中；
在此需要进一步说明的是，S2中的设备运行异常值计算策略包括以下具体内容：
S21、获取设备运行过程中设定周期内的电压变化曲线、电流变化曲线、温度变化曲线和振动幅度变化曲线，同时获取设备安全运行过程中的安全电压范围、安全电流范围、安全温度范围和安全振动幅度范围；
S22、将获取的设定周期内的电压变化曲线、电流变化曲线、温度变化曲线、振动幅度变化曲线、安全电压范围、安全电流范围、安全温度范围和安全振动幅度范围导入设备运行异常值计算公式中计算设定周期内的设备运行异常值，设备运行异常值计算公式为：，其中，K为设定周期内的设备运行异常值，n为设备运行数据中参数种类个数，T为设定周期时长，/>为设备运行数据中第i个参数t时刻的数据，/>为设备运行数据中第i个参数安全范围的中值，/>为时间积分，/>为设备运行数据中第i个参数安全范围最大值，/>为设备运行数据中第i个参数安全范围最小值，/>为设备运行数据中第i个参数的占比系数，其中，/>；
在此需要进一步说明的是，S3的轴承生产数据异常值计算策略包括如下具体步骤：
S31、提取设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像，同时提取判断为合格轴承的指定位置拍摄的内圈图像和外圈图像；
S32、将获取的设定周期内轴承生产过程中的指定位置拍摄的内圈图像、外圈图像、判断为合格轴承的指定位置拍摄的内圈图像和外圈图像，将图像导入图像处理软件中，获取图像各像素点的像素值，同时将轴承生产过程中的内圈图像与合格轴承的内圈图像重叠，将轴承生产过程中的外圈图像与合格轴承的外圈图像重叠，提取重叠图像面积，将图像各像素点的像素值和重叠图像面积代入轴承生产数据异常值计算公式中计算轴承生产数据异常值，轴承生产数据异常值计算公式为：，其中，A为设定周期内轴承生产数量，H为合格轴承的指定位置拍摄的内圈图像和外圈图像的像素点个数，/>为设定周期内第j个生产轴承内圈图像和外圈图像第k个像素点的坐标，/>为对应的合格轴承的指定位置拍摄的内圈图像和外圈图像第k个像素点的坐标，S（）为括号中图像的面积，/>为设定周期内第j个生产轴承内圈图像，/>为合格轴承的指定位置拍摄的内圈图像，/>为两个图像重合部位，/>为设定周期内第j个生产轴承外圈图像，/>为合格轴承的指定位置拍摄的外圈图像，/>为两个图像合并为一起的并集，/>像素占比系数，/>为面积占比系数，/>；在此需要说明的是，这里的图像拍摄将物品放置在指定位置拍摄；
在此需要进一步说明的是，S4中设备故障判断策略的具体内容如下：
获取计算得到的设备运行异常值和轴承生产数据异常值，将获取的设备运行异常值和轴承生产数据异常值代入设备故障值计算公式中进行设备故障值的计算，设备故障值计算公式为：；
在此需要说明的是，、/>、/>和设备故障阈值的取值方式为：获取历史设备数据和轴承生产数据导入设备故障值计算公式中进行设备故障值计算，查找其中确实发生设备故障的次数，将计算数据和判断发生故障具体判断数据导入拟合软件中输出符合判断故障发生准确率的最优/>、/>、/>和设备故障阈值的取值；
在此需要进一步说明的是，S5的具体步骤如下：
S51、获取计算得到的设备故障值，将计算得到的设备故障值与设定的设备故障阈值进行对比，若设备故障值大于等于设定的设备故障阈值，则进行S52，若设备故障值小于设定的设备故障阈值，则不需要进行维修；
S52、获取历史设备故障数据对应的轴承加工设备的设备运行数据、历史设备故障数据对应的设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像数据，构建输入为设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像、轴承加工设备的设备运行数据，输出为历史设备故障位置数据的神经网络模型，将获取的历史设备故障数据对应的轴承加工设备的设备运行数据、历史设备故障数据对应的设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像数据分为85%的权重、偏置训练集和15%的权重、偏置测试集；将85%的权重、偏置训练集输入深度学习神经网络模型进行训练，以得到初始神经网络模型；利用15%的权重、偏置测试集对初始神经网络模型进行测试，输出满足预设设备故障位置判断准确度的最优初始神经网络模型输出作为神经网络模型，其中，神经网络模型的输出公式为：，其中/>为c+1层第s项神经元的输出k，/>为第c层第x项神经元与c+1层s项神经元的连接权重g，/>代表第c层第x项神经元的输入r，/>代表第c层第x项神经元与c+1层s项神经元的线性关系的偏置z，/>代表Sigmoid激活函数，X为第c层神经网络模型中输入神经元的数量，将获取的实时数据导入构建的神经网络模型中，导出判断的设备故障位置；
这里列出构建神经网络模型的示例代码，需要说明的是，神经网络模型的训练需要大量的数据，需要进一步的优化以提高模型性能；
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import numpy as np
import cv2
# 加载数据
def load_data(data_dir):
device_data = []
device_data_features = []
for i in range(len(past_periods)):
for j in range(len(error_periods[i])):
image_data = np.load(f'{data_dir}/{i}/device_{error_periods[i][j]}.npy')
device_data.append(image_data)
device_data_features.append([image_data.shape[0], image_data.shape[1]])
return device_data, device_data_features
# 加载图像数据
def load_image_data(image_dir):
images = []
for filename in os.listdir(image_dir):
img = cv2.imread(f'{image_dir}/{filename}')
images.append(img)
return images
# 加载设备运行数据
def load_device_data(data_dir):
device_data = []
for filename in os.listdir(data_dir):
data = np.load(f'{data_dir}/{filename}')
device_data.append(data)
return device_data
# 加载轴承故障数据
def load_fault_data(fault_dir):
faults = []
for filename in os.listdir(fault_dir):
fault = np.load(f'{fault_dir}/{filename}')
faults.append(fault)
return faults
# 神经网络模型构建
def build_model():
model = keras.Sequential([layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=input_shape),
layers.MaxPooling2D(),
layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu'),
layers.MaxPooling2D(),
layers.Flatten(),
layers.Dense(units=64, activation='relu'),
layers.Dense(units=len(error_periods[-1]), activation='softmax')])
model.compile(loss='categorical_crossentropy', optimizer='adam')
return model
请注意这只是一个基本示例，在实际应用中，可能还需要进一步优化模型性能，例如通过增加更多的数据增强方法、调整神经网络结构、使用更先进的优化算法等，此外，对于一些比较特殊的问题，可能需要使用一些专门针对特定问题的算法或方法来解决，因此，在实际应用中，需要根据具体情况进行选择和调整；
在此需要说明的是，现有技术中的轴承加工设备运行质量检测方法主要包括以下几种：
感官检查：通过观察和感觉设备运行状态，判断设备是否存在异常声音、震动、发热；2. 振动检测：通过安装在设备上的振动传感器，对设备的振动进行实时监测和分析，以判断设备是否存在异常；3. 噪声检测：通过声级计设备，对设备运行时的噪声进行测量，以判断设备是否存在异常噪声；4. 温度检测：通过温度传感器，对设备运行时的温度进行实时监测和分析，以判断设备是否存在过热等问题；5. 运行状态检测：通过设备自身的状态检测系统，对设备的运行状态进行实时监测和分析，以判断设备是否存在异常；6. 数据分析：对设备的历史运行数据进行分析，以判断设备的运行趋势和是否存在潜在问题
因此本实施例相对与现有技术的好处为：获取轴承加工设备的设备运行数据，同时获取加工设备生产的轴承生产数据，同时获取历史设备故障数据和其对应的轴承加工设备的设备运行数据、加工设备生产的轴承生产数据，将轴承加工设备的设备运行数据导入设备运行异常值计算策略中计算轴承加工设备的设备运行异常值，将获取的加工设备生产的轴承生产数据导入轴承生产数据异常值计算策略中计算轴承加工设备的轴承生产数据异常值，将计算得到的设备运行异常值和轴承生产数据异常值代入设备故障判断策略中进行设备故障值的计算，通过将计算得到的设备故障值与设定的设备故障阈值进行对比，若设备故障值大于等于设定的设备故障阈值，输出设备故障概率最大的部位，提醒维修人员进行设备维修，若设备故障值小于设定的设备故障阈值，则不需要进行维修，通过设备运行数据和轴承生产数据对设备的故障和故障位置进行准确判断和识别，提高了运行质量检测的准确性。
实施例2
如图2所示，一种基于数据分析的轴承加工设备运行质量检测系统，其基于上述一种基于数据分析的轴承加工设备运行质量检测方法实现，其包括数据获取模块、设备运行异常值计算模块、轴承生产数据异常值计算模块、设备故障值计算模块、数据对比模块、故障位置输出模块和控制模块，数据获取模块用于获取轴承加工设备的设备运行数据，同时获取加工设备生产的轴承生产数据，同时获取历史设备故障数据和其对应的轴承加工设备的设备运行数据、加工设备生产的轴承生产数据，设备运行异常值计算模块用于将轴承加工设备的设备运行数据导入设备运行异常值计算策略中计算轴承加工设备的设备运行异常值，轴承生产数据异常值计算模块用于将获取的加工设备生产的轴承生产数据导入轴承生产数据异常值计算策略中计算轴承加工设备的轴承生产数据异常值；设备故障值计算模块用于将计算得到的设备运行异常值和轴承生产数据异常值代入设备故障判断策略中进行设备故障值的计算，数据对比模块用于将计算得到的设备故障值与设定的设备故障阈值进行对比，故障位置输出模块用于输出设备故障概率最大的部位，提醒维修人员进行设备维修；控制模块用于控制数据获取模块、设备运行异常值计算模块、轴承生产数据异常值计算模块、设备故障值计算模块、数据对比模块和故障位置输出模块的运行。
实施例3
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的一种基于数据分析的轴承加工设备运行质量检测方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种基于数据分析的轴承加工设备运行质量检测方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种基于数据分析的轴承加工设备运行质量检测方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。
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。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的流程或功能。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。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，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/和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。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。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以意识到，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，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种划分方式，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，机械或其它的形式。
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。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于数据分析的轴承加工设备运行质量检测方法，其包括以下具体步骤：
S1、获取轴承加工设备的设备运行数据，同时获取加工设备生产的轴承生产数据，同时获取历史设备故障数据和其对应的轴承加工设备的设备运行数据、加工设备生产的轴承生产数据；其特征在于，
S2、将轴承加工设备的设备运行数据导入设备运行异常值计算策略中计算轴承加工设备的设备运行异常值；
所述S2中设备运行异常值计算策略包括以下具体步骤：S21、获取设备运行过程中设定周期内的电压变化曲线、电流变化曲线、温度变化曲线和振动幅度变化曲线，同时获取设备安全运行过程中的安全电压范围、安全电流范围、安全温度范围和安全振动幅度范围；
S22、将获取的设定周期内的电压变化曲线、电流变化曲线、温度变化曲线、振动幅度变化曲线、安全电压范围、安全电流范围、安全温度范围和安全振动幅度范围导入设备运行异常值计算公式中计算设定周期内的设备运行异常值；
S3、将获取的加工设备生产的轴承生产数据导入轴承生产数据异常值计算策略中计算轴承加工设备的轴承生产数据异常值；
S4、将计算得到的设备运行异常值和轴承生产数据异常值代入设备故障判断策略中进行设备故障值的计算；
S5、通过将计算得到的设备故障值与设定的设备故障阈值进行对比，若设备故障值大于等于设定的设备故障阈值，输出设备故障概率最大的部位，提醒维修人员进行设备维修，若设备故障值小于设定的设备故障阈值，则不需要进行维修；
所述S1包括以下具体步骤：
S11、获取轴承加工设备运行过程中的设备运行数据，其中设备运行数据包括设备运行过程中设定周期内的电压、电流、温度和振动幅度数据，同时提取历史设备故障数据对应的轴承加工设备的设备运行数据，将设备运行数据对应类型统计为表格形式传输；
S12、获取轴承加工设备生产的轴承生产数据，其中，轴承生产数据为设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像，同时提取判断为合格轴承的指定位置拍摄的内圈图像和外圈图像，同时获取历史设备故障数据对应的设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像，储存在储存模组中；所述S22中的设备运行异常值计算公式为：，其中，K为设定周期内的设备运行异常值，n为设备运行数据中参数种类个数，T为设定周期时长，/>为设备运行数据中第i个参数t时刻的数据，/>为设备运行数据中第i个参数安全范围的中值，/>为时间积分，/>为设备运行数据中第i个参数安全范围最大值，/>为设备运行数据中第i个参数安全范围最小值，/>为设备运行数据中第i个参数的占比系数，其中，/>；
所述S3的轴承生产数据异常值计算策略包括如下具体步骤：
S31、提取设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像，同时提取判断为合格轴承的指定位置拍摄的内圈图像和外圈图像；
S32、将获取的设定周期内轴承生产过程中的指定位置拍摄的内圈图像、外圈图像、判断为合格轴承的指定位置拍摄的内圈图像和外圈图像，将图像导入图像处理软件中，获取图像各像素点的像素值，同时将轴承生产过程中的内圈图像与合格轴承的内圈图像重叠，将轴承生产过程中的外圈图像与合格轴承的外圈图像重叠，提取重叠图像面积，将图像各像素点的像素值和重叠图像面积代入轴承生产数据异常值计算公式中计算轴承生产数据异常值，轴承生产数据异常值计算公式为：，其中，A为设定周期内轴承生产数量，H为合格轴承的指定位置拍摄的内圈图像和外圈图像的像素点个数，/>为设定周期内第j个生产轴承内圈图像和外圈图像第k个像素点的坐标，/>为对应的合格轴承的指定位置拍摄的内圈图像和外圈图像第k个像素点的坐标，S（）为括号中图像的面积，/>设定周期内第j个生产轴承内圈图像，/>为合格轴承的指定位置拍摄的内圈图像，/>为两个图像重合部位，/>为设定周期内第j个生产轴承外圈图像，/>为合格轴承的指定位置拍摄的外圈图像，/>为两个图像合并为一起的并集，/>为像素占比系数，/>为面积占比系数，/>；
所述S4中设备故障判断策略的具体内容如下：
获取计算得到的设备运行异常值和轴承生产数据异常值，将获取的设备运行异常值和轴承生产数据异常值代入设备故障值计算公式中进行设备故障值的计算，设备故障值计算公式为：；
所述S5的具体步骤如下：
S51、获取计算得到的设备故障值，将计算得到的设备故障值与设定的设备故障阈值进行对比，若设备故障值大于等于设定的设备故障阈值，则进行S52，若设备故障值小于设定的设备故障阈值，则不需要进行维修；
S52、获取历史设备故障数据对应的轴承加工设备的设备运行数据、历史设备故障数据对应的设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像数据，构建输入为设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像、轴承加工设备的设备运行数据，输出为历史设备故障位置数据的神经网络模型，将获取的历史设备故障数据对应的轴承加工设备的设备运行数据、历史设备故障数据对应的设定周期内轴承生产过程中的指定位置拍摄的内圈图像和外圈图像数据分为85%的权重、偏置训练集和15%的权重、偏置测试集；将85%的权重、偏置训练集输入深度学习神经网络模型进行训练，以得到初始神经网络模型；利用15%的权重、偏置测试集对初始神经网络模型进行测试，输出满足预设设备故障位置判断准确度的最优初始神经网络模型输出作为神经网络模型，其中，神经网络模型的输出公式为：，其中/>为c+1层第s项神经元的输出k，/>为第c层第x项神经元与c+1层s项神经元的连接权重g，/>代表第c层第x项神经元的输入r，/>代表第c层第x项神经元与c+1层s项神经元的线性关系的偏置z，代表Sigmoid激活函数，X为第c层神经网络模型中输入神经元的数量，将获取的实时数据导入构建的神经网络模型中，导出判断的设备故障位置。
2.一种基于数据分析的轴承加工设备运行质量检测系统，其基于如权利要求1所述一种基于数据分析的轴承加工设备运行质量检测方法实现，其特征在于，其包括数据获取模块、设备运行异常值计算模块、轴承生产数据异常值计算模块、设备故障值计算模块、数据对比模块、故障位置输出模块和控制模块，所述数据获取模块用于获取轴承加工设备的设备运行数据，同时获取加工设备生产的轴承生产数据，同时获取历史设备故障数据和其对应的轴承加工设备的设备运行数据、加工设备生产的轴承生产数据，所述设备运行异常值计算模块用于将轴承加工设备的设备运行数据导入设备运行异常值计算策略中计算轴承加工设备的设备运行异常值，所述轴承生产数据异常值计算模块用于将获取的加工设备生产的轴承生产数据导入轴承生产数据异常值计算策略中计算轴承加工设备的轴承生产数据异常值。
3.如权利要求2所述的一种基于数据分析的轴承加工设备运行质量检测系统，其特征在于，所述设备故障值计算模块用于将计算得到的设备运行异常值和轴承生产数据异常值代入设备故障判断策略中进行设备故障值的计算，所述数据对比模块用于将计算得到的设备故障值与设定的设备故障阈值进行对比，所述故障位置输出模块用于输出设备故障概率最大的部位，提醒维修人员进行设备维修，所述控制模块用于控制数据获取模块、设备运行异常值计算模块、轴承生产数据异常值计算模块、设备故障值计算模块、数据对比模块和故障位置输出模块的运行。
4.一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
其特征在于，所述处理器通过调用所述存储器中存储的计算机程序，执行如权利要求1所述的一种基于数据分析的轴承加工设备运行质量检测方法。
5.一种计算机可读存储介质，其特征在于，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1所述的一种基于数据分析的轴承加工设备运行质量检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410253767.9A CN117851954B (zh) | 2024-03-06 | 2024-03-06 | 基于数据分析的轴承加工设备运行质量检测系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410253767.9A CN117851954B (zh) | 2024-03-06 | 2024-03-06 | 基于数据分析的轴承加工设备运行质量检测系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117851954A CN117851954A (zh) | 2024-04-09 |
| CN117851954B true CN117851954B (zh) | 2024-05-24 |
Family
ID=90542175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410253767.9A Active CN117851954B (zh) | 2024-03-06 | 2024-03-06 | 基于数据分析的轴承加工设备运行质量检测系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117851954B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115099633A (zh) * | 2022-06-28 | 2022-09-23 | 宿州郑升轴承有限公司 | 基于数据分析的轴承加工设备运行质量检测系统 |
| WO2022228049A1 (zh) * | 2021-04-27 | 2022-11-03 | 浙大城市学院 | 基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
| CN116823233A (zh) * | 2023-08-30 | 2023-09-29 | 青岛巨商汇网络科技有限公司 | 一种基于全周期运维的用户数据处理方法及系统 |
| CN116980958A (zh) * | 2023-09-22 | 2023-10-31 | 上海优立检测技术股份有限公司 | 一种基于数据识别的无线设备电故障监测方法及系统 |
| CN116986246A (zh) * | 2023-09-15 | 2023-11-03 | 华能辛店发电有限公司 | 一种用于对输煤皮带进行智能巡检系统及巡检方法 |
| CN117114420A (zh) * | 2023-10-17 | 2023-11-24 | 南京启泰控股集团有限公司 | 一种基于图像识别的工贸安全事故风险管控系统和方法 |
| CN117310353A (zh) * | 2023-11-30 | 2023-12-29 | 淮安苏达电气有限公司 | 一种变电站一、二次回路通流加压故障测试方法及系统 |
| CN117517907A (zh) * | 2024-01-04 | 2024-02-06 | 山东思极科技有限公司 | 一种变电站电容型设备的绝缘状态监测方法及系统 |
-
2024
- 2024-03-06 CN CN202410253767.9A patent/CN117851954B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022228049A1 (zh) * | 2021-04-27 | 2022-11-03 | 浙大城市学院 | 基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
| CN115099633A (zh) * | 2022-06-28 | 2022-09-23 | 宿州郑升轴承有限公司 | 基于数据分析的轴承加工设备运行质量检测系统 |
| CN116823233A (zh) * | 2023-08-30 | 2023-09-29 | 青岛巨商汇网络科技有限公司 | 一种基于全周期运维的用户数据处理方法及系统 |
| CN116986246A (zh) * | 2023-09-15 | 2023-11-03 | 华能辛店发电有限公司 | 一种用于对输煤皮带进行智能巡检系统及巡检方法 |
| CN116980958A (zh) * | 2023-09-22 | 2023-10-31 | 上海优立检测技术股份有限公司 | 一种基于数据识别的无线设备电故障监测方法及系统 |
| CN117114420A (zh) * | 2023-10-17 | 2023-11-24 | 南京启泰控股集团有限公司 | 一种基于图像识别的工贸安全事故风险管控系统和方法 |
| CN117310353A (zh) * | 2023-11-30 | 2023-12-29 | 淮安苏达电气有限公司 | 一种变电站一、二次回路通流加压故障测试方法及系统 |
| CN117517907A (zh) * | 2024-01-04 | 2024-02-06 | 山东思极科技有限公司 | 一种变电站电容型设备的绝缘状态监测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的直驱风电机组故障辨识;丁显;韩宁宁;滕伟;;可再生能源;20181020(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117851954A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Souza et al. | Deep learning for diagnosis and classification of faults in industrial rotating machinery | |
| Zhang et al. | Dynamic condition monitoring for 3D printers by using error fusion of multiple sparse auto-encoders | |
| Samanta et al. | Artificial neural networks and genetic algorithm for bearing fault detection | |
| CN109063308B (zh) | 一种基于深度量子学习的健康评估方法 | |
| CN110276416A (zh) | 一种滚动轴承故障预测方法 | |
| Kumar et al. | Least square fitting for adaptive wavelet generation and automatic prediction of defect size in the bearing using Levenberg–Marquardt backpropagation | |
| CN108181105A (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
| Zhang et al. | Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism | |
| CN111611294B (zh) | 星敏感器数据异常检测方法 | |
| CN112945557B (zh) | 一种回转支承故障诊断方法、装置及存储介质 | |
| CN112765890A (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
| Tong et al. | A fault diagnosis method of rolling bearing based on improved deep residual shrinkage networks | |
| CN107473036A (zh) | 电梯曳引机远程在线检测与诊断系统及其检测诊断方法 | |
| CN113567132A (zh) | 基于数字孪生技术的电机滚动轴承故障模型构建方法 | |
| CN112699597A (zh) | 一种核电启动水泵滚动轴承故障检测方法及系统 | |
| CN113343591A (zh) | 基于自注意力网络的产品关键零件寿命端到端预测方法 | |
| CN117851954B (zh) | 基于数据分析的轴承加工设备运行质量检测系统和方法 | |
| Du et al. | Stacked convolutional LSTM models for prognosis of bearing performance degradation | |
| Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| WO2023052390A1 (en) | System and method for estimating remaining useful life of a bearing | |
| Tian et al. | Multi-scale deep coupling convolutional neural network with heterogeneous sensor data for intelligent fault diagnosis | |
| JP2019113914A (ja) | データ識別装置およびデータ識別方法 | |
| Wang et al. | Smart health evaluation of slewing bearing based on multiple-characteristic parameters | |
| CN111753876A (zh) | 一种基于深度神经网络的产品质量检测方法 |
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 |