TW202210974A - 工具機主軸診斷方法 - Google Patents
工具機主軸診斷方法 Download PDFInfo
- Publication number
- TW202210974A TW202210974A TW109129772A TW109129772A TW202210974A TW 202210974 A TW202210974 A TW 202210974A TW 109129772 A TW109129772 A TW 109129772A TW 109129772 A TW109129772 A TW 109129772A TW 202210974 A TW202210974 A TW 202210974A
- Authority
- TW
- Taiwan
- Prior art keywords
- machine tool
- analysis
- spindle
- value
- model
- Prior art date
Links
Images
Abstract
一種工具機主軸診斷方法,適用於診斷一待測工具機之一主軸是否正常,一電腦裝置將多筆由一振動感測器感測該主軸在一預定時間區間運作而產生的振動訊號進行頻譜分析及時域分析,以獲得多個時域特徵值及多個時域特徵值,並將該等頻域特徵值及該等時域特徵進行主成分分析,以獲得多筆分析資料,對於每一分析資料,根據該分析資料,建立一高斯模型,再將建立的高斯模型進行高斯混合,以獲得一高斯混合模型,並根據該高斯混合模型及一預設模型,獲得一差異值,最後根據該差異值及一預設閾值產生一指示出該待測工具機是否正常的診斷結果。
Description
本發明是有關於一種診斷方法,特別是指一種工具機主軸診斷方法。
工具機的發展日新月異,高速化與高精度化已成為工具機發展的趨勢,在此趨勢下,若在加工過程中,無法及時發現工具機主軸異常狀況,往往會影響生產良率,以及工具機主軸的使用壽命。
然而,現有的工具機主軸診斷方式無法在機器進行加工中,即時的診斷工具機主軸是否正常,一般是在工具機進行加工之前或加工一段時間後,對工具機主軸進行檢查、測量及校正,而多次停機校正會導致加工時間與生產成本的增加。
因此,本發明的目的,即在提供一種能在進行加工中即時的診斷工具機主軸是否正常的工具機主軸診斷方法。
於是,本發明工具機主軸診斷方法,適用於診斷一待測工具機之一主軸是否正常,由一電腦裝置來實施,該電腦裝置與該待測工具機電連接,該待測工具機包括該主軸及一用以感測該主軸且電連接該電腦裝置的振動感測器,該電腦裝置儲存有一預設模型及一預設閾值,該方法包含一步驟(A)、一步驟(B)、一步驟(C)、一步驟(D)、一步驟(E)、一步驟(F)、一步驟(G),及一步驟(H)。
在該步驟(A)中,該電腦裝置接收多筆由該振動感測器感測該主軸在一預定時間區間運作而產生的振動訊號。
在該步驟(B)中,該電腦裝置將該等振動訊號進行頻譜分析,以獲得多個頻域特徵值。
在該步驟(C)中,該電腦裝置將該等振動訊號進行時域分析,以獲得多個時域特徵值。
在該步驟(D)中,該電腦裝置將該等頻域特徵值及該等時域特徵進行主成分分析,以獲得多筆分析資料,每一筆分析資料包括多個分析特徵值。
在該步驟(E)中,對於每一分析資料,該電腦裝置根據該分析資料的分析特徵值,建立一高斯模型。
在該步驟(F)中,該電腦裝置利用一高斯模型混合演算法,將該等分析資料對應的高斯模型進行高斯混合,以獲得一高斯混合模型。
在該步驟(G)中,該電腦裝置根據該高斯混合模型及該預設模型,獲得一相關於該高斯混合模型與該預設模型差異的差異值。
在該步驟(H)中,該電腦裝置根據該差異值及該預設閾值產生一指示出該待測工具機是否正常的診斷結果。
本發明的功效在於:藉由該電腦裝置根據該振動感測器感測的該等振動訊號進行頻譜分析、時域分析,及主成分分析後,利用該高斯模型混合演算法建立出該高斯混合模型,並根據該高斯混合模型及該預設模型的該差異值產生該診斷結果,以即時的診斷該待測工具機是否正常。
在本發明被詳細描述的前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
參閱圖1,說明用來實施本發明工具機主軸診斷方法的一實施例的一電腦裝置11與一電連接該電腦裝置11的待測工具機12。該電腦裝置11儲存有一預設模型及一預設閾值,該待測工具機12包括一主軸121,及一設置於該主軸121且用以感測該主軸121振動的振動感測器122。值得注意的是,在本實施例中,該主軸121例如具有二刀具(圖未示),該振動感測器122例如為加速規,但不以為限。
參閱圖1、2,以下說明本發明工具機主軸診斷方法的該實施例所包含的步驟。
在步驟21中,該電腦裝置11接收多筆由該振動感測器122感測該主軸121在一預定時間區間運作而產生的振動訊號。值得注意的是,在本實施例中,該預定時間區間例如為100秒,但不以此為限。
在步驟22中,該電腦裝置11將該等振動訊號進行頻譜分析,以獲得多個頻域特徵值。
搭配參閱圖3,步驟22包括以下子步驟:
在步驟221中,該電腦裝置11將該等振動訊號轉換成頻域值。值得注意的是,在本實施例中,該電腦裝置11利用傅立葉轉換(Fourier transform)將該等振動訊號轉換成頻域值,但不以此為限。
在步驟222中,該電腦裝置11從該等頻域值中獲得多個關鍵頻域值。值得注意的是,在本實施例中,該電腦裝置11先計算出一主要頻率,再將位於該主要頻率1到30倍頻率的頻域值作為關鍵頻域值,其中該主要頻率例如為該主軸121的每分鐘轉速(RPM)除以60再乘上該主軸121的刀具數,舉例來說,該主軸121的轉數例如為8000RPM,則該主要頻率為8000/60*2=266.7,但不以此為限。
在步驟223中,該電腦裝置11將該等關鍵頻域值進行濾波及離群值處理,以獲得該等頻域特徵值。值得注意的是,在本實施例中,該電腦裝置11利用卡爾曼濾波(Kalman filter)濾去雜訊值,且利用Z-分數(z-score)法以濾去離群值,但不以此為限。
在步驟23中,該電腦裝置11將該等振動訊號進行時域分析,以獲得多個時域特徵值。值得注意的是,在本實施例中,該等時域特徵值例如為該等振動訊號的一峰度(Kurtosis)值、一方均根(Root-Mean-Square, RMS)值、一波峰因數(Crest Factor)值、一偏度(Skewness)值、一標準差值(Standard Deviation, SD),及一變異數(Variance)值之其中至少二者,但不以此為限。
該變異數值為該標準差值的平方。
在步驟24中,該電腦裝置11將該等頻域特徵值及該等時域特徵進行主成分分析,以獲得多筆分析資料,每一筆分析資料包括多個分析特徵值。
在步驟25中,對於每一分析資料,該電腦裝置11將該分析資料的分析特徵值正規化(normalize),以獲得多個正規化值。其中該等正規化值以下式表示:
其中,為該分析資料的第i個分析特徵值,為該分析資料中最小的分析特徵值,為該分析資料中最大的分析特徵值。
在步驟26中,對於每一分析資料,該電腦裝置11根據該分析資料對應的正規化值,建立一高斯模型。值得注意的是,在本實施例中,對於每一分析資料,該電腦裝置11係根據該分析資料對應的正規化值獲得該分析資料對應的正規化值的平均值與變異數,以建立該高斯模型。
在步驟27中,該電腦裝置11利用一高斯模型混合演算法,將步驟26所獲得的對應該等分析資料的高斯模型進行高斯混合,以獲得一高斯混合模型。該高斯混合模型的密度函數以下式表示: ,,,,
其中,k
為步驟26所獲得的對應該等分析資料的高斯模型的數量,為混合加權值,為第i個高斯模型,為第i個高斯模型的中心點,即第i筆分析資料對應的正規化值之平均值,為第i個高斯模型的變異數,即第i筆分析資料對應的正規化值之變異數。
在步驟28中,該電腦裝置11根據該高斯混合模型及該預設模型,獲得一相關於該高斯混合模型與該預設模型差異的差異值。值得注意的是,在實施例中,該差異值為1扣除該高斯混合模型與該預設模型之間的重疊率(Overlap Rate),由於本發明之特徵並不在於熟知此技藝者所已知的根據該高斯混合模型與該預設模型求出重疊率,其詳細作法載記於“Haojun Sun, Shengrui Wang. Measuring the component overlapping in the Gaussian mixture model.
Computer Science Data Mining and Knowledge Discovery, 2011”中,為了簡潔,故在此省略了他們的細節,在其他實施方式中,該差異值亦可為該高斯混合模型與該預設模型之間的距離(Distance),不以此為限。
在步驟29中,該電腦裝置11根據該差異值及該預設閾值產生一指示出該待測工具機12是否正常的診斷結果。
搭配參閱圖4,步驟29包括子步驟291~293,以下說明步驟29所包括的子步驟。
在步驟291中,該電腦裝置11判定該差異值是否小於該預設閾值。當判定出該差異值小於該預設閾值時,流程進行步驟292;而當該差異值不小於該預設閾值時,則流程進行步驟293。
在步驟292中,該電腦裝置11產生指示出該待測工具機12正常的該診斷結果。
在步驟293中,該電腦裝置11產生指示出該待測工具機12異常的該診斷結果。
要特別注意的是,在本實施例中,該預設模型為以正常的工具機(圖未示)進行步驟21~27所建立,但不以此為限。
綜上所述,本發明工具機主軸診斷方法,藉由該電腦裝置11根據該振動感測器122感測的該等振動訊號進行頻譜分析、時域分析,及主成分分析後,利用該高斯模型混合演算法建立出該高斯混合模型,並根據該高斯混合模型及該預設模型的該差異值產生該診斷結果,以即時的診斷該待測工具機12是否正常,故確實能達成本發明的目的。
惟以上所述者,僅為本發明的實施例而已,當不能以此限定本發明實施的範圍,凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾,皆仍屬本發明專利涵蓋的範圍內。
11:電腦裝置
12:待測工具機
121:主軸
122:振動感測器
21~29:步驟
221~223:步驟
291~293:步驟
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是一方塊圖,說明用以實施本發明工具機主軸診斷方法之一實施例的一電腦裝置;
圖2是一流程圖,說明本發明工具機主軸診斷方法之該實施例;
圖3是一流程圖,輔助說明圖2的步驟22之子步驟;及
圖4是一流程圖,輔助說明圖2的步驟29之子步驟。
21~29:步驟
Claims (5)
- 一種工具機主軸診斷方法,適用於診斷一待測工具機之一主軸是否正常,由一電腦裝置來實施,該電腦裝置與該待測工具機電連接,該待測工具機包括該主軸及一設置於該主軸且用以感測該主軸振動的振動感測器,該電腦裝置儲存有一預設模型及一預設閾值,該方法包含以下步驟: (A)接收多筆由該振動感測器感測該主軸在一預定時間區間運作而產生的振動訊號; (B)將該等振動訊號進行頻譜分析,以獲得多個頻域特徵值; (C)將該等振動訊號進行時域分析,以獲得多個時域特徵值; (D)將該等頻域特徵值及該等時域特徵進行主成分分析,以獲得多筆分析資料,每一筆分析資料包括多個分析特徵值; (E)對於每一分析資料,根據該分析資料的分析特徵值,建立一高斯模型; (F)利用一高斯模型混合演算法,將該等分析資料對應的高斯模型進行高斯混合,以獲得一高斯混合模型; (G)根據該高斯混合模型及該預設模型,獲得一相關於該高斯混合模型與該預設模型差異的差異值;及 (H)根據該差異值及該預設閾值產生一指示出該待測工具機是否正常的診斷結果。
- 如請求項1所述的工具機主軸診斷方法,其中,步驟(B)包括以下子步驟: (B-1)將該等振動訊號轉換成頻域值; (B-2)從該等頻域值中獲得多個關鍵頻域值;及 (B-3)將該等關鍵頻域值進行濾波及離群值處理,以獲得該等頻域特徵值。
- 如請求項1所述的工具機主軸診斷方法,其中,在步驟(C)中,該等時域特徵值包括一峰度值、一波峰因數值、一偏度值、一方均根值、一變異數值,及一標準差值之其中至少二者。
- 如請求項1所述的工具機主軸診斷方法,其中,步驟(E)包含以下子步驟: (E-1)對於每一分析資料,將該分析資料的分析特徵值正規化,以獲得多個正規化值;及 (E-2)對於每一分析資料,根據該分析資料對應的正規化值,建立該高斯模型。
- 如請求項1所述的工具機主軸診斷方法,其中,步驟(H)包括以下子步驟: (H-1)判定該差異值是否小於該預設閾值; (H-2)當判定出該差異值小於該預設閾值時,產生指示出該待測工具機正常的該診斷結果;及 (H-3)當判定出該差異值不小於該預設閾值時,產生指示出該待測工具機異常的診斷結果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109129772A TWI749742B (zh) | 2020-08-31 | 2020-08-31 | 工具機主軸診斷方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109129772A TWI749742B (zh) | 2020-08-31 | 2020-08-31 | 工具機主軸診斷方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI749742B TWI749742B (zh) | 2021-12-11 |
TW202210974A true TW202210974A (zh) | 2022-03-16 |
Family
ID=80681002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109129772A TWI749742B (zh) | 2020-08-31 | 2020-08-31 | 工具機主軸診斷方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI749742B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114488950B (zh) * | 2022-02-09 | 2023-02-28 | 无锡微茗智能科技有限公司 | 机床机械部件动态保护方法及数控机床设备 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63150633A (ja) * | 1986-12-16 | 1988-06-23 | Toshiba Corp | 軸振動診断装置 |
JPH01101418A (ja) * | 1987-10-15 | 1989-04-19 | Toshiba Corp | 回転機械の診断装置 |
US20050137751A1 (en) * | 2003-12-05 | 2005-06-23 | Cox Damon K. | Auto-diagnostic method and apparatus |
JP2006077938A (ja) * | 2004-09-13 | 2006-03-23 | Nsk Ltd | 異常診断装置 |
CN103264317B (zh) * | 2013-05-16 | 2015-11-18 | 湖南科技大学 | 一种铣削加工刀具运行可靠性的评估方法 |
TW201633025A (zh) * | 2015-03-10 | 2016-09-16 | Anderson Ind Corp | 工具機主軸故障形式的診斷方法及其系統 |
TWI571716B (zh) * | 2015-10-27 | 2017-02-21 | 財團法人資訊工業策進會 | 診斷裝置及診斷方法 |
CN106323635B (zh) * | 2016-08-04 | 2018-10-19 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
JP6386520B2 (ja) * | 2016-12-13 | 2018-09-05 | ファナック株式会社 | 数値制御装置及び機械学習装置 |
JP2018156151A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
JP6698603B2 (ja) * | 2017-09-29 | 2020-05-27 | ファナック株式会社 | 数値制御システム、及び運転状態異常検知方法 |
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 |
JP7101131B2 (ja) * | 2019-01-31 | 2022-07-14 | ファナック株式会社 | 数値制御システム |
-
2020
- 2020-08-31 TW TW109129772A patent/TWI749742B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI749742B (zh) | 2021-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10317275B2 (en) | Vibration monitoring systems | |
JPS59164938A (ja) | 歯車異常音検出装置 | |
TWI447371B (zh) | 即時檢測系統和方法 | |
Mishra et al. | Stability analysis in milling process using spline based local mean decomposition (SBLMD) technique and statistical indicators | |
TW202210974A (zh) | 工具機主軸診斷方法 | |
JP2011069821A (ja) | ランダムノイズ信号の検出及びフィルタリング方法 | |
JP6511573B1 (ja) | 転がり軸受の異常診断方法及び異常診断装置、異常診断プログラム | |
TWI766489B (zh) | 用於工具機的加工監控方法及加工監控系統 | |
WO2004068078A1 (ja) | 状態判定方法と状態予測方法及び装置 | |
JPS61265533A (ja) | 回転体の異常検出装置 | |
JP2002323371A (ja) | 音響診断装置及び音響診断方法 | |
JP5900296B2 (ja) | 振動解析装置、振動解析方法、及び振動解析プログラム | |
WO2021060500A1 (ja) | 信号処理装置、信号処理方法およびプログラム | |
CN107014482B (zh) | 振动状态的在线监测装置和方法 | |
US20220176509A1 (en) | Method for inspecting normality of a spindle of a machine tool | |
TWI615235B (zh) | 自適應振動感測方法 | |
JP2007105838A (ja) | 加工用工具の異常検出装置、及び異常検出方法 | |
US20240009790A1 (en) | Method of monitoring machine tool and method of determining a standard for evaluating abnormality of a machine tool | |
TWI786434B (zh) | 機械運轉監控方法及機械運轉監控系統 | |
JP2000146771A (ja) | 加減速型回転機械設備の簡易異常診断方法 | |
TWI834215B (zh) | 機械工具健康狀態的監測方法 | |
JPH0450731A (ja) | 回転機故障診断システム | |
TWI712944B (zh) | 利用聲音監控設備之方法 | |
Comesana et al. | Integration of an end-of-line system for vibro-acoustic characterization and fault detection of automotive components based on particle velocity measurements | |
Hsia et al. | Real-Time Monitor and Control System for Abnormal Motor Vibrations |