CN105204436B - 基于分级预警的数控机床故障诊断方法 - Google Patents
基于分级预警的数控机床故障诊断方法 Download PDFInfo
- Publication number
- CN105204436B CN105204436B CN201510532922.1A CN201510532922A CN105204436B CN 105204436 B CN105204436 B CN 105204436B CN 201510532922 A CN201510532922 A CN 201510532922A CN 105204436 B CN105204436 B CN 105204436B
- Authority
- CN
- China
- Prior art keywords
- prime
- failure
- fault
- lathe
- omega
- 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
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
- G05B19/406—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 monitoring or safety
- G05B19/4063—Monitoring general control system
-
- 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
- G05B2219/31337—Failure information database
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明的基于分级预警的数控机床故障诊断方法,包括:a).采集机床的信息,获得机床的振动、温度原始数据;b).数据处理和参数提取,提取包括振动幅值、振动突变值和温度在内的特征参数;c).判断是否存在故障,根据步骤b)中获取的特征参数是否超越预设下限值判断机床是否存在故障;d).判断预警等级,如果预警级别达到4级,则执行机床停机命令;如果预警级别为1~3级,则执行步骤f);f).自动识别故障原因。本发明的机床故障诊断方法,满足了机床早期故障预警的快速性以及诊断的准确性要求,提高了数控机床故障诊断的准确性和可靠性,减少了停机时间,有效降低了维护成本,提高了数控机床的生产效率。
Description
技术领域
本发明涉及一种基于分级预警的数控机床故障诊断方法,更具体的说,尤其涉及一种通过判断组件的振动幅值、振动突变值和温度是否超阈值进行故障诊断的基于分级预警的数控机床故障诊断方法。
背景技术
作为大中型企业生产中的关键设备,数控机床的任何部分出现故障,都可能导致加工精度降低,甚至机床停机、生产停顿,尤其是处于生产线关键核心部位的高档机床,将会给整个生产线带来重大的停机损失,不仅造成巨大的经济损失,严重时还会危及到人身安全。由于数控机床的先进性、复杂性和智能化高等特点,若现场操作人员不具备丰富的维修经验,对于此类故障的诊断无从下手,只能停机等待诊断专家进行专门的维修。因此,为了及早预防并及时排除故障,提高诊断效率,保证加工质量,对于数控机床的故障诊断与智能维护技术的研究具有重要的现实意义。
现代数控机床故障诊断不断将自动控制以及人工智能相关领域的知识融合,实现了故障诊断由简单到复杂、低级到高级、单一到综合智能化的过程。智能故障诊断技术的应用,较好的表达了故障征兆与故障原因之间的非线性关系,一定程度上解决了由于对故障机理的认识不足和专家经验的不足所引起的知识缺少而带来的故障误诊断问题,提高了机床故障诊断的准确性。但由于智能算法本身往往具有一些固有缺陷,例如训练样本量大、运算过程复杂、计算量大等,影响了对于实时性要求很高的机床类复杂***的在线故障检测,目前还无法满足机床故障的快速预报、诊断与实时控制的需求。
针对以上问题,本发明提供了一种基于分级预警的数控机床故障诊断方法,对机床故障的预警、定位进行分级处理,满足了机床早期故障预警的快速性以及诊断的准确性要求。
发明内容
本发明为了克服上述技术问题的缺点,提供了一种基于分级预警的数控机床故障诊断方法。
本发明的基于分级预警的数控机床故障诊断方法,其特别之处在于,通过以下步骤来实现:a).采集机床的信息,利用振动传感器、温度传感器对待监测机床进行实时监测,获得机床的振动、温度原始数据;b).数据处理和参数提取,对步骤a)中采集的原始数据进行降噪、FFT变换处理,根据不同组件的故障与特征参数的对应关系,分别提取组件的包括振动幅值、振动突变值和温度在内的特征参数;c).判断是否存在故障,根据步骤b)中获取的特征参数是否超越预设下限值判断机床是否存在故障,把采集的当前组件的特征参数与预设下限值比较,如果存在SpAt≥SpAmin、ΔAt≥ΔAmin或者Tt≥Tmin,则认为机床出现故障,其中:SpAt为t时刻某组件的振动幅值,ΔAt为t时刻某组件的振动突变值,Tt为t时刻某组件的温度,SpAmin、ΔAmin、Tmin分别为相应组件的振动幅值、振动突变值、温度的预设下限值;执行步骤d);d).判断预警等级,按照如下原则判断机床的故障预警级别:
如果SpAmin≤SpAt<SpAmax或者Tmin≤Tt<Tmax,则属于1级预警;
如果SpAmax≤SpAt或者Tmax≤Tt,则属于2级预警;
如果ΔAmin≤ΔAt<ΔAmax,则属于3级预警;
如果ΔAt≥ΔAmax,则属于4级预警;
其中,SpAmax、ΔAmax、Tmax分别为相应组件的振动幅值、振动突变值、温度的预设上限值;e).判断是否停机,如果预警级别达到4级,则执行机床停机命令,以避免造成严重的故障或损失;如果预警级别为1~3级,则执行步骤f);f).自动识别故障原因,采用智能的故障诊断算法自动进行故障的定位,以便操作人员及时发现并排除故障。
本发明的基于分级预警的数控机床故障诊断方法,步骤e)中所述的故障诊断算法通过以下步骤来实现:
e-1).案例库的建立,根据机床工作过程中实际出现的故障,建立故障征兆与故障原因的案例库,每个案例库中记载着一个故障原因、该故障原因对应的多个故障征兆以及每个故障征兆的模糊数;
e-2).实时参数采集,根据实际加工中的故障信号提取故障征兆,形成故障征兆集合Rs={r1,r2,...,rl},其相对重要程度分别用权重{ω1,ω2,...,ωl}表示,ωi为第i个故障征兆ri的权重;
e-3).检索符合条件的案例库,根据步骤e-2)中提取的故障征兆从案例库中检索出符合条件的案例库,设符合条件的案例库共m个,记为C={c1,c2,...,cm},m个案例库对应的故障原因集合为:Y={y1,y2,...,ym};
e-4).找出符合条件故障征兆,如果案例库ci中的故障征兆与集合Rs中实际采集的故障征兆一致,则认为案例库ci中的该故障征兆符合条件,1≤i≤m;设案例库ci中符合条件的故障征兆所组成的集合为Rp={rp1,rp2,...,rpf},f≤l,集合Rp各故障征兆明显程度的模糊数组成的集合为Mp={mp1,mp2,...,mpf};执行步骤e-5);
e-5).计算权重和并判断,根据集合Rp中故障征兆在集合{ω1,ω2,...,ωl}相应的比重,由公式(1)计算Rp中所有故障征兆的权重和ωD1:
如果ωD1≥0.5,则执行步骤e-6);如果ωD1<0.5,则认为ci不是匹配案例库,按照同样的方法对案例库C中的每个案例均进行判断,如果都不匹配,则执行步骤e-11);
e-6).模糊数的拆分,从故障原因与故障征兆的模糊关系表中,取出集合Rp中故障征兆rpi所对应的故障原因的模糊数,记为:若某故障原因与故障征兆无关,则其模糊数fpi=0,1≤i≤f;
按照公式(2)计算出拆分系数w2:
按照公式(3)将模糊数集合拆分成一个故障征兆rpi与对应故障原因的模糊关系:
其中,1≤i≤f;
e-7).获取引入关系系数的模糊关系,根据案例ci中的故障原因,获取该故障原因与故障征兆的关系系数,设关系系数所组成的集合为按照公式(4)将关系系数与相应的模糊相乘,获取引入关系系数的模糊关系:
其中,1≤i≤f;
e-8).获取案例的关系矩阵,按照e-6)至e-7)的步骤,分别获取案例ci中所有故障征兆rp1、rp2、…、rpf的模糊关系G1′、G2′、…、Gf′;将集合G1′、G2′、…、Gf′中的元素分别作为矩阵的第一行、第二行、…、第f行,形成案例ci的关系矩阵,记为Gbi,其通过公式(5)进行求取:
e-9).获取关系向量Gpi′,按照e-4)至e-8)的步骤,得到符合条件的m个案例c1、c2、...、cm的关系矩阵Gb1、Gb2、…、Gbm;从关系矩阵Gb1、Gb2、…、Gbm中查找出与故障征兆rpi相关的行,设相关的行数为k,k个相关的行组成公式(6)中的向量关系表达式:
采用向量关系表达式中相应元素的和作为故障征兆rpi与故障原因的关系向量Gpi′,向量Gpi′如公式(7)所示:
Gpi′=[gi1′ gi2′ ... gim′] (7)
其中,向量Gpi′中的元素gij′通过公式(8)进行求取:
e-10).获取故障原因组合,按照与步骤e-9)中相同的方法,分别得到故障征兆rp1、rp2、…、rpf的关系向量Gp1′、Gp2′、…、Gpf′;向量Gp1′、Gp2′、…、Gpf′中的元素分别作为第一行、第二行、…、第f行,组成故障特征与故障原因的关系矩阵Gf,如公式(9)所示:
按照公式(10)对矩阵Gf中的每一列求和:
按照公式(10)求取的y1′、y2′、…、ym′组成集合:Yfind={y1′,y2′,...,ym′},集合Yfind中元素yi′的数值越大,说明其是故障原因yi的可能性越大;元素yi′的数值越小,说明其是故障原因yi的可能性越小;
e-11).视为新增故障,如案例库中没有匹配案例,采用新增故障诊断的方法进行诊断,得出故障原因。
本发明的基于分级预警的数控机床故障诊断方法,步骤e-3)中如果步骤e-2)中采集的集合Rs中的故障征兆在某一个案例库中有存在,则表明该案例库符合条件。
本发明的基于分级预警的数控机床故障诊断方法,步骤a)中所述的振动传感器由速度传感器和加速度传感器组成,步骤b)中所述的振动突变值是指振动幅值的突变值。
本发明的有益效果是:本发明的基于分级预警的数控机床故障诊断方法,通过将实时采集的振动幅值、振动突变值和温度值与设定的上限值、下限值进行比较,对机床故障的预警、定位进行分级处理,及时检测异常并处理,避免造成重大隐患或故障,满足了机床早期故障预警的快速性以及诊断的准确性要求,提高了数控机床故障诊断的准确性和可靠性,减少了停机时间,有效降低了维护成本,提高了数控机床的生产效率。
附图说明
图1为本发明的基于分级预警的数控机床故障诊断方法的原理框图;
图2为本发明的基于分级预警的数控机床故障诊断方法的流程图;
图3为本发明中故障的诊断与定位方法的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,给出了本发明的基于分级预警的数控机床故障诊断方法的原理框图,所示的监测状态的传感器由速度传感器、加速度传感器和温度传感器组成,分别用于采集机床相应组件的速度值、加速度值和温度值,速度传感器和加速度传感器组成了振动传感器。采集的信号经数据采集模块和数据采集与处理***的处理后,得到组件的振动幅值、振动突变值和温度值,振动突变值为组件振动幅值的突变值。处理后的数值经预警模块和故障诊断模块的处理和诊断后,即可判断当前组件是否存在故障,在存在故障时则发出报警信号,
如图2所示,给出了本发明的基于分级预警的数控机床故障诊断方法的流程图,其通过以下步骤来实现:
a).采集机床的信息,利用振动传感器、温度传感器对待监测机床进行实时监测,获得机床的振动、温度原始数据;
b).数据处理和参数提取,对步骤a)中采集的原始数据进行降噪、FFT变换处理,根据不同组件的故障与特征参数的对应关系,分别提取组件的包括振动幅值、振动突变值和温度在内的特征参数;
c).判断是否存在故障,根据步骤b)中获取的特征参数是否超越预设下限值判断机床是否存在故障,把采集的当前组件的特征参数与预设下限值比较,如果存在SpAt≥SpAmin、ΔAt≥ΔAmin或者Tt≥Tmin,则认为机床出现故障,其中:SpAt为t时刻某组件的振动幅值,ΔAt为t时刻某组件的振动突变值,Tt为t时刻某组件的温度,SpAmin、ΔAmin、Tmin分别为相应组件的振动幅值、振动突变值、温度的预设下限值;执行步骤d);
d).判断预警等级,按照如下原则判断机床的故障预警级别:
如果SpAmin≤SpAt<SpAmax或者Tmin≤Tt<Tmax,则属于1级预警;
如果SpAmax≤SpAt或者Tmax≤Tt,则属于2级预警;
如果ΔAmin≤ΔAt<ΔAmax,则属于3级预警;
如果ΔAt≥ΔAmax,则属于4级预警;
其中,SpAmax、ΔAmax、Tmax分别为相应组件的振动幅值、振动突变值、温度的预设上限值;
e).判断是否停机,如果预警级别达到4级,则执行机床停机命令,以避免造成严重的故障或损失;如果预警级别为1~3级,则执行步骤f);
f).自动识别故障原因,采用智能的故障诊断算法自动进行故障的定位,以便操作人员及时发现并排除故障。
如图3所示,给出了本发明中故障的诊断与定位方法的流程图,其根据故障信号进行间接特征参数的提取,然后利用案例数据库进行分析,以查找出是否存在匹配的案例库,如果不存在匹配的案例库,则采用新增故障诊断的方法,建立新的案例库,如采用基于K均值聚类的方法;如果存在匹配的案例库,则得到故障原因及维护方法。
下面通过具体的案例进行分析:
以某型号数控卧式车床的故障诊断为例。现场操作人员反映在加工过程中,车床坐标轴震动,加工出现异常噪声,结合现场伺服轴、坐标轴的监测数据,专家给出了现场故障症状的情况。具体诊断过程如下:
设故障原因与故障征兆的模糊关系表中如表1所示:
表1
故障特征集合为:{S1:伺服轴窜动(模糊数:0.8);S2:坐标轴震动(模糊数:0.8);S3:参考位置偏差(模糊数:0.1);S4:X、Z轴超程(模糊数:0.1);S5:电气元件过热(模糊数:0.4)}。
故障原因集合为:{滚珠丝杆副间隙过大;参数设置不合理;编码器及连接线路不良;负载过大;联轴节松动;零点开关不灵敏}。
检索到的符合条件的案例如表2-6所示,分别为案例1、案例2、案例3、案例4、案例5;
表2
表3
表4
表5
表6
首先进行案例的拆分。根据故障征兆与故障原因模糊关系表,查得S1(伺服轴窜动)与各故障原因的模糊关系为:{0.8 0.6 0.4 0 0 0},按照发明内容部分的步骤e-6)和步骤e-7),步骤e-7)中取 得到S1的引入关系系数的模糊关系为:{0.29 0.05 0.04 0 0 0};同理得到S2、S3、S4的引入关系系数的模糊关系为,按照步骤e-8)中的方法得到案例1的关系矩阵为:
同样的方法得到案例2、3、4、5的关系矩阵Gb2、Gb3、Gb4、Gb5。综合S1在关系矩阵中的出现次数,根据步骤e-9)中的方法,得到如下的矩阵Gpi:
采用向量的和作为故障征兆S1的向量为Gpi′。
Gpi′=[1.402 0.164 0.16 0 0 0]
同理得到Gp2′、Gp3′、Gp4′、Gp5′,组成故障特征、原因关系矩阵Gf。
取每列的和作为事故原因Si引起故障的可能度系数。
Yfind=[1.992 0.264 1.01 0.89 0.02 0.009]
将Yfind与故障原因集合{滚珠丝杆副间隙过大;参数设置不合理;编码器及连接线路不良;负载过大;联轴节松动;零点开关不灵敏}中的相应故障原因进行对比,可见与“滚珠丝杆副间隙过大”对应的数值最大,“编码器及连接线路不良”次之,“负载过大”第三,因此,引起所求事故的可能原因为:{滚珠丝杆副间隙过大;编码器及连接线路不良;负载过大};最主要原因为滚珠丝杆副间隙过大。经过对机床滚珠丝杆副间隙调整,减小了滚珠丝杆副间隙,机床伺服轴和坐标轴的振动都减弱,工件加工质量得以保证。
Claims (3)
1.一种基于分级预警的数控机床故障诊断方法,其特征在于,通过以下步骤来实现:
a).采集机床的信息,利用振动传感器、温度传感器对待监测机床进行实时监测,获得机床的振动、温度原始数据;
b).数据处理和参数提取,对步骤a)中采集的原始数据进行降噪、FFT变换处理,根据不同组件的故障与特征参数的对应关系,分别提取组件的包括振动幅值、振动突变值和温度在内的特征参数;
c).判断是否存在故障,根据步骤b)中获取的特征参数是否超越预设下限值判断机床是否存在故障,把采集的当前组件的特征参数与预设下限值比较,如果存在SpAt≥SpAmin、ΔAt≥ΔAmin或者Tt≥Tmin,则认为机床出现故障,其中:SpAt为t时刻某组件的振动幅值,ΔAt为t时刻某组件的振动突变值,Tt为t时刻某组件的温度,SpAmin、ΔAmin、Tmin分别为相应组件的振动幅值、振动突变值、温度的预设下限值;执行步骤d);
d).判断预警等级,按照如下原则判断机床的故障预警级别:
如果SpAmin≤SpAt<SpAmax或者Tmin≤Tt<Tmax,则属于1级预警;
如果SpAmax≤SpAt或者Tmax≤Tt,则属于2级预警;
如果ΔAmin≤ΔAt<ΔAmax,则属于3级预警;
如果ΔAt≥ΔAmax,则属于4级预警;
其中,SpAmax、ΔAmax、Tmax分别为相应组件的振动幅值、振动突变值、温度的预设上限值;
e).判断是否停机,如果预警级别达到4级,则执行机床停机命令,以避免造成严重的故障或损失;如果预警级别为1~3级,则执行步骤f);
f).自动识别故障原因,采用智能的故障诊断算法自动进行故障的定位,以便操作人员及时发现并排除故障;
步骤f)中所述的故障诊断算法通过以下步骤来实现:
f-1).案例库的建立,根据机床工作过程中实际出现的故障,建立故障征兆与故障原因的案例库,每个案例库中记载着一个故障原因、该故障原因对应的多个故障征兆以及每个故障征兆的模糊数;
f-2).实时参数采集,根据实际加工中的故障信号提取故障征兆,形成故障征兆集合Rs={r1,r2,...,rl},其相对重要程度分别用权重{ω1,ω2,...,ωl}表示,ωi为第i个故障征兆ri的权重;
f-3).检索符合条件的案例库,根据步骤f-2)中提取的故障征兆从案例库中检索出符合条件的案例库,设符合条件的案例库共m个,记为C={c1,c2,...,cm},m个案例库对应的故障原因集合为:Y={y1,y2,...,ym};
f-4).找出符合条件故障征兆,如果案例库ci中的故障征兆与集合Rs中实际采集的故障征兆一致,则认为案例库ci中的该故障征兆符合条件,1≤i≤m;设案例库ci中符合条件的故障征兆所组成的集合为Rp={rp1,rp2,...,rpf},f≤l,集合Rp各故障征兆明显程度的模糊数组成的集合为Mp={mp1,mp2,...,mpf};执行步骤f-5);
f-5).计算权重和并判断,根据集合Rp中故障征兆在集合{ω1,ω2,...,ωl}相应的比重,由公式(1)计算Rp中所有故障征兆的权重和ωD1:
如果ωD1≥0.5,则执行步骤f-6);如果ωD1<0.5,则认为ci不是匹配案例库,按照同样的方法对案例库C中的每个案例均进行判断,如果都不匹配,则执行步骤f-11);
f-6).模糊数的拆分,从故障原因与故障征兆的模糊关系表中,取出集合Rp中故障征兆rpi所对应的故障原因的模糊数,记为:若某故障原因与故障征兆无关,则其模糊数fpi=0,1≤i≤f;
按照公式(2)计算出拆分系数w2:
按照公式(3)将模糊数集合拆分成一个故障征兆rpi与对应故障原因的模糊关系:
其中,1≤i≤f;
f-7).获取引入关系系数的模糊关系,根据案例ci中的故障原因,获取该故障原因与故障征兆的关系系数,设关系系数所组成的集合为按照公式(4)将关系系数与相应的模糊相乘,获取引入关系系数的模糊关系:
其中,1≤i≤f;
f-8).获取案例的关系矩阵,按照f-6)至f-7)的步骤,分别获取案例ci中所有故障征兆rp1、rp2、…、rpf的模糊关系G1′、G2′、…、Gf′;将集合G1′、G2′、…、Gf′中的元素分别作为矩阵的第一行、第二行、…、第f行,形成案例ci的关系矩阵,记为Gbi,其通过公式(5)进行求取:
f-9).获取关系向量Gpi′,按照f-4)至f-8)的步骤,得到符合条件的m个案例c1、c2、...、cm的关系矩阵Gb1、Gb2、…、Gbm;从关系矩阵Gb1、Gb2、…、Gbm中查找出与故障征兆rpi相关的行,设相关的行数为k,k个相关的行组成公式(6)中的向量关系表达式:
采用向量关系表达式中相应元素的和作为故障征兆rpi与故障原因的关系向量Gpi′,向量Gpi′如公式(7)所示:
Gpi′=[gi1′ gi2′ ... gim′] (7)
其中,向量Gpi′中的元素gij′通过公式(8)进行求取:
f-10).获取故障原因组合,按照与步骤f-9)中相同的方法,分别得到故障征兆rp1、rp2、…、rpf的关系向量Gp1′、Gp2′、…、Gpf′;向量Gp1′、Gp2′、…、Gpf′中的元素分别作为第一行、第二行、…、第f行,组成故障特征与故障原因的关系矩阵Gf,如公式(9)所示:
按照公式(10)对矩阵Gf中的每一列求和:
按照公式(10)求取的y1′、y2′、…、ym′组成集合:Yfind={y1′,y2′,...,ym′},集合Yfind中元素yi′的数值越大,说明其是故障原因yi的可能性越大;元素yi′的数值越小,说明其是故障原因yi的可能性越小;
f-11).视为新增故障,如案例库中没有匹配案例,采用新增故障诊断的方法进行诊断,得出故障原因。
2.根据权利要求1所述的基于分级预警的数控机床故障诊断方法,其特征在于:步骤f-3)中如果步骤f-2)中采集的集合Rs中的故障征兆在某一个案例库中有存在,则表明该案例库符合条件。
3.根据权利要求1或2所述的基于分级预警的数控机床故障诊断方法,其特征在于:步骤a)中所述的振动传感器由速度传感器和加速度传感器组成,步骤b)中所述的振动突变值是指振动幅值的突变值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510532922.1A CN105204436B (zh) | 2015-08-26 | 2015-08-26 | 基于分级预警的数控机床故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510532922.1A CN105204436B (zh) | 2015-08-26 | 2015-08-26 | 基于分级预警的数控机床故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105204436A CN105204436A (zh) | 2015-12-30 |
CN105204436B true CN105204436B (zh) | 2016-10-26 |
Family
ID=54952180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510532922.1A Active CN105204436B (zh) | 2015-08-26 | 2015-08-26 | 基于分级预警的数控机床故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105204436B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106200555A (zh) * | 2016-07-01 | 2016-12-07 | 中航飞机股份有限公司西安飞机分公司 | 一种数控机床振动测量方法 |
CN108241343A (zh) * | 2016-12-24 | 2018-07-03 | 青岛海尔模具有限公司 | 一种智能工厂管理平台*** |
CN106845429B (zh) * | 2017-02-06 | 2020-05-19 | 中国科学院、水利部成都山地灾害与环境研究所 | 振动信号分级判断识别方法、落石能量规模计算方法、落石危险预警方法 |
EP3396482A1 (de) * | 2017-04-25 | 2018-10-31 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur automatischen generierung eines ausschliesslich für diagnosezwecke bestimmten steuerungsprogramms für eine produktions- oder werkzeugmaschine |
CN107357257A (zh) * | 2017-06-27 | 2017-11-17 | 安徽联亚智能装备制造有限公司 | 一种激光加工数据搜集及故障诊断*** |
CN107390637A (zh) * | 2017-09-08 | 2017-11-24 | 桂林加宏汽车修理有限公司 | 一种自动检测数控机床故障的方法及*** |
CN107505906B (zh) * | 2017-09-29 | 2020-11-06 | 北京星航机电装备有限公司 | 一种预制装配式混凝土结构自动生产线故障诊断方法及*** |
US11474495B2 (en) * | 2017-09-30 | 2022-10-18 | Siemens Aktiengesellschaft | Fault diagnosis method and apparatus for numerical control machine tool |
US11518034B2 (en) * | 2017-12-26 | 2022-12-06 | Nissan Motor Co., Ltd. | Malfunction determination method and malfunction determination device |
CN108757643B (zh) * | 2018-07-04 | 2019-09-27 | 重庆大学 | 一种液压***早期故障主动消除方法 |
CN109318053A (zh) * | 2018-09-12 | 2019-02-12 | 基准精密工业(惠州)有限公司 | 用于监测数控机床主轴的终端装置、远端装置及监测方法 |
CN109167839B (zh) * | 2018-10-19 | 2020-11-24 | 合肥中科根云设备管理有限公司 | 基于流体激振的故障诊断方法及*** |
CN109087699B (zh) * | 2018-10-24 | 2021-08-03 | 华东理工大学 | 一种电动手术床故障诊断方法 |
CN110993135A (zh) * | 2019-10-09 | 2020-04-10 | 中国核电工程有限公司 | 基于征兆的压水堆核电厂二次侧热阱控制策略的设计方法 |
CN111007799B (zh) * | 2019-12-18 | 2021-04-27 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断*** |
CN111562768A (zh) * | 2020-05-09 | 2020-08-21 | 黄河水利职业技术学院 | 一种并行多通道数控机床 |
CN111536103B (zh) * | 2020-05-11 | 2022-03-18 | 江苏联峰实业有限公司 | 一种连铸机液压设备故障检测方法及其装置 |
CN111596615A (zh) * | 2020-06-09 | 2020-08-28 | 上海交通大学 | 一种数控机床在线监测及控制*** |
CN113311785B (zh) * | 2021-05-27 | 2022-04-26 | 周口师范学院 | 一种数控机床实时故障检测装置 |
CN113514148B (zh) * | 2021-07-09 | 2023-06-27 | 西安因联信息科技有限公司 | 基于低延迟数据平滑的设备振动预警方法及*** |
CN114371658B (zh) * | 2021-12-27 | 2024-06-07 | 上海滨捷机电有限公司 | 一种数控机床集成电柜控制方法、***、电子设备和可读存储介质 |
CN116841216A (zh) * | 2022-03-17 | 2023-10-03 | 北京华卓精科科技股份有限公司 | 工件台的分级控制方法、***、设备及存储介质 |
CN116661375A (zh) * | 2023-08-02 | 2023-08-29 | 济南森峰激光科技股份有限公司 | 数控轧辊车床研车测试方法、***、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566505A (zh) * | 2012-02-27 | 2012-07-11 | 温州大学 | 一种数控机床的智能故障诊断方法 |
CN102825504A (zh) * | 2012-09-18 | 2012-12-19 | 重庆科技学院 | 数控机床主轴状态检测方法 |
CN104793085A (zh) * | 2014-07-16 | 2015-07-22 | 胡小青 | 一种新型iec法的输电变压器控制方法 |
-
2015
- 2015-08-26 CN CN201510532922.1A patent/CN105204436B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566505A (zh) * | 2012-02-27 | 2012-07-11 | 温州大学 | 一种数控机床的智能故障诊断方法 |
CN102825504A (zh) * | 2012-09-18 | 2012-12-19 | 重庆科技学院 | 数控机床主轴状态检测方法 |
CN104793085A (zh) * | 2014-07-16 | 2015-07-22 | 胡小青 | 一种新型iec法的输电变压器控制方法 |
Non-Patent Citations (2)
Title |
---|
基于Sugeno模糊模型的CNC机床故障诊断方法;郭佑民等;《兰州交通大学学报(自然科学版)》;20070330;第26卷(第1期);89-91页 * |
数控机床状态监测***的研究;卢艳军;《制造业自动化》;20080825;第30卷(第8期);34-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105204436A (zh) | 2015-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105204436B (zh) | 基于分级预警的数控机床故障诊断方法 | |
CN108444708A (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
Zhang et al. | Fault diagnosis system for rotary machine based on fuzzy neural networks | |
CN105092239B (zh) | 一种齿轮早期故障检测方法 | |
CN108051211B (zh) | 一种风电机组主轴承温度预警诊断方法 | |
CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
CN100470416C (zh) | 一种电厂热工设备智能状态诊断分析*** | |
CN104267668B (zh) | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 | |
CN106006344A (zh) | 扶梯故障在线预警***及故障诊断方法 | |
CN106155035B (zh) | 基于维修类数据的故障诊断方法及故障诊断*** | |
CN105204496A (zh) | 动车组空气制动控制***传感器故障诊断的方法与*** | |
CN107316057A (zh) | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 | |
CN104458173B (zh) | 钢框架结构突变损伤的识别方法及*** | |
CN111191872B (zh) | 一种电网多维度韧性评估***及方法 | |
CN104615121B (zh) | 一种列车故障诊断方法及*** | |
CN205879560U (zh) | 振动故障诊断装置 | |
CN103678881B (zh) | 一种基于人工免疫与证据理论相结合的复合故障诊断方法 | |
CN115099260A (zh) | 双螺杆输油泵在线监测机械故障实时诊断方法 | |
CN112632845B (zh) | 基于数据的小型反应堆在线故障诊断方法、介质及设备 | |
CN110001713A (zh) | 基于ahp的计轴磁头健康度检测及预警的方法及装置 | |
CN113484749A (zh) | 发电机故障诊断及预测方法 | |
CN109800894A (zh) | 一种基于深度学习发现计量自动化流水线故障诊断方法及诊断*** | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |