CN105974886A

CN105974886A - 一种数控机床的健康监测方法

Info

Publication number: CN105974886A
Application number: CN201610486884.5A
Authority: CN
Inventors: 陈吉红; 周会成; 许光达; 马玉奇; 周振; 胡震宇
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2016-06-28
Filing date: 2016-06-28
Publication date: 2016-09-28
Anticipated expiration: 2036-06-28
Also published as: CN105974886B

Abstract

本发明公开了一种数控机床的健康监测方法，包括以下步骤：(1)运行自检G指令，并采集运行状态数据：(2)将采集得到的运行状态数据与自检G指令之间建立映射关系，形成指令域映射集；(3)将指令域映射集根据自检G指令进行划分，提取目标自检G指令下的指令域映射，并得出目标自检G指令下的运行状态数据，并根据该运行状态数据计算出实际特征值，再与标准特征值进行对比计算得到健康指数。本发明通过对关键的数控机床健康指数的计算依据、健康指数的计算方法、以及健康指数的显示方式等进行改进，能够有效解决数控机床健康状态判断不及时与不准确的问题，并且得出的数控机床的健康指数是通过可视化显示，提高了机床与人的交互效果。

Description

一种数控机床的健康监测方法

技术领域

本发明属于数控***、机床技术领域，更具体地，涉及一种数控机床的健康监测方法，可用于实时监测并显示数控机床的健康状态。

背景技术

机床的可靠性、故障诊断与预测、性能评估和维修保障等问题得到国内外学者的广泛关注。为保证数控机床安全可靠地运行，尽量减少故障停机时间及延长机床的工作周期，国内外对机床故障诊断方法进行了很多研究，数控设备的维修也经历了事后维修、定期维护到状态维修等多个发展方向。事后维修不仅对机床本身损害比较大，同时会对企业造成损失甚至威胁工人的人身安全；定期维护成本较高，并且不容易控制维护周期。故障***、快速解决已成为企业发展的当务之急。然而，针对数控机床的机械部件，尤其是运动部件的故障预测及健康管理技术研究较少，并不能满足当今生产企业的巨大需求。机床出厂质量检测仅停留在面向加工效果，凭工人经验判断合格与否，判断误差率较高，且无法长期作出实时判断；另外，机床的健康状态往往无法直观展现，机床与人之间的互动性差。

尽管公开号为CN104808585A的中国专利提供一种基于HNC-8型数控***的机床健康状态快速检查方法，其将数据采集和分析、评价环节集成到数控***之中，可实现健康状态在线检查，但该检查方法运行的G代码是根据待加工零件决定，代码可移植性受限，不能根据机床类型灵活变化，因此不能为机床的自检提供运行规程。并且该方法是把采集的数据与机床内置标准数据进行对比，如果没有配置标准数据则无法对机床进行健康评估。另外，该方法只能将单台机床的健康检查结果作为历史数据绘制健康曲线，以反映机床的健康状态变化，并不能站在机床集群的高度对整个车间的机床健康状态进行可视化。

发明内容

针对现有技术的以上缺陷或改进需求，本发明的目的在于提供一种数控机床的健康监测方法，其中通过对其关键数控机床健康指数的计算依据、健康指数的计算方法、以及健康指数的显示方式等进行改进，与现有技术相比能够有效解决数控机床健康状态判断不及时、不准确的问题，并且得出的数控机床的健康指数是通过可视化显示，提高了机床与人的交互效果。

为实现上述目的，按照本发明的一个方面，提供了一种数控机床的健康监测方法，其特征在于，包括以下步骤：

(1)运行自检G指令，并采集运行状态数据：

所述运行状态数据为进给轴负载电流、进给轴位置、进给轴速度、进给轴加速度、进给轴振动信号，主轴负载电流、主轴功率、主轴速度、主轴振动信号，以及刀库I/O信号中的至少一种；

(2)将采集得到的所述运行状态数据与所述步骤(1)中的自检G指令之间建立映射关系，形成指令域映射集；

(3)将所述步骤(2)得到的指令域映射集根据所述步骤(1)中的自检G指令进行划分，提取目标自检G指令下的指令域映射，得出所述目标自检G指令下的运行状态数据，并根据所述目标自检G指令下的运行状态数据计算出所述目标自检G指令下的运行状态数据的实际特征值；接着，将所述实际特征值与标准运行状态数据对应的标准特征值进行对比计算，得出该数控机床的进给轴、主轴、刀库或整机的健康指数；所述标准运行状态数据与所述目标自检G指令下的运行状态数据两者的数据种类相同。

作为本发明的进一步优选，

当所述步骤(3)中所述目标自检G指令下的运行状态数据为进给轴负载电流或主轴负载电流时，所述实际特征值为所述进给轴负载电流或所述主轴负载电流经过上下包络线提取和二项式拟合处理后得到的电流波动、电流平均值、二项式系数和置信度，所述标准特征值为标准电流波动、标准电流平均值、标准二项式系数和标准置信度；

当所述步骤(3)中所述目标自检G指令下的运行状态数据为主轴速度时，所述实际特征值为主轴升速时间和主轴降速时间，所述标准特征值为标准主轴升速时间和标准主轴降速时间；

当所述步骤(3)中所述目标自检G指令下的运行状态数据为刀库I/O信号时，所述实际特征值为刀库换刀时间，所述标准特征值为标准刀库换刀时间。

作为本发明的进一步优选，所述步骤(3)中得出的所述数控机床的进给轴、主轴、刀库或整机的健康指数还被显示。

作为本发明的进一步优选，所述步骤(3)中得出的所述数控机床的进给轴、主轴、刀库或整机的健康指数以分色图或者雷达图显示，其中，

所述分色图用于显示所述数控机床的健康指数随时间的变化情况，该分色图包括至少两个区域，这两个区域分别为健康区域和非健康区域，所述健康区域和所述非健康区域以不同颜色区分；

所述雷达图用于分别显示该数控机床进给轴的健康状态、该数控机床主轴的健康状态或该数控机床刀库的健康状态。

作为本发明的进一步优选，所述数控机床为数控车床、数控铣床或数控加工中心，其中，

当所述数控机床为数控车床时，所述步骤(1)中的自检G指令包括进给轴单轴运行区间、进给轴运行速度、进给轴运行次数，双轴联动作圆运动的半径、该双轴联动圆运动的圆个数、该双轴联动的运行方向、该双轴联动的运行速度，主轴运行速度、主轴运行方向和主轴运行时间；

当所述数控机床为数控铣床时，所述步骤(1)中的自检G指令包括进给轴单轴运行区间、进给轴运行速度、进给轴运行次数，双轴联动作圆运动的半径、该双轴联动圆运动的圆个数、该双轴联动的运行方向、该双轴联动的运行速度，主轴运行速度、主轴运行方向和主轴运行时间；

当所述数控机床为数控加工中心时，所述步骤(1)中的自检G指令包括进给轴单轴运行区间、进给轴运行速度、进给轴运行次数，双轴联动作圆运动的半径、该双轴联动圆运动的圆个数、该双轴联动的运行方向、该双轴联动的运行速度，主轴运行速度、主轴运行方向和主轴运行时间，以及刀库换刀动作。

作为本发明的进一步优选，所述步骤(3)中所述数控机床的整机的健康指数为该数控机床的进给轴的健康指数与该数控机床的主轴的健康指数的平均值；或者，所述步骤(3)中所述数控机床的整机的健康指数为该数控机床的进给轴的健康指数、该数控机床的主轴的健康指数与该数控机床的刀库的健康指数的平均值。

通过本发明所构思的以上技术方案，能够取得以下有益效果：

1.通过使数控机床运行特定的自检G代码(即自检G指令)，可以实现机床全面、方便的检查，为机床的自检提供运行规程；

2.机床自检G代码与运行状态实时大数据的映射，一方面可以明确运行状态数据的运行过程，另一方面在进行数据比较时更加科学合理；

3.通过机床指令域波形图的横向比较，实现机床集群健康状态的监控；通过机床指令域波形图的纵向比较，实现机床健康状态的跟踪。横向比较是指将计算得到的某一数控机床的健康指数与该数控机床所属的数控机床集群内的其它数控机床的健康指数进行比较，从而判断该数控机床集群整体的健康状况，形成例如对车间所有机床的健康状况整体的认知。纵向比较是指将计算得到的某一数控机床的健康指数与该数控机床的历史健康指数进行比较，更加直观地反映机床健康状态的变化趋势。

本发明中的数控机床的健康监测方法，是一整套基于实时大数据的数字化可视化的机床健康状态检测方法，是套行之有效的数控机床健康监测方法，能够实时直观地了解机床健康状态并提前锁定故障部位，满足当今数控机床健康状态监测的需求。本发明通过在数控机床上运行自检G指令，采集数控机床的实时大数据，形成指令域波形图，从中获取可反映机床装配质量、电机质量、伺服调整匹配度的特征参数，并对机床综合健康指数进行可视化显示。

本发明将采集得到的运行状态数据与自检G指令之间建立映射关系，形成指令域映射集，使得运行状态数据的对比更加合理；由于对于特定的某一台数控机床，工作任务数据(即自检G指令)是固定的，因此可以通过运行状态数据的分析，直接判断数控机床的状态，亦即对数控机床进行健康评估。本发明中的横向比较是对机床集群内部每台机床的数据进行对比，可快速定位健康状态欠佳的机床；纵向比较是对单台机床历史数据的对比，更加直观地反映机床健康状态的变化趋势。本发明得出的数控机床的健康指数优选以分色图或雷达图的方式显示，分色图是机床健康值在时域上的显示，例如，可以恰当地选取健康值阈值，将区间划分为红黄绿三个区域，反映其变动情形及好坏趋势；雷达图则是针对于主轴、进给轴、刀库等部件的健康状态，各部件健康状态优中差一目了然。

此外，本发明中的数控机床的健康监测方法是基于开放式数控***，可以相应的配合开放式数控***的改造原理，应用到各类数控***中，只要改造后的数控***能够实现指令域与运行状态数据的映射，能够获取该数控***内部的指令信息即可。

附图说明

图1是本发明方法步骤流程图；

图2是本发明实施例方法中G01指令负载电流处理流程示意图；

图3是本发明实施例方法中工作任务数据与运行状态数据的映射；

图4是本发明实施例方法中机床健康指数的分色图；

图5是本发明实施例方法中机床健康指数的雷达图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例1

如图1所示，本发明中的数控机床的健康监测方法，包括以下步骤：

步骤一：以数控机床采用立式加工中心为例，运行特定自检G代码(即自检G指令)，并采集运行状态数据。

针对于立式加工中心，工作任务数据即自检G指令的内容如下表1、表2、表3所示：

表1针对立式加工中心的进给轴单轴运行参数

项目	运行区间	运行速度	运行次数
				X轴	-500－0	3000mm/min	2
Y轴	-100－290	3000mm/min	2
				Z轴	-250－40	3000mm/min	2

表2针对立式加工中心的双轴圆运动运行参数

项目	长短轴	速度	运行次数
				XY轴联动	X长Y短	3000mm/min	1
YZ轴联动	Y长Z短	3000mm/min	1
				XZ轴联动	X长Z短	3000mm/min	1

表3针对立式加工中心的主轴运行参数

此外，刀库的换刀动作为：从刀位1换到刀位6，再换到刀位1。

运行状态数据的采集主要包括程序行号、位置、速度、负载电流以及刀库的I/O信号。

步骤二：将G代码与G代码运行过程中产生的数据进行映射，形成工作任务数据与运行状态数据的映射关系，形成指令域映射集。在本实施例中，可以以程序行号为横坐标，以运行状态数据(如主轴负载电流)为纵坐标实现运行状态数据与指令域的映射，如图3所示。进一步的，可以通过对主轴负载电流的分析，对数控机床进行健康状态评估。

步骤三：

以指令域分析为基础，将时域信号按照G指令进行划分，并提取相关时域信号的特征值(即，提取目标自检G指令下的指令域映射，得出所述目标自检G指令下的运行状态数据，并根据所述目标自检G指令下的运行状态数据计算出所述目标自检G指令下的运行状态数据的实际特征值)，对特征值做相关聚类处理(例如，将实际特征值与标准运行状态数据对应的标准特征值进行比较)和可视化处理，得到数控机床进给轴、主轴和整机的健康指数，并利用时序分析和历史健康数据进行横向、纵向比较，对数控机床的进给轴、主轴和整机的健康状态进行预测。

例如，横向比较是对机床集群内部每台机床的数据进行对比，可快速定位健康状态欠佳的机床；纵向比较是对单台机床历史数据的对比，更加直观地反映机床健康状态的变化趋势。

健康指数的算法步骤可采用如下步骤：

①根据指令行号对时域信号(负载电流/跟随误差/实际速度/实际位置/指令位置)进行划分，赋予时域信号以数控机床运行信息；

②针对划分的时域信号进行特征提取；

对G01的负载电流进行如图5所示，获得特征为二次项系数、拟合置信度、电流平均值、电流波动值；

对G02/G03的位置进行如下处理：构建对应两轴的实际位置和指令位置的合成圆；绘制两个圆的圆测试图。

对M03的实际速度的处理为：计算主轴加速时间；对M05的实际速度的处理为：计算主轴减速时间。

对M06的换刀指令的处理为：计算换刀时间。

③根据不同的G指令，针对于单轴、双轴、主轴、刀库，将实测数据的特征与模板数据的特征进行聚类分析，由聚类分析得到各进给轴、主轴、刀库的健康状态，并进一步根据加权平均的方法计算机床整机的健康指数。

④根据时序分析方法，结合机床历史的健康指数，对数控机床未来的健康状态进行预测分析。

具体来说，本实施例中健康指数的计算步骤可以采用如下步骤：

①特征提取：特征向量为[刀库换刀时间Tc主轴升速时间Tsa主轴降速时间Tsd电流波动Iv电流平均值Im二项式系数A置信度Rs]；

②针对上述特征向量中每个特征值进行归一化处理；

③健康基准的建立：29台机床的正常运行时对应特征的平均状态；

基准特征：[刀库换刀时间Tcb主轴升速时间Tsab主轴降速时间Tsdb电流波动Ivb电流平均值Imb二项式系数Ab置信度Rsb]；

④健康指数HI的计算：

刀库健康指数HI_Tool：

欧距离计算：eDist＝pdist(Tcb,Tc)；

健康指数计算：

logsig(n)＝1/(1+exp(-n))->HI_Tool＝2*logsig(-eDist)＝1/(1+exp(-eDist))

X轴健康指数HI_XAxis：

欧氏距离计算：eDist＝pdist([Ivb Imb Ab Rsb],[Iv Im A Rs])；

健康指数计算：

logsig(n)＝1/(1+exp(-n))->HI_XAxis＝2*logsig(-eDist)＝1/(1+exp(-eDist))

Y轴健康指数HI_YAxis：

欧氏距离计算：eDist＝pdist([Ivb Imb Ab Rsb],[Iv Im A Rs])；

健康指数计算：

logsig(n)＝1/(1+exp(-n))->HI_XAxis＝2*logsig(-eDist)＝1/(1+exp(-eDist))

Z轴健康指数HI_ZAxis：

欧氏距离计算：eDist＝pdist([Ivb Imb Ab Rsb],[Iv Im A Rs])；

健康指数计算：

logsig(n)＝1/(1+exp(-n))->HI_XAxis＝2*logsig(-eDist)＝1/(1+exp(-eDist))

主轴健康指数HI_Spdl：

欧氏距离计算：eDist＝pdist([Tsab Tsdb],[Tsa Tsd])；

健康指数计算：

logsig(n)＝1/(1+exp(-n))->HI_Spdl＝2*logsig(-eDist)＝1/(1+exp(-eDist))

机床健康指数HI_Machine：

HI_Machine＝mean([HI_Tool HI_Spdl HI_Xaxis HI_YAxis HI_ZAxis])

步骤四：

对计算所得数控机床健康指数进行可视化显示。对单台机床历史数据进行纵向比较，综合健康指数的时域分布得到分色图(显示的图形可以为不同颜色的分色图，包括同一基础颜色下的不同颜色深浅度的分色图，如图4所示)，各单项指标健康指数的变化趋势形成雷达图(如图5所示)。

上述实施例是针对数控加工中心，除了数控加工中心外，本发明中的数控机床的健康监测保障方法还适用于数控车床和数控铣床，区别在于自检G指令所包含的内容不同：针对于普通车床而言，自检G指令包含了进给轴(X/Z)单轴运行区间、运行速度和运行次数，双轴(XZ)圆运动的半径、圆个数、运行方向和运行速度，主轴的运行速度、运行方向和运行时间；针对于普通铣床而言，自检G指令包含了进给轴(X/Y/Z)单轴运行区间、运行速度和运行次数，双轴(XY/YZ/ZX)圆运动的半径、圆个数、运行方向和运行速度，主轴的运行速度、运行方向和运行时间。数控加工中心的自检G指令是在普通铣床的基础上，添加了刀库的换刀动作。这些自检G指令均为工作任务数据，通过在数控机床上运行特定的自检G代码进行非加工运行，并采集此过程中的运行状态数据，由此来判断数控机床的健康状态。

本发明中的基准特征(即，标准特征值)为预先设定的、健康状态下的数控机床各特征值，例如，可以是该数控机床出厂时健康状态下的特征。本发明中的函数，除特殊说明的外，均保持数学领域的常规定义，可以满足如MATLAB软件中的初始定义。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种数控机床的健康监测方法，其特征在于，包括以下步骤：

(1)运行自检G指令，并采集运行状态数据：

2.如权利要求1所述数控机床的健康监测方法，其特征在于，

3.如权利要求1所述数控机床的健康监测方法，其特征在于，所述步骤(3)中得出的所述数控机床的进给轴、主轴、刀库或整机的健康指数还被显示。

4.如权利要求3所述数控机床的健康监测方法，其特征在于，所述步骤(3)中得出的所述数控机床的进给轴、主轴、刀库或整机的健康指数以分色图或者雷达图显示，其中，

5.如权利要求1－4任意一项所述数控机床的健康监测方法，其特征在于，所述数控机床为数控车床、数控铣床或数控加工中心，其中，

6.如权利要求1－5任意一项所述数控机床的健康监测方法，其特征在于，所述步骤(3)中所述数控机床的整机的健康指数为该数控机床的进给轴的健康指数与该数控机床的主轴的健康指数的平均值；或者，所述步骤(3)中所述数控机床的整机的健康指数为该数控机床的进给轴的健康指数、该数控机床的主轴的健康指数与该数控机床的刀库的健康指数的平均值。