CN106406229A - 一种数控机床故障诊断方法 - Google Patents
一种数控机床故障诊断方法 Download PDFInfo
- Publication number
- CN106406229A CN106406229A CN201611181208.3A CN201611181208A CN106406229A CN 106406229 A CN106406229 A CN 106406229A CN 201611181208 A CN201611181208 A CN 201611181208A CN 106406229 A CN106406229 A CN 106406229A
- Authority
- CN
- China
- Prior art keywords
- fault
- component
- machine tool
- control machine
- matrix
- 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
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
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
本发明属于数控机床技术领域,涉及一种数控机床故障诊断方法,包括下述步骤:1、将***部件划分为n个组件;建立各个组件与故障时间间对应关系及组件间故障传播关系;2、建立组件故障传播有向图,对数控机床***组件故障传播有向图描述;3、计算数控机床***组件故障影响;4、将故障传播有向图转化为故障传播层次化模型;5、基于时间相关的数控机床***组件故障率建模;6、定位故障主因,进行数控机床故障诊断;本发明不仅考虑***组件故障传播层次关系、故障传播影响,还在组件故障率确定中考虑***组件的故障时间相关影响,提高组件故障建模准确性,与传统的基于图论或单一数据驱动、以***组件故障发生率诊断相比更实时、更符合实际。
Description
技术领域
本发明属于数控机床技术领域,涉及一种数控机床故障诊断方法,具体涉及故障致因分析、故障传递有向图建立、故障影响度计算、有权故障传播结构模型构建及基于时间相关的***组件故障率建模,在此基础上进行关键故障源与传播路径分析,定位故障主因。
背景技术
数控机床是集机、电、液等多技术于一身的复杂***,***结构的复杂性,造成其故障连锁性,即便一个部件极为微小的故障率,也会因为复杂***的规模效应,使***的整体故障率成几何级数增长,因此,如何诊断出***中故障,提升***可靠性,成为了保障机床***安全运行的重要课题。
现有的故障诊断方法基本上可分为图论法、专家***、基于解析模型方法与基于数据驱动方法等。图论法以其建模简单、结果易于理解等特点被广泛应用,但因多基于发生率进行故障定位,或即使考虑故障的轻重等级和检测难易程度,也依靠专家主观经验,从而导致定位的故障不符合实际;基于经验的专家***,因故障数量和组合不可预计,故工作量庞大;基于解析模型的诊断需要清晰理解***的运行机理,在具备合适数学模型的前提下,才能实现良好的诊断效果,因条件苛刻,故纯粹基于解析模型的诊断案例不多见;基于数据驱动方法是当前的研究热点,因其不需要了解***的解析模型,仅利用可测得信号分析或是根据大量的采样数据和历史数据直接推理,就能实现故障诊断;但因忽略故障机理,也会影响诊断的可信性。
数控机床属于复杂***,因因素众多,运行机理复杂,传统图论法或单一数据驱动诊断存在偏差,基于经验的专家***与基于解析模型的诊断不适用。
发明内容
针对现有技术因忽略***组件故障时间相关影响建立故障率模型而导致组件故障诊断存在偏差及单一诊断方法存在的缺陷,本发明提供一种集图论与数据驱动的动态数控机床故障诊断方法,利用该方法对数控机床***故障进行诊断,更实时、更符合实际。
为解决上述技术问题,本发明是采用如下技术方案实现的,结合附图说明如下:
一种数控机床故障诊断方法,包括下述步骤:
步骤一、将整个数控机床***部件划分为n个组件;根据采集的数控机床现场故障信息,借助于数据计算、故障致因分析和***结构功能方面的相关经验确定故障时间,建立各个组件与故障时间间对应关系及组件间故障传播关系;
步骤二、根据故障致因分析建立组件故障传播有向图,并用矩阵对数控机床***组件故障传播有向图进行描述;
步骤三、引入基于链接分析的网页排序算法(PageRank算法)计算数控机床***组件故障影响;
步骤四、应用解释结构模型(Interpretive Structural Modeling,ISM)法经矩阵转换将故障传播有向图转化为故障传播层次化模型;
步骤五、基于时间相关的数控机床***组件故障率建模;
步骤六、基于故障传播层次化模型、故障影响及组件故障率模型定位故障主因,进行数控机床故障诊断。
步骤二中所述的建立数控机床***组件故障传播有向图及描述矩阵是指:
以***组件为节点集合V={v1,v2,...,vn},组件节点之间的故障传播关系为有向边集合E={eij}(1≤i,j≤n),构建故障传播有向图G=(V,E);
用邻接矩阵A=[aij]n×n对故障传播有向图模型进行描述;
当i≠j时,
当i=j时,aij=0。
数控机床***组件故障影响评估是假设故障传播服从马尔科夫过程,根据邻接矩阵变换获得状态转移概率矩阵,引入PageRank算法计算数控机床***组件故障影响;
步骤三中所述计算数控机床***组件故障影响,是指按照以下步骤计算数控机床***组件间故障被影响度ρck和影响度ρCI:
(1)将邻接矩阵A的每行元素除以此行元素的总和,得到转移概率矩阵A′,然后对转移概率矩阵A′进行转置变换得到其转置矩阵(A′)T;
(2)利用式(1)进行迭代运算,得到***组件的故障被影响度ρCK值;设***由n个组件组成,定义一个n维向量ρCK,它的分量分别是各个***组件要素的ρck值,(ρCK)x、(ρCK)x+1分别表示第x次、第(x+1)次迭代所得的各***组件的故障被影响度值组成的(n×1)阶矩阵;
其中,d——阻尼因子,取试验中关联故障数与总故障数的比值;
E——(n×1)阶矩阵,并且元素全为1;
迭代初始条件为:(ρCK)0=[1 1…1]T;
设ε为指定的迭代收敛平稳阀值,迭代计算当满足|(ρCK)x+1-(ρCK)x|<ε时,迭代结束;
(3)将邻接矩阵A转置得到矩阵AT后,将AT的每行元素除以此行元素的总和,得到矩阵(AT)′;
(4)利用式(2)进行迭代运算,得到n个组件组成***的故障影响度ρCI值,(ρCI)x、(ρCI)x+1分别表示第x次、第(x+1)次迭代所得的各***组件的影响度值组成的(n×1)阶矩阵;
迭代初始条件为:(ρCI)0=[1 1…1]T;
设ε为指定的迭代收敛平稳阀值,迭代计算当满足|(ρCI)x+1-(ρCI)x|<ε时,迭代结束。
故障传播有向图层次化处理是指应用ISM法,将邻接矩阵转换为可达矩阵,可达矩阵分解,将故障传播有向图转化为故障传播层次化模型;
步骤四中所述将故障传播有向图转化为故障传播层次化模型步骤如下:
(1)可达矩阵求解;
将邻接矩阵A加上单位矩阵I经过r步布尔自乘运算,当有(I+A)r-2≠(I+A)r-1=(I+A)r,r≤n-1成立时,令M=(I+A)r,M即为可达矩阵;
(2)***组件故障传播层次化模型构建;
M中行值为1的要素对应的列要素组成可达集R(S),可达矩阵中列值为1的要素对应的行要素组成前因集A(S),满足R(Si)∩A(Si)=R(Si)成立的要素Si就是***的最高级别L1中组件要素;
可达矩阵M中去掉最高级组件要素,重复步骤1,可分出***的第2级、第3级…直至最低级组件要素;
按照组件要素的等级顺序将其分层,然后将组件要素间连接关系用有向线相连;对于强连接关系,即可达矩阵M中若mij=mji=1,则组件要素Si与组件要素Sj是强连接关系,绘制双向线,据此建立***组件故障传播层次化模型;
基于时间相关的数控机床***组件故障率建模是指采用Johnson法对***某组件故障时间的故障顺序号进行修正,采用最小二乘法进行参数估计,用线性相关系数法进行假设检验,以求得模型参数,并获得组件故障率模型;
步骤五中所述基于时间相关的数控机床***组件故障率建模步骤如下:
(1)针对定时截尾试验带来的右截尾数据,根据数控机床***n个组件故障时间,采用Johnson法对故障时间的故障顺序号计算;
将数控机床故障数据与右截尾等所有k个数据从小到大按整数排列,记这列编号为j(1≤j≤k);对数控机床该组件m个故障数据从小到大按整数排列,记这列编号为i(1≤i≤m),则该组件第i个故障数据的顺序号ri用公式(3)计算:
ri=ri-1+(k+1-ri-1)/(k+2-j)……………………(3)
式中:r0=0;
(2)数控机床组件故障率模型参数估计;
设数控机床组件故障数据服从分布函数为t≥0,故障率为λ=βθβ(t)β-1的两参数威布尔模型,对1-F(t)两边取两次自然对数得将该式左侧与右侧lnt做线性回归模型的拟合,可以得到威布尔模型参数;
(3)数控机床组件故障率模型假设检验;
采用线性相关系数检验法计算模型检验值ρ,根据故障时间数据量n及显著性水平α,计算相关系数起码值ρα,当ρ>ρα时,则认为lnt与是线性相关的,故障数据服从假设分布,否则拒绝假设;
数控机床故障诊断方法是指基于故障传播层次化模型、故障影响及组件故障率模型进行关键故障源、关键故障节点及关键故障传播路径识别,定位故障主因,进行数控机床故障诊断。
步骤六中所述定位故障主因步骤如下:
(1)识别关键故障源;
在故障传播层次化模型中,最低级层次***组件要素即为故障源,若最低级层组件要素多于两个,则比较该层组件要素影响度ρci与故障率乘积值,值大者是关键故障源;
(2)识别关键路径;
①识别关键故障节点;比较各组件节点要素故障率值,数值越大,与其相连的上一层故障传播路径越关键;若出现L1层组件节点要素故障率相等,则要结合被影响度ρck值,故障率与被影响度ρck之积值越大节点组件节点要素Si越关键,即为最高层L1关键故障节点L1(Si);
根据故障传播层次化模型,比较与L1(Si)相关联的L2层中各节点组件节点要素影响度ρci与故障率之积值,数值越大,与L1(Si)相连L2组件节点要素越关键,可确定关键故障节点L2(Sj);同理按照L2层关键故障节点确定方法,可以确定中间层各关键故障节点;
②依据故障传播层次化模型,将(1)、①步确定的关键故障源组件节点、关键故障组件节点连接的各有向边即为关键故障传播路径;
至此定位故障主因,实现数控机床故障诊断。
与现有技术相比本发明的有益效果是:
本发明故障诊断方法不仅考虑***组件故障传播层次关系、故障传播影响,还在组件故障率确定中考虑***组件的故障时间相关影响,提高组件故障建模准确性,与传统的基于图论或单一数据驱动、以***组件故障发生率诊断相比更实时、更符合实际。
附图说明
下面结合附图对本发明作进一步的说明:
图1是本发明所述的数控机床故障诊断方法流程图;
图2是由六个子***节点集合V={a,b,c,d,e,f}构成的故障传播有向图模型;
图3是某机床***10个组件的故障有向图;
图4是某机床***10个组件的故障传播层次化模型;
图5是某机床***10个组件的故障传播层次化模型与故障影响度。
具体实施方式
下面结合附图对本发明作详细的描述:
参阅图1所示,本发明的数控机床故障诊断方法包括下述步骤:将***划分为n个组件;***组件故障数据划分及故障关联分析;故障传播有向图建立及矩阵描述;组件故障影响计算;基于时间相关的组件故障率建模;故障主因定位等。
一、***组件故障数据划分与故障关联分析
为进行组件故障传播过程建模及故障率建模,实现***组件故障诊断,本发明采用故障致因分析对故障数据进行划分及故障关联分析。
1、***组件故障数据划分
***组件划分:根据数控机床结构与工作原理将整个数控机床***部件划分为n个组件;
组件故障数据:针对采集的数控机床现场故障信息,借助于数据计算、结合故障致因分析确定故障时间,建立各个组件与故障时间间对应关系;
2、***组件故障关联分析
根据采集的数控机床现场故障信息,依据***结构功能方面的相关经验,采用故障致因分析确定组件故障关联关系。
二、***组件故障传播有向图建立及矩阵描述
为进行组件故障传播建模,实现***组件故障诊断,本发明采用故障有向图描述组件故障传播关系,并引入邻接矩阵对组件故障直接传播关系进行描述。
1、***组件故障传播有向图建立
依据***组件间的故障传播关系,以***组件为节点集合V={v1,v2,...,vn},组件节点之间的故障传播关系为有向边集合E={eij}(1≤i,j≤n),构建故障传播有向图G=(V,E)。如果***组件i出现故障会引发***组件j出现故障,那么则存在从节点i到节点j的一条有向边,其中n为***组件数量。故障传播关系主要是依据采集的现场故障数据和故障关联分析,结合故障诊断手册进行确定。参阅图2是由六个子***节点集合V={a,b,c,d,e,f}构成的故障传播有向图模型。
2、***组件故障直接传播关系矩阵描述
用n×n阶邻接矩阵A对故障传播有向图模型进行描述;
当i≠j时,
当i=j时,aij=0。
可以用对应的邻接矩阵对图2所示的故障传播有向图模型进行描述:
邻接矩阵能够将有向图中的节点直接影响关系以矩阵的形式表达出来,但对于节点的间接影响关系无法刻画。***中有些元件的故障是通过某些中间部件传递到其他部件,在进行故障源分析定位时也必须考虑进去。
三、数控机床***组件故障影响计算
在故障传播过程中,故障影响既包括指***组件自身被其他***组件影响的能力也包括影响其他***组件的能力,是与***组件节点的入度、出度正相关的量,记为ρCK与ρCI。
ρCK值代表了***组件被其它***组件影响的概率,其值是“基于入度”计算的。所以通过对邻接矩阵A按“行归一”得到转移概率矩阵A',借助(1)式可以求得***组件的故障被影响度。
同理,ρCI值代表了某***组件故障对***其余组件产生故障影响的概率,ρCI值是“基于出度”计算的。通过对邻接矩阵A进行转置构造新的邻接矩阵AT,对新的邻接矩阵AT按“行归一”得到转移概率矩阵(AT)',借助公式(2)可以求得***组件的故障影响度。
其中,d——阻尼因子,取试验中关联故障数与总故障数的比值;
E——(n×1)阶矩阵,并且元素全为1;
迭代初始条件为:(ρCK)0=[1 1…1]T;(ρCI)0=[1 1…1]T。
设ε为指定的迭代收敛平稳阀值,迭代计算当满足|(ρCK)x+1-(ρCK)x|<ε、|(ρCI)x+1-(ρCI)x|<ε时,迭代结束。
迭代结束后得到ρCK、ρCI,则ρCK=[ρck(1)ρck(2)…ρck(n)]T、ρCI=[ρci(1)ρci(2)…ρci(n)]T即为各***组件基于故障相关的被影响度与影响度值。
上述计算***组件的故障影响基于以下假设:
假设1:数控机床***故障以概率d出现故障传递现象,即沿着故障传递模型进行传递,其中;
假设2:当***以概率(1-d)不沿着故障连接进行传递,那么下一个故障将以等可能的概率发生于任何一个***组件,***组件的ρCK值将会平均传递到各个***组件;
假设3:当***组件i能够将故障传递到部件j,部件j会获得故障相关被影响度值ρck(ij),传递值的大小依赖于组件i的故障率、影响度ρci(i)和其本身的ρck(i)值;
假设4:如果组件容易受到越多其他ρCK值较高的***组件的故障影响,那么此***组件的ρCK值也会越高。
四、故障传播层次化模型建立
因邻接矩阵A只能描述组件故障直接传播关系,对于间接传播关系的描述需要引入可达矩阵;可达矩阵分解可实现***组件故障传播有向图的层次化。
1.可达矩阵求解;将邻接矩阵A加上单位矩阵I经过r步布尔自乘运算,当有(I+A)r-2≠(I+A)r-1=(I+A)r,r≤n-1成立时,令M=(I+A)r,(I+A)r即为可达矩阵。
2.故障传播有向图的层次化;可达矩阵M中行值为1的要素对应的列要素组成可达集R(S),可达矩阵M中列值为1的要素对应的行要素组成前因集A(S),满足R(Si)∩A(Si)=R(Si)成立的要素Si就是***的最高级别L1中组件要素;去掉最高级组件要素,重复上述步骤,可分出***的第2级、第3级…直至最低级组件要素;可达矩阵M中若mij=mji=1,则组件要素Si与组件要素Sj是强连接关系;按照组件要素的等级顺序将其分层,然后将组件要素间连接关系用有向线相连,对于强连接关系,绘制双向线,据此建立出***组件故障传播层次化模型。
五、基于时间相关的***组件故障建模
为考虑***组件故障时间相关进行组件故障建模,实现***故障诊断,本发明引入Johnson法对***组件故障时间次序修正。
1.***组件故障时间次序修正;对数控机床故障数据与右截尾等所有数据k从小到大按整数排列,记这列编号为j(1≤j≤k);然后,只对数控机床该组件m个故障数据从小到大按整数排列,记这列编号为i(1≤i≤m),则第i个故障数据的顺序号ri=ri-1+(n+1-ri-1)/(n+2-j),令r0=0。
2、数控机床组件故障率建模;假设数控机床组件故障数据服从分布函数为t≥0,故障率为λ=βθβ(t)β-1的两参数威布尔模型,对1-F(t)两边取两次自然对数得将该式左侧与右侧lnt做线性回归模型的拟合,可以得到威布尔模型参数;采用线性相关系数检验法计算模型检验值ρ,根据故障数据n及显著性水平,计算相关系数起码值ρα,当ρ>ρα时,则认为ln t与是线性相关的,故障数据服从假设分布,否则拒绝假设。
六、数控机床故障诊断
基于数控机床***组件故障率、组件间故障影响度和被影响度,结合组件故障传播层次化模型,进行故障源及关键故障传播路径分析,定位故障主因。
1.关键故障源识别;在组件故障传播层次化模型中最低级层次***组件要素即为故障源,若最低级层组件要素多于两个,则比较该层组件要素故障率与影响度乘积值,值大者是关键故障源。
2.关键故障路径识别
①关键故障组件识别;比较最高层L1各组件节点要素故障率与被影响度之积,值越大这组件节点Si越关键,定位关键组件节点L1(Si);根据组件故障传播层次化模型,比较与L1(Si)相关联的L2层中各节点组件节点要素故障率与影响度之积值,数值越大,与L1(Si)相连L2组件节点要素越关键,可确定关键组件节点L2(Sj),同理,按照L2层关键组件节点确定方法,可以确定中间层各关键组件节点。
②依据故障传播层次模型,将确定的关键故障源要素节点与确定的关键组件要素节点连接的各有向边即为关键故障传播路径。
实施例
数控机床故障诊断
对采集的某台数控机床现场106个故障数据进行故障分析,发现共有9个组件发生故障,数控机床9个组件故障信息如表1所示。
表1***组件代码及故障间隔时间表
该***由10个节点组成节点集合V,节点之间表示故障传递关系的有向边集合E={eij}(1≤i,j≤10),借助对该***结构功能方面的相关经验,结合故障诊断手册,得出故障有向图G(V,E),参阅图3所示。
根据表1及图3,确定***组件故障直接关系邻接矩阵A,根据邻接矩阵A加上单位矩阵I经过布尔自乘运算,得到该***10个组件的间接故障关系可达矩阵M。
按照故障传播有向图的层次化原理,将可达矩阵M输入Mat lab,经矩阵分解计算得到***10个组件间的故障传播层次模型,参阅图4所示。
由邻接矩阵A得到概率转移矩阵(A′)T与[(AT)′]T分别为
已知106个现场故障数据中,关联故障数为33,因此阻尼因子d=33/106≈0.3。设迭代收敛平稳阀值ε=(0,0,…,0)T,经Matlab迭代计算,得到各***要素的影响度和被影响度值,结果如表2所示。
表2***组件故障影响值
***组件代码 | 被影响度 | 影响度 |
J | 0.1286 | 0.0583 |
M | 0.0960 | 0.0583 |
S | 0.0954 | 0.0656 |
NC | 0.0627 | 0.0652 |
W | 0.0627 | 0.0613 |
D | 0.0583 | 0.0666 |
V | 0.0583 | 0.1031 |
G | 0.0583 | 0.0666 |
L | 0.0583 | 0.0696 |
K | 0.0583 | 0.0613 |
根据表2和图4,建立***组件有权故障传播结构模型,参阅图5所示。
以S组件为例介绍***组件故障率建模过程。
考虑定时截尾试验及整机其他组件故障引起的被研究组件S故障时间截尾等多重截尾数据的影响,对组件S故障数据的次序进行修正,修正后故障秩次见表3。
表3组件S故障秩次单位:h
故障时间 | 秩次 | 故障时间 | 秩次 |
76.98 | 1.000 | 446.62 | 11.831 |
88.20 | 2.165 | 775.69 | 15.003 |
122.65 | 3.428 | 821.61 | 18.289 |
147.12 | 4.791 | 939.07 | 22.724 |
210.28 | 6.294 | 974.25 | 27.160 |
296.75 | 7.972 | 1260.11 | 36.031 |
382.90 | 9.806 | 1960.030 | 53.773 |
经最小二乘法参数估计及线性相关性检验查表得检验临界值故组件S故障率模型服从假设的两参数威布尔分布,模型参数如表4所示。同理,可以得到其他***组件故障率模型参数如表4所示。
表4***组件威布尔分布故障率模型参数
(1)由图5可知,最高层L1中的***要素为J、M,最低层L4中只有一个***要素V,中间层L2、L3中包含K、S、W、D、L、G、NC七个要素。即该数控机床***故障源为V,最易发生故障的是J、M。
(2)在t∈(0,972h]内,L1层中要素J、M,因故M是关键节点;L2层中,因与M相连要素只有S,说明L2层中,关键节点要素是S;L3层中,因故关键节点要素是G;故各层关键节点要素依次为:L1(M)、L2(S)、L3(G)、L4(V),故***故障传播关键路径为V→G→S→M。
(3)在t∈(972h,1439h]内,L1层要素J、M,因故M是关键节点;L2层中,因与M相连要素只有S,说明L2层中,关键节点要素是S;L3层中,因故关键节点要素是G;故各层关键节点要素依次为:L1(M)、L2(S)、L3(G)、L4(V),故***故障传播关键路径为V→G→S→M。
(4)在t>1439h内,L1层中要素J、M,因故M是关键节点;L2层中,因与M相连要素只有S,说明L2层中,关键节点要素是S;L3层中,因故关键节点要素是L;故各层关键节点要素依次为:L1(M)、L2(S)、L3(L)、L4(V),故***故障传播关键路径为V→L→S→M。
(5)根据故障诊断过程可知,故障主因是组件故障率的函数,因故障率是时间的函数,故故障主因伴随各组件故障率的变化而动态变化,不是一成不变的。
(6)本发明考虑了***组件故障对被研究组件故障秩次的影响,通过秩次修正获得了***组件的故障率模型,并结合故障传播层次模型及故障影响,提出数控机床故障诊断策略以定位关键故障源与关键故障传播路径,克服了现有因忽略***组件故障时间相关而导致用组件故障累积数作为故障秩次,使得故障率模型存在偏差,以及单一采用图论或数据驱动法进行诊断并致使诊断出现较大失误的缺陷。最后,以某国产数控机床***十类组件为例,验证了所提方法的有效性。这对于减少维修时间、提高***使用可靠性、保障机床***安全运行具有一定的指导意义。
Claims (6)
1.一种数控机床故障诊断方法,包括下述步骤:
步骤一:将整个数控机床***部件划分为n个组件;根据采集的数控机床现场故障信息,借助于数据计算、故障致因分析和***结构功能方面的相关经验确定故障时间,建立各个组件与故障时间间对应关系及组件间故障传播关系;
步骤二:根据故障致因分析建立组件故障传播有向图,并用矩阵对数控机床***组件故障传播有向图进行描述;
步骤三:引入基于链接分析的网页排序算法计算数控机床***组件故障影响;
步骤四:应用解释结构模型法经矩阵转换将故障传播有向图转化为故障传播层次化模型;
步骤五:基于时间相关的数控机床***组件故障率建模;
步骤六:基于故障传播层次化模型、故障影响及组件故障率模型定位故障主因,进行数控机床故障诊断。
2.根据权利要求1所述的数控机床故障诊断方法,其特征在于:
步骤二中所述的建立数控机床***组件故障传播有向图及描述矩阵是指:
以***组件为节点集合V={v1,v2,...,vn},组件节点之间的故障传播关系为有向边集合E={eij}(1≤i,j≤n),构建故障传播有向图G=(V,E);
用邻接矩阵A=[aij]n×n对故障传播有向图模型进行描述;
当i≠j时,
当i=j时,aij=0。
3.根据权利要求1所述的数控机床故障诊断方法,其特征在于:
步骤三中所述计算数控机床***组件故障影响,是指按照以下步骤计算数控机床***组件间故障被影响度ρck和影响度ρCI:
(1)将邻接矩阵A的每行元素除以此行元素的总和,得到转移概率矩阵A′,然后对转移概率矩阵A′进行转置变换得到其转置矩阵(A′)T;
(2)利用式(1)进行迭代运算,得到***组件的故障被影响度ρCK值;设***由n个组件组成,定义一个n维向量ρCK,它的分量分别是各个***组件要素的ρck值,(ρCK)x、(ρCK)x+1分别表示第x次、第(x+1)次迭代所得的各***组件的故障被影响度值组成的(n×1)阶矩阵;
其中,d——阻尼因子,取试验中关联故障数与总故障数的比值;
E——(n×1)阶矩阵,并且元素全为1;
迭代初始条件为:(ρCK)0=[1 1 … 1]T;
设ε为指定的迭代收敛平稳阀值,迭代计算当满足|(ρCK)x+1-(ρCK)x|<ε时,迭代结束;
(3)将邻接矩阵A转置得到矩阵AT后,将AT的每行元素除以此行元素的总和,得到矩阵(AT)′;
(4)利用式(2)进行迭代运算,得到n个组件组成***的故障影响度ρCI值,(ρCI)x、(ρCI)x+1分别表示第x次、第(x+1)次迭代所得的各***组件的影响度值组成的(n×1)阶矩阵;
迭代初始条件为:(ρCI)0=[1 1 … 1]T;
设ε为指定的迭代收敛平稳阀值,迭代计算当满足|(ρCI)x+1-(ρCI)x|<ε时,迭代结束。
4.根据权利要求1所述的数控机床故障诊断方法,其特征在于:
步骤四中所述将故障传播有向图转化为故障传播层次化模型步骤如下:
(1)可达矩阵求解;
将邻接矩阵A加上单位矩阵I经过r步布尔自乘运算,当有(I+A)r-2≠(I+A)r-1=(I+A)r,r≤n-1成立时,令M=(I+A)r,M即为可达矩阵;
(2)***组件故障传播层次化模型构建;
M中行值为1的要素对应的列要素组成可达集R(S),可达矩阵中列值为1的要素对应的行要素组成前因集A(S),满足R(Si)∩A(Si)=R(Si)成立的要素Si就是***的最高级别L1中组件要素;
可达矩阵M中去掉最高级组件要素,重复步骤1,可分出***的第2级、第3级…直至最低级组件要素;
按照组件要素的等级顺序将其分层,然后将组件要素间连接关系用有向线相连;对于强连接关系,即可达矩阵M中若mij=mji=1,则组件要素Si与组件要素Sj是强连接关系,绘制双向线,据此建立***组件故障传播层次化模型。
5.根据权利要求1所述的数控机床故障诊断方法,其特征在于:
步骤五中所述基于时间相关的数控机床***组件故障率建模步骤如下:
(1)针对定时截尾试验带来的右截尾数据,根据数控机床***n个组件故障时间,采用Johnson法对故障时间的故障顺序号计算;
将数控机床故障数据与右截尾等所有k个数据从小到大按整数排列,记这列编号为j(1≤j≤k);对数控机床该组件m个故障数据从小到大按整数排列,记这列编号为i(1≤i≤m),则该组件第i个故障数据的顺序号ri用公式(3)计算:
ri=ri-1+(k+1-ri-1)/(k+2-j)……………………(3)
式中:r0=0;
(2)数控机床组件故障率模型参数估计;
设数控机床组件故障数据服从分布函数为t≥0,故障率为λ=βθβ(t)β-1的两参数威布尔模型,对1-F(t)两边取两次自然对数得将该式左侧与右侧lnt做线性回归模型的拟合,可以得到威布尔模型参数;
(3)数控机床组件故障率模型假设检验;
采用线性相关系数检验法计算模型检验值ρ,根据故障时间数据量n及显著性水平α,计算相关系数起码值ρα,当ρ>ρα时,则认为lnt与是线性相关的,故障数据服从假设分布,否则拒绝假设。
6.根据权利要求1所述的数控机床故障诊断方法,其特征在于:
步骤六中所述定位故障主因步骤如下:
(1)识别关键故障源;
在故障传播层次化模型中,最低级层次***组件要素即为故障源,若最低级层组件要素多于两个,则比较该层组件要素影响度ρci与故障率乘积值,值大者是关键故障源;
(2)识别关键路径;
①识别关键故障节点;
比较各组件节点要素故障率值,数值越大,与其相连的上一层故障传播路径越关键;若出现L1层组件节点要素故障率相等,则要结合被影响度ρck值,故障率与被影响度ρck之积值越大节点组件节点要素Si越关键,即为最高层L1关键故障节点L1(Si);
根据故障传播层次化模型,比较与L1(Si)相关联的L2层中各节点组件节点要素影响度ρci与故障率之积值,数值越大,与L1(Si)相连L2组件节点要素越关键,可确定关键故障节点L2(Sj);同理按照L2层关键故障节点确定方法,可以确定中间层各关键故障节点;
②依据故障传播层次化模型,将(1)、①步确定的关键故障源组件要素节点与关键故障组件要素节点连接的各有向边即为关键故障传播路径;
至此定位故障主因,实现数控机床故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611181208.3A CN106406229B (zh) | 2016-12-20 | 2016-12-20 | 一种数控机床故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611181208.3A CN106406229B (zh) | 2016-12-20 | 2016-12-20 | 一种数控机床故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106406229A true CN106406229A (zh) | 2017-02-15 |
CN106406229B CN106406229B (zh) | 2018-04-03 |
Family
ID=58087868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611181208.3A Expired - Fee Related CN106406229B (zh) | 2016-12-20 | 2016-12-20 | 一种数控机床故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106406229B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108088495A (zh) * | 2017-11-01 | 2018-05-29 | 佛山科学技术学院 | 多传感器监测数据驱动的复合***故障定位方法 |
CN108600704A (zh) * | 2018-05-08 | 2018-09-28 | 深圳市智汇牛科技有限公司 | 一种自动厨房领域的监控***架构 |
CN109815149A (zh) * | 2019-01-29 | 2019-05-28 | 山西大学 | 一种基于Weibull分布引进故障的软件可靠性增长模型 |
CN110286646A (zh) * | 2019-07-01 | 2019-09-27 | 吉林大学 | 一种数控机床组件重要性评估方法 |
CN110370077A (zh) * | 2019-07-04 | 2019-10-25 | 长春工业大学 | 数控车床连续故障传播概率分析方法 |
CN110597726A (zh) * | 2019-09-19 | 2019-12-20 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 航电***的安全性管理方法、装置、设备和存储介质 |
CN110989561A (zh) * | 2019-12-26 | 2020-04-10 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种构建故障传播模型的方法及故障传播路径确定方法 |
CN111444035A (zh) * | 2020-03-26 | 2020-07-24 | 西京学院 | 基于故障传播网络的复杂电子***故障诊断方法 |
CN111830931A (zh) * | 2020-07-15 | 2020-10-27 | 中国科学院微电子研究所 | 一种dcs***的故障诊断方法 |
CN112162528A (zh) * | 2020-09-29 | 2021-01-01 | 广东工业大学 | 一种数控机床的故障诊断方法、装置、设备和存储介质 |
CN112415337A (zh) * | 2020-12-11 | 2021-02-26 | 国网福建省电力有限公司 | 一种基于动态集合覆盖的配电网故障诊断方法 |
CN112883569A (zh) * | 2021-02-05 | 2021-06-01 | 吉林大学 | 一种数控机床故障传播扩散行为分析方法 |
CN112906250A (zh) * | 2021-04-09 | 2021-06-04 | 吉林大学 | 一种复杂***模块分类方法 |
CN113110402A (zh) * | 2021-05-24 | 2021-07-13 | 浙江大学 | 知识与数据驱动的大规模工业***分布式状态监测方法 |
CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN114091625A (zh) * | 2022-01-18 | 2022-02-25 | 岚图汽车科技有限公司 | 一种基于故障代码序列的车辆零件失效预测方法及*** |
CN114692551A (zh) * | 2022-03-22 | 2022-07-01 | 中国科学院大学 | 一种Verilog设计文件安全关键信号的检测方法 |
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 |
CN116842349A (zh) * | 2023-08-31 | 2023-10-03 | 天津鑫宝龙电梯集团有限公司 | 一种智能故障识别方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846992A (zh) * | 2010-05-07 | 2010-09-29 | 上海理工大学 | 基于数控机床故障案例的故障树构造方法 |
CN101859128A (zh) * | 2010-07-05 | 2010-10-13 | 北京信息科技大学 | 一种基于知识的车铣复合机床故障预测专家*** |
CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
EP2993537A1 (de) * | 2014-09-08 | 2016-03-09 | Siemens Aktiengesellschaft | Diagnose von Fehlern in Automatisierungssystemen |
-
2016
- 2016-12-20 CN CN201611181208.3A patent/CN106406229B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846992A (zh) * | 2010-05-07 | 2010-09-29 | 上海理工大学 | 基于数控机床故障案例的故障树构造方法 |
CN101859128A (zh) * | 2010-07-05 | 2010-10-13 | 北京信息科技大学 | 一种基于知识的车铣复合机床故障预测专家*** |
CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
EP2993537A1 (de) * | 2014-09-08 | 2016-03-09 | Siemens Aktiengesellschaft | Diagnose von Fehlern in Automatisierungssystemen |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108088495B (zh) * | 2017-11-01 | 2020-05-05 | 佛山科学技术学院 | 多传感器监测数据驱动的复合***故障定位方法 |
CN108088495A (zh) * | 2017-11-01 | 2018-05-29 | 佛山科学技术学院 | 多传感器监测数据驱动的复合***故障定位方法 |
CN108600704A (zh) * | 2018-05-08 | 2018-09-28 | 深圳市智汇牛科技有限公司 | 一种自动厨房领域的监控***架构 |
CN109815149A (zh) * | 2019-01-29 | 2019-05-28 | 山西大学 | 一种基于Weibull分布引进故障的软件可靠性增长模型 |
CN110286646B (zh) * | 2019-07-01 | 2021-06-15 | 吉林大学 | 一种数控机床组件重要性评估方法 |
CN110286646A (zh) * | 2019-07-01 | 2019-09-27 | 吉林大学 | 一种数控机床组件重要性评估方法 |
CN110370077A (zh) * | 2019-07-04 | 2019-10-25 | 长春工业大学 | 数控车床连续故障传播概率分析方法 |
CN110597726A (zh) * | 2019-09-19 | 2019-12-20 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 航电***的安全性管理方法、装置、设备和存储介质 |
CN110989561A (zh) * | 2019-12-26 | 2020-04-10 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种构建故障传播模型的方法及故障传播路径确定方法 |
CN111444035A (zh) * | 2020-03-26 | 2020-07-24 | 西京学院 | 基于故障传播网络的复杂电子***故障诊断方法 |
CN111444035B (zh) * | 2020-03-26 | 2023-05-26 | 西京学院 | 基于故障传播网络的复杂电子***故障诊断方法 |
CN111830931A (zh) * | 2020-07-15 | 2020-10-27 | 中国科学院微电子研究所 | 一种dcs***的故障诊断方法 |
CN111830931B (zh) * | 2020-07-15 | 2021-08-20 | 中国科学院微电子研究所 | 一种dcs***的故障诊断方法 |
CN112162528A (zh) * | 2020-09-29 | 2021-01-01 | 广东工业大学 | 一种数控机床的故障诊断方法、装置、设备和存储介质 |
CN112162528B (zh) * | 2020-09-29 | 2022-02-15 | 广东工业大学 | 一种数控机床的故障诊断方法、装置、设备和存储介质 |
CN112415337A (zh) * | 2020-12-11 | 2021-02-26 | 国网福建省电力有限公司 | 一种基于动态集合覆盖的配电网故障诊断方法 |
CN112883569A (zh) * | 2021-02-05 | 2021-06-01 | 吉林大学 | 一种数控机床故障传播扩散行为分析方法 |
CN112883569B (zh) * | 2021-02-05 | 2022-05-17 | 吉林大学 | 一种数控机床故障传播扩散行为分析方法 |
CN112906250A (zh) * | 2021-04-09 | 2021-06-04 | 吉林大学 | 一种复杂***模块分类方法 |
CN112906250B (zh) * | 2021-04-09 | 2022-05-31 | 吉林大学 | 一种复杂***模块分类方法 |
CN113110402A (zh) * | 2021-05-24 | 2021-07-13 | 浙江大学 | 知识与数据驱动的大规模工业***分布式状态监测方法 |
CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN113835411B (zh) * | 2021-09-07 | 2023-10-27 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN114091625A (zh) * | 2022-01-18 | 2022-02-25 | 岚图汽车科技有限公司 | 一种基于故障代码序列的车辆零件失效预测方法及*** |
CN114692551A (zh) * | 2022-03-22 | 2022-07-01 | 中国科学院大学 | 一种Verilog设计文件安全关键信号的检测方法 |
CN114692551B (zh) * | 2022-03-22 | 2024-06-07 | 中国科学院大学 | 一种Verilog设计文件安全关键信号的检测方法 |
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 |
CN116842349A (zh) * | 2023-08-31 | 2023-10-03 | 天津鑫宝龙电梯集团有限公司 | 一种智能故障识别方法、装置、设备和介质 |
CN116842349B (zh) * | 2023-08-31 | 2023-11-21 | 天津鑫宝龙电梯集团有限公司 | 一种智能故障识别方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106406229B (zh) | 2018-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106406229B (zh) | 一种数控机床故障诊断方法 | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN105550700B (zh) | 一种基于关联分析和主成分分析的时间序列数据清洗方法 | |
CN105278460B (zh) | 基于级联故障分析的数控机床***组件可靠性评价方法 | |
CN102073586B (zh) | 基于灰色广义回归神经网络的小样本软件可靠性预计方法 | |
CN107463633A (zh) | 一种基于eemd‑神经网络的实时数据异常值检测方法 | |
CN105070097B (zh) | 一种营运车辆道路交通事故风险识别方法 | |
CN107576920A (zh) | 一种基于模糊多属性评价的卫星电源健康度计算方法 | |
CN111598352A (zh) | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 | |
CN103995237A (zh) | 一种卫星电源***在线故障诊断方法 | |
CN106597992A (zh) | 一种数控机床组件重要度分析方法 | |
CN106443566B (zh) | 基于大数据推演的电能计量装置误差检测方法及*** | |
CN103592374A (zh) | 一种基于d-s证据理论的变压器油色谱数据预测方法 | |
CN104765965A (zh) | 基于模糊Petri的GIS故障诊断与可靠性分析方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN102663495B (zh) | 一种用于非线性器件建模的神经网络数据生成方法 | |
CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN106372724A (zh) | 一种人工神经网络算法 | |
CN106096723A (zh) | 一种基于混合神经网络算法的用于复杂工业产品性能评估方法 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和*** | |
CN104268792A (zh) | 高载能用电企业能效综合评价模型 | |
CN103488887A (zh) | 一种基于混合专家网络的产品可靠性评估方法 | |
CN105868115A (zh) | 软件密集型***软件测试模型的构建方法和*** | |
CN106203805A (zh) | 一种有源配电网概率可靠性估计方法及装置 | |
CN112883569B (zh) | 一种数控机床故障传播扩散行为分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180403 Termination date: 20181220 |