CN109396953A - 基于信号融合的机床工作状态智能辨识*** - Google Patents
基于信号融合的机床工作状态智能辨识*** Download PDFInfo
- Publication number
- CN109396953A CN109396953A CN201811482543.6A CN201811482543A CN109396953A CN 109396953 A CN109396953 A CN 109396953A CN 201811482543 A CN201811482543 A CN 201811482543A CN 109396953 A CN109396953 A CN 109396953A
- Authority
- CN
- China
- Prior art keywords
- signal
- lathe
- data
- sensor
- intelligent identification
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/12—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring vibration
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
- Automatic Control Of Machine Tools (AREA)
Abstract
本发明提供了一种基于信号融合的机床工作状态智能辨识***,传感器***安装于机床的机械***上,采集机床的振动信号、温度信号、电流信号和速度信号;振动信号和温度信号通过数据采集***转换为数字信号后发送至监控***,电流信号和速度信号通过数控***发送至监控***;监控***控制振动信号、温度信号、电流信号和速度信号发送至状态信号数据库***中和/或发送至数据智能分析***进行实时数据分析并输出机床工作状态智能辨识结果。本发明有效地消除了单独由功率传感器测得的信号所做的机床状态辨识所带来的误判,结合多种传感器信息的融合,采用BP神经网络方法,减小判断误差,提高***鲁棒性,同时为加工工艺过程的动态监控提供了基础条件。
Description
技术领域
本发明涉及机床加工工艺过程监控领域,尤其是一种基于信号融合的加工中心加工工艺过程中不同加工阶段的机床工作状态智能辨识***。
背景技术
加工中心的加工工艺过程辨识是指对于机床工作状态尤其是对加工过程中不同加工工艺阶段的辨识,是加工工艺过程监控的重要基础。机床工作状态的识别对了解掌握和统计分析设备的加工信息具有重要意义。加工中心不同的工作状态包括停机、开机、加工开始、不同的加工工艺阶段、加工结束、换刀等工作状态,企业可以计算机床的加工负荷、产品的生产数量及刀具的消耗量等等,从而核算成本。在加工工艺过程监控中,通过识别设备加工过程中不同的加工阶段,可以及时发现特定工艺过程的异常状态,预报和定位加工设备故障,减少停机时间,预测和控制加工质量。
现有的机床加工状态识别方法大部分为基于功率信息的统计方法。经过检索发现:申请号为201310134979.7的发明专利,公开了一种“基于功率信息的机床设备利用状态在线监测方法及装置”,通过在机床总电源处安装功率传感器,对实时采集的机床总电源输入功率进行信号处理后,得到机床的开机状态、主轴电机运行状态等信息并进一步进行统计分析。申请号为201410697266.6的发明专利,公开了“基于主轴功率监控的机床工作状态的自动统计方法及***”,此方法通过对机床主轴功率的监控,实时识别机床加工状态,统计机床加工工件时间,换刀时间,主轴空转时间,加工结束机床闲置时间,机床开机总时间,并统计机床加工工件数量和刀具使用数量。
分析已有专利,还缺少对于不同加工工艺阶段的判断方法。目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
为了克服现有技术中只使用一种功率信号作为判断机床状态准确率低、鲁棒性差等缺陷,本发明提供了一种基于信号融合的机床工作状态智能辨识***,该***采用多种传感器信号融合的方法,通过采集机床主轴和进给轴不同位置的振动和负载信号,基于人工智能技术,将多传感器信号融合,自动辨识机床工作状态包括停机、开机、加工开始、不同加工阶段对应的加工工艺过程、加工结束、换刀等工作状态,为工作状态的自动统计提供新的方法,尤其是辨识零件不同的加工工艺过程,如加工中心上特定的工序和工步,采用不同刀具和加工工艺参数加工零件的不同部位,为加工工艺过程的动态监控提供了基础条件。
本发明是通过以下技术方案实现的。
一种基于信号融合的机床工作状态智能辨识***,包括传感器***、数据采集***、监控***、状态信号数据库***和数据智能分析***;其中:
所述传感器***安装于机床的机械***上,并采集机床的振动信号、温度信号、电流信号和速度信号;其中,所述振动信号和温度信号通过数据采集***由模拟信号转换为数字信号后发送至监控***,所述电流信号和速度信号(通过数控***)直接发送至监控***;
所述监控***控制振动信号、温度信号、电流信号和速度信号发送至状态信号数据库***中进行数据存储和/或发送至数据智能分析***进行实时数据分析;
所述数据智能分析***输出机床工作状态智能辨识结果。
优选地,所述机床的机械***包括主轴和伺服轴;
所述传感器***包括:振动信号传感器、温度信号传感器以及数控***;其中:
所述振动信号传感器和温度信号传感器分别布置于主轴的前后轴承处以及伺服轴丝杠螺母座处,采集主轴和伺服轴的振动信号和温度信号;
所述数控***采集主轴和伺服轴的电流信号和速度信号。
优选地,所述传感器***,还包括如下任意一项或任意多项特征:
-布置于主轴前轴承处的振动信号传感器和温度信号传感器采用防水或防缠屑型传感器;
-所述振动信号传感器和温度信号传感器通过信号线与数据采集***连接;
-所述数控***采用机床的控制***,并与监控***数据通讯连接。
优选地,所述数控***采集主轴和伺服轴的电流信号和速度信号的方法为:通过调用数控***API,得到主轴和伺服轴的电流信号和速度信号。
优选地,所述状态信号数据库***按照数据采集时间和机床编号对数据进行分类存储。
优选地,所述智能分析***对传感器***采集到的信号进行特征提取,再将提取的特征值作为参数输入到构建的BP神经网络中,最终输出机床的工作状态。
优选地,对传感器***采集到的信号进行特征提取,包括:
-对振动信号传感器采集到的振动信号进行特征提取,采用多层小波包分析方法,计算多个小波包分量的能量与总能量的比值作为特征值;
-对温度信号传感器和数控***采集到的温度信号、电流信号和速度信号进行特征提取,采用阈值比较分析方法,提取固定时段的最大值作为特征值。
优选地,所述BP神经网络包括输入层、隐层和输出层;其中:
输入层节点为不同工作状态下不同传感器采集的信号经处理得到的特征值;
输出层节点为机床工作状态;
隐层节点数m为:
其中,n为输入层节点数,l为输出层节点数,a为1~10之间的常数。
优选地,将不同机床工作状态下的特征值样本作为输入值,机床工作状态作为输出值,根据BP神经网络算法,用大量的样本数据进行训练,得到BP神经网络模型。在实际机床工作状态下,计算机床的特征值并作为输入值输入到BP神经网络模型中,得到机床工作状态,并继续将次样本数据作为训练数据,减少BP神经网络误差率。
BP神经网络的辨识方法的核心为:输入的参数和输出的结果没有公式化的对应关系,通过逆向误差最小算法根据多样本训练得到最小的误差对应的结果。
与现有技术相比,本发明具有如下有益效果:
本发明有效地消除了单独由功率传感器测得的信号所做的机床状态辨识所带来的误判,结合多种传感器信息的融合,采用BP神经网络方法,减小判断误差,提高***鲁棒性,同时为加工工艺过程的动态监控提供了基础条件。
本发明利用多传感器信息融合技术,提高机床工作状态判断的准确性和鲁棒性,同时,通过识别设备加工过程中不同的加工阶段,可以及时发现特定工艺过程的异常状态,控制加工质量,减少停机时间,提高设备预知维护的水平。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明提供的基于信号融合的机床工作状态智能辨识***整体结构示意图;
图2为本发明一实施例中机床工作状态智能辨识示意图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
实施例
本实施例提供了一种基于信号融合的机床工作状态智能辨识***,包括传感器***(振动信号传感器、温度信号传感器、数控***)、数据采集***、监控***、状态信号数据库***以及数据智能分析***,其中:将传感器***安装在机床的机械***部分,数据采集***将传感器***采集到的振动、温度模拟信号转化为数字信号,监控***与传感器***的数控***通信并得到主轴和伺服轴的电流及速度数据,监控***控制传感器采集的信号数据存储在状态信号数据库***中或直接传输到数据智能分析***中进行实时分析,最终能完成机床工作状态智能辨识。
机床的机械***,包括主轴(前、后轴承轴承座)和伺服轴(丝杠螺母副)。主轴的轴承和伺服轴的丝杠螺母作为最易损坏的零部件,能在工作环境中较敏感地反映出健康信息,故将传感器***安装在主轴轴承座处和伺服轴丝杠螺母副处。
传感器***,包括:外部信息传感***和内部信息传感***,其中,外部信息传感***,可通过传感器信号放大和模数转换电路来实现。外部信息传感***包括分别布置在主轴前轴承处的铠装式振动传感器和布置在主轴后轴承处的振动传感器和温度传感器,分别布置在伺服轴X,Y,Z轴靠近伺服电机处的振动传感器和温度传感器,根据实际工作条件选择防水型传感器。所有的传感器通过信号线连接到数据采集***,数据采集***将传感器采集到的模拟信号转换为电信号,并通过监控***选择将信号数据保存到状态信号数据库内或传输到数据智能分析***对信号数据进行实时分析。
内部信息传感***,可通过控制器和数控***内部信息传感器的通讯来实现。通过数控***的内部信息传感器,主要采集主轴和伺服轴的电流信号和速度信号,控制器与数控***内部信息传感器通过以太网的通讯方式进行连接,则控制器能读取到加工过程中的实时电流大小和速度大小,并通过监控***选择将信号数据保存到状态信号数据库***内或传输到数据智能分析***对信号数据进行实时分析。
数据采集***,能将传感器***中传感器采集的振动信号和温度信号进行实时采集,并将采集到的模拟信号转化为数字信号,并能将采集到的振动信号和温度信号通过监控***控制保存到状态信号数据库***中或在数据智能分析***中实时分析。
监控***,能够根据需求将数据采集***或数控***得到的数据选择保存在状态信号数据库内或直接传输到数据智能分析***中进行实时分析。
状态信号数据库,能够保存数据采集***和数控***所采集到的信号,并按照时间、机床编号等分类存储,还可以由数据智能分析***查询并取出数据进行分析和处理。
数据智能分析***,搭建在计算机上的上分析***。智能分析***先对传感器采集到的信号进行特征提取,再将提取的特征作为参数输入到构建的BP神经网络***中,最终输出机床的工作状态。其中,传感器信号特征提取根据传感器类型的不同选择不同的特征提取方法。振动传感器得到的振动信号数据采用多层小波包分析方法,计算多个小波包分量的能量与总能量的比值作为特征;电流信号、温度信号、速度信号数据采用阈值比较分析方法,提取固定时段的最大值最为特征。
机床工作状态辨识,机床工作状态包括停机、开机、加工开始、不同加工阶段对应的加工工艺过程、加工结束、换刀等,不同的工作状态下,采用上述分析方法得到的特征值都有差异,但是由于特征值数目太多且没有规律,采取传统的分类方法很难将机床工作状态分类出来。故本发明采用基于神经网络的机器学习方法,将多个特征值作为输入,机床工作状态作为输出,通过不断学习提高分类的准确率,为工作状态的自动统计提供新的方法,尤其是辨识零件不同的加工工艺过程,如加工中心上特定的工序和工步,采用不同刀具和加工工艺参数加工零件的不同部位,为加工工艺过程的动态监控提供了基础条件。
上述的机械***,是传感器***的基础,包括主轴***前、后轴承座和伺服轴丝杠螺母座。将传感器***布置在上述位置,可获得较为准确的信号信息。
上述的传感器***,包括外部传感信息***和内部信息传感***(来源于数控***内部信息传感器),其中外部传感信息***与数据采集***相连获得振动数据和温度数据,数控***内部信息传感器与监控***相连获得电流数据和速度数据。
上述的外部传感信息***,包括分别布置在主轴前轴承处和后轴承处的振动传感器和温度传感器,分别在各伺服轴丝杠螺母座上布置的振动传感器和温度传感器。其中,主轴前轴承处布置的传感器需要考虑防水或防缠屑处理。所有的传感器通过信号线连接到数据采集***,数据采集***将传感器采集到的模拟信号转换为电信号,并根据监控***选择控制数据库***保存数据或控制数据智能分析***对数据进行分析。
上述的数据采集***,与传感器***、监控***相连,负责对数据的采集。数据采集信息主要来源于外部传感信息***,可通过传感器信号放大和模数转换电路来获取。
上述的来源于数控***内部信息传感器,主要是指主轴驱动电流信号,控制器与数控***内部信息传感器通过以太网等方式进行通讯,控制器读取加工过程中的主轴驱动电流的大小,并保存到数据库***中。
上述的监控***,是基于计算机的一套控制***,也可选择体积较小的嵌入式***,可以控制数据采集***采集数据,控制数据库***保存数据,控制数据智能分析***对数据进行分析。
上述的数控***,是指数控机床的控制***,通过与监控***数据通讯,可以提供来源于数控***内部的传感信息。
上述的来源于数控***内部的传感信息,主要是指机床主轴和伺服轴的电流、速度信号,监控***读取并能保存到数据库***中。
上述的基于多传感器的机床状态信号数据库***,与数据采集***、数据智能分析***相连,负责对异常数据的存储,能够实现加工设备黑盒子的作用。
上述的数据智能分析***,与数据采集***、数据库***相连,负责对数据进行分析,利用状态辨析方法,得到停机、开机、加工开始、不同的加工工艺阶段、加工结束、换刀等工作状态,为工作状态的自动统计提供新的方法,尤其是辨识零件不同的加工工艺过程,如加工中心上采用不同刀具和工艺参数加工零件的不同部位,为加工工艺过程的动态监控提供了基础条件。
上述的状态辨析方法,即为一种基于人工神经网络的机器学习方法。本发明使用的人工神经网络模型为多层BP神经网络,第一层为输入层,中间层为隐层,最后层为输出层。其中本神经网络采用的学习算法为误差反向传播训练算法,基本思想为梯度下降法,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差均方差最小。
上述的BP神经网络输入层节点为不同工作状态下不同传感器信号经处理得到的特征值。其中振动数据采用小波包分析方法,提取每个小波包分量能量与总能量的比值作为特征;电流、速度数据和温度数据主要采用阈值比较分析方法,提取固定时段的有效值(最大值)作为特征值。
上述的BP神经网络输出层节点为机床的工作状态,包括停机、开机、加工开始、不同加工阶段对应的加工工艺过程、加工结束、换刀等工作状态。
上述的BP神经网络隐层节点数一般根据经验公式得到,节点数
其中m其中为隐层节点数,n为输入层节点数,l为输出层节点数,a为1~10之间的常数。
上述小波包分析方法,即在小波变换的基础上,将小波变换中没有细分的高频部分进一步分解,并引入最优基选择。本发明专利利用小波包分析方法,将原始信号进行多层小波包变换,得到若干组不同频率段的分解信号。
上述的阈值比较分析方法,即将正常情况下的结果数据作为基数据,再根据实际情况在基数据的基础上设置浮动域作为正常域,最后将其他来源的结果数据与正常域进行比较的方法,如果结果数据超过正常域的范围,则为异常数据;如果结果数据未超过正常域的范围,则为正常数据。
下面结合附图对本发明上述实施例的技术方案进一步详细描述。
如图1所示,基于信号融合的机床工作状态智能辨识***,包括机械***、传感器***、数据采集***、监控***、数控***、基于多传感器的机床状态信号数据库***、数据智能分析***等。
其中,机械***包括主轴前、后轴承轴承座和伺服轴丝杠螺母副。将传感器分别安装在主轴轴承座处和伺服轴丝杠螺母座处。
传感器***包括两方面,一是来源于外部信息传感***,可通过传感器信号放大和模数转换电路来实现。二是来源于数控***内部信息传感***,可通过控制器和数控***的通讯来实现。外部信息传感***包括分别布置在主轴前轴承处的铠装式振动传感器和布置在主轴后轴承处的振动传感器,分别布置在伺服轴X,Y,Z轴靠近伺服电机处的振动传感器和温度传感器,根据实际工作条件选择防水型传感器。所有的传感器通过信号线连接到数据采集***,数据采集***将传感器采集到的模拟信号转换为电信号,并保存到数据库***中。来源于数控***内部信息传感***,主要为主轴和伺服轴的电流信号和速度信号,控制器与数控***通过以太网的通讯方式进行连接,则控制器能读取到加工过程中的实时电流大小和速度大小,并通过监控***选择将信号数据保存到状态信号数据库内或传输到数据智能分析***对信号数据进行实时分析。
数据采集***与传感器***和监控***相连,负责对外部传感器信号的采集。外部传感器信号包括主轴的振动信号,伺服轴的振动信号和温度信号。数据采集***将传感器采集到的模拟信号转化为数字信号,并交付给监控***进行下一步分析。
监控***与数据采集***和数控***相连,负责对数据采集***的控制和与数控***的通信。数据采集***获得的振动信号和温度信号以及从数控***得到的电流信号和速度信号通过监控***选择将数据保存到状态信号数据库***内或是传输到数据智能分析***中实时分析。
状态信息数据库***与监控***和数据智能分析***相连,其保存了历史加工数据的振动信号、电流信号、温度信号和速度信号,并能将历史加工数据传输到数据智能分析***中进行下一步分析。
数据智能分析***为搭建在计算机上的分析***。如图2所示,数据智能分析***先对传感器***采集到的信号进行特征提取,再将提取的特征作为参数输入到构建的BP神经网络***中,最终输出机床的工作状态。其中,信号特征提取根据传感器类型的不同选择不同的特征提取方法。振动传感器得到的振动信号数据采用小波包分析方法,将原始信号进行三层小波包变换,得到八组不同频率段的分解信号。计算小波包分量的能量与总能量的比值作为特征值;电流信号数据、温度信号数据和速度信号数据,提取当前固定时段的有效值作为相应的特征值,并采用阈值比较分析方法,根据实际情况在基数据(正常数据)的基础上设置正负20%浮动域作为正常域,将提取的特征值与正常域进行比较,如果结果数据超过正常域的范围,则为异常数据,对工作状态做出预警;如果结果数据未超过正常域的范围,则为正常数据,可用于机床工作状态的智能辨识。
采用基于人工神经网络的机器学习方法,具体为三层BP神经网络,第一层为输入层,第二层为隐层,第三层为输出层。神经网络输入层节点为基于外部传感信息***信号采集和特征提取后获得的振动特征量和温度特征量,基于内部传感信息***信号采集和特征提取后获得的电流特征量和速度特征量,采用的学习算法为误差反向传播训练算法,基本思想为梯度下降法,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差均方差最小。神经网络输出层节点为机床的工作状态,包括停机、开机、加工开始、不同加工阶段对应的加工工艺过程、加工结束、换刀等工作状态。通过不断学习提高分类的准确率,为工作状态的自动统计提供新的方法,尤其是辨识零件不同的加工工艺过程,如加工中心上特定的工序和工步,为加工工艺过程的动态监控提供了基础条件。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (8)
1.一种基于信号融合的机床工作状态智能辨识***,其特征在于,包括传感器***、数据采集***、监控***、状态信号数据库***和数据智能分析***;其中:
所述传感器***安装于机床的机械***上,并采集机床的振动信号、温度信号、电流信号和速度信号;其中,所述振动信号和温度信号通过数据采集***由模拟信号转换为数字信号后发送至监控***,所述电流信号和速度信号直接发送至监控***;
所述监控***控制振动信号、温度信号、电流信号和速度信号发送至状态信号数据库***中进行数据存储和/或发送至数据智能分析***进行实时数据分析;
所述数据智能分析***输出机床工作状态智能辨识结果。
2.根据权利要求1所述的基于信号融合的机床工作状态智能辨识***,其特征在于,所述机床的机械***包括主轴和伺服轴;
所述传感器***包括:振动信号传感器、温度信号传感器以及数控***;其中:
所述振动信号传感器和温度信号传感器分别布置于主轴的前后轴承处以及伺服轴丝杠螺母座处,采集主轴和伺服轴的振动信号和温度信号;
所述数控***采集主轴和伺服轴的电流信号和速度信号。
3.根据权利要求2所述的基于信号融合的机床工作状态智能辨识***,其特征在于,还包括如下任意一项或任意多项特征:
-布置于主轴前轴承处的振动信号传感器和温度信号传感器采用防水或防缠屑型传感器;
-所述振动信号传感器和温度信号传感器通过信号线与数据采集***连接;
-所述数控***采用机床的控制***,并与监控***数据通讯连接。
4.根据权利要求2所述的基于信号融合的机床工作状态智能辨识***,其特征在于,所述数控***采集主轴和伺服轴的电流信号和速度信号的方法为:通过调用数控***API,从数控***中得到主轴和伺服轴的电流信号和速度信号。
5.根据权利要求1所述的基于信号融合的机床工作状态智能辨识***,其特征在于,所述状态信号数据库***按照数据采集时间和机床编号对数据进行分类存储。
6.根据权利要求1所述的基于信号融合的机床工作状态智能辨识***,其特征在于,所述智能分析***对传感器***采集到的信号进行特征提取,再将提取的特征值作为参数输入到构建的BP神经网络中,最终输出机床的工作状态。
7.根据权利要求6所述的基于信号融合的机床工作状态智能辨识***,其特征在于,对传感器***采集到的信号进行特征提取,包括:
-对振动信号传感器采集到的振动信号进行特征提取,采用多层小波包分析方法,计算多个小波包分量的能量与总能量的比值作为特征值;
-对温度信号传感器和数控***采集到的温度信号、电流信号和速度信号进行特征提取,采用阈值比较分析方法,提取固定时段的最大值作为特征值。
8.根据权利要求6所述的基于信号融合的机床工作状态智能辨识***,其特征在于,将不同机床工作状态下的特征值样本作为输入值,机床工作状态作为输出值,根据BP神经网络算法,用样本数据进行训练,得到BP神经网络模型;在实际机床工作状态下,计算机床的特征值并作为输入值输入到BP神经网络模型中,得到机床工作状态,并继续将次样本数据作为训练数据,减少BP神经网络误差率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811482543.6A CN109396953B (zh) | 2018-12-05 | 2018-12-05 | 基于信号融合的机床工作状态智能辨识*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811482543.6A CN109396953B (zh) | 2018-12-05 | 2018-12-05 | 基于信号融合的机床工作状态智能辨识*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109396953A true CN109396953A (zh) | 2019-03-01 |
CN109396953B CN109396953B (zh) | 2020-03-31 |
Family
ID=65457363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811482543.6A Active CN109396953B (zh) | 2018-12-05 | 2018-12-05 | 基于信号融合的机床工作状态智能辨识*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109396953B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109900865A (zh) * | 2019-04-02 | 2019-06-18 | 西京学院 | 一种基于神经网络的空气污染检测*** |
CN110045679A (zh) * | 2019-04-17 | 2019-07-23 | 北京天泽智云科技有限公司 | 基于边缘计算的机床多源数据采集与数据质量评估方法 |
CN110263474A (zh) * | 2019-06-27 | 2019-09-20 | 重庆理工大学 | 一种数控机床的刀具寿命实时预测方法 |
CN110737243A (zh) * | 2019-10-23 | 2020-01-31 | 南京理工大学 | 一种基于nc代码触发的机床多源数据采集***及方法 |
CN110806723A (zh) * | 2019-10-23 | 2020-02-18 | 成都飞机工业(集团)有限责任公司 | 一种数控机床状态评估新方法 |
CN111152069A (zh) * | 2020-01-21 | 2020-05-15 | 徐州工业职业技术学院 | 一种机床加工的刀具寿命监测*** |
CN111176215A (zh) * | 2020-01-22 | 2020-05-19 | 武汉船用机械有限责任公司 | 数控机床运行状态辨识***及辨识方法 |
CN111993157A (zh) * | 2020-08-24 | 2020-11-27 | 南京工程学院 | 一种基于电信号的机械加工设备生产状态监测***及方法 |
CN112171376A (zh) * | 2020-08-21 | 2021-01-05 | 杭州玖欣物联科技有限公司 | 一种基于电流信号分割的机床工件实时统计方法 |
CN112192250A (zh) * | 2020-10-20 | 2021-01-08 | 衢州学院 | 一种基于主轴***热设计的信息采集融合装置及其方法 |
CN111230159B (zh) * | 2020-03-02 | 2021-04-16 | 西南交通大学 | 一种多传感器融合的车刀状态监测方法及*** |
CN112799350A (zh) * | 2019-11-14 | 2021-05-14 | 北京福田康明斯发动机有限公司 | 一种机床热机状态监测反馈***、方法及机床 |
CN113050541A (zh) * | 2021-03-24 | 2021-06-29 | 武汉科技大学 | 一种数控机床能耗与加工状态在线监测*** |
CN113341879A (zh) * | 2021-05-11 | 2021-09-03 | 中国软件与技术服务股份有限公司 | 一种数控机床的数据采集与监控方法及*** |
CN113359610A (zh) * | 2021-07-01 | 2021-09-07 | 中国工程物理研究院激光聚变研究中心 | 超精密金刚石飞切机床状态监测方法、装置、***及介质 |
CN113919394A (zh) * | 2021-10-09 | 2022-01-11 | 中建八局第二建设有限公司 | 一种基于振动信号分析的机械设备工作状态判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697072A (zh) * | 2009-10-29 | 2010-04-21 | 上海第二工业大学 | 数控机床故障诊断***及其方法 |
CN101794138A (zh) * | 2010-04-14 | 2010-08-04 | 华中科技大学 | 数控机床动态特性测试分析*** |
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 |
CN102975119A (zh) * | 2012-11-16 | 2013-03-20 | 清华大学 | 一种数控外圆磨床运行及工艺状态监控与诊断*** |
CN205129520U (zh) * | 2015-11-23 | 2016-04-06 | 四川文理学院 | 机床主轴故障智能诊断*** |
-
2018
- 2018-12-05 CN CN201811482543.6A patent/CN109396953B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697072A (zh) * | 2009-10-29 | 2010-04-21 | 上海第二工业大学 | 数控机床故障诊断***及其方法 |
CN101794138A (zh) * | 2010-04-14 | 2010-08-04 | 华中科技大学 | 数控机床动态特性测试分析*** |
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 |
CN102975119A (zh) * | 2012-11-16 | 2013-03-20 | 清华大学 | 一种数控外圆磨床运行及工艺状态监控与诊断*** |
CN205129520U (zh) * | 2015-11-23 | 2016-04-06 | 四川文理学院 | 机床主轴故障智能诊断*** |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109900865A (zh) * | 2019-04-02 | 2019-06-18 | 西京学院 | 一种基于神经网络的空气污染检测*** |
CN110045679A (zh) * | 2019-04-17 | 2019-07-23 | 北京天泽智云科技有限公司 | 基于边缘计算的机床多源数据采集与数据质量评估方法 |
CN110263474A (zh) * | 2019-06-27 | 2019-09-20 | 重庆理工大学 | 一种数控机床的刀具寿命实时预测方法 |
CN110737243A (zh) * | 2019-10-23 | 2020-01-31 | 南京理工大学 | 一种基于nc代码触发的机床多源数据采集***及方法 |
CN110806723A (zh) * | 2019-10-23 | 2020-02-18 | 成都飞机工业(集团)有限责任公司 | 一种数控机床状态评估新方法 |
CN112799350A (zh) * | 2019-11-14 | 2021-05-14 | 北京福田康明斯发动机有限公司 | 一种机床热机状态监测反馈***、方法及机床 |
CN111152069A (zh) * | 2020-01-21 | 2020-05-15 | 徐州工业职业技术学院 | 一种机床加工的刀具寿命监测*** |
CN111176215A (zh) * | 2020-01-22 | 2020-05-19 | 武汉船用机械有限责任公司 | 数控机床运行状态辨识***及辨识方法 |
CN111230159B (zh) * | 2020-03-02 | 2021-04-16 | 西南交通大学 | 一种多传感器融合的车刀状态监测方法及*** |
CN112171376A (zh) * | 2020-08-21 | 2021-01-05 | 杭州玖欣物联科技有限公司 | 一种基于电流信号分割的机床工件实时统计方法 |
CN112171376B (zh) * | 2020-08-21 | 2022-05-10 | 杭州玖欣物联科技有限公司 | 一种基于电流信号分割的机床工件实时统计方法 |
CN111993157A (zh) * | 2020-08-24 | 2020-11-27 | 南京工程学院 | 一种基于电信号的机械加工设备生产状态监测***及方法 |
CN112192250A (zh) * | 2020-10-20 | 2021-01-08 | 衢州学院 | 一种基于主轴***热设计的信息采集融合装置及其方法 |
CN113050541A (zh) * | 2021-03-24 | 2021-06-29 | 武汉科技大学 | 一种数控机床能耗与加工状态在线监测*** |
CN113050541B (zh) * | 2021-03-24 | 2023-04-28 | 武汉科技大学 | 一种数控机床能耗与加工状态在线监测*** |
CN113341879A (zh) * | 2021-05-11 | 2021-09-03 | 中国软件与技术服务股份有限公司 | 一种数控机床的数据采集与监控方法及*** |
CN113359610A (zh) * | 2021-07-01 | 2021-09-07 | 中国工程物理研究院激光聚变研究中心 | 超精密金刚石飞切机床状态监测方法、装置、***及介质 |
CN113919394A (zh) * | 2021-10-09 | 2022-01-11 | 中建八局第二建设有限公司 | 一种基于振动信号分析的机械设备工作状态判别方法 |
CN113919394B (zh) * | 2021-10-09 | 2024-04-26 | 中建八局第二建设有限公司 | 一种基于振动信号分析的机械设备工作状态判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109396953B (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109396953A (zh) | 基于信号融合的机床工作状态智能辨识*** | |
CN102073300B (zh) | 一种数控加工状态自学习的刀具磨损监控*** | |
Dimla Jr et al. | Neural network solutions to the tool condition monitoring problem in metal cutting—a critical review of methods | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
CN102929210B (zh) | 基于特征的数控加工过程控制和优化***及方法 | |
CN102091972B (zh) | 一种数控机床刀具磨损监测方法 | |
CN110032557B (zh) | 一种基于大数据的电网设备状态异常监测方法及*** | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN109396954B (zh) | 嵌入式主轴***异常状态智能检测和信息推送装置 | |
CN100480921C (zh) | 多物理状态监测优化与远程综合诊断智能数控*** | |
CN111716150A (zh) | 一种刀具状态智能监测的进化学习方法 | |
CN101477351A (zh) | 具有三级加工自优化功能的智能数控方法 | |
CN101870076A (zh) | 一种基于性能退化模型的数控机床导轨副寿命预测方法 | |
CN103264317A (zh) | 一种铣削加工刀具运行可靠性的评估方法 | |
CN104794492A (zh) | 基于功率特征模型的机床设备加工运行状态在线识别方法 | |
Li et al. | Tool breakage detection using deep learning | |
CN111230159B (zh) | 一种多传感器融合的车刀状态监测方法及*** | |
CN111230740A (zh) | 一种航空发动机叶片机器人磨削烧伤预测方法及装置 | |
CN114800040A (zh) | 工艺-状态数据关联的刀具磨损监测方法及*** | |
CN114326593B (zh) | 一种刀具寿命预测***及方法 | |
CN103439919B (zh) | 一种在cad/cam环境下基于动态特征模型的cnc闭环控制方法 | |
CN117420792A (zh) | 用于复合型加工机床的中控*** | |
Zhou et al. | Milling cutter wear prediction based on bidirectional long short-term memory neural networks | |
CN115716218A (zh) | 一种数控刀具状态在线监控*** | |
CN111598251A (zh) | 一种基于机器学习的cnc预测性维护***及方法 |
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 |