CN111625907B - 一种数控机床主轴健康程度量化评价方法 - Google Patents
一种数控机床主轴健康程度量化评价方法 Download PDFInfo
- Publication number
- CN111625907B CN111625907B CN201910553417.3A CN201910553417A CN111625907B CN 111625907 B CN111625907 B CN 111625907B CN 201910553417 A CN201910553417 A CN 201910553417A CN 111625907 B CN111625907 B CN 111625907B
- Authority
- CN
- China
- Prior art keywords
- formula
- index
- vibration signal
- health
- substituting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000007689 inspection Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 208000033999 Device damage Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种数控机床主轴健康程度量化评价方法：S1，将采集到的机床工作状态时主轴产生的振动信号和电压信号去除噪声后计算特征指数，再根据公式得到设备当前的健康指数；S2，将健康指数代入公式解方程得到当前设备主轴的使用寿命；S3，将使用寿命投入公式中得到设备的健康预测公式。本发明能够有效地预测机床主轴的健康情况并进行量化展示，提前预防设备故障，延长设备的工作周期，避免因部件维修不及时，造成工厂经济损失等，且能够适用多种工作环境，应用性广。
Description
技术领域
本发明涉及数控加工技术领域及数据分析技术领域，特别是涉及一种数控机床主轴健康程度量化评价方法。
背景技术
机床主轴指的是机床上带动工件或刀具旋转的轴，在工业生产过程中，主轴的老化、损坏将会影响设备的整体运行，对产品的质量和生产销量产生巨大的影响，严重时将导致停工停产。目前对机床部件的维修维护采用的是事后维修或定期检查，事后维修是当设备产生故障或者发现异常工作时再对设备进行实时检查和维修，定期检查是在设备运行一段时间后进行检查，提前更换可能老化的部件，避免设备故障。随着工业生产效率和生产精度与要求不断提高，这两种维修方式已无法满足工厂的需求，企业也不断地在寻求最优的解决方案，提前预防设备故障，延长设备的工作周期，避免因部件维修不及时，造成工厂经济损失等。
中国公开发明201610486884.5一种数控机床的健康监测方法中通过运行自检G指令，并采集运行状态数据并建立映射关系，形成指令域映射集，再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。本发明虽然能够解决数控机床健康状态判断不及时与不准确的问题，可视化数据机床的健康指数，但其采用固定的权数，不能根据数控机床目前的健康情况进行合理的分配权数，当主轴损坏但进给轴正常时，输出的健康指数不能很好地反应设备已损坏的现象，无法保证监测的准确性。
发明内容
有鉴于此，针对现有的机床主轴维修维护存在的问题，本发明提供一种数控机床主轴健康程度量化评价方法，通过对机床主轴进行数据采集分析，建立预测性公式对主轴的健康状态进行实时预测，将主轴的健康状态量化处理，直观展示，以有效解决上述技术背景中存在的问题。
本发明采用以下技术方案实现：
S1，将采集到的机床工作状态时主轴产生的振动信号和电流信号预处理后计算特征指数，根据公式得到设备当前的健康指数；
S2，将健康指数代入公式解方程得到当前设备主轴的使用寿命t；
S3，将使用寿命投入公式中得到设备的健康预测公式。
所述的一种数控机床主轴健康程度量化评价方法，其特征在于，所述S1的具体步骤如下：
S11，将已采集到的机床工作状态时主轴产生的振动信号和电压信号预处理，
S12，利用处理后的数据计算特征指数；
S13，将设备损坏程度指数s代入公式得到设备当前健康指数h，其中所述的公式为：h＝100-s
其中所述的S1信号预处理的方法是使用属性的中心度量填补缺失值，检测异常值并处理；
其中所述的S12计算特征指数包括如下步骤：
S121，计算如下数据特征：振动信号的均值、振动信号的标准差、振动信号的偏度、振动信号的峰度、振动信号的脉冲因子、振动信号的裕度因子、振动信号的谱峭度、电压信号的均值；
S122，将数据特征代入公式计算得到振动信息指数EI、冲击信息指数SI、磨损信息指数AI、干扰信息指数RI；
S123，将振动信息指数EI，冲击信息指数SI，磨损信息指数AI，干扰信息指数RI带入公式得到设备损坏程度指数s，其中所述公式如下：
s＝AI×(EI+1)+SI+RI
进一步的，一种数控机床主轴健康程度量化评价方法，其特征在于，所述步骤S122中振动信息指数EI由振动信号的均值u、振动信号的标准差s、振动信号的偏度p代入公式计算得到，其中所述公式为：
EI＝ln(|u|+CSs+1)+CPp，其中CS为方差修正常数，CP为偏度修正常数
冲击信息指数SI由振动信号的峰度f、振动信号的脉冲因子M、振动信号的谱峭度St代入公式得到，所述公式为：
磨损信息指数AI由振动信号的裕度因子I代入公式得到，所述公式为：
AI＝C|e-i|
其中C为磨损修正常数ù＝2πI
干扰信息指数RI由电压信号的均值V代入公式计算得到，所述公式为：
进一步的，一种数控机床主轴健康程度量化评价方法，其特征在于，所述步骤S2，公式如下：
进一步的，一种数控机床主轴健康程度量化评价方法，其特征在于，所述步骤S3，公式如下：
其中T为当前到预测点之间的时间，H为时间T后的健康预测值，Rt为主轴剩余寿命，Yt为经验完整寿命。
本发明的有益效果：
本发明可以有效预测出数控机床主轴的健康指数并进行量化展示，辅助决策，提前准备维修配件，避免长时间停机带来的损失，针对智能工厂内不同款式的数控机床，覆盖多个环节，提高设备的兼容性，实现对多种数控机床剩余寿命的统一预测，从而提供更加优化的维护与管理方案。
本发明操作简单，修改参数便捷，公式容易理解不需要很强的数学能力，广泛适用于多种工作环境。
附图说明
图1是一种数控机床主轴健康程度量化评价方法的流程图；
图2是数控机床主轴的振动原始信号的大窗图与小窗图；
图3是数控机床主轴的电压原始信号图；
图4是数控机床主轴的健康指数预测曲线；
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。
S1，将采集到的机床工作状态时主轴产生的振动信号和电压信号去除噪声后计算特征指数，再根据公式得到设备当前的健康指数；
S2，将健康指数代入公式解方程得到当前设备主轴的使用寿命；
S3，将使用寿命投入公式中得到设备的健康预测公式。
所述步骤S1中，CS＝1.2 CP＝1.71 Cf＝2.46 CSt＝0.43 C＝3.67 N＝2.5
得到AI＝3.6 EI＝4.1 SI＝2.01 RI＝1.53,代入公式,s＝AI×(EI+1)+SI+RI＝21.9
计算获得的健康指数h为78.1，
所述步骤S2中，E＝420 C＝1.5375 N＝3计算获得的使用寿命为1520(day)
所述步骤S3中，Yt＝1860，得到剩余使用寿命预测公式为：
其中T为当前到预测点之间的时间，H为时间T后的健康预测值，Rt为主轴剩余寿命(day)。
如图4，其中H的范围为0-100，H越大设备越健康，不同的健康值对应着不同的已使用寿命与预计的使用寿命做差就是设备的预测剩余寿命。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种数控机床主轴健康程度量化评价方法，其特征在于，包括步骤如下：
S1，将采集到的机床工作状态时主轴产生的振动信号和电压信号预处理后计算特征指数；
S2，将健康指数h代入公式解方程得到当前设备主轴的使用寿命t；S3，将使用寿命t代入公式中得到设备的健康预测公式；
其中S1的具体步骤如下：
S11，将已采集到的机床工作状态时主轴产生的振动信号和电压信号预处理；
S12，利用处理后的数据计算特征指数；
S13，将设备损坏程度指数s代入公式得到设备当前健康指数h，其中所述的公式为：h＝100-s；
步骤S11信号预处理的方法是使用属性的中心度量填补缺失值，检测异常值并处理；
步骤S12中特征指数的计算步骤如下：
S121，计算如下数据特征：振动信号的均值、振动信号的标准差、振动信号的偏度、振动信号的峰度、振动信号的脉冲因子、振动信号的裕度因子、振动信号的谱峭度、电压信号的均值；
S122，将数据特征代入公式计算得到振动信息指数EI、冲击信息指数SI、磨损信息指数AI、干扰信息指数RI；
S123，将振动信息指数EI、冲击信息指数SI、磨损信息指数AI、干扰信息指数RI代入公式得到设备损坏程度指数s,所述的公式为s＝AI×(EI+1)+SI+RI；
步骤S122中振动信息指数EI由振动信号的均值u、振动信号的标准差s、振动信号的偏度p代入公式计算得到，其中所述公式为：
EI＝1n(|u|+CSS+1)+CPP,其中CS为方差修正常数，CP为偏度修正常数冲击信息指数SI由振动信号的峰度f、振动信号的脉冲因子M、振动信号的谱峭度St代入公式得到，所述公式为：
AI＝C|e-i|ù其中C为磨损修正常数ù＝2πI
干扰信息指数RI由电压信号的均值V代入公式计算得到，所述公式为：
S2中健康指数h的计算公式为
其中Eh为当前同款型设备的经验寿命指数，C、N为修正系数；
S3中公式为
其中所述的T为当前到预测点之间的时间，H为时间T后的健康预测值，Rt为主轴剩余寿命Yt为经验完整寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910553417.3A CN111625907B (zh) | 2019-06-25 | 2019-06-25 | 一种数控机床主轴健康程度量化评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910553417.3A CN111625907B (zh) | 2019-06-25 | 2019-06-25 | 一种数控机床主轴健康程度量化评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111625907A CN111625907A (zh) | 2020-09-04 |
| CN111625907B true CN111625907B (zh) | 2023-06-16 |
Family
ID=72258778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910553417.3A Active CN111625907B (zh) | 2019-06-25 | 2019-06-25 | 一种数控机床主轴健康程度量化评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111625907B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101870075A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
| CN103527194A (zh) * | 2013-10-15 | 2014-01-22 | 淮北矿业（集团）有限责任公司 | 一种电牵引采煤机健康度实时监测与智能评价***及其方法 |
| CN105974886A (zh) * | 2016-06-28 | 2016-09-28 | 华中科技大学 | 一种数控机床的健康监测方法 |
| CN107651521A (zh) * | 2017-10-13 | 2018-02-02 | 中国矿业大学 | 一种基于主轴测点应变的矿井提升***健康状态监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3301675B1 (en) * | 2016-09-28 | 2019-08-21 | Panasonic Intellectual Property Corporation of America | Parameter prediction device and parameter prediction method for acoustic signal processing |
-
2019
- 2019-06-25 CN CN201910553417.3A patent/CN111625907B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101870075A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
| CN103527194A (zh) * | 2013-10-15 | 2014-01-22 | 淮北矿业（集团）有限责任公司 | 一种电牵引采煤机健康度实时监测与智能评价***及其方法 |
| CN105974886A (zh) * | 2016-06-28 | 2016-09-28 | 华中科技大学 | 一种数控机床的健康监测方法 |
| CN107651521A (zh) * | 2017-10-13 | 2018-02-02 | 中国矿业大学 | 一种基于主轴测点应变的矿井提升***健康状态监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111625907A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10493583B2 (en) | Detection device, detection method and compensation method for tool wear | |
| CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
| CN109909804A (zh) | 基于主轴驱动电流和工步的刀具磨损破损在线监测方法 | |
| JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
| CN101870076B (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 | |
| CN108620950B (zh) | 一种车削刀具加工状态监测方法及*** | |
| CN110576335B (zh) | 一种基于切削力的刀具磨损在线监测方法 | |
| CN106514434A (zh) | 一种基于数据的铣削刀具磨损监测方法 | |
| CN110421408A (zh) | 一种刀具磨损状态的监测方法 | |
| CN109902871B (zh) | 一种结合企业生产线差异化特点的智能优化节能*** | |
| JP4182399B2 (ja) | 工作機械の稼働情報収集システム | |
| CN113894617A (zh) | 一种基于机床振动信号的刀具状态监测***及方法 | |
| CN114135477B (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
| CN117375480B (zh) | 一种机器人传动时电机速度波动的同步控制*** | |
| CN105573250A (zh) | 机械加工在线品质管控方法和***以及加工机床 | |
| CN113305644A (zh) | 一种基于零件测量数据的刀具状态监测及预警方法和*** | |
| CN111618655B (zh) | 一种数控机床滚珠丝杆健康程度量化评价方法 | |
| CN104503361B (zh) | 基于多模式融合的齿轮加工过程换刀决策方法 | |
| CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
| CN111625907B (zh) | 一种数控机床主轴健康程度量化评价方法 | |
| CN109240253B (zh) | 一种在线设备诊断及预防性维护方法及*** | |
| CN113199304B (zh) | 一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法 | |
| CN205342002U (zh) | 深孔镗床切削自适应控制*** | |
| CN115432532B (zh) | 一种曳引机传动机构及其传动方法 | |
| RU2417140C1 (ru) | Устройство контроля износа и прогнозирования остаточной стойкости режущего инструмента для системы чпу станка |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523128 Patentee after: Guangdong Prophet Big Data Co.,Ltd. Country or region after: China Address before: Room 301, R&D Building, No. 2, Weifeng Road, Waijing Industrial Park, Niushan Community, Dongcheng Street, Dongguan City, Guangdong Province, 523128 Patentee before: Dongguan prophet big data Co.,Ltd. Country or region before: China |