CN114742108B - 一种数控机床轴承故障检测方法及*** - Google Patents
一种数控机床轴承故障检测方法及*** Download PDFInfo
- Publication number
- CN114742108B CN114742108B CN202210415151.8A CN202210415151A CN114742108B CN 114742108 B CN114742108 B CN 114742108B CN 202210415151 A CN202210415151 A CN 202210415151A CN 114742108 B CN114742108 B CN 114742108B
- Authority
- CN
- China
- Prior art keywords
- data
- bearing
- sub
- band
- time length
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种数控机床轴承故障检测方法及***,方法包括:获取数控机床的一个待检测轴承的运行数据以及上述待检测轴承对应的环境修正数据;根据上述环境修正数据对上述运行数据进行修正,获得上述待检测轴承对应的修正运行数据;对上述修正运行数据进行小波变换,获得上述待检测轴承对应的多个子频带运行数据;分别对每一个上述子频带运行数据进行数据融合,获得各上述子频带运行数据对应的子频带融合数据;将上述子频带融合数据输入预先训练好的故障检测模型,根据上述故障检测模型获取上述待检测轴承的故障检测结果。与现有技术相比,本发明方案有利于消除复杂的环境信息对轴承故障检测过程的影响,有利于提高轴承故障检测的准确性。
Description
技术领域
本发明涉及故障检测技术领域,尤其涉及的是一种数控机床轴承故障检测方法及***。
背景技术
随着科学技术的发展,轴承的应用也越来越广泛。轴承是机械设备中的一种重要零部件,它的主要功能是支撑机械转体,降低其运动过程中的摩擦系数,并保证其回转精度。轴承是机械设备的重要组成部分,例如,在数控机床的不同位置可能设置有多个轴承,用于维持数控机床的正常运行。但同时,轴承也是机械设备中容易出现故障的部件之一,轴承故障将影响机械设备的运行,因此需要对轴承的故障状态进行监测和检测。
现有技术中,通常在轴承附近设置传感器,直接通过传感器采集的数据对轴承进行故障检测。现有技术的问题在于,直接通过传感器采集的数据对轴承进行故障检测时,忽略了复杂的环境信息对传感器所采集的数据的影响,不利于提高轴承故障检测的准确性。
因此,现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种数控机床轴承故障检测方法及***,旨在解决现有技术中直接通过传感器采集的数据对轴承进行故障检测时,忽略了复杂的环境信息对传感器所采集的数据的影响,不利于提高轴承故障检测的准确性的问题。
为了实现上述目的,本发明第一方面提供一种数控机床轴承故障检测方法,其中,上述数控机床轴承故障检测方法包括:
获取数控机床的一个待检测轴承的运行数据以及上述待检测轴承对应的环境修正数据,其中,上述运行数据包括上述待检测轴承运行时的振动信号、电流信号和温度信号,上述环境修正数据包括在上述待检测轴承停止运行时对应的环境振动信号、环境电流信号和环境温度信号;
根据上述环境修正数据对上述运行数据进行修正,获得上述待检测轴承对应的修正运行数据;
对上述修正运行数据进行小波变换,获得上述待检测轴承对应的多个子频带运行数据;
分别对每一个上述子频带运行数据进行数据融合,获得各上述子频带运行数据对应的子频带融合数据;
将上述子频带融合数据输入预先训练好的故障检测模型,根据上述故障检测模型获取上述待检测轴承的故障检测结果。
可选的,上述获取数控机床的一个待检测轴承的运行数据以及上述待检测轴承对应的环境修正数据,包括:
通过预先设置的多个传感器实时采集获取上述待检测轴承运行时的振动信号、电流信号和温度信号,并作为上述运行数据;
获取预先在上述待检测轴承停止运行且上述数控机床的其它轴承运行时通过上述传感器测量获得的环境振动信号、环境电流信号和环境温度信号,并作为上述环境修正数据。
可选的,上述根据上述环境修正数据对上述运行数据进行修正,获得上述待检测轴承对应的修正运行数据,包括:
获取上述运行数据对应的运行时间长度和上述环境修正数据对应的测量时间长度;
根据上述运行时间长度和上述测量时间长度对上述环境修正数据进行调整并获得目标修正数据,其中,上述目标修正数据对应的时间长度与上述运行时间长度相同;
将上述运行数据中的信号与上述目标修正数据中对应的信号相减,获得上述修正运行数据,其中,上述修正运行数据中包括修正振动信号、修正电流信号和修正温度信号。
可选的,上述根据上述运行时间长度和上述测量时间长度对上述环境修正数据进行调整并获得目标修正数据,包括:
获取分段时长以及预设的分段数目,其中,上述分段时长是上述运行时间长度与上述测量时间长度之差的绝对值;
当上述运行时间长度小于上述测量时间长度时,从上述环境修正数据中随机选择分段数目个待删除分段并删除,获得上述目标修正数据,其中,各上述待删除分段的时间长度之和等于上述分段时长;
当上述运行时间长度大于上述测量时间长度时,从上述环境修正数据中随机选择分段数目个待添加分段并添加到上述环境修正数据之后,获得上述目标修正数据,其中,各上述待添加分段的时间长度之和等于上述分段时长。
可选的,上述对上述修正运行数据进行小波变换,获得上述待检测轴承对应的多个子频带运行数据,包括:
对上述修正运行数据进行离散小波变换,将上述修正运行数据划分为多个子频带并获得上述待检测轴承对应的多个子频带运行数据,其中,每一个上述子频带运行数据中包括子频带修正振动信号、子频带修正电流信号和子频带修正温度信号。
可选的,上述分别对每一个上述子频带运行数据进行数据融合,获得各上述子频带运行数据对应的子频带融合数据,包括:
分别对每一个上述子频带运行数据中的子频带修正振动信号、子频带修正电流信号以及子频带修正温度信号进行自适应加权融合,获得各上述子频带融合数据。
可选的,上述故障检测模型为门控循环单元神经网络模型,上述门控循环单元神经网络模型预先通过如下步骤进行训练:
获取训练数据集,上述训练数据集中包括多个故障运行数据、各上述故障运行数据对应的训练环境修正数据以及各上述故障运行数据对应的故障类别标签,各上述故障运行数据包括训练轴承运行时的训练振动信号、训练电流信号和训练温度信号,上述训练环境修正数据包括在上述训练轴承停止运行时对应的训练环境振动信号、训练环境电流信号和训练环境温度信号;
根据上述训练环境修正数据对上述故障运行数据进行修正,获得上述训练轴承对应的训练修正故障数据;
对上述训练修正故障数据进行小波变换,获得上述训练轴承对应的多个子频带训练数据;
分别对每一个上述子频带训练数据进行数据融合,获得各上述子频带训练数据对应的子频带训练融合数据,并获得各上述子频带训练融合数据对应的子频带故障类别标签;
根据上述子频带训练融合数据和上述子频带故障类别标签对上述门控循环单元神经网络模型进行迭代训练,并将训练完成的门控循环单元神经网络模型作为上述故障检测模型。
可选的,上述根据上述子频带训练融合数据和上述子频带故障类别标签对上述门控循环单元神经网络模型进行迭代训练,包括:
将上述子频带训练融合数据和上述子频带故障类别标签输入第i次更新后的门控循环单元神经网络模型,通过上述第i次更新后的门控循环单元神经网络模型分别对各上述子频带训练融合数据进行特征提取,获得子频带特征,其中,i为大于或等于0的任意整数,第0次更新后的门控循环单元神经网络模型是预先设置的初始门控单元神经网络模型;
通过预设的归一化指数函数对上述子频带特征进行故障识别并获得对应的识别故障,根据预设的交叉熵损失函数计算上述识别故障与对应的子频带故障类别标签之间的损失值;
当上述损失值大于预设的损失阈值时,通过最小梯度下降法更新上述第i次更新后的门控循环单元神经网络模型的参数,并获得第i+1次更新后的门控循环单元神经网络模型;
当上述损失值不大于上述损失阈值时,将上述第i次更新后的门控循环单元神经网络模型作为训练完成的门控循环单元神经网络模型。
可选的,在将上述子频带融合数据输入预先训练好的故障检测模型,根据上述故障检测模型获取上述待检测轴承的故障检测结果之后,上述方法还包括:
根据预先设置的故障处理方案列表获取上述故障检测结果对应的故障处理方案并执行。
本发明第二方面提供一种数控机床轴承故障检测***,其中,上述数控机床轴承故障检测***包括:
数据获取模块,用于获取数控机床的一个待检测轴承的运行数据以及上述待检测轴承对应的环境修正数据,其中,上述运行数据包括上述待检测轴承运行时的振动信号、电流信号和温度信号,上述环境修正数据包括在上述待检测轴承停止运行时对应的环境振动信号、环境电流信号和环境温度信号;
数据修正模块,用于根据上述环境修正数据对上述运行数据进行修正,获得上述待检测轴承对应的修正运行数据;
数据变换模块,用于对上述修正运行数据进行小波变换,获得上述待检测轴承对应的多个子频带运行数据;
数据融合模块,用于分别对每一个上述子频带运行数据进行数据融合,获得各上述子频带运行数据对应的子频带融合数据;
故障检测模块,用于将上述子频带融合数据输入预先训练好的故障检测模型,根据上述故障检测模型获取上述待检测轴承的故障检测结果。
由上可见,本发明方案中,获取数控机床的一个待检测轴承的运行数据以及上述待检测轴承对应的环境修正数据,其中,上述运行数据包括上述待检测轴承运行时的振动信号、电流信号和温度信号,上述环境修正数据包括在上述待检测轴承停止运行时对应的环境振动信号、环境电流信号和环境温度信号;根据上述环境修正数据对上述运行数据进行修正,获得上述待检测轴承对应的修正运行数据;对上述修正运行数据进行小波变换,获得上述待检测轴承对应的多个子频带运行数据;分别对每一个上述子频带运行数据进行数据融合,获得各上述子频带运行数据对应的子频带融合数据;将上述子频带融合数据输入预先训练好的故障检测模型,根据上述故障检测模型获取上述待检测轴承的故障检测结果。与现有技术中直接通过传感器采集的数据对轴承进行故障检测的方案相比,本发明方案中还获取对应的环境修正数据,并根据环境修正数据对待检测轴承的运行数据进行修正,根据修正后的修正运行数据进行轴承故障检测,如此,有利于消除复杂的环境信息对轴承故障检测过程的影响,有利于提高轴承故障检测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种数控机床轴承故障检测方法的流程示意图;
图2是本发明实施例图1中步骤S100的具体流程示意图;
图3是本发明实施例图1中步骤S200的具体流程示意图;
图4是本发明实施例图3中步骤S202的具体流程示意图;
图5是本发明实施例提供的一种数控机床轴承故障检测***的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
随着科学技术的发展,轴承的应用也越来越广泛。轴承是机械设备中的一种重要零部件,它的主要功能是支撑机械转体,降低其运动过程中的摩擦系数,并保证其回转精度。轴承是机械设备的重要组成部分,例如,在数控机床的不同位置可能设置有多个轴承,用于维持数控机床的正常运行。但同时,轴承也是机械设备中容易出现故障的部件之一,轴承故障将影响机械设备的运行,因此需要对轴承的故障状态进行监测和检测。
现有技术中,通常在轴承附近设置传感器,直接通过传感器采集的数据对轴承进行故障检测。现有技术的问题在于,直接通过传感器采集的数据对轴承进行故障检测时,忽略了复杂的环境信息对传感器所采集的数据的影响,不利于提高轴承故障检测的准确性。例如,在一种训练场景中,环境温度为20摄氏度,此时轴承的温度为26摄氏度时轴承发生故障(异常发热)。而在另一种检测场景中,环境温度为26摄氏度,此时待检测轴承的运行温度为26摄氏度,且轴承是正常运行的(未异常发热),但根据现有技术,不考虑环境信息的影响,会认为此时需要待检测轴承是异常发热且发生故障的,造成误判。
同时,在一种应用场景中,只考虑轴承运行时采集到的单一频段数据信号,与实际多工况运行的情况不符合,也会影响轴承故障检测的准确性。
为了解决上述多个问题中的至少一个问题,本发明方案中,获取数控机床的一个待检测轴承的运行数据以及上述待检测轴承对应的环境修正数据,其中,上述运行数据包括上述待检测轴承运行时的振动信号、电流信号和温度信号,上述环境修正数据包括在上述待检测轴承停止运行时对应的环境振动信号、环境电流信号和环境温度信号;根据上述环境修正数据对上述运行数据进行修正,获得上述待检测轴承对应的修正运行数据;对上述修正运行数据进行小波变换,获得上述待检测轴承对应的多个子频带运行数据;分别对每一个上述子频带运行数据进行数据融合,获得各上述子频带运行数据对应的子频带融合数据;将上述子频带融合数据输入预先训练好的故障检测模型,根据上述故障检测模型获取上述待检测轴承的故障检测结果。
与现有技术中直接通过传感器采集的数据对轴承进行故障检测的方案相比,本发明方案中还获取对应的环境修正数据,并根据环境修正数据对待检测轴承的运行数据进行修正,根据修正后的修正运行数据进行轴承故障检测,如此,有利于消除复杂的环境信息对轴承故障检测过程的影响,有利于提高轴承故障检测的准确性。同时,本发明方案中还利用小波变换将采集到的单一频段数据转换为多频段的数据,可以提高多工况运行时的故障检测准确性,以便及时对故障轴承进行更换或维修,从而提高数控机床运行的稳定性和安全性。
示例性方法
如图1所示,本发明实施例提供一种数控机床轴承故障检测方法,具体的,上述方法包括如下步骤:
步骤S100,获取数控机床的一个待检测轴承的运行数据以及上述待检测轴承对应的环境修正数据,其中,上述运行数据包括上述待检测轴承运行时的振动信号、电流信号和温度信号,上述环境修正数据包括在上述待检测轴承停止运行时对应的环境振动信号、环境电流信号和环境温度信号。
其中,上述数控机床中可以设置有多个轴承,可以分别基于上述数控机床轴承故障检测方法对每一个轴承进行故障检测,本实施例中以对一个待检测轴承进行数据检测为例进行说明,上述待检测轴承是上述数控机床中的任意一个轴承。
上述待检测轴承的运行数据是对上述待检测轴承进行实时监测获得的,可以是一段监测时间内通过传感器采集的数据,上述待检测轴承对应的环境修正数据则是预先对待检测轴承所处的环境中的信号进行采集获得的。
本实施例中,如图2所示,上述步骤S100具体包括如下步骤:
步骤S101,通过预先设置的多个传感器实时采集获取上述待检测轴承运行时的振动信号、电流信号和温度信号,并作为上述运行数据。
步骤S102,获取预先在上述待检测轴承停止运行且上述数控机床的其它轴承运行时通过上述传感器测量获得的环境振动信号、环境电流信号和环境温度信号,并作为上述环境修正数据。
本实施例中,上述运行数据和环境修正数据中对应的信号分别包括对应的振动信号、电流信号和温度信号这三种类别的信号,因此在上述待检测轴承的周围也预先设置有加速度传感器、电流传感器以及温度传感器这三种类别的传感器,上述加速度传感器用于采集振动信号和环境振动信号,上述电流传感器用于采集电流信号和环境电流信号,上述温度传感器用于采集温度信号和环境温度信号。在一种应用场景中,上述运行数据和环境修正数据中还可以包括对应的其它信号,例如电压信号和环境电压信号、电阻信号和环境电阻信号等,同时也设置有对应的其它类别的传感器,在此不做具体限定。
需要说明的是,上述电流信号、电压信号、电阻信号、环境电流信号、电压信号、和环境电阻信号是针对上述轴承的控制电路进行采集获得的。
进一步的,本实施例中,对于每一类别的传感器,数控机床中可以在待检测轴承的预设范围内设置多个具体的传感器,对同一类别的信号进行采集,并根据权重进行加权平均以获得对应的信号。例如,在上述待检测轴承的预设范围内设置有多个温度传感器,每一个温度传感器同时对待检测轴承的温度信号进行采集,然后将各个温度信号进行加权平均,以降低异常数据的影响,提高故障检测的准确性。其中,各个温度传感器对应的权重可以根据对用温度传感器与上述待检测轴承的距离确定。
上述环境修正数据是预先采集获得的在上述待检测轴承停止运行时的环境信号。需要说明的是,一个数控机床中可能设置有多个轴承,例如,数控机床的主轴轴承有前、后两个支承和前、中、后三个支承两种设置形式。通过本实施例中采集的环境修正数据,也可以排除数控机床中其它轴承对待检测轴承运行状态检测的影响。
需要说明的是,对于一个数控机床,可以预先采集获取其中的每一个轴承对应的环境修正数据,并生成环境修正数据列表,从而可以通过查表快速获得上述待检测轴承对应的环境修正数据,以提高故障检测的效率。需要说明的是,上述环境修正数据中的每一个信号也可以是多个传感器采集的信号的加权平均值,以进一步提高故障检测的准确性。
步骤S200,根据上述环境修正数据对上述运行数据进行修正,获得上述待检测轴承对应的修正运行数据。
具体的,可以通过环境修正数据对上述运行数据进行修正,从而减小环境信号对运行数据中各个信号的影响,提高故障检测的准确性。本实施例中,如图3所示,上述步骤S200具体包括如下步骤:
步骤S201,获取上述运行数据对应的运行时间长度和上述环境修正数据对应的测量时间长度。
步骤S202,根据上述运行时间长度和上述测量时间长度对上述环境修正数据进行调整并获得目标修正数据,其中,上述目标修正数据对应的时间长度与上述运行时间长度相同。
步骤S203,将上述运行数据中的信号与上述目标修正数据中对应的信号相减,获得上述修正运行数据,其中,上述修正运行数据中包括修正振动信号、修正电流信号和修正温度信号。
具体的,本实施例中,运行数据和环境修正数据都是在一定时间段内采集获得的,对应的时间段可以预先设置,也可以根据实际需求进行设置和调整。且上述运行数据对应的时间段和环境修正数据对应的时间段的长度可以不相同,此时需要对环境修正数据的时间长度进行调整才能实现对运行数据的修正。需要说明的是,如果上述运行数据和上述环境修正数据中各信号是由离散数据组成的,则可以根据离散数据的数量和数据采集的单位时间确定对应的运行时间长度和测量时间长度。
具体的,当上述运行时间长度等于上述测量时间长度时,可以直接将上述环境修正数据作为上述目标修正数据。
在一种应用场景中,当上述运行时间长度小于上述测量时间长度时,可以从环境修正数据中随机截取一段连续的数据作为目标修正数据。或者,当上述运行时间长度大于上述测量时间长度时,可以从环境修正数据中随机选择一段连续的数据并组合在所述环境修正数据之后,作为上述目标修正数据。
本实施例中,如图4所示,上述步骤S202具体包括如下步骤:
步骤S2021,获取分段时长以及预设的分段数目,其中,上述分段时长是上述运行时间长度与上述测量时间长度之差的绝对值。
步骤S2022,当上述运行时间长度小于上述测量时间长度时,从上述环境修正数据中随机选择分段数目个待删除分段并删除,获得上述目标修正数据,其中,各上述待删除分段的时间长度之和等于上述分段时长。
步骤S2023,当上述运行时间长度大于上述测量时间长度时,从上述环境修正数据中随机选择分段数目个待添加分段并添加到上述环境修正数据之后,获得上述目标修正数据,其中,各上述待添加分段的时间长度之和等于上述分段时长。
其中,上述分段数目可以预先设置,也可以根据实际需求进行调整,在此不做具体限定。例如,可以设置分段数目为3,则此时,获得的3个待删除分段的时间长度相加等于分段时长,各个待删除分段的时间长度可以相同,也可以不同,在此不作具体限定。需要说明的是,各个上述待删除分段之间不存在重叠部分,各个上述待添加分段之间可以存在重叠部分。
在另一种应用场景中,还可以在上述环境修正数据中随机选择分段数目个分段,并组合构成对应的目标修正数据,其中,每一个分段的时间长度等于上述运行时间长度除以上述分段数目之后的值。
需要说明的是,上述对环境修正数据的调整都是分别对环境修正数据中的各个信号分别进行调整,且对于上述目标修正数据、上述环境修正数据或上述运行数据,其中的各个信号的时间长度是相同的,例如运行数据中待检测轴承运行时的振动信号、电流信号和温度信号对应的运行时间长度是相同的。
如此,获得时间长度相同的运行数据和目标修正数据之后,可以直接将上述运行数据中的信号与上述目标修正数据中对应的信号相减,获得上述修正运行数据,例如,将运行数据中的振动信号与目标修正数据中的目标修正振动信号相减,获得修正运行数据中的修正振动信号,以此类推,在此不再赘述。
步骤S300,对上述修正运行数据进行小波变换,获得上述待检测轴承对应的多个子频带运行数据。
具体的,对上述修正运行数据进行离散小波变换,将上述修正运行数据划分为多个子频带并获得上述待检测轴承对应的多个子频带运行数据,其中,每一个上述子频带运行数据中包括子频带修正振动信号、子频带修正电流信号和子频带修正温度信号。
其中,上述离散小波变换用于将一个信号分割成不同的子频带,不同的信号表现出不同的频率特性时,对应的差异会表现在一个子频带中。因此可以在子频带中生成特征,然后将特征作为分类器的输入,对分类器进行训练。对于训练完成的分类器,则可以根据输入的特征区分不同类型的信号(例如不同故障类型的信号)。本实例中,使用小波变换将采集到的单一频段的数据转换为多频段的数据,有利于提高多工况运行时的故障检测准确性。需要说明的是,划分获得的子频带运行数据的个数可以预先设定,也可以根据实际需求进行实时调整,在此不做具体限定。
步骤S400,分别对每一个上述子频带运行数据进行数据融合,获得各上述子频带运行数据对应的子频带融合数据。
具体的,分别对每一个上述子频带运行数据中的子频带修正振动信号、子频带修正电流信号以及子频带修正温度信号进行自适应加权融合,获得各上述子频带融合数据。
其中,一个子频带融合数据中包括一个融合信号,上述融合信号中的每一个值是根据子频带修正振动信号、子频带修正电流信号以及子频带修正温度信号进行自适应加权融合之后获得的。如此,对多个信号融合后获得一个信号,有利于提高特征提取和故障检测的效率,降低所需时间。
可选的,还可以采用其它数据融合方式,例如算数平均值融合或者根据预设融合权重值进行加权融合等,在此不做具体限定。
步骤S500,将上述子频带融合数据输入预先训练好的故障检测模型,根据上述故障检测模型获取上述待检测轴承的故障检测结果。
其中,上述故障检测模型为门控循环单元(GRU,Gated Recurrent Unit)神经网络模型,上述门控循环单元神经网络模型预先通过如下步骤进行训练:
获取训练数据集,上述训练数据集中包括多个故障运行数据、各上述故障运行数据对应的训练环境修正数据以及各上述故障运行数据对应的故障类别标签,各上述故障运行数据包括训练轴承运行时的训练振动信号、训练电流信号和训练温度信号,上述训练环境修正数据包括在上述训练轴承停止运行时对应的训练环境振动信号、训练环境电流信号和训练环境温度信号;
根据上述训练环境修正数据对上述故障运行数据进行修正,获得上述训练轴承对应的训练修正故障数据;
对上述训练修正故障数据进行小波变换,获得上述训练轴承对应的多个子频带训练数据;
分别对每一个上述子频带训练数据进行数据融合,获得各上述子频带训练数据对应的子频带训练融合数据,并获得各上述子频带训练融合数据对应的子频带故障类别标签;
根据上述子频带训练融合数据和上述子频带故障类别标签对上述门控循环单元神经网络模型进行迭代训练,并将训练完成的门控循环单元神经网络模型作为上述故障检测模型。
具体的,基于现有技术进行故障检测时精度低且训练时间长,与现有技术相比,本实施例中使用GRU神经网络加速训练,可以降低故障检测模型的训练所需时间,并提高数控机床对应的故障检测模型的泛化性与准确性。
其中,上述训练数据集是预先采集的训练数据的集合,其中可以包括故障运行数据,也可以包括训练轴承在正常运行时的数据及其对应的标签。上述训练轴承的型号与上述待检测轴承的型号相同。进一步的,本实施例中,上述训练轴承是训练数控机床上与上述待检测轴承对应的一个轴承,上述训练数控机床与上述待检测轴承所在的数控机床信号相同。
需要说明的是,本实施例中,因为通过环境修正数据对运行数据进行修正,所以在训练时并不要求上述训练数控机床与上述待检测轴承所在的数控机床的工作环境相同,如此,在一个工作环境下训练的故障检测模型可以用于对不同工作环境下的其它待检测数控机床(即待检测轴承所在的数控机床)进行故障检测,有利于提高上述故障检测模型的适用性。
具体的,对于训练数据集中的各个故障运行数据,同样通过对应的训练环境修正数据进行修正处理,然后进行小波变换和数据融合,融合之后再输入预先设置的GRU神经网络模型中进行训练。对于上述故障运行数据的具体处理流程可以参照上述对于运行数据的具体处理流程,在此不再赘述。
需要说明的是,一个子频带训练融合数据与一个子频带故障类别标签对应,且一个子频带训练融合数据与一个子频带训练数据对应,一个子频带训练融合数据对应的子频带故障类别标签是与该子频带训练数据对应的所有故障类别标签中占据样本数据(即采样获得的各个信号的数据)最多的故障类别标签,或者在该子频带训练数据中出现次数最多的故障类别标签。
具体的,上述根据上述子频带训练融合数据和上述子频带故障类别标签对上述门控循环单元神经网络模型进行迭代训练,包括:
将上述子频带训练融合数据和上述子频带故障类别标签输入第i次更新后的门控循环单元神经网络模型,通过上述第i次更新后的门控循环单元神经网络模型分别对各上述子频带训练融合数据进行特征提取,获得子频带特征,其中,i为大于或等于0的任意整数,第0次更新后的门控循环单元神经网络模型是预先设置的初始门控单元神经网络模型;
通过预设的归一化指数(softmax)函数对上述子频带特征进行故障识别并获得对应的识别故障,根据预设的交叉熵损失函数计算上述识别故障与对应的子频带故障类别标签之间的损失值;
当上述损失值大于预设的损失阈值时,通过最小梯度下降法更新上述第i次更新后的门控循环单元神经网络模型的参数,并获得第i+1次更新后的门控循环单元神经网络模型;
当上述损失值不大于上述损失阈值时,将上述第i次更新后的门控循环单元神经网络模型作为训练完成的门控循环单元神经网络模型。
本实施例中,通过上述迭代训练的具体步骤,从第0次更新后的门控循环单元神经网络模型开始依次进行训练,完成第i次更新后的门控循环单元神经网络模型的训练之后便对第i+1次更新后的门控循环单元神经网络模型进行训练,直到获得训练完成的门控循环单元神经网络模型。其中,初始门控单元神经网络模型与预先构建的门控单元神经网络模型,该模型的参数可以根据实际需求预先设置,在此不作具体限定,
需要说明的是,本实施例中还预先设置迭代次数阈值作为训练结束的另一个条件,i+1不大于预设的迭代次数阈值。例如,当i+1等于上述预设的迭代次数阈值时,将获得的第i+1次更新后的门控循环单元神经网络模型直接作为训练完成的门控循环单元神经网络模型。
如此,训练过程中GRU可以用于根据对输入其中的融合数据进行特征提取,利用GRU的更新门和重置门,对融合的数据进行更新、遗忘和学习,GRU每次训练后输出的特征被输送给softmax函数进行故障识别,基于交叉熵损失函数计算识别故障与真实故障的损失值,利用最小梯度下降法更新GRU神经网络参数,最终获得训练完成的故障检测模型。训练完成的故障检测模型则可以根据输入的融合数据获得对应的故障类别。
其中,上述故障检测结果可以是多种故障类别中的任意一种,例如正常运行、外圈故障、内圈故障、滚动体故障等,在此不做具体限定。
进一步的,在将上述子频带融合数据输入预先训练好的故障检测模型,根据上述故障检测模型获取上述待检测轴承的故障检测结果之后,上述方法还包括:根据预先设置的故障处理方案列表获取上述故障检测结果对应的故障处理方案并执行。
其中,上述故障处理方案列表是预先设置的不同的故障类别对应的处理方案,可以根据实际需求进行设置和调整。例如可以包括将故障检测结果发送到预设的故障告警终端,方便用户及时获知轴承故障情况并进行更换和维修;在故障类别为外圈故障时控制数控机床停止运行,以避免数控机床受到损坏等,在此不做具体限定。
由上可见,本发明实施例提供的数控机床轴承故障检测方法中,获取数控机床的一个待检测轴承的运行数据以及上述待检测轴承对应的环境修正数据,其中,上述运行数据包括上述待检测轴承运行时的振动信号、电流信号和温度信号,上述环境修正数据包括在上述待检测轴承停止运行时对应的环境振动信号、环境电流信号和环境温度信号;根据上述环境修正数据对上述运行数据进行修正,获得上述待检测轴承对应的修正运行数据;对上述修正运行数据进行小波变换,获得上述待检测轴承对应的多个子频带运行数据;分别对每一个上述子频带运行数据进行数据融合,获得各上述子频带运行数据对应的子频带融合数据;将上述子频带融合数据输入预先训练好的故障检测模型,根据上述故障检测模型获取上述待检测轴承的故障检测结果。与现有技术中直接通过传感器采集的数据对轴承进行故障检测的方案相比,本发明方案中还获取对应的环境修正数据,并根据环境修正数据对待检测轴承的运行数据进行修正,根据修正后的修正运行数据进行轴承故障检测,如此,有利于消除复杂的环境信息对轴承故障检测过程的影响,有利于提高轴承故障检测的准确性。
需要说明的是,上述数控机床轴承故障检测方法还可以用于对多个待检测轴承同时进行故障检测,本实施例中以对一个待检测轴承进行故障检测为例进行说明,但不作为具体限定。
示例性设备
如图5中所示,对应于上述数控机床轴承故障检测方法,本发明实施例还提供一种数控机床轴承故障检测***,上述数控机床轴承故障检测***包括:
数据获取模块610,用于获取数控机床的一个待检测轴承的运行数据以及上述待检测轴承对应的环境修正数据,其中,上述运行数据包括上述待检测轴承运行时的振动信号、电流信号和温度信号,上述环境修正数据包括在上述待检测轴承停止运行时对应的环境振动信号、环境电流信号和环境温度信号。
其中,上述数控机床中可以设置有多个轴承,可以分别基于上述数控机床轴承故障检测***对每一个轴承进行故障检测,本实施例中以对一个待检测轴承进行数据检测为例进行说明,上述待检测轴承是上述数控机床中的任意一个轴承。
上述待检测轴承的运行数据是对上述待检测轴承进行实时监测获得的,可以是一段监测时间内通过传感器采集的数据,上述待检测轴承对应的环境修正数据则是预先对待检测轴承所处的环境中的信号进行采集获得的。
数据修正模块620,用于根据上述环境修正数据对上述运行数据进行修正,获得上述待检测轴承对应的修正运行数据。
具体的,可以通过环境修正数据对上述运行数据进行修正,从而减小环境信号对运行数据中各个信号的影响,提高故障检测的准确性。
数据变换模块630,用于对上述修正运行数据进行小波变换,获得上述待检测轴承对应的多个子频带运行数据。
具体的,对上述修正运行数据进行离散小波变换,将上述修正运行数据划分为多个子频带并获得上述待检测轴承对应的多个子频带运行数据,其中,每一个上述子频带运行数据中包括子频带修正振动信号、子频带修正电流信号和子频带修正温度信号。
数据融合模块640,用于分别对每一个上述子频带运行数据进行数据融合,获得各上述子频带运行数据对应的子频带融合数据。
具体的,分别对每一个上述子频带运行数据中的子频带修正振动信号、子频带修正电流信号以及子频带修正温度信号进行自适应加权融合,获得各上述子频带融合数据。
故障检测模块650,用于将上述子频带融合数据输入预先训练好的故障检测模型,根据上述故障检测模型获取上述待检测轴承的故障检测结果。
具体的,本实施例中,上述数控机床轴承故障检测***及其各模块的具体功能可以参照上述数控机床轴承故障检测方法中的对应描述,在此不再赘述。
需要说明的是,上述数控机床轴承故障检测***的各个模块的划分方式并不唯一,在此也不作为具体限定。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有数控机床轴承故障检测程序,上述数控机床轴承故障检测程序被处理器执行时实现本发明实施例提供的任意一种数控机床轴承故障检测方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述***的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的***/智能终端和方法,可以通过其它的方式实现。例如,以上所描述的***/智能终端实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种数控机床轴承故障检测方法,其特征在于,所述数控机床轴承故障检测方法包括:
获取数控机床的一个待检测轴承的运行数据以及所述待检测轴承对应的环境修正数据,其中,所述运行数据包括所述待检测轴承运行时的振动信号、电流信号和温度信号,所述环境修正数据包括在所述待检测轴承停止运行时对应的环境振动信号、环境电流信号和环境温度信号;
根据所述环境修正数据对所述运行数据进行修正,获得所述待检测轴承对应的修正运行数据;
对所述修正运行数据进行小波变换,获得所述待检测轴承对应的多个子频带运行数据;
分别对每一个所述子频带运行数据进行数据融合,获得各所述子频带运行数据对应的子频带融合数据;
将所述子频带融合数据输入预先训练好的故障检测模型,根据所述故障检测模型获取所述待检测轴承的故障检测结果;
其中,所述根据所述环境修正数据对所述运行数据进行修正,获得所述待检测轴承对应的修正运行数据,包括:获取所述运行数据对应的运行时间长度和所述环境修正数据对应的测量时间长度;根据所述运行时间长度和所述测量时间长度对所述环境修正数据进行调整并获得目标修正数据,其中,所述目标修正数据对应的时间长度与所述运行时间长度相同;将所述运行数据中的信号与所述目标修正数据中对应的信号相减,获得所述修正运行数据,其中,所述修正运行数据中包括修正振动信号、修正电流信号和修正温度信号;
所述根据所述运行时间长度和所述测量时间长度对所述环境修正数据进行调整并获得目标修正数据,包括:获取分段时长以及预设的分段数目,其中,所述分段时长是所述运行时间长度与所述测量时间长度之差的绝对值;当所述运行时间长度小于所述测量时间长度时,从所述环境修正数据中随机选择分段数目个待删除分段并删除,获得所述目标修正数据,其中,各所述待删除分段的时间长度之和等于所述分段时长;当所述运行时间长度大于所述测量时间长度时,从所述环境修正数据中随机选择分段数目个待添加分段并添加到所述环境修正数据之后,获得所述目标修正数据,其中,各所述待添加分段的时间长度之和等于所述分段时长。
2.根据权利要求1所述的数控机床轴承故障检测方法,其特征在于,所述获取数控机床的一个待检测轴承的运行数据以及所述待检测轴承对应的环境修正数据,包括:
通过预先设置的多个传感器实时采集获取所述待检测轴承运行时的振动信号、电流信号和温度信号,并作为所述运行数据;
获取预先在所述待检测轴承停止运行且所述数控机床的其它轴承运行时通过所述传感器测量获得的环境振动信号、环境电流信号和环境温度信号,并作为所述环境修正数据。
3.根据权利要求1所述的数控机床轴承故障检测方法,其特征在于,所述对所述修正运行数据进行小波变换,获得所述待检测轴承对应的多个子频带运行数据,包括:
对所述修正运行数据进行离散小波变换,将所述修正运行数据划分为多个子频带并获得所述待检测轴承对应的多个子频带运行数据,其中,每一个所述子频带运行数据中包括子频带修正振动信号、子频带修正电流信号和子频带修正温度信号。
4.根据权利要求3所述的数控机床轴承故障检测方法,其特征在于,所述分别对每一个所述子频带运行数据进行数据融合,获得各所述子频带运行数据对应的子频带融合数据,包括:
分别对每一个所述子频带运行数据中的子频带修正振动信号、子频带修正电流信号以及子频带修正温度信号进行自适应加权融合,获得各所述子频带融合数据。
5.根据权利要求1-4任意一项所述的数控机床轴承故障检测方法,其特征在于,所述故障检测模型为门控循环单元神经网络模型,所述门控循环单元神经网络模型预先通过如下步骤进行训练:
获取训练数据集,所述训练数据集中包括多个故障运行数据、各所述故障运行数据对应的训练环境修正数据以及各所述故障运行数据对应的故障类别标签,各所述故障运行数据包括训练轴承运行时的训练振动信号、训练电流信号和训练温度信号,所述训练环境修正数据包括在所述训练轴承停止运行时对应的训练环境振动信号、训练环境电流信号和训练环境温度信号;
根据所述训练环境修正数据对所述故障运行数据进行修正,获得所述训练轴承对应的训练修正故障数据;
对所述训练修正故障数据进行小波变换,获得所述训练轴承对应的多个子频带训练数据;
分别对每一个所述子频带训练数据进行数据融合,获得各所述子频带训练数据对应的子频带训练融合数据,并获得各所述子频带训练融合数据对应的子频带故障类别标签;
根据所述子频带训练融合数据和所述子频带故障类别标签对所述门控循环单元神经网络模型进行迭代训练,并将训练完成的门控循环单元神经网络模型作为所述故障检测模型。
6.根据权利要求5所述的数控机床轴承故障检测方法,其特征在于,所述根据所述子频带训练融合数据和所述子频带故障类别标签对所述门控循环单元神经网络模型进行迭代训练,包括:
将所述子频带训练融合数据和所述子频带故障类别标签输入第i次更新后的门控循环单元神经网络模型,通过所述第i次更新后的门控循环单元神经网络模型分别对各所述子频带训练融合数据进行特征提取,获得子频带特征,其中,i为大于或等于0的任意整数,第0次更新后的门控循环单元神经网络模型是预先设置的初始门控单元神经网络模型;
通过预设的归一化指数函数对所述子频带特征进行故障识别并获得对应的识别故障,根据预设的交叉熵损失函数计算所述识别故障与对应的子频带故障类别标签之间的损失值;
当所述损失值大于预设的损失阈值时,通过最小梯度下降法更新所述第i次更新后的门控循环单元神经网络模型的参数,并获得第i+1次更新后的门控循环单元神经网络模型;
当所述损失值不大于所述损失阈值时,将所述第i次更新后的门控循环单元神经网络模型作为训练完成的门控循环单元神经网络模型。
7.根据权利要求1所述的数控机床轴承故障检测方法,其特征在于,在将所述子频带融合数据输入预先训练好的故障检测模型,根据所述故障检测模型获取所述待检测轴承的故障检测结果之后,所述方法还包括:
根据预先设置的故障处理方案列表获取所述故障检测结果对应的故障处理方案并执行。
8.一种数控机床轴承故障检测***,其特征在于,所述数控机床轴承故障检测***包括:
数据获取模块,用于获取数控机床的一个待检测轴承的运行数据以及所述待检测轴承对应的环境修正数据,其中,所述运行数据包括所述待检测轴承运行时的振动信号、电流信号和温度信号,所述环境修正数据包括在所述待检测轴承停止运行时对应的环境振动信号、环境电流信号和环境温度信号;
数据修正模块,用于根据所述环境修正数据对所述运行数据进行修正,获得所述待检测轴承对应的修正运行数据;
数据变换模块,用于对所述修正运行数据进行小波变换,获得所述待检测轴承对应的多个子频带运行数据;
数据融合模块,用于分别对每一个所述子频带运行数据进行数据融合,获得各所述子频带运行数据对应的子频带融合数据;
故障检测模块,用于将所述子频带融合数据输入预先训练好的故障检测模型,根据所述故障检测模型获取所述待检测轴承的故障检测结果;
其中,所述数据修正模块具体用于:获取所述运行数据对应的运行时间长度和所述环境修正数据对应的测量时间长度;根据所述运行时间长度和所述测量时间长度对所述环境修正数据进行调整并获得目标修正数据,其中,所述目标修正数据对应的时间长度与所述运行时间长度相同;将所述运行数据中的信号与所述目标修正数据中对应的信号相减,获得所述修正运行数据,其中,所述修正运行数据中包括修正振动信号、修正电流信号和修正温度信号;
所述根据所述运行时间长度和所述测量时间长度对所述环境修正数据进行调整并获得目标修正数据,包括:获取分段时长以及预设的分段数目,其中,所述分段时长是所述运行时间长度与所述测量时间长度之差的绝对值;当所述运行时间长度小于所述测量时间长度时,从所述环境修正数据中随机选择分段数目个待删除分段并删除,获得所述目标修正数据,其中,各所述待删除分段的时间长度之和等于所述分段时长;当所述运行时间长度大于所述测量时间长度时,从所述环境修正数据中随机选择分段数目个待添加分段并添加到所述环境修正数据之后,获得所述目标修正数据,其中,各所述待添加分段的时间长度之和等于所述分段时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415151.8A CN114742108B (zh) | 2022-04-20 | 2022-04-20 | 一种数控机床轴承故障检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415151.8A CN114742108B (zh) | 2022-04-20 | 2022-04-20 | 一种数控机床轴承故障检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742108A CN114742108A (zh) | 2022-07-12 |
CN114742108B true CN114742108B (zh) | 2022-12-20 |
Family
ID=82283171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210415151.8A Active CN114742108B (zh) | 2022-04-20 | 2022-04-20 | 一种数控机床轴承故障检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742108B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471376A (zh) * | 2019-07-10 | 2019-11-19 | 深圳市乾行达科技有限公司 | 一种工业现场故障检测方法及设备 |
CN111209891A (zh) * | 2020-01-15 | 2020-05-29 | 佛山科学技术学院 | 一种基于深度神经网络的轴承工况检测方法及*** |
CN111695618A (zh) * | 2020-06-01 | 2020-09-22 | 清华大学深圳国际研究生院 | 一种基于obd数据的电动汽车电机故障检测方法 |
CN111947928A (zh) * | 2020-08-10 | 2020-11-17 | 山东大学 | 一种多源信息融合的轴承故障预测***及方法 |
CN113176092A (zh) * | 2021-04-25 | 2021-07-27 | 江苏科技大学 | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 |
CN113221280A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生的滚动轴承建模与模型更新方法及*** |
CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、***及介质 |
CN113902946A (zh) * | 2021-10-08 | 2022-01-07 | 武汉大学 | 电力***故障方位判别方法、装置、终端设备及存储介质 |
CN113933054A (zh) * | 2021-09-23 | 2022-01-14 | 吴江万工机电设备有限公司 | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 |
CN114004262A (zh) * | 2021-11-29 | 2022-02-01 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227676A (zh) * | 2017-12-28 | 2018-06-29 | 浙江工业大学 | 阀控缸电液伺服***在线故障检测、估计及定位方法 |
CN110738717B (zh) * | 2019-10-16 | 2021-05-11 | 网易(杭州)网络有限公司 | 动作数据的修正方法、装置及电子设备 |
-
2022
- 2022-04-20 CN CN202210415151.8A patent/CN114742108B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471376A (zh) * | 2019-07-10 | 2019-11-19 | 深圳市乾行达科技有限公司 | 一种工业现场故障检测方法及设备 |
CN111209891A (zh) * | 2020-01-15 | 2020-05-29 | 佛山科学技术学院 | 一种基于深度神经网络的轴承工况检测方法及*** |
CN111695618A (zh) * | 2020-06-01 | 2020-09-22 | 清华大学深圳国际研究生院 | 一种基于obd数据的电动汽车电机故障检测方法 |
CN111947928A (zh) * | 2020-08-10 | 2020-11-17 | 山东大学 | 一种多源信息融合的轴承故障预测***及方法 |
CN113176092A (zh) * | 2021-04-25 | 2021-07-27 | 江苏科技大学 | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 |
CN113221280A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生的滚动轴承建模与模型更新方法及*** |
CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、***及介质 |
CN113933054A (zh) * | 2021-09-23 | 2022-01-14 | 吴江万工机电设备有限公司 | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 |
CN113902946A (zh) * | 2021-10-08 | 2022-01-07 | 武汉大学 | 电力***故障方位判别方法、装置、终端设备及存储介质 |
CN114004262A (zh) * | 2021-11-29 | 2022-02-01 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114742108A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950627B (zh) | 一种多源信息融合方法及其应用 | |
US11662718B2 (en) | Method for setting model threshold of facility monitoring system | |
CN111414977A (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
CN110333078B (zh) | 一种滚动轴承退化状态阶段确定方法 | |
CN111638034B (zh) | 基于深度学***温度梯度误差补偿方法及*** | |
US11709474B2 (en) | Method and apparatus for detecting abnormality of manufacturing facility | |
US20220172069A1 (en) | Method For Updating Model Of Facility Monitoring System | |
CN113328908B (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
CN114091553A (zh) | 一种滚动轴承故障的诊断方法 | |
CN114997528B (zh) | 一种基于注塑产品质量分析的生产参数调节方法及*** | |
CN115828140A (zh) | 邻域互信息与随机森林相融合故障检测方法、***及应用 | |
CN115841278B (zh) | 电能计量装置运行误差状态评价方法、***、设备及介质 | |
CN112630496A (zh) | 一种提高电流传感器准确性的方法和装置 | |
CN114841078A (zh) | 一种轴承剩余使用寿命的预测方法及*** | |
CN114742108B (zh) | 一种数控机床轴承故障检测方法及*** | |
CN112182056A (zh) | 一种数据检测方法、装置、设备及存储介质 | |
CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN112738098A (zh) | 一种基于网络行为数据的异常检测方法及装置 | |
CN111598215A (zh) | 一种基于神经网络的温度补偿方法和*** | |
CN116090618A (zh) | 一种电力通信网的运行态势感知方法和装置 | |
Oku et al. | Change detection in the dynamics with recursive subspace identification | |
CN112965965A (zh) | 一种基于模糊预测***的野值剔除方法、***及计算机相关产品 | |
CN116362300B (zh) | 区域电网异常扰动数量预测方法、装置、介质及电子设备 | |
CN117807105A (zh) | 一种模拟量校对方法及相关装置 |
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 |