CN117111589B - 一种基于Petri网的数控机床控制***故障诊断方法 - Google Patents
一种基于Petri网的数控机床控制***故障诊断方法 Download PDFInfo
- Publication number
- CN117111589B CN117111589B CN202311371018.8A CN202311371018A CN117111589B CN 117111589 B CN117111589 B CN 117111589B CN 202311371018 A CN202311371018 A CN 202311371018A CN 117111589 B CN117111589 B CN 117111589B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- temperature
- state data
- machine tool
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001816 cooling Methods 0.000 claims abstract description 56
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 22
- 230000007704 transition Effects 0.000 claims description 35
- 230000001629 suppression Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000005461 lubrication Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 239000012809 cooling fluid Substances 0.000 claims description 3
- 239000002173 cutting fluid Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于Petri网的数控机床控制***故障诊断方法，用于数字控制机床领域，该方法包括以下步骤：构建整体Petri网模型，对当前状态数据进行故障诊断；根据历史状态数据，采用循环神经网络考虑时间序列信息，构建故障预测模型；当预测到潜在故障时，根据故障类型和部件情况；收集机床在维护后的连续多批次运行状态数据；加密数控机床的运行状态数据，构建温度状态库和冷却状态库；在整体Petri网模型中关联解密后的温度状态库和冷却状态库；增加数控***的输入和输出信号的建模。本发明构建整体Petri网模型考虑了子***间的交互影响，更全面地反映机床的各种状态，提高诊断效果。
Description
技术领域
本发明涉及数字控制机床领域，具体来说，尤其涉及一种基于Petri网的数控机床控制***故障诊断方法。
背景技术
数控机床是一种可以按照工艺要求自动完成加工的机械设备，主要由机床主体、传动***、数控***等组成。数控***是数控机床的“大脑”，主要完成机床运动控制、工艺管理等功能。数控***在长时间高速运转过程中，容易出现各种故障，如主轴传感器故障、伺服驱动故障、机械部件疲劳等。这些故障会直接影响加工质量和生产效率。
因此建立一个有效的数控机床故障诊断与预测方法非常必要，以实现数控***的状态监测和故障预警、诊断。而Petri网是一种图形化的数学建模工具，可以直观表示***的状态和事件驱动的状态转移关系。基于Petri网建立数控***的故障诊断模型，可以利用其图形化的状态转移建模优势，实现对数控***故障的有效监测。
但是现有技术中存在以下缺点：
1、传统故障诊断依赖人工经验判断，效率低下，无法实现自动化，且传统的维护保养按固定周期进行，容易出现过度或不足。
2、传统方法无法处理机床的个体差异，缺乏对故障演变过程的分析。
3、***状态数据缺乏保护，存在安全隐患，缺乏对温度变化的预判和主动控制，同时诊断模型和规则难以调整和扩展。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
为了克服以上问题，本发明旨在提出一种基于Petri网的数控机床控制***故障诊断方法，目的在于解决传统故障诊断依赖人工经验判断，效率低下，无法实现自动化，且传统的维护保养按固定周期进行，容易出现过度或不足的问题。
为此，本发明采用的具体技术方案如下：
一种基于Petri网的数控机床控制***故障诊断方法，该故障诊断方法包括以下步骤：
S1、构建整体Petri网模型，并收集数控机床的历史状态数据和当前状态数据；
S2、利用整体Petri网模型对当前状态数据进行故障诊断；
S3、根据历史状态数据，采用循环神经网络考虑时间序列信息，以捕获数控机床的故障演变规律并构建故障预测模型；
S4、当预测到潜在故障时，检查相关部件，根据故障类型和部件情况，进行维护操作，确保机床的可靠运行；
S5、在维护操作后，运行机床，收集机床在维护后的连续多批次运行状态数据，并使用连续多批次运行状态数据优化整体Petri网模型和故障预测模型；
S6、加密数控机床的运行状态数据，同时构建温度状态库和冷却状态库，存储历史温度数据和历史冷却***状态数据；
S7、在整体Petri网模型中关联解密后的温度状态库和冷却状态库，且当温度过高时，启动热误差主动抑制，当温度正常时，启动热误差被动抑制；
S8、在整体Petri网模型的基础上，增加数控***的输入和输出信号的建模，扩展整体Petri网模型的覆盖范围，同时定期评估当前整体Petri网模型和故障预测模型的准确性。
可选地，所述构建整体Petri网模型，并收集数控机床的历史状态数据和当前状态数据包括以下步骤：
S11、根据数控机床的控制***结构图，确定子***，所述子***至少包括润滑***、传动***、伺服***、冷却***、电气控制***及液压***；
S12、对每个子***构建Petri网模型，建立描述各子***组件的状态和状态转移的Petri网；
S13、对子***的Petri网模型进行合并，构建整体Petri网模型；
S14、连接数控机床的各传感器，获取机床运行状态数据；
S15、收集历史状态数据，建立状态数据库，存储各传感器数据时间序列；
S16、开发数据接口程序，获取当前状态数据，并输入到整体Petri网模型中；
S17、对历史状态数据进行处理，并使用处理后的历史状态数据训练整体Petri网模型；
S18、对整体Petri网模型进行测试和验证，使用独立的测试数据集对整体Petri网模型的预测准确率进行评估，根据测试结果对整体Petri网模型进行优化，以提高整体Petri网模型的准确性。
可选地，所述利用整体Petri网模型对当前状态数据进行故障诊断包括以下步骤：
S21、对获取的状态数据进行过滤、平滑及标准化的预处理；
S22、将预处理后的状态数据输入到整体Petri网模型中；
S23、运行整体Petri网模型，根据当前状态数据进行仿真，得到各状态的标记数变化；
S24、分析每个位置中标记数的变化情况，根据设定的故障诊断规则，判断机床是否发生故障以及故障类型；
S25、输出故障诊断结果，并收集故障诊断结果后的运行数据，同时使用运行数据提高整体Petri网模型的故障诊断性能。
可选地，所述分析每个位置中标记数的变化情况，根据设定的故障诊断规则，判断机床是否发生故障以及故障类型包括以下步骤：
S241、统计每个位置中标记数的变化量，分析变化量的值和正负方向，判断标记流动方向；
S242、参考预设的故障诊断规则，确定标记流动方向与故障类型间的对应关系；
S243、以传感器状态标记流向报警状态为例，根据对应关系，判断为传感器故障；
S244、综合每个位置的标记流动情况和方向，按照故障诊断规则，判断机床是否发生故障以及故障类型；
S245、对关键位置设置变化量的阈值，当变化量超过阈值时，根据确定的故障类型，输出故障诊断结果和原因。
可选地，所述根据历史状态数据，采用循环神经网络考虑时间序列信息，以捕获数控机床的故障演变规律并构建故障预测模型包括以下步骤：
S31、收集数控机床长时间范围的历史状态数据时间序列；
S32、对收集的历史状态数据进行去噪、平滑、标准化的预处理；
S33、构建循环神经网络模型，接收预处理后的状态数据时间序列；
S34、使用历史状态数据训练循环神经网络模型，得到反映状态数据与各类故障关系；
S35、根据反映状态数据与各类故障关系的模型，在模型最后添加一个全连接层作为输出层，同时调整模型参数，构建循环神经网络故障预测模型，并对数控机床未来一段时间内出现的故障进行预测；
所述对数控机床未来一段时间内出现的故障进行预测包括以下步骤：
获取当前的状态监测数据，所述状态监测数据至少包含温度和压力；
将获取的实时状态数据输入到训练好的循环神经网络故障预测模型中；
利用训练好的循环神经网络故障预测模型输出未来一段时间内的故障概率预测结果。
可选地，所述当预测到潜在故障时，检查相关部件，根据故障类型和部件情况，进行维护操作，确保机床的可靠运行包括以下步骤：
S41、根据故障预测模型给出的故障类型，确定发生故障的部件；
S42、对发生故障的部件进行详细检查；
S43、根据检查结果，确定需要进行的维护操作类型，并对需要替换的部件进行拆卸更换和参数调整，同时对软件控制参数进行修改；
S44、调整发生故障部件的间隙，确保间隙在正常范围内；
S45、检查并调整润滑***、传动***、伺服***、冷却***、电气控制***及液压***，确保各关联***工作正常。
可选地，所述加密数控机床的运行状态数据，同时构建温度状态库和冷却状态库，存储历史温度数据和历史冷却***状态数据包括以下步骤：
S61、生成用于加密的对称密钥或非对称密钥；
S62、使用生成的密钥对数控机床的运行状态数据进行加密；
S63、将加密后的运行状态数据存储到状态数据库中；
S64、构建温度状态库，存储历史温度监测数据；
S65、构建冷却状态库，存储历史冷却***状态数据；
S66、使用相同的密钥对温度状态库和冷却状态库中的数据进行加密；
S67、将加密后的温度和冷却状态数据存储到对应的数据库中；
S68、定期更新密钥，保证数据长期安全；
其中，所述运行状态数据进行加密的公式为：
式中，表示数控机床的运行状态数据；
表示公钥；
mod表示取余运算；
表示大素数；
表示数控机床的运行状态数据的加密数据。
可选地，所述在整体Petri网模型中关联解密后的温度状态库和冷却状态库，且当温度过高时，启动热误差主动抑制，当温度正常时，启动热误差被动抑制包括以下步骤：
S71、使用相同的密钥，对加密的温度状态库和冷却状态库中的数据进行解密，获取原始温度数据；
S72、在整体Petri网模型中，增加温度状态库位置，增加温度过高变迁，条件是温度高于上限温度；
S73、增加温度正常变迁，条件是温度在正常范围内；
S74、运行整体Petri网模型，将解密后的实时温度数据输入；
S75、当温度过高变迁触发时，整体Petri网模型标识温度过高，执行热误差主动抑制；
S76、当温度正常变迁触发时，整体Petri网模型标识温度正常，执行热误差被动抑制；
S77、收集温度控制后的数据，优化整体Petri网模型；
所述执行热误差主动抑制包括以下步骤：
当检测到机床温度超过设定的上限温度时，采取主动措施来降低温度，主动措施至少包括增加冷却***的工作频率、调整机床的工作参数，以降低机床的工作热量产生，达到主动抑制热误差的目的；
所述执行热误差被动抑制包括以下步骤：
当机床温度处于正常范围内时，维持正常的工作状态，并通过监控温度变化，采取被动措施来维护当前温度状态，被动措施至少包括定期的冷却和切削液供应，以防止因工作热量积累而导致的温度过高。
可选地，所述对加密的温度状态库和冷却状态库中的数据进行解密的公式为：
所述对加密的温度状态库和冷却状态库中的数据进行解密的公式为：
式中，表示秘钥；
表示数控机床的运行状态数据的加密数据；
mod表示取余运算；
表示大素数。
可选地，所述在整体Petri网模型的基础上，增加数控***的输入和输出信号的建模，扩展整体Petri网模型的覆盖范围，同时定期评估当前整体Petri网模型和故障预测模型的准确性包括以下步骤：
S81、查看数控***的原理图，确定输入信号和输出信号；
S82、在整体Petri网模型中增加输入信号的位置和输出信号的位置；
S83、根据输入信号的位置和输出信号的位置的逻辑关系，在整体Petri网模型中增加变迁；
S84、收集数控***实际运行中信号状态数据，使用收集的数据训练整体Petri网模型，确定变迁阈值和方向参数；
S85、运行优化后的整体Petri网模型，使用实时收集的信号状态数据进行故障诊断，收集诊断后信号数据，继续优化整体Petri网模型，同时定期评估当前整体Petri网模型和故障预测模型的准确性。
相较于现有技术，本申请具有以下有益效果：
1、本发明构建整体Petri网模型考虑了子***间的交互影响，可以更全面地反映机床的各种状态，提高诊断效果；收集状态数据全面丰富，为构建和优化模型提供了依据；利用故障后数据优化Petri网模型，可以不断提升诊断性能，并推动对故障机理的理解；循环神经网络模型通过保存时间序列信息，可以分析故障的时间演变规律；构建混合预测模型，综合各算法优势，提高了预测的准确性和鲁棒性；状态控制结合预测，实现了对状态变化的主动管理；模块化扩展模型，使结构更清晰，便于优化和移植；增量学习方式优化模型，可以快速适应新数据，防止遗忘；数据驱动模型不断优化，实现自学习和自适应；多传感器采集丰富数据，全面反映机床运行状态。
2、本发明反馈数据训练模型，使其不断适应机床的实际状况，提高故障判断的准确性；通过比较数据差异，模型可以学***衡；数据驱动不断自学习和优化，使***逐步达到智能化和自适应；使模型从依赖固定规则，转变为根据实际数据进行自学习和判断。
3、本发明加密机床状态数据，保证了数据的保密性和完整性；构建独立的温度和冷却状态库，便于管理和使用；解密获得原始数据，再用于Petri网模型，实现了安全性和可用性的平衡；温度预测控制实现了主动管理，防止了状态异常；增加数控信号建模，扩展了模型范围，提高了诊断覆盖面；定期评估模型准确性，可根据结果进行模型优化；运用加密算法与管理手段，提高了数据安全性，温度预测机制实现了对温度变化的预判与主动控制。
附图说明
结合实施例的以下描述，本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂，实施例结合附图详细阐述。在此以示意图示出：
图1是根据本发明实施例的一种基于Petri网的数控机床控制***故障诊断方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
根据本发明的实施例，提供了一种基于Petri网的数控机床控制***故障诊断方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于Petri网的数控机床控制***故障诊断方法，该故障诊断方法包括以下步骤：
S1、构建整体Petri网模型，并收集数控机床的历史状态数据和当前状态数据。
优选地，所述构建整体Petri网模型，并收集数控机床的历史状态数据和当前状态数据包括以下步骤：
S11、根据数控机床的控制***结构图，确定子***，所述子***至少包括润滑***、传动***、伺服***、冷却***、电气控制***及液压***；
S12、对每个子***构建Petri网模型，建立描述各子***组件的状态和状态转移的Petri网；
其中，各子***组件的状态，这里的状态是指组件的工作状态，可以包括：正常工作状态、故障状态、报警状态等。例如主轴***的状态可以包括：主轴正常转动状态、主轴过载状态、主轴过热状态等；状态转移指一个组件从一个工作状态转变到另一个工作状态的过程。例如主轴从正常转动状态转变到过载状态，这就是一个状态转移的过程。建立Petri网描述状态与状态转移，对每个组件，建立不同状态的Petri网位置。设置描述状态转移条件的变迁。例如主轴位置状态。设置变迁T1，当转速过高时触发，实现转移。通过构建不同状态的位置和设置变迁条件，可以建立一个Petri网，来描述组件的各种状态以及状态之间的转移关系。
S13、对子***的Petri网模型进行合并，构建整体Petri网模型；
S14、连接数控机床的各传感器，获取机床运行状态数据；
其中，机床运行状态数据包括主轴***数据，且主轴***数据包括主轴转速、主轴载荷、主轴温度等参数，可以通过转速传感器、力传感器、温度传感器等获取。进给***数据，且进给***数据包括各轴的进给速度、加工负载、振动数据等，可以通过编码器、力传感器、振动传感器等获取。伺服***数据，且伺服***数据包括伺服电机电流、位置等参数，通过电流传感器、编码器等获取。冷却***数据，且冷却***数据主要是冷却液温度、流量、压力等参数，通过温度传感器、流量计、压力传感器等设备获取。润滑***数据，且润滑***数据包括润滑油温度、压力、流量等数据，通过传感器采集。环境数据，且环境数据包括工厂环境温度、湿度等参数。
S15、收集历史状态数据，建立状态数据库，存储各传感器数据时间序列；
S16、开发数据接口程序，获取当前状态数据，并输入到整体Petri网模型中；
S17、对历史状态数据进行处理，并使用处理后的历史状态数据训练整体Petri网模型；
S18、对整体Petri网模型进行测试和验证，使用独立的测试数据集对整体Petri网模型的预测准确率进行评估，根据测试结果对整体Petri网模型进行优化，以提高整体Petri网模型的准确性。
需要解释说明的是，在构建整体Petri网模型时，为了使模型能够全面反映数控机床的各种状态，需要考虑不同子***的交互影响。例如主轴***的转速状态会影响到润滑***的工作状态；进给***的加工负载会影响冷却***的效果等。所以在建模时，需要收集各子***之间的状态关联数据，建立主轴转速与润滑***状态、进给负载与冷却效果等关联模型。并在整体Petri网模型中，加入反映子***间影响关系的变迁。这样构建的整体Petri网模型，可以更全面准确地反映数控机床的工作状态和故障状态。同时，该模型也为预测故障发生及其演化模式提供了可能，有助于进一步提高故障预测的效果。
S2、利用整体Petri网模型对当前状态数据进行故障诊断。
优选地，所述利用整体Petri网模型对当前状态数据进行故障诊断包括以下步骤：
S21、对获取的状态数据进行过滤、平滑及标准化的预处理；
S22、将预处理后的状态数据输入到整体Petri网模型中；
S23、运行整体Petri网模型，根据当前状态数据进行仿真，得到各状态的标记数变化；
S24、分析每个位置中标记数的变化情况，根据设定的故障诊断规则，判断机床是否发生故障以及故障类型；
S25、输出故障诊断结果，并收集故障诊断结果后的运行数据，同时使用运行数据提高整体Petri网模型的故障诊断性能。
优选地，所述分析每个位置中标记数的变化情况，根据设定的故障诊断规则，判断机床是否发生故障以及故障类型包括以下步骤：
S241、统计每个位置中标记数的变化量，分析变化量的值和正负方向，判断标记流动方向；
S242、参考预设的故障诊断规则，确定标记流动方向与故障类型间的对应关系；
S243、以传感器状态标记流向报警状态为例，根据对应关系，判断为传感器故障；
S244、综合每个位置的标记流动情况和方向，按照故障诊断规则，判断机床是否发生故障以及故障类型；
S245、对关键位置设置变化量的阈值，当变化量超过阈值时，根据确定的故障类型，输出故障诊断结果和原因。
需要解释说明的是，在利用Petri网模型进行故障诊断时，可以收集故障后运行数据对模型进行优化，以提高后续的诊断效果。这种优化可以采用增量学习或迁移学习的方式。即在原有模型的基础上，使用故障后的数据增量训练模型，使其适应新的状况。也可以通过迁移学习的方式，利用其他机床的故障数据来提高模型对新情况的适应能力。这样，Petri网模型可以不断积累经验，适应不同机床及其故障模式，从而提升故障诊断的准确性。同时，也可以通过比较不同机床的Petri网模型，分析两者的异同，获得对故障机理的新认识。因此，收集并利用故障后的数据对Petri网模型进行优化，可以使诊断效果不断提升，并有可能推动对故障机理的理解。
S3、根据历史状态数据，采用循环神经网络考虑时间序列信息，以捕获数控机床的故障演变规律并构建故障预测模型。
优选地，所述根据历史状态数据，采用循环神经网络考虑时间序列信息，以捕获数控机床的故障演变规律并构建故障预测模型包括以下步骤：
S31、收集数控机床长时间范围的历史状态数据时间序列；
S32、对收集的历史状态数据进行去噪、平滑、标准化的预处理；
S33、构建循环神经网络模型，接收预处理后的状态数据时间序列；
此外，循环神经网络模型的构建中循环神经网络由输入层、隐藏层和输出层组成。其中隐藏层包含LSTM（长短期记忆）模块，可以保存时间序列的历史信息。构建该模型时，需要确定输入层节点数、隐藏层的LSTM结构、输出层节点数等。接收预处理后的时间序列数据；这里的时间序列数据指的是数控机床的历史状态数据，包括温度、压力等随时间变化的信号。这些时间序列数据需要首先进行预处理，包括去噪、归一化等。然后预处理后的时间序列作为样本，送入构建好的循环神经网络模型的输入层。通过训练，模型可以学习状态时间序列中蕴含的规律，建立输入数据与输出的映射关系，从而达到预测故障的目的。综上所述，构建接收时间序列的循环神经网络模型，需要确定模型结构，预处理数据，然后输入训练模型。这是利用该神经网络进行故障预测的基础。
S34、使用历史状态数据训练循环神经网络模型，得到反映状态数据与各类故障关系；
S35、根据反映状态数据与各类故障关系的模型，在模型最后添加一个全连接层作为输出层，同时调整模型参数，构建循环神经网络故障预测模型，并对数控机床未来一段时间内出现的故障进行预测。
所述对数控机床未来一段时间内出现的故障进行预测包括以下步骤：
获取当前的状态监测数据，所述状态监测数据至少包含温度和压力；
将获取的实时状态数据输入到训练好的循环神经网络故障预测模型中；
利用训练好的循环神经网络故障预测模型输出未来一段时间内的故障概率预测结果。需要解释说明的是，构建故障预测模型时，可以考虑将循环神经网络和随机森林等其他算法进行组合，构建混合模型。例如先用循环神经网络分析状态数据时间序列，得到故障发生概率预测。然后将预测概率作为随机森林模型的输入，训练随机森林对不同故障类型进行多分类。这样混合使用循环神经网络的时间序列建模能力和随机森林的分类能力，可以使故障预测模型综合两种算法的优势，提高预测的准确性。同时，混合模型中每个算法所关注的角度不同，一个注重时间演变，一个注重类别区分，两者可互相验证，增强模型的鲁棒性。因此，在预测模型设计时，可以考虑混合使用多种算法，以提高预测性能。
S4、当预测到潜在故障时，检查相关部件，根据故障类型和部件情况，进行维护操作，确保机床的可靠运行。
优选地，所述当预测到潜在故障时，检查相关部件，根据故障类型和部件情况，进行维护操作，确保机床的可靠运行包括以下步骤：
S41、根据故障预测模型给出的故障类型，确定发生故障的部件；
S42、对发生故障的部件进行详细检查；
S43、根据检查结果，确定需要进行的维护操作类型，并对需要替换的部件进行拆卸更换和参数调整，同时对软件控制参数进行修改；
S44、调整发生故障部件的间隙，确保间隙在正常范围内；
S45、检查并调整润滑***、传动***、伺服***、冷却***、电气控制***及液压***，确保各关联***工作正常。
需要解释说明的是，在对预测的故障进行维护时，可以保存维护前后的部件状态数据和运行数据。这些数据可以反馈给故障预测模型，帮助其学习部件的正常状态范围。例如通过比较维护前后主轴转速传感器信号的差异，模型可以学习判断转速传感器故障的标准。同时，这些数据也可以为优化Petri网模型提供依据。通过比较维护前后模型的状态迁移差异，可以进一步完善Petri网模型对故障的描述。因此，记录部件维护前后的状态数据并反馈给预测模型与Petri网模型，可以帮助提高后续的故障预测与诊断效果。这种以数据驱动模型不断优化的方式，可以使***逐步达到对故障模式的自学习与自适应。
S5、在维护操作后，运行机床，收集机床在维护后的连续多批次运行状态数据，并使用连续多批次运行状态数据优化整体Petri网模型和故障预测模型。
需要解释说明的是，收集维护后的运行数据可以采用增量学习的方式进行模型优化。即每收集一批新的数据，就使用这批数据对模型进行增量训练，逐步调整模型参数。与传统的使用所有新数据重新训练整个模型的方式相比，增量学习可以更快适应新数据，并防止模型“遗忘”原有知识。另外，新数据也可以用于新的神经网络分支的训练，然后与原模型进行融合。这种增量构建网络结构的方法，可以保留原模型特性的同时，吸收新知识。总之，使用维护后数据进行增量模型优化，可以在保留原有模型基础上，使其快速适应机床的新状态，从而提高Petri网和故障预测模型的效果。
S6、加密数控机床的运行状态数据，同时构建温度状态库和冷却状态库，存储历史温度监测数据和历史冷却***状态数据。
优选地，所述加密数控机床的运行状态数据，同时构建温度状态库和冷却状态库，存储历史温度数据和历史冷却***状态数据包括以下步骤：
S61、生成用于加密的对称密钥或非对称密钥；
S62、使用生成的密钥对数控机床的运行状态数据进行加密；
S63、将加密后的运行状态数据存储到状态数据库中；
S64、构建温度状态库，存储历史温度监测数据；
S65、构建冷却状态库，存储历史冷却***状态数据；
S66、使用相同的密钥对温度状态库和冷却状态库中的数据进行加密；
S67、将加密后的温度和冷却状态数据存储到对应的数据库中；
S68、定期更新密钥，保证数据长期安全；
其中，所述运行状态数据进行加密的公式为：
式中，表示数控机床的运行状态数据；
表示公钥；
mod表示取余运算；
表示大素数；
表示数控机床的运行状态数据的加密数据。
需要解释说明的是，加密保护状态数据的安全性，可以从算法和管理两方面进行提升。从算法上，可以使用混合加密算法，即同时采用对称加密和非对称加密，这样可以兼具加密强度与效率。另外，还可以考虑使用基于区块链的加密机制，利用区块链的分布式账本和共识机制，可以使数据更难被篡改。从管理上，可以建立密钥管理***，对密钥生命周期进行管理，包括密钥生成、分发、存储、更新、撤销等过程的安全控制。同时，对数据库实施访问控制和权限管理，严格限制可以操作数据库的主体。综上所述，从算法和管理两方面提高状态数据的加密保护，可以使敏感数据更加安全可靠。
S7、在整体Petri网模型中关联解密后的温度状态库和冷却状态库，且当温度过高时，启动热误差主动抑制，当温度正常时，启动热误差被动抑制。
优选地，所述在整体Petri网模型中关联解密后的温度状态库和冷却状态库，且当温度过高时，启动热误差主动抑制，当温度正常时，启动热误差被动抑制包括以下步骤：
S71、使用相同的密钥，对加密的温度状态库和冷却状态库中的数据进行解密，获取原始温度数据；
S72、在整体Petri网模型中，增加温度状态库位置，增加温度过高变迁，条件是温度高于上限温度；
S73、增加温度正常变迁，条件是温度在正常范围内；
S74、运行整体Petri网模型，将解密后的实时温度数据输入；
S75、当温度过高变迁触发时，整体Petri网模型标识温度过高，执行热误差主动抑制；
S76、当温度正常变迁触发时，整体Petri网模型标识温度正常，执行热误差被动抑制；
S77、收集温度控制后的数据，优化整体Petri网模型
所述执行热误差主动抑制包括以下步骤：
当检测到机床温度超过设定的上限温度时，采取主动措施来降低温度，主动措施至少包括增加冷却***的工作频率、调整机床的工作参数，以降低机床的工作热量产生，达到主动抑制热误差的目的；
所述执行热误差被动抑制包括以下步骤：
当机床温度处于正常范围内时，维持正常的工作状态，并通过监控温度变化，采取被动措施来维护当前温度状态，被动措施至少包括定期的冷却和切削液供应，以防止因工作热量积累而导致的温度过高。
优选地，所述对加密的温度状态库和冷却状态库中的数据进行解密的公式为：
式中，表示秘钥；
表示数控机床的运行状态数据的加密数据；
mod表示取余运算；
表示大素数，大素数指的是一个大的随机质数，/>的值一般由密钥管理机构利用质数搜索算法生成。
需要解释说明的是，在Petri网模型中实现温度状态控制时，可以考虑增加温度的预测机制。例如使用温度的时间序列数据及相关状态，构建温度预测模型，预测未来一段时间的温度变化趋势。然后在Petri网模型中，根据预测温度是否高于限值，来提前触发状态迁移。这种预测启动的热误差主动抑制方式，可以比简单的当前温度判断更早地做出控制，实现对温度变化的预判和主动控制。与被动等待温度升高再抑制相比，预测启动的方式可以更好地防止温度过冲，保护机床的安全运行。因此，在Petri网温度控制中加入温度预测机制，可以提高对温度变化的管理能力。
S8、在整体Petri网模型的基础上，增加数控***的输入和输出信号的建模，扩展整体Petri网模型的覆盖范围，同时定期评估当前整体Petri网模型和故障预测模型的准确性。
优选地，所述在整体Petri网模型的基础上，增加数控***的输入和输出信号的建模，扩展整体Petri网模型的覆盖范围，同时定期评估当前整体Petri网模型和故障预测模型的准确性包括以下步骤：
S81、查看数控***的原理图，确定输入信号和输出信号；
S82、在整体Petri网模型中增加输入信号的位置和输出信号的位置；
S83、根据输入信号的位置和输出信号的位置的逻辑关系，在整体Petri网模型中增加变迁；
S84、收集数控***实际运行中信号状态数据，使用收集的数据训练整体Petri网模型，确定变迁阈值和方向参数；
S85、运行优化后的整体Petri网模型，使用实时收集的信号状态数据进行故障诊断，收集诊断后信号数据，继续优化整体Petri网模型，同时定期评估当前整体Petri网模型和故障预测模型的准确性。
需要解释说明的是，在扩展Petri网模型时，可以考虑将模型进行拆分，按功能模块分别建立子模型。例如可以单独建立数控***的输入信号子模型，输出信号子模型等。然后定义接口与规则，实现子模型之间的连接与约束。这种模块化方法可以使整体模型的结构更清晰，也方便对单个模块进行定制与优化。且模块化后，如果需要继续扩展模型，只需要在对应模块上进行，不会影响其他部分，降低了***修改的风险。此外，模块化也有利于模型的标准化定义，使得模型可以进行移植与重用。总之，使用模块化方法扩展Petri网模型，可以获得结构清晰、方便优化、易于扩展等优点。
综上所述，借助于本发明的上述技术方案，本发明构建整体Petri网模型考虑了子***间的交互影响，可以更全面地反映机床的各种状态，提高诊断效果；收集状态数据全面丰富，为构建和优化模型提供了依据；利用故障后数据优化Petri网模型，可以不断提升诊断性能，并推动对故障机理的理解；循环神经网络模型通过保存时间序列信息，可以分析故障的时间演变规律；构建混合预测模型，综合各算法优势，提高了预测的准确性和鲁棒性；状态控制结合预测，实现了对状态变化的主动管理；模块化扩展模型，使结构更清晰，便于优化和移植；增量学***衡；数据驱动不断自学***衡；温度预测控制实现了主动管理，防止了状态异常；增加数控信号建模，扩展了模型范围，提高了诊断覆盖面；定期评估模型准确性，可根据结果进行模型优化；运用加密算法与管理手段，提高了数据安全性。温度预测机制实现了对温度变化的预判与主动控制。
虽然本发明已以较佳实施例揭示如上，然所述实施例仅为了便于说明而举例而已，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰，本发明所主张的保护范围应以权利要求书所述为准。
Claims (7)
1.一种基于Petri网的数控机床控制***故障诊断方法，其特征在于，该故障诊断方法包括以下步骤：
S1、构建整体Petri网模型，并收集数控机床的历史状态数据和当前状态数据；
S2、利用整体Petri网模型对当前状态数据进行故障诊断；
S3、根据历史状态数据，采用循环神经网络考虑时间序列信息，以捕获数控机床的故障演变规律并构建故障预测模型；
S4、当预测到潜在故障时，检查相关部件，根据故障类型和部件情况，进行维护操作，确保机床的可靠运行；
S5、在维护操作后，运行机床，收集机床在维护后的连续多批次运行状态数据，并使用连续多批次运行状态数据优化整体Petri网模型和故障预测模型；
S6、加密数控机床的运行状态数据，同时构建温度状态库和冷却状态库，存储历史温度监测数据和历史冷却***状态数据；
S7、在整体Petri网模型中关联解密后的温度状态库和冷却状态库，且当温度过高时，启动热误差主动抑制，当温度正常时，启动热误差被动抑制；
S8、在整体Petri网模型的基础上，增加数控***的输入和输出信号的建模，扩展整体Petri网模型的覆盖范围，同时定期评估当前整体Petri网模型和故障预测模型的准确性；
所述构建整体Petri网模型，并收集数控机床的历史状态数据和当前状态数据包括以下步骤：
S11、根据数控机床的控制***结构图，确定子***，所述子***至少包括润滑***、传动***、伺服***、冷却***、电气控制***及液压***；
S12、对每个子***构建Petri网模型，建立描述各子***组件的状态和状态转移的Petri网；
S13、对子***的Petri网模型进行合并，构建整体Petri网模型；
S14、连接数控机床的各传感器，获取机床运行状态数据；
S15、收集历史状态数据，建立状态数据库，存储各传感器数据时间序列；
S16、开发数据接口程序，获取当前状态数据，并输入到整体Petri网模型中；
S17、对历史状态数据进行处理，并使用处理后的历史状态数据训练整体Petri网模型；
S18、对整体Petri网模型进行测试和验证，使用独立的测试数据集对整体Petri网模型的预测准确率进行评估，根据测试结果对整体Petri网模型进行优化，以提高整体Petri网模型的准确性；
所述利用整体Petri网模型对当前状态数据进行故障诊断包括以下步骤：
S21、对获取的当前状态数据进行过滤、平滑及标准化的预处理；
S22、将预处理后的当前状态数据输入到整体Petri网模型中；
S23、运行整体Petri网模型，根据当前状态数据进行仿真，得到各状态的标记数变化；
S24、分析每个位置中标记数的变化情况，根据设定的故障诊断规则，判断机床是否发生故障以及故障类型；
S25、输出故障诊断结果，并收集故障诊断结果后的运行数据，同时使用运行数据提高整体Petri网模型的故障诊断性能；
所述分析每个位置中标记数的变化情况，根据设定的故障诊断规则，判断机床是否发生故障以及故障类型包括以下步骤：
S241、统计每个位置中标记数的变化量，分析变化量的值和正负方向，判断标记流动方向；
S242、参考预设的故障诊断规则，确定标记流动方向与故障类型间的对应关系；
S243、以传感器状态标记流向报警状态为例，根据对应关系，判断为传感器故障；
S244、综合每个位置的标记流动情况和方向，按照故障诊断规则，判断机床是否发生故障以及故障类型；
S245、对关键位置设置变化量的阈值，当变化量超过阈值时，根据确定的故障类型，输出故障诊断结果和原因。
2.根据权利要求1所述的一种基于Petri网的数控机床控制***故障诊断方法，其特征在于，所述根据历史状态数据，采用循环神经网络考虑时间序列信息，以捕获数控机床的故障演变规律并构建故障预测模型包括以下步骤：
S31、收集数控机床长时间范围的历史状态数据时间序列；
S32、对收集的历史状态数据进行去噪、平滑、标准化的预处理；
S33、构建循环神经网络模型，接收预处理后的状态数据时间序列；
S34、使用历史状态数据训练循环神经网络模型，得到反映状态数据与各类故障关系的模型；
S35、根据反映状态数据与各类故障关系的模型，在模型最后添加一个全连接层作为输出层，同时调整模型参数，构建循环神经网络故障预测模型，并对数控机床未来一段时间内出现的故障进行预测；
所述对数控机床未来一段时间内出现的故障进行预测包括以下步骤：
获取当前的状态监测数据，所述状态监测数据至少包含温度和压力；
将获取的实时状态数据输入到训练好的循环神经网络故障预测模型中；
利用训练好的循环神经网络故障预测模型输出未来一段时间内的故障概率预测结果。
3.根据权利要求2所述的一种基于Petri网的数控机床控制***故障诊断方法，其特征在于，所述当预测到潜在故障时，检查相关部件，根据故障类型和部件情况，进行维护操作，确保机床的可靠运行包括以下步骤：
S41、根据故障预测模型给出的故障类型，确定发生故障的部件；
S42、对发生故障的部件进行详细检查；
S43、根据检查结果，确定需要进行的维护操作类型，并对需要替换的部件进行拆卸更换和参数调整，同时对软件控制参数进行修改；
S44、调整发生故障部件的间隙，确保间隙在正常范围内；
S45、检查并调整润滑***、传动***、伺服***、冷却***、电气控制***及液压***，确保各关联***工作正常。
4.根据权利要求1所述的一种基于Petri网的数控机床控制***故障诊断方法，其特征在于，所述加密数控机床的运行状态数据，同时构建温度状态库和冷却状态库，存储历史温度监测数据和历史冷却***状态数据包括以下步骤：
S61、生成用于加密的对称密钥或非对称密钥；
S62、使用生成的密钥对数控机床的运行状态数据进行加密；
S63、将加密后的运行状态数据存储到状态数据库中；
S64、构建温度状态库，存储历史温度监测数据；
S65、构建冷却状态库，存储历史冷却***状态数据；
S66、使用相同的密钥对温度状态库和冷却状态库中的数据进行加密；
S67、将加密后的温度和冷却状态数据存储到对应的数据库中；
S68、定期更新密钥，保证数据长期安全；
其中，所述运行状态数据进行加密的公式为：
；
式中，表示数控机床的运行状态数据；
表示公钥；
mod表示取余运算；
表示大素数；
表示数控机床的运行状态数据的加密数据。
5.根据权利要求4所述的一种基于Petri网的数控机床控制***故障诊断方法，其特征在于，所述在整体Petri网模型中关联解密后的温度状态库和冷却状态库，且当温度过高时，启动热误差主动抑制，当温度正常时，启动热误差被动抑制包括以下步骤：
S71、使用相同的密钥，对加密的温度状态库和冷却状态库中的数据进行解密，获取原始温度数据；
S72、在整体Petri网模型中，增加温度状态库位置，增加温度过高变迁，条件是温度高于上限温度；
S73、增加温度正常变迁，条件是温度在正常范围内；
S74、运行整体Petri网模型，将解密后的实时温度数据输入；
S75、当温度过高变迁触发时，整体Petri网模型标识温度过高，执行热误差主动抑制；
S76、当温度正常变迁触发时，整体Petri网模型标识温度正常，执行热误差被动抑制；
S77、收集温度控制后的数据，优化整体Petri网模型；
所述执行热误差主动抑制包括以下步骤：
当检测到机床温度超过设定的上限温度时，采取主动措施来降低温度，主动措施至少包括增加冷却***的工作频率、调整机床的工作参数，以降低机床的工作热量产生，达到主动抑制热误差的目的；
所述执行热误差被动抑制包括以下步骤：
当机床温度处于正常范围内时，维持正常的工作状态，并通过监控温度变化，采取被动措施来维护当前温度状态，被动措施至少包括定期的冷却和切削液供应，以防止因工作热量积累而导致的温度过高。
6.根据权利要求5所述的一种基于Petri网的数控机床控制***故障诊断方法，其特征在于，所述对加密的温度状态库和冷却状态库中的数据进行解密的公式为：
；
式中，表示秘钥；
表示数控机床的运行状态数据的加密数据；
mod表示取余运算；
表示大素数。
7.根据权利要求1所述的一种基于Petri网的数控机床控制***故障诊断方法，其特征在于，所述在整体Petri网模型的基础上，增加数控***的输入和输出信号的建模，扩展整体Petri网模型的覆盖范围，同时定期评估当前整体Petri网模型和故障预测模型的准确性包括以下步骤：
S81、查看数控***的原理图，确定输入信号和输出信号；
S82、在整体Petri网模型中增加输入信号的位置和输出信号的位置；
S83、根据输入信号的位置和输出信号的位置的逻辑关系，在整体Petri网模型中增加变迁；
S84、收集数控***实际运行中信号状态数据，使用收集的数据训练整体Petri网模型，确定变迁阈值和方向参数；
S85、运行优化后的整体Petri网模型，使用实时收集的信号状态数据进行故障诊断，收集诊断后信号数据，继续优化整体Petri网模型，同时定期评估当前整体Petri网模型和故障预测模型的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311371018.8A CN117111589B (zh) | 2023-10-23 | 2023-10-23 | 一种基于Petri网的数控机床控制***故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311371018.8A CN117111589B (zh) | 2023-10-23 | 2023-10-23 | 一种基于Petri网的数控机床控制***故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117111589A CN117111589A (zh) | 2023-11-24 |
| CN117111589B true CN117111589B (zh) | 2024-01-02 |
Family
ID=88804222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311371018.8A Active CN117111589B (zh) | 2023-10-23 | 2023-10-23 | 一种基于Petri网的数控机床控制***故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117111589B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117555287B (zh) * | 2024-01-12 | 2024-04-09 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及*** |
| CN118094344A (zh) * | 2024-04-25 | 2024-05-28 | 中科航迈数控软件(深圳)有限公司 | 安全隐患检查方法、数控机床以及可读存储介质 |
Citations (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS54141969A (en) * | 1978-04-26 | 1979-11-05 | Toshiba Corp | Diagnosis of numerical control device |
| JPH04130953A (ja) * | 1990-09-21 | 1992-05-01 | Fuji Xerox Co Ltd | ペトリネットグラフに基づくシミュレーション装置 |
| EP0856791A1 (de) * | 1997-01-29 | 1998-08-05 | Verein Deutscher Werkzeugmaschinenfabriken e.V. (VDW) | System mit Störungsbewältigung sowie Verfahren zur Störungsbewältigung |
| CN101118437A (zh) * | 2007-09-03 | 2008-02-06 | 石毅 | 一种新型的数控机床远程状态监测与故障诊断***实现方法 |
| CN101424936A (zh) * | 2006-09-29 | 2009-05-06 | 沈阳高精数控技术有限公司 | 数控机床闭环虚拟***的控制方法 |
| CN102566505A (zh) * | 2012-02-27 | 2012-07-11 | 温州大学 | 一种数控机床的智能故障诊断方法 |
| CN102663500A (zh) * | 2012-03-27 | 2012-09-12 | 许继集团有限公司 | 一种基于时间隶属分析的模糊 Petri网变电站故障诊断方法 |
| CN102680817A (zh) * | 2012-04-28 | 2012-09-19 | 辽宁省电力有限公司朝阳供电公司 | 一种基于模糊Petri网变压器故障诊断方法 |
| CN105081879A (zh) * | 2015-08-27 | 2015-11-25 | 成都飞机工业（集团）有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
| CN105549533A (zh) * | 2016-02-15 | 2016-05-04 | 上海理工大学 | 数控机床温度场在线监测及智能预警*** |
| CN105678467A (zh) * | 2016-01-15 | 2016-06-15 | 国家电网公司 | 特高压交直流联网下调控一体数据分析与辅助决策***及方法 |
| CN105676781A (zh) * | 2016-03-08 | 2016-06-15 | 华侨大学 | 基于Petri网的数控机床控制***故障诊断方法 |
| CN105731209A (zh) * | 2016-03-17 | 2016-07-06 | 天津大学 | 基于物联网的电梯故障智能预测与诊断及维护方法 |
| CN106353690A (zh) * | 2016-09-20 | 2017-01-25 | 上海海事大学 | 利用Petri网诊断锂电池故障的方法 |
| CN106523393A (zh) * | 2016-11-18 | 2017-03-22 | 山东科技大学 | 一种用于井下排水***的故障诊断方法 |
| KR20180048218A (ko) * | 2016-10-31 | 2018-05-10 | 현대위아 주식회사 | 기계학습 기반 공작기계 고장 진단 시스템 및 방법 |
| CN108544303A (zh) * | 2018-03-30 | 2018-09-18 | 上海交通大学 | 一种数控机床主轴故障诊断方法及*** |
| CN109086945A (zh) * | 2018-08-31 | 2018-12-25 | 沈阳航空航天大学 | 一种基于运行协变量分析的机床主轴备件预测方法 |
| CN110119518A (zh) * | 2018-02-06 | 2019-08-13 | 洛阳中科晶上智能装备科技有限公司 | 一种采用神经网络模型诊断发动机故障原因的方法 |
| CN110261159A (zh) * | 2019-07-31 | 2019-09-20 | 上海应用技术大学 | 柔性制造刀具子***故障诊断方法 |
| CN110333694A (zh) * | 2019-07-31 | 2019-10-15 | 上海应用技术大学 | 基于模糊Petri网的数控设备故障诊断方法 |
| CN110543142A (zh) * | 2019-08-22 | 2019-12-06 | 电子科技大学 | 一种数控机床故障诊断与预警*** |
| CN110647133A (zh) * | 2019-09-09 | 2020-01-03 | 深圳市永达电子信息股份有限公司 | 轨道交通设备状态检测维护方法及*** |
| CZ2018518A3 (cs) * | 2018-09-30 | 2020-05-06 | 4Dot Mechatronic Systems S.R.O. | Diagnostický systém obráběcích strojů |
| CN111313354A (zh) * | 2020-02-11 | 2020-06-19 | 北京交通大学 | 交直流电力***动态等值边界确定方法 |
| CN112257988A (zh) * | 2020-09-29 | 2021-01-22 | 中广核工程有限公司 | 核电厂复杂事故特征识别及风险预警***和方法 |
| CN112947305A (zh) * | 2021-02-05 | 2021-06-11 | 吉林大学 | 考虑故障相关的数控机床可靠性评估方法 |
| CN113655774A (zh) * | 2021-07-21 | 2021-11-16 | 大唐互联科技(武汉)有限公司 | 基于工业互联网大数据的机床远程诊断方法及*** |
| KR20210141087A (ko) * | 2020-05-15 | 2021-11-23 | 인제대학교 산학협력단 | 공작기계의 고장 진단 장치 및 진단 방법 |
| CN114139589A (zh) * | 2021-03-02 | 2022-03-04 | 湖州师范学院 | 故障诊断方法、装置、设备与计算机可读存储介质 |
| KR20220046274A (ko) * | 2020-10-07 | 2022-04-14 | 한국전기연구원 | 고장 진단 시스템 및 그 방법 |
| WO2022074823A1 (ja) * | 2020-10-09 | 2022-04-14 | 日本電気株式会社 | 制御装置、制御方法及び記憶媒体 |
| CN115187014A (zh) * | 2022-06-24 | 2022-10-14 | 山东科技大学 | 一种基于Petri网可达图解释的业务流程预测方法 |
| CN115358533A (zh) * | 2022-07-27 | 2022-11-18 | 韩兆井 | 一种基于大数据的预测性维护管理*** |
| CN115493734A (zh) * | 2022-09-29 | 2022-12-20 | 中国机械总院集团云南分院有限公司 | 用于数控机床可靠性试验电控*** |
| JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
| CN115983452A (zh) * | 2022-12-19 | 2023-04-18 | 河南科技大学 | 一种基于lstm的轴承故障预测方法 |
| CN116205265A (zh) * | 2023-01-12 | 2023-06-02 | 国电南瑞科技股份有限公司 | 一种基于深层神经网络的电网故障诊断方法及装置 |
| CN116578040A (zh) * | 2023-07-13 | 2023-08-11 | 北京机床研究所有限公司 | 一种面向机床故障诊断的数字孪生模型构建方法、***及终端 |
| CN116628869A (zh) * | 2022-12-20 | 2023-08-22 | 南京航空航天大学 | 一种基于传递熵理论的数控机床故障传播机理分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10055434B2 (en) * | 2013-10-16 | 2018-08-21 | University Of Tennessee Research Foundation | Method and apparatus for providing random selection and long-term potentiation and depression in an artificial network |
-
2023
- 2023-10-23 CN CN202311371018.8A patent/CN117111589B/zh active Active
Patent Citations (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS54141969A (en) * | 1978-04-26 | 1979-11-05 | Toshiba Corp | Diagnosis of numerical control device |
| JPH04130953A (ja) * | 1990-09-21 | 1992-05-01 | Fuji Xerox Co Ltd | ペトリネットグラフに基づくシミュレーション装置 |
| EP0856791A1 (de) * | 1997-01-29 | 1998-08-05 | Verein Deutscher Werkzeugmaschinenfabriken e.V. (VDW) | System mit Störungsbewältigung sowie Verfahren zur Störungsbewältigung |
| CN101424936A (zh) * | 2006-09-29 | 2009-05-06 | 沈阳高精数控技术有限公司 | 数控机床闭环虚拟***的控制方法 |
| CN101118437A (zh) * | 2007-09-03 | 2008-02-06 | 石毅 | 一种新型的数控机床远程状态监测与故障诊断***实现方法 |
| CN102566505A (zh) * | 2012-02-27 | 2012-07-11 | 温州大学 | 一种数控机床的智能故障诊断方法 |
| CN102663500A (zh) * | 2012-03-27 | 2012-09-12 | 许继集团有限公司 | 一种基于时间隶属分析的模糊 Petri网变电站故障诊断方法 |
| CN102680817A (zh) * | 2012-04-28 | 2012-09-19 | 辽宁省电力有限公司朝阳供电公司 | 一种基于模糊Petri网变压器故障诊断方法 |
| CN105081879A (zh) * | 2015-08-27 | 2015-11-25 | 成都飞机工业（集团）有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
| CN105678467A (zh) * | 2016-01-15 | 2016-06-15 | 国家电网公司 | 特高压交直流联网下调控一体数据分析与辅助决策***及方法 |
| CN105549533A (zh) * | 2016-02-15 | 2016-05-04 | 上海理工大学 | 数控机床温度场在线监测及智能预警*** |
| CN105676781A (zh) * | 2016-03-08 | 2016-06-15 | 华侨大学 | 基于Petri网的数控机床控制***故障诊断方法 |
| CN105731209A (zh) * | 2016-03-17 | 2016-07-06 | 天津大学 | 基于物联网的电梯故障智能预测与诊断及维护方法 |
| CN106353690A (zh) * | 2016-09-20 | 2017-01-25 | 上海海事大学 | 利用Petri网诊断锂电池故障的方法 |
| KR20180048218A (ko) * | 2016-10-31 | 2018-05-10 | 현대위아 주식회사 | 기계학습 기반 공작기계 고장 진단 시스템 및 방법 |
| CN106523393A (zh) * | 2016-11-18 | 2017-03-22 | 山东科技大学 | 一种用于井下排水***的故障诊断方法 |
| CN110119518A (zh) * | 2018-02-06 | 2019-08-13 | 洛阳中科晶上智能装备科技有限公司 | 一种采用神经网络模型诊断发动机故障原因的方法 |
| CN108544303A (zh) * | 2018-03-30 | 2018-09-18 | 上海交通大学 | 一种数控机床主轴故障诊断方法及*** |
| CN109086945A (zh) * | 2018-08-31 | 2018-12-25 | 沈阳航空航天大学 | 一种基于运行协变量分析的机床主轴备件预测方法 |
| CZ2018518A3 (cs) * | 2018-09-30 | 2020-05-06 | 4Dot Mechatronic Systems S.R.O. | Diagnostický systém obráběcích strojů |
| CN110333694A (zh) * | 2019-07-31 | 2019-10-15 | 上海应用技术大学 | 基于模糊Petri网的数控设备故障诊断方法 |
| CN110261159A (zh) * | 2019-07-31 | 2019-09-20 | 上海应用技术大学 | 柔性制造刀具子***故障诊断方法 |
| CN110543142A (zh) * | 2019-08-22 | 2019-12-06 | 电子科技大学 | 一种数控机床故障诊断与预警*** |
| CN110647133A (zh) * | 2019-09-09 | 2020-01-03 | 深圳市永达电子信息股份有限公司 | 轨道交通设备状态检测维护方法及*** |
| CN111313354A (zh) * | 2020-02-11 | 2020-06-19 | 北京交通大学 | 交直流电力***动态等值边界确定方法 |
| KR20210141087A (ko) * | 2020-05-15 | 2021-11-23 | 인제대학교 산학협력단 | 공작기계의 고장 진단 장치 및 진단 방법 |
| CN112257988A (zh) * | 2020-09-29 | 2021-01-22 | 中广核工程有限公司 | 核电厂复杂事故特征识别及风险预警***和方法 |
| KR20220046274A (ko) * | 2020-10-07 | 2022-04-14 | 한국전기연구원 | 고장 진단 시스템 및 그 방법 |
| WO2022074823A1 (ja) * | 2020-10-09 | 2022-04-14 | 日本電気株式会社 | 制御装置、制御方法及び記憶媒体 |
| CN112947305A (zh) * | 2021-02-05 | 2021-06-11 | 吉林大学 | 考虑故障相关的数控机床可靠性评估方法 |
| CN114139589A (zh) * | 2021-03-02 | 2022-03-04 | 湖州师范学院 | 故障诊断方法、装置、设备与计算机可读存储介质 |
| CN113655774A (zh) * | 2021-07-21 | 2021-11-16 | 大唐互联科技(武汉)有限公司 | 基于工业互联网大数据的机床远程诊断方法及*** |
| JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
| CN115187014A (zh) * | 2022-06-24 | 2022-10-14 | 山东科技大学 | 一种基于Petri网可达图解释的业务流程预测方法 |
| CN115358533A (zh) * | 2022-07-27 | 2022-11-18 | 韩兆井 | 一种基于大数据的预测性维护管理*** |
| CN115493734A (zh) * | 2022-09-29 | 2022-12-20 | 中国机械总院集团云南分院有限公司 | 用于数控机床可靠性试验电控*** |
| CN115983452A (zh) * | 2022-12-19 | 2023-04-18 | 河南科技大学 | 一种基于lstm的轴承故障预测方法 |
| CN116628869A (zh) * | 2022-12-20 | 2023-08-22 | 南京航空航天大学 | 一种基于传递熵理论的数控机床故障传播机理分析方法 |
| CN116205265A (zh) * | 2023-01-12 | 2023-06-02 | 国电南瑞科技股份有限公司 | 一种基于深层神经网络的电网故障诊断方法及装置 |
| CN116578040A (zh) * | 2023-07-13 | 2023-08-11 | 北京机床研究所有限公司 | 一种面向机床故障诊断的数字孪生模型构建方法、***及终端 |
Non-Patent Citations (7)
| Title |
|---|
| Petri网逆网在主轴故障诊断中的应用;谷东伟;张学文;王志琼;申桂香;张英芝;;重庆大学学报(第06期);第111-117页 * |
| 一种基于Petri网模型的数控***的分析与在线实时故障诊断方法;田仁铁;杨建国;;东华大学学报(自然科学版)(第04期);第503-508页 * |
| 基于多源信息的数控机床故障诊断***的设计与实现;李红斌;王嘉伟;;电子设计工程(第18期);第78-82页 * |
| 基于循环时间卷积网络的序列流推荐算法;李太松;贺泽宇;王冰;颜永红;唐向红;;计算机科学;第47卷(第03期);第103-109页 * |
| 基于改进模糊故障Petri网的复杂***故障诊断与状态评价;汪惠芬;梁光夏;刘庭煜;钟维宇;柳林燕;;计算机集成制造***(第12期);第3049-3061页 * |
| 基于适应型Petri网的电网故障诊断方法;潘超;岳建平;刘冰;于景龙;;电网技术(第01期);第46-50页 * |
| 数控机床控制***的Petri网故障诊断方法;池正;罗继亮;邵辉;;制造业自动化(第04期);第59-65页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117111589A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117111589B (zh) | 一种基于Petri网的数控机床控制***故障诊断方法 | |
| KR102118670B1 (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
| US7647131B1 (en) | Dynamic determination of sampling rates | |
| CN112418455B (zh) | 一种设备故障预测与健康管理*** | |
| Ferreiro et al. | Industry 4.0: predictive intelligent maintenance for production equipment | |
| CN108241343A (zh) | 一种智能工厂管理平台*** | |
| Liu et al. | A switching hidden semi-Markov model for degradation process and its application to time-varying tool wear monitoring | |
| Chang et al. | Supervisory factory control based on real-time production feedback | |
| CN101989087A (zh) | 工业化加工渣油的在线实时故障监测与诊断的***装置 | |
| CN106383916B (zh) | 基于工业设备预测性维护的数据处理方法 | |
| CN112254972B (zh) | 挖掘机油温预警方法、装置、服务器及挖掘机 | |
| CN112328703B (zh) | 一种基于增量学习的数控设备健康状态诊断装置及方法 | |
| Hoffmann et al. | Proposal for requirements on industrial AI solutions | |
| CN114065601A (zh) | 火电机组的运行信息的管理方法、存储介质和电子装置 | |
| Liao et al. | Machine tool feed axis health monitoring using plug-and-prognose technology | |
| Kumar et al. | Development of a condition based maintenance architecture for optimal maintainability of mine excavators | |
| Zeiser et al. | Requirements towards optimizing analytics in industrial processes | |
| Armendia et al. | Twin-control: a new concept towards machine tool health management | |
| Alex et al. | Machine monitoring based on cyberphysical systems for industry 4.0 | |
| US11966217B2 (en) | Faulty variable identification technique for data-driven fault detection within a process plant | |
| CN115238929A (zh) | 一种石油炼化体系预测性维护方法及*** | |
| JP2019095879A (ja) | 稼働モニタリング装置及びプログラム | |
| El Kihel et al. | Maintenance 4.0 Model Development for Production Lines in Industry 4.0 Using a Deep Learning Approach and IoT Data in Real-Time: an Experimental Case Study | |
| Fernandes et al. | Predictive maintenance in the metallurgical industry: data analysis and feature selection | |
| Karagiorgou et al. | On making factories smarter through actionable predictions based on time-series data |
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 |