一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置制造方法及图纸

本公开内容涉及数控机床的进给轴装配故障检测的方法和装置。一个实施例公开了一种用于数控机床的进给轴装配故障检测的方法，包括：获取与执行的工作任务对应的第一运行状态数据，所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态；从所述第一运行状态数据中提取能够反映故障状态的第一特征向量，所述第一特征向量为多维的；将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果，所述模型被训练以能够识别特征向量与故障类型之间的关系；以及根据所述处理结果确定故障类型。本公开还描述了相应的装置以及计算机系统和计算机可读存储介质。

【技术实现步骤摘要】
一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置
本专利技术总体上涉及数控机床领域，并且特别涉及用于数控机床的进给轴装配故障的检测的方法和装置。
技术介绍
数控机床中的进给系统作为数控机床中最重要的子系统之一，其装配质量的好坏直接影响工件的加工质量、丝杠寿命和机床使用成本的控制。尤其对于一些加工时间较长的工件而言，往往对丝杠的损耗较大。这就要求对机床进给系统装配时，要确保一个良好的装配质量。现有的对机床装配质量检测比较普遍的方法，就是对工件进行试切，再通过三坐标对工件进行检验。如果工件合格，则安装达标。也有部分方法是通过外接传感器如振动传感器等获取机床信号，并通过对这些信号的分析处理来对机床的装配质量进行检测。上述这些方法由于需要进行额外试切或者由于需要添加外接的传感器(由此带来额外的传感器固定装置)，往往造成耗时费力，成本较高。由于机床的几何误差主要是由于零部件本身误差和零部件间的装配误差引起，其中零部件间的装配误差占到了主要成分，因此通过几何误差可以很大程度上反映机床装配质量的好坏。专利文献CN103447884B中公开了一种数控机床平动轴几何误差的测量装置及测量与辨识方法。该方法采用一台激光跟踪仪先后在4个不同位置对机床单个平动轴3个固定点沿轴向进给运动进行测量，通过3个固定点在空间连续运动的轨迹，计算运动轴的实时位置，最后来辨识机床各轴的各项误差。但是该方案存在以下两点不足：使用了第三方设备如激光干涉仪以及其它的固定装置增加了机床装配质量检测成本；该装置安装过程较为繁琐耗时耗力，降低了使用效率。公布号为CN104950811A的中国专利公开了一种数控机床进给系统装配质量的快速判别方法，该方法；通过数控机床内置传感器的实时监测信号与参考样本参数进行在线比较，以此实现数控机床进给系统装配质量的快速判别。该方法只适用于提到的三个故障的判别。并且在半闭环的情况下，将无法利用跟随误差对联轴器存在的间隙进行判断。
技术实现思路
总体上，本专利技术的实施例提出一种用于数控机床的进给轴装配故障检测的技术方案。在一个方面，本专利技术的实施例提供一种用于数控机床的进给轴装配故障检测的方法。所述方法包括：获取与执行的工作任务对应的第一运行状态数据，所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态；从所述第一运行状态数据中提取能够反映故障状态的第一特征向量，所述第一特征向量为多维的；将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果，所述模型被训练以能够识别特征向量与故障类型之间的关系；以及根据所述处理结果确定故障类型。在本专利技术一实施例中，所述第一运行状态数据包括进给轴实际位置以及第一对象，所述第一对象包括以下至少之一：进给轴电流、进给轴功率、进给轴实际速度和振动信号。在本专利技术一实施例中，所述第一特征向量包括所述第一对象的时域特征和位置特征。在本专利技术一实施例中，所述时域特征包括以下至少之一：平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值，其中n为自然数。在本专利技术一实施例中，所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。在本专利技术一实施例中，所述关系拟合曲线的特征包括以下至少之一：曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。在本专利技术一实施例中，所述关系拟合曲线由最小二乘法得到。在本专利技术一实施例中，所述关系拟合曲线为二次曲线。在本专利技术一实施例中，所述方法进一步包括训练所述模型，所述训练所述模型包括：获取与执行的G代码对应的第二运行状态数据，所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态，且所述数控机床处于第一故障类型的故障状态；从所述第二运行状态数据中提取能够反映所述第一故障类型的故障状态的第二特征向量，所述第二特征向量为多维的；将所述第二特征向量作为样本训练所述模型，以使得模型处理所述第二特征向量得到的处理结果对应于所述第一故障类型。在本专利技术一实施例中，所述训练所述模型进一步包括：执行故障任务G代码以使得所述进给轴在特定工况下运动。在本专利技术一实施例中，所述执行故障任务G代码以使得所述进给轴在特定工况下运动，包括：执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。在本专利技术一实施例中，所述执行故障任务G代码以使得所述进给轴在特定工况下运动，包括：执行故障任务G代码以使得所述进给轴在特定进给速度下运动。在本专利技术一实施例中，所述执行故障任务G代码以使得所述进给轴在特定工况下运动，包括：执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动：在第一进给速度下进行正向直线运动；在第二进给速度下进行负向直线运动；在第三进给速度下进行直线往复运动。在本专利技术一实施例中，所述执行的工作任务为所述故障任务G代码所对应的工作任务。在本专利技术一实施例中，所述训练所述模型进一步包括：获取与执行的G代码对应的第三运行状态数据，所述第三运行状态数据用于描述所述数控机床执行所述G代码时的状态，且所述数控机床处于第二故障类型的故障状态，所述第二故障类型不同于所述第一故障类型；从所述第三运行状态数据中提取能够反映所述第二故障类型的故障状态的第三特征向量，所述第三特征向量为多维的；将所述第三特征向量作为样本训练所述模型，以使得模型处理所述第三特征向量得到的处理结果对应于所述第二故障类型。在本专利技术一实施例中，所述故障类型包括由进给轴机械装配引发的故障。在本专利技术一实施例中，所述故障类型包括以下至少之一：预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。在本专利技术一实施例中，所述模型为机器学习的多分类模型。在本专利技术一实施例中，所述模型包括以下之一：softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。在本专利技术一实施例中，所述第一运行状态数据为数控系统内部的电控数据。在另一方面，本专利技术的实施例提供一种用于数控机床的进给轴装配故障检测的装置。所述装置包括：获取模块，被配置为获取与执行的工作任务对应的第一运行状态数据，所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态；提取模块，被配置为从所述第一运行状态数据中提取能够反映故障状态的第一特征向量，所述第一特征向量为多维的；输入模块，被配置为将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果，所述模型被训练以能够识别特征向量与故障类型之间的关系；以及故障确定模块，被配置为根据所述处理结果确定故障类型。在本专利技术一实施例中，所述第一运行状态数据包括进给轴实际位置以及第一对象，所述第一对象包括以下至少之一：进给轴电流、进给轴功率、进给轴实际速度和振动信号。在本专利技术一实施例中，所述第一特征向量包括所述第一对象的时域特征和位置特征。在本专利技术一实施例中，所述时域特征包括以下至少之一：平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值，其中n为自然数。在本专利技术一实施例中，所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。在本专利技术一实施例中，所述关系拟合曲线的特征包括以下至少之一：曲本文档来自技高网...

【技术保护点】
一种用于数控机床的进给轴装配故障检测的方法，所述方法包括：获取与执行的工作任务对应的第一运行状态数据，所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态；从所述第一运行状态数据中提取能够反映故障状态的第一特征向量，所述第一特征向量为多维的；将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果，所述模型被训练以能够识别特征向量与故障类型之间的关系；以及根据所述处理结果确定故障类型。

【技术特征摘要】
2016.10.28 CN 20161096938511.一种用于数控机床的进给轴装配故障检测的方法，所述方法包括：获取与执行的工作任务对应的第一运行状态数据，所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态；从所述第一运行状态数据中提取能够反映故障状态的第一特征向量，所述第一特征向量为多维的；将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果，所述模型被训练以能够识别特征向量与故障类型之间的关系；以及根据所述处理结果确定故障类型。2.根据权利要求1所述的方法，其中，所述第一运行状态数据包括进给轴实际位置以及第一对象，所述第一对象包括以下至少之一：进给轴电流、进给轴功率、进给轴实际速度和振动信号。3.根据权利要求2所述的方法，其中，所述第一特征向量包括所述第一对象的时域特征和位置特征。4.根据权利要求3所述的方法，其中，所述时域特征包括以下至少之一：平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值，其中n为自然数。5.根据权利要求3所述的方法，其中，所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。6.根据权利要求5所述的方法，其中所述关系拟合曲线的特征包括以下至少之一：曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。7.根据权利要求5所述的方法，其中，所述关系拟合曲线由最小二乘法得到。8.根据权利要求5所述的方法，其中，所述关系拟合曲线为二次曲线。9.根据权利要求1所述的方法，其中，所述方法进一步包括训练所述模型，所述训练所述模型包括：获取与执行的G代码对应的第二运行状态数据，所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态，且所述数控机床处于第一故障类型的故障状态；从所述第二运行状态数据中提取能够反映所述第一故障类型的故障状态的第二特征向量，所述第二特征向量为多维的；将所述第二特征向量作为样本训练所述模型，以使得模型处理所述第二特征向量得到的处理结果对应于所述第一故障类型。10.根据权利要求9所述的方法，其中，所述训练所述模型进一步包括：执行故障任务G代码以使得所述进给轴在特定工况下运动。11.根据权利要求10所述的方法，其中，所述执行故障任务G代码以使得所述进给轴在特定工况下运动，包括：执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。12.根据权利要求10所述的方法，其中，所述执行故障任务G代码以使得所述进给轴在特定工况下运动，包括：执行故障任务G代码以使得所述进给轴在特定进给速度下运动。13.根据权利要求10所述的方法，其中，所述执行故障任务G代码以使得所述进给轴在特定工况下运动，包括：执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动：在第一进给速度下进行正向直线运动；在第二进给速度下进行负向直线运动；在第三进给速度下进行直线往复运动。14.根据权利要求10所述的方法，其中，所述执行的工作任务为所述故障任务G代码所对应的工作任务。15.根据权利要求9所述的方法，其中，所述训练所述模型进一步包括：获取与执行的G代码对应的第三运行状态数据，所述第三运行状态数据用于描述所述数控机床执行所述G代码时的状态，且所述数控机床处于第二故障类型的故障状态，所述第二故障类型不同于所述第一故障类型；从所述第三运行状态数据中提取能够反映所述第二故障类型的故障状态的第三特征向量，所述第三特征向量为多维的；将所述第三特征向量作为样本训练所述模型，以使得模型处理所述第三特征向量得到的处理结果对应于所述第二故障类型。16.根据权利要求1所述的方法，其中，所述故障类型包括由进给轴机械装配引发的故障。17.根据权利要求1所述的方法，其中，所述故障类型包括以下至少之一：预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。18.根据权利要求15所述的方法，其中，所述模型为机器学习的多分类模型。19.根据权利要求1至18中任一项所述的方法，其中，所述模型包括以下之一：softmax模型、基于有向无环图的支持向量机DAG-SVM以及神经网络NN模型。20.根据权利要求1至18中任一项所述的方法，其中，所述第一运行状态数据为数控系统内部的电控数据。21.一种用于数控机床的进给轴装配故障检测的装置，所述装置包括：获取模块，被配置为获取与执行的工作任务对应的第一运行状态数据，所述第一运行状态数据用于描述所述数控机床执行所述工作任务时的状态；提取模块，被配置为从所述第一运行状态数据中提取能够反映故障状态的第一特征向量，所述第一特征向量为多维的；输入模块，被配置为将所述第一特征向量输入训练好的模型以获取所述模型处理所述第一特征向量得到的处理结果，所述模型被训练以能够识别特征向量与故障类型之间的关系；以及故障确定模块，被配置为根据所述处理结果确定故障类型。22.根据权利要求21所述的装置，其中，所述第一运行状态数据包括进给轴实际位置以及第一对象，所述第一对象包括以下至少之一：进给轴电流、进给轴功率、进给轴实际速度和振动信号。23.根据权利要求22所述的装置，其中，所述第一特征向量包括所述第一对象的时域特征和位置特征。24.根据权利要求23所述的装置，其中，所述时域特征包括以下至少之一：平均值、均方根值、中位数、波动值、最大值、最小值、平均值、方差、峰峰值、偏度、峰度、裕度、前n个峰值，其中n为自然数。25.根据权利要求23所述的装置，其中，所述位置特征包括所述第一对象和进给轴实际位置的关系拟合曲线的特征。26.根据权利要求25所述的装置，其中所述关系拟合曲线的特征包括以下至少之一：曲线本身的形状、极值、偏度、峰度、弯曲值、对称轴和RSquare。27.根据权利要求25所述的装置，其中，所述关系拟合曲线由最小二乘法得到。28.根据权利要求25所述的装置，其中，所述关系拟合曲线为二次曲线。29.根据权利要求21所述的装置，其中，所述装置进一步包括训练模块被配置为训练所述模型，所述训练模块包括：第一运行状态数据获取子模块，被配置为获取与执行的G代码对应的第二运行状态数据，所述第二运行状态数据用于描述所述数控机床执行所述G代码时的状态，且所述数控机床处于第一故障类型的故障状态；第一特征向量提取子模块，被配置为从所述第二运行状态数据中提取能够反映所述第一故障类型的故障状态的第二特征向量，所述第二特征向量为多维的；第一模型训练子模块，被配置为将所述第二特征向量作为样本训练所述模型，以使得模型处理所述第二特征向量得到的处理结果对应于所述第一故障类型。30.根据权利要求29所述的装置，其中，所述训练模块进一步包括：执行子模块，被配置为执行故障任务G代码以使得所述进给轴在特定工况下运动。31.根据权利要求30所述的装置，其中，所述执行子模块被配置为执行故障任务G代码以使得所述进给轴在特定工况下进行直线运动。32.根据权利要求30所述的装置，其中，所述执行子模块被配置为执行故障任务G代码以使得所述进给轴在特定进给速度下运动。33.根据权利要求30所述的装置，其中，所述执行子模块被配置为执行故障任务G代码以使得所述进给轴按照以下方式至少之一运动：在第一进给速度下进行正向直线运动；在第二进给速度下进行负向直线运动；在第三进给速度下进行直线往复运动。34.根据权利要求30所述的装置，其中，所述执行的工作任务为所述故障任务G代码所对应的工作任务。35.根据权利要求29所述的装置，其中，所述训练模块进一步包括：第二运行状态数据获取子模块，被配置为获取与执行的G代码对应的第三运行状态数据，所述第三运行状态数据用于描述所述数控机床执行所述G代码时的状态，且所述数控机床处于第二故障类型的故障状态，所述第二故障类型不同于所述第一故障类型；第二特征向量提取子模块，被配置为从所述第三运行状态数据中提取能够反映所述第二故障类型的故障状态的第三特征向量，所述第三特征向量为多维的；第三模型训练子模块，被配置为将所述第三特征向量作为样本训练所述模型，以使得模型处理所述第三特征向量得到的处理结果对应于所述第二故障类型。36.根据权利要求21所述的装置，其中，所述故障类型包括由进给轴机械装配引发的故障。37.根据权利要求21所述的装置，其中，所述故障类型包括以下至少之一：预紧力超标、丝杠导轨不平衡、丝杠与导轨不等高、防护罩故障、导轨不水平、联轴器不对中和反向间隙。38.根据权利要求35所述的装置，其中，所述模型为机器学习的多分类模型。39.根据权利要求21至38中任一项所述的装置，其中，所述模型包括以下之一：softmax模型、基于有向无环图的支持向量机D...

【专利技术属性】
技术研发人员：许光达，周会成，陈吉红，胡震宇，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42