基于多源数据驱动的数控机床主轴预测性维护方法及系统技术方案

本发明专利技术公开了一种基于多源数据驱动的数控机床主轴预测性维护方法及系统，其中方法主要包括S1、采集数控机床主轴的多源数据；S2、对多源数据进行分析，计算综合评价值，并根据综合评价值以及预先划分的主轴健康状态等级判断主轴的健康状态，其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废，亚健康的状态细分为不同的亚健康等级；S3、根据主轴健康状态等级，对比预先构建的主轴性能退化模板，预测主轴衰退至后续健康等级的时间范围；S4、根据预测结果制定主轴维护决策，安排维护计划。

【技术实现步骤摘要】
基于多源数据驱动的数控机床主轴预测性维护方法及系统
本专利技术属于设备健康管理
，更具体地，涉及一种基于多源数据驱动的数控机床主轴预测性维护方法及系统。
技术介绍
数控机床是一种高精度、高柔性、高效率的机械加工设备，近些年在工业领域内应用的普及度越来越高。在工业生产中，数控机床运行的可靠与否关乎车间生产效率和维护成本，进而影响到企业的经济效益，因此受到广泛的关注。而数控机床的主轴系统由于长期处在高速旋转和负载状况下，容易发生各种异常与故障，因此受到重点关注。随着物联网技术的发展，生产车间能够通过传感器、PLC等装置来进行组网，以采集获取设备运行中的多源信号，达成设备状态监测的目的。相应的，在状态监测的基础上，研究人员们利用信号处理和机器学习技术对监测信号进行数据分析，对设备当前状态进行故障诊断。然而，传统的状态监测与故障诊断技术仅仅针对已经发生的故障和异常，难以做到“防患于未然”。对于数控机床主轴这类关键部件，企业通常采用制定维护计划的方式进行例行保养，即“定期维护”。这虽然能在一定程度上降低主轴发生故障的概率，但实施方式欠缺灵活性，维护手段也缺乏针对性，因此实际效果欠佳。预测性维护是一种全新的维护理念，它通过对历史和实时数据进行分析，大致估计设备失效的时间节点，从而实施正确的维护决策，保障生产和设备安全。通过预测性维护，可以避免机床意外停机、缩短计划停机时间、最大限度地延长设备的使用寿命。近年来，人工智能的蓬勃发展也推动了预测性维护技术走向大数据和智能化，但受限于现场条件和数据量不足的问题，多数工作仍然停留在学术研究的阶段，难以在实际企业车间内进行应用和推广。
技术实现思路
本专利技术针对生产现场机床主轴普遍存在的亚健康状态，基于多源数据驱动，提出了一种实用且有效的机床主轴预测性维护方法及系统。本专利技术基于多源数据驱动的数控机床主轴预测性维护方法，包含以下步骤：S1、采集数控机床主轴的多源数据，所述多源数据包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码；S2、通过主轴数控系统内部的指令代码明确当前工况，并截取当前工况下的多源数据，根据截取的多源数据进行主轴异常分析，统计主轴异常值和主轴异常事件；将异常分析的结果分别对比相应的评价惩罚表，计算对应的惩罚值作为一项健康指标，将多个健康指标加权求和得到综合评价值；根据综合评价值以及预先划分的主轴健康状态等级判断主轴的健康状态，其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废，亚健康的状态细分为不同的亚健康等级；S3、根据主轴健康状态等级，对比预先构建的主轴性能退化模板，预测主轴衰退至后续健康等级的时间范围，所述主轴性能退化模板为根据不同主轴型号制作的、包含主轴多个健康等级的持续时长；S4、根据预测结果制定主轴维护决策，安排维护计划。接上述技术方案，步骤S2还包括步骤：提取当前工况下的主轴实时传感数据的时域、频域、时频域维度上的特征，将提取的特征作为预先构建的对应工况的主轴智能检测神经网络模型的输入，通过逐层特征提取，在输出层得到代表主轴健康状态等级的类别标签。接上述技术方案，所述异常事件分为持续性异常事件和突发性异常事件，其中持续性异常事件包括主轴重载、超速、主轴转速不稳，突发性异常事件包括主轴碰撞、闷车、异常噪声、主轴停转。接上述技术方案，实时传感数据包括电流、电压、负载、转速、温度、能耗、振动加速度。接上述技术方案，所述评价惩罚表包括异常值惩罚表和异常事件惩罚表，其中异常事件惩罚表又分为持续性异常事件惩罚表和突发性异常事件惩罚表两类，依据异常值出现的频次和超出正常值比重、持续性异常事件所占运行时长百分比、突发性异常事件的频次设置不同的惩罚值。接上述技术方案，步骤S2中综合评价值的计算基于专家经验，将健康指标中越能反应主轴性能衰退的指标赋予高权重，反之赋予低权重，之后累加健康指标与对应权重的乘积，得到综合评价值。接上述技术方案，构建主轴智能检测神经网络模型时，基于深度学习并针对不同型号主轴进行多工况训练，利用智能优化算法进行模型参数优化，利用迁移学习补充训练数据。接上述技术方案，所述主轴性能退化模板根据不同主轴型号制作对应退化模板，包含主轴多个健康等级的持续时长，不包含亚健康之后的健康状态。本专利技术还提供了一种基于多源数据驱动的数控机床主轴预测性维护系统，包括：多源数据采集模块，用于采集数控机床主轴的多源数据，所述多源数据包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码；主轴健康评估模块，用于通过主轴数控系统内部的指令代码明确当前工况，并截取当前工况下的多源数据，根据截取的多源数据进行主轴异常分析，统计主轴异常值和主轴异常事件；将异常分析的结果分别对比相应的评价惩罚表，计算对应的惩罚值作为一项健康指标，将多个健康指标加权求和得到综合评价值；根据综合评价值以及预先划分的主轴健康状态等级判断主轴的健康状态，其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废，亚健康的状态细分为不同的亚健康等级；主轴退化趋势预测模块，用于根据主轴健康状态等级，对比预先构建的主轴性能退化模板，预测主轴衰退至后续健康等级的时间范围，所述主轴性能退化模板为根据不同主轴型号制作的、包含主轴多个健康等级的持续时长；维护决策制定模块，用于根据预测结果制定主轴维护决策，安排维护计划。本专利技术还提供了一种计算机存储器，其内存储有可被处理器执行的计算机程序，该计算机程序执行上述基于多源数据驱动的数控机床主轴预测性维护方法。实施本专利技术的有益效果：本专利技术基于生产现场多源数据驱动，对主轴健康状态，特别是亚健康状态的评估、预测、维护提出了行之有效的技术方案。本专利技术能在数控机床实际加工条件下，建立了一个长期有效的智能运维机制，实现数控机床主轴系统的预测性维护，从而提高企业的生产效率和经济效益。附图说明图1是本专利技术提供的数控机床主轴预测性维护方法的总体流程图；图2是本专利技术具体实施例中数控机床主轴健康状态划分示意图；图3为本专利技术具体实施例中经数据采集得到的多源数据矩阵；图4是本专利技术具体实施例中数控机床主轴异常值监测过程示意图；图5为本专利技术具体实施例中深度置信网络结构示意图；图6为本专利技术具体实施例中退化趋势预测过程示意图；图7为本专利技术基于多源数据驱动的数控机床主轴预测性维护系统结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。如图1所示，本专利技术实施例基于多源数据驱动的数控机床主轴预测性维护方法，主要包括以下步骤：S1、采集数控机床主轴的多源数据，多源数据主要包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码；；S2、通过主轴数控系统内部的指令代码明确当前工况，并截取当前工况下的多源数据，根据截取的多源数本文档来自技高网...

【技术保护点】
1.一种基于多源数据驱动的数控机床主轴预测性维护方法，其特征在于，包含以下步骤：/nS1、采集数控机床主轴的多源数据，所述多源数据包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码；/nS2、通过主轴数控系统内部的指令代码明确当前工况，并截取当前工况下的多源数据，根据截取的多源数据进行主轴异常分析，统计主轴异常值和主轴异常事件；将异常分析的结果分别对比相应的评价惩罚表，计算对应的惩罚值作为一项健康指标，将多个健康指标加权求和得到综合评价值；根据综合评价值以及预先划分的主轴健康状态等级判断主轴的健康状态，其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废，亚健康的状态细分为不同的亚健康等级；/nS3、根据主轴健康状态等级，对比预先构建的主轴性能退化模板，预测主轴衰退至后续健康等级的时间范围，所述主轴性能退化模板为根据不同主轴型号制作的、包含主轴多个健康等级的持续时长；/nS4、根据预测结果制定主轴维护决策，安排维护计划。/n

【技术特征摘要】
1.一种基于多源数据驱动的数控机床主轴预测性维护方法，其特征在于，包含以下步骤：
S1、采集数控机床主轴的多源数据，所述多源数据包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码；
S2、通过主轴数控系统内部的指令代码明确当前工况，并截取当前工况下的多源数据，根据截取的多源数据进行主轴异常分析，统计主轴异常值和主轴异常事件；将异常分析的结果分别对比相应的评价惩罚表，计算对应的惩罚值作为一项健康指标，将多个健康指标加权求和得到综合评价值；根据综合评价值以及预先划分的主轴健康状态等级判断主轴的健康状态，其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废，亚健康的状态细分为不同的亚健康等级；
S3、根据主轴健康状态等级，对比预先构建的主轴性能退化模板，预测主轴衰退至后续健康等级的时间范围，所述主轴性能退化模板为根据不同主轴型号制作的、包含主轴多个健康等级的持续时长；
S4、根据预测结果制定主轴维护决策，安排维护计划。


2.根据权利要求1所述的基于多源数据驱动的数控机床主轴预测性维护方法，其特征在于，步骤S2还包括步骤：
提取当前工况下的主轴实时传感数据的时域、频域、时频域维度上的特征，将提取的特征作为预先构建的对应工况的主轴智能检测神经网络模型的输入，通过逐层特征提取，在输出层得到代表主轴健康状态等级的类别标签。


3.根据权利要求1所述的基于多源数据驱动的数控机床主轴预测性维护方法，其特征在于，所述异常事件分为持续性异常事件和突发性异常事件，其中持续性异常事件包括主轴重载、超速、主轴转速不稳，突发性异常事件包括主轴碰撞、闷车、异常噪声、主轴停转。


4.根据权利要求2所述的基于多源数据驱动的数控机床主轴预测性维护方法，其特征在于，实时传感数据包括电流、电压、负载、转速、温度、能耗、振动加速度。


5.根据权利要求1所述的基于多源数据驱动的数控机床主轴预测性维护方法，其特征在于，所述评价惩罚表包括异常值惩罚表和异常事件惩罚表，其中异常事件惩罚表又分为持续性异常事件惩罚表和突发性异常事件惩罚表两类，依据异常值出现的频次和超出正常值比重、持续性异常事件所占运行...

【专利技术属性】
技术研发人员：胡友民，张鑫，
申请(专利权)人：武汉数字化设计与制造创新中心有限公司，
类型：发明
国别省市：湖北;42