生产线设备加工稳定性智能监控和异常诊断方法及装置制造方法及图纸

本发明专利技术公开了一种生产线设备加工稳定性智能监控和异常诊断方法及装置。该方法包括：采集生产线设备主轴工作信号；对采集的主轴工作信号进行处理，提取反映加工工艺过程稳定性的特征参数，并设定稳定性阈值线，以此特征参数判断生产线加工过程是否稳定，实现加工工艺过程健康状态的智能监控；对加工工艺过程异常状态进行特征提取、分类识别，将特征值输入到分类模型进行学习训练，最终实现对生产线加工工艺过程当前状态的诊断。该装置包括：依次连接的数据采集模块、特征提取模块、智能监控模块以及异常诊断模块。本发明专利技术能够实现对生产线设备加工稳定性的在线监控和异常诊断，有效提高了生产线设备的加工效率，节省了设备的维护时间与成本。

【技术实现步骤摘要】
生产线设备加工稳定性智能监控和异常诊断方法及装置
本专利技术涉及数控机床
，特别涉及一种生产线设备加工稳定性智能监控和异常诊断方法及装置
技术介绍
制造业是支撑我国经济高速增长的重要产业之一，是提升我国综合国力以及科技竞争力的重要基础，尤其是大型关键设备的生产制造技术对国家整体装备制造水平的提升有着重要影响。近年来，随着全球工业技术快速发展以及国内外制造业的激烈竞争，对机械加工精度、效率、成本以及设备可靠性等各方面提出了更高的要求，能否掌握该先进制造技术已经成为我国制造企业发展的瓶颈与挑战。对生产线设备加工工艺过程进行状态监测能够保证加工系统的安全运行，对提高机床加工效率与精度、保证加工稳定性，实现企业朝智能化、柔性化发展有着重要实际意义。目前在机床企业的实际生产中还没有形成完整的加工工艺过程状态监测与异常诊断的系统，更多依靠的是有经验工程或操作人员通过对加工过程声音、振动等信号的人工感知来进行判断。申请号为201610439400.1的中国专利“一种基于无线传感器网络的机床颤振智能监控系统及方法”公开了一种机床颤振智能监控系统及方法，通过机床上若干个测量点获取机床的振动场信息，将获取的信息传输到上位机并进行Welch功率谱估计、滤波以及小波变换，进行特征信息提取，通过分析特征信息，基于人工神经网络模型判断机床是否颤振。该专利主要限于对颤振进行监测，且需要在机床内部建立多个振动测点，成本较高。为解决上述需求，本专利设计了一种适用范围较广的加工稳定性智能监控与异常诊断方法及装置。<br>
技术实现思路
本专利技术针对现有技术存在的问题，提出一种生产线设备加工稳定性智能监控和异常诊断方法及装置，通过采集主轴工作信号对加工稳定性实现智能监控并进行状态诊断，且异常诊断准确，有效提高了生产线设备的加工效率，节省了设备的维护时间与成本。本专利技术的第一方面，提供一种生产线设备加工稳定性智能监控和异常诊断方法，包括：S11：采集生产线设备主轴工作信号，所述主轴工作信号包括主轴当前的振动信号或主轴电流、功率信号中任一种；S12：对采集的当前的生产线设备主轴工作信号进行处理，提取特征参数，得到反映生产线设备加工工艺过程当前状态的特征值；S13：设定加工工艺过程稳定状态的上下阈值线，确定稳定域，以S12得到的所述特征值判断加工过程是否处于健康状态，即：所述特征值处于所述稳定域中，则判断加工稳定；若超出所述稳定域，则判断加工失稳。可选地，所述S12中，对采集的当前的生产线设备主轴工作信号基于时频分析，提取奇异谱熵值，所述奇异谱熵值反映加工过程稳定状态。可选地，所述S13中，设定的上下阈值区间通过稳定状态加工工艺过程的历史数据进行离线学习或在线学习实现。可选地，所述S11之前还包括：S401：对设备加工工艺过程稳定状态以及异常状态的主轴工作信号进行特征提取，提取信号的均方根值、EEMD近似熵作为特征矩阵，并将特征矩阵输入到LSSVM模型中学习训练，得到训练完成的LSSVM模型，其中，异常状态包括加工颤振及其强度、刀具破损、刀具碰撞、材料异常，加工余量异常，异常切削参数导致的加工载荷剧变以及其他载荷突变情况。相应地，所述S13之后还包括：S402：对当前状态的振动信号进行S11～S13特征提取，实现设备健康状态的智能评估；将可选地，所述S11之后还包括：S501:将加工过程当前状态主轴工作信号保存在数据库中；S502:对数据库中的加工过程当前状态主轴工作信号进行特征提取，并将特征矩阵定期输入到LSSVM模型中不断学习改善。可选地，所述方法还包括：S601:将采集的加工工艺过程稳定状态信号保存至数据库；该S601是S11之后且S12之前执行，所述采集的加工工艺过程稳定状态信号是指S11中采集的生产线设备主轴当前的振动信号或主轴电流、功率信号；以及S602:对数据库中的加工工艺过程稳定状态信号进行定期采集更新，用于S13对稳定域的更新，并进行所述稳定域的上下阈值线的学习；该S602是S12之后且S13之前执行。可选地，所述进行所述稳定域的上下阈值线的学习，包括：提取每组信号的奇异谱熵值，并统计多组信号奇异谱熵值的平均值λ和标准偏差σ；以λ+3σ为上限阈值，λ-3σ为下限阈值，从而确定稳定域。本专利技术的第二方面，提供一种生产线设备加工稳定性智能监控和异常诊断装置，包括：数据采集模块，通过振动传感器采集生产线设备主轴工作信号，所述主轴工作信号包括主轴当前的振动信号或主轴电流、功率信号中任一种；特征提取模块，采用时频分析对上述数据采集模块采集的信号进行提取，分别得到反映加工过程稳定性的特征值以及反映异常状态的特征矩阵；智能监控模块，通过稳定加工的振动信号的历史数据进行学习，得到稳定状态的上下阈值区间，确定稳定域；以所述特征提取模块得到的特征值评估加工过程的稳定状态；异常诊断模块，包括训练和诊断，其中，对设备加工工艺过程稳定状态以及异常状态的主轴工作信号进行特征提取，并将所述特征提取模块得到的特征矩阵输入到LSSVM模型中学习训练，得到训练完成的LSSVM模型；对当前状态的振动信号进行特征提取，并将所述特征提取模块得到的特征矩阵输入到已经训练好的LSSVM模型，实现对生产线设备加工工艺过程当前状态异常类型和异常程度的诊断。本专利技术的第二方面，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时用于执行上述的生产线设备加工稳定性智能监控和异常诊断方法。本专利技术的第二方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行上述的生产线设备加工稳定性智能监控和异常诊断方法。相较于现有技术，本专利技术实施例具有以下至少一种有益效果：(1)本专利技术的生产线设备加工稳定性智能监控和异常诊断方法及装置，实现方法简易，只需要通过安装加速度传感器在主轴轴承处即可，不影响正常加工且对异常振动敏感，需要的成本也低。(2)本专利技术的生产线设备加工稳定性智能监控和异常诊断方法及装置，通过提取特征参数，特征提取算法简单、复杂度低，计算效率高，在健康状态的实时监控与异常诊断的实时性上更有优势。(3)本专利技术的生产线设备加工稳定性智能监控和异常诊断方法及装置，在异常诊断模块中采用LSSVM分类模型进行学习训练，相较于其他如神经网络、SVM模型等，其更适用于小样本多分类问题，计算效率、精度更高。(4)本专利技术的生产线设备加工稳定性智能监控和异常诊断方法及装置，通过将采集信号保存至数据库，上下阈值以及分类模型的训练学习能够实现定期更新与完善。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为本专利技术的一实施例中的方法流程图；图2为本专利技术的一实施例中的加工工艺过程健康状态智能监控的示例图。...

【技术保护点】
1.一种生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，包括：/nS11：采集生产线设备主轴工作信号，所述主轴工作信号包括主轴当前的振动信号或主轴电流、功率信号中任一种；/nS12：对采集的当前的生产线设备主轴工作信号进行处理，提取特征参数，得到反映生产线设备加工工艺过程当前状态的特征值；/nS13：设定加工工艺过程稳定状态的上下阈值线，确定稳定域，/n以S12得到的所述特征值判断加工过程是否处于健康状态，即：所述特征值处于所述稳定域中，则判断加工稳定；若超出所述稳定域，则判断加工失稳。/n

【技术特征摘要】
1.一种生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，包括：
S11：采集生产线设备主轴工作信号，所述主轴工作信号包括主轴当前的振动信号或主轴电流、功率信号中任一种；
S12：对采集的当前的生产线设备主轴工作信号进行处理，提取特征参数，得到反映生产线设备加工工艺过程当前状态的特征值；
S13：设定加工工艺过程稳定状态的上下阈值线，确定稳定域，
以S12得到的所述特征值判断加工过程是否处于健康状态，即：所述特征值处于所述稳定域中，则判断加工稳定；若超出所述稳定域，则判断加工失稳。


2.根据权利要求1所述的生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，所述S12中，对采集的当前的生产线设备主轴工作信号基于时频分析，提取奇异谱熵值，所述奇异谱熵值反映加工过程稳定状态。


3.根据权利要求1所述的生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，所述S13中，设定的上下阈值区间通过稳定状态加工工艺过程的历史数据进行离线学习或在线学习实现。


4.根据权利要求1所述的生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，所述S11之前还包括：
S401：对设备加工工艺过程稳定状态以及异常状态的主轴工作信号进行特征提取，提取信号的均方根值、EEMD近似熵作为特征矩阵，并将特征矩阵输入到LSSVM模型中学习训练，得到训练完成的LSSVM模型，其中，异常状态包括加工颤振及其强度、刀具破损、刀具碰撞、材料异常，加工余量异常，异常切削参数导致的加工载荷剧变以及其他载荷突变情况；
相应地，所述S13之后还包括：
S402：对当前状态的振动信号进行S11～S13特征提取，实现设备健康状态的智能评估；将特征矩阵输入到训练好的LSSVM模型，实现对生产线设备加工过程状态异常的诊断。


5.根据权利要求1所述的生产线设备加工稳定性智能监控和异常诊断方法，其特征在于，所述S11之后还包括：
S501:将加工过程当前状态主轴工作信号保存在数据库中；
S502:对数据库中的加工过程当前状态主轴工作信号进行特征提取，并将特征矩阵定期输入到LSSVM模型中不断学习改善。


6.根据权利要求1所述的生产线设备加工稳定性智能监控和...

【专利技术属性】
技术研发人员：许黎明，邢诺贝，谢朝珑，董文有，王北辰，丁子涵，周超，辛庆伟，
申请(专利权)人：上海交通大学，上海智能制造功能平台有限公司，
类型：发明
国别省市：上海;31