基于工业互联网大数据的机床远程诊断方法及系统技术方案

本发明专利技术涉及远程诊断领域，提供一种基于工业互联网大数据的机床远程诊断方法及系统。包括：S1：故障检测单元实时检测机床的工作状态，若检测到所述机床发生故障现象则进入步骤S2；S2：所述采集中心将所述故障现象进行量化处理，获得故障现象量化向量Q；S3：所述处理单元通过工业互联网大数据库获得故障计算矩阵K，通过所述故障现象量化向量Q和所述故障计算矩阵K，计算获得故障原因量化向量X；S4：通过所述故障原因量化向量X。本发明专利技术借助工业互联网大数据库，对故障计算矩阵不停的进行更新，能更加准确的判断故障原因；通过将故障现象做了量化处理，能够精确的分析出故障原因，并可将故障原因量化表示。障原因量化表示。障原因量化表示。

【技术实现步骤摘要】
基于工业互联网大数据的机床远程诊断方法及系统


[0001]本专利技术涉及远程诊断领域，尤其涉及一种基于工业互联网大数据的机床远程诊断方法及系统。

技术介绍

[0002]在工厂的生产过程中往往会发生随机性故障，随机性故障是指数控机床在工作过程中偶然发生的故障此类故障的发生原因较隐蔽很难找出其规律性故常称之为“软故障”，随机性故障的原因分析与故障诊断比较困难一般而言故障的发生往往与部件的安装质量、参数的设定、元器件的品质、软件设计不完善、工作环境的影响等诸多因素有关。
[0003]常见的诊断系统数都是为设置传感器或者检查点，当传感器或者检查点发出异常信号时，即能判断相对应的单个故障点，这种方式只能单独的判断机床故障；但是机床出现随机性故障时产生的故障现象往往是交叉性的，同一种现象可能有多种原因，这样往往难以判断具体的故障原因；同时，由于随机性故障发生后就直接表现出成品质量不合格或者机床直接报警，变化都相对比较突然，无法对随机性故障进行预测。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的主要目的在于，解决现有技术中无法有效判断随机性故障的具体故障原因，以及无法对随机性故障进行预测的技术问题。
[0006]为实现上述目的，本专利技术提供一种基于工业互联网大数据的机床远程诊断方法，包括步骤：
[0007]S1：故障检测单元实时检测机床的工作状态，若检测到所述机床发生故障现象则进入步骤S2，否则重复步骤S1；
[0008]S2：所述故障检测单元将所述故障现象传输至采集中心，所述采集中心将所述故障现象进行量化处理，获得故障现象量化向量Q，并将所述故障现象量化向量Q传输至云处理单元；
[0009]S3：所述处理单元通过工业互联网大数据库获得故障计算矩阵K，通过所述故障现象量化向量Q和所述故障计算矩阵K，计算获得故障原因量化向量X；
[0010]S4：通过所述故障原因量化向量X，分析获得最可能的故障原因。
[0011]优选地，步骤S2中，所述故障现象量化向量Q的表达式为：
[0012][0013]其中，q1、q2…
q
n
表示各故障现象对应的量化值，各所述量化值的取值范围均为0
‑
10的整数；所述故障现象的故障等级越高，则所述量化值的取值越大，未发生的故障现象对应的量化值取0。
[0014]优选地，所述故障现象包括：
[0015]温度传感器数据异常、噪音传感器数据异常、图像传感器数据异常、振动传感器数据异常、电信号异常和产品质量不合格。
[0016]优选地，步骤S3中，所述故障计算矩阵K的表达式为：
[0017][0018]其中，k
11
‑
k
nm
表示为故障计算参数，所述故障计算参数通过所述工业互联网大数据库获得；
[0019]所述故障原因量化向量X的表达式为：
[0020][0021]其中，x1‑
x
m
表示为各故障原因的量化值，所述故障原因的量化值越大，则表明对应的故障原因出现的可能性越大；
[0022]所述故障现象量化向量Q、所述故障计算矩阵K和所述故障原因量化向量X之间的关系式为：
[0023][0024]所述故障原因量化向量X的计算公式为：
[0025]X＝K
‑1Q。
[0026]优选地，所述故障原因包括：
[0027]刀具系统故障、液压故障、气压故障、冷却系统故障、排屑系统故障、进给系统故障和操作故障。
[0028]一种基于工业互联网大数据的机床远程诊断系统，包括以下模块：
[0029]故障检测模块，用于通过故障检测单元实时检测机床的工作状态，若检测到所述机床发生故障现象则进入量化处理模块，否则返回故障检测模块；
[0030]量化处理模块，用于通过所述故障检测单元将所述故障现象传输至采集中心，所述采集中心将所述故障现象进行量化处理，获得故障现象量化向量Q，并将所述故障现象量化向量Q传输至云处理单元；
[0031]量化向量获取模块，通过所述处理单元通过工业互联网大数据库获得故障计算矩阵K，通过所述故障现象量化向量Q和所述故障计算矩阵K，计算获得故障原因量化向量X；
[0032]故障原因分析模块，用于通过所述故障原因量化向量X，分析获得最可能的故障原因。
[0033]本专利技术具有以下有益效果：
[0034]1、借助工业互联网大数据库，对故障计算矩阵不停的进行更新，能更加准确的判断故障原因；
[0035]2、通过将故障现象做了量化处理，能够精确的分析出故障原因，并可将故障原因量化表示。
附图说明
[0036]图1为本专利技术实施例的方法流程图；
[0037]图2为本专利技术实施例的系统结构图；
[0038]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0039]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0040]参照图1，本专利技术提供一种基于工业互联网大数据的机床远程诊断方法，包括步骤：
[0041]S1：故障检测单元实时检测机床的工作状态，若检测到所述机床发生故障现象则进入步骤S2，否则重复步骤S1；
[0042]S2：所述故障检测单元将所述故障现象传输至采集中心，所述采集中心将所述故障现象进行量化处理，获得故障现象量化向量Q，并将所述故障现象量化向量Q传输至云处理单元；
[0043]S3：所述处理单元通过工业互联网大数据库获得故障计算矩阵K，通过所述故障现象量化向量Q和所述故障计算矩阵K，计算获得故障原因量化向量X；
[0044]S4：通过所述故障原因量化向量X，分析获得最可能的故障原因。
[0045]本实施例中，步骤S2中，所述故障现象量化向量Q的表达式为：
[0046][0047]其中，q1、q2…
q
n
表示各故障现象对应的量化值，各所述量化值的取值范围均为0
‑
10的整数；所述故障现象的故障等级越高，则所述量化值的取值越大，未发生的故障现象对应的量化值取0；
[0048]具体实现中，故障现象分为1
‑
10级故障，对应的量化值为1
‑
10，故障现象的等级划分可根据实际情况具体设置。
[0049]本实施例中，所述故障现象包括：
[0050]温度传感器数据异常、噪音传感器数据异常、图像传感器数据异常、振动传感器数据异常、电信号异常和产品质量不合格；
[0051]具体实现中，温度传感器数据异常具体为：温度传感器采用接触式和非接触式两种温度传感器，接触式温度传感器直接布置在关键点上可对其进行直接测量，关键点包括：冷却液温度、机床表面温度矩阵(在机床表面设置多组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工业互联网大数据的机床远程诊断方法，其特征在于，包括步骤：S1：故障检测单元实时检测机床的工作状态，若检测到所述机床发生故障现象则进入步骤S2，否则重复步骤S1；S2：所述故障检测单元将所述故障现象传输至采集中心，所述采集中心将所述故障现象进行量化处理，获得故障现象量化向量Q，并将所述故障现象量化向量Q传输至云处理单元；S3：所述处理单元通过工业互联网大数据库获得故障计算矩阵K，通过所述故障现象量化向量Q和所述故障计算矩阵K，计算获得故障原因量化向量X；S4：通过所述故障原因量化向量X，分析获得最可能的故障原因。2.根据权利要求1所述的基于工业互联网大数据的机床远程诊断方法，其特征在于，步骤S2中，所述故障现象量化向量Q的表达式为：其中，q1、q2…
q
n
表示各故障现象对应的量化值，各所述量化值的取值范围均为0
‑
10的整数；所述故障现象的故障等级越高，则所述量化值的取值越大，未发生的故障现象对应的量化值取0。3.根据权利要求2所述的基于工业互联网大数据的机床远程诊断方法，其特征在于，所述故障现象包括：温度传感器数据异常、噪音传感器数据异常、图像传感器数据异常、振动传感器数据异常、电信号异常和产品质量不合格。4.根据权利要求2所述的基于工业互联网大数据的机床远程诊断方法，其特征在于，步骤S3中，所述故障计算矩阵K的表达式为：其中，k
11
...

【专利技术属性】
技术研发人员：兰保成，徐军，李军，章书乐，詹开洪，何宁波，
申请(专利权)人：大唐融合通信股份有限公司，
类型：发明
国别省市：