基于泛在感知的机床零部件健康预测方法及模型生成方法技术

本发明专利技术涉及数控机床领域，公开了一种基于泛在感知的机床零部件健康预测方法及模型生成方法。模型生成方法包括：在机床空载运行时，获取零部件运动时的空载传感信号，根据空载传感信号，提取信号特征，获取使用零部件加工零件后，零件的品质标签，根据信号特征与品质标签，生成健康预测模型。一方面，由于机床空载运行时不加工零件，使得获取的空载传感信号不附带加工零件时带来的各种干扰信号，因而可提取准确的信号特征；另一方面，通过加入品质标签来量化零部件的健康水平，可提高零部件健康预测的准确性。测的准确性。

【技术实现步骤摘要】
基于泛在感知的机床零部件健康预测方法及模型生成方法


[0001]本专利技术涉及机床领域，特别是涉及一种基于泛在感知的机床零部件健康预测方法及模型生成方法。

技术介绍

[0002]在数控机床加工过程中，几乎任意一个数控机床零部件出现问题都会导致加工出来的产品无法达到要求或者造成数控机床无法运行，甚至会引发安全问题。因此，在加工过程中对于数控机床主要零部件(例如主轴、进给轴、工作台旋转轴、刀库等)的健康状况感知显得尤为重要。
[0003]目前，在数控机床出现上述问题时，一般是通过投入设备维护人员对任意可能的故障进行逐一排除，非常耗费时间，而且影响工期。而为了提前发现问题，也会投入大量的人力、财力或时间定期进行设备检查或维修，同样会影响工期，造成不必要经济损失。
[0004]为了避免在设备维护上投入太多不必要的成本和确保加工效率，采用预测性维护对设备进行维护是非常有必要的。预测性维护是指通过识别设备的各类传感信号中关于零部件的磨损、老化等故障征兆，以对即将到来的故障进行预警，避免零部件进入无法使用的状态或者造成设备无法运行。由于预测性维护只需要通过各类传感器配合计算设备即可实时对设备进行维护，因此，可减少大量不必要的维护人力、财力以及时间，有效降低故障发生风险，避免设备因非计划停机造成的经济损失。
[0005]然而，预测性维护应用在机床行业时，由于各种复杂因素导致故障预测准确性低，极大地限制了预测性维护在机床行业的发展。

技术实现思路

[0006]本专利技术实施例提供了一种基于泛在感知的机床零部件健康预测方法及模型生成方法，能够改善相关技术中预测性维护应用在机床行业时，预测准确性低的技术问题。
[0007]本专利技术实施例为改善上述技术问题提供了如下技术方案：
[0008]在第一方面，本专利技术实施例提供了一种模型生成方法，包括：
[0009]在机床空载运行时，获取零部件运动时的空载传感信号；
[0010]根据所述空载传感信号，提取信号特征；
[0011]获取使用所述零部件加工零件后，所述零件的品质标签；
[0012]根据所述信号特征与所述品质标签，生成健康预测模型。
[0013]可选地，所述根据所述空载传感信号，提取信号特征包括：
[0014]根据所述零部件的零部件类型，选择特征提取模型；
[0015]将所述空载传感信号输入所述特征提取模型，得到信号特征。
[0016]可选地，所述特征提取模型包括用于指示传感信号由高频向低频变化的高频模型，所述将所述空载传感信号输入所述特征提取模型，得到信号特征包括：
[0017]将所述空载传感信号输入所述高频模型，得到信号特征。
[0018]可选地，所述将所述空载传感信号输入所述高频模型，得到信号特征包括：
[0019]将所述高频信号的频率划分成多个频段；
[0020]将每个所述频段中每个频点的幅值作归一化处理，得到归一值；
[0021]根据每个所述频段中每个频点的归一值，计算与每个所述频段对应的频段特征；
[0022]根据加权算法及各个所述频段特征，计算信号特征。
[0023]可选地，所述根据加权算法及各个所述频段特征，计算信号特征包括：
[0024]为每个频段特征配置权重因子，其中，处于低频段的频段特征对应的权重因子大于处于高频段的频段特征对应的权重因子；
[0025]根据每个所述频段特征及其权重因子，计算信号特征。
[0026]可选地，所述信号特征为多个，所述根据所述信号特征与所述品质标签，生成健康预测模型包括：
[0027]将每个所述信号特征与所述品质标签进行关联，得到多组关联特征；
[0028]根据相关分析算法，在多组所述关联特征中筛选有效关联特征；
[0029]根据所述有效关联特征，生成健康预测模型。
[0030]在第二方面，本专利技术实施例提供了一种基于泛在感知的机床零部件健康预测方法，应用于如上所述的健康预测模型，健康预测方法包括：
[0031]获取所述零部件的实时传感信号；
[0032]将所述实时传感信号输入所述健康预测模型，输出所述零部件的目标健康预测值。
[0033]可选地，所述健康预测模型配置有健康报警时间阈值，所述目标健康预测值为所述零部件距离所述健康报警时间阈值的健康时间差值。
[0034]可选地，如上所述的机床零部件健康预测方法生成多种类型的健康预测模型，所述将所述实施传感信号输入所述健康预测模型，输出所述零部件的目标健康预测值包括：
[0035]确定每类所述健康预测模型输出的健康预测值；
[0036]根据加权算法及每个所述健康预测值，计算目标健康预测值。
[0037]在第三方面，本专利技术实施例提供了一种电子设备，包括：
[0038]至少一个处理器；以及，
[0039]与至少一个处理器通信连接的存储器；其中，
[0040]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的模型生成方法或如上所述的基于泛在感知的机床零部件健康预测方法。
[0041]本专利技术实施例的有益效果包括：提供了一种模型生成方法。模型生成方法包括：在机床空载运行时，获取零部件运动时的空载传感信号，根据空载传感信号，提取信号特征，获取使用零部件加工零件后，零件的品质标签，根据信号特征与品质标签，生成健康预测模型。一方面，由于机床空载运行时不加工零件，使得获取的空载传感信号不附带加工零件时带来的各种干扰信号，因而可提取准确的信号特征；另一方面，通过加入品质标签来量化零部件的健康水平，可提高零部件健康预测的准确性。
附图说明
[0042]一个或多个实施例通过与之对应的附图中的图片仅作为示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0043]图1是本专利技术实施例提供的一种基于泛在感知的机床零部件健康预测系统的结构示意图；
[0044]图2是本专利技术实施例提供的一种模型生成方法的流程示意图；
[0045]图3是本专利技术实施例提供的一种数控信号的时序波形示意图；
[0046]图4是图2所示的S24的流程示意图；
[0047]图5是本专利技术实施例提供的一种基于泛在感知的机床零部件健康预测方法的流程示意图；
[0048]图6是图5所示的S52的流程示意图；
[0049]图7是本专利技术实施例提供的一种模型生成装置的结构示意图；
[0050]图8是图7中所示的生成模块的结构示意图；
[0051]图9是本专利技术实施例提供的一种基于泛在感知的机床零部件健康预测装置的结构示意图；
[0052]图10是图9中所示的输出模块的结构示意图；
[0053]图11是本专利技术实施例提供的一种电子设备的电路结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型生成方法，其特征在于，包括：在机床空载运行时，获取零部件运动时的空载传感信号；根据所述空载传感信号，提取信号特征；获取使用所述零部件加工零件后，所述零件的品质标签；根据所述信号特征与所述品质标签，生成健康预测模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述空载传感信号，提取信号特征包括：根据所述零部件的零部件类型，选择特征提取模型；将所述空载传感信号输入所述特征提取模型，得到信号特征。3.根据权利要求2所述的方法，其特征在于，所述特征提取模型包括用于指示传感信号由高频向低频变化的高频模型，所述将所述空载传感信号输入所述特征提取模型，得到信号特征包括：将所述空载传感信号输入所述高频模型，得到信号特征。4.根据权利要求3所述的方法，其特征在于，所述将所述空载传感信号输入所述高频模型，得到信号特征包括：将所述高频信号的频率划分成多个频段；将每个所述频段中每个频点的幅值作归一化处理，得到归一值；根据每个所述频段中每个频点的归一值，计算与每个所述频段对应的频段特征；根据加权算法及各个所述频段特征，计算信号特征。5.根据权利要求4所述的方法，其特征在于，所述根据加权算法及各个所述频段特征，计算信号特征包括：为每个频段特征配置权重因子，其中，处于低频段的频段特征对应的权重因子大于处于高频段的频段特征对应的权重因子；根据每个所述频段特征及其权重因子，计算信号特征。6.根据权利要求1至5任一项所述的方法，其特征在于，所述信...

【专利技术属性】
技术研发人员：郑永豪，毕雪峰，王晋生，邱国生，姜东升，
申请(专利权)人：深圳吉兰丁智能科技有限公司，
类型：发明
国别省市：