一种数控装备健康状态评价方法、系统、设备及存储介质
文献发布时间:2023-06-19 11:39:06
技术领域
本发明属于数字化制造与智能制造领域,涉及一种数控装备健康状态评价方法、系统、设备及存储介质。
背景技术
数控加工装备的长时间运转,会导致设备性能下降、出现隐患,影响生产和存在一定的安全问题,因此感知装备的健康状态十分重要,装备的健康状态是基于装备性能的综合评价指标,在感知运行状态后能够在故障发生前提前采取维护措施,及时更换有隐患的关键部件,从而减少或避免数控加工装备的故障次数,提高装备的安全性、稳定性,降低企业生产成本。
在装备健康状态评价方法中,基于解析模型方法一般需要理解设备退化机理,并且难以进行动态的高精度建模,模型泛化较差;基于时间序列的方法一般基于设备的特征参数,由于设备的健康状态变化是一个平稳的随机过程,缺乏对实际生产中的各类突发因素的考虑;基于知识驱动的方法在完备知识库的获取、知识的规则化表达等方面存在较大技术难点。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种数控装备健康状态评价方法、系统、设备及存储介质,能够准确的对数控装备进行健康状态的评估,减少装备由于故障所引起的停机维修时间,提高装备利用率。
为达到上述目的,本发明采用以下技术方案予以实现:
一种数控装备健康状态评价方法,包括以下步骤;
步骤一,获取数控装备各个部件的状态数据;
步骤二,采用卷积神经网络模型检测各个部件的状态数据,得到各个部件的健康状态;
步骤三,利用层次分析法得到数控装备中的系统和部件间的层次关系,利用判断矩阵确定各系统之间的权重关系和单个系统下各部件的权重关系;
步骤四,通过各个部件的健康状态和单个系统下各部件的权重关系,计算各系统健康状态;
步骤五,利用模糊聚类方法建立数控装备健康状态评价模型,将各系统健康状态和各系统之间的权重关系带入到数控装备健康状态评价模型中,得到数控装备目前的健康状态。
优选的,步骤一中,利用数控装备自带的内置传感器通过通讯接口和控制面板对内部状态信息进行采集,通过振动传感器和噪声传感器对数控装备其他部件状态信息进行采集。
优选的,步骤三中,利用判断矩阵确定权重前,先检验判断矩阵的一致性,若一致性通过,则继续下一步,若一致性不通过,则重新选择判断矩阵。
优选的,步骤四中,各系统健康状态计算公式为:
其中:k为该系统要素个数;X
优选的,步骤五的具体过程为:
步骤1,明确聚类指标数量和灰类的个数,聚类指标数量等于数控装备中系统的数量,灰类数量等于划分健康状态的等级数量;
步骤2,根据健康状态的等级数量建立白化权函数,白化权函数作为装备健康状态评价模型,确定白化权函数中的各个转折点;
步骤3,根据各系统健康状态和各系统之间的权重关系,计算数控装备的健康状态在白化权函数中的置信度,得到数控装备目前的健康状态。
进一步,将数控装备的健康状态划分为五类,分别为严重故障、故障、亚健康、健康和非常亚健康;五个等级灰类的白化权函数为:
严重故障:
故障:
亚健康:
健康:
非常健康:
进一步,数控装备的健康状态在白化权函数中的置信度计算公式为:
其中:Y
一种数控装备健康状态评价系统,包括:
状态数据获取模块,用于获取数控装备各个部件的状态数据;
部件健康状态计算模块,用于采用卷积神经网络模型检测各个部件的状态数据,得到各个部件的健康状态;
层次关系和权重关系确定模块,用于利用层次分析法得到系统和部件间的层次关系,利用判断矩阵确定各系统之间的权重关系和单个系统下各部件的权重关系;
系统健康状态计算模块,用于通过各个部件的健康状态和单个系统下各部件的权重关系,计算各系统健康状态;
健康状态计算模块,用于利用模糊聚类方法建立数控装备健康状态评价模型,将各系统健康状态和各系统之间的权重关系带入到数控装备健康状态评价模型中,得到数控装备目前的健康状态。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述数控装备健康状态评价方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项数控装备健康状态评价方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明通过实际获取的状态数据进行评价,使最终的结果准确性与说服力更强,并且通过各系统,各部件的健康状况,带入到模糊聚类方法建立的数控装备健康状态评价模型中,去评价数控装备整体的健康状况,能够使评价结果更加精准。
进一步,对判断矩阵进行一致性检验,能够避免主观因素引起的判断错误。
附图说明
图1为本发明的数控装备健康状态评价流程图;
图2为本发明的数控装备层次分析图;
图3为本发明的装备健康状态评价模型示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
本发明所述的数控装备健康状态评价方法,如图1所示,包括以下步骤:
步骤一,利用内外传感器借助设备通讯接口和数据采集卡对数控加工装备实时状态数据进行多源采集。
装备八大系统分类:
数控系统:PMC、CRT显示器、系统软件、接口模块和I/O模块等。
主轴系统:主轴、主轴箱、主轴的传动部件等。
伺服系统:伺服电机、驱动单元(位移控制单元、速度控制单元、电流控制单元)等。
进给系统:滚珠丝杠、X、Y、Z轴进给单元、导轨、工作台等。
液压系统:机床内部各种泵、油缸、阀等。
电气系统:驱动器、变频器、熔断器、空气开关、变压器、熔断器、接触器、各种开关等。
辅助系统:冷却系统、润滑系统、排屑系统、卡盘等。
主体部件:床身、底座、立柱、防护系统等。
利用装备自带的内置传感器通过通讯接口和控制面板对内部状态信息,通过振动传感器、噪声传感器等对装备关键部件状态信息进行采集,表1-8为系统各要素状态信息采集方式。
表1:数控系统
表2:主轴系统
表3:伺服系统
表4:进给系统
表5:液压系统
表6:电气系统
7:辅助系统
表8:主体部件
步骤二,对采集到的数据进行分析,确定装备各要素健康状态。
传感器采集到的信号可以直接提取到有用的信息,针对外传感器采集到的数据,采用归一化等方法对数据进行预处理,再利用深度学习方法提取有用信息。
其中归一化公式如下:
其中X为原始数据,X
利用卷积神经网络模型,对各部件数据进行训练和测试,在利用卷积神经网络模型对各部件进行状态识别,确定各部件健康状态。
步骤三,利用层次分析法得到系统和部件间的层次关系,建立数控装备健康状态层次分析图如图2所示。
利用判断矩阵来量化装备各系统的重要程度,同时引入一致性指标CI,参数RI和检验系数CR来检验判断矩阵的一致性,避免主观因素引起的判断错误。
其中CI越接近0时,判断矩阵的一致性越强;CR<0.1,则认为该判断矩阵通过一致性检验,继续下一步,若一致性不通过,则重新选择判断矩阵。
利用判断矩阵根据各要素重要性程度确定要素权重,具体为:
A数控系统:
HMI:人机交互界面,权重为0.1。
NC:用于轨迹的计算,位置的调节,和相关的控制,以及各种复杂的机床功能,权重为0.6。
PLC:用于机床逻辑的控制,如刀库,液压设备等,权重为0.3。
B主轴系统:
主轴:数控机床的主传动,十分重要,权重为0.7。
轴承:主轴固定装置,影响主轴性能,权重为0.2。
其他传动部件(齿轮箱等),权重为0.1。
C伺服系统:
驱动及伺服电机:数控系统输入的NC程序通过译码、计算等一系列指令转换为坐标轴的运动轨迹(包含位置,速度,加速度),然后发给所对应的驱动,通过伺服电机来驱动机械传动部件完成NC程序中所指定的加工轨迹,权重为0.4。
位移控制单元:位置反馈环,进行相应的PID调节,实现对位移的控制,权重为0.2。
速度控制单元:速度反馈环,进行相应的PID调节,实现对速度的控制,权重为0.2。
电流控制单元:电流反馈环,进行相应的PID调节,实现对电流的控制,权重为0.2。
D进给系统:
联轴器:连接伺服电机和滚珠丝杠,权重为0.1。
滚珠丝杠:用于进行旋转运动与直线运动两者之间的转换,从而实现工作台或者刀具的移动,权重为0.5。
轴承:滚珠丝杠等旋转机械的重要支撑部件,权重为0.3。
导轨:实现机床加工过程中的直线往复运动,权重为0.1。
E液压系统:
液压泵:液压系统的动力元件,供油装置,权重为0.3。
液压阀:调速阀、节流阀、电磁换向阀等控制通断的装置,权重为0.3。
液压缸:将液压能转变为机械能的、做直线往复运动(或摆动运动)的液压执行元件,权重为0.4。
F电气系统:
控制电器:用于控制电路和控制系统的电器,如接触器、继电器、形成开关等,权重为0.4。
保护电器:用于起保护作用的电器,如熔断器、热继电器等,权重为0.3。
执行电器:用于实现某种功能的电器,如电磁铁、电磁离合器等,权重为0.3。
G辅助系统:
冷却系统:使机床温度维持在适当的范围内,权重为0.3。
润滑系统:减轻机床部件的磨损,伴有冷却清洗作用,权重为0.3。
排屑系统:收集机械产生的废屑,权重为0.2。
夹持装置:固定所加工的工件,权重为0.2。
H主体部件:
床身、底座、立柱:支撑整个机床、是整个机床的骨骼,权重为0.8。
防护系统:能够对机床床身起到一定的保护作用,权重为0.2。
步骤四,计算机床各系统健康状态情况,如下面公式所示;
其中:k为该系统要素个数;X
步骤五,利用模糊聚类方法建立装备健康状态评价体系,实现装备健康状态评价。
将装备健康状态分为5个等级,建立模糊聚类模型,实现装备健康状态评价,装备分级情况如表9所示。
表9装备等级划分
具体步骤如下:
(1)明确聚类指标数量和灰类的个数,假设装备有m个聚类指标,n个灰类;聚类指标数量等于数控装备中系统的数量,灰类数量等于划分健康状态的等级数量。
(2)根据健康状态的等级数量建立白化权函数,白化权函数为装备健康状态评价模型,确定白化权函数中的各个转折点。
根据机床状态等级得到装备健康状态评价模型如图2所示,其中5个等级灰类的白化权函数如下:
严重故障:
故障:
亚健康:
健康:
非常健康:
(3)根据机床各系统数据状态信息,确定数控装备的健康状态在白化权函数中的置信度,如下面公式所示;
其中:Y
以某型号的机床为例,根据各系统的重要程度构建判断矩阵,如表10所示。
表10:判断矩阵
A:数控系统,B:主轴系统,C:伺服系统,D:进给系统,E:液压系统,F:电气系统,G:辅助系统,H:主体部件。
该判断矩阵最大特征值λ=8,所对应的特征向量为(0.7628,0.3824,0.3814,0.1907,0.1907,0.1907,0.0953,0.0953),因此该机床各系统所占权重计算结果为(0.3363,0.1637,0.1637,0.0841,0.0841,0.0841,0.0420,0.0420),因此可得该机床数控系统的权重值为0.3363,主轴系统和伺服系统的权重值为0.137,进给系统、液压系统和电气系统的权重值为0.0841,辅助系统和主体部件的权重值为0.0420,经计算该判断矩阵的CI=0,CR=0,具有完全的一致性,通过一致性检验。
根据采集到的数据信息得出该机床八大系统各要素的健康状态情况依次为X1=[1,1,1],X2=[0.8,0.7,0.8],X3=[1,1,1,1],X4=[0.9,0.8,0.9,0.9],X5=[0.95,0.95,0.95],X6=[0.95,0.95,0.95],X7=[0.95,0.95,1,1],X8=[0.9,1],根据公式9计算得出该装备各系统的健康状态矩阵结果为Y=[1,0.78,1,0.85,0.95,0.95,0.97,0.92]。
根据历史经验和机床特点确定机床健康状态评价模型中各参数数值如下x1=0.40,x2=0.60,x3=0.70,x4=0.75,x5=0.80,x6=0.85,x7=0.90,x8=0.95。并根据公式计算出该机床各个白化权函数值,选择置信度最高的状态为装备当前所处的状态等级,最终计算出各灰类白化权函数的置信度依次为f
本发明所述的数控装备健康状态评价系统,包括:
状态数据获取模块,用于获取数控装备各个部件的状态数据。
部件健康状态计算模块,用于采用卷积神经网络模型检测各个部件的状态数据,得到各个部件的健康状态。
层次关系和权重关系确定模块,用于利用层次分析法得到系统和部件间的层次关系,利用判断矩阵确定各系统之间的权重关系和单个系统下各部件的权重关系。
系统健康状态计算模块,用于通过各个部件的健康状态和单个系统下各部件的权重关系,计算各系统健康状态。
健康状态计算模块,用于利用模糊聚类方法建立数控装备健康状态评价模型,将各系统健康状态和各系统之间的权重关系带入到数控装备健康状态评价模型中,得到数控装备目前的健康状态。
本发明所述的计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述数控装备健康状态评价方法的步骤。
本发明所述的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项数控装备健康状态评价方法的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
- 一种数控装备健康状态评价方法、系统、设备及存储介质
- 一种智能设备健康状态评价方法及系统