[发明专利]一种数控机床运行状态健康诊断系统及诊断方法

说明书

本发明公开了一种数控机床运行状态健康诊断系统及诊断方法。该系统包括边缘数据采集模块、云平台和客户端；云平台分别与边缘数据采集模块和客户端连接；所述云平台包括预测性诊断模块、信息管理及存储模块和应用服务器；所述预测性诊断模块包括实时诊断模块、加工后诊断模块和综合诊断模块。本系统使用具有诊断功能的云平台替代上位机，极大地提升了可扩展性，只需在机床上部署对应的传感器，连接到云平台即可完成诊断与预测任务，通过云平台集中管理机床实时状态数据，以及基于神经网络的诊断技术对机床的健康状况进行评估预测。本诊断方法更加精简，健康诊断准确性高。

技术领域

本发明涉及智能制造技术领域，具体是一种数控机床运行状态健康诊断系统及诊断方法。

背景技术

随着大数据、物联网、云计算等技术的推动，各国对于智能制造的发展愈发重视。新一代智能制造是新一代人工智能技术与先进制造技术的深度融合，贯穿于产品设计、制造、服务全生命周期的各个环节及相应系统的优化集成。数字化车间作为智能制造的核心单元，涉及信息技术、自动化技术、机械制造、物流管理等多个技术领域，对推进智能制造高质量发展具有重要意义。

数控机床作为“工作母机”，是制造业的基石，柔性化、高效能的自动化数控机床代表了现代机床控制技术的发展方向。在数控机床的运行过程中，需要实时对机床状态进行诊断，确保其出现故障前可以预测到将要出现的故障并立即得到解决，防止影响整个生产线的运行。传统的方法缺乏对机床运行状态全面、持续的全生命周期的监测和预测。在日常维修中，当遇到数控机床主轴方面有问题，传统方法只能凭经验进行逐一排除，往往需要检查每一个环节，甚至需要对数控机床主轴内部结构拆卸来检测和分析，工作量大。同时通常一副轴承拆卸后是不能重新使用的，需用特定的安装工艺装配新的轴承，从时间和备件上都是极大的浪费，维修周期长，严重影响数控机床主轴维修进度，增加了维修成本。因此，对数控机床运行状态进行健康诊断具有十分重要的意义。

现阶段，健康诊断主要有基于模型的诊断方法、基于统计的诊断方法和基于深度学习理论的诊断方法。基于模型的诊断方法一般利用系统精确的数学模型和可观测输入输出量构造残差信号来反映系统健康状态与实际运行状态之间的不一致，然后基于对残差信号的分析进行健康诊断，该方法适用于可以从物理系统中构建精确数学模型的领域。但是，基于模型的方法在应用之前，需要对系统充分了解，建立较精确的物理和数学模型。为了获得更准确地诊断结果，往往需要建立更复杂的模型，该方法此时存在一定的局限性。基于统计的诊断方法需从大量组件样本中收集系统运行过程数据并进行统计分析，形成健康状态标准数据样本与异常状态数据样本，依此利用多变量之间的相关性对系统运行过程健康状态进行诊断，此方法不需要对系统的结构和原理有深入的了解，也无需建立系统精确模型，完全取决于系统运行过程中传感器的测量数据，算法简单易于实现，但该方法诊断结果很大程度上依赖于样本数据及采集数据，数据的缺失极有可能导致结果的不准确。基于深度学习的健康诊断方法一般通过大量样本以非监督学习的方式逐层训练深度学习网络，充分挖掘反映健康状态数据的特征，并使深度学习模型具有提取健康特征的能力，训练完成后，在增加相应的分类器的基础上，以监督学习的方式对深度学习网络进行反向微调，保障深度学习网络能更好地实现健康特征的表达及健康诊断。基于深度学习理论的诊断方法的优势在于能够将故障特征提取与故障诊断有机融合，摆脱了传统浅层故障诊断方法对大量信号处理技术与诊断经验的依赖，但其诊断结果很大程度上取决于训练样本，一般与训练样本的数量成正相关关系。

申请号201210346785.9的文献公开了一种数控机床主轴状态检测方法。该方法需将得到的故障特征参数分别通过专家系统、人工神经网络系统和支持向量机进行处理，得出三个故障诊断结果，再将三个故障诊断结果通过遗传算法进行融合，检测相当复杂，诊断结果容易出现误差，故障诊断准确性较低，且无法实现机床主轴故障的预测，增大了机床主轴的维护成本。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种数控机床运行状态健康诊断系统及诊断方法。