一种基于指令域分析的进给轴装配故障的诊断方法 |
|||||||
| 申请号 | CN201610969385.1 | 申请日 | 2016-10-28 | 公开(公告)号 | CN106323633A | 公开(公告)日 | 2017-01-11 |
| 申请人 | 华中科技大学; | 发明人 | 许光达; 周会成; 陈吉红; 胡震宇; | ||||
| 摘要 | 本 发明 属于数控机床制造与装配领域，并公开了一种基于指令域分析的进给轴装配故障的诊断方法。该诊断方法包括：(a)机床针对制造资源按照 指定 G代码运行，采集工作任务数据和进给轴运行状态数据；(b)根据行号从运行状态数据中提取目标数据并计算 特征向量 ；(c)构建不同故障任务的特征向量样本集；(d)构建特征向量判别模型；(e)计算实际故障的特征向量并代入判别模型中分类和诊断。通过本发明，数控机床利用数控系统采集运行状态数据，采集的数据 稳定性 好且成本低，同时通过构建特征向量样本集和判别模型，实现了故障诊断的机器化和智能化，降低了人工劳动强度，且提高了检测的准确性和鲁棒性。 | ||||||
| 权利要求 | 1.一种基于指令域分析的进给轴装配故障的诊断方法，其特征在于，该方法包括下列步骤： |
||||||
| 说明书全文 | 一种基于指令域分析的进给轴装配故障的诊断方法技术领域[0001] 本发明属于数控机床制造与装配领域，更具体地，涉及一种基于指令域分析的进给轴装配故障的诊断方法。 背景技术[0002] 数控机床中的进给系统作为数控机床中最重要的子系统之一，其装配质量的好坏直接影响工件的加工质量，丝杠寿命和机床使用成本的控制。尤其对于一些加工时间较长的工件而言，往往对丝杠的损耗较大。这就要求对机床进给系统装配时，要确保一个良好的装配质量。 [0003] 现有的对机床装配质量检测比较普遍的方法，就是对工件的试切，再通过三坐标对工件进行检验，如果工件合格，则安装达标。也有部分方法是通过外接传感器如振动传感器等获取机床信号，通过对这些信号的分析处理来对机床的装配质量进行检测。但这些方法由于需要进行额外试切或者由于需要添加外接的传感器(由此带来额外的传感器固定装置)，往往造成耗时费力，成本较高；由于机床的几何误差主要是由于零部件本身误差和零部件间的装配误差引起，其中零部件间的装配误差占到了主要成分，因此通过几何误差可以很大程度上反映机床装配质量的好坏。而专利文献CN103447884B中公开了一种数控机床平动轴几何误差的测量装置及测量与辨识方法。该方法采用一台激光跟踪仪先后在4个不同位置对机床单个平动轴3个固定点沿轴向进给运动进行测量，通过3个固定点在空间连续运动的轨迹，计算运动轴的实时位置，最后来辨识机床各轴的各项误差。但是该方案存在以下两点不足：①使用了第三方设备如激光干涉仪以及其它的固定装置增加了机床装配质量检测成本②该装置安装过程较为繁琐耗时耗力，降低了使用效率。 [0004] 公布号为CN 104950811 A的中国专利公开了一种数控机床进给系统装配质量的快速判别方法，该方法；通过数控机床内置传感器的实时监测信号与参考样本参数进行在线比较，以此实现数控机床进给系统装配质量的快速判别。该方法存在如下两点不足：①实时监测信号与参考样本的比较是针对某一个特征进行，这样会引起比较的鲁棒性不足，从而增加误判的可能性；②该方法只适用于提到的三个故障的判别，且在半闭环的情况下，将无法利用跟随误差对联轴器存在间隙的进行判断。 发明内容[0005] 针对现有技术的以上缺陷或改进需求，本发明提供了一种基于指令域分析的进给轴装配故障的诊断方法，通过采集数控系统内部电控数据，结合指令域分析的方法和构建特征向量判别模型，由此解决机床进给轴装配质量诊断的技术问题。 [0006] 为实现上述目的，按照本发明的一个方面，提供了一种基于指令域分析的进给轴装配故障的诊断方法，其特征在于，该方法包括下列步骤： [0007] (a)数控机床针对制造资源按照预设故障任务设计G代码，该数控机床的进给轴按照该G代码运动，所述数控机床的数控系统采集所述G代码中每条指令的行号和所述进给轴的运行状态数据； [0008] (b)根据所述行号从所述运行状态数据中提取与该行号对应的目标数据，利用该目标数据计算出所述预设故障任务对应的特征向量，其中，所述目标数据包括进给轴负载电流和进给轴按照G代码运行的实际位置； [0009] (c)在所述数控机床中预设不同种类的故障任务，重复步骤(a)和(b)后得到该不同种类的故障任务对应的特征向量，所有的特征向量形成一个样本集； [0010] (d)将每种不同的故障编号，并建立所述故障编号与所述特征向量相对应的判别模型，使得在该模型中输入所述特征向量时输出相应的所述故障编号； [0011] (e)实际工作任务运行并按照步骤(a)和(b)获得对应的实际特征向量，将该实际特征向量输入所述判别模型中诊断，得到所需的实际工作的故障编号，由此得到相应的所需进给轴装配故障。 [0012] 优选地，所述制造资源为进给轴，包括重力轴和水平轴。 [0013] 优选地，在步骤(b)中，所述特征向量包括时域特征和位置特征，所述时域特征包括所述目标数据的平均值、波动值和峰值，所述位置特征包括所述曲线的弯曲值，对称轴，RSquare。 [0014] 优选地，其特征在于，在步骤(b)中，所述位置特征优选采用将所述目标数据拟合为最小二乘曲线，然后通过该曲线的系数计算得出。 [0015] 优选地，在步骤(c)中，所述不同种类的故障任务中包括预紧力超标，丝杠导轨不平行，丝杠与导轨不等高，防护罩故障和导轨不水平。 [0016] 优选地，在步骤(d)中，所述判别模型优选采用softMax，基于有向无环图的支持向量机DAG-SVM和神经网络NN模型。 [0017] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果： [0018] 1、本发明通过利用数控机床内部的数控系统采集进给轴的运行状态数据，与现有技术比较，没有采用外接的硬件设备，由此实现由数控系统内部信号间接反映进给轴装配质量，并且采集的内部信号方便获取、稳定性好、成本低； [0019] 2、本发明通过建立故障类型特征向量构成的样本集，然后通过实际特征向量与样本集中数据向量进行对比，从而获得进给轴装配故障类型，与传统的生产中依靠有经验的员工，人为的检测相比较，免除了传统的人工检测进给轴装配的步骤，降低劳动强度； [0020] 3、本发明通过特征向量的对比而获得故障类型，而特征向量包括时域特征和位置特征两种，不是针对某一个特征进行，从而使得比较的过程中鲁棒性更强，也减少了误判的可能性； [0023] 图2是按照本发明的优选实施例所构建的G代码； [0024] 图3按照本发明的优选实施例所构建的采集的进给轴往复运动的运行电流和位置关系； [0025] 图4是按照本发明的优选实施例所构建的进给轴单向运动的运行电流和实际位置关系； [0026] 图5是按照本发明的优选实施例所构建的DAG-SVM判别模型示意图。 [0027] 在所有附图中，相同的附图标记用来表示相同的元件或结构，其中： 具体实施方式[0028] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。 [0029] 图1是按照本发明的优选实施例所构建的诊断方法的流程图，如图1所示，本发明诊断方法的具体实施流程如下： [0030] 1)针对特定的制造资源MR，按照给定的工作任务运行进给轴，采集数控系统的运行状态数据Y和工作任务数据WT； [0031] 其中，制造资源MR为进给轴，包括重力轴和水平轴； [0032] 其中，给定工作任务为给定F值下的往复直线运动的G代码，图2是按照本发明的优选实施例所构建的G代码，如图2所示； [0033] 其中，数控系统的运行状态数据Y是直接从数控系统内部获取的进给轴负载电流，实际位置等； [0034] 其中，工作任务数据WT为G代码的程序行号等。 [0035] 本实施例中，针对的制造资源MR为水平轴X轴； [0036] 本实施例中，工作任务的G代码见图2，F值为1000，运行范围为[-740,40]； [0037] 本实施例中，图3按照本发明的优选实施例所构建的采集的进给轴往复运动的运行电流和位置关系，如图3所示，采集的运行状态数Y据是负载电流和实际位置，而采集的工作任务数据WT是G代码的指令行号。 [0038] 2)通过工作任务数据中的指令行号在运行状态数据中提取其对应的目标数据，本实施例中目标数据是进给轴的负载电流和实际位置，针对进给轴负载电流和实际位置间的映射关系，提取反映进给轴装配质量的负载电流特征向量；； [0039] 本实施例中截取X轴正向运行的数据，即对程序行号为6的进给轴负载电流和实际位置进行截取，图4是按照本发明的优选实施例所构建的进给轴单向运动的运行电流和实际位置关系，如图4所示。 [0040] 所提取的负载电流的特征向量分别为位置域特征和时域特征； [0041] 时域特征是电流在时域上提取的特征，包括进给轴负载电流的平均值、波动值和峰值等等。 [0042] 位置域特征是将进给轴负载电流和实际位置的关系拟合为最小二乘曲线，然后通过曲线的系数计算位置特征，包括拟合曲线的弯曲值，对称轴，RSquare，其中，弯曲度与对称轴是对原始电流信号拟合出最小二乘曲线a0x2+a1x+a2后的拟合系数 RSquare为二项式拟合的相关系数平方。 [0043] 3)针对不同的进给轴故障，参照1)～3)的步骤获取多组样本集； [0044] 其中，进给轴故障包括但不限于：预紧力过大，丝杠导轨不平行，丝杠与导轨不等高，防护罩故障和导轨不水平等。用k＝0,1,2,...,m(m为故障类型数)分别对故障样本进行编号，不失一般性地对正常样本标记为0，预紧力过大样本标记为1，丝杠导轨不平行标记为2，防护罩故障标记为3等。 [0045] 其中，样本集为由负载电流特征向量和编号共同组成。 [0046] 本实施案例中处理的故障为预紧力过大，丝杠与导轨不平行和防护罩异常。分别针对预紧力过大、丝杠与导轨不平行和防护罩异常的数据进行采集，按照1)～3)的步骤形成特征向量，并对故障样本进行编号。 [0047] 本实施例中，编号分别为：正常运行特征向量标记为0，预紧力过大标记为1，丝杠与导轨不平行标记为2，防护罩故障标记为3。 [0048] 本实施例中，形成样本为：正常运行，预紧力过大，丝杠导轨不平行，防护罩异常情况下的负载电流特征向量和编号。 [0049] 后续新产生的故障样本可以添加到本样本集中，对样本集进行动态的补充，添加样本的目的是为了让判别模型的参数更为准确，使得判别效果更好。 [0050] 4)利用3)中形成的样本集对有监督的模式判别模型进行多分类的训练； [0051] 其中有监督的判别模型包括但不限于：softMax，DAG-SVM和神经网络NN等； [0052] 本实施案例中通过DAG-SVM模型分别对4)中形成的故障样本数据组进行多分类训练。图5是按照本发明的优选实施例所构建的DAG-SVM判别模型示意图，如图5所示，采用如图5所示的拓扑结构建立6个SVM分类器，并根据样本数据对分类器参数进行训练，形成训练后的DAG-SVM模型。 [0053] 5)按照1)～2)的步骤获取实际运行的数据的特征向量，然后代入判别模型中，输出编号结果，与3)中定义的编号进行对照，得出判断结果，实现对故障的诊断； [0054] 本实施例中获取的实际运行的数据的特征向量，包括：弯曲值，对称轴，RSquare，平均值，波动值和峰值。 [0055] 若输出的编号为0，则判断为正常运行；若输出的编号为1，则判断为预紧力过大；若输出的编号为2，则判断为丝杠与导轨不平行；若输出的编号为3，则判断为防护罩故障。 |
||||||
QQ群二维码
意见反馈
意见反馈