一种基于物联网的数控机床控制故障诊断方法及系统与流程

本发明涉及数字控制，具体为一种基于物联网的数控机床控制故障诊断方法及系统。

背景技术：

1、数控机床是一种复杂的机电一体化设备，运行过程中需要不同部件协同配合，即使一个部件出现微小的误差，也会导致数控机床出现故障。

2、公开号为cn101697072a的中国专利申请，介绍了一种数控机床故障诊断系统及方法，通过多种传感器采集数控机床运行过程中产生的振动信号，对采集到的振动信号进行处理，最后通过计算机对处理后的振动信号进行计算与分析，诊断数控机床的故障，只通过采集的振动信号对诊断数控机床的故障，容易出现计算误差导致故障诊断结果的偏差。

3、在数控机床控制故障诊断现有技术往往通过传感器获取数控机床的运行状态信息，基于获取的运行状态信息判断数控机床的运行状态，由于数控机床运行机理复杂，在故障诊断过程中基于单一数据开展，无法保证诊断结果的准确性。

技术实现思路

1、(一)解决的技术问题

2、为解决背景技术中的不足，本发明提出了一种基于物联网的数控机床控制故障诊断方法及系统，通过采集数控机床运行状态中的异常运行数据，确定需要诊断的数控机床部件，再将出现异常运行状态数据部件的图像特征数据与对应数控机床部件的故障图像特征数据进行匹配，分析匹配结果输出数控机床控制故障诊断结果。

3、(二)技术方案

4、一种基于物联网的数控机床控制故障诊断方法，所述方法包括如下步骤：

5、s1、设定数控机床部件集以及正常运行状态数据采集时间点集，根据正常运行状态数据采集时间点集对数控机床部件集中的各个部件进行数据采集，得到数控机床各部件正常运行状态数据矩阵；

6、s2、根据数控机床各部件正常运行状态数矩矩阵中各个部件的正常运行状态数据设定数控机床各部件正常运行状态数据范围区间集；

7、s3、采集待检测的数控机床各部件的运行状态数据，得到待检测数控机床各部件运行状态数据集；

8、s4、对比数控机床各部件正常运行状态数据范围区间集与待检测数控机床各部件运行状态数据集，挑出待检测数控机床各部件运行状态数据集中的异常运行状态数据；

9、s5、采集待检测数控机床中出现异常运行状态数据部件的图像特征数据，作为第一图像特征数据，同时收集数控机床各部件故障状态下的图像特征数据，得到第一故障图像特征数据集；

10、s6、通过数据分析算法将第一图像特征数据与第一故障图像特征数据集中对应数控机床部件的故障图像特征数据种类集中的故障图像特征数据进行一一匹配，分析匹配结果输出数控机床控制故障诊断结果。

11、通过采集的大量正常运行状态数据设定数控机床各部件正常运行状态数据范围区间，保证了设定的正常运行状态数据范围区间的准确性；通过分析待检测的数控机床各部件运行状态数据的数值大小与对应部件的正常运行状态数据范围区间的关系，挑出异常运行状态数据，保证了获得的异常运行状态数据的可靠性；通过数据分析算法将第一图像特征数据与对应数控机床部件的故障图像特征数据进行匹配，基于匹配结果进行数控机床故障诊断，使故障诊断过程更加精确，同时保证了故障诊断的效率和效果；

12、优选的，设定数控机床部件集以及正常运行状态数据采集时间点集，根据正常运行状态数据采集时间点集对数控机床部件集中的各个部件进行数据采集，得到数控机床各部件正常运行状态数据矩阵的操作步骤如下：

13、s11、设定数控机床部件集a＝{a1,a2,…,ai,…,ak}，其中，ai表示第i个数控机床部件，k表示数控机床部件的总个数；

14、设定数控机床运行周期，对所述数控机床运行周期进行均匀划分，得到正常运行状态数据采集时间点集b＝{b1,b2,…,bi,…,bl}，其中，bi表示第i个正常运行状态数据采集时间点，l表示正常运行状态数据采集时间点的总个数；

15、s12、对数控机床部件集a＝{a1,a2,…,ai,…,ak}中的各个部件在正常运行状态数据采集时间点集b＝{b1,b2,…,bi,…,bl}中的各个正常运行状态数据采集时间点进行数据采集，得到数控机床各部件正常运行状态数据矩阵如下：

16、

17、其中，dij表示第i个数控机床部件在第j个正常运行状态数据采集时间点的正常运行状态数据。

18、通过基于数控机床运行周期进行均匀划分得到的多个采集时间点，对数控机床各部件进行数据采集，保证获取数据的全面性，为后续操作提供数据基础。

19、优选的，根据数控机床各部件正常运行状态数据集中各个部件的正常运行状态数据设定数控机床各部件正常运行状态数据范围区间集的操作步骤如下：

20、s21、比较数控机床各部件运行状态数据矩阵中各个部件的正常运行状态数据，挑出各个部件正常运行状态数据的最大值与最小值，设定数控机床各部件正常运行状态数据范围区间集其中，和分别表示第i个数控机床部件正常运行状态数据的最小值和最大值。

21、通过采集的大量正常运行状态数据设定数控机床各部件正常运行状态数据范围区间，保证了设定的正常运行状态数据范围区间的准确性。

22、优选的，采集待检测的数控机床各部件的运行状态数据，得到待检测数控机床各部件运行状态数据集的操作步骤如下：

23、s31、实时对待检测的数控机床各部件进行运行状态数据采集，得到待检测数控机床各部件运行状态数据集x'＝{x1',x2',…,xi',…,xk'}，其中，xi'表示第i个待检测的数控机床部件的运行状态数据。

24、通过实时对待检测的数控机床各部件进行运行状态数据采集，保证获取数据的时效性，为后续操作提供数据基础。

25、优选的，对比数控机床各部件正常运行状态数据范围区间集与待检测数控机床各部件运行状态数据集，挑出待检测数控机床各部件运行状态数据集中的异常运行状态数据的操作步骤如下：

26、s41、依次判定待检测数控机床各部件运行状态数据集x'＝{x1',x2',…,xi',…,xk'}中的第i个待检测的数控机床部件的运行状态数据xi'的数值大小是否处于数控机床各部件正常运行状态数据范围区间集中的第i个数控机床部件正常运行状态数据范围区间中，若运行状态数据xi'的数值大小处于数控机床部件正常运行状态数据范围区间中，则此运行状态数据为正常运行状态数据；反之，则此运行状态数据为异常运行状态数据；i＝1,2,…,i,…,k。

27、通过分析待检测的数控机床各部件运行状态数据的数值大小与对应部件的正常运行状态数据范围区间的关系，挑出异常运行状态数据，保证了获得的异常运行状态数据的可靠性。

28、优选的，采集待检测数控机床中出现异常运行状态数据部件的图像特征数据，作为第一图像特征数据，同时收集数控机床各部件故障状态下的图像特征数据，得到第一故障图像特征数据集的操作步骤如下：

29、s51、通过图像采集设备采集待检测数控机床中出现异常运行状态数据部件的图像特征数据；

30、s52、收集以往数控机床各部件故障状态下的历史图像特征数据，得到第一故障图像特征数据集a'＝{a'1,a'2,…,a'i,…,a'k}；

31、其中，a'i表示第i个数控机床部件的故障图像特征数据种类集a”＝{a”1,a”2,…,a”i,…,a”p}，a”i表示该数控机床部件的第i种故障图像特征数据，p表示该数控机床部件的故障图像特征数据种类的总个数。

32、采集待检测数控机床中出现异常运行状态数据部件的图像特征数据并收集以往数控机床各部件故障状态下的历史图像特征数据建立第一故障图像特征数据集，保证了后续匹配结果的准确性。

33、优选的，通过数据分析算法将第一图像特征数据与第一故障图像特征数据集中对应数控机床部件的故障图像特征数据种类集中的故障图像特征数据进行一一匹配，分析匹配结果输出数控机床控制故障诊断结果的操作步骤如下：

34、s61、通过数据分析算法将所述第一图像特征数据与第一故障图像特征数据集a'＝{a'1,a'2,…,a'i,…,a'k}中对应数控机床部件的故障图像特征数据种类集中的各类故障图像特征数据进行一一匹配，具体操作步骤如下：

35、s611、初始化鹈鹕种群，设定种群规模为p，所述鹈鹕种群表示为m＝{m1,m2,…,mi,…,mp}，mi表示所述鹈鹕种群中的第i只鹈鹕，设定最大迭代次数为tmax；

36、其中，每只鹈鹕个体对应一个第一故障图像特征数据集中对应数控机床部件的故障图像特征数据种类集中的一个故障图像特征数据；鹈鹕种群初始化公式如下：

37、yi,j＝ilj+rand×(iuj-ilj)

38、其中，yi,j为第i个鹈鹕在第j维搜索空间中的位置，rand表示(0,1)之间的随机数，iuj和ilj分别表示第j维搜索空间的上下边界；

39、s612、计算每只鹈鹕当前的目标函数值；目标函数公式如下：

40、f＝x

41、其中，f表示鹈鹕个体的目标函数值，x表示第一故障图像特征数据集中对应数控机床部件的故障图像特征数据种类集中的故障图像特征数据与第一图像特征数据的相似度；

42、s613、勘探阶段，对鹈鹕确定猎物位置，同时向猎物逼近的行为进行数学建模，公式如下：

43、

44、其中，表示勘测阶段第i个鹈鹕在第j维搜索空间中逼近猎物后更新的位置，i表示数值为1或2的随机数，pj表示在第j维搜索空间中随机生成的猎物位置，rand表示(0,1)之间的随机数，fp和fi分别表示猎物和第i个鹈鹕的目标函数值；

45、s614、开发阶段，对鹈鹕在水面进行狩猎的过程进行数学建模，公式如下：

46、

47、其中，表示开发阶段第i个鹈鹕在第j维搜索空间中进行狩猎后更新的位置，r表示数值为0或2的随机数，rand表示(0,1)之间的随机数，t表示当前迭代次数；

48、s615、计算更新后鹈鹕种群中每只鹈鹕的目标函数值，将目标函数值最高的鹈鹕作为当前的全局最优解；

49、s616、判断是否达到最大迭代次数，若未达到，则返回s613；若达到，则计算最终全局最优解的目标函数值fmax，当fmax大于设定的目标函数阈值f阈值，则全局最优解对应的故障图像特征数据与第一图像特征数据匹配成功；反之，则故障图像特征数据均匹配不成功；

50、s62、若故障图像特征数据均匹配不成功，则数控机床控制故障诊断结果输出为数控机床无故障；反之，则数控机床控制故障诊断结果输出为匹配成功的故障图像特征数据对应的数控机床部件出现故障。

51、通过模拟鹈鹕逼近猎物和进行狩猎的行为，构建数学模型，实现将第一图像特征数据与对应数控机床部件的故障图像特征数据进行匹配的过程，提高匹配过程的速度和准确度，同时提升收敛过程的效率。

52、本发明还公开一种基于物联网的数控机床控制故障诊断系统，包括数控机床各部件正常运行状态数据采集模块、数控机床各部件正常运行状态数据范围区间构建模块、异常运行状态数据判定模块、图像特征数据采集模块、数控机床控制故障诊断结果输出模块；

53、所述数控机床各部件正常运行状态数据采集模块通过设定的正常运行状态数据采集时间点集对数控机床部件集中的各个部件进行数据采集，得到数控机床各部件正常运行状态数据矩阵；

54、所述数控机床各部件正常运行状态数据范围区间构建模块通过比较数控机床各部件运行状态数据矩阵中各个部件的正常运行状态数据的数值大小设定数控机床各部件正常运行状态数据范围区间集；

55、所述异常运行状态数据判定模块通过判定待检测数控机床各部件运行状态数据集中的各个运行状态数据的数值大小是否处于对应的正常运行状态数据范围区间，得到所有异常运行状态数据；

56、所述图像特征数据采集模块通过图像采集设备采集待检测数控机床中出现异常运行状态数据的部件的图像特征数据，得到第一图像特征数据同时收集以往数控机床各部件故障状态下的历史图像特征数据，建立第一故障图像特征数据集；

57、所述数控机床控制故障诊断结果输出模块通过第一图像特征数据与数控机床各部件故障图像特征数据集中对应数控机床部件的故障图像特征数据种类集中的图像特征数据进行一一匹配，分析匹配结果输出数控机床控制故障诊断结果。

58、(三)有益效果

59、一、本发明中设置数控机床各部件正常运行状态数据采集模块、数控机床各部件正常运行状态数据范围区间构建模块、异常运行状态数据判定模块、图像特征数据采集模块、数控机床控制故障诊断结果输出模块；通过采集的大量正常运行状态数据设定数控机床各部件正常运行状态数据范围区间，保证了设定的正常运行状态数据范围区间的准确性；通过分析待检测的数控机床各部件运行状态数据的数值大小与对应部件的正常运行状态数据范围区间的关系，挑出异常运行状态数据，保证了获得的异常运行状态数据的可靠性；通过数据分析算法将第一图像特征数据与对应数控机床部件的故障图像特征数据进行匹配，基于匹配结果进行数控机床故障诊断，使故障诊断过程更加精确，同时保证了故障诊断的效率和效果；

60、二、将所述第一图像特征数据与第一故障图像特征数据集中对应数控机床部件的故障图像特征数据种类集中的各类故障图像特征数据进行一一匹配的过程通过鹈鹕算法实现，通过模拟鹈鹕逼近猎物和进行狩猎的行为，构建数学模型，提高匹配过程的速度和准确度，同时提升收敛过程的效率。