主轴偏摆异常的检测方法、装置以及存储介质制造方法及图纸

本申请实施例提出了一种主轴偏摆异常的检测方法、装置以及存储介质，涉及计算机数字化控制技术领域；采集多个CNC机台的主轴多次自转预设时间段的振动数据样本集以及每个所述主轴的偏摆级别；采集不同类别的CNC机台的主轴在多次自转预设时间段的振动数据样本集以及每个主轴的偏摆半径；提取振动数据样本集中的时域特征集以构成训练样本集，训练样本集包括多个训练样本单元，训练样本单元包括振动数据对应的时域特征以及对应的偏摆半径；对训练样本集利用梯度提升树算法进行模型训练，得到预测分类模型；实时采集所述主轴的实时振动数据；将所述实时振动数据对应的时域特征加载至预测分类模型，以预测所述主轴的偏摆级别。以预测所述主轴的偏摆级别。以预测所述主轴的偏摆级别。

【技术实现步骤摘要】
主轴偏摆异常的检测方法、装置以及存储介质


[0001]本申请实施例涉及计算机数字化控制
，尤其涉及一种主轴偏摆异常的检测方法、装置以及存储介质。

技术介绍

[0002]传统侦测计算机数字化控制设备异常方式：在CNC机台生产的不良品数量明显增加后，停止机台运作，拆卸刀具，安装检棒与千分表，手动旋转检棒，人眼查看千分表检测数据，耗费时间，当检测值超出范围后，清理主轴与检棒间的渣屑，而后再反复检测，每次测量结果均存在误差，直到确定检测值真的超出范围，让工程师进行维修。
[0003]传统检测主轴偏摆仅在发生机台产出大量不良品时进行，导致造成产品良率下降增加额外成本，由于其设备已在不良状况下已经运作了一段时间，导致产品不良率提高。

技术实现思路

[0004]本申请实施例提供了一种主轴偏摆异常的检测方法、装置以及存储介质，根据实时采集的CNC主轴振动数据自动检测主轴偏摆角度，提前发现主轴偏摆异常，保证设备在正常状况下运行，减少人力维护成本。
[0005]第一方面，本申请实施例提供一种主轴偏摆异常的检测方法，用于对CNC机台的主轴进行诊断预警。采集多个不同类别的CNC机台的主轴在多次自转预设时间段的振动数据样本集以及每个所述主轴的偏摆半径；
[0006]提取所述振动数据样本集中的时域特征集以构成训练样本集，所述训练样本集包括多个训练样本单元，所述训练样本单元包括振动数据对应的时域特征以及对应的偏摆半径；
[0007]对所述训练样本集利用梯度提升树算法进行模型训练，得到预测分类模型，所述模型训练包括：将所述训练样本单元输入基于损失函数以及所述梯度提升树算法所确定的模型，并进行预设轮次的迭代以更新模型参数，根据所述模型参数确定所述预测分类模型；实时采集所述主轴的实时振动数据，并提取对应的时域特征；将所述实时振动数据对应的时域特征加载至所述预测分类模型，以得出当前所述主轴的偏摆半径，从而预测所述主轴的偏摆级别
[0008]本申请通过预测CNC机台主轴偏摆健康状态分类，检测主轴偏摆。收集不同健康级别的CNC机台主轴振动数据以及各个主轴的偏摆级别，作为训练样本集，对上述训练样本集利用梯度提升树算法进行模型训练得到预测分类模型；在模型应用阶段，实时采集CNC主轴的振动数据加载到预测分类模型，预测分类模型根据CNC主轴的实时振动数据，周期性预测CNC主轴的偏摆级别，根据偏摆级别的变化情况，检测主轴偏摆是否异常；及时准确发现主轴偏摆异常，保证设备在正常状况下运行，减少人力维护成本。
[0009]其中一种可能的实现方式中，将所述训练样本单元输入基于损失函数以及所述梯度提升树算法所确定的模型，并进行预设轮次的迭代以更新模型参数的步骤包括：基于所
述梯度提升树算法，对所述时域特征构建决策树；经过第t
‑
1次的迭代，基于所述损失函数形成学习器f
t
‑1(x),其中t为迭代轮数，且2≤t≤T，T为预设轮数，x为所述训练样本单元中的所述时域特征中的特征元；经过第t次的迭代，当满足预设条件，所述决策树建立完毕，在所述学习器f
t
‑1(x)的基础上更新以形成学习器f(x)，并更新所述模型参数。
[0010]其中一种可能的实现方式中，经过第t次的迭代，当满足预设条件，所述决策树建立完毕，在所述学习器f
t
‑1(x)的基础上更新以形成学习器f(x)的步骤包括：基于当前训练样本单元对当前t轮数的损失函数对学习器f
t
‑1(x)求解一阶导数，二阶导数并代入损失函数得到当前损失函数的值optVs(t基于当前节点尝试再次分裂决策树，所述决策树包括多个叶子节点，默认当前分数为0，将当前分数与当前损失函数对应的值进行比较，两者较大的所述叶子节点进一步分裂子树，当较大的值为0时，则所述决策树建立完毕，在所述学习器f
t
‑1(x)的基础上更新以形成学习器f(x)。其中一种可能的实现方式中，所述分裂决策树的步骤还包括：在所述当前训练样本单元中的时域特征中随机选取s个特征元，将所述s个特征元按照从小到大的顺序排列并放入所述决策树的左子树和右子树以分裂所述决策树。
[0011]其中一种可能的实现方式中，进行预设轮次的迭代以更新模型参数的步骤还包括：使用随机搜索算法优化所述预设轮次，以优化所述模型参数。
[0012]其中一种可能的实现方式中，所述时域特征包括所述振动数据的峰值因子、脉冲因子、裕度因子、波形因子、峭度因子以及偏度因子中的至少一种。
[0013]其中一种可能的实现方式中，根据所述模型参数确定所述预测分类模型的步骤之前还包括：对所述训练样本集进行K
‑
fold交叉验证，并将所述训练样本集分成K份，每次选择K
‑
1份进行训练集，剩下的一份作为测试集以得到所述预测分类模型；再次重新选择K
‑
1份进行作为训练集，剩下的一份作为测试集以优化所述预测分类模型。
[0014]其中一种可能的实现方式中，所述方法还包括：在当前时间基于所述预测偏摆半径的偏摆级别低于该主轴在当前时间之前的偏摆级别时，则判定所述主轴偏摆异常，并对所述CNC机台给出预警指令。第二方面，本申请实施例提供一种主轴偏摆异常的检测装置，用于对CNC机台的主轴进行诊断预警，所述装置包括：
[0015]传感器，设于所述主轴，用于采集所述主轴多次自转预设时间段的振动数据样本集；
[0016]存储器，用于存储有多个程序模块；
[0017]处理器，耦接于所述传感器以及读个存储器；
[0018]所述处理器用于加载所述多个程序模块并执行第一方面提供的方法提供的所述的主轴偏摆异常的检测方法。
[0019]第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的方法。
[0020]应当理解的是，本申请实施例的第二～三方面与本申请实施例的第一方面的技术方案一致，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。
【附图说明】
[0021]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领
域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0022]图1是本申请实施例提出的CNC机台的主轴偏摆异常的状态示意图；
[0023]图2是本申请实施例提出的主轴偏摆异常的检测方法步骤流程图；
[0024]图3是本申请实施例提出的另一种主轴偏摆异常的检测方法步骤流程图；
[0025]图4所示示出了本实施例决策树按照特征元的重要程度形成的对比图；
[0026]图5是本申请实施例提出的主轴偏摆异常的检测装置的结构示意图。
【具体实施方式】
[0027]为了更好的理解本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主轴偏摆异常的检测方法，用于对CNC机台的主轴进行诊断预警，其特征在于，所述方法包括：采集多个不同类别的CNC机台的主轴在多次自转预设时间段的振动数据样本集以及每个所述主轴的偏摆半径；提取所述振动数据样本集中的时域特征集以构成训练样本集，所述训练样本集包括多个训练样本单元，所述训练样本单元包括振动数据对应的时域特征以及对应的偏摆半径；对所述训练样本集利用梯度提升树算法进行模型训练，得到预测分类模型，所述模型训练包括：将所述训练样本单元输入基于损失函数以及所述梯度提升树算法所确定的模型，并进行预设轮次的迭代以更新模型参数，根据所述模型参数确定所述预测分类模型；实时采集所述主轴的实时振动数据，并提取对应的时域特征；将所述实时振动数据对应的时域特征加载至所述预测分类模型，以得出当前所述主轴的偏摆半径，从而预测所述主轴的偏摆级别。2.根据权利要求1所述的检测方法，其特征在于，将所述训练样本单元输入基于损失函数以及所述梯度提升树算法所确定的模型，并进行预设轮次的迭代以更新模型参数的步骤包括：基于所述梯度提升树算法，对所述时域特征构建决策树；经过第t
‑
1次的迭代，基于所述损失函数形成学习器f
t
‑1(x),其中t为迭代轮数，且2≤t≤T，T为预设轮数，x为所述训练样本单元中的所述时域特征中的特征元；经过第t次的迭代，当满足预设条件，所述决策树建立完毕，在所述学习器f
t
‑1(x)的基础上更新以形成学习器f(x)，并更新所述模型参数。3.根据权利要求2所述的检测方法，其特征在于，经过第t次的迭代，当满足预设条件，所述决策树建立完毕，在所述学习器f
t
‑1(x)的基础上更新以形成学习器f(x)的步骤包括：基于当前训练样本单元对当前t轮数的损失函数对学习器f
t
‑1(x)求解一阶导数，二阶导数并代入损失函数得到当前损失函数的值；基于当前节点尝试再次分裂决策树，所述决策树包括多个叶子节点，默认当前分数为0，将当前分数与当前损失函数对应的值进行比较，两...

【专利技术属性】
技术研发人员：韩庆，吕亦宸，席朋雷，彭紫豪，吴振廷，叶小明，夏华，许兵，税小平，刘斌，
申请(专利权)人：富联裕展科技深圳有限公司，
类型：发明
国别省市：