CN112487058A - 一种基于数据挖掘的数控机床故障监测与诊断系统 - Google Patents
一种基于数据挖掘的数控机床故障监测与诊断系统 Download PDFInfo
- Publication number
- CN112487058A CN112487058A CN202011376292.0A CN202011376292A CN112487058A CN 112487058 A CN112487058 A CN 112487058A CN 202011376292 A CN202011376292 A CN 202011376292A CN 112487058 A CN112487058 A CN 112487058A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosis
- module
- fault
- mining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000007418 data mining Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 claims abstract description 162
- 208000024891 symptom Diseases 0.000 claims abstract description 32
- 230000007246 mechanism Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000003993 interaction Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000008676 import Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000013523 data management Methods 0.000 claims abstract description 18
- 238000005065 mining Methods 0.000 claims description 53
- 238000000605 extraction Methods 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 19
- 238000009825 accumulation Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012217 deletion Methods 0.000 claims description 13
- 230000037430 deletion Effects 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 2
- 238000012552 review Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 13
- 238000007792 addition Methods 0.000 description 12
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Mechanical Engineering (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数据挖掘的数控机床故障监测与诊断系统，系统包括数据管理模块、数据判读模块、智能故障诊断模块、数据挖掘模块和人机交互模块。数据管理模块支持实时汇入当前数据，批量导入导出历史数据；数据判读模块对数据进行预处理、特征提取、征兆提取；智能故障诊断模块综合所得征兆与诊断知识，推理系统级故障；数据挖掘模块自主挖掘未知故障模式告警判据和诊断知识规则，并更新告警判据库和诊断知识库；人机交互模块实现故障监测、诊断过程的设置控制，及结果的实时显示；该系统优点包括，充分利用机床运行自然产生数据，无需对机理复杂的机床深入建模，突破传统专家系统式诊断系统知识“瓶颈”，诊断过程自动化，诊断快速准确。
Description
技术领域
本发明涉及数控机床故障诊断领域，具体涉及一种基于数据挖掘的数控机床故障监测与诊断系统。
背景技术
高精尖军品对工艺质量提出的越来越高要求，以及高强度作业和艰巨型号任务对批产能力提出的越来越高要求，凸显着对加强装备研制应用的迫切需求。机床素有“工业之母”的称号，代表了一个国家制造能力的强弱。当前我国国产高档数控机床能够替代进口解决有无问题，但在机床可靠性与精度保持性提升等关键技术方面仍与国外技术存在差距。
数控机床故障诊断技术是保持机床可靠性、稳定性与加工精密度的一项关键技术。故障诊断技术最早被开发应用于美国F-35联合攻击战斗机的装备保障维修。数控机床故障监测与诊断系统能够对机床运行状态进行实时或准实时级别的监控，对机床运行故障告警，对机床运行故障模式进行快速分析诊断，以实现视情维修为确定维修时机提供决策依据，以提高机床设备的可用度和任务可靠性。
数控机床的故障诊断技术发展主要经历三个阶段。初级的数控机床故障诊断技术依赖于出厂的各类数控机床本身提供的故障诊断信息，包括错误代码、信号指示灯等。其显而易见的缺点是：一、诊断故障范围有限，依赖于机床厂商的设计布置；二、诊断结果具有开关跳变性，无法监测到故障发生前的趋势；三、诊断信息的使用强烈依赖经验丰富的特定型号专门维修人员。在需求下数控机床故障诊断技术发展为额外一套基于对数控机床运行机理深入梳理和可靠性建模的故障诊断系统，但其缺点是：一、系统依赖于特定模型，系统开发复杂成本高，对不同型号机床的兼容适用性差；二、系统故障诊断能力固定，任何方式无法提高、扩展。人工智能技术发展的早期专家系统技术，或融合对于特定机床机理的梳理和可靠性建模，也有对一些机床运行信号的直接监测，诞生了一种基于专家系统的故障诊断技术，能够通过人机交互将专家的知识赋予给计算程序，提升系统诊断能力，但其缺点是：一、或需要监测机床设备的特定状态参数，或未充分利用机床自然运行产生数据；二、诊断能力提升依赖于领域专家的知识输入，欠缺自主性；三、知识获取存在“瓶颈”，专家经验知识即是系统“智能”的极限。
如何开发一套基于数据的不依赖机床运行机理深入剖析、具有不同型号兼容适用性的数控机床故障诊断系统；如何方便、低成本获取数据，充分挖掘数据信息，实现故障监测与诊断；如何提升系统智能、自主能力，挖掘知识，突破专家知识“瓶颈”，进而提升系统诊断能力,是现有技术需要解决的技术问题。
发明内容
本发明针对精密加工用高档数控机床实时、智能化、自主化故障监测与诊断的需求，设计解决数控机床实时、智能、自主故障监测与诊断的问题。本发明提出一种数控机床故障监测与诊断系统，主要解决的问题有：以数控机床设备运行时的实测数据及运行历史数据为基础，实时对设备运行的测量数据解析判读，实时监测系统故障，快速诊断系统故障，未知故障模式告警判据挖掘，未知故障模式关联规则提取，知识库自学习更新。
本发明采用的技术方案为：一种基于数据挖掘的数控机床故障监测与诊断系统，包括数据管理模块、数据判读模块、智能故障诊断模块、数据挖掘模块和人机交互模块；其中，
数据管理模块包括数据库，支持可选择地实时汇入当前实测数据，支持历史数据的批量导入导出，统一管理；
数据判读模块包括数据预处理模块、特征提取模块、征兆提取模块、告警判据库模块；其中，数据预处理模块利用函数对数据进行预处理；特征提取模块用于对设备运行测量的各类数据进行数据特征提取；告警判据库模块包括告警判据库，存储有数据分析判读所使用的各种判据；
智能故障诊断模块，根据设备运行测量数据判读模块得到的故障征兆，结合诊断知识库中的知识，进行推理和规则匹配，进而诊断出系统故障；
数据挖掘模块自主挖掘潜在的未知故障模式告警判据和隐含的未知故障模式关联规则，自主更新设备运行测量数据判读模块的告警判据库和智能故障诊断模块的诊断知识库；
人机交互模块，实时显示数据判读、故障监测与诊断的过程和结果，对整个故障监测与诊断过程进行设置控制，同时在系统自主学习更新告警判据库和诊断知识库时，如有需要由此模块引入专家意见。
进一步的，所述数据判读模块能够实现机床设备运行监测数据的数据预处理；对于不直接表征机床设备故障的监测数据采用特征提取算法实现数据的特征提取，所述特征提取算法包括对于机床振动信号先后采用小波包分解算法、能量特征提取算法，以提取振动信号高性能特征，进而便于获取故障征兆并告警；征兆提取模块通过包络分析、阈值分析、相关性分析和相似性度量对数据进行分析，提取故障征兆点并告警；征兆提取时使用的判据，来源于告警判据库；告警判据库中的判据起初由领域专家结合经验知识或者工程人员结合实际工程数据分析确定，后由系统从历史数据中自主挖掘学习得到。
进一步的，所述智能故障诊断模块根据故障征兆通过推理机制推理得到系统故障；推理机制模块包含黑板模型和搜索匹配算法，对数据判读模块所得到的故障征兆，根据诊断知识库提供的规则和事实进行搜索匹配，得到故障诊断结果；诊断知识库包含故障树，事实表，规则表；模块采用启发式搜索，当设备某监测数据诊断异常时，启动搜索算法和黑板模型，在知识库中搜索诊断知识；诊断知识库起初由专家通过建立故障树分析得到，后由系统从历史数据中提取挖掘得到。
进一步的，所述智能故障诊断模块根据故障征兆和诊断知识库中的知识通过推理机制推理得到系统故障；智能故障诊断模块包括诊断知识库，其中的知识由数据管理模块管理，由数据挖掘模块经由知识获取器实现系统自主更新，由人机交互模块通过知识获取器输入专家经验知识辅助更新或对系统自主更新的知识予以审评确认；
诊断知识库中的知识以故障树、事实表、规则表等形式表达，为便于推理机制模块推理运算，各类形式知识都将由知识获取器转换得到一个产生式规则表形式的知识副本；数据判读模块输入故障征兆事实给推理机制模块，既作为当推理机制模块采用正向链推理时的规则触发条件，又作为推理机制模块推理诊断的结果事实；
推理机制模块包括推理执行器和推理控制器；推理执行器实现正向链推理、反向链推理以及正反向链结合推理的算法，从知识库的产生式规则副本中选择与当前已知事实相匹配的推理规则，得到推理结果；
推理控制器解决当推理执行器匹配到多条规则时的冲突，判断推理执行器推理结果是否满足问题结束条件，以及不满足结束条件时的推理结果、已知事实转化；
推理执行器在推理运算时，对诊断知识库中的产生式规则副本的循环顺序触发启用实现在动态黑板的实时更新；规则的顺序触发记录经合理组织即是对推理过程的解释，返回推理机制模块，与推理结论一并与人机交互模块通信，同时与知识获取器通信供诊断知识库更新需要。
进一步的，所述数据挖掘模块从历史数据中挖掘潜在的未知故障模式告警判据，对于非正常模式却又不属于当前已知任何故障模式的数据给予未知故障模式的判定，存入积累池；当积累池中该未知故障模式的数据积累到数量，则所计算聚类中心即为该故障模式标准告警判据，更新告警判据库，删除积累池中该故障模式的历史未知数据；每当告警判据库被更新，立即计算是否有隐含的未知故障模式关联规则可以提取，若有则更新诊断知识库中的规则表。
进一步的，数据挖掘模块用于挖掘潜在的未知故障模式告警判据和隐含的未知故障模式关联规则，自主更新设备运行测量数据判读模块的告警判据库和智能故障诊断模块的诊断知识库；当数据判读模块读取到非正常模式数据，却又无法在当前告警判据库中搜索到满足一定置信度条件的对应告警判据时，意味着该数据可能表征未知故障模式，由数据挖掘模块的判据挖掘控制器控制存入积累池；当积累池中该可能的未知故障模式数据积累到预定数量，判据挖掘控制器调用告警判据挖掘算法库，提取标准告警判据、阈值或序列包络；
若计算结果具有大于预定阈值的置信度，或聚类、有监督分类的目标函数小于某阈值，则说明挖掘发现了一种新的故障模式，所计算的聚类中心即为该故障模式标准告警判据，或者所计算支持向量机的支持向量即为阈值或包络，更新告警判据库，删除积累池中属于该故障模式的历史未知数据；
进一步的，告警判据库或直接更新，或由用户、专家通过人机交互模块审评确认后再予以更新；每当告警判据库被更新，数据挖掘模块中的判据挖掘控制器控制验算是否产生新的诊断规则；每当完成一次系统级的故障诊断，判据挖掘控制器控制各层级的推理诊断结果存入积累池，达到预定支持度阈值时，调用诊断规则挖掘算法库，挖掘同层级模块故障之间、跨层级模块故障之间是否具有联系，定量地是否存在某种映射关系；挖掘得到此类诊断规则，系统或直接更新诊断知识库，记录相关日志供日后追踪研究使用，或由用户、专家通过人机交互模块评审研究通过后，再更新相应诊断知识库。
进一步的，人机交互模块实时显示系统故障监测与诊断的过程数据和结果，同时对整个故障监测与诊断过程进行设置控制，包括监测数据接入设置、历史数据导入导出操作、监测诊断数据选择、预处理函数选择、特征提取算法选择、告警判据库人工添加与删除操作、告警判据自主挖掘设置及日志查询、告警判据自主挖掘的专家意见引入标定、征兆提取方法选择、诊断知识库的人工添加与删除操作、诊断知识库自主挖掘设置及规则挖掘日志查询、诊断知识库自主挖掘的专家意见引入标定、故障监测与诊断报告的生成导出。
进一步的，系统智能故障诊断模块中的诊断知识库存储有表达形式各异的知识，并通过知识获取器实时、自动地维护一个产生式规则知识副本。
本发明与现有技术相比的优点在于：
(1)本发明充分利用机床运行自然产生数据信息，数据获取方式简单、成本低；
(2)本发明不同于基于模型的数控机床故障监测与诊断系统，无需对复杂的机床设备运行机理建模，并且因此也对各类型号的机床设备均具有不同程度较好的适用性；
(3)本发明不同于现有基于专家系统的故障监测与诊断系统，克服了对专家的依赖，突破了在知识获取上面临的“瓶颈”，系统更具智能化与自主化的特点；
(4)本发明支持实时的故障诊断，诊断过程自动化，诊断结果快速准确；
(5)本发明支持方便的监测数据接入，监测诊断数据选择和历史数据的批量导入导出；
(6)本发明特征提取算法库中的系列算法能从数据中快速精准提取能够体现故障征兆的典型特征信息；
(7)本发明的征兆提取模块具有全自动包络分析、阈值分析、相关性分析和相似性度量技术；
(8)本发明人机交互模块可以实时显示监测诊断过程数据及结果，并可以对监测诊断过程进行控制。
附图说明
图1为本发明一种基于数据挖掘的数控机床故障监测与诊断系统结构图；
图2为本发明数控机床智能故障诊断模块框图；
图3为本发明数控机床产生式规则知识副本获取示意图；
图4为本发明数控机床数据挖掘模块框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
参见图1，本发明一种基于数据挖掘的数控机床故障监测与诊断系统，包含数控机床设备数据管理模块、数据判读模块、智能故障诊断模块、数据挖掘模块和人机交互模块。设备数据管理模块由数据库组成，包括设备运行测量数据管理、数据预处理过程数据管理、数据特征提取过程数据管理、征兆提取过程数据管理、告警判据库管理、诊断知识库管理和故障监测诊断结果管理，支持可选择地实时汇入当前实测数据，支持历史数据的批量导入导出；设备运行测量数据判读模块对数据进行预处理、特征提取；其中，数据预处理函数库隶属于设备运行测量数据判读模块，包含数据预处理所使用的函数；特征提取算法库隶属于设备运行测量数据判读模块，包含设备运行所测量的各类数据所使用的数据特征提取算法；告警判据库隶属于设备运行测量数据判读模块，包含数据分析判读所使用的各种判据；智能故障诊断模块，根据设备运行测量数据判读模块得到的故障征兆，结合诊断知识库中的知识，进行推理和规则匹配，进而诊断出系统故障；数据挖掘模块挖掘潜在的未知故障模式告警判据和隐含的未知故障模式关联规则，自主更新设备运行测量数据判读模块的告警判据库和智能故障诊断模块的诊断知识库，也可以通过人机交互模块结合专家意见后更新相应的告警判据库和诊断知识库；人机交互模块，实时显示数据判读、故障监测与诊断的过程和结果，对整个故障监测与诊断过程进行设置控制，同时在系统自主学习更新告警判据库和诊断知识库时，如有需要由此模块引入专家意见。
数据管理模块由瑞典MySQL AB公司开发的现属Oracle旗下的关系型数据库管理系统MySQL组成。一如关系型数据库将数据保存在不同的表中，而不是将所有数据放在一个大仓库内，选择MySQL作为设备数据管理模块的组成具有体积小、速度快、成本低的特点。设备数据管理模块支持可选择地实时汇入当前实测数据，支持历史数据的批量导入导出及常用操作，包括设备运行测量数据导入导出及添加、修改与删除，数据预处理过程数据导入导出及添加、修改与删除，数据特征提取过程数据导入导出及添加、修改与删除，征兆提取过程数据管理导入导出及添加、修改与删除，告警判据库管理导入导出及添加、修改、删除与查询，诊断知识库导入导出及添加、修改、删除与查询，故障监测诊断结果导入导出。
设备运行测量数据判读模块可以实现机床设备运行监测数据的数据预处理，主要解决受噪声数据、遗漏数据侵扰的问题，以提高数据质量，提高特征提取、征兆提取和数据挖掘结果质量，提高最终诊断准确率，预处理方法包括缺失值人工填写、缺失值全局常量填补、缺失值属性平均值填补、缺失值回归或贝叶斯或判定树预测填补和噪声数据分箱剔除、噪声数据聚类剔除、噪声数据人工检查剔除、噪声数据回归平滑；对于不直接表征机床设备故障的监测数据采用一系列特征提取算法实现数据的特征提取，以获取故障征兆并告警，特征提取方法包括对缓变骤变温度数据的滑动窗线性回归特征提取，振动信号的傅里叶变换频域特征提取，振动信号短时傅里叶变换时域特征提取，振动信号小波分解、小波包分解的能量特征提取，高维数据主成分分析，高维数据核主成分分析；征兆提取方法包括包络分析、阈值分析、相关性分析和相似性度量分析提取故障征兆点并告警；征兆提取时使用的判据，来源于告警判据库；告警判据库中的判据起初由领域专家结合经验知识或者工程人员结合实际工程数据分析确定，后由系统从历史数据中自主挖掘学习得到。具体特征为：数据预处理函数库，包含数据预处理所使用的常用函数，支持用户在线自定义添加预处理函数，支持调用用户开发的外部预处理函数程序；特征提取算法库，包含设备运行所测量的各类数据所使用的数据特征提取算法，支持用户在线自定义添加特征提取算法，支持调用用户开发的外部特征提取程序；告警判据库，包含数据分析判读所使用的各种判据阈值型、包络型判据，支持用户自定义添加判据，支持从历史数据挖掘中自主挖掘并引入新判据，支持从历史数据中挖掘并结合专家意见后引入新判据。
参见图2，智能故障诊断模块根据故障征兆和诊断知识库中的知识通过推理机制推理得到系统故障。智能故障诊断模块的核心三要素是诊断知识库中的知识、数据判读模块输入的故障征兆事实以及推理机制模块推理运算的控制执行策略算法：诊断知识库中的知识由数据管理模块管理，由数据挖掘模块经由知识获取器实现系统自主更新、由人机交互模块通过知识获取器输入专家经验知识辅助更新或对系统自主更新的知识予以审评确认；诊断知识库中的知识以故障树、事实表、规则表等形式表达，为便于推理机制模块推理运算，各类形式知识都将由知识获取器转换得到一个产生式规则表形式的知识副本；数据判读模块输入故障征兆事实给推理机制模块，既作为当推理机制模块采用正向链推理时的规则触发条件，又作为推理机制模块推理诊断的结果事实；推理机制模块包括推理执行器和推理控制器；推理执行器实现正向链推理、反向链推理以及正反向链结合推理的算法，从知识库的产生式规则副本中选择与当前已知事实相匹配的推理规则，得到推理结果；推理控制器解决当推理执行器匹配到多条规则时的冲突，判断推理执行器推理结果是否满足问题结束条件，以及不满足结束条件时的推理结果、已知事实转化；推理执行器在推理运算时，对诊断知识库中的产生式规则副本的循环顺序触发启用实现在动态黑板的实时更新；规则的顺序触发记录经合理组织即是对推理过程的解释，返回推理机制模块，与推理结论一并与人机交互模块通信，同时与知识获取器通信供诊断知识库更新需要。
参见图3，故障树是诊断知识库中知识的一种表达形式，这种表达形式利用布尔逻辑以树的结构梳理组合低阶事件，具有逻辑层次清晰的优点，适合人脑的思维，但不便于计算机的搜索和推理运算；产生式规则也是诊断知识库中知识的一种表达形式，这种知识表达形式天然地非常适合于计算机的运算；系统智能故障诊断模块中的诊断知识库存储有表达形式各异的知识，并通过知识获取器实时、自动地维护一个产生式规则知识副本；在图3的与或树中，除叶子节点外的每个节点与其子节点均转化得一条产生式规则，与或树的遍历可以采用例如宽度优先、深度优先等的树搜索遍历算法，得到3条产生式规则如下：根节点T与其子节点X1,X2是或的关系，得到IF X1 OR X2,THEN T；节点X1与其子节点X3,X4,X5是与的关系，得到IF X3 AND X4 AND X5,THEN X1；节点X2与其子节点X6,X7,X8是与的关系，得到IFX6 AND X7 AND X8,THEN X2。
参见图4，数据挖掘模块挖掘潜在的未知故障模式告警判据和隐含的未知故障模式关联规则，自主更新设备运行测量数据判读模块的告警判据库和智能故障诊断模块的诊断知识库。当数据判读模块读取到非正常模式数据，却又无法在当前告警判据库中搜索到满足一定置信度的对应告警判据时，意味着该数据可能表征未知故障模式，由数据挖掘模块的判据挖掘控制器控制存入积累池；当积累池中该可能的未知故障模式数据积累到一定数量，判据挖掘控制器调用告警判据挖掘算法库，核心是各类的聚类算法，包括一般的K-Means算法、基于密度的DBSCAN算法、模糊高效的FCM算法和不指定类簇数量的ISODATA算法以及支持向量机等有监督分类机器学习算法，提取标准告警判据、阈值或序列包络；若计算结果置信度大于预定数值，或聚类、有监督分类的目标函数小于某阈值，则说明挖掘发现了一种新的故障模式，所计算的聚类中心即为该故障模式标准告警判据，或者所计算支持向量机的支持向量即为阈值或包络，更新告警判据库，删除积累池中属于该故障模式的历史未知数据；告警判据库的更新也可由用户、专家通过人机交互模块审评确认后再予以更新。每当告警判据库被更新，数据挖掘模块中的判据挖掘控制器控制验算是否产生新的诊断规则；每当完成一次系统级的故障诊断，判据挖掘控制器控制各层级的推理诊断结果存入积累池，达到一定支持度阈值时，调用诊断规则挖掘算法库，其中包括关联规则提取算法如Apriori算法、FP-growth算法，以及皮尔逊相关系数计算函数、统计多元相关性分析计算函数、神经网络拟合函数等，挖掘同层级模块故障之间、跨层级模块故障之间是否具有联系，定量地是否存在某种映射关系；挖掘得到的此类诊断规则通常是高层级的、抽象的、超出专家一般经验知识的，系统或直接更新诊断知识库，记录相关日志供日后追踪研究使用，或由用户、专家通过人机交互模块评审研究通过后，再更新相应诊断知识库。
人机交互模块为C#设计的可视化界面，界面的按钮、显示窗口等与后台运行程序连接，可以实时显示系统故障监测与诊断的过程数据和结果，同时对整个故障监测与诊断过程进行设置控制，包括监测数据接入设置、历史数据导入导出操作、监测诊断数据选择、预处理函数选择、特征提取算法选择、告警判据库人工添加与删除操作、告警判据自主挖掘设置及日志查询、告警判据自主挖掘的专家意见引入标定、征兆提取方法选择、诊断知识库的人工添加与删除操作、诊断知识库自主挖掘设置及规则挖掘日志查询、诊断知识库自主挖掘的专家意见引入标定、故障监测与诊断报告的生成导出等。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (9)
1.一种基于数据挖掘的数控机床故障监测与诊断系统，其特征在于：包括数据管理模块、数据判读模块、智能故障诊断模块、数据挖掘模块和人机交互模块；其中，
数据管理模块包括数据库，支持可选择地实时汇入当前实测数据，支持历史数据的批量导入导出，统一管理；
数据判读模块包括数据预处理模块、特征提取模块、征兆提取模块、告警判据库模块；其中，数据预处理模块利用函数对数据进行预处理；特征提取模块用于对设备运行测量的各类数据进行数据特征提取；告警判据库模块包括告警判据库，存储有数据分析判读所使用的各种判据；
智能故障诊断模块，根据设备运行测量数据判读模块得到的故障征兆，结合诊断知识库中的知识，进行推理和规则匹配，进而诊断出系统故障；
数据挖掘模块自主挖掘潜在的未知故障模式告警判据和隐含的未知故障模式关联规则，自主更新设备运行测量数据判读模块的告警判据库和智能故障诊断模块的诊断知识库；
人机交互模块，实时显示数据判读、故障监测与诊断的过程和结果，对整个故障监测与诊断过程进行设置控制，同时在系统自主学习更新告警判据库和诊断知识库时，如有需要由此模块引入专家意见。
2.根据权利要求1所述的一种基于数据挖掘的数控机床故障监测与诊断系统，其特征在于：
所述数据判读模块能够实现机床设备运行监测数据的数据预处理；对于不直接表征机床设备故障的监测数据采用特征提取算法实现数据的特征提取，所述特征提取算法包括对于机床振动信号先后采用小波包分解算法、能量特征提取算法，以提取振动信号高性能特征，进而便于获取故障征兆并告警；征兆提取模块通过包络分析、阈值分析、相关性分析和相似性度量对数据进行分析，提取故障征兆点并告警；征兆提取时使用的判据，来源于告警判据库；告警判据库中的判据起初由领域专家结合经验知识或者工程人员结合实际工程数据分析确定，后由系统从历史数据中自主挖掘学习得到。
3.根据权利要求1所述的一种基于数据挖掘的数控机床故障监测与诊断系统，其特征在于：
所述智能故障诊断模块根据故障征兆通过推理机制推理得到系统故障；推理机制模块包含黑板模型和搜索匹配算法，对数据判读模块所得到的故障征兆，根据诊断知识库提供的规则和事实进行搜索匹配，得到故障诊断结果；诊断知识库包含故障树，事实表，规则表；模块采用启发式搜索，当设备某监测数据诊断异常时，启动搜索算法和黑板模型，在知识库中搜索诊断知识；诊断知识库起初由专家通过建立故障树分析得到，后由系统从历史数据中提取挖掘得到。
4.根据权利要求3所述的一种基于数据挖掘的数控机床故障监测与诊断系统，其特征在于：
所述智能故障诊断模块根据故障征兆和诊断知识库中的知识通过推理机制推理得到系统故障；智能故障诊断模块包括诊断知识库，其中的知识由数据管理模块管理，由数据挖掘模块经由知识获取器实现系统自主更新，由人机交互模块通过知识获取器输入专家经验知识辅助更新或对系统自主更新的知识予以审评确认；
诊断知识库中的知识以故障树、事实表、或规则表形式表达，为便于推理机制模块推理运算，各类形式知识都将由知识获取器转换得到一个产生式规则表形式的知识副本；数据判读模块输入故障征兆事实给推理机制模块，既作为当推理机制模块采用正向链推理时的规则触发条件，又作为推理机制模块推理诊断的结果事实；
推理机制模块包括推理执行器和推理控制器；推理执行器实现正向链推理、反向链推理以及正反向链结合推理的算法，从知识库的产生式规则副本中选择与当前已知事实相匹配的推理规则，得到推理结果；
推理控制器解决当推理执行器匹配到多条规则时的冲突，判断推理执行器推理结果是否满足问题结束条件，以及不满足结束条件时的推理结果、已知事实转化；
推理执行器在推理运算时，对诊断知识库中的产生式规则副本的循环顺序触发启用实现在动态黑板的实时更新；规则的顺序触发记录经合理组织即是对推理过程的解释，返回推理机制模块，与推理结论一并与人机交互模块通信，同时与知识获取器通信供诊断知识库更新需要。
5.根据权利要求1所述的一种基于数据挖掘的数控机床故障监测与诊断系统，其特征在于：
所述数据挖掘模块从历史数据中挖掘潜在的未知故障模式告警判据，对于非正常模式却又不属于当前已知任何故障模式的数据给予未知故障模式的判定，存入积累池；当积累池中该未知故障模式的数据积累到数量，则所计算聚类中心即为该故障模式标准告警判据，更新告警判据库，删除积累池中该故障模式的历史未知数据；每当告警判据库被更新，立即计算是否有隐含的未知故障模式关联规则可以提取，若有则更新诊断知识库中的规则表。
6.根据权利要求5所述的一种基于数据挖掘的数控机床故障监测与诊断系统，其特征在于：
数据挖掘模块用于挖掘潜在的未知故障模式告警判据和隐含的未知故障模式关联规则，自主更新设备运行测量数据判读模块的告警判据库和智能故障诊断模块的诊断知识库；当数据判读模块读取到非正常模式数据，却又无法在当前告警判据库中搜索到满足一定置信度条件的对应告警判据时，意味着该数据可能表征未知故障模式，由数据挖掘模块的判据挖掘控制器控制存入积累池；当积累池中该可能的未知故障模式数据积累到预定数量，判据挖掘控制器调用告警判据挖掘算法库，提取标准告警判据、阈值或序列包络；
若计算结果具有大于预定阈值的置信度，或聚类、有监督分类的目标函数小于某阈值，则说明挖掘发现了一种新的故障模式，所计算的聚类中心即为该故障模式标准告警判据，或者所计算支持向量机的支持向量即为阈值或包络，更新告警判据库，删除积累池中属于该故障模式的历史未知数据。
7.根据权利要求6所述的一种基于数据挖掘的数控机床故障监测与诊断系统，其特征在于：
告警判据库或直接更新，或由用户、专家通过人机交互模块审评确认后再予以更新；每当告警判据库被更新，数据挖掘模块中的判据挖掘控制器控制验算是否产生新的诊断规则；每当完成一次系统级的故障诊断，判据挖掘控制器控制各层级的推理诊断结果存入积累池，达到预定支持度阈值时，调用诊断规则挖掘算法库，挖掘同层级模块故障之间、跨层级模块故障之间是否具有联系，定量地是否存在某种映射关系；挖掘得到此类诊断规则，系统或直接更新诊断知识库，记录相关日志供日后追踪研究使用，或由用户、专家通过人机交互模块评审研究通过后，再更新相应诊断知识库。
8.根据权利要求1所述的一种基于数据挖掘的数控机床故障监测与诊断系统，其特征在于：
人机交互模块实时显示系统故障监测与诊断的过程数据和结果，同时对整个故障监测与诊断过程进行设置控制，包括监测数据接入设置、历史数据导入导出操作、监测诊断数据选择、预处理函数选择、特征提取算法选择、告警判据库人工添加与删除操作、告警判据自主挖掘设置及日志查询、告警判据自主挖掘的专家意见引入标定、征兆提取方法选择、诊断知识库的人工添加与删除操作、诊断知识库自主挖掘设置及规则挖掘日志查询、诊断知识库自主挖掘的专家意见引入标定、故障监测与诊断报告的生成导出。
9.根据权利要求1所述的一种基于数据挖掘的数控机床故障监测与诊断系统，其特征在于：
系统智能故障诊断模块中的诊断知识库存储有表达形式各异的知识，并通过知识获取器实时、自动地维护一个产生式规则知识副本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011376292.0A CN112487058A (zh) | 2020-11-30 | 2020-11-30 | 一种基于数据挖掘的数控机床故障监测与诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011376292.0A CN112487058A (zh) | 2020-11-30 | 2020-11-30 | 一种基于数据挖掘的数控机床故障监测与诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112487058A true CN112487058A (zh) | 2021-03-12 |
Family
ID=74937471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011376292.0A Pending CN112487058A (zh) | 2020-11-30 | 2020-11-30 | 一种基于数据挖掘的数控机床故障监测与诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112487058A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113369979A (zh) * | 2021-06-12 | 2021-09-10 | 杭州职业技术学院 | 一种基于云计算的在线监测数控车床冷却系统 |
| CN113377746A (zh) * | 2021-07-02 | 2021-09-10 | 贵州电网有限责任公司 | 一种试验报告数据库构建和智能诊断分析系统 |
| CN113640699A (zh) * | 2021-10-14 | 2021-11-12 | 南京国铁电气有限责任公司 | 微机控制型交直流电源系统故障判断方法、系统和设备 |
| CN113961612A (zh) * | 2021-07-21 | 2022-01-21 | 重庆悦君和信科技有限公司 | 一种基于深度学习的卫星健康数据综合分析系统及方法 |
| CN114118224A (zh) * | 2021-11-02 | 2022-03-01 | 中国运载火箭技术研究院 | 一种基于神经网络的全系统遥测参数异常检测系统 |
| CN115220396A (zh) * | 2022-09-20 | 2022-10-21 | 南通韦俐数控机床有限公司 | 一种数控机床智能监控方法及系统 |
| CN116118511A (zh) * | 2023-04-18 | 2023-05-16 | 中国第一汽车股份有限公司 | 电动车辆的动力电池断电功能的安全监控方法和装置 |
| CN117348605A (zh) * | 2023-12-05 | 2024-01-05 | 东莞栢能电子科技有限公司 | 应用于离型膜撕除机控制系统的优化方法及系统 |
| CN117742304A (zh) * | 2024-02-09 | 2024-03-22 | 珠海市南特金属科技股份有限公司 | 曲轴双顶车控制系统的故障诊断方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090063384A1 (en) * | 2007-09-05 | 2009-03-05 | Cho Joonmyun | Method of applying user-defined inference rule using function of searching knowledge base and knowledge base management system therefor |
| CN103017818A (zh) * | 2012-08-09 | 2013-04-03 | 江苏科技大学 | 一种智能开关柜故障诊断系统及方法 |
| CN103345207A (zh) * | 2013-05-31 | 2013-10-09 | 北京泰乐德信息技术有限公司 | 一种轨道交通监控数据的挖掘分析与故障诊断系统 |
| CN107891994A (zh) * | 2017-11-09 | 2018-04-10 | 北京九天翱翔科技有限公司 | 一种全智能飞行器飞行试验误差分析系统 |
| CN108519769A (zh) * | 2018-04-09 | 2018-09-11 | 电子科技大学 | 一种基于规则的飞控系统故障诊断方法 |
-
2020
- 2020-11-30 CN CN202011376292.0A patent/CN112487058A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090063384A1 (en) * | 2007-09-05 | 2009-03-05 | Cho Joonmyun | Method of applying user-defined inference rule using function of searching knowledge base and knowledge base management system therefor |
| CN103017818A (zh) * | 2012-08-09 | 2013-04-03 | 江苏科技大学 | 一种智能开关柜故障诊断系统及方法 |
| CN103345207A (zh) * | 2013-05-31 | 2013-10-09 | 北京泰乐德信息技术有限公司 | 一种轨道交通监控数据的挖掘分析与故障诊断系统 |
| CN107891994A (zh) * | 2017-11-09 | 2018-04-10 | 北京九天翱翔科技有限公司 | 一种全智能飞行器飞行试验误差分析系统 |
| CN108519769A (zh) * | 2018-04-09 | 2018-09-11 | 电子科技大学 | 一种基于规则的飞控系统故障诊断方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113369979B (zh) * | 2021-06-12 | 2022-05-17 | 杭州职业技术学院 | 一种基于云计算的在线监测数控车床冷却系统 |
| CN113369979A (zh) * | 2021-06-12 | 2021-09-10 | 杭州职业技术学院 | 一种基于云计算的在线监测数控车床冷却系统 |
| CN113377746B (zh) * | 2021-07-02 | 2023-08-18 | 贵州电网有限责任公司 | 一种试验报告数据库构建和智能诊断分析系统 |
| CN113377746A (zh) * | 2021-07-02 | 2021-09-10 | 贵州电网有限责任公司 | 一种试验报告数据库构建和智能诊断分析系统 |
| CN113961612A (zh) * | 2021-07-21 | 2022-01-21 | 重庆悦君和信科技有限公司 | 一种基于深度学习的卫星健康数据综合分析系统及方法 |
| CN113640699A (zh) * | 2021-10-14 | 2021-11-12 | 南京国铁电气有限责任公司 | 微机控制型交直流电源系统故障判断方法、系统和设备 |
| CN113640699B (zh) * | 2021-10-14 | 2021-12-24 | 南京国铁电气有限责任公司 | 微机控制型交直流电源系统故障判断方法、系统和设备 |
| CN114118224A (zh) * | 2021-11-02 | 2022-03-01 | 中国运载火箭技术研究院 | 一种基于神经网络的全系统遥测参数异常检测系统 |
| CN114118224B (zh) * | 2021-11-02 | 2024-04-12 | 中国运载火箭技术研究院 | 一种基于神经网络的全系统遥测参数异常检测系统 |
| CN115220396B (zh) * | 2022-09-20 | 2022-12-20 | 南通韦俐数控机床有限公司 | 一种数控机床智能监控方法及系统 |
| CN115220396A (zh) * | 2022-09-20 | 2022-10-21 | 南通韦俐数控机床有限公司 | 一种数控机床智能监控方法及系统 |
| CN116118511A (zh) * | 2023-04-18 | 2023-05-16 | 中国第一汽车股份有限公司 | 电动车辆的动力电池断电功能的安全监控方法和装置 |
| CN117348605A (zh) * | 2023-12-05 | 2024-01-05 | 东莞栢能电子科技有限公司 | 应用于离型膜撕除机控制系统的优化方法及系统 |
| CN117348605B (zh) * | 2023-12-05 | 2024-03-12 | 东莞栢能电子科技有限公司 | 应用于离型膜撕除机控制系统的优化方法及系统 |
| CN117742304A (zh) * | 2024-02-09 | 2024-03-22 | 珠海市南特金属科技股份有限公司 | 曲轴双顶车控制系统的故障诊断方法及系统 |
| CN117742304B (zh) * | 2024-02-09 | 2024-05-07 | 珠海市南特金属科技股份有限公司 | 曲轴双顶车控制系统的故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112487058A (zh) | 一种基于数据挖掘的数控机床故障监测与诊断系统 | |
| CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| CN113723632A (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
| CN112101431A (zh) | 电子设备故障诊断系统 | |
| CN114021932B (zh) | 风电机组的能效评价与诊断方法、系统及介质 | |
| CN114118224B (zh) | 一种基于神经网络的全系统遥测参数异常检测系统 | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
| CN115718472A (zh) | 水电机组故障扫描诊断方法 | |
| CN106844194A (zh) | 一种多层次软件故障诊断专家系统的构建方法 | |
| CN109785180A (zh) | 一种面向数字孪生车间的场景感知系统及方法 | |
| CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
| CN117406689A (zh) | 一种数据驱动与知识引导的故障诊断方法及系统 | |
| CN110991668A (zh) | 一种基于关联规则的电动汽车动力电池监控数据分析方法 | |
| CN111581739A (zh) | 基于故障树和案例推理的直升机智能故障诊断方法 | |
| Jaribion et al. | [WiP] a novel method for big data analytics and summarization based on fuzzy similarity measure | |
| Wehner et al. | Interactive and intelligent root cause analysis in manufacturing with causal Bayesian networks and knowledge graphs | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| CN113204212A (zh) | 一种基于双专家系统的数控机床故障诊断方法 | |
| CN112231352A (zh) | 一种多路阀失效数据管理及失效模式自动诊断系统 | |
| CN117196575A (zh) | 地面装备故障预测与健康管理系统通用架构及其使用方法 | |
| CN115099828A (zh) | 一种基于多指标监测的油液失效诊断溯源方法及系统 | |
| CN115469643A (zh) | 一种核电站旋转机械健康管理方法、系统及介质 | |
| CN111221704B (zh) | 一种确定办公管理应用系统运行状态的方法及系统 | |
| Samigulina et al. | Development of industrial equipment diagnostics system based on modified algorithms of artificial immune systems and AMDEC approach using schneider electric equipment | |
| Qu et al. | A Health Evaluation Model for Radar Seeker Based on Data Mining Technology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210312 |