本發(fā)明涉及機(jī)床監(jiān)測，具體為機(jī)床數(shù)字孿生健康監(jiān)測系統(tǒng)及方法。

背景技術(shù)：

1、在現(xiàn)代工業(yè)生產(chǎn)體系中，尤其是廣泛應(yīng)用了數(shù)控機(jī)床技術(shù)的柔性制造系統(tǒng)(flexible?manufacturing?system，fms)環(huán)境下，存在著一些傳統(tǒng)管理與維護(hù)手段難以有效克服的關(guān)鍵問題。由于fms系統(tǒng)中的數(shù)控機(jī)床通常承擔(dān)著多工序、高精度以及高強(qiáng)度連續(xù)作業(yè)的任務(wù)，其運(yùn)行狀態(tài)的復(fù)雜性和苛刻性顯著增加，導(dǎo)致諸如刀具破損、刀具斷裂以及刀具磨損等常見故障現(xiàn)象頻繁發(fā)生。

2、公告號為cn118192423a的發(fā)明專利公開了一種基于數(shù)字孿生的數(shù)控機(jī)床健康監(jiān)測方法，方法包括：s1、構(gòu)建多傳感器數(shù)據(jù)采集系統(tǒng)，實(shí)時采集數(shù)控機(jī)床的狀態(tài)數(shù)據(jù)；s2、構(gòu)建數(shù)字孿生系統(tǒng)，建立數(shù)據(jù)模型；數(shù)字孿生系統(tǒng)獲取狀態(tài)數(shù)據(jù)并將其與數(shù)據(jù)模型匹配對齊；s3、部署cnn-lstm模型，對數(shù)控機(jī)床的當(dāng)前健康狀態(tài)與銑削狀態(tài)進(jìn)行推理判斷，輸出健康預(yù)測結(jié)果；s4、接入fms系統(tǒng)，fms系統(tǒng)通過調(diào)用數(shù)字孿生系統(tǒng)，獲取數(shù)控機(jī)床當(dāng)前的狀態(tài)數(shù)據(jù)，以及cnn-lstm模型輸出的健康預(yù)測結(jié)果，完成數(shù)控機(jī)床的健康監(jiān)測過程。

3、現(xiàn)有的數(shù)控機(jī)床健康監(jiān)測方法提升了數(shù)控機(jī)床健康監(jiān)測的精度與可靠性，保證了數(shù)據(jù)完整性，但是上述方法忽略了數(shù)據(jù)特征隨設(shè)備實(shí)際工況變化而變化的問題，導(dǎo)致擴(kuò)展故障樣本存在不均勻性，可靠性差，降低了故障診斷的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了機(jī)床數(shù)字孿生健康監(jiān)測系統(tǒng)及方法，解決了現(xiàn)有的問題。

2、為實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn)：機(jī)床數(shù)字孿生健康監(jiān)測系統(tǒng)，包括：

3、傳感器模組，通過多種傳感器構(gòu)建多傳感器數(shù)據(jù)采集系統(tǒng)，用于采集數(shù)控機(jī)床動態(tài)運(yùn)行數(shù)據(jù)；

4、數(shù)據(jù)收集模塊，用于收集機(jī)床的靜態(tài)數(shù)據(jù)，并將傳感器模組上傳的動態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)進(jìn)行歸一化處理；

5、模型構(gòu)建模塊，基于數(shù)字孿生系統(tǒng)，構(gòu)建對應(yīng)數(shù)控機(jī)床的數(shù)字孿生模型；

6、故障注入模塊，用于結(jié)合設(shè)置工況條件、模型物理參數(shù)及幾何屬性，將數(shù)控機(jī)床的故障模式及故障原因注入到數(shù)控機(jī)床數(shù)字孿生模型；

7、故障評估模塊，用于當(dāng)數(shù)控機(jī)床發(fā)生異常時，根據(jù)數(shù)控機(jī)床數(shù)字孿生模型的狀態(tài)，來判斷數(shù)控機(jī)床真實(shí)的狀態(tài)；

8、輸出模塊，用于輸出機(jī)床健康狀態(tài)的預(yù)測值。

9、優(yōu)選的，所述該系統(tǒng)還包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，處理器執(zhí)行所述計(jì)算機(jī)程序。

10、優(yōu)選的，所述多種傳感器包括：切削力傳感器、多路振動傳感器、單溫度傳感器和溫濕度傳感器；各類傳感器的傳感數(shù)據(jù)均實(shí)時傳輸至數(shù)字孿生系統(tǒng)中。

11、機(jī)床數(shù)字孿生健康監(jiān)測方法，包括以下步驟：

12、s1：通過采集數(shù)控機(jī)床的靜態(tài)數(shù)據(jù)信息以及運(yùn)行過程中的動態(tài)數(shù)據(jù)信息，將數(shù)據(jù)信息進(jìn)行歸一化處理得到狀態(tài)數(shù)據(jù)；

13、s2：基于數(shù)字孿生系統(tǒng)，建立對應(yīng)數(shù)控機(jī)床的數(shù)字孿生模型，將采集到的數(shù)控機(jī)床狀態(tài)數(shù)據(jù)傳輸給數(shù)控機(jī)床數(shù)字孿生模型，使數(shù)控機(jī)床數(shù)字孿生模型與之相匹配；

14、s3：將數(shù)控機(jī)床故障注入到數(shù)控機(jī)床數(shù)字孿生模型中，生成的數(shù)字孿生模型庫中的每個數(shù)控機(jī)床數(shù)字孿生模型均能映射到數(shù)控機(jī)床的某個工作狀態(tài)；

15、s4：收集表征數(shù)控機(jī)床不同狀態(tài)的多個數(shù)控機(jī)床數(shù)字孿生模型運(yùn)行數(shù)據(jù)，將所有運(yùn)行數(shù)據(jù)形成樣本特征數(shù)據(jù)集，對特征數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理；

16、s5：使用k-means聚類分析方法對標(biāo)準(zhǔn)化處理后的特征數(shù)據(jù)集進(jìn)行劃分，確定每個退化狀態(tài)邊界；通過對特征數(shù)據(jù)集中每個特征的健康狀態(tài)分類效果進(jìn)行評估，選擇分類效果評估值最高的特征子集作為敏感特征；

17、s6：將數(shù)控機(jī)床實(shí)時監(jiān)測數(shù)據(jù)輸入到數(shù)控機(jī)床數(shù)字孿生模型中，根據(jù)數(shù)控機(jī)床數(shù)字孿生模型的狀態(tài)，來判斷數(shù)控機(jī)床真實(shí)的狀態(tài)，從而輸出機(jī)床健康狀態(tài)預(yù)測值。

18、優(yōu)選的，所述步驟s1中的靜態(tài)數(shù)據(jù)信息包括：數(shù)控機(jī)床的幾何尺寸、系統(tǒng)結(jié)構(gòu)、物理屬性、工作能力以及型號；

19、所述步驟s1中的動態(tài)數(shù)據(jù)信息包括：工況信息、振動信息、溫度信息、剛度信息、噪聲信息以及加載力信息。

20、優(yōu)選的，所述步驟s2中通過分析數(shù)控機(jī)床系統(tǒng)結(jié)構(gòu)和耦合關(guān)系，將其模塊化、組件化的劃分成機(jī)械、電氣控制和傳熱等多個子系統(tǒng)，同時根據(jù)數(shù)控機(jī)床的機(jī)械結(jié)構(gòu)和功能特點(diǎn)，采用modelica多領(lǐng)域統(tǒng)一建模語言對數(shù)控機(jī)床各個子系統(tǒng)的各個功能元件運(yùn)行機(jī)理進(jìn)行編譯、描述，形成各個功能元件模型。

21、優(yōu)選的，所述步驟s5中的k-means聚類分析基于無監(jiān)督學(xué)習(xí)方法對設(shè)備運(yùn)行過程中的特征信號進(jìn)行劃分，明確各退化狀態(tài)的邊界，為特征信號添加狀態(tài)標(biāo)簽，更有利于分類器的訓(xùn)練學(xué)習(xí)。

22、優(yōu)選的，所述步驟s5中的k-means聚類分析方法包括：

23、(1)隨機(jī)選取k個對象作為初始的聚類中心，然后計(jì)算每個對象與各個聚類中心之間的距離，每個對象與各個聚類中心之間的距離d為：

24、

25、其中，x：(x1，x2，…，xn)，y：(y1，y2，…，yn)分別表示不同對象在空間中的坐標(biāo)；

26、(2)把每個對象分配給距離自己最近的聚類中心，聚類中心以及分配給自己的對象代表一個聚類，每分配一個樣本，聚類的聚類中心根據(jù)聚類中現(xiàn)有的對象被重新計(jì)算，不斷重復(fù)直到準(zhǔn)則函數(shù)達(dá)到最優(yōu)，準(zhǔn)則函數(shù)表示為：

27、

28、其中，k是簇的個數(shù)，ci是第i個簇的中心點(diǎn)，dist(ci,x)是數(shù)據(jù)對象到與其簇中心的距離；

29、(3)通過fisherscore對特征值的分類效果進(jìn)行評估，具體為：

30、

31、其中，s表示特征分類效果的評估值，c表示類別數(shù)量，nk表示第k類的樣本數(shù)量，和分別對于第j個特征的第k類的均值和均方差，μj表示對于第j個特征的所有數(shù)據(jù)集的均值，表示每個類到所有數(shù)據(jù)集中心的距離，值越高表示特征更容易區(qū)分各個類別，代表每個類數(shù)據(jù)的離散程度，通常較小的值會得到較好的分類結(jié)果。

32、有益效果

33、本發(fā)明提供了機(jī)床數(shù)字孿生健康監(jiān)測系統(tǒng)及方法。與現(xiàn)有技術(shù)相比具備以下有益效果：

34、1、該機(jī)床數(shù)字孿生健康監(jiān)測系統(tǒng)及方法，利用數(shù)字孿生模型的可解釋性和可視化，在數(shù)據(jù)不足的情況下可實(shí)現(xiàn)準(zhǔn)確的故障診斷，并進(jìn)行故障定位、故障量化、故障溯源等分析，集成數(shù)控機(jī)床數(shù)字孿生模型、實(shí)時傳感監(jiān)測數(shù)據(jù)及相關(guān)機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)數(shù)控機(jī)床在線、實(shí)時故障診斷，提高數(shù)控機(jī)床開動率和工作效率，降低監(jiān)測維護(hù)、維修成本。

35、2、該機(jī)床數(shù)字孿生健康監(jiān)測系統(tǒng)及方法，通過整合多傳感器融合技術(shù)，能實(shí)時、充分且全面地捕捉數(shù)控機(jī)床運(yùn)行過程中的各項(xiàng)關(guān)鍵參數(shù)，克服了單一傳感器數(shù)據(jù)精度不足的問題，顯著提升了對數(shù)控機(jī)床健康狀態(tài)監(jiān)測的精度和可靠性，通過引入k-means聚類分析方法進(jìn)行數(shù)據(jù)劃分，更有利于建立退化特征與健康狀態(tài)之間的關(guān)聯(lián)關(guān)系，進(jìn)一步提高機(jī)床健康狀態(tài)的識別預(yù)測精度，降低生產(chǎn)事故發(fā)生率，提高生產(chǎn)加工效率，保障生產(chǎn)加工精度。