机器学习||CNC健康诊断云平台智能分析系统

SHOUT

发布于 2022-05-31 11:29:46

4.4K0

发布于 2022-05-31 11:29:46

机床被称为工业母机, 中国拥有世界最大的机床市场, 2016年底全国机床产量达到 270000 台,并每年高速的成长,预计到 2020 年机床年产量将会达到 304000 台。制造业需要大批高效、高性能、专用数控机床和柔性生产线,因此推进机床智能化,实现设备联网、健康诊断并利用云计算和大数据技术进行预测性维护与集群管理成为机床产业的重要议题之一。

研华联盟行业合作伙伴共同打造的“机床健康诊断云平台分析系统”，以模块化的方式实现数控机床的健康状态数据采集、数据清洗、通讯联网、专家模型故障诊断、云平台数据库存储、并通过云平台强大的机器学习和深度学习能力，持续优化建模，实现机床设备精细化管理、伺服系统故障诊断、机床主运动系统进给系统故障诊断、刀具磨损与破损程度监测、切削颤振在线监控、故障预知维护等，以提高加工精度并避免加工过程中机床突然出现故障,造成难以弥补的损失。

系统包括10个模块，用户可以根据需求自行选择模块组合实现特定的功能：

1、机床振动数据采集：机床的大多数潜在故障可以通过振动信号进行展现，因此振动数据采集是最重要的采集参数之一，根据机床振动的烈度选用相应灵敏度和量程的加速度传感器，在机床主轴、切削刀架、尾架等位置进行安装，通过专用的信号调理模块和数据采集器进行信号采集；

2、数控系统状态参数获取：通过CNC模块读取数控机床的工作状态参数,监控CNC机台连线状态、生产模式、机台状态、工作电流、警报状态及生产稼动等，作为机床健康诊断的辅助参数；

3、生产过程数据获取：机床的健康程度除取决于机床本身的工作参数，还与生产过程数据密切相关，例如对于相同型号相同工作负荷的两台机床，不同的环境温湿度、不同的工作电源、不同的加工顺序与节拍、不同加工材料的批次都可能造成设备健康程度的不同，这些数据经过深度学习可以建立新的模型，发现隐藏的造成设备损坏的元凶。该模块会连续采集机床的相关过程参数，并在故障发生时进行数据上传。

4、数据预处理(数据清洗)，特征值提取与上传：专家诊断与AI数据分析建模必须依赖准确的信息，但工业现场一般都有较强的干扰，如果处理不好会直接影响诊断和预测结果，除选择硬件抗干扰措施，还需要利用数学算法进行软件处理，过滤瞬态干扰和剔除异常值；

数据预处理之后，可进行建模相关的信号特征值提取，如信号有效值、最大值、相位、频率等；特征值通过Modbus/TCP协议上传到企业信息系统，如MES，ERP等。

5、故障诊断专家系统：由设备专家在现场依据该机床的工作机理进行多点振动信号采集和模态测试，建立该设备的结构参数，并进行多次修正以建立准确的故障模型，可分析预测机床运动故障，ATC/APC故障，液压系统故障，主轴振动故障，刀具磨损破损，切削颤振故障等；

6、特征值/状态数据上传云端：将提取后的特征值上传到企业私有云或机床公有云，正常运行时采用慢速采集和传输，当发生故障报警时进行高速采集、存储和传输；

7、可视化/时序数据库/远程运维：特征值数据上传到云端后，可以根据需求进行图形化展示，存储实时数据库和远程运维管理；

8、AI数据建模/机器学习：机床的故障诊断与很多因素相关，包括设备运行程度、生产环境与生产过程、操作习惯、物料批次甚至天气因素等，因此运用机床云的机器学习和大数据分析工具进行深度的数据分析并重新创建模型具有不可替代的意义，通过相同时间训练集与测试集数据的比对，建立多维非线性模型以弥补经典专家模型库的不足；通过连续追踪故障发生数据的深度学习建立预测模型，预测精度达90%以上。

9、AI数据模型边缘部署：机器学习与深度学习需要针对大量的数据进行复杂的运算和迭代，如果在本地计算机处理会需要都很长的时间完成甚至在未完成前耗尽计算机现有资源而宕机，而利用云计算分布式技术可以大大缩短建模时间并保证稳定性，因此机器学习阶段会在云端完成；但故障预测需要对现场信号的及时响应，必须部署在边缘层。本系统能自动将云端新创建的模型通过自动或手动的方式及时下载到边缘层，进行实时的故障诊断和预测。