本發(fā)明涉及數(shù)控機(jī)床領(lǐng)域，具體涉及一種指紋防護(hù)數(shù)控機(jī)床。

背景技術(shù)：

數(shù)控機(jī)床由于采用微計(jì)算機(jī)控制整個(gè)操作過(guò)程，因此，具有自動(dòng)化程度高、測(cè)量數(shù)據(jù)穩(wěn)定、可靠、操作簡(jiǎn)單等優(yōu)點(diǎn)，被市場(chǎng)接受并大量運(yùn)用于工廠的流水作業(yè)中，但是在數(shù)控機(jī)床運(yùn)作的過(guò)程如果稍有不慎，如微計(jì)算機(jī)所設(shè)置的數(shù)控程序被無(wú)端刪除或更改的事經(jīng)常發(fā)生，導(dǎo)致生產(chǎn)的產(chǎn)品不符合生產(chǎn)要求，嚴(yán)重則導(dǎo)致事故發(fā)生。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述問(wèn)題，本發(fā)明提供一種指紋防護(hù)數(shù)控機(jī)床。

本發(fā)明的目的采用以下技術(shù)方案來(lái)實(shí)現(xiàn)：

一種指紋防護(hù)數(shù)控機(jī)床，包括防護(hù)門、防護(hù)裝置和數(shù)控機(jī)床故障檢測(cè)裝置，所述防護(hù)裝置包括指紋識(shí)別器、用于鎖住防護(hù)門的防護(hù)鎖和用于控制防護(hù)鎖開(kāi)啟或閉合的控制器，所述指紋識(shí)別器、數(shù)控機(jī)床故障檢測(cè)器與控制器連接；所述數(shù)控機(jī)床故障檢測(cè)裝置用于對(duì)數(shù)控機(jī)床進(jìn)行故障檢測(cè)，并將故障檢測(cè)結(jié)果發(fā)送至控制器；所述控制器在數(shù)控機(jī)床發(fā)生故障時(shí)或者指紋識(shí)別不正確時(shí)控制防護(hù)鎖閉合，僅在指紋識(shí)別正確時(shí)控制防護(hù)鎖開(kāi)啟。

本發(fā)明的有益效果為：通過(guò)防護(hù)裝置和數(shù)控機(jī)床故障檢測(cè)裝置，能夠阻止非專業(yè)數(shù)控機(jī)床人員因失誤導(dǎo)致的程序更改或使用，避免事故的發(fā)生，并且能夠在數(shù)控機(jī)床發(fā)生故障時(shí)只允許專業(yè)數(shù)控機(jī)床人員對(duì)數(shù)控機(jī)床進(jìn)行操作，確保維修的及時(shí)性和安全性。

附圖說(shuō)明

利用附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但附圖中的實(shí)施例不構(gòu)成對(duì)本發(fā)明的任何限制，對(duì)于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明的結(jié)構(gòu)連接示意圖；

圖2是數(shù)控機(jī)床故障檢測(cè)裝置的結(jié)構(gòu)框圖。

附圖標(biāo)記：

防護(hù)門1、防護(hù)裝置2、數(shù)控機(jī)床故障檢測(cè)裝置3、報(bào)警器4、指紋識(shí)別器5、防護(hù)鎖6、控制器7、歷史數(shù)據(jù)采集單元11、數(shù)據(jù)預(yù)處理單元12、特征提取單元13、實(shí)時(shí)故障診斷特征向量采集單元14、故障診斷模型建立單元15、故障診斷識(shí)別單元16。

具體實(shí)施方式

結(jié)合以下實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。

參見(jiàn)圖1，本實(shí)施例提供了一種指紋防護(hù)數(shù)控機(jī)床，包括防護(hù)門1、防護(hù)裝置2和數(shù)控機(jī)床故障檢測(cè)裝置3，所述防護(hù)裝置2包括指紋識(shí)別器5、用于鎖住防護(hù)門1的防護(hù)鎖6和用于控制防護(hù)鎖6開(kāi)啟或閉合的控制器7，所述指紋識(shí)別器5、數(shù)控機(jī)床故障檢測(cè)器與控制器7連接；所述數(shù)控機(jī)床故障檢測(cè)裝置3用于對(duì)數(shù)控機(jī)床進(jìn)行故障檢測(cè)，并將故障檢測(cè)結(jié)果發(fā)送至控制器7；所述控制器7在數(shù)控機(jī)床發(fā)生故障時(shí)或者指紋識(shí)別不正確時(shí)控制防護(hù)鎖6閉合，僅在指紋識(shí)別正確時(shí)控制防護(hù)鎖6開(kāi)啟。

優(yōu)選地，該指紋防護(hù)數(shù)控機(jī)床還包括報(bào)警器4，所述報(bào)警器4連接控制器7，所述控制器7還在接收到數(shù)控機(jī)床故障檢測(cè)器傳送的數(shù)控機(jī)床發(fā)生故障的結(jié)果時(shí)驅(qū)動(dòng)報(bào)警器4報(bào)警。

優(yōu)選地，所述報(bào)警器4通過(guò)無(wú)線網(wǎng)絡(luò)連接控制器7。

本發(fā)明上述實(shí)施例通過(guò)防護(hù)裝置2和數(shù)控機(jī)床故障檢測(cè)裝置3，能夠阻止非專業(yè)數(shù)控機(jī)床人員因失誤導(dǎo)致的程序更改或使用，避免事故的發(fā)生，并且能夠在數(shù)控機(jī)床發(fā)生故障時(shí)只允許專業(yè)數(shù)控機(jī)床人員對(duì)數(shù)控機(jī)床進(jìn)行操作，確保維修的及時(shí)性和安全性。

優(yōu)選地，所述數(shù)控機(jī)床故障檢測(cè)器3包括依次連接的歷史數(shù)據(jù)采集單元11、數(shù)據(jù)預(yù)處理單元12、特征提取單元13、實(shí)時(shí)故障診斷特征向量采集單元14、故障診斷模型建立單元15和故障診斷識(shí)別單元16；

其中，所述歷史數(shù)據(jù)采集單元11用于通過(guò)傳感器采集數(shù)控機(jī)床在正常狀態(tài)下及各種故障狀態(tài)下運(yùn)行時(shí)多個(gè)測(cè)點(diǎn)的歷史振動(dòng)信號(hào)數(shù)據(jù)；所述數(shù)據(jù)預(yù)處理單元12用于對(duì)采集到的原始?xì)v史振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理；

其中，所述特征提取單元13用于從過(guò)濾后的歷史振動(dòng)信號(hào)數(shù)據(jù)中提取小波包奇異值特征，并將提取的小波包奇異值特征作為故障診斷特征向量樣本；所述實(shí)時(shí)故障診斷特征向量采集單元14用于獲取數(shù)控機(jī)床的實(shí)時(shí)故障診斷特征向量；

其中，所述故障診斷模型建立單元15用于建立基于改進(jìn)的支持向量機(jī)的故障診斷模型，并使用故障診斷特征向量樣本對(duì)故障診斷模型進(jìn)行訓(xùn)練，計(jì)算出故障診斷模型參數(shù)的最優(yōu)解，得到訓(xùn)練完成的故障診斷模型；所述故障診斷識(shí)別單元16用于將該數(shù)控機(jī)床的實(shí)時(shí)故障診斷特征向量輸入到訓(xùn)練完成的故障診斷模型中，完成數(shù)控機(jī)床故障的診斷識(shí)別。

優(yōu)選地，所述數(shù)據(jù)預(yù)處理單元12對(duì)采集到的原始?xì)v史振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理時(shí)，利用數(shù)字濾波器按照過(guò)濾公式濾除采集到的原始?xì)v史振動(dòng)信號(hào)數(shù)據(jù)的帶外分量，該過(guò)濾公式為：

其中，L為濾波后得到的歷史振動(dòng)信號(hào)數(shù)據(jù)，L′為采集到的原始?xì)v史振動(dòng)信號(hào)數(shù)據(jù)，Ψ為測(cè)點(diǎn)的個(gè)數(shù)，χ＝1，2，3…Ψ-1；τ為由數(shù)字濾波器自身特性決定的常數(shù)，θ為所用傳感器的固有采集頻率。

本優(yōu)選實(shí)施例對(duì)數(shù)據(jù)進(jìn)行預(yù)處理時(shí)一方面能夠自適應(yīng)不同的振動(dòng)信號(hào)，另一方面能消除原始?xì)v史振動(dòng)信號(hào)數(shù)據(jù)中的時(shí)域波形畸變，因此，本優(yōu)選實(shí)施例對(duì)數(shù)據(jù)的預(yù)處理更為科學(xué)，從而能夠保障對(duì)數(shù)控機(jī)床進(jìn)行故障識(shí)別的準(zhǔn)確性。

優(yōu)選地，所述特征提取單元13在提取小波包奇異值特征時(shí)具體執(zhí)行：

(1)設(shè)數(shù)控機(jī)床處于狀態(tài)W時(shí)從測(cè)點(diǎn)M測(cè)量到的一個(gè)時(shí)刻的歷史振動(dòng)信號(hào)為W_M(L)，M＝1,…,Ψ，Ψ為測(cè)點(diǎn)的個(gè)數(shù)，對(duì)W_M(L)進(jìn)行層離散小波包分解，提取第層中的個(gè)分解系數(shù)，對(duì)所有的分解系數(shù)進(jìn)行重構(gòu)，以表示第層各節(jié)點(diǎn)的重構(gòu)信號(hào)，構(gòu)建特征矩陣其中的值根據(jù)歷史經(jīng)驗(yàn)和實(shí)際情況結(jié)合確定；

(2)對(duì)特征矩陣T[W_M(L)]進(jìn)行奇異值分解，獲得該特征矩陣T[W_M(L)]的特征向量：

其中F₁,F₂,…,F_v為由特征矩陣T[W_M(L)]分解的奇異值，v為由特征矩陣T[W_M(L)]分解的奇異值的個(gè)數(shù)；

(3)設(shè)表示特征向量中的最大奇異值，表示特征向量中的最小奇異值，定義W_M(L)對(duì)應(yīng)的故障診斷特征向量為：

(4)對(duì)計(jì)算得到的故障診斷特征向量進(jìn)行篩選，排除不合格的故障診斷特征向量，設(shè)排除的不合格的故障診斷特征向量的數(shù)量為Ψ′，則該數(shù)控機(jī)床處于狀態(tài)W時(shí)在該固定時(shí)刻的故障診斷特征向量樣本為：

本優(yōu)選實(shí)施例提取小波包奇異值特征作為故障診斷特征向量，相比于提取其他特征作為故障診斷特征向量，準(zhǔn)確率高且計(jì)算時(shí)間短，能夠提高對(duì)數(shù)控機(jī)床進(jìn)行診斷的容錯(cuò)性，從而有利于實(shí)現(xiàn)對(duì)數(shù)控機(jī)床故障的精確診斷。

優(yōu)選地，該特征提取單元13對(duì)計(jì)算得到的故障診斷特征向量進(jìn)行篩選時(shí)，具體執(zhí)行：將數(shù)控機(jī)床處于狀態(tài)W時(shí)在該時(shí)刻的所有計(jì)算得到的故障診斷特征向量作為該時(shí)刻的特征向量篩選樣本集，計(jì)算該特征向量篩選樣本集的標(biāo)準(zhǔn)差σ_W和期望值μ_W，若計(jì)算得到的故障診斷特征向量不滿足則剔除該故障診斷特征向量，其中，為期望值μ_W的最大似然估計(jì)，為標(biāo)準(zhǔn)差σ_W的最大似然估計(jì)。

本優(yōu)選實(shí)施例采用上述方式排除不合格的故障診斷特征向量，客觀科學(xué)，提高了對(duì)指紋防護(hù)數(shù)控機(jī)床進(jìn)行故障診斷的精確度。

優(yōu)選地，所述特征提取單元13還將剔除的不合格的故障診斷特征向量?jī)?chǔ)存到一個(gè)臨時(shí)數(shù)據(jù)儲(chǔ)存器中，并對(duì)特征提取單元13中的值進(jìn)行進(jìn)一步修正，具體如下：

(1)若則的值在根據(jù)原有歷史經(jīng)驗(yàn)和實(shí)際情況結(jié)合確定的基礎(chǔ)上修改為

(2)若則的值在根據(jù)原有歷史經(jīng)驗(yàn)和實(shí)際情況結(jié)合確定的基礎(chǔ)上修改為

其中，Ψ為測(cè)點(diǎn)的個(gè)數(shù)，Ψ′為不合格的故障診斷特征向量的數(shù)量，Δ為人為設(shè)定的整數(shù)閥值。

本優(yōu)選實(shí)施例根據(jù)上述修正規(guī)則自動(dòng)調(diào)節(jié)值，進(jìn)一步降低了不合格的故障診斷特征向量對(duì)數(shù)控機(jī)床進(jìn)行故障診斷的影響。

優(yōu)選地，所述基于改進(jìn)的支持向量機(jī)的故障診斷模型的建立過(guò)程為：

(1)采用徑向基函數(shù)作為核函數(shù)，利用該核函數(shù)將該故障診斷特征向量樣本從原空間映射到高維空間，在高維空間構(gòu)造最優(yōu)決策函數(shù)實(shí)現(xiàn)故障診斷特征向量樣本分類，構(gòu)造最優(yōu)決策函數(shù)為：

式中，x為輸入的故障診斷特征向量樣本，Γ(x)為輸入的故障診斷特征向量樣本對(duì)應(yīng)的輸出，J(x)表示徑向基函數(shù)，Ω為權(quán)重向量，p為偏差；此外，為引入的優(yōu)化因子，其中Ψ為測(cè)點(diǎn)的個(gè)數(shù)，Ψ′為不合格的故障診斷特征向量的數(shù)量；

(2)定義支持向量機(jī)的目標(biāo)函數(shù)和支持向量機(jī)的約束條件，并求解該支持向量機(jī)的目標(biāo)函數(shù)，計(jì)算出權(quán)重向量和偏差，將計(jì)算得到的權(quán)重向量和偏差代入最優(yōu)決策函數(shù)即為所建立的故障診斷模型；其中支持向量機(jī)的目標(biāo)函數(shù)定義為：

支持向量機(jī)的約束條件定義為：

y_α≥1-ε_α,ε_α≥0,α＝1,…,M

式中，為支持向量機(jī)的目標(biāo)函數(shù)，為優(yōu)化后的懲罰因子，ε_α為引入的誤差變量；M為故障診斷特征向量樣本的數(shù)量；x_α為輸入的第α個(gè)故障診斷特征向量樣本，y_α為輸入的第α個(gè)故障診斷特征向量樣本對(duì)應(yīng)的輸出，Ω為權(quán)重向量，p為偏差；

其中，懲罰因子和所述核函數(shù)的半徑參數(shù)的值按照下述方式進(jìn)行優(yōu)化：

將所有故障診斷特征向量樣本平均分成互不包含的子集，設(shè)定懲罰因子和所述核函數(shù)的半徑參數(shù)的值的取值范圍，對(duì)每個(gè)粒子的位置向量進(jìn)行二維編碼，產(chǎn)生初始粒子群；對(duì)各粒子對(duì)應(yīng)的參數(shù)選定訓(xùn)練集進(jìn)行交叉驗(yàn)證，得到的預(yù)測(cè)模型分類準(zhǔn)確率作為粒子對(duì)應(yīng)的目標(biāo)函數(shù)值，對(duì)粒子群中的粒子進(jìn)行迭代；用目標(biāo)函數(shù)值評(píng)價(jià)所有粒子，當(dāng)某個(gè)粒子的當(dāng)前評(píng)價(jià)值優(yōu)于其歷史評(píng)價(jià)值時(shí)，將其作為該粒子的最優(yōu)歷史評(píng)價(jià)，記錄當(dāng)前粒子最優(yōu)位置向量；尋找全局最優(yōu)解，如果其值優(yōu)于當(dāng)前歷史最優(yōu)解，則更新，達(dá)到設(shè)定的終止準(zhǔn)則時(shí)，則停止搜索，輸出最優(yōu)的懲罰因子和所述核函數(shù)的半徑參數(shù)的值，否則返回去重新搜索。

本優(yōu)選實(shí)施例通過(guò)引入優(yōu)化因子，減小了不合格的故障診斷特征向量對(duì)數(shù)控機(jī)床進(jìn)行故障診斷的影響，進(jìn)一步提高了該最優(yōu)決策函數(shù)的實(shí)際精確度，為故障診斷模型的建立提供良好的函數(shù)基礎(chǔ)，從而構(gòu)建更為精確的故障診斷模型，從而能夠確保對(duì)數(shù)控機(jī)床進(jìn)行故障診斷的準(zhǔn)確性，此外，本實(shí)施例采用上述方式對(duì)懲罰因子和所述核函數(shù)的半徑參數(shù)的值進(jìn)行優(yōu)化，優(yōu)化時(shí)間相對(duì)較短，優(yōu)化效果好，從而能夠得到性能較好的支持向量機(jī)，進(jìn)一步提高對(duì)數(shù)控機(jī)床進(jìn)行故障診斷的精度。

根據(jù)上述實(shí)施例，發(fā)明人進(jìn)行了一系列測(cè)試，以下是進(jìn)行測(cè)試得到的實(shí)驗(yàn)數(shù)據(jù)：

上述實(shí)驗(yàn)數(shù)據(jù)表明，本發(fā)明能夠較好地對(duì)防護(hù)門1的啟閉進(jìn)行控制，且能精確對(duì)數(shù)控機(jī)床進(jìn)行故障檢測(cè)，從而防止事故的發(fā)生，并能夠在數(shù)控機(jī)床發(fā)生故障時(shí)進(jìn)行及時(shí)、安全的維修，由此可見(jiàn)，本發(fā)明在數(shù)控機(jī)床防護(hù)和數(shù)控機(jī)床的故障檢測(cè)方面產(chǎn)生了非常顯著的有益效果。

最后應(yīng)當(dāng)說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)本發(fā)明保護(hù)范圍的限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明作了詳細(xì)地說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。