利用激光加工电动元件的设备故障诊断系统及方法与流程

1.本发明涉及监测、控制领域，且更确切地涉及一种利用激光加工电动元件的设备故障诊断系统及方法。


背景技术：

2.激光加工技术是利用激光束与物质相互作用的特性，对材料（包括金属与非金属）进行切割、焊接、表面处理、打孔及微加工等的一门加工技术。激光加工作为先进制造技术已广泛应用于汽车、电子、电器、航空、冶金、机械制造等国民经济重要部门，对提高产品质量、劳动生产率、自动化、无污染、减少材料消耗等起到愈来愈重要的作用。激光加工电动元件设备通常用到激光加工，如何提高激光加工设备故障诊断能力就成为各个行业亟待解决的问题。
3.专利号cn201811364470.0公开了一种变电站一次设备故障判断与处理决策系统及其方法，该系统包括设备故障判断规则库、设备故障处理规则库、设备故障判断模块和设备故障处理模块；设备故障判断规则库与设备故障判断模块相连接，设备故障处理规则库与设备故障处理模块相连接，设备故障判断模块根据故障相关信息和试验数据从设备故障判断规则库中匹配得到对应的故障名称，设备故障处理模块根据设备故障判断输出的故障名称在设备故障处理规则库中检索得到对应的故障处理措施。本发明设计合理，能够自动完成故障判断和处理措施的推送，为运维人员提供更全面的运维支撑数据，降低了运维人员工作强度，但仍旧采用模板匹配的方法实现故障诊断，该方法分析效率不高。专利号cn201811376063.1公开了一种利用威布尔分布与arma结合的设备故障率预测方法，将方法将获取的设备故障率数据按照时间序列的顺序进行排列，得到设备故障率的时间序列数据。根据设备故障率的发展趋势，对设备所在的故障期进行判断，基于故障期的判断结果选取不同阶段的威布尔分布函数对故障率数据进行建模，确定故障率时间序列数据的趋势项。虽然也能够实现设备故障率的精确预测，但无法实现故障数据信息采集、分析和诊断等一体化，诊断效率不高。


技术实现要素：

4.针对上述技术的不足，本发明公开一种利用激光加工电动元件的设备故障诊断系统及方法，提高了激光加工电动元件的设备故障诊断能力。
5.为了实现上述技术效果，本发明采用以下技术方案：一种利用激光加工电动元件的设备故障诊断系统，其中包括：采集器，用于获取激光加工电动元件的设备运行状态数据信息；emd-ica数学模型，用于处理激光加工电动元件的设备运行状态数据信息，包括基于经验学模态分解模块、独立成分分析模块和并行计算模块；其中并行计算模块包括数据传输模块、总线控制器、第一数据特征、第二数据特征、第三数据特征、时序匹配模块、缓冲器、电源模块、dsp芯片和存储器，其中所述总线控制
器和dsp处理模块连接，所述总线控制器与数据传输模块连接，所述总线控制器提取第一数据特征、第二数据特征和第三数据特征，其中所述时序匹配模块与缓冲器连接，电源模块向不同的模块提供工作电压，dsp处理模块与存储器连接；信息筛选模型；用于对筛选激光加工电动元件的设备运行状态数据信息进行提取，所述信息筛选模型包括特征提取模块和分解模块，其中所述特征提取模块为信号脉冲或者数据信息能量值进行提取的模块，分解模块为将信号分解为不同分量和信息特征的模块；信号分析单元，用于对信息筛选模型出的数据信息分析和信息挖掘，所述信号分析单元包括fp-growth算法模块，包括信息链头、信息存储模块和删除模块，其中所述包括信息链头设置在信息存储模块内，所述信息存储模块内还设置有删除模块；数学诊断模型，用于对信息筛选模型出的数据信息进行故障诊断，以区分激光加工电动元件的设备故障信息；可视化显示模块，用于将激光加工电动元件的设备诊断出的数据信息通过可视的方式显示出来；故障处理模块，用于处理激光加工电动元件的设备诊断出的数据信息；其中所述采集器采集激光加工设备运行的数据信息，采集器的输出端与emd-ica数学模型的输入端连接，所述emd-ica数学模型的输出端与信息筛选模型的输入端连接，信息筛选模型的输出端与信号分析单元的输入端连接，信号分析单元的输出端与数学诊断模型输入端连接，所述数学诊断模型的输出端还分别与故障处理模块和可视化显示模块连接。
6.作为本发明进一步的技术方案，所述故障处理模块包括报警模块，用于对激光加工电动元件的设备诊断出的数据信息进行报警提示；作为本发明进一步的技术方案，数学诊断模型为故障风险概率诊断模型，其中数学诊断模型包括数据输入模块、故障概率计算模块、故障概率整合模块、故障风险权重计算模块和故障诊断输出模块，其中所述数据输入模块的输出端与故障概率计算模块的输入端连接，故障概率计算模块的输出端与故障概率整合模块的输入端连接，故障概率整合模块的输出端与故障诊断输出模块的输入端连接。
7.作为本发明进一步的技术方案，采集器包括tms320芯片电路和与所述tms320芯片电路连接的scac模块、电源模块、rom存储模块、ram存储模块、时钟电路和led显示模块。
8.一种利用激光加工电动元件的设备故障诊断方法,其中包括以下步骤：（s1）通过采集器获取激光加工电动元件的设备运行状态数据信息；（s2）通过emd-ica数学模型处理激光加工电动元件的设备运行状态数据信息，通过经验学模态分解模块用于对非平稳信号进行平稳化处理，通过独立成分分析模块用于将多元信号分离为加性子分量，通过并行计算模块用于提高芯片内部计算速度，在短时间内快速对激光加工电动元件的设备输出的数据信息实现输出和计算；（s3）通过信息筛选模型对筛选激光加工电动元件的设备运行状态数据信息进行提取，所述信息筛选模型包括特征提取模块和分解模块，其中所述特征提取模块为信号脉冲或者数据信息能量值进行提取的模块，分解模块为将信号分解为不同分量和信息特征的模块；
（s4）通过信号分析单元对信息筛选模型出的数据信息分析和信息挖掘，所述信号分析单元包括fp-growth算法模块，包括信息链头、信息存储模块和删除模块，其中所述包括信息链头设置在信息存储模块内，所述信息存储模块内还设置有删除模块；（s5）通过数学诊断模型对信息筛选模型出的数据信息进行故障诊断，以区分激光加工电动元件的设备故障信息；其中数据输入模块用于输入激光加工电动元件设备数据信息，故障概率计算模块用于计算激光加工电动元件设备数据信息，故障概率整合模块对激光加工电动元件设备数据信息进行整合，故障风险权重计算模块对激光加工电动元件设备数据信息进行风险权重计算，以获取激光加工电动元件设备数据信息的风险概率，故障诊断输出模块用于输出激光加工电动元件设备数据信息的诊断结果；（s6）通过可视化显示模块将激光加工电动元件的设备诊断出的数据信息通过可视的方式显示出来；（s7）通过故障处理模块处理激光加工电动元件的设备诊断出的数据信息；作为本发明进一步的技术方案，信号分析单元工作方法为：通过信息链头通过对采集到的数据进行扫描，出现检修记录频繁项目和支持度，出现的频繁项目生成频繁项目集；通过信息存储模块实现fp-tree数据结构压缩存储，通过删除模块根据接收的命令删除不经常出现故障的信息，减小了fp-树中存储信息。
9.作为本发明进一步的技术方案，其中数学诊断模型实现激光加工电动元件设备数据信息诊断的方法为：整体故障概率为：
ꢀꢀꢀ
（1）公式（1）中，表示第套激光加工设备的故障概率，下角标表示设备序数，与表示上下相邻设备的故障概率，n表示流水线运行激光加工设备总数，表示上一台设备的故障概率，表示下一台设备的故障概率；电动元件加工流水线整体故障概率，然后在激光加工设备故障概率进行整合，整合公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）公式（2）中，表示激光加工设备故障存在的风险权重，表示激光加工设备故障存在概率；为设备加工第一次电动元件故障的原因，产生失负荷的后果值，该值可以通过元件在不工作的情况下，通过内置信号采集器对潮流计算；对于激光加工设备故障诊断系统来说，建立风险评估模型时考虑光加工设备相邻的设备故障，在第个相邻激光加工设备存在故障风险情况下，用下列公式表示：
ꢀꢀꢀꢀꢀ
（3）
公式（3）中，表示个相邻两台激光加工设备存在的整体故障风险权重，表示为流水线运行中第个激光加工设备发生故障的概率，将表示第个激光加工设备与目前正在运行的激光加工设备同步停运时计算得到的结果值，得到总的故障风险权重：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）通过公式（4）评价激光加工设备的运行的可靠性，当大于设置阈值时，人工干预，当小于等于设置阈值时，表示激光加工设备无故障。
10.本发明有益的积极效果在于：区别于常规技术，本发明通过采集器获取激光加工电动元件的设备运行状态数据信息；通过emd-ica数学模型处理激光加工电动元件的设备运行状态数据信息，包括基于经验学模态分解模块、独立成分分析模块和并行计算模块；通过信息筛选模型筛选激光加工电动元件的设备运行状态数据信息进行提取，通过信号分析单元对信息筛选模型出的数据信息分析和信息挖掘，通过数学诊断模型对信息筛选模型出的数据信息进行故障诊断，以区分激光加工电动元件的设备故障信息，通过可视化显示模块将激光加工电动元件的设备诊断出的数据信息通过可视的方式显示出来；通过故障处理模块处理激光加工电动元件的设备诊断出的数据信息。
附图说明
11.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：图1为本发明系统架构示意图；图2为本发明并行计算模块原理示意图；图3为本发明采集器的原理结构示意图；图4为本发明中fp-growth算法模块的原理示意图；图5为本发明中数学诊断模型的结构示意图；图6为本发明中方法的流程示意图。
具体实施方式
12.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
13.实施例（1）系统如图1所示，一种利用激光加工电动元件的设备故障诊断系统，包括：采集器，用于获取激光加工电动元件的设备运行状态数据信息；
emd-ica数学模型，用于处理激光加工电动元件的设备运行状态数据信息，包括基于经验学模态分解模块、独立成分分析模块和并行计算模块；如图2所示，其中并行计算模块包括数据传输模块、总线控制器、第一数据特征、第二数据特征、第三数据特征、时序匹配模块、缓冲器、电源模块、dsp芯片和存储器，其中所述总线控制器和dsp处理模块连接，所述总线控制器与数据传输模块连接，所述总线控制器提取第一数据特征、第二数据特征和第三数据特征，其中所述时序匹配模块与缓冲器连接，电源模块向不同的模块提供工作电压，dsp处理模块与存储器连接；信息筛选模型；用于对筛选激光加工电动元件的设备运行状态数据信息进行提取，所述信息筛选模型包括特征提取模块和分解模块，其中所述特征提取模块为信号脉冲或者数据信息能量值进行提取的模块，分解模块为将信号分解为不同分量和信息特征的模块；信号分析单元，用于对信息筛选模型出的数据信息分析和信息挖掘，所述信号分析单元包括fp-growth算法模块，包括信息链头、信息存储模块和删除模块，其中所述包括信息链头设置在信息存储模块内，所述信息存储模块内还设置有删除模块；数学诊断模型，用于对信息筛选模型出的数据信息进行故障诊断，以区分激光加工电动元件的设备故障信息；可视化显示模块，用于将激光加工电动元件的设备诊断出的数据信息通过可视的方式显示出来；故障处理模块，用于处理激光加工电动元件的设备诊断出的数据信息；其中所述采集器采集激光加工设备运行的数据信息，采集器的输出端与emd-ica数学模型的输入端连接，所述emd-ica数学模型的输出端与信息筛选模型的输入端连接，信息筛选模型的输出端与信号分析单元的输入端连接，信号分析单元的输出端与数学诊断模型输入端连接，所述数学诊断模型的输出端还分别与故障处理模块和可视化显示模块连接。
14.在上述实施例中，所述故障处理模块包括报警模块，用于对激光加工电动元件的设备诊断出的数据信息进行报警提示；在上述实施例中，数学诊断模型为故障风险概率诊断模型，其中数学诊断模型包括数据输入模块、故障概率计算模块、故障概率整合模块、故障风险权重计算模块和故障诊断输出模块，其中所述数据输入模块的输出端与故障概率计算模块的输入端连接，故障概率计算模块的输出端与故障概率整合模块的输入端连接，故障概率整合模块的输出端与故障诊断输出模块的输入端连接。
15.在上述实施例中，采集器包括tms320芯片电路和与所述tms320芯片电路连接的scac模块、电源模块、rom存储模块、ram存储模块、时钟电路和led显示模块。
16.在具体实施例中，如图2所示，对激光加工设备多种运行状态参数类型进行分类处理，增加故障数据的处理速度；微处理器芯片采用ti公司研发的tms320处理芯片，外部拥有8端子接口，整体设计符合国际标准化组织研发标准，激光加工设备输入用户服务器上建立无线通讯线路，利用片外随机存取存储器（random access memory，ram）负责故障数据储存，随时可以读写激光加工设备故障数据，传输效率高，是信号采集器的主要存储器；此外，通过只读存储器（read only memory，rom）与tms320芯片输出完成对接，负载输出为 5v的
单电源供电，保证故障诊断系统的稳定运行；txd为输出故障数据引脚，模数（analog/digital，a/d）转换为输入故障数据引脚，两个引脚通过与信号调理转换（signal conditioning and conversion，scac）功能块连接完成故障信息的格式转换，中间设有继电保护电路，主要利用多开路继电器进行电路安全防护，通过输入/输出（in/out，i/o）控制开关与et引脚相连，通过发光二极管（light emitting diode，led）显示屏输出，ea引脚与外圈电路相连，使tms320芯片作用范围能够根据激光加工设备内置电压等级调整；时钟电路由fa-365晶体谐振器准确运动产生振荡信号，通过tms320芯片控制便于统计激光加工设备故障信号采集时间。
17.在具体实施例中，如图3所示，本技术采用了fp－growth 算法，该算法的优点既能节约时间，又能节约空间，该算法的原理是，通过建造一个数据结构（fp-tree）,然后将原来的数据库压缩，存放压缩的频繁模式信息fp-树。此算法在扫描数据库的过程中，包含了项集的全部信息，在下次处理时就不用重新扫描数据库，并且fp-树在执行命令是删除了不经常出现故障的信息，减小了fp-树中存储的信息，从而提高了fp-树扫描的速度。
18.实施例（2）方法一种利用激光加工电动元件的设备故障诊断方法，包括以下步骤：（s1）通过采集器获取激光加工电动元件的设备运行状态数据信息；（s2）通过emd-ica数学模型处理激光加工电动元件的设备运行状态数据信息，通过经验学模态分解模块用于对非平稳信号进行平稳化处理，通过独立成分分析模块用于将多元信号分离为加性子分量，通过并行计算模块用于提高芯片内部计算速度，在短时间内快速对激光加工电动元件的设备输出的数据信息实现输出和计算；（s3）通过信息筛选模型对筛选激光加工电动元件的设备运行状态数据信息进行提取，所述信息筛选模型包括特征提取模块和分解模块，其中所述特征提取模块为信号脉冲或者数据信息能量值进行提取的模块，分解模块为将信号分解为不同分量和信息特征的模块；（s4）通过信号分析单元对信息筛选模型出的数据信息分析和信息挖掘，所述信号分析单元包括fp-growth算法模块，包括信息链头、信息存储模块和删除模块，其中所述包括信息链头设置在信息存储模块内，所述信息存储模块内还设置有删除模块；（s5）通过数学诊断模型对信息筛选模型出的数据信息进行故障诊断，以区分激光加工电动元件的设备故障信息；其中数据输入模块用于输入激光加工电动元件设备数据信息，故障概率计算模块用于计算激光加工电动元件设备数据信息，故障概率整合模块对激光加工电动元件设备数据信息进行整合，故障风险权重计算模块对激光加工电动元件设备数据信息进行风险权重计算，以获取激光加工电动元件设备数据信息的风险概率，故障诊断输出模块用于输出激光加工电动元件设备数据信息的诊断结果；（s6）通过可视化显示模块将激光加工电动元件的设备诊断出的数据信息通过可视的方式显示出来；（s7）通过故障处理模块处理激光加工电动元件的设备诊断出的数据信息；在上述实施例中，激光加工设备进行电动元件的加工设计，研发一种内置信号采集器用于提取激光加工设备运行电流、电压、功率等基础状态参数，通过更新其集成模块提高采集器对设备参数的控制能力，采用tms320芯片控制采集器调理线路，加强了检测激光
加工设备故障数据的分析能力。
19.在上述实施例中，获取的激光加工设备状态数据，采用经验模态分解与独立分量分析（empirical mode decomposition-independence component analysis，emd-ica）数学模型实现数据特征参数的提取，通过该模型输出诸多的故障信息独立分量，在具体实施时，通过反复训练、诊断，输出、显示出最精确的故障分量，将这些输出的独立分量的故障信息能量值输入至信息筛选模型。
20.在上述实施例中，信息筛选模型采用筛查法通过分析故障数据独立分量，分析激光加工设备故障原因包括供能源能量供应不足、外部设备老化、数据采集结果有出入、内部芯片联电造成结果偏差等；根据不同产生分量具体参数判断激光加工设备当前状态，通过自动误差调节功能保证参数误差在可控范围之内，调节之后的数据进入校准模式，通过判断激光加工设备原始数据和校准之后的数据进行对比，分析两者的离散程度得到筛查的故障分析结果。
21.在上述实施例中，分析后的激光加工设备故障分析结果输入数学诊断模型中，对故障信号进行分解并分析造成故障的概率，通过对于相邻的激光加工设备状态参数评估故障发生事件的风险权重，并将数据进行可视化展示，对故障事件进行具体预防实施。
22.在上述步骤中，信号分析单元工作方法为：通过信息链头通过对采集到的数据进行扫描，出现检修记录频繁项目和支持度，出现的频繁项目生成频繁项目集；通过信息存储模块实现fp-tree数据结构压缩存储，通过删除模块根据接收的命令删除不经常出现故障的信息，减小了fp-树中存储信息。
23.其中数学诊断模型实现激光加工电动元件设备数据信息诊断的方法为：下面对激光加工设备运行过程中的故障风险概率进行评估，激光加工设备的故障情况直接影响流水线正常运行的可靠性和稳定性，在评估激光加工设备实效性之前，分析保护功能整体故障概率为：
ꢀꢀꢀ
（1）公式（1）中，表示第套激光加工设备的故障概率，下角标表示设备序数，与表示上下相邻设备的故障概率，n表示流水线运行激光加工设备总数，表示上一台设备的故障概率，表示下一台设备的故障概率；电动元件加工流水线整体故障概率，然后在激光加工设备故障概率进行整合，整合公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）公式（2）中，表示激光加工设备故障存在的风险权重，表示激光加工设备故障存在概率；为设备加工第一次电动元件故障的原因，产生失负荷的后果值，该值可以通过元件在不工作的情况下，通过内置信号采集器对潮流计算；对于激光加工设备故障诊
断系统来说，建立风险评估模型时考虑光加工设备相邻的设备故障，在第个相邻激光加工设备存在故障风险情况下，用下列公式表示：
ꢀꢀꢀꢀꢀ
（3）公式（3）中，表示个相邻两台激光加工设备存在的整体故障风险权重，表示为流水线运行中第个激光加工设备发生故障的概率，将表示第个激光加工设备与目前正在运行的激光加工设备同步停运时计算得到的结果值，得到总的故障风险权重：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）通过公式（4）评价激光加工设备的运行的可靠性，当大于设置阈值时，人工干预，当小于等于设置阈值时，表示激光加工设备无故障。虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。