研究目的
本研究的目的是解答两个主要问题:其一,探究能否利用文献[6]中三种传感器的数据识别机床的行为组(或聚类);其二,确定合适的聚类数量及适用的统计特征,从而利用这些特征预测机床行为,为预测性维护提供依据。
研究成果
本研究展示了利用平台温度传感器、工艺腔室氧含量传感器及工艺腔室压力传感器的数据来识别机床操作组的可能性。该成果为实现状态监测系统迈出了第一步,使SLM机床能够采用预测性维护方案——通过实时监测机床与工艺的实际状态,可对特定系统进行早期故障检测。
研究不足
现有的选择性激光熔化机床往往无法确保产品质量,这源于包括制造过程中出现的故障在内的多种因素。此类机床未配备用于评估机器数据的分析工具,这使得识别影响因素和运行条件成为一项具有挑战性的任务。
1:实验设计与方法选择
本研究采用的方法包括机床原始传感器数据采集、传感器数据预处理、聚类分析及评估。使用k-means算法进行聚类识别。
2:样本选择与数据来源
共获取并存储了206个制造过程的数据。数据采集所用SLM设备型号为德国SLM Solutions AG公司的SLM 250HL。
3:实验设备与材料清单
选取并预处理了三个与机床运行直接相关的传感器数据,分别为平台温度(T)、工艺腔室氧含量(O)和工艺腔室压力(P)。
4:实验流程与操作步骤
预处理阶段通过Spyder 3软件工具采集206个文件数据,仅选取首层至制造过程结束区间的数据。将三个传感器数据按制造过程分离为三个独立列,随后计算各列的最小值、偏度、最大值、众数、中位数、平均值和标准差等统计特征,并存储为二维矩阵。
5:数据分析方法
采用k-means算法进行聚类分析,通过肘部法则确定聚类数量。根据这三个传感器的统计特征评估分析结果以确定最佳聚类数。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容