本發(fā)明涉及數(shù)字控制，具體為一種基于物聯(lián)網(wǎng)的數(shù)控機(jī)床控制故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、數(shù)控機(jī)床是一種復(fù)雜的機(jī)電一體化設(shè)備，運(yùn)行過程中需要不同部件協(xié)同配合，即使一個(gè)部件出現(xiàn)微小的誤差，也會(huì)導(dǎo)致數(shù)控機(jī)床出現(xiàn)故障。

2、公開號(hào)為cn101697072a的中國(guó)專利申請(qǐng)，介紹了一種數(shù)控機(jī)床故障診斷系統(tǒng)及方法，通過多種傳感器采集數(shù)控機(jī)床運(yùn)行過程中產(chǎn)生的振動(dòng)信號(hào)，對(duì)采集到的振動(dòng)信號(hào)進(jìn)行處理，最后通過計(jì)算機(jī)對(duì)處理后的振動(dòng)信號(hào)進(jìn)行計(jì)算與分析，診斷數(shù)控機(jī)床的故障，只通過采集的振動(dòng)信號(hào)對(duì)診斷數(shù)控機(jī)床的故障，容易出現(xiàn)計(jì)算誤差導(dǎo)致故障診斷結(jié)果的偏差。

3、在數(shù)控機(jī)床控制故障診斷現(xiàn)有技術(shù)往往通過傳感器獲取數(shù)控機(jī)床的運(yùn)行狀態(tài)信息，基于獲取的運(yùn)行狀態(tài)信息判斷數(shù)控機(jī)床的運(yùn)行狀態(tài)，由于數(shù)控機(jī)床運(yùn)行機(jī)理復(fù)雜，在故障診斷過程中基于單一數(shù)據(jù)開展，無法保證診斷結(jié)果的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、(一)解決的技術(shù)問題

2、為解決背景技術(shù)中的不足，本發(fā)明提出了一種基于物聯(lián)網(wǎng)的數(shù)控機(jī)床控制故障診斷方法及系統(tǒng)，通過采集數(shù)控機(jī)床運(yùn)行狀態(tài)中的異常運(yùn)行數(shù)據(jù)，確定需要診斷的數(shù)控機(jī)床部件，再將出現(xiàn)異常運(yùn)行狀態(tài)數(shù)據(jù)部件的圖像特征數(shù)據(jù)與對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)進(jìn)行匹配，分析匹配結(jié)果輸出數(shù)控機(jī)床控制故障診斷結(jié)果。

3、(二)技術(shù)方案

4、一種基于物聯(lián)網(wǎng)的數(shù)控機(jī)床控制故障診斷方法，所述方法包括如下步驟：

5、s1、設(shè)定數(shù)控機(jī)床部件集以及正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)集，根據(jù)正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)集對(duì)數(shù)控機(jī)床部件集中的各個(gè)部件進(jìn)行數(shù)據(jù)采集，得到數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)矩陣；

6、s2、根據(jù)數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)矩矩陣中各個(gè)部件的正常運(yùn)行狀態(tài)數(shù)據(jù)設(shè)定數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間集；

7、s3、采集待檢測(cè)的數(shù)控機(jī)床各部件的運(yùn)行狀態(tài)數(shù)據(jù)，得到待檢測(cè)數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)集；

8、s4、對(duì)比數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間集與待檢測(cè)數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)集，挑出待檢測(cè)數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)集中的異常運(yùn)行狀態(tài)數(shù)據(jù)；

9、s5、采集待檢測(cè)數(shù)控機(jī)床中出現(xiàn)異常運(yùn)行狀態(tài)數(shù)據(jù)部件的圖像特征數(shù)據(jù)，作為第一圖像特征數(shù)據(jù)，同時(shí)收集數(shù)控機(jī)床各部件故障狀態(tài)下的圖像特征數(shù)據(jù)，得到第一故障圖像特征數(shù)據(jù)集；

10、s6、通過數(shù)據(jù)分析算法將第一圖像特征數(shù)據(jù)與第一故障圖像特征數(shù)據(jù)集中對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)種類集中的故障圖像特征數(shù)據(jù)進(jìn)行一一匹配，分析匹配結(jié)果輸出數(shù)控機(jī)床控制故障診斷結(jié)果。

11、通過采集的大量正常運(yùn)行狀態(tài)數(shù)據(jù)設(shè)定數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間，保證了設(shè)定的正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間的準(zhǔn)確性；通過分析待檢測(cè)的數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)的數(shù)值大小與對(duì)應(yīng)部件的正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間的關(guān)系，挑出異常運(yùn)行狀態(tài)數(shù)據(jù)，保證了獲得的異常運(yùn)行狀態(tài)數(shù)據(jù)的可靠性；通過數(shù)據(jù)分析算法將第一圖像特征數(shù)據(jù)與對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)進(jìn)行匹配，基于匹配結(jié)果進(jìn)行數(shù)控機(jī)床故障診斷，使故障診斷過程更加精確，同時(shí)保證了故障診斷的效率和效果；

12、優(yōu)選的，設(shè)定數(shù)控機(jī)床部件集以及正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)集，根據(jù)正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)集對(duì)數(shù)控機(jī)床部件集中的各個(gè)部件進(jìn)行數(shù)據(jù)采集，得到數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)矩陣的操作步驟如下：

13、s11、設(shè)定數(shù)控機(jī)床部件集a＝{a1,a2,…,ai,…,ak}，其中，ai表示第i個(gè)數(shù)控機(jī)床部件，k表示數(shù)控機(jī)床部件的總個(gè)數(shù)；

14、設(shè)定數(shù)控機(jī)床運(yùn)行周期，對(duì)所述數(shù)控機(jī)床運(yùn)行周期進(jìn)行均勻劃分，得到正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)集b＝{b1,b2,…,bi,…,bl}，其中，bi表示第i個(gè)正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)，l表示正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)的總個(gè)數(shù)；

15、s12、對(duì)數(shù)控機(jī)床部件集a＝{a1,a2,…,ai,…,ak}中的各個(gè)部件在正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)集b＝{b1,b2,…,bi,…,bl}中的各個(gè)正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)進(jìn)行數(shù)據(jù)采集，得到數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)矩陣如下：

16、

17、其中，dij表示第i個(gè)數(shù)控機(jī)床部件在第j個(gè)正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)的正常運(yùn)行狀態(tài)數(shù)據(jù)。

18、通過基于數(shù)控機(jī)床運(yùn)行周期進(jìn)行均勻劃分得到的多個(gè)采集時(shí)間點(diǎn)，對(duì)數(shù)控機(jī)床各部件進(jìn)行數(shù)據(jù)采集，保證獲取數(shù)據(jù)的全面性，為后續(xù)操作提供數(shù)據(jù)基礎(chǔ)。

19、優(yōu)選的，根據(jù)數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)集中各個(gè)部件的正常運(yùn)行狀態(tài)數(shù)據(jù)設(shè)定數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間集的操作步驟如下：

20、s21、比較數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)矩陣中各個(gè)部件的正常運(yùn)行狀態(tài)數(shù)據(jù)，挑出各個(gè)部件正常運(yùn)行狀態(tài)數(shù)據(jù)的最大值與最小值，設(shè)定數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間集其中，和分別表示第i個(gè)數(shù)控機(jī)床部件正常運(yùn)行狀態(tài)數(shù)據(jù)的最小值和最大值。

21、通過采集的大量正常運(yùn)行狀態(tài)數(shù)據(jù)設(shè)定數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間，保證了設(shè)定的正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間的準(zhǔn)確性。

22、優(yōu)選的，采集待檢測(cè)的數(shù)控機(jī)床各部件的運(yùn)行狀態(tài)數(shù)據(jù)，得到待檢測(cè)數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)集的操作步驟如下：

23、s31、實(shí)時(shí)對(duì)待檢測(cè)的數(shù)控機(jī)床各部件進(jìn)行運(yùn)行狀態(tài)數(shù)據(jù)采集，得到待檢測(cè)數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)集x'＝{x1',x2',…,xi',…,xk'}，其中，xi'表示第i個(gè)待檢測(cè)的數(shù)控機(jī)床部件的運(yùn)行狀態(tài)數(shù)據(jù)。

24、通過實(shí)時(shí)對(duì)待檢測(cè)的數(shù)控機(jī)床各部件進(jìn)行運(yùn)行狀態(tài)數(shù)據(jù)采集，保證獲取數(shù)據(jù)的時(shí)效性，為后續(xù)操作提供數(shù)據(jù)基礎(chǔ)。

25、優(yōu)選的，對(duì)比數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間集與待檢測(cè)數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)集，挑出待檢測(cè)數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)集中的異常運(yùn)行狀態(tài)數(shù)據(jù)的操作步驟如下：

26、s41、依次判定待檢測(cè)數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)集x'＝{x1',x2',…,xi',…,xk'}中的第i個(gè)待檢測(cè)的數(shù)控機(jī)床部件的運(yùn)行狀態(tài)數(shù)據(jù)xi'的數(shù)值大小是否處于數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間集中的第i個(gè)數(shù)控機(jī)床部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間中，若運(yùn)行狀態(tài)數(shù)據(jù)xi'的數(shù)值大小處于數(shù)控機(jī)床部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間中，則此運(yùn)行狀態(tài)數(shù)據(jù)為正常運(yùn)行狀態(tài)數(shù)據(jù)；反之，則此運(yùn)行狀態(tài)數(shù)據(jù)為異常運(yùn)行狀態(tài)數(shù)據(jù)；i＝1,2,…,i,…,k。

27、通過分析待檢測(cè)的數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)的數(shù)值大小與對(duì)應(yīng)部件的正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間的關(guān)系，挑出異常運(yùn)行狀態(tài)數(shù)據(jù)，保證了獲得的異常運(yùn)行狀態(tài)數(shù)據(jù)的可靠性。

28、優(yōu)選的，采集待檢測(cè)數(shù)控機(jī)床中出現(xiàn)異常運(yùn)行狀態(tài)數(shù)據(jù)部件的圖像特征數(shù)據(jù)，作為第一圖像特征數(shù)據(jù)，同時(shí)收集數(shù)控機(jī)床各部件故障狀態(tài)下的圖像特征數(shù)據(jù)，得到第一故障圖像特征數(shù)據(jù)集的操作步驟如下：

29、s51、通過圖像采集設(shè)備采集待檢測(cè)數(shù)控機(jī)床中出現(xiàn)異常運(yùn)行狀態(tài)數(shù)據(jù)部件的圖像特征數(shù)據(jù)；

30、s52、收集以往數(shù)控機(jī)床各部件故障狀態(tài)下的歷史圖像特征數(shù)據(jù)，得到第一故障圖像特征數(shù)據(jù)集a'＝{a'1,a'2,…,a'i,…,a'k}；

31、其中，a'i表示第i個(gè)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)種類集a”＝{a”1,a”2,…,a”i,…,a”p}，a”i表示該數(shù)控機(jī)床部件的第i種故障圖像特征數(shù)據(jù)，p表示該數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)種類的總個(gè)數(shù)。

32、采集待檢測(cè)數(shù)控機(jī)床中出現(xiàn)異常運(yùn)行狀態(tài)數(shù)據(jù)部件的圖像特征數(shù)據(jù)并收集以往數(shù)控機(jī)床各部件故障狀態(tài)下的歷史圖像特征數(shù)據(jù)建立第一故障圖像特征數(shù)據(jù)集，保證了后續(xù)匹配結(jié)果的準(zhǔn)確性。

33、優(yōu)選的，通過數(shù)據(jù)分析算法將第一圖像特征數(shù)據(jù)與第一故障圖像特征數(shù)據(jù)集中對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)種類集中的故障圖像特征數(shù)據(jù)進(jìn)行一一匹配，分析匹配結(jié)果輸出數(shù)控機(jī)床控制故障診斷結(jié)果的操作步驟如下：

34、s61、通過數(shù)據(jù)分析算法將所述第一圖像特征數(shù)據(jù)與第一故障圖像特征數(shù)據(jù)集a'＝{a'1,a'2,…,a'i,…,a'k}中對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)種類集中的各類故障圖像特征數(shù)據(jù)進(jìn)行一一匹配，具體操作步驟如下：

35、s611、初始化鵜鶘種群，設(shè)定種群規(guī)模為p，所述鵜鶘種群表示為m＝{m1,m2,…,mi,…,mp}，mi表示所述鵜鶘種群中的第i只鵜鶘，設(shè)定最大迭代次數(shù)為tmax；

36、其中，每只鵜鶘個(gè)體對(duì)應(yīng)一個(gè)第一故障圖像特征數(shù)據(jù)集中對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)種類集中的一個(gè)故障圖像特征數(shù)據(jù)；鵜鶘種群初始化公式如下：

37、yi,j＝ilj+rand×(iuj-ilj)

38、其中，yi,j為第i個(gè)鵜鶘在第j維搜索空間中的位置，rand表示(0,1)之間的隨機(jī)數(shù)，iuj和ilj分別表示第j維搜索空間的上下邊界；

39、s612、計(jì)算每只鵜鶘當(dāng)前的目標(biāo)函數(shù)值；目標(biāo)函數(shù)公式如下：

40、f＝x

41、其中，f表示鵜鶘個(gè)體的目標(biāo)函數(shù)值，x表示第一故障圖像特征數(shù)據(jù)集中對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)種類集中的故障圖像特征數(shù)據(jù)與第一圖像特征數(shù)據(jù)的相似度；

42、s613、勘探階段，對(duì)鵜鶘確定獵物位置，同時(shí)向獵物逼近的行為進(jìn)行數(shù)學(xué)建模，公式如下：

43、

44、其中，表示勘測(cè)階段第i個(gè)鵜鶘在第j維搜索空間中逼近獵物后更新的位置，i表示數(shù)值為1或2的隨機(jī)數(shù)，pj表示在第j維搜索空間中隨機(jī)生成的獵物位置，rand表示(0,1)之間的隨機(jī)數(shù)，fp和fi分別表示獵物和第i個(gè)鵜鶘的目標(biāo)函數(shù)值；

45、s614、開發(fā)階段，對(duì)鵜鶘在水面進(jìn)行狩獵的過程進(jìn)行數(shù)學(xué)建模，公式如下：

46、

47、其中，表示開發(fā)階段第i個(gè)鵜鶘在第j維搜索空間中進(jìn)行狩獵后更新的位置，r表示數(shù)值為0或2的隨機(jī)數(shù)，rand表示(0,1)之間的隨機(jī)數(shù)，t表示當(dāng)前迭代次數(shù)；

48、s615、計(jì)算更新后鵜鶘種群中每只鵜鶘的目標(biāo)函數(shù)值，將目標(biāo)函數(shù)值最高的鵜鶘作為當(dāng)前的全局最優(yōu)解；

49、s616、判斷是否達(dá)到最大迭代次數(shù)，若未達(dá)到，則返回s613；若達(dá)到，則計(jì)算最終全局最優(yōu)解的目標(biāo)函數(shù)值fmax，當(dāng)fmax大于設(shè)定的目標(biāo)函數(shù)閾值f閾值，則全局最優(yōu)解對(duì)應(yīng)的故障圖像特征數(shù)據(jù)與第一圖像特征數(shù)據(jù)匹配成功；反之，則故障圖像特征數(shù)據(jù)均匹配不成功；

50、s62、若故障圖像特征數(shù)據(jù)均匹配不成功，則數(shù)控機(jī)床控制故障診斷結(jié)果輸出為數(shù)控機(jī)床無故障；反之，則數(shù)控機(jī)床控制故障診斷結(jié)果輸出為匹配成功的故障圖像特征數(shù)據(jù)對(duì)應(yīng)的數(shù)控機(jī)床部件出現(xiàn)故障。

51、通過模擬鵜鶘逼近獵物和進(jìn)行狩獵的行為，構(gòu)建數(shù)學(xué)模型，實(shí)現(xiàn)將第一圖像特征數(shù)據(jù)與對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)進(jìn)行匹配的過程，提高匹配過程的速度和準(zhǔn)確度，同時(shí)提升收斂過程的效率。

52、本發(fā)明還公開一種基于物聯(lián)網(wǎng)的數(shù)控機(jī)床控制故障診斷系統(tǒng)，包括數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)采集模塊、數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間構(gòu)建模塊、異常運(yùn)行狀態(tài)數(shù)據(jù)判定模塊、圖像特征數(shù)據(jù)采集模塊、數(shù)控機(jī)床控制故障診斷結(jié)果輸出模塊；

53、所述數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)采集模塊通過設(shè)定的正常運(yùn)行狀態(tài)數(shù)據(jù)采集時(shí)間點(diǎn)集對(duì)數(shù)控機(jī)床部件集中的各個(gè)部件進(jìn)行數(shù)據(jù)采集，得到數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)矩陣；

54、所述數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間構(gòu)建模塊通過比較數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)矩陣中各個(gè)部件的正常運(yùn)行狀態(tài)數(shù)據(jù)的數(shù)值大小設(shè)定數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間集；

55、所述異常運(yùn)行狀態(tài)數(shù)據(jù)判定模塊通過判定待檢測(cè)數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)集中的各個(gè)運(yùn)行狀態(tài)數(shù)據(jù)的數(shù)值大小是否處于對(duì)應(yīng)的正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間，得到所有異常運(yùn)行狀態(tài)數(shù)據(jù)；

56、所述圖像特征數(shù)據(jù)采集模塊通過圖像采集設(shè)備采集待檢測(cè)數(shù)控機(jī)床中出現(xiàn)異常運(yùn)行狀態(tài)數(shù)據(jù)的部件的圖像特征數(shù)據(jù)，得到第一圖像特征數(shù)據(jù)同時(shí)收集以往數(shù)控機(jī)床各部件故障狀態(tài)下的歷史圖像特征數(shù)據(jù)，建立第一故障圖像特征數(shù)據(jù)集；

57、所述數(shù)控機(jī)床控制故障診斷結(jié)果輸出模塊通過第一圖像特征數(shù)據(jù)與數(shù)控機(jī)床各部件故障圖像特征數(shù)據(jù)集中對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)種類集中的圖像特征數(shù)據(jù)進(jìn)行一一匹配，分析匹配結(jié)果輸出數(shù)控機(jī)床控制故障診斷結(jié)果。

58、(三)有益效果

59、一、本發(fā)明中設(shè)置數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)采集模塊、數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間構(gòu)建模塊、異常運(yùn)行狀態(tài)數(shù)據(jù)判定模塊、圖像特征數(shù)據(jù)采集模塊、數(shù)控機(jī)床控制故障診斷結(jié)果輸出模塊；通過采集的大量正常運(yùn)行狀態(tài)數(shù)據(jù)設(shè)定數(shù)控機(jī)床各部件正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間，保證了設(shè)定的正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間的準(zhǔn)確性；通過分析待檢測(cè)的數(shù)控機(jī)床各部件運(yùn)行狀態(tài)數(shù)據(jù)的數(shù)值大小與對(duì)應(yīng)部件的正常運(yùn)行狀態(tài)數(shù)據(jù)范圍區(qū)間的關(guān)系，挑出異常運(yùn)行狀態(tài)數(shù)據(jù)，保證了獲得的異常運(yùn)行狀態(tài)數(shù)據(jù)的可靠性；通過數(shù)據(jù)分析算法將第一圖像特征數(shù)據(jù)與對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)進(jìn)行匹配，基于匹配結(jié)果進(jìn)行數(shù)控機(jī)床故障診斷，使故障診斷過程更加精確，同時(shí)保證了故障診斷的效率和效果；

60、二、將所述第一圖像特征數(shù)據(jù)與第一故障圖像特征數(shù)據(jù)集中對(duì)應(yīng)數(shù)控機(jī)床部件的故障圖像特征數(shù)據(jù)種類集中的各類故障圖像特征數(shù)據(jù)進(jìn)行一一匹配的過程通過鵜鶘算法實(shí)現(xiàn)，通過模擬鵜鶘逼近獵物和進(jìn)行狩獵的行為，構(gòu)建數(shù)學(xué)模型，提高匹配過程的速度和準(zhǔn)確度，同時(shí)提升收斂過程的效率。