簡介
針對傳統的數據採集方法過程繁瑣、難以適應實際情況需要等問題，將數據變化評價標準以及自適應控制方法引入數據採集與故障診斷中。以數控工具機加工過程中狀態信息為突破口，創新點在於將分析運行代碼得到的數據與外接感測器採集的數據相結合，從而構建出滿足自適應規律的數據採集方法；分析數控工具機實時運行狀態中的速度，加速度，周期等信息規律。
背景技術
數據是傳遞信息的載體，要想獲得數控工具機的各類信息，就必須要有效地對數控工具機的各類數據進行採集，諸如工具機主軸電流、各軸轉速、負載情況等都是工具機運行信息的體現。是否能夠準確、有效、快速的採集到工具機加工過程的狀態數據是數控工具機遠程監控及故障診斷系統能否準確運行的前提和關鍵。
目前一般的實時監測系統多採用等間隔的數據採集方案，.而一些高質量的壓縮算法能夠減少數據的存儲空間並且保證數據原始特性，同時提高數據存儲效率，然而原始數據的已有缺陷卻依然不能消除。利用等間隔特性的數據採集有可能會引起兩種極端情況：1.由於數據採集時間間隔過小導致系統處理能力大幅降低，負擔加重；2. 數據採集時間間隔過大導致工作時間段內所採集的原始數據質量嚴重下降。這些會給後期的數據分析處理工作、故障診斷等工作帶來嚴重影響。
步驟
第一步：分析工具機的運行代碼，得到數控工具機的實時狀態運行信息。
具體做法為：讀取數控工具機的運行代碼，在給定的時間段內，得到工具機主軸等主要部件的速度，加速度等一些列數據。
第二步：採集數控工具機設備的重要實時狀態監控信息。
具體做法為：通過外接感測器與相關採集軟體，在一段給定時間之內，採集得到數控工具機的採樣周期數據，速度，溫度等重要參數。
第三步：對上述步驟採集到的數據進行分析處理，對數據的波動大小進行評估。
具體做法為：當數據變化平緩度較小時，則表明數據變化程度較為平緩。根據數據變化平緩度的大小來確定如何調整採樣周期。
