LabPowerTools
首页 标准解析库 GB/T42707.2-2024
技术规范 AI 结构化解析
GB/T42707.2-2024 数控机床远程运维 第2部分:故障诊断与预测性维护 Remote operation and maintenance of computer numerical control(CNC) machine tools—Part 2: Fault diagnose and predictive maintenance
发布日期 2024-10-26
实施日期 2025-05-01
替代标准 —
解析引擎 v3.4
适用范围 本文件规定了数控金属切削机床(以下简称“数控机床”)远程运维的状态信息采集、健康状态评估、故障诊断、预测性维护四个核心功能的基本流程、方法等内容。本文件适用于指导数控机床(包括主轴系统、进给系统和刀库系统)远程运维服务和使能平台的开发与应用。
0 参数限值 0 试验方法 23 计算公式 11 术语 0 约束 5 引用 来源:国家标准全文公开系统
解析版本
AI 问答 术语 限值速查 限值判定 试验方法 计算公式 约束条件 引用标准 能力表述 质检复核
状态信息采集3.1
通过加装传感器、数控系统、伺服驱动或其他方式获取能够反映数控机床运行状态信息的过程。
属性集3.2
数控机床一个或多个属性的集合,描述数控机床的状态信息属性。
静态属性集3.3
属性集的一种,包含的数据自确定后不变化或者变化不频繁。
动态属性集3.4
属性集的一种,包含的数据在数控机床运行过程中显现或者变化频繁。
扩展属性集3.5
属性集的一种,包含的数据是为了完成某一特定任务或用户自定义的数据。
状态信息字典3.6
描述数控机床状态信息的集合,是对数控机床远程运维中数据元素结构化的数据模型。
特征指标3.7
基于数控机床状态信息提取的具有明确物理意义的指标。注:可以是状态信息的原始值。
特征向量3.8
由具有相同时间属性的多个特征指标组成的数值序列。
健康状态评估指标3.9
用于表征数控机床及各功能部件健康状态的度量数据。
故障模式库3.10
数控机床各类故障状态进行分类、存储,构成的知识库。
状态预测3.11
依据历史数据对数控机床运行状态进行分析,预测数控机床未来的状态。
本标准为方法/管理类标准,无数值限值指标表;检出限、精密度等要求见「试验方法」「约束条件」页签
检测结果限值判定(演示)
检测项目
测定结果
判定逻辑:测定结果与限值直接比对(未含测量不确定度保护带),正式报告请按 ILAC-G8 / 标准原文复核。
就这本标准问我
回答基于本标准的结构化解析与条款文本检索生成,附条款溯源;AI 解读请以标准正式原文为准。
看完方法,直接落成原始记录:自动带出检测要求与质控核查项,录读数自动计算判定,可导出活公式 Excel
本标准为限量/产品类标准,未单独抽取试验方法。
公式已就位——生成原始记录后,这些公式将变成 Excel 里的活公式,改读数自动重算重判
健康动态阈值计算5.3.3
x_d = x̄ + 3σ
计算表达式(可直接用于 Excel/程序)
x_d = x̄ + 3σ
x_d健康动态阈值
x̄历史记录序列的平均值
σ历史记录序列的标准差
故障发生可能性(模糊贴近度)6.2
N(R,E_i) = \dfrac{Σ_{j=1}^{n}[R(j) ∧ E_i(j)]}{Σ_{j=1}^{n}[R(j) ∨ E_i(j)]}
计算表达式(可直接用于 Excel/程序)
N(R,E_i) = Σ_{j=1}^{n}[R(j) ∧ E_i(j)] / Σ_{j=1}^{n}[R(j) ∨ E_i(j)]
N(R,E_i)待诊断特征指标向量R与故障模式E_i的模糊贴近度(故障Y_i发生的可能性)
R(j)待诊断特征指标向量中第j个特征指标的值
E_i(j)第i个故障模式中第j个特征指标的值
∨取最大值
∧取最小值
故障模式判别(最大贴近度)6.2
N(R,E_i) = max_{1≤j≤m}[N(R,E_j)]
计算表达式(可直接用于 Excel/程序)
N(R,E_i) = max_{1≤j≤m}[N(R,E_j)]
N(R,E_i)R与模式E_i的模糊贴近度
m故障标准模式数量
离差标准化C.1 a) 公式(C.1)
y = \dfrac{x - x_{min}}{x_{max} - x_{min}}
计算表达式(可直接用于 Excel/程序)
y = (x - x_min) / (x_max - x_min)
y标准化后的信号序列
x原始信号序列
x_min原始信号序列的最小值
x_max原始信号序列的最大值
z-score标准化C.1 b) 公式(C.2)
y = \dfrac{x - μ}{σ}
计算表达式(可直接用于 Excel/程序)
y = (x - μ) / σ
y标准化后的信号序列
x原始信号序列
μ原始序列的均值
σ原始序列的标准差
最大值C.2.1 表C.1
x_{max} = max[x_(n), n = 1,2,3,...,n]
计算表达式(可直接用于 Excel/程序)
x_max = max[x_(n), n=1,2,3,...,n]
x_max信号的最大值
最小值C.2.1 表C.1
x_{min} = min[x_(n), n = 1,2,3,...,n]
计算表达式(可直接用于 Excel/程序)
x_min = min[x_(n), n=1,2,3,...,n]
x_min信号的最小值
峰峰值C.2.1 表C.1
x_{ppv} = x_{max} - x_{min}
计算表达式(可直接用于 Excel/程序)
x_ppv = x_max - x_min
x_ppv信号值变化范围的大小
x_max信号的最大值
x_min信号的最小值
平均值C.2.1 表C.1
x̄ = (1/N) Σ(i=1..N) x_i
计算表达式(可直接用于 Excel/程序)
x̄ = (1/N) Σ(i=1..N) x_i
x̄信号中心趋势
N样本数
x_i第i个信号值
均方根值C.2.1 表C.1
x_{rms} = \sqrt{(1/N) Σ(i=1..N) x_i^2}
计算表达式(可直接用于 Excel/程序)
x_rms = sqrt((1/N) Σ(i=1..N) x_i^2)
x_rms均方值的算数平均数
N样本数
x_i第i个信号值
方差C.2.1 表C.1
D_x = (1/N) Σ(i=1..N) (x_i - x̄)^2
计算表达式(可直接用于 Excel/程序)
D_x = (1/N) Σ(i=1..N) (x_i - x̄)^2
D_x信号偏离平均值的程度
N样本数
x_i第i个信号值
x̄信号平均值
波形指标C.2.1 表C.1
S_f = \dfrac{x_{rms}}{|x̄|}
计算表达式(可直接用于 Excel/程序)
S_f = x_rms / |x̄|
S_f信号有效值与平均值的比值
x_rms均方根值
x̄信号平均值
峰值指标C.2.1 表C.1
C_f = \dfrac{x_{max}}{x_{rms}}
计算表达式(可直接用于 Excel/程序)
C_f = x_max / x_rms
C_f峰值在信号波形中的极端程度
x_max信号的最大值
x_rms均方根值
偏斜度C.2.1 表C.1
α = (1/N) Σ(i=1..N) ((x - x̄)/σ)^3
计算表达式(可直接用于 Excel/程序)
α = (1/N) Σ(i=1..N) ((x - x̄)/σ)^3
α信号的非对称性
N样本数
x信号值
x̄信号平均值
σ标准差
峭度C.2.1 表C.1
α = (1/N) Σ(i=1..N) ((x - x̄)/σ)^4
计算表达式(可直接用于 Excel/程序)
α = (1/N) Σ(i=1..N) ((x - x̄)/σ)^4
α分布曲线平缓程度
N样本数
x信号值
x̄信号平均值
σ标准差
频率重心C.2.2 表C.2
x_{fc} = \dfrac{Σ(i=1..N) f_i F(f_i)}{Σ(i=1..N) F(f_i)}
计算表达式(可直接用于 Excel/程序)
x_fc = Σ(i=1..N) f_i F(f_i) / Σ(i=1..N) F(f_i)
x_fc频谱的静态部分
f_i频率
F(f_i)频率f_i对应的频谱幅值
均方频率C.2.2 表C.2
x_{msf} = \dfrac{Σ(i=1..N) f_i^2 F(f_i)}{Σ(i=1..N) F(f_i)}
计算表达式(可直接用于 Excel/程序)
x_msf = Σ(i=1..N) f_i^2 F(f_i) / Σ(i=1..N) F(f_i)
x_msf信号功率谱主频带位置的变化
f_i频率
F(f_i)频率f_i对应的频谱幅值
频率方差C.2.2 表C.2
x_{vf} = \dfrac{Σ(i=1..N) (f_i - x_{fc})^2 F(f_i)}{Σ(i=1..N) F(f_i)}
计算表达式(可直接用于 Excel/程序)
x_vf = Σ(i=1..N) (f_i - x_fc)^2 F(f_i) / Σ(i=1..N) F(f_i)
x_vf信号频谱在频率中心附近波动程度
f_i频率
x_fc频率重心
F(f_i)频率f_i对应的频谱幅值
相对小波能量C.2.3 表C.3
ρ_j = \dfrac{E}{E_{total}} = \dfrac{||D_j||^2}{Σ(j=1..J+1) ||D_j||^2}
计算表达式(可直接用于 Excel/程序)
ρ_j = E / E_total = ||D_j||^2 / Σ(j=1..J+1) ||D_j||^2
ρ_j信号在各个频带中能量的分布情况
E某频带能量
E_total总能量
D_j第j层小波分解系数
余弦相似度D a) 公式(D.1)
S_{ij} = \dfrac{Σ(k=1..n) x_{ik} x_{jk}}{\sqrt{Σ(k=1..n) x_{ik}^2 Σ(k=1..n) x_{jk}^2}}
计算表达式(可直接用于 Excel/程序)
S_ij = Σ(k=1..n) x_ik x_jk / sqrt(Σ(k=1..n) x_ik^2 Σ(k=1..n) x_jk^2)
S_ij余弦相似度
x_i, x_j两个特征向量
k特征向量中某个特征指标的索引
相关系数D b) 公式(D.2)
r_{ij} = \dfrac{Σ(k=1..n)(x_{ik} - x̄_i)(x_{jk} - x̄_j)}{\sqrt{Σ(k=1..n)(x_{ik} - x̄_i)^2} \sqrt{Σ(k=1..n)(x_{jk} - x̄_j)^2}}
计算表达式(可直接用于 Excel/程序)
r_ij = Σ(k=1..n)(x_ik - x̄_i)(x_jk - x̄_j) / (sqrt(Σ(k=1..n)(x_ik - x̄_i)^2) sqrt(Σ(k=1..n)(x_jk - x̄_j)^2))
r_ij相关系数
x_i, x_j两个特征向量
k特征向量中某个特征指标的索引
x̄_i某个特征向量的平均值
欧氏距离D c) 公式(D.3)
d_{ij} = \sqrt{Σ(k=1..n)(x_{ik} - x_{jk})^2}
计算表达式(可直接用于 Excel/程序)
d_ij = sqrt(Σ(k=1..n)(x_ik - x_jk)^2)
d_ij欧氏距离
x_i, x_j两个特征向量
k特征向量中某个特征指标的索引
马氏距离D d) 公式(D.4)
d_{ij} = \sqrt{(x_i - x_j)^T S^(-1) (x_i - x_j)}
计算表达式(可直接用于 Excel/程序)
d_ij = sqrt((x_i - x_j)^T S^(-1) (x_i - x_j))
d_ij马氏距离
x_i, x_j两个特征向量
S两个特征向量的协方差矩阵
标准中"施加在执行过程与条件上的要求"(C1 环境 / C4 样品 / C6 质控 / C7 条件限值 / C8 适用范围 / C9 过程参数),是原始记录模板与自动核查的数据源。
未抽取到约束条件。
GB/T 9061金属切削机床 通用技术条件最新版适用规范性引用
GB/T 31916.1—2015信息技术 云数据存储和管理 第1部分:总则版本绑定规范性引用
GB/T 33863.3OPC 架构统一 第 3 部分: 地址空间模型最新版适用规范性引用
GB/T 33863.5OPC 架构统一 第 5 部分:信息模型最新版适用规范性引用
GB/T 42707.1—2023数控机床远程运维 第1部分:通用要求版本绑定规范性引用
不直接构成认可能力认可领域:未识别
本标准为技术规范,属管理/基础/参考类文件,不直接构成检测能力;CNAS 能力范围中无需为其单列检测能力条目。
解析模型与复核模型对以下关键数值意见不一。 点击您认可的一侧卡片即可投票,多数人的意见即最终结论;每项仅可投一次,首次投票 +2 LP。 已定案项目会在正文对应位置标注 ⚖,悬停可见两模型的分歧详情。
复核项加载中…
本页内容由 AI 从标准公开文本自动解析生成,条款级溯源("出处"列)。仅供学习参考,检测判定请以标准正式原文为准。
LabPowerTools · 超级标准
© 2026 LabPowerTools