CN103034170A - 一种基于区间的数控机床性能预测方法 - Google Patents

Abstract

本发明公开了一种基于区间的数控机床加工性能预测方法，包括：（1）获取每类测量数据的多个测量值；（2）将每类测量数据中的每个测量值转换成区间形式；（3）提取时域或时频域特征；（4）把提取的时域或时频域特征作为观测，获得优化的广义隐马尔可夫模型；（5）从优化的广义隐马尔可夫模型中，找出状态转移概率矩阵，作为马尔科夫链转移矩阵；（6）选择区间化的初始状态概率向量，并与该马尔可夫链转移矩阵，形成性能预测模型A⁽ⁿ⁾；（7）求该模型中的最大值，即为数控机床加工性能的预测状态。本发明的方法通过概率来处理偶然不确定性，通过区间来获取知识匮乏引起的不确定性，使预测准确率能显著提高，并具有很强的预测鲁棒性。

Description

一种基于区间的数控机床性能预测方法

技术领域

本发明涉及工程设备性能预测领域，特别涉及一种数控机床加工性能的预测方法。

背景技术

制造业发展水平的高低是衡量一个国家综合实力的重要标志之一，是一个国家在国际市场上竞争获胜的关键因素，而数控机床是制造业的工作母机。在高速、超载荷、大位移等复杂加工工况下，数控机床由于受到加工过程中的振动、冲击、变形等因素，将引起机床的性能退化，导致机床的主轴、齿轮、丝杠、导轨、轴承等机械部件产生各种故障，由此引起数控机床的运动误差、部件磨损甚至意外停机等问题。因此，为了使数控机床加工过程安全、可靠、高效、高质地进行，数控机床加工性能的监测尤为重要。

传统的性能预测方法有人工神经网络、支持向量机、模糊理论、马尔可夫链模型等。它们的一个共同特点是把采集到数据的值当做精确值，没有充分考虑不确定的存在，使测量准确性不高。以马尔科夫链模型预测为例，马尔可夫链有一个重要性质“无后效性”：将来状态只与当前状态有关，而与过去状态无关。马尔可夫链预测模型常用于天气预测、股票趋势预测和桥梁预测等等。它是一种基于对实时、历史数据的分析，通过马尔可夫链建立相应预测模型，为当前应用系统做出性能预测方法。其基本步骤为：数据采集；对采集的信号进行分离，提取需要的特征信号，同时对这些信号进行分析和处理；建立预测模型；对发展趋势进行预测。但其也许并不能取得好的预测精度，这是因为数据采集值为一个精确值，没有考虑不确定性，导致马尔可夫链中参数为精确概率组成，输出的状态是一个精确概率值组成的向量，预测没有鲁棒性。

而且，数控机床是一种自动化程度高、结构复杂的先进加工设备。数控机床加工的研究存在许多待处理问题，如加工过程的环境复杂性、材质不一性和测量不精确性引起的偶然性不确定性，以及对科学未知性、不可观测性和人类先验知识匮乏而引起的知识不确定性问题。为了提高预测准确性，知识的不确定性不可疏忽，必须加以考虑。而传统的概率很好的表述了偶然不确定性，区间能够很好的俘获知识不确定性问题。

中国专利文献201110200365.5公开了一种多域信息融合方法，并具体给出了数控机床的广义隐马尔科夫模型，它主要是提出一种信息融合方法，没有涉及数控机床性能预测。

发明内容

本发明的目的是针对数控机床加工过程中各种不确定性问题，利用区间获取特征数据，提供一个区间化的马尔科夫链预测测模型，并对数控机床性能进行预测的一种方法。该方法能够解决数控机床加工过程中因各种不确定性问题的存在而带来的预测不可靠性，具有很强的预测鲁棒性。

实现本发明的目的所采用的具体技术方案如下：

一种基于区间的数控机床性能预测方法，具体包括如下步骤：

（1）信息获取

通过测量工具获取数控机床加工中每种测量数据的测量值{x₁,x₂,..,x_k}，k＝1,2，...,m，m为测量数据的个数，组合形成数控机床加工信号数据集{X_i}，其中X_i＝{x₁,x₂,..,x_k}，i＝1,2，，...，l,l为测量数据的种类数。

测量数据的种类可以为切削力、振动信号、切削温度、声发射信号、切削扭矩或电机功率等数据，其中对应的测量工具可以为测力仪、加速度传感器、红外温度传感器、声发射传感器、扭矩传感器和功率传感器等。

（2）数据区间化

传感器获取的信号经过信号预处理，过滤掉干扰信息，同时考虑数控机床加工及测量过程中的不确定性，通过区间理论，把传感器获取的每类数据集中的每个元素都转换成区间形式

以增加数据的可靠性，则数据集为{X_i'}，其中 ${X_i}^{\′}=\left\{\right[{\underset{\‾}{x}}_1,{\stackrel{\‾}{x}}_1],[{\underset{\‾}{x}}_2,{\stackrel{\‾}{x}}_2],K,[{\underset{\‾}{x}}_k,{\stackrel{\‾}{x}}_k\left]\right\}.$

（3）特征提取

对上述得到的区间化后的数据集{X_i'}进行处理，提取其时域特征或者时频域特征。

通过时域特征提取或者时频域特征提取中的一种或者多种方法，提取数控机床加工中的特征信息。

其中时域特征提取可以为：峰值、均值、均方根值、方差、概率密度函数、峭度和裕度等；时频域特征提取可以为：快速傅里叶变换分析、倒谱分析、小波分析、Winger-Ville分布、短时傅立叶分析、Hilbert-Huang变换和经验模式分解等。从中选择一种或者几种作为特征提取方法，获取所需特征信息，作为后续模型的输入。

（4）模型训练

把提取的数控机床加工特征信息作为观测，输入广义隐马尔科夫模型中，对模型进行优化训练，使模型参数优化，以获取最优广义隐马尔可夫模型。

（5）获取最优区间化的状态转移概率矩阵

从优化的广义隐马尔可夫模型中，找出状态转移概率矩阵，作为数控机床区间化的马尔科夫链转移矩阵。

（6）获取性能预测模型

根据数控机床实际情况，考虑不确定性，选择区间化的初始状态概率向量，并与步骤（5）中的马尔可夫链转移矩阵，组成数控机床性能预测模型A⁽ⁿ⁾，其中，A⁽ⁿ⁾＝π(0)Aⁿ。

A为区间化的马尔科夫链转移矩阵，π为区间化的初始状态概率向量，n表示转移的步数，n为正整数。

A矩阵同一行满足上界与下界之和都为1；初始状态概率向量π满足上界与下界之和都为1。

（7）性能预测

根据区间比较法则，求取A⁽ⁿ⁾向量中的最大值，最大值对应的状态即为所求的数控机床性能预测状态。

其中区间比较法则采用max-min（悲观比较法则），以提高预测的可靠性。max-min比较方法是，先找出向量中每一个区间中的最小值，然后在所有的最小值中求取最大的一个，这个最大值所在的区间对应的状态即为预测状态。

本发明与现有的技术相比，提出了通过区间方法获取特征信息，通过区间化的马尔科夫链模型来预测数控机床性能。由于其通过概率来处理偶然不确定性，通过区间来获取知识匮乏引起的不确定性，能很好的解决工程中的不确定性问题，使预测准确率能显著提高，并具有很强的预测鲁棒性，具体来说具有以下优势：

1）把区间数学理论引入工程应用中，区间能过很好的获取人类知识匮乏引起的不确定性；

2）把区间和马尔科夫链结合，形成区间化的马尔科夫链模型，既处理了偶然不确定性，又解决了知识匮乏不确定性问题；

3）区间化的马尔科夫链数控机床性能预测模型，输出的结果为区间向量值，区间值比精确值包含了更多的信息，做决策时将具有更好的鲁棒性，为工程抉择提供了更可靠的依据，能更加准确的对数控机床性能进行监视及预测。

附图说明

图1是本发明实施例中通过区间化的动刚度来预测数控机床性能的流程框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以下实施例仅是示例性的，并不构成对本发明的限定。

动刚度定义是响应为位移量时的机械阻抗，它是衡量结构抵抗预定动态激扰能力的特性，也是数控机床性能的重要组成部分，本发明通过区间化的动刚度来预测数控机床性能为实施例作进一步的说明，参见附图1。

本实施例的一种基于区间的数控机床性能预测方法，具体包括如下步骤：

（1）信息获取

通过测量工具获取数控机床加工中的测量数据{x₁,x₂,..,x_k}，k＝1,2，...,m，m为测量数据的个数，形成数控机床加工信号数据集{X_i}，其中X_i＝{x₁,x₂,..,x_k}，i＝1,2，，...，l,l测量数据的种类数

测量数据可以为力（例如切削力)、振动信号、切削温度、声发射信号、切削扭矩和电机功率等数据，其中对应的测量工具可以为测力仪、加速度传感器、红外温度传感器、声发射传感器、扭矩传感器和功率传感器等。

本实施例中，优选测量数据为两类：力和加速度。可以通过测力仪获取数控机床加工中的激振器信息数据X₁＝{x₁,x₂,..,x_k}，通过加速度传感器获取数控机床加速度数据X₂＝{x₁,x₂,..,x_k}，形成数控机床加工信号数据集{X₁,X₂}，其中k＝1,2，...,m，m为测量数据的个数。在相同的工况下，相隔等间距时间进行多次测量，并记录相应传感器测量数据。

（2）数据区间化

对步骤（1）传感器获取的信号进行信号预处理，过滤掉干扰信息，同时考虑数控机床加工及测量过程中的不确定性，通过区间理论，把传感器获取的每类数据集中的每个元素都转换成区间形式

以增加数据的可靠性，则数据集为{X_i'}，其中 ${X_i}^{\′}=\left\{\right[{\underset{\‾}{x}}_1,{\stackrel{\‾}{x}}_1],[{\underset{\‾}{x}}_2,{\stackrel{\‾}{x}}_2],K,[{\underset{\‾}{x}}_k,{\stackrel{\‾}{x}}_k\left]\right\}.$

本实施例中，对获取的两类测量数据进行区间化。考虑数控机床加工，测力仪及加速度计测量等过程中的不确定性，优选选取采集数据值的±10%，当然也可以采用其他比例值。

把采集的数据集中的每个元素转换成区间形式

其中xk＝xk×90%，则两类测量数据组成的数据集为{X₁',X₂'}，其中 ${X_1}^{\′}=\left\{\right[{\underset{\‾}{x}}_1,{\stackrel{\‾}{x}}_1],[{\underset{\‾}{x}}_2,{\stackrel{\‾}{x}}_2],K,[{\underset{\‾}{x}}_k,{\stackrel{\‾}{x}}_k\left]\right\},$ ${X_2}^{\′}=\left\{\right[{\underset{\‾}{x}}_1,{\stackrel{\‾}{x}}_1],[{\underset{\‾}{x}}_2,{\stackrel{\‾}{x}}_2],K,[{\underset{\‾}{x}}_k,{\stackrel{\‾}{x}}_k\left]\right\}.$

（3）特征提取

对上述得到的区间化后的数据集{X₁',X₂'}进行处理，提取其时域特征或者时频域特征。

本实施例中，特征提取的是数控机床动刚度特征信息。根据区间化不同时间的力和加速度数据，求出数控机床频率响应函数，然后由频率响应函数求取相应时间的动刚度，即所求的特征信息，作为模型历史数据。

其中，动刚度定义是响应为位移量时的机械阻抗，它是衡量结构抵抗预定动态激扰能力的特性。

（4）模型训练

把提取的数控机床加工特征信息作为观测，输入广义隐马尔科夫模型中，对模型进行优化训练，使模型参数优化，以获取最优广义隐马尔可夫模型。

其中，广义隐马尔科夫模型λ＝（A,B,π）中的参数都为区间形式，A为区间化的状态转移概率矩阵，B区间化的观测概率矩阵，π为区间化的初始状态概率矩阵。

本实施例中，把提取不同时间区间化的动刚度特征信息作为观测信息，输入广义隐马尔科夫模型中，通过区间化的Baum-Welch算法对模型进行优化训练，逐步改善模型参数，使模型参数优化，以获取最优广义隐马尔可夫模型。

（5）获取最优区间化的状态转移概率矩阵

从优化的广义隐马尔可夫模型中，找出状态转移概率矩阵，作为数控机床区间化的马尔科夫链转移矩阵。

本实施例中，是获取动刚度区间化的马尔科夫链转移矩阵。通过从步骤（4）优化的广义隐马尔可夫模型中，找出区间化的状态转移概率矩阵A，作为动刚度区间化的马尔科夫链转移矩阵。

（6）获取性能预测模型

根据数控机床实际情况，考虑不确定性，选择区间化的初始状态概率向量，并与步骤（5）中的马尔可夫链转移矩阵，组成数控机床性能预测模型A⁽ⁿ⁾，其中，A⁽ⁿ⁾＝π(0)Aⁿ。

A为区间化的马尔科夫链转移矩阵，π为区间化的初始状态概率向量，n表示转移的步数，n为正整数。

A矩阵同一行满足上界与下界之和都为1；初始状态概率向量π满足上界与下界之和都为1。

本实施例是获取数据机床动刚度预测模型。根据数控机床实际情况，考虑不确定性，选择动刚度区间化的初始状态概率向量π(0)，并与步骤（5）中的马尔可夫链转移矩阵A，组成动刚度预测模型A⁽ⁿ⁾，其中，A⁽ⁿ⁾＝π(0)Aⁿ。

（7）性能预测

根据区间比较法则，求取A⁽ⁿ⁾向量中的最大值，最大值对应的状态即为所求的数控机床性能预测状态。

其中区间比较法则采用max-min（悲观比较法则），以提高预测的可靠性。max-min比较方法是，先找出向量中每一个区间中的最小值，然后在所有的最小值中求取最大的一个，这个最大值所在的区间对应的状态即为预测状态。

本实施例中，通过动度预测模型对数控机床性能进行预测。采用区间max-min比较法则，求取A⁽ⁿ⁾向量中的最大值，最大值对应的状态即为所求的动刚度预测状态。由动刚度与数控机床性能关系，完成对数控机床性能预测。

通过对数控机床的动刚度等加工性能的预测，从而可以准确获得数控机床的加工性能，使数控机床加工安全、可靠地进行，最终达到提高数控机床加工质量和加工效率的目的。

上述实施例仅是本发明方法的一个优选的方案，但本发明的方法不局限于用一个指标来预测数控机床性能，也不局限于其他数控机床性能预测，对其他的制造业设备性能预测都可适用。

Claims (9)

1.一种基于区间的数控机床加工性能预测方法，具体包括如下步骤：

（1）获取数控机床加工状态中每类测量数据的多个测量值，组合形成数控机床加工信号数据集；

（2）将所述每类测量数据中的每个测量值都转换成区间形式，形成区间化的加工信号数据集；

（3）对上述区间化后的加工信号数据集进行处理，提取其时域特征或者时频域特征；

（4）将提取的时域特征或者时频域特征作为观测，输入广义隐马尔科夫模型中，对模型进行优化训练，使模型参数优化，从而获取优化的广义隐马尔可夫模型；

（5）提取所述优化的广义隐马尔可夫模型中的状态转移概率矩阵作为数控机床区间化的马尔科夫链转移矩阵；

（6）根据所述马尔可夫链转移矩阵获得数控机床性能预测模型A⁽ⁿ⁾，其中，A⁽ⁿ⁾＝π(0)Aⁿ，A为马尔科夫链转移矩阵，π为区间化的初始状态概率向量，n表示转移的步数；

（7）求取所述数控机床性能预测模型A⁽ⁿ⁾中的最大值，该最大值对应的状态即为数控机床加工性能的预测状态，根据该预测状态即可获得数控机床的性能。

2.根据权利要求1所述的方法，其特征在于，所述的测量数据类型可以为力、振动信号、切削温度、声发射信号、切削扭矩和/或电机功率。

3.根据权利要求1或2所述的方法，其特征在于，所述时域特征可以为峰值、均值、均方根值、方差、概率密度函数、峭度和/或裕度。

4.根据权利要求1-3之一所述的方法，其特征在于，所述时频域特征可以为快速傅里叶变换分析、倒谱分析、小波分析、Wi n g er-Ville分布、短时傅立叶分析、Hilbert-Huang变换和/或经验模式分解。

5.根据权利要求1-4之一所述的方法，其特征在于，所述马尔科夫链转移矩阵A的同一行满足上界与下界之和都为1。

6.根据权利要求1-5之一所述的方法，其特征在于，所述初始状态概率向量π满足上界与下界之和都为1。

7.根据权利要求1-6之一所述的方法，其特征在于，所述数控机床性能预测模型A⁽ⁿ⁾向量中的最大值通过根据区间比较法则获得。

8.根据权利要求7所述的方法，其特征在于，所述区间比较法则采用悲观比较法则（max-min），即先找出向量中每一个区间中的最小值，然后在所有的最小值中求取最大的一个，该最大值所在的区间对应的状态即为预测状态。

9.根据权利要求1-8之一所述的方法，其特征在于，所述采集的数控机床的测量数据为力和加速度，所述预测模型A⁽ⁿ⁾相应地为数据机床动刚度预测模型，根据该动刚度预测模型的最大值所对应的机床动刚度即可预测所述数控机床的加工性能。

Images