CN104808587A - 一种基于机加工设备运行状态的稼动率统计方法 - Google Patents

Abstract

本发明涉及一种基于机加工设备运行状态的稼动率统计方法，属于机械制造业能耗、状态监测技术领域。该方法基于功率特征模型结合KNN分类算法识别机加工设备的运行状态，并记录每个运行状态的起止时间，统计各时间参数，由此计算出机加工设备的时间稼动率和性能稼动率。本发明提供的一种基于机加工设备运行状态的稼动率统计方法，基于功率特征模型对机加工设备运行状态进行识别并统计各个状态的起止时间，所统计获得的稼动率准确度高，可靠性强。

Description

一种基于机加工设备运行状态的稼动率统计方法

技术领域

本发明属于机械制造业能耗、状态监测技术领域，涉及一种基于机加工设备运行状态的稼动率统计方法。

背景技术

在制造业领域中，目前正面临着劳工成本提高、产业竞争激烈，使得企业者不得不将人力导向的经营体制改变为设备导向的经营体制，藉以提高设备的生产稼动率，来维持稳定的产能与可靠的质量。机加工设备是企业生产的主要载体，然而在现实生产领域中，机加工设备并不是无时无刻都在工作，在作业计划停线以外的时间，设备总是因为故障、切换作业等原因导致产生非计划的停线时间。机加工设备是企业生产中投入成本较高的资产，如果它能够有持续、高效、稳定、可靠地生产的工作状态就能够有效地降低产品成本，提高企业利润，提高企业竞争力，因此需要一个指标来衡量机加工设备的工作时间。设备稼动率作为生产领域中一个很重要的评估指标，在很大程度上反映了设备对生产的贡献程度，以及设备运转的工作状态，通过稼动率指标来改变损失时间(换刀具、换模具、维护等)从而改变稼动率，稼动率的高低决定了企业生产产品费用的高低，直接影响企业的利润。提高机加工设备稼动率的同时也提高了生产效率和设备利用率，这对于资源整合、管理优化、资源充分利用、节能降耗及可持续生产有着重要的意义。

机加工设备稼动率和设备运行状态有着密切的关系，稼动(加工)时间直接决定稼动率的高低，然而在企业生产中，机加工过程一股都比较复杂，机加工设备的运行状态很难严格意义上区分，因此企业中缺少一种简单有效的稼动率统计方法。对于传统的人工统计方法，严重依赖于人工操作，成本较高，机加工时间参数尤其是有效加工时间的统计很难实现，统计的数据因人而异、精确度低、滞后性大。随着企业对生产效率、设备利用率和设备稼动率的要求越来越高，传统意义上的稼动率获取方法在精度上已经不能满足要求，因此需要准确地获取家加工设备的运行状态以及各状态的时间参数，通过运行状态获取准确可靠的稼动率。

发明内容

有鉴于此，本发明的目的在于提供一种基于机加工设备运行状态的稼动率统计方法，该方法基于功率特征模型对机加工设备运行状态进行识别，具有较高准确度，可靠性强。

为达到上述目的，本发明提供如下技术方案：

一种基于机加工设备运行状态的稼动率统计方法，其特征在于：机加工设备运行状态的稼动率指标定义为时间稼动率E_t、性能稼动率E_p。

       $E_t=\frac{T_{\mathrm{ON}}}{T}\×100\%;E_p=\frac{T_{\mathrm{run}}}{T_{\mathrm{ON}}}\×100\%;$

T_ON＝T_standby+T_run；

       $T_{s\tan \mathrm{dby}}={\mathrm{\Σ}}_{i=1}^m{t}_{s\tan \mathrm{dby}\_i};T_{\mathrm{run}}={\mathrm{\Σ}}_{i=1}^n{t}_{\mathrm{run}\_i};$

其中，T为负荷时间；T_ON为开动时间，开动时间为待机时间和加工时间之和；T_standby为待机时间，即为m个待机过程的总时间；T_run为加工时间，即n个加工过程的加工总时间。

机加工设备运行状态的稼动率统计方法具体包括以下步骤：

步骤一：机加工设备运行状态识别，即通过建立功率特征模型结合KNN分类算法识别机加工设备的运行状态；

步骤二：稼动率统计；记录每个运行状态的起止时间；统计各时间参数，计算机加工设备的时间稼动率和性能稼动率。

进一步，所述机加工设备的运行状态包括待机、加工、关机三种状态。

进一步，所述步骤一具体包括以下步骤：

1)功率数据的时域特征提取，首先对采集的功率数据进行数据预处理，然后提取其时域特征信息，所述时域特征信息主要包括：极差(ran)、均方根(rms)、波峰系数(cf)、标准差(std)、偏斜度(ske)、峭度(kur)，以此作为每个运行状态的特征向量X，即X＝[ran，rms，cf，std，ske，kur]，最后通过主成分分析法建立各个运行状态下的功率特征模型，即状态分类器；

2)待机和加工状态的识别，基于功率特征模型和KNN分类算法即时识别该机加工设备在当前功率数据下所处的运行状态，分别记状态标志为：待机“1”，加工“2”；

3)关机状态识别，当功率传感器采集的功率数据在连续2个采样周期内采集的功率值都等于0时，将机床运行状态判断为关机，状态标记为“0”。

进一步，所述步骤二具体包括以下步骤：

1)根据机加工设备过程中运行状态的变化记录各状态的开始和结束时间，计算在该状态下所持续的时间，如：状态标志为“1”时，第i个加工过程待机时间t_{standby_i}，状态标志为“2”时，第i个加工过程加工时间t_{run_i}；

2)统计各时间参数，加工时间为n个加工过程加工时间的累加，即同理，待机总时间为m个待机过程时间的累加，即开动时间T_oN根据稼动时间和待机时间获得，负荷时间T是班次最大可用时间；

3)将以上统计的时间参数数据代入设备时间稼动率和性能稼动率的数学模型中，计算机加工设备的时间稼动率E_t、性能稼动率E_p。

本发明的有益效果在于：本发明提供的一种基于机加工设备运行状态的稼动率统计方法，基于功率特征模型对机加工设备运行状态的识别，统计各运行状态的时间参数，进而统计得到的稼动率准确度高，可靠性强，同时也为机加工效率和设备利用率提供数据支持，这对于机加工设备优化调度，加工参数优化，提高设备稼动率和利用率有着重要的意义。且该方法在进行稼动率统计时，只需采集机加工设备总电源输入功率信息，简单易操作，功率信号测量简便，具有抗电压波动能力比较强，可避免切削环境中切削、振动等干扰的优点，仅需安装低成本的功率传感器，成本较低，方便实用，具有较高的可推广性。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明所述方法的流程框图；

图2为机加工设备运行状态识别算法流程图；

图3为机加工设备稼动率统计方法流程图；

图4为KNN分类算法的误差率曲线。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明提供的一种基于机加工设备运行状态的稼动率统计方法，所涉及的机加工设备稼动率是指其时间稼动率，即对于设备负荷时间，设备开动时间所占的比率，以及性能稼动率，即相对于设备开动时间，实际稼动时间所占的比率。稼动率是一种很重要的衡量设备工作状态的指标，对于稼动率的统计，提出了一种基于机加工设备运行状态识别的统计方法，通过状态识别统计各个状态的有效运行时间，由此计算机加工设备稼动率，其流程框图如附图1所示。机加工设备运行状态的稼动率指标定义为时间稼动率E_t、性能稼动率E_p。

       $E_t=\frac{T_{\mathrm{ON}}}{T}\×100\%;E_p=\frac{T_{\mathrm{run}}}{T_{\mathrm{ON}}}\×100\%;$

T_ON＝T_standby+T_urn；

       $T_{s\tan \mathrm{dby}}={\mathrm{\Σ}}_{i=1}^m{t}_{s\tan \mathrm{dby}\_i};T_{\mathrm{run}}={\mathrm{\Σ}}_{i=1}^n{t}_{\mathrm{run}\_i};$

其中，T为负荷时间，T_ON为开动时间，T_standby为待机时间，即为m个待机过程的总时间，T_run为稼动时间，即n个加工过程的加工总时间。

机加工设备运行状态的稼动率统计方法具体包括以下步骤：

步骤一：机加工设备运行状态识别，是该稼动率统计方法的关键所在，即通过建立功率特征模型结合KNN分类算法识别机加工设备的运行状态。通过大量功率数据建立准确的功率特征模型是运行状态识别的核心所在，功率特征模型的准确性包括3个方面，一是功率数据本身的准确性，二是机床运行各状态数据的完整性，例如不同转速下的功率数据，三是数据处理的精确性。下面将通过附图2详细介绍本发明所用到的状态识别算法原理。

①待机时间通过多个待机过程的总时间获得，加工时间通过多个加工过程的总时间的获得，开动时间通过待机时间和加工时间直接获得，这样直接获取开动时间可以排除考虑计划停机时间或者非计划停机时间所带来的误差。

②将机床加工的运行状态定义为待机、加工和关机三种状态。其中，总电源开启(数控系统启动)为待机状态，主轴开启以及切削过程为加工状态，主电源关闭为关机状态。

③功率数据的时域特征提取，首先对采集的功率数据进行数据预处理，然后提取其时域特征信息，所述时域特征信息主要包括：极差(ran)、均方根(rms)、波峰系数(cf)、标准差(std)、偏斜度(ske)、峭度(kur)，以此作为每个运行状态的特征向量X，即X＝[ran，rms，cf，std，ske，kur]，最后通过主成分分析法建立各个运行状态下的功率特征模型，即状态分类器。

在实际的加工生产过程中，往往存在大量的干扰，如果不进行处理，将直接影响后续的操作，造成运行状态识别不准确。因此，在使用功率数据之前，需要对其进行处理，剔除其中的异常值，以保证数据的可靠性和准确性。

通过主成分分析法，可以降低功率特征矩阵的维度，进而降低数据的复杂性，减少算法的计算量。

④待机和加工状态的识别，基于功率特征模型和KNN分类算法即时识别该机加工设备在当前功率数据下所处的运行状态，分别记状态标志为：待机“1”，加工“2”。

KNN分类算法是一种基于实例的分类方法，简单有效，属于懒惰学习算法，计算速度快，对于类域的交叉或重叠较多的待分样本集来说，KNN算法较其他方法更为适合。

⑤关机状态识别，当功率传感器采集的功率数据在连续2个采样周期内采集的功率值都等于0时，将机床运行状态判断为关机，状态标记为“0”。

步骤二：稼动率统计；记录每个运行状态的起止时间；统计各时间参数，计算机加工设备的时间稼动率和性能稼动率。

①根据机加工设备过程中运行状态的变化记录各状态的开始和结束时间，计算在该状态下所持续的时间，如：状态标志为“1”时，第i个加工过程待机时间t_{standby_i}，状态标志为“2”时，第i个加工过程加工时间t_{run_i}。

当状态标志变化时，表明运行状态的变化，此时记录下时间t₁，到下一次状态变化时，记录下时间t₂，即该运行状态的持续时间为，t＝t₂-t₁。

②统计各时间参数，稼动时间，即加工时间为n个加工过程加工时间的累加，即 $T_{\mathrm{run}}={\mathrm{\Σ}}_{i=1}^n{t}_{\mathrm{run}\_i},$ 同理，待机总时间为m个待机过程时间的累加，即 $T_{s\tan \mathrm{dby}}={\mathrm{\Σ}}_{i=1}^m{t}_{s\tan \mathrm{dby}\_i},$ 开动时间T_ON根据稼动时间和待机时间获得，负荷时间T是班次最大可用时间，是已知的。

开动时间是负荷时间除非计划停机时间或计划停机时间，如维修、休息等之外的时间，这里通过待机总时间和加工总时间直接获得，可以排除考虑计划停机时间或者非计划停机时间所带来的误差，得到开动时间的方法更加方便、准确、可靠。

③将以上统计的时间参数数据代入设备时间稼动率和性能稼动率的数学模型中，便可计算出机加工设备的时间稼动率E_t、性能稼动率E_p。

由以上所述，便可得到机加工设备在一定周期内的稼动率信息，并作为评估指标用于工业生产中。

实施例

本发明通过某车间一台SmartCNC 500数控机床进行相关实验，在该机床总电源处通过功率传感器实时采集其整个加工过程(待机-加工-关机)的输入功率数据，采样频率为5HZ。根据需要采集两组数据：样本数据和测试数据，①采集样本数据(30min)，对于待机状态，要采集不同情况下的待机状态的输入功率，如加工前的待机状态，以及加工结束后的待机状态。对于加工状态，要采集多个加工过程的输入功率，以保证样本数据的完整性和全面性；②采集验证数据(5min)，采集一个完整的加工过程的输入功率数据。③采集测试数据，直接采集整个额定负荷时间(T＝8h)的输入功率数据。对数据①进行相关处理后建立该机床的功率特征模型，即状态分类器，结合KNN分类算法，对数据②运行状态进行分类，以验证该识别算法的准确性和可靠性。最后，对数据③运行状态进行分类，分别统计其时间参数，最后计算得到设备稼动率的相关信息。通过仿真可以得到如下实验结果，与人工统计进行比较，可以验证该方法的精确度和准确性。表一为采集的样本数据，表二为采集的验证数据，表三为额定负荷时间(T＝8h)的测试数据。

表1 SmartCNC 500数控机床输入功率(30min)样本数据

      

      

表二 SmartCNC 500数控机床输入功率验证数据

      

      

表3 SmartCNC 500数控机床输入功率额定负荷时间(8h)测试数据

      

上述表格数据只是截取的一部分，表三包括多个待机过程和加工过程。其中运行状态：“0”代表关机，“1”代表待机，“2”代表加工。

基于表一数据建立该设备的功率特征模型，对表二数据进行分类验证，通过Matlab仿真，在图4中，可以看出KNN分类算法在K取4时两个状态的综合误差率最小，分别为：待机1.02％，加工0.62％，该功率特征模型和分类算法对于对两个状态的识别准确度很高，尤其是对于加工状态。

通过表三数据，统计各时间参数：

待机时间 $T_{s\tan \mathrm{dby}}={\mathrm{\Σ}}_{i=1}^{33}{t}_{s\tan \mathrm{dby}\_i}=4h17\min ;$ 加工时间 $T_{\mathrm{run}}={\mathrm{\Σ}}_{i=1}^{31}{t}_{\mathrm{run}\_i}=2h38\min$

开动时间T_ON＝T_standby+T_run＝6h55min；负荷时间T＝8h

通过时间参数便可计算设备稼动率信息：

时间稼动率： $E_t=\frac{T_{\mathrm{ON}}}{T}=\frac{6h55\min }{8h}\×100\%=86.45\%$

性能稼动率： $E_p=\frac{T_{\mathrm{run}}}{T_{\mathrm{ON}}}=\frac{2h38\min }{6h55\min }\×100\%=38.07\%$

此外通过人工统计的方法：T_standby＝4h19min，T_run＝2h32min，T_ON＝6h51min，由此计算稼动率为：E_t＝85.62％，E_p＝36.98％。

通过以上实施例计算得到该机床的稼动率信息与人工统计得到的稼动率信息虽然存在一定的误差，但在允许的范围内是可以接受的，况且人工统计本身就存在误差，由此可以看出该发明方法更加准确，精度更高，方法简单，易操作，具有较好的应用前景。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种基于机加工设备运行状态的稼动率统计方法，其特征在于：机加工设备运行状态的稼动率指标定义为时间稼动率E_t、性能稼动率E_p；

$E_t=\frac{T_{\mathrm{ON}}}{T}\×100\%;E_p=\frac{T_{\mathrm{run}}}{T_{\mathrm{ON}}}\×100\%;$

T_ON＝T_standby+T_run;

$T_{s\tan \mathrm{dby}}={\mathrm{\Σ}}_{i=1}^m{t}_{s\tan \mathrm{dby}\_i};T_{\mathrm{run}}={\mathrm{\Σ}}_{i=1}^n{t}_{\mathrm{run}\_i};$

其中，T为负荷时间；T_ON为开动时间，开动时间为待机时间和加工时间之和；T_standby为待机时间，即为m个待机过程的总时间；T_run为加工时间，即n个加工过程的加工总时间；机加工设备运行状态的稼动率统计方法具体包括以下步骤：

步骤一：机加工设备运行状态识别，即通过建立功率特征模型结合KNN分类算法识别机加工设备的运行状态；

步骤二：稼动率统计；记录每个运行状态的起止时间；统计各时间参数，计算机加工设备的时间稼动率和性能稼动率。

2.根据权利要求1所述的一种基于机加工设备运行状态的稼动率统计方法，其特征在于：所述机加工设备的运行状态包括待机、加工、关机三种状态。

3.根据权利要求1所述的一种基于机加工设备运行状态的稼动率统计方法，其特征在于：所述步骤一具体包括以下步骤：

1)功率数据的时域特征提取，首先对采集的功率数据进行数据预处理，然后提取其时域特征信息，所述时域特征信息主要包括：极差(ran)、均方根(rms)、波峰系数(cf)、标准差(std)、偏斜度(ske)、峭度(kur)，作为每个运行状态的特征向量X，即X＝[ran，rms，cf，std，ske，kur]，最后通过主成分分析法建立各个运行状态下的功率特征模型，即状态分类器；

2)待机和加工状态的识别，基于功率特征模型和KNN分类算法即时识别该机加工设备在当前功率数据下所处的运行状态，分别记状态标志为：待机“1”，加工“2”；

3)关机状态识别，当功率传感器采集的功率数据在连续2个采样周期内采集的功率值都等于0时，将机床运行状态判断为关机，状态标记为“0”。

4.根据权利要求1所述的一种基于机加工设备运行状态的稼动率统计方法，其特征在于：所述步骤二具体包括以下步骤：

1)根据机加工设备过程中运行状态的变化记录各状态的开始和结束时间，计算在该状态下所持续的时间；

2)统计各时间参数，加工时间为n个加工过程加工时间的累加，即t_{run_i}为第i个加工过程加工时间；待机总时间为m个待机过程时间的累加，即 t_{standby_i}为第i个加工过程待机时间；开动时间T_ON为待机时间和加工时间之和，负荷时间T为班次最大可用时间；

3)将以上统计的时间参数代入设备时间稼动率和性能稼动率的数学模型中，计算机加工设备的时间稼动率E_t、性能稼动率E_p。