CN110394688B - 基于边缘计算的机床状态监测方法 - Google Patents

Abstract

本发明提供一种基于边缘计算的机床状态监测方法，属于工业控制领域，以解决目前云端服务器计算负担大及可能不能及时发现机床故障的问题。包括：至少三种类型的传感器实时采集机床工作过程中的状态信号，定时发送至每种类型传感器对应的边缘服务器；各个边缘服务器判断每个机床上的传感器在各个时刻发送的状态信号是否正常；如果是，则每个边缘服务器将状态数据存储在本地；如果否，则将异常数据发送至云端服务器；云端服务器向其余边缘服务器发送广播请求；其余边缘服务器接收广播请求后将该时刻接收的来自于对应传感器的状态信号发送至云端服务器；云端服务器采用DS证据理论进行数据融合处理，根据数据融合结果判断机床的工作状态是否正常。

Description

基于边缘计算的机床状态监测方法

技术领域

本发明涉及工业控制技术领域，尤其涉及一种基于边缘计算的机床状态监测方法。

背景技术

在现代工业中，机床是生产制造中的关键技术设备，其技术发展水平与拥有数目成为体现一个国家工业现代化水平的重要标志。数控机床是一种集机、电、液于一身的现代机电设备。数控技术本身的复杂性，工艺的多样性和加工零件的复杂性，使数控系统的规格、品种繁多，性能差异极大，控制参数复杂，调试操作繁琐，一旦数控机床发生故障，对其进行故障诊断和维修是一项专业性很强的工作。这样就导致故障机床经常得不到及时的维修，延长了故障停机时间，降低了数控机床的生产效率。为了使机床在工作过程中能够安全、可靠、高效、高质量地完成加工任务，保证产品质量和生产效率，实现机械加工的自动化、无人化和高精度化，利用先进的监控技术监测机械加工制造运行过程，并且将机床的工作状态控制在合理的范围内就变得异常重要。

机床在工作过程中，反映过程状态的信号很多，包括切削力、振动信号、切削温度等等。因此，在对机床状态进行监测过程中，需要通过多种类型的传感器实时采集机床工作过程的状态信号。目前这些传感器采集到机床的状态信号后，均发送至云端服务器，由云端服务器根据这些状态信号确定机床的工作状态是否正常。

然而，将所有状态信号均发送至云端服务器的方式会使云端服务器有很大的计算负担，从而影响其计算效率，因而可能导致不能及时发现机床工作中出现的故障而影响机床工作过程中的产品质量和生产效率。

发明内容

为解决目前对机床状态进行监测的方式会给云端服务器造成很大的计算负担及可能不能及时发现机床工作中出现的故障而影响机床工作过程中的产品质量和生产效率的技术问题，本发明提供一种基于边缘计算的机床状态监测方法。

为解决上述技术问题，本发明采用的技术方案是：

一种基于边缘计算的机床状态监测方法，其包括如下步骤：

S1，安装于各个机床上的至少三种类型的传感器实时采集机床工作过程中的状态信号，并将所采集的状态信号定时发送至每种类型的传感器对应的边缘服务器，每个机床上安装的传感器至少包括温度传感器、振动传感器和切削力传感器，所有机床上的同一类型的传感器对应一个边缘服务器；

S2，各个边缘服务器判断每个机床上的对应传感器在各个时刻发送的状态信号是否正常；

S3，如果每个边缘服务器确定所有机床上的对应传感器在各个时刻发送的状态数据都正常，则每个边缘服务器将状态数据存储在边缘服务器本地；

S4，如果任一边缘服务器确定任一机床上的对应传感器在任一时刻发送的状态数据异常，则该边缘服务器将异常数据发送至云端服务器；

S5，云端服务器向其余边缘服务器发送广播请求，以使其余边缘服务器返回该机床上的其余传感器在该时刻发送的状态信号；

S6，其余边缘服务器接收广播请求后，将该时刻接收的来自于对应传感器的状态信号发送至云端服务器；

S7，云端服务器根据该机床上的至少三种类型的传感器的状态信号采用DS证据理论进行数据融合处理，并根据数据融合结果判断该机床在该时刻的工作状态是否正常。

可选地，所述S7在具体实施时包括如下步骤：

S71，建立机床状态识别框架：根据先验机床状态知识将机床状态识别框架表示为A＝{A₁，A₂，A₃}，命题A₁代表机床工作状态正常，命题A₂代表机床工作状态不确定，A₃代表机床出现故障；

S72，建立每种传感器的基本概率分配函数：将每种传感器的基本概率分配函数表示为m_i，确定每种传感器对机床状态识别框架中命题的支持概率m_i为：m_i(A₁)＝a_i，m_i(A₂)＝b_i，m_i(A₃)＝c_i，i＝1，2……n，n为传感器的类型数量；

S73，采用DS证据理论进行数据融合处理：

对至少三种类型的传感器中的任意两种类型的传感器的数据进行融合，首先通过如下公式求取这两种传感器之间的冲突系数K：

然后通过如下公式计算这两种类型的传感器融合后对机床状态识别框架中命题的支持概率：

S74，将融合结果与第三种类型的传感器的数据按如上步骤S73进行融合，以此类推，直至对最后一个类型的传感器的数据进行融合得到融合结果后，根据融合结果中的概率判断该机床在该时刻的工作状态是否正常。

可选地，基于边缘计算的机床状态监测方法还包括如下步骤：如果任一边缘服务器确定任一机床上的对应传感器在任一时刻发送的状态数据异常，则该边缘服务器将异常数据输出，并发出报警信号。

可选地，基于边缘计算的机床状态监测方法还包括如下步骤：如果云端服务器确定任一时刻工作状态异常的机床数量超过预设数量，则发出报警信号。

本发明的有益效果是：

通过各个边缘服务器判断每个机床上的对应传感器在各个时刻发送的状态信号是否正常，并在每个边缘服务器确定所有机床上的对应传感器在各个时刻发送的状态数据都正常时，每个边缘服务器将状态数据存储在边缘服务器本地；当任一边缘服务器确定任一机床上的对应传感器在任一时刻发送的状态数据异常时，才将异常数据发送至云端服务器，使云端服务器进一步判断机床的工作状态，从而能够减轻云端服务器的计算负担，因而提高云端服务器的计算效率和处理任务的实时性，确保可以及时发现机床工作中出现的故障，以此确保机床工作过程中的产品质量和生产效率。因此，与背景技术相比，本发明具有能够减轻云端服务器的计算负担，提高云端服务器的计算效率和处理任务的实时性，能够及时发现机床工作中出现的故障，能够保证机床的产品质量和生产效率等优点。

附图说明

图1是本发明的应用环境示意图。

图2是本发明的流程图。

图3是一种梯形隶属度函数示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步地详细描述。

如图1所示，其为本发明实施例的应用环境示意图。具体地，在本发明实施例时，每个机床上安装有至少三种类型的传感器，例如，每个机床上至少均安装有温度传感器、振动传感器和切削力传感器。所有机床上的同一类型的传感器对应一个边缘服务器，例如，所有机床上的温度传感器对应一个边缘服务器，所有的温度传感器定时向温度传感器对应的边缘服务器发送所在机床的温度数据。各个边缘服务器与云端服务器在地理位置上是分布式的，每个边缘服务器与云端服务器远程连接，每个边缘服务器都具有一定的计算能力，来判断任一时刻所接收的状态信号是否正常。多个边缘服务器之间在地理上是分布的，但具有各自的物理位置和网络结构。

基于图1所示的应用环境，如图2所示，本发明实施例中的基于边缘计算的机床状态监测方法，其包括如下步骤：

S1，安装于各个机床上的至少三种类型的传感器实时采集机床工作过程中的状态信号，并将所采集的状态信号定时发送至每种类型的传感器对应的边缘服务器。

机床在工作过程中，反映工作状态的信号很多，包括切削力信号、振动信号、温度信号等等。在机床切削加工过程中，由于切削热的产生，会直接导致刀具的磨损和耐用度降低，也影响工件的加工精度和已加工表面质量。机床工作时所产生的振动，不仅会影响机床的动态精度和被加工零件的质量，而且会降低刀具的耐用度，剧烈的振动甚至会使机床的使用性能大大下降。机械加工中的机床在切削力等外力的作用下，会产生相应的变形，从而破坏刀具和工件之间的正确的相对位置，使工件的加工精度下降。因此，通过实时监测控制切削温度、振动信号、切削力对于控制机床的生产状态是十分重要的。另外，单一参数的传感器对机床状态的探测能力十分有限，不能有效地通过探测机床各类参数的情况来判断机床状态，使用合适的多种类型传感器来采集这些信号是十分必要的。因此，本发明实施例在每个机床上安装的传感器至少包括温度传感器、振动传感器和切削力传感器。每个机床上的温度传感器用于检测所在机床的工作温度，振动传感器用于检测所在机床工作时的振动幅度，切削力传感器用于检测所在机床工作过程中的切削力。

在该实施例中，为保证每种类型的传感器对应的边缘服务器能够及时发现传感器采集的状态信号是否正常，传感器在定时向对应边缘服务器发送状态信号时，所间隔的时间越短越好。例如，每隔2s发送一次数据，或每隔5s发送一次数据等。

S2，各个边缘服务器判断每个机床上的对应传感器在各个时刻发送的状态信号是否正常。

在本发明实例中，边缘服务器接收的来自于对应传感器的状态信号包括传感器采集到的数据、数据对应的机床及数据的发送时刻等。每个边缘服务器都存储有状态信号的正常值范围，当接收机床上的对应传感器在各个时刻发送的状态信号后，边缘服务器可以通过判断该状态信号的数据是否处于正常值范围来确定状态信号是否正常。当状态信号中所包括的数据处于正常值范围内时，确定状态信号正常；当状态信号所包括的数据未处于正常值范围内时，确定状态信号异常。

S3，如果每个边缘服务器确定所有机床上的对应传感器在各个时刻发送的状态数据都正常，则每个边缘服务器将状态数据存储在边缘服务器本地。

S4，如果任一边缘服务器确定任一机床上的对应传感器在任一时刻发送的状态数据异常，则该边缘服务器将异常数据发送至云端服务器。

例如，如果多个边缘服务器中的某一边缘服务器确定某一机床上的对应传感器在某一时刻发送的状态数据异常，则需要进一步确定该机床的工作状态，此时，该边缘服务器向云端服务器发送异常数据，使云端服务器通过后续步骤对该机床的工作状态进行评估。

S5，云端服务器向其余边缘服务器发送广播请求，以使其余边缘服务器返回该机床上的其余传感器在该时刻发送的状态信号。

具体地，云端服务器基于各个边缘节点的通信地址向其余边缘服务器发送广播请求。

例如，云端服务器与边缘服务器A、边缘服务器B和边缘服务器C三个边缘服务器通信，边缘服务器A与各机床上的温度传感器对应，边缘服务器B与振动传感器对应，边缘服务器C与切削力传感器对应，若边缘服务器A检测到某一时刻机床a上的温度传感器的状态信号异常，则边缘服务器A向云端服务器发送异常数据、异常数据对应的位置、异常数据存在的时间段及异常数据所在的机床(机床a)，云端服务器接收到异常数据及其信息时，向边缘服务器B和边缘服务器C广播请求同一时刻来自于机床a上的振动传感器和切削力传感器采集的状态信号。

本发明实施例仅在边缘服务器确定状态信号异常时，云端服务器接收异常数据及向其余边缘服务器请求数据，以减少云端服务器的存储压力及云端服务器与边缘服务器之间的通信次数。

S6，其余边缘服务器接收广播请求后，将该时刻接收的来自于对应传感器的状态信号发送至云端服务器。

由此可得，在本发明实施例中，云端服务器与边缘服务器之间的通信可以实现数据的共享，同时也保证了边缘计算的实时性。

结合上述举例，边缘服务器B和边缘服务器C接收广播请求后，将该时刻接收的来自于机床a上的振动传感器和切削力传感器采集的状态信号发送至云端服务器。

S7，云端服务器根据该机床上的至少三种类型的传感器的状态信号采用DS证据理论进行数据融合处理，并根据数据融合结果判断该机床在该时刻的工作状态是否正常。

其中，所述S7在具体实施时包括如下步骤：

S71，建立机床状态识别框架：根据先验机床状态知识将机床状态识别框架表示为A＝{A₁，A₂，A₃}，命题A₁代表机床工作状态正常，命题A₂代表机床工作状态不确定，A₃代表机床出现故障。

其中，先验机床状态知识是根据机床的历史运行状态数据确定的。根据先验机床状态知识确定的机床状态识别框架A为机床所有可能取值的一个论域集合，且机床状态识别框架内的所有命题都互不相容，任一命题都对应于机床状态识别框架的一个子集。如果A＝{A₁，A₂，A₃}，则A的幂集：

S72，建立每种传感器的基本概率分配函数：将每种传感器的基本概率分配函数表示为m_i，确定每种传感器对机床状态识别框架中命题的支持概率m_i为：m_i(A₁)＝a_i，m_i(A₂)＝b_i，m_i(A₃)＝c_i，i＝1，2，……n，n为传感器的类型数量。

基本概率分配函数简称BPA，在机床状态识别框架上的BPA函数满足：m：2^A→[0，1]，称为mass函数，并且满足：

基本概率分配函数表示传感器所采集的数据对机床状态辨识框架中命题A的支持程度。对于机床状态识别框架中的某个命题A，m(A)为该命题的基本可信度，其值为一个概率，反应了对A本身的信度大小。m_i(A₁)＝a_i表示第i种传感器对命题A₁的支持概率为a_i，m_i(A₂)＝b_i表示第i种传感器对命题A₂的支持概率为b_i，m_i(A₃)＝c_i表示第i种传感器对命题A₃的支持概率为c_i，以此类推。

其中，在确定每种传感器的基本概率分配函数时，先获取每种传感器的历史数据及对应的机床工作状态数据；然后，基于每种传感器的历史数据及机床工作状态数据建立梯形隶属度函数，梯形隶属度函数反应了传感器采集的状态数据与隶属度之间的对应关系；最后，根据梯形隶属度函数及传感器的状态数据确定每种传感器的基本概率分配函数。机床状态辨识框架中有几个命题，梯形隶属度函数中即有几条曲线，一个命题对应一条曲线。对于梯形隶属度函数中的每条曲线，传感器采集的状态数据对应的隶属度即为传感器对该曲线对应的命题的支持程度。

S73，采用DS证据理论进行数据融合处理：

对至少三种类型的传感器中的任意两种类型的传感器的数据进行融合，首先通过如下公式求取这两种传感器之间的冲突系数K：

然后通过如下公式计算这两种类型的传感器融合后对机床状态识别框架中命题的支持概率：

K用在DS证据理论的合成公式中，它的大小反应两个证据之间的冲突程度。当0<K<1时，表示两种证据部分相容；当K→1时，表示证据高度冲突。

S74，将融合结果与第三种类型的传感器的数据按如上步骤S73进行融合，以此类推，直至对最后一个类型的传感器的数据进行融合得到融合结果后，根据融合结果中的概率判断该机床在该时刻的工作状态是否正常。

具体地，将融合后的基本概率分配函数和其它剩余类型的传感器的数据中的一种传感器进行融合，得到的融合结果再与下一种传感器的数据进行融合，直到得到融合结果后，根据融合结果判断机床状态。

DS证据推理具有较强的理论基础，既能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定性，而且不需要先验概率，用在机床状态监测中十分合适。本发明实施例通过该种方式对至少三种类型的传感器的状态信号进行数据融合处理，能够提高对机床状态识别的准确度。

下面以一个具体的实例对S7的实现过程进行举例说明：

温度传感器采集的数据对机床状态识别框架中命题的支持概率为m₁，振动传感器采集的数据对机床状态识别框架中命题的支持概率为m₂，切削力传感器采集的数据对机床状态识别框架中命题的支持概率为m₃。其中，以温度传感器为例，根据温度传感器采集的历史数据及对应的机床工作状态数据建立的温度传感器的梯形隶属度函数如图3所示，图3中的三条曲线分别表示了不同温度对机床状态识别框架中的三个命题的支持程度。结合图3，如果温度传感器采集的数据为正常数据，且温度为32℃，则根据图3可以确定：m₁(A₁)＝0.8660，m₁(A₂)＝0.1340，m₁(A₃)＝0。同理，基于同一时刻振动传感器和切削力传感器采集的状态信号的数据及根据它们的历史数据及对应机床工作状态数据确定的梯形隶属度函数(本发明实施例未提供对应的图)确定：m₂(A₁)＝0.6100，m₂(A₂)＝0.3333，m₂(A₃)＝0.0567；m₃(A₁)＝0.5267，m₃(A₂)＝0.3333，m₃(A₃)＝0.1400；接下来，先对温度传感器和振动传感器获得的数值按照公式进行融合；融合后对机床状态识别框架中命题的支持概率为：

m₁₂(A₁)＝0.9220

m₁₂(A₂)＝0.0780

m₁₂(A₃)＝0

因此，可以得出温度传感器和振动传感器这两种传感器的融合结果为{状态正常，不确定，故障}＝{0.9220，0.0780，0}。

同理，将这两种传感器融合的结果再与切削力传感器的数据融合后获得的数值对机床状态识别框架中命题的支持概率，即为最后机床的状态概率。按照前面步骤的融合结果，最终可以得出的融合结果为{状态正常，不确定，故障}＝{0.9492，0.5081，0}。

根据上述内容可得到如下表一：

表一

	m<sub>1</sub>()	m<sub>2</sub>()	m<sub>3</sub>()	融合结果
					机床状态正常	0.8660	0.6100	0.5267	0.9492
机床状态不确定	0.1340	0.3333	0.3333	0.5081
					机床状态故障	0	0.0567	0.1400	0
结论	正常	正常	正常	正常

从上表一中可以看出，当有传感器数据与事实相悖时，原来单个的传感器不一定能准确判断机床状态是否发生故障，但是进行数据融合后可以提高正确判断的概率，来自三个类型的传感器的数据提高了方法正确判断的概率。

通过上述实例可知，传感器正常情况下，得到的判别结果与实际情况相符。本发明实施例提出的方法可以准确地判断机床的工作状态，可以确保将机床生产状态控制在合理的范围内，从而保证产品质量和生产效率。

可选地，本发明实施例还包括：如果任一边缘服务器确定任一机床上的对应传感器在任一时刻发送的状态数据异常，则将异常数据输出，并发出报警信号。例如，当某个机床的温度异常时，温度传感器对应的边缘服务器输出该机床的温度数据，以提示管理员进行跟踪检查。

可选地，本发明实施例还包括：如果云端服务器确定任一时刻工作状态异常的机床数量超过预设数量，则发出报警信号，以便及时起到警示作用并提示采取措施，比如打开制冷系统等。

进一步地，本发明实施例中云端服务器在获得机床的工作状态后，可以将工作状态实时反馈至机床的控制中心，以便控制中心可以及时采取相关的策略。

本发明实施例在机床上部署温度传感器、振动传感器、切削力传感器等相关的传感器来监测机床状态，并使用多传感器融合技术来对这些传感器采集到的状态信号进行决策融合来确定机床的工作状态是否正常，最终再将决策结果返回控制中心，构成一个自组织的反馈环网络，从而将机床生产状态控制在合理的范围内，保证机床的产品质量和生产效率。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (4)

1.一种基于边缘计算的机床状态监测方法，其特征在于，包括如下步骤：

S1，安装于各个机床上的至少三种类型的传感器实时采集机床工作过程中的状态信号，并将所采集的状态信号定时发送至每种类型的传感器对应的边缘服务器，每个机床上安装的传感器至少包括温度传感器、振动传感器和切削力传感器，所有机床上的同一类型的传感器对应一个边缘服务器；

S2，各个边缘服务器判断每个机床上的对应传感器在各个时刻发送的状态信号是否正常；

S3，如果每个边缘服务器确定所有机床上的对应传感器在各个时刻发送的状态数据都正常，则每个边缘服务器将状态数据存储在边缘服务器本地；

S4，如果任一边缘服务器确定任一机床上的对应传感器在任一时刻发送的状态数据异常，则该边缘服务器将异常数据发送至云端服务器；

S5，云端服务器向其余边缘服务器发送广播请求，以使其余边缘服务器返回该机床上的其余传感器在该时刻发送的状态信号；

S6，其余边缘服务器接收广播请求后，将该时刻接收的来自于对应传感器的状态信号发送至云端服务器；

S7，云端服务器根据该机床上的至少三种类型的传感器的状态信号采用DS证据理论进行数据融合处理，并根据数据融合结果判断该机床在该时刻的工作状态是否正常。

2.根据权利要求1所述的基于边缘计算的机床状态监测方法，其特征在于，所述S7在具体实施时包括如下步骤：

S71，建立机床状态识别框架：根据先验机床状态知识将机床状态识别框架表示为A＝{A₁，A₂，A₃}，命题A₁代表机床工作状态正常，命题A₂代表机床工作状态不确定，A₃代表机床出现故障；

S72，建立每种传感器的基本概率分配函数：将每种传感器的基本概率分配函数表示为m_i，确定每种传感器对机床状态识别框架中命题的支持概率m_i为：m_i(A₁)＝a_i，m_i(A₂)＝b_i，m_i(A₃)＝c_i，i＝1，2……n，n为传感器的类型数量；

S73，采用DS证据理论进行数据融合处理：

对至少三种类型的传感器中的任意两种类型的传感器的数据进行融合，首先通过如下公式求取这两种传感器之间的冲突系数K：

然后通过如下公式计算这两种类型的传感器融合后对机床状态识别框架中命题的支持概率：

S74，将融合结果与第三种类型的传感器的数据按如上步骤S73进行融合，以此类推，直至对最后一个类型的传感器的数据进行融合得到融合结果后，根据融合结果中的概率判断该机床在该时刻的工作状态是否正常。

3.根据权利要求1所述的基于边缘计算的机床状态监测方法，其特征在于，还包括如下步骤：

如果任一边缘服务器确定任一机床上的对应传感器在任一时刻发送的状态数据异常，则该边缘服务器将异常数据输出，并发出报警信号。

4.根据权利要求1所述的基于边缘计算的机床状态监测方法，其特征在于，还包括如下步骤：

如果云端服务器确定任一时刻工作状态异常的机床数量超过预设数量，则发出报警信号。

Images