CN111633466A - 大数据分析五轴小龙门数控加工中心的动态精度检测方法 - Google Patents

Abstract

本发明公开了一种大数据分析五轴小龙门数控加工中心的动态精度检测方法，其通过对数据的预处理，消除了噪声数据，缺失数据以及低质量数据等异常数据对于训练所生成的模型的影响，便于更好地利用所采集的数据进行大数据分析处理；所提供的方法准确可靠，其基于历史数据，利用神经网络算法构建了动态误差的多元回归模型，同时借助实时数据和实时动态精度不断地校正多元回归模型；所提供的方法利用大数据技术进而只需借助于数控加工中心的传感器数据就能够可靠地获取动态精度的知识，从而避免使用特定检测装置，大大节约了人力物力成本，使得获取动态精度的过程经济易行，简单友好。

Description

大数据分析五轴小龙门数控加工中心的动态精度检测方法

技术领域

本发明涉及大数据分析及数控加工领域，尤其涉及一种大数据分析五轴小龙门数控加工中心的动态精度检测方法。

背景技术

数控加工中心的精度分为静态精度和动态精度，前者通常指在没有切削载荷以及机床静止或者低速运动情况下的精度，而后者为加工中心在有外载荷、温升、振动等工作状态下的精度。通常在实际的工作状态下，静态精度只能在一定程度上反映加工中心的加工精度，而动态精度直接决定了被加工件的精度。另外，由于实际工作中的切削力、夹紧力、摩擦发热、环境温度变化、振动等因素都会对动态精度产生影响，进而影响被加工工件的精度，因而有必要对加工中心的动态精度进行检测，以保障工件的质量。

目前，在现有的动态精度获取方法中，绝大部分都需要特定的检测装置来完成，比如在申请公布号为CN102009369A和CN103273379A的专利中，都是通过特定的检测装置来完成动态精度的检测。这些检测方法能够获取可靠的动态精度，但其需要耗费较长的时间去布置检测装置，耗费了大量的人力物力。在专利(CN104050317A)中，公开了一种将实验测试和仿真软件相结合的动态精度获取方法，虽然避免了特定检测装置的使用，但涉及有限元模型及动力学模型的建立及优化，对工人的技术水平要求高，且该种方法使得在机床进行改装升级后，需要重新构建相关模型才能检测动态精度，费时费力，加重了用户负担。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，如图1所示，本发明公开了一种大数据分析五轴小龙门数控加工中心的动态精度检测方法，包括如下步骤：

步骤1，采集数控加工中心生产过程数据和内部状态数据；

步骤2，实时接收所采集的数据并储存，同时对数据进行预处理，并对异常数据进行剔除；

步骤3，通过大数据技术基于采集到的历史数据建立动态误差模型，同时利用实时数据不断修正模型，以得到加工中心的动态精度。

更进一步地，所述步骤1进一步包括：对数控系统指令，振动信号，力信号，主轴及运动轴的位置信号以及温度信号进行采集。

更进一步地，所述步骤2进一步包括：在进行数据预处理时，假设采集的数据服从正态分布，给出正态分布公式如下：

其中，σ为数据集的标准差，μ表示数据集的均值，x代表数据集的数据；相对于正常数据，异常数据可以被视为小概率数据；在标准正态分布中，数据x落在(μ-3σ,μ-3σ)外的概率小于0.003，即P(|x-μ|＞3σ)≤2-φ(3)＝0.0026；

其中φ(3)为标准正态分布在x＝3时的概率，剔除满足上述等式的数据，并利用被剔除数据的前后两个数据的均值代替该数据。

更进一步地，所述步骤3进一步包括：在进行数据分析处理时，基于所述历史数据，选用多元回归模型构建动态误差模型，其中，多元回归模型包括一个因变量和多个自变量，可表示如下：

y_n＝a₀+a₁x₁₁+a₂x₂₁+......+a_nx_n1+b_k,k＝1,2,......q

转化为矩阵方程如下：

Y＝AX+B

其中，

分别对应因变量，自变量，函数中未知参数(n+1)列向量，误差。

更进一步地，所述步骤3进一步包括：以上传的各个传感器的历史数据作为自变量，历史动态精度作为因变量，利用神经网络算法对多元回归模型进行训练，得到未知参数的最优值，进而得到动态误差的多元回归模型，将求得所述未知参数的最优值和动态误差带入传感器实时数据，直接获取实时的动态精度，同时利用实时数据与实时动态精度不断修正模型。

本发明进一步公开了一种大数据分析五轴小龙门数控加工中心，包括动态精度检测系统，所述系统包括数据采集模块、数据储存及预处理模块、数据分析处理模块；所述数据采集模块，用于采集数控加工中心生产过程数据和内部状态数据；所述数据储存及预处理模块，其连接到数据采集模块，实时接收所采集的数据并储存，同时对数据进行预处理，并对异常数据进行剔除；所述数据分析处理模块，其与数据储存及预处理模块连接，利用大数据技术并基于历史数据建立动态误差模型，同时利用实时数据不断修正模型，从而得出加工中心动态精度。

更进一步地，所述的数据采集模块对包括数控系统指令，振动信号，力信号，主轴及运动轴的位置信号以及温度信号进行采集。

更进一步地，所述的数据预处理模块中，假设采集的数据服从正态分布，给出正态分布公式如下：

其中，σ为数据集的标准差，μ表示数据集的均值，x代表数据集的数据；相对于正常数据，异常数据可以被视为小概率数据；在标准正态分布中，数据x落在(μ-3σ,μ-3σ)外的概率小于0.003，可表示如下：

P(|x-μ|＞3σ)≤2-φ(3)＝0.0026

其中φ(3)为标准正态分布在x＝3时的概率；在实际工作状态中，剔除满足上述等式的数据，利用被剔除数据的前后两个数据的均值代替该数据。

更进一步地，所述的数据分析处理模块中，基于历史数据，选用多元回归模型构建动态误差模型，其中，所述多元回归模型包括一个因变量和多个自变量，可表示如下：

y_n＝a₀+a₁x₁₁+a₂x₂₁+......+a_nx_n1+b_k,k＝1,2,......q

转化为矩阵方程如下：

Y＝AX+B

其中，

分别对应因变量，自变量，函数中未知参数(n+1)列向量，误差；

通过以上传的各个传感器的历史数据作为自变量，历史动态精度作为因变量，利用神经网络算法对多元回归模型进行训练，得到所述未知参数的最优值，进而得到动态误差的多元回归模型，然后带入传感器实时数据，直接获取实时的动态精度，同时利用实时数据与实时动态精度不断修正模型，从而使所获取的动态精度。

与现有技术相比，本发明的有益效果为：本发明提供的基于大数据分析的数控加工中心动态精度检测方法，其通过对数据的预处理，消除了噪声数据，缺失数据以及低质量数据等异常数据对于训练所生成的模型的影响，便于更好地利用所采集的数据进行大数据分析处理；所提供的方法准确可靠，其基于历史数据，利用神经网络算法构建了动态误差的多元回归模型，同时借助实时数据和实时动态精度不断地校正多元回归模型；所提供的方法利用大数据技术进而只需借助于数控加工中心的传感器数据就能够可靠地获取动态精度的知识，从而避免使用特定检测装置，大大节约了人力物力成本，使得获取动态精度的过程经济易行，简单友好。

附图说明

从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。

图1是本发明的基于大数据分析的数控加工中心动态精度检测方法的流程图；

图2是本发明的基于大数据分析的数控加工中心动态精度检测方法的原理图。

具体实施方式

实施例一

如图2所示，本实施例公开了一种基于大数据分析的数控加工中心动态精度检测方法，包括：

1)数据采集模块，用于采集数控加工中心生产过程数据和内部状态数据；

2)数据储存及预处理模块，其连接到数据采集模块，实时接收所采集的数据并储存，同时对数据进行预处理，对异常数据进行踢除，减小对利用大数据训练模型的影响；

3)数据分析处理模块，其与数据储存及预处理模块连接，利用大数据技术并基于历史数据建立动态误差模型，同时利用实时数据不断修正模型，从而得出可靠的加工中心动态精度。

进一步地，所述的数据采集模块对包括数控系统指令，振动信号，力信号，主轴及运动轴的位置信号以及温度信号等进行采集；

进一步地，所述的数据预处理模块中，假设采集的数据服从正态分布，给出正态分布公式如下：

其中，σ为数据集的标准差，μ表示数据集的均值，x代表数据集的数据。相对于正常数据，异常数据可以被视为小概率数据。在标准正态分布中，数据x落在(μ-3σ,μ-3σ)外的概率小于0.003，即

P(|x-μ|＞3σ)≤2-φ(3)＝0.0026

其中φ(3)为标准正态分布在x＝3时的概率。在实际工作状态中，满足上述等式的数据被视为异常数据，必须被剔除，同时为了保持数据的完整性，利用被剔除数据的前后两个数据的均值代替该数据。

进一步地，所述的数据分析处理模块中，基于历史数据，选用多元回归模型构建动态误差模型。多元回归模型有一个因变量和多个自变量(自变量包含常数项)，可表示如下：

y_n＝a₀+a₁x₁₁+a₂x₂₁+......+a_nx_n1+b_k,k＝1,2,......q

改写为矩阵方程如下：

Y＝AX+B

其中，

分别对应因变量，自变量，函数中未知参数(n+1)列向量，误差。可以看出，多元回归模型中的A和B都是未知的，需要进行求解。

本实施例利用上传的各个传感器的历史数据作为自变量，历史动态精度作为因变量(历史动态精度可以不精确，一个粗略估计值即可)，利用神经网络算法对多元回归模型进行训练，找到未知参数的最优值，进而得到动态误差的多元回归模型，然后带入传感器实时数据，直接获取实时的动态精度，同时利用实时数据与实时动态精度不断修正模型，从而使所获取的动态精度准确可靠。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (9)

1.一种大数据分析五轴小龙门数控加工中心的动态精度检测方法，其特征在于，包括如下步骤：

步骤1，采集数控加工中心生产过程数据和内部状态数据；

步骤2，实时接收所采集的数据并储存，同时对数据进行预处理，并对异常数据进行剔除；

步骤3，通过大数据技术基于采集到的历史数据建立动态误差模型，同时利用实时数据不断修正模型，以得到加工中心的动态精度。

2.如权利要求1所述的一种大数据分析五轴小龙门数控加工中心的动态精度检测方法，其特征在于，所述步骤1进一步包括：对数控系统指令，振动信号，力信号，主轴及运动轴的位置信号以及温度信号进行采集。

3.如权利要求2所述的一种大数据分析五轴小龙门数控加工中心的动态精度检测方法，其特征在于，所述步骤2进一步包括：在进行数据预处理时，假设采集的数据服从正态分布，给出正态分布公式如下：

其中，σ为数据集的标准差，μ表示数据集的均值，x代表数据集的数据；相对于正常数据，异常数据可以被视为小概率数据；在标准正态分布中，数据x落在(μ-3σ,μ-3σ)外的概率小于0.003，即P(|x-μ|＞3σ)≤2-φ(3)＝0.0026；

其中φ(3)为标准正态分布在x＝3时的概率，剔除满足上述等式的数据，并利用被剔除数据的前后两个数据的均值代替该数据。

4.如权利要求4所述的大数据分析五轴小龙门数控加工中心的动态精度检测方法，其特征在于，所述步骤3进一步包括：在进行数据分析处理时，基于所述历史数据，选用多元回归模型构建动态误差模型，其中，多元回归模型包括一个因变量和多个自变量，可表示如下：

y_n＝a₀+a₁x₁₁+a₂x₂₁+......+a_nx_n1+b_k,k＝1,2,......q

转化为矩阵方程如下：

Y＝AX+B

其中，

分别对应因变量，自变量，函数中未知参数(n+1)列向量，误差。

5.如权利要求4所述的一种大数据分析五轴小龙门数控加工中心的动态精度检测方法，其特征在于，所述步骤3进一步包括：以上传的各个传感器的历史数据作为自变量，历史动态精度作为因变量，利用神经网络算法对多元回归模型进行训练，得到未知参数的最优值，进而得到动态误差的多元回归模型，将求得所述未知参数的最优值和动态误差带入传感器实时数据，直接获取实时的动态精度，同时利用实时数据与实时动态精度不断修正模型。

6.一种大数据分析五轴小龙门数控加工中心，包括动态精度检测系统，其特征在于，所述系统包括数据采集模块、数据储存及预处理模块、数据分析处理模块；所述数据采集模块，用于采集数控加工中心生产过程数据和内部状态数据；所述数据储存及预处理模块，其连接到数据采集模块，实时接收所采集的数据并储存，同时对数据进行预处理，并对异常数据进行剔除；所述数据分析处理模块，其与数据储存及预处理模块连接，利用大数据技术并基于历史数据建立动态误差模型，同时利用实时数据不断修正模型，从而得出加工中心动态精度。

7.如权利要求6所述的一种大数据分析五轴小龙门数控加工中心，其特征在于，所述的数据采集模块对包括数控系统指令，振动信号，力信号，主轴及运动轴的位置信号以及温度信号进行采集。

8.如权利要求6所述的一种大数据分析五轴小龙门数控加工中心，其特征在于，所述的数据预处理模块中，假设采集的数据服从正态分布，给出正态分布公式如下：

其中，σ为数据集的标准差，μ表示数据集的均值，x代表数据集的数据；相对于正常数据，异常数据可以被视为小概率数据；在标准正态分布中，数据x落在(μ-3σ,μ-3σ)外的概率小于0.003，可表示如下：

P(|x-μ|＞3σ)≤2-φ(3)＝0.0026

其中φ(3)为标准正态分布在x＝3时的概率；在实际工作状态中，剔除满足上述等式的数据，利用被剔除数据的前后两个数据的均值代替该数据。

9.如权利要求6所述的一种大数据分析五轴小龙门数控加工中心，其特征在于，所述的数据分析处理模块中，基于历史数据，选用多元回归模型构建动态误差模型，其中，所述多元回归模型包括一个因变量和多个自变量，可表示如下：

y_n＝a₀+a₁x₁₁+a₂x₂₁+......+a_nx_n1+b_k,k＝1,2,......q

转化为矩阵方程如下：

Y＝AX+B

其中，

分别对应因变量，自变量，函数中未知参数(n+1)列向量，误差；

通过以上传的各个传感器的历史数据作为自变量，历史动态精度作为因变量，利用神经网络算法对多元回归模型进行训练，得到所述未知参数的最优值，进而得到动态误差的多元回归模型，然后带入传感器实时数据，直接获取实时的动态精度，同时利用实时数据与实时动态精度不断修正模型，从而使所获取的动态精度。

Images