CN112099438B - 一种基于电流信号的机床节能控制方法及装置 - Google Patents

一种基于电流信号的机床节能控制方法及装置 Download PDF

Info

Publication number
CN112099438B
CN112099438B CN202010959463.6A CN202010959463A CN112099438B CN 112099438 B CN112099438 B CN 112099438B CN 202010959463 A CN202010959463 A CN 202010959463A CN 112099438 B CN112099438 B CN 112099438B
Authority
CN
China
Prior art keywords
machine tool
state
current
value
current level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010959463.6A
Other languages
English (en)
Other versions
CN112099438A (zh
Inventor
刘宇辰
李海峰
刘凯
丁妤婕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Jridge Software Development Co ltd
Original Assignee
Nanjing Jridge Software Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Jridge Software Development Co ltd filed Critical Nanjing Jridge Software Development Co ltd
Priority to CN202010959463.6A priority Critical patent/CN112099438B/zh
Publication of CN112099438A publication Critical patent/CN112099438A/zh
Application granted granted Critical
Publication of CN112099438B publication Critical patent/CN112099438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R15/00—Details of measuring arrangements of the types provided for in groups G01R17/00 - G01R29/00, G01R33/00 - G01R33/26 or G01R35/00
    • G01R15/14—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks
    • G01R15/18—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks using inductive devices, e.g. transformers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31124—Interface between communication network and process control, store, exchange data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于电流信号的机床节能控制方法及装置，本发明首先对机床三相进线电路处的一相电流进行采集并转换得到电流水平值，通过周期性采集电流水平值计算平均电流水平值及电流水平值变化比例；然后基于K‑means聚类算法或BP神经网络算法对采集的样本进行学习，构建机床状态判断模型，用于识别机床的7种不同状态；再利用构建的机床状态判断模型进行机床状态判断，若识别出来是运行状态之后的待机状态，或运行至待机下降状态之后的待机状态，则关闭机床。本发明能够对无通信接口的加工设备和其他由于主观和客观条件限制导致无法通过标准接口获取设备内部信息的设备进行低成本、一体化的数据采集、状态分析和节能优化。

Description

一种基于电流信号的机床节能控制方法及装置
技术领域
本发明涉及针对生产制造型设备的生产技术改进，具体涉及一种基于电流信号的机床节能控制方法及装置。
背景技术
对机床节能技术的研究可以分为三个部分：数据采集技术的研究、机床状态分析方法的研究、节能手段的研究。从数据采集技术的研究来看，目前针对有标准通讯接口的机床有十分完善的采集方案，相对的，对无标准通讯接口的机床有多种不够完善的采集方案，主要进行电气参数、运动参数、温度参数等模拟量参数进行采集，采集过程中需要解决的技术难点包括：(1)对原始信号的硬件滤波方法的构建；(2)原始信号采集后的软件滤波方法的构建；(3)系统各层级间通讯方式的选择。从机床状态分析方法的研究来看，当前占据主流地位的为模式识别法，分为经典模式识别法和现代模式识别法，不管是哪种模式识别法都需要大量的数据作为训练样本，由于这是一个人工智能与传统制造业的融合领域，因此在工业生产的实际使用中较少，在接触过大量生产企业后，发现普遍适用的识别方法为阈值法，这个方法需要人工事先对每一台机床进行工作全流程的检测，将工作状态与机床工作电流值一一对应后输入系统，后续由系统进行状态判断。从节能手段的研究来看，大体有两类方式可以实现：(1)机床机械机构、电气结构的改进，对这类方式的研究热度是最高的，它能从根本上革新机床技术，但无法对现存机床造成影响；(2)生产工艺的改进，这类方式的技术门槛相对较高，且需要相关生产行业的资深专家做针对性的工艺改造，不具有普适性。
目前对有标准硬件接口及标准通讯协议的机床的采集技术很成熟且有相关的节能方法，可以涵盖现存的大部分数控机床，但对于电焊机、自动焊、氩弧焊、连续焊、水切割机、激光加工机床、折弯机、拉弯机等无通信接口加工设备和其他由于主观和客观条件限制导致无法通过标准接口获取设备内部信息的设备不具有通用性。
对机床中有特殊采集需求的部分机床和对无法通过标准硬件接口和标准通讯协议进行采集的机床，采集方案多样，这类机床的状态判断研究多具有针对性，一般是对机床的某一结构的状态判断或故障检测研究，无法对现存的、正在生产活动中的机床进行节能。并且采集方案一般用多种类传感器进行同一状态下表现出的不同物理量特征进行标定，以此分类不同的状态，或者对单一交流电电流值进行采集并进行机床状态分类。
针对多传感器采集方案，此类方案需要：(1)数据采集装置具有较高的数据处理性能；(2)搭配专用的数据处理算法，其专用性体现在，单类型机床或机床组合专用、多传感器类型的单一组合、传感器选型的单一性；(3)多台高精度传感器，且单台成本就很高；(4)实际使用时难以在原有设备上进行加装多台传感器，改造难度大、成本高；(5)其数据处理算法多用专家模型法，前期需付出人工成本。针对单一交流电电流值进行采集的方案，单一数据进行数据挖掘的方案过于复杂：(1)巨大的前期数学建模工作量；(2)对原始交流电信号进行时域和频域内的分析，数据采集装置需要具有非常高的数据处理性能；(3)其数学模型对高频信号敏感，在采集数据的流程中，所有环节都需要非常强的抗干扰性，对系统各环节间的协调性要求非常高；当前工厂中普遍使用的采集方式为人工对每一台设备的生产全流程进行特征物理量进行采集并标定，这种方案技术门槛低，改造成本低，但存在缺陷：(1)每一台设备的特征物理量都不同，人力成本非常高；(2)无法对生产设备形成信息闭环，无法实现节能功能。
发明内容
发明目的：针对上述现有技术的不足，本发明目的在于提供一种基于电流信号的机床节能控制方法及装置，对无通信接口的加工设备和其他由于主观和客观条件限制导致无法通过标准接口获取设备内部信息的设备进行低成本、一体化的数据采集、状态分析和节能优化。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
一种基于电流信号的机床节能控制方法，包括如下步骤：
对机床三相进线电路处的其中一相进行采集，通过固定变比的电流互感器将机床的运行电流值转换为同比变小的交流电信号，并将交流电信号转换为直流电信号后通过A/D转换得到电流水平值I；其中不同运行电流值范围的机床，通过采集转换后得到的电流水平值在同一数值区间，电流互感器的固定变比根据待采集机床运行电流值范围确定；
通过设置定时器中断，周期性采集电流水平值，得到每一帧的数据，包括采集时刻t和对应的电流水平值It；
对n个时长为T的时段的电流水平值It进行滤波，得到时长为nT的时段内的平均电流水平值It′，并在时域内对平均电流水平值It′求导，得到t时刻的电流水平值变化比例kt；
构建机床状态判断模型，包括采用K-means聚类算法或BP神经网络算法，将设备起动后的全生命周期平均电流水平值It′和同一时刻的kt值作为样本进行学习，将样本分为7类，类别1至7分别对应于关机状态、关机至待机上升状态、待机状态、待机至运行上升状态、运行状态、运行至待机下降状态、待机至关机下降状态；
利用构建的机床状态判断模型进行机床状态判断，若连续N个时长为nT的计算周期的状态符合运行状态之后的待机状态，或运行至待机下降状态之后的待机状态，则关闭机床；其中N为设定的大于1的整数，n为设定的大于2的整数。
进一步地，采用离线学习的方式构建机床状态判断模型；或者在线学习的方式更新机床状态判断模型。
进一步地，利用构建的机床状态判断模型进行机床状态判断时，输入模型的平均电流水平值采用机床的专有比例系数ε进行调整，为
Figure BDA0002679916980000031
其中专有比例系数ε在设备起动时更新，为
Figure BDA0002679916980000032
其中I峰为设备起动响应峰值。
进一步地，设备起动响应峰值I峰的确定方法为：保持记录每一个时长为nT的时段内的平均电流水平值It′和其电流水平值变化比例kt,当满足
Figure BDA0002679916980000033
将t+nT时段记作起动时段，从起动时段开始，当首次满足kt+nT<0时，将此时的It′记作起动响应峰值I峰。
进一步地，利用最大最小值滤波法和平均值滤波法对n个时长为T的时段的It进行滤波，得出时长为nT的时段内的平均电流水平值为
Figure BDA0002679916980000034
其中，Ii为这n个时段中的第i个时刻的电流水平值，Imax为这n个时段中的电流水平值最大值，Imin为这n个时段中的电流水平值最小值。
一种基于电流信号的机床节能控制装置，包括采集电路模块、控制电路模块以及机床状态判断模块；
所述采集电路模块，用于对机床三相进线电路处的其中一相进行采集，通过固定变比的电流互感器将机床的运行电流值转换为同比变小的交流电信号，并将交流电信号转换为直流电信号后通过A/D转换得到电流水平值I；其中不同运行电流值范围的机床，通过采集转换后得到的电流水平值在同一数值区间，电流互感器的固定变比根据待采集机床运行电流值范围确定；
所述控制电路模块，用于通过设置定时器中断，周期性采集电流水平值，得到每一帧的数据，包括采集时刻t和对应的电流水平值It；对n个时长为T的时段的电流水平值It进行滤波，得到时长为nT的时段内的平均电流水平值It′，并在时域内对平均电流水平值It′求导，得到t时刻的电流水平值变化比例kt；
所述机床状态判断模块，用于构建机床状态判断模型，包括采用K-means聚类算法或BP神经网络算法，将设备起动后的全生命周期平均电流水平值It′和同一时刻的kt值作为样本进行学习，将样本分为7类，类别1至7分别对应于关机状态、关机至待机上升状态、待机状态、待机至运行上升状态、运行状态、运行至待机下降状态、待机至关机下降状态；以及用于利用机床状态判断模型进行机床状态判断，若连续N个时长为nT的计算周期的状态符合运行状态之后的待机状态，或运行至待机下降状态之后的待机状态，则关闭机床；其中N为设定的大于1的整数，n为设定的大于2的整数。
进一步地，所述采集电路模块包括固定变比的电流互感器、交流电有效值转换电路以及I2C总线式A/D转换芯片；
所述固定变比的电流互感器，用于将机床的运行电流值转换为同比变小的交流电信号，其有效值范围在0～20mA；
所述交流电有效值转换电路，包括低通滤波电路、交流电有效值检测芯片和过流保护电路，用于将经过电流互感器变比的交流电信号转换为数值为其有效值的直流电信号，数值区间为0～20mA；
所述I2C总线式A/D转换芯片，用于将交流电有效值转换电路输出的0～20mA信号转换为0～5V的模拟电压信号，经过A/D转换得到在0～255范围内的整数，所得到的整数即为电流水平值。
进一步地，所述控制电路模块采用单片机实现，通过在其程序中设置定时器中断，周期性地读取采集电路模块输出的电流水平值，计算并存储平均电流水平值和电流水平值变化比例；所述控制电路模块通过IO口控制机床动作继电器的方式关闭机床。
进一步地，所述控制电路模块内存储有C语言代码转换后的机床状态判断模型。
进一步地，所述机床状态判断模块部署在控制电路模块内或与控制电路模块相连的上位机服务器内。
有益效果：与现有技术相比，本发明具体如下优点：
1、本发明具有很强的通用性，应用对象可以涵盖现存的数控机床，并对于电焊机、自动焊、氩弧焊、连续焊、水切割机、激光加工机床、折弯机、拉弯机等无通信接口加工设备和其他由于主观和客观条件限制导致无法通过标准接口获取设备内部信息的设备也适用。
2、不需要对机床原结构进行任何改造，无需接入机床控制器或控制系统即可以对现存的、正在生产活动中的机床进行节能。
3、本发明中可以将数据采集电路与机床动作继电器控制电路合二为一，能够降低系统的冗余程度；搭配通用的数据处理算法，其通用性体现在，不同机床可根据机床专有比例系数ε进行算法参数自动调整；只需一个低成本固定变比电流互感器即可采集原始数据，实际使用时可以很方便地在原有设备上进行加装传感器，改造难度低、成本低；本发明中数据处理算法完全由机器学习，并由多种方案可选，无需人工成本。
4、采用单一数据进行数据挖掘的方案，但避免了过于复杂的算法：只对采集电流信号进行时域分析，数据采集电路只需要具有的一般的数据处理性能，系统抗干扰能力强，对信号采集的频率没有过高的要求。
5、无需人工对每一台设备的生产全流程进行特征物理量进行采集并标定，机床状态的判断与节能行为的实施都由计算机程序自动完成，能最终实现节能功能。
附图说明
图1为本发明实施例中机床进线电流采集电路框架图。
图2为本发明实施例中对机床运行全生命周期进行分层聚类结果示意图。
图3为本发明实施例中对聚类后的样本进行滤波后与真实电流对比图。
图4为本发明实施例的总体流程图。
图5为本发明实施例中的边缘设备电路原理框图。
图6为本发明实施例中的边缘设备程序流程框图。
图7为本发明实施例应用于不同场景的状态预测结果对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅只是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他所有实施例，都属于本发明保护的范围。
本发明公开的一种基于电流信号的机床节能控制方法，主要包括数据采集、状态分析、机床节能这三个环节，通过将这三个环节进行有机地组合后即可对无通信接口的加工设备和其他由于主观和客观条件限制导致无法通过标准接口获取设备内部信息的设备进行低成本、一体化的数据采集、状态分析、节能优化方案建设。下面分别对三个环节进行详细介绍。
一、数据采集
对机床三相进线电路处的其中一相进行采集，通过固定变比的电流互感器将机床的运行电流值转换为同比变小的交流电信号，并将交流电信号转换为直流电信号后通过A/D转换得到电流水平值。
通过对中小型生产企业的现存“聋哑”机床(代指无通信接口的加工设备和其他由于主观和客观条件限制导致无法通过标准接口获取设备内部信息的设备)的调研，实测了大量设备运行时的电流值特征，将其标定，获得了小型机床、中型机床、大型机床和重型机床的运行电流值范围。具体地，小型机床、中型机床、大型机床和重型机床的运行电流值范围经过统计可以归纳为：0～20A、0～50A、0～200A、0～500A这四个范围，这四个运行电流值范围指的是机床在日常生产活动中普遍达到的电流有效值范围，而不是指这类机床在理想状态下最高可达到的范围，下面的步骤中会将小型机床、中型机床、大型机床和重型机床的运行电流值范围分别代指为A区间、B区间、C区间、D区间，公式中将区间最大值简称为A、B、C、D。
图1为本发明实施例中采用的交流电流采集电路框架图。采用如图1所示的采集电路对机床三相进线电路处的其中一相进行采集。其中固定变比的电流互感器根据机床所属A区间、B区间、C区间、D区间的不同进行选择，其输入的交流电信号有效值应该在所属区间的范围内，经过互感器变比后输出一个同比变小的交流电信号，其有效值范围在0～20mA，因此所属A区间机床应选用固定变比1000：1的互感器，所属B区间机床应选用固定变比2500：1的互感器，所属C区间机床应选用固定变比10000：1的互感器，所属D区间机床应选用固定变比25000：1的互感器。
交流电有效值转换电路包含低通滤波电路、交流电有效值检测芯片LTC1966和过流保护电路，低通滤波电路可以滤除信号中的高频噪声，LTC1966芯片可以使经过互感器变比的交流电信号转换为数值为其有效值的直流电信号，数值区间为0～20mA，过流电路由稳压二极管和负载电阻构成，过流保护电路可以防止互感器误接入错误区间的机床中。I2C总线式A/D转换芯片为PCF8591，交流电有效值转换电路输出的0～20mA信号通过一个249欧姆的精密电阻后转换为0～5V的模拟电压信号，这个信号作为芯片PCF8591的输入信号，经过A/D转换后会表现为一个在0～255范围内的整数，在转换完成的时刻t，这个数即被标为t时刻采集的电流水平值I，这一水平值描述的是将A、B、C、D区间各自按比例转化为0～255的数值区间后，原机床三相进线的其中一相电流值同比转化为数值I，将其称为电流水平值。
控制电路由MCU及其外围电路组成，可选用STM32F4系列单片机，在其程序中设置定时器中断，每T时段周期性地读取I2C器件，即由PCF8591输出的t时刻采集的电流水平值I。通过电流水平值I可以反向计算出A区间真实交流电流有效值
Figure BDA0002679916980000071
B区间真实交流电流有效值
Figure BDA0002679916980000072
C区间真实交流电流有效值
Figure BDA0002679916980000073
D区间真实交流电流有效值
Figure BDA0002679916980000074
二、状态分析
采集得到的t时刻电流水平值I可以作为本发明中状态采集方案的信号输入，每一帧输入数据包包含两个参数，时间戳t和电流水平值I，将其记作It。
利用最大最小值滤波法和平均值滤波法对n个时长为T的时段的It进行滤波，得出时长为nT的时段内的平均电流水平值为
Figure BDA0002679916980000081
其中，Ii为这n个时段中的第i个时刻的电流水平值，Imax为这n个时段中的电流水平值最大值，Imin为这n个时段中的电流水平值最小值。
在时域内对平均电流水平值It′求导，体现在离散采样中即求电流水平值变化比例k，将t时刻的变化比例记作kt,则
Figure BDA0002679916980000082
保持记录每一个时长为nT的时段内的平均电流水平值It′和其电流水平值变化比例kt,当满足
Figure BDA0002679916980000083
时，可将t+nT时段记作起动时段。从起动时段开始，当首次满足kt+nT<0时，将此时的It′记作起动响应峰值I峰。
定义一个用于描述当前机床的专有比例系数
Figure BDA0002679916980000084
这一系数与当前被采集设备绑定，在其每次起动时更新，由于采用8位AD转换通道进行采集，分辨率比较低，这个值在机床理论上不会有变化，但随着机床老化等一系列不可逆的变化发生，其负载、运行电流值都会略有增高，这一专有比例系数ε也会随之升高。
构建机床状态判断模型，首先采用无监督学习的K-means聚类算法，除去起动区间，将设备起动后的全生命周期平均电流水平值It′和同一时刻的kt值作为样本进行聚类，K取值为7，即将样本分为7类，如图2所示，将类别1、类别3、类别5的聚类中心代替相应类中其他值，对类别2、类别4、类别6、类别7中值滤波，可以将机床的运行电流转变为如图3所示模型，分为上升区间、平稳区间和下降区间三种区间。
将聚类后的平稳区间按I聚类(聚类中心的平均电流水平值)由小到大标为关机区间、待机区间、运行区间，分别对应图2中的类别1、类别3、类别5，至此已经可以对机床的实际状态进行较准确的判别了。机床的实际关机、待机、运行对应的I关机、I待机、I运行与机床起动响应峰值I峰有一定的比例关系，设为I关机＝0·I峰＝0，I待机＝λ待·I峰＝255ελ待，I运行＝λ运·I峰＝255ελ运，于是
Figure BDA0002679916980000085
为待机电流比例，
Figure BDA0002679916980000086
为运行电流比例，ε为前面所述的机床的专有比例系数。无监督学习阶段得到的各个类别的聚类中心值(阈值)是通过随机采集的一台机的数据并学习得到的，此数据具有一定的数据特征，如果需要将此特征应用于其他机床，则需要乘上相应机床的专有比例系数。
为了使系统在实际使用中更加方便，在采用无监督学习算法的基础上，创建有监督学习的二层BP神经网络模型，输入层为It′和kt，隐藏层神经元个数为15个，输出层为如图2所示的7种状态，为了方便计算，将状态1、状态2、状态3、状态4、状态5、状态6、状态7分别以数值10、数值20、数值30、数值40、数值50、数值60、数值70代指。
在数据训练阶段，给定2行x列的训练样本矩阵CUR和其对应的1行x列的理想输出结果矩阵OUT，矩阵CUR的第一行为It′，第二行为电流变化比例kt，矩阵OUT的每一列为对应CUR矩阵相应列的机床状态值，即数值10、数值20、数值30、数值40、数值50、数值60、数值70。在模型应用阶段，矩阵CUR的数值应改为
Figure BDA0002679916980000091
训练神经网络net，完成训练后，以2行y列的测试矩阵Ptest作为模型的输入，得到1行y列的仿真测试结果Tsim，而真实结果应为1行y列的矩阵Ttest，计算误差矩阵
Figure BDA0002679916980000092
当error中的每个元素都接近0时停止训练，否则继续训练神经网络模型net。
得到状态判断准确率99.9％以上的神经网络模型net，由以下参数构成：(1)15行2列的输入层到隐藏层权值矩阵：w1，(2)15行1列隐藏层阈值矩阵：theta1，(3)1行15列隐藏层到输出层权值：w2，(4)1行1列输出层阈值：theta2，其模型输入输出关系函数为
Figure BDA0002679916980000093
其中“·”为矩阵点乘，“*”为Hadamard乘积，θ为归一化函数，f为反归一化函数。在模型训练阶段，采用随机选取设备的It′；在模型应用阶段，It′即是相应设备的It′，但此时的It′与训练阶段的It′存在一个线性关系，需要采用
Figure BDA0002679916980000094
进行调整。
利用训练好的神经网络模型net进行机床状态判断，可将机床状态准确定位至状态1、状态2、状态3、状态4、状态5、状态6、状态7。
三、机床节能
将输入输出关系函数
Figure BDA0002679916980000101
用C语言编程为函数int Net(unsigned int current,float currate),其中unsigned intcurrent对应It′，float currate对应kt，函数返回值为int型，取值为数值10、数值20、数值30、数值40、数值50、数值60、数值70中的一个，分别对应状态1、状态2、状态3、状态4、状态5、状态6、状态7。
将函数int Net(unsigned int current,float currate)移植到MCU芯片程序中。在MCU芯片主程序中检测状态5或状态6之后的状态3，若连续N个时长为nT的计算周期的状态符合状态5或状态6之后的状态3，则控制IO口操作机床的动作继电器关闭机床，N的数值可人为设置。
本地记录并向上位机反馈采集的机床数据、记录节能行为作为深度学习的样本。
本发明实施例提供了两种不同的机床状态判断算法，分别是K-Means聚类算法和BP神经网络算法，前者为无监督学习算法，后者为有监督学习算法。对于K-Means聚类算法，在本发明中有两种部署方式：(1)离线学习方式，此方案无需边缘设备联网，将算法的C语言代码替换Net函数(为了方便，将采用算法得到的模型统一命名为Net函数，可以无缝替换)，进行离线学习，在经过若干后采集周期后，可以达到图2所示的聚类效果；(2)在线学习方式，在上位机服务器部署算法程序，边缘设备上传采集数据作为其学习样本，在得到步骤λ待和λ运后即可触发图6中的外部中断，更新机床状态判断模型。
对于BP神经网络，需要大量的采集样本和样本分类结果，在本发明中，它有两种部署方式：(1)离线部署，得到Net函数即可完成；(2)在线部署，得到Net函数后，在上位机服务器不断用新采集的数据进行网络训练，在error降低至更低水平时，触发图6中的外部中断，更新机床状态判断模型。
采用K-Means聚类离线学习的方案成本最低，但算法学习周期长、计算量大，且多台设备不能共用学习样本，节能效果见效是四种方案中最慢的，适用于预算低的工厂的单台大型设备改造，在线学习方案有联网成本，能多台设备公用学习样本，节能效果见效快，适用于有一定预算且有大量生产设备的工厂。采用BP神经网络离线部署方案在边缘设备的计算量最小，状态判断精准，成本与K-Means聚类离线学习一样，是最优方案，BP神经网络在线部署是成本最高的方案，节能效果与K-Means聚类在线学习相差不大，但抗风险能力更强。
基于相同的发明构思，本发明实施例公开的一种基于电流信号的机床节能控制装置，包括采集电路模块、控制电路模块以及机床状态判断模块。其中，采集电路模块，用于对机床三相进线电路处的其中一相进行采集，通过固定变比的电流互感器将机床的运行电流值转换为同比变小的交流电信号，并将交流电信号转换为直流电信号后通过A/D转换得到电流水平值；控制电路模块，用于通过设置定时器中断，周期性采集电流水平值，得到每一帧的数据，包括时刻t和对应的电流水平值It；对n个时长为T的时段的电流水平值It进行滤波，得到时长为nT的时段内的平均电流水平值It′，并在时域内对平均电流水平值It′求导，得到t时刻的电流水平值变化比例kt；机床状态判断模块，用于构建机床状态判断模型，包括采用K-means聚类算法或BP神经网络算法，将设备起动后的全生命周期平均电流水平值It′和同一时刻的kt值作为样本进行学习，将样本分为7类；以及用于利用机床状态判断模型进行机床状态判断，若连续N个时长为nT的计算周期的状态符合运行状态之后的待机状态，或运行至待机下降状态之后的待机状态，则关闭机床。本发明装置实施例的具体实施细节可参见上述方法实施例，此处不再赘述。
本发明实施例可采用符合图5所示的边缘设备，配合符合图6所示的边缘设备程序完成系统的搭建。本发明对满足电流值在所述的A、B、C、D区间内的机床状态的判断正确率提高至99.9％，由不同的输入产生的输出结果图如图7所示，均很好的吻合了正确结果。

Claims (9)

1.一种基于电流信号的机床节能控制方法，其特征在于，包括如下步骤：
对机床三相进线电路处的其中一相进行采集，通过固定变比的电流互感器将机床的运行电流值转换为同比变小的交流电信号，并将交流电信号转换为直流电信号后通过A/D转换得到电流水平值I；其中不同运行电流值范围的机床，通过采集转换后得到的电流水平值在同一数值区间，电流互感器的固定变比根据待采集机床运行电流值范围确定；
通过设置定时器中断，周期性采集电流水平值，得到每一帧的数据，包括采集时刻和对应的电流水平值It；
对n个时长为T的时段的电流水平值It进行滤波，得到时长为nT的时段内的平均电流水平值It′，并在时域内对平均电流水平值It′求导，得到t时刻的电流水平值变化比例kt；
构建机床状态判断模型，包括采用K-means聚类算法或BP神经网络算法，将设备起动后的全生命周期平均电流水平值It′和同一时刻的kt值作为样本进行学习，将样本分为7类，类别1至7分别对应于关机状态、关机至待机上升状态、待机状态、待机至运行上升状态、运行状态、运行至待机下降状态、待机至关机下降状态；
利用构建的机床状态判断模型进行机床状态判断，若连续N个时长为nT的计算周期的状态符合运行状态之后的待机状态，或运行至待机下降状态之后的待机状态，则关闭机床；其中N为设定的大于1的整数，n为设定的大于2的整数；利用构建的机床状态判断模型进行机床状态判断时，输入模型的平均电流水平值采用机床的专有比例系数ε进行调整，为
Figure FDA0003249402900000011
其中专有比例系数ε在设备起动时更新，为
Figure FDA0003249402900000012
其中I峰为设备起动响应峰值。
2.根据权利要求1所述的一种基于电流信号的机床节能控制方法，其特征在于，采用离线学习的方式构建机床状态判断模型；或者在线学习的方式更新机床状态判断模型。
3.根据权利要求1所述的一种基于电流信号的机床节能控制方法，其特征在于，设备起动响应峰值I峰的确定方法为：保持记录每一个时长为nT的时段内的平均电流水平值It′和其电流水平值变化比例kt，当满足
Figure FDA0003249402900000021
将t+nT时段记作起动时段，从起动时段开始，当首次满足kt+nT<0时，将此时的It′记作起动响应峰值I峰。
4.根据权利要求1所述的一种基于电流信号的机床节能控制方法，其特征在于，利用最大最小值滤波法和平均值滤波法对n个时长为T的时段的It进行滤波，得出时长为nT的时段内的平均电流水平值为
Figure FDA0003249402900000022
其中，Ii为这n个时段中的第i个时刻的电流水平值，Imax为这n个时段中的电流水平值最大值，Imin为这n个时段中的电流水平值最小值。
5.一种基于电流信号的机床节能控制装置，其特征在于，包括采集电路模块、控制电路模块以及机床状态判断模块；
所述采集电路模块，用于对机床三相进线电路处的其中一相进行采集，通过固定变比的电流互感器将机床的运行电流值转换为同比变小的交流电信号，并将交流电信号转换为直流电信号后通过A/D转换得到电流水平值I；其中不同运行电流值范围的机床，通过采集转换后得到的电流水平值在同一数值区间，电流互感器的固定变比根据待采集机床运行电流值范围确定；
所述控制电路模块，用于通过设置定时器中断，周期性采集电流水平值，得到每一帧的数据，包括采集时刻和对应的电流水平值It；对n个时长为T的时段的电流水平值It进行滤波，得到时长为nT的时段内的平均电流水平值It′，并在时域内对平均电流水平值It，求导，得到t时刻的电流水平值变化比例kt；
所述机床状态判断模块，用于构建机床状态判断模型，包括采用K-means聚类算法或BP神经网络算法，将设备起动后的全生命周期平均电流水平值It′和同一时刻的kt值作为样本进行学习，将样本分为7类，类别1至7分别对应于关机状态、关机至待机上升状态、待机状态、待机至运行上升状态、运行状态、运行至待机下降状态、待机至关机下降状态；以及用于利用机床状态判断模型进行机床状态判断，若连续N个时长为nT的计算周期的状态符合运行状态之后的待机状态，或运行至待机下降状态之后的待机状态，则关闭机床；其中N为设定的大于1的整数，n为设定的大于2的整数；利用构建的机床状态判断模型进行机床状态判断时，输入模型的平均电流水平值采用机床的专有比例系数ε进行调整，为
Figure FDA0003249402900000031
其中专有比例系数ε在设备起动时更新，为
Figure FDA0003249402900000032
其中I峰为设备起动响应峰值。
6.根据权利要求5所述的基于电流信号的机床节能控制装置，其特征在于，所述采集电路模块包括固定变比的电流互感器、交流电有效值转换电路以及I2C总线式A/D转换芯片；
所述固定变比的电流互感器，用于将机床的运行电流值转换为同比变小的交流电信号，其有效值范围在0～20mA；
所述交流电有效值转换电路，包括低通滤波电路、交流电有效值检测芯片和过流保护电路，用于将经过电流互感器变比的交流电信号转换为数值为其有效值的直流电信号，数值区间为0～20mA；
所述I2C总线式A/D转换芯片，用于将交流电有效值转换电路输出的0～20mA信号转换为0～5V的模拟电压信号，经过A/D转换得到在0～255范围内的整数，所得到的整数即为电流水平值。
7.根据权利要求5所述的基于电流信号的机床节能控制装置，其特征在于，所述控制电路模块采用单片机实现，通过在其程序中设置定时器中断，周期性地读取采集电路模块输出的电流水平值，计算并存储平均电流水平值和电流水平值变化比例；所述控制电路模块通过IO口控制机床动作继电器的方式关闭机床。
8.根据权利要求5所述的基于电流信号的机床节能控制装置，其特征在于，所述控制电路模块内存储有C语言代码转换后的机床状态判断模型。
9.根据权利要求5所述的基于电流信号的机床节能控制装置，其特征在于，所述机床状态判断模块部署在控制电路模块内或与控制电路模块相连的上位机服务器内。
CN202010959463.6A 2020-09-14 2020-09-14 一种基于电流信号的机床节能控制方法及装置 Active CN112099438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010959463.6A CN112099438B (zh) 2020-09-14 2020-09-14 一种基于电流信号的机床节能控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010959463.6A CN112099438B (zh) 2020-09-14 2020-09-14 一种基于电流信号的机床节能控制方法及装置

Publications (2)

Publication Number Publication Date
CN112099438A CN112099438A (zh) 2020-12-18
CN112099438B true CN112099438B (zh) 2021-10-29

Family

ID=73752547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010959463.6A Active CN112099438B (zh) 2020-09-14 2020-09-14 一种基于电流信号的机床节能控制方法及装置

Country Status (1)

Country Link
CN (1) CN112099438B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269246B (zh) * 2021-05-24 2023-06-02 平安国际融资租赁有限公司 基于事务逻辑的设备状态检测方法、装置、设备和介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0258471A1 (en) * 1985-03-08 1988-03-09 Yoshiaki Dr. Kakino Method and device to measure motion errors of NC machine tools
CN2066162U (zh) * 1990-02-22 1990-11-21 江苏省国营南京第四机床厂 机床节能功率监控装置
WO2012104925A1 (ja) * 2011-02-04 2012-08-09 三菱電機株式会社 数値制御工作機械システム
CN208508727U (zh) * 2018-06-12 2019-02-15 鲁卫 一种电动机智能节电装置
CN109742980A (zh) * 2018-12-21 2019-05-10 巩俭 三相异步电动机启停、控制与降压节电的装置及控制方法
CN110347116A (zh) * 2019-07-17 2019-10-18 重庆大学 一种基于运行数据流的机床状态监测系统与监测方法
CN111077807A (zh) * 2019-12-24 2020-04-28 无锡美林数联科技有限公司 一种基于电流分析的数据采集器
CN111208782A (zh) * 2019-12-26 2020-05-29 北京航天测控技术有限公司 一种用于机床主轴状态预测的数据处理方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3956794B2 (ja) * 2002-08-08 2007-08-08 富士電機ホールディングス株式会社 無停電電源装置の並列運転電流検出装置とその電流検出方法
CN104794492B (zh) * 2015-04-27 2017-11-14 重庆大学 基于功率特征模型的机床设备加工运行状态在线识别方法
CN110728360B (zh) * 2019-10-12 2020-07-03 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0258471A1 (en) * 1985-03-08 1988-03-09 Yoshiaki Dr. Kakino Method and device to measure motion errors of NC machine tools
CN2066162U (zh) * 1990-02-22 1990-11-21 江苏省国营南京第四机床厂 机床节能功率监控装置
WO2012104925A1 (ja) * 2011-02-04 2012-08-09 三菱電機株式会社 数値制御工作機械システム
CN208508727U (zh) * 2018-06-12 2019-02-15 鲁卫 一种电动机智能节电装置
CN109742980A (zh) * 2018-12-21 2019-05-10 巩俭 三相异步电动机启停、控制与降压节电的装置及控制方法
CN110347116A (zh) * 2019-07-17 2019-10-18 重庆大学 一种基于运行数据流的机床状态监测系统与监测方法
CN111077807A (zh) * 2019-12-24 2020-04-28 无锡美林数联科技有限公司 一种基于电流分析的数据采集器
CN111208782A (zh) * 2019-12-26 2020-05-29 北京航天测控技术有限公司 一种用于机床主轴状态预测的数据处理方法及装置

Also Published As

Publication number Publication date
CN112099438A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN109253494B (zh) 一种基于热负荷预测的电蓄热装置的控制方法
CN109396953B (zh) 基于信号融合的机床工作状态智能辨识系统
CN112906735B (zh) 一种食用菌环境大数据检测系统
CN107092582A (zh) 一种基于残差后验的异常值在线检测及置信度评估方法
CN115016276B (zh) 智能水分调节与环境参数物联网大数据系统
CN114113773B (zh) 一种基于零样本学习的非侵入式负荷监测方法
CN112099438B (zh) 一种基于电流信号的机床节能控制方法及装置
CN111738413B (zh) 基于特征自匹配迁移学习的纺纱全流程能耗监测方法
CN115423301A (zh) 一种基于物联网的电力能源智能管控方法、装置及系统
CN112307675B (zh) 一种基于神经网络的温度敏感型负荷分离辨识方法及系统
CN112801388B (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN116720854B (zh) 基于智慧巡检的设备协调控制方法及系统
Wang et al. A deep learning approach for heating and cooling equipment monitoring
Tang et al. Predicting housing price based on ensemble learning algorithm
CN112410864A (zh) 一种基于NB-IoT技术的电镀液参数监测与控制系统设计
CN113111419A (zh) 办公建筑内空调负荷预测模型建立、预测方法及系统
CN117666406A (zh) 一种基于边缘计算的多参量同步动态信号采集方法及系统
CN115576203B (zh) 基于神经网络的嵌入式电除尘智能控制方法和系统
CN116859839A (zh) 基于模型训练的工业控制方法和装置
US20200019858A1 (en) Optimization of cyber-physical systems
Tai et al. Power prediction of photovoltaic power generation based on LSTM model with additive Attention mechanism
CN114764538A (zh) 一种设备声音信号模式识别模型
CN117111446B (zh) 一种磁悬浮飞轮电机模糊pid控制优化方法
Wang A new variable selection method for soft sensor based on deep learning
Anuar et al. Determination of typical electricity load profile by using double clustering of fuzzy c-means and hierarchical method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant