CN112636642B - 一种柔性材料数控切割刀头性能状态评估方法及装置 - Google Patents
一种柔性材料数控切割刀头性能状态评估方法及装置 Download PDFInfo
- Publication number
- CN112636642B CN112636642B CN202011494943.6A CN202011494943A CN112636642B CN 112636642 B CN112636642 B CN 112636642B CN 202011494943 A CN202011494943 A CN 202011494943A CN 112636642 B CN112636642 B CN 112636642B
- Authority
- CN
- China
- Prior art keywords
- cluster
- clustering
- real
- time
- clusters
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
- H02P6/28—Arrangements for controlling current
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Numerical Control (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种柔性材料数控切割刀头性能状态评估方法及装置;其中,方法包括:在无刷直流电机转动带动数控切割刀头振动时,采用预设电流探头实时检测所述电机运行时的三相电流数据;从所述三相电流数据中提取特征值;对所述特征值进行聚类,生成m个实时聚类簇;其中,m为大于0的整数;获取j个参考聚类簇,基于j个所述参考聚类簇和m个所述实时聚类簇,确定所述数控切割刀头的性能状态级别;其中,j为大于0的整数。解决了现有方法主要是在切割刀头出现明显性能不佳后才由人工做出刀头控制调节,从而造成切割质量不稳定、良品率低等问题。
Description
技术领域
本发明涉及性能评估技术领域,尤其涉及一种柔性材料数控切割刀头性能状态评估方法及装置。
背景技术
大幅面、多层、偏厚柔性材料在服装、皮革裁切中占有重要份额,高速振动切割刀头由于在切割速度、效率、切割厚度以及切割质量方面的优势,而被用于厚度不一、平整度不一、吸附度不一的柔性多层材料的切割加工。现有的柔性材料切割加工控制方法,已可根据加工轨迹的形状智能地规划刀具的切割路线和刀具在平面的移动速度,解决了由于材料加工变形的补偿问题,然而在差异化柔性多层材料高速、高精、高效、高利用率切割加工场合,切割刀头的性能衰退趋势加速,材料加工损伤程度加大,造成加工质量下降,因此需要在加工过程对切割刀头运行状态进行监测,实现刀头运动的智能调节,延缓切割刀头性能衰退趋势,提高刀头加工状态的稳定性,从而保证加工质量。
然而,现有方法主要是在切割刀头出现明显性能不佳后才由人工做出刀头控制调节,从而造成切割质量不稳定、良品率低等问题。
发明内容
本发明提供了一种柔性材料数控切割刀头性能状态评估方法及装置,用于解决现有方法主要是在切割刀头出现明显性能不佳后才由人工做出刀头控制调节,从而造成切割质量不稳定、良品率低等问题。
本发明提供的一种柔性材料数控切割刀头性能状态评估方法,包括:
在电机转动带动数控切割刀头振动时,采用预设电流探头实时检测所述电机运行时的三相电流数据;
从所述三相电流数据中提取特征值;
对所述特征值进行聚类,生成m个实时聚类簇;其中,m为大于0的整数;
获取j个参考聚类簇,基于j个所述参考聚类簇和m个所述实时聚类簇,确定所述数控切割刀头的性能状态级别;其中,j为大于0的整数。
可选地,所述特征值包括最大正向电流峰值和平均输出功率;所述从所述三相电流数据中提取特征值的步骤,包括:
从所述三相电流数据中获取单相正向电流峰值和单相电流均方值;
采用所述单相正向电流峰值计算预设周期时间内所述电机的最大正向电流峰值;
采用所述单相电流均方值计算所述预设周期时间内所述电机的平均输出功率。
可选地,所述对所述特征值进行聚类,生成m个实时聚类簇的步骤,包括:
设置密度参数;
根据所述密度参数将所述特征值进行聚类,得到m个实时聚类簇。
可选地,所述获取j个参考聚类簇,基于j个所述参考聚类簇和m个所述实时聚类簇,确定所述数控切割刀头的性能状态级别的步骤,包括:
获取j个参考聚类簇;
将第i个所述实时聚类簇与第j个所述参考聚类簇结合,形成样本集;其中,i为大于0的整数;
对所述样本集进行聚类,得到目标聚类簇;
在所述目标聚类簇中确定主簇;
判断所述主簇中的实时聚类簇数据是否大于或等于预设阈值;
若是,则判定所述第i个实时聚类簇与所述第j个参考聚类簇的性能状态相同;
若否,则将第i个所述实时聚类簇与第j+1个参考聚类簇结合,重新执行对所述样本集进行聚类,得到目标聚类簇的步骤;
根据m个所述实时聚类簇的性能状态,确定所述数控切割刀头的性能状态级别。
可选地,还包括:
根据所述性能状态级别调整所述电机的输出参数。
本发明还提供了一种柔性材料数控切割刀头性能状态评估装置,包括:
三相电流数据检测模块,用于在电机带动数控切割刀头振动时,采用预设电流探头实时检测所述电机运行时的三相电流数据;
特征值提取模块,用于从所述三相电流数据中提取特征值;
实时聚类簇生成模块,用于对所述特征值进行聚类,生成m个实时聚类簇;其中,m为大于0的整数;
性能状态级别确定模块,用于获取j个参考聚类簇,基于j个所述参考聚类簇和m个所述实时聚类簇,确定所述数控切割刀头的性能状态级别;其中,j为大于0的整数。
可选地,所述特征值提取模块,包括:
单相正向电流峰值和单相电流均方值获取子模块,用于从所述三相电流数据中获取单相正向电流峰值和单相电流均方值;
最大正向电流峰值计算子模块,用于采用所述单相正向电流峰值计算预设周期时间内所述电机的最大正向电流峰值;
平均输出功率计算子模块,用于采用所述单相电流均方值计算所述预设周期时间内所述电机的平均输出功率。
可选地,所述实时聚类簇生成模块,包括:
密度参数设置子模块,用于设置密度参数;
实时聚类簇生成子模块,用于根据所述密度参数将所述特征值进行聚类,得到m个实时聚类簇。
本发明实施例还提供了一种电子设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的柔性材料数控切割刀头性能状态评估方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行如上任一项所述的柔性材料数控切割刀头性能状态评估方法。
从以上技术方案可以看出,本发明具有以下优点:本发明通过在电机转动带动数控切割刀头振动时,采用预设电流探头实时检测电机运行时的三相电流数据;从三相电流数据中提取特征值;对特征值进行聚类,生成m个实时聚类簇;获取j个参考聚类簇,基于j个参考聚类簇和m个实时聚类簇,确定数控切割刀头的性能状态级别。从而解决了现有方法主要是在切割刀头出现明显性能不佳后才由人工做出刀头控制调节,从而造成切割质量不稳定、良品率低等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的柔性材料数控切割刀头及霍尔传感器安装示意图;
图2为本发明实施例提供的一种柔性材料数控切割刀头性能状态评估方法;
图3为本发明另一实施例提供的一种柔性材料数控切割刀头性能状态评估方法的步骤流程图;
图4为本发明实施例提供的确定数控切割刀头的性能状态级别的步骤流程图;
图5为本发明实施例提供的基于聚类算法确定数控切割刀头的性能状态级别的流程图;
图6为本发明实施例提供的一种柔性材料数控切割刀头调控过程的流程图;
图7为本发明实施例提供的一种柔性材料数控切割刀头性能状态评估装置的结构框图;
图8为本发明实施例提供的一种柔性材料数控切割刀头调控系统的结构示意图。
具体实施方式
如图1所示,柔性材料数控切割刀头核心机构包括:凸轮11、连杆12及套筒13,当凸轮11或者连杆12出现弯曲、变形或不对称时,刀具的振动加剧,负载转矩增大,电机14转速波动大,电机14换相时间延长,电机14平均输出功率增大。其中,柔性材料数控切割刀头机构还包括轴承16。
在加工不同厚度、柔软度材料的过程中:材料厚度越大,刀具做功时间越长,凸轮11、连杆12等部件受到反向力时间延长,正向运动速度减慢,转速减小,电机14转动一周所做的功增大,此外被加工材料的柔软度亦会对刀具所受到反向力产生影响,并引起电机14相电流的波动。分析核心机构和电机14的能量转换关系可知,加工部件的损伤情况和对不同加工材料的加工状态都可反应在电机14的运行数据中,通过分析电机14的平均输出功率及正相电流峰值等运行数据,可间接预测刀具的性能状态。
柔性材料数控切割刀头的运动是通过连杆12结构将无刷直流电机14旋转运动转化为直线往复运动,无刷直流电机14的系统效率可达96%及以上,电能转化为机械能的效率高,电机14的运行参数能够精确反应刀头机械结构的性能状态;无刷直流电机通过内置的霍尔位置传感器141自控运行,霍尔传感器141不仅可以检测电机转子的偏转位置,还可以用于计算转子的实时转速,确定电机14相电流的换相周期。基于无刷直流电机的这些特性,电机运行状态数据的获取和分析极为便捷。其中,霍尔传感器141的相电流线1411(包括W、V、U三相电流线)上连接有电流探头15,通过电流探头15,可以获取电机14的三相电流数据。霍尔传感器还具有三条信号线1412(Ha、Hb、Hc)和两条电源线1413(H-、H+)。
基于上述原理,本发明实施例提供了一种柔性材料数控切割刀头性能状态评估方法及装置,用于解决现有方法主要是在切割刀头出现明显性能不佳后才由人工做出刀头控制调节,从而造成切割质量不稳定、良品率低等问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,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所有其它实施例,都属于本发明保护的范围。
请参阅图2,图2为本发明实施例提供的一种柔性材料数控切割刀头性能状态评估方法。
本发明提供的一种柔性材料数控切割刀头性能状态评估方法,具体可以包括以下步骤:
步骤201,在电机转动带动数控切割刀头振动时,采用预设电流探头实时检测电机运行时的三相电流数据;
步骤202,从三相电流数据中提取特征值;
步骤203,对特征值进行聚类,生成m个实时聚类簇;其中,m为大于0的整数;
步骤204,获取j个参考聚类簇,基于j个参考聚类簇和m个实时聚类簇,确定数控切割刀头的性能状态级别;其中,j为大于0的整数。
本发明通过在电机转动带动数控切割刀头振动时,采用预设电流探头实时检测电机运行时的三相电流数据;从三相电流数据中提取特征值;对特征值进行聚类,生成m个实时聚类簇;获取j个参考聚类簇,基于j个参考聚类簇和m个实时聚类簇,确定数控切割刀头的性能状态级别。从而解决了现有方法主要是在切割刀头出现明显性能不佳后才由人工做出刀头控制调节,从而造成切割质量不稳定、良品率低等问题。
请参阅图3,图3为本发明另一实施例提供的一种柔性材料数控切割刀头性能状态评估方法的步骤流程图。该方法具体可以包括以下步骤:
步骤301,在电机转动带动数控切割刀头振动时,采用预设电流探头实时检测电机运行时的三相电流数据;
在本发明实施例中,电机为空心杯无刷直流电机(空心杯无刷电机参数:转速10000rpm~18000rpm;额定电流5A;额定功率110W),三相电流数据可以通过电流探头获得(在一个示例中,电流探头的输出变比可以为5A/320mV;幅值精度可以为0.5%;带宽可以为30Hz~5kHz)。
步骤302,从三相电流数据中提取特征值;
在本发明实施例中,提取特征数据的依据如下:
1、电机平均输出功率:性能状态变化—负载变化—相电流变化—电机平均输出功率变化。电机的平均输出功率可以反映刀具加工所需的功耗大小,进而反应刀具的磨损程度(电机平均输出功率的实质是三相电流在循环通电周期的均方值);
2、刀具突发异常-负载突变-转速突变-反电动势突变-相电流峰值突变。相电流通的正向电流峰值可以反映电流的突变幅度,进而反映刀具的加工稳定性;
3、综合考虑刀具的磨损程度和加工稳定性,可以评定刀具的性能状态等级。
基于上述依据,特征值可以包括最大正向电流峰值和平均输出功率;步骤302可以包括以下子步骤:
从三相电流数据中获取单相正向电流峰值和单相电流均方值;
采用单相正向电流峰值计算预设周期时间内电机的最大正向电流峰值;
采用单相电流均方值计算预设周期时间内电机的平均输出功率。
在具体实现中,设三相电流循环变化一次的时间为τ,其中单相正向电流通电时间为τphase,phase=a,b,c,且τa+τb+τc=τ,电流探头采样频率f。对每个以τ为周期的三相电流数据集,做下述计算及筛选(τ,τa,τb,τc由霍尔位置传感器输出信号的时间间隔确定):
步骤303,对特征值进行聚类,生成m个实时聚类簇;
在一个示例中,步骤303可以包括以下子步骤:
设置密度参数;
根据密度参数将特征值进行聚类,得到m个实时聚类簇。
具体地,构建实时聚类簇的方法如下:
1、自行设置两个密度参数:聚类半径ε0及核心点判断阈值M;
2、任取训练样本集θ的一个样本实例xt(被选取的样本后续不再重复选中),计算该实例与样本集其余样本实例的欧式距离;
3、判断:
I、计算所得的两实例的欧式距离在以实例xt为圆心,ε0为半径的圆内;
II、圆内的样本实例数量≥M;
若同时满足I、II,将xt设为稠密点,判断xt为圆心的圆是否包含已成立的簇,若包含,将xt归入已成立簇,若不包含,成立新簇;
若只满足I,不满足II,且包含的点无稠密点,将xt设为外围点,若包含的点有稠密点,则将xt设为与该稠密点同簇的边界点;
若既不满足I,也不满足II,将xt设为外围点;
4、若判断xt为稠密点,对以xt为圆心,ε0为半径的圆所包含的其余点,迭代重复步骤3;
5、若已设为外围点的实例在后续进程中被判断为某簇的边界点,则将实例修改为该簇的边界点;
6、重复上述步骤,直至遍历θ集合中的所有样本。
步骤304,获取j个参考聚类簇,基于j个参考聚类簇和m个实时聚类簇,确定数控切割刀头的性能状态级别;其中,j为大于0的整数;
在本发明实施例中,参考聚类簇的构建过程如下:
1、建立训练样本集:根据凸轮或者连杆出现损伤的程度(弯曲,变形,不对称等)确定K个性能状态等级。以性能状态等级为样本标签πk,k=1,2,...,K,以电机平均输出功率值作为样本的第1项特征值x(1),以最大正向电流峰值Imax作为样本的第2项特征值x(2),设样本数量为T,样本数据集可表示为:
θ={(x1,y1),(x2,y2),…,(xT,yT)}
其中,(xt,yt)代表第t个电流循环通电时间段τt对应的样本数据。 代表第t个输入样本实例,/>代表第t个输入样本实例的第1个特征值,yt=πk代表第t个样本实例的类别为πk,t=1,2,...,T;
2、设置训练样本数:T个训练样本需满足:设性能状态等级为πk的训练样本数量为Qk,有:
3、根据实时聚类簇的构建方法构建参考聚类簇;
设置参考簇的初始半径其中/>代表训练样本T里第1个特征值(电机平均输出功率)的最大值和最小值,/>代表训练样本T里第2个特征值(正向电流峰值)的最大值和最小值,设置初始稠密点判断阈值为M0=2K;对T个训练样本θ以初始密度参数(0,ε0,M0)聚类,并根据下述目标函数求得聚类的最优参数(C,ε,M),其中C为聚类所形成簇的数量,ε为聚类的半径,M为稠密点判断阈值:
s.t.C=K
0≤ε≤ε0
M≥2K
在获取了参考聚类簇后,基于实时聚类簇和参考聚类簇,可以确定数控切割刀头的性能状态级别。
在一个示例中,如图4所示,步骤304具体可以包括以下子步骤:
S41,获取j个参考聚类簇;
S42,将第i个实时聚类簇与第j个参考聚类簇结合,形成样本集;其中,i为大于0的整数;
S43,对样本集进行聚类,得到目标聚类簇;
S44,在目标聚类簇中确定主簇;
S45,判断主簇中的实时聚类簇数据是否大于或等于预设阈值;
S46,若是,则判定第i个实时聚类簇与第j个参考聚类簇的性能状态相同;
S47,若否,则将第i个实时聚类簇与第j+1个参考聚类簇结合,重新执行对样本集进行聚类,得到目标聚类簇的步骤;
S48,根据m个实时聚类簇的性能状态,确定数控切割刀头的性能状态级别。
在具体实现中,实际运行时,获取连续加工场景中的N(N≤min(Qk))个周期的电机平均输出功率数据和最大正向电流峰值数据,通过聚类算法将数据划分为m个实时聚类簇(实际运行数据的密度参数为:聚类半径εr=1.5ε,稠密点判断阈值Mr=M),m为任意正整数,第i个实时聚类簇所包含的数据数量为Ni,i=1,2,...m,
依次取m个实时聚类簇与C个参考聚类簇根据密度参数(C,ε,M)进行聚类,流程为:将第i个实时聚类簇与第j个参考聚类簇数据组合为一个样本(i=1,2,...m,j=1,2,...,K),重新聚类,根据以下情况判断新形成的目标聚类簇的性能状态等级:
1)原参考聚类簇数据所在的簇为主簇;
2)判断主簇中包含的运行样本数据的数量Dij是否≥60%Ni,若是,则定义实际运行数据第i个实时聚类簇的数据对应的性能状态与第j个参考聚类簇相同;
3)若数量Dij≤60%Nj,则将第i个实时聚类簇与第j+1个参考聚类簇对比,直至Dij≥60%Nj或者遍历完所有C个参考聚类簇为止;
4)若遍历完全部参考聚类簇,数量Dij依旧≤60%Ni,取所有簇中占比最大者max(Pij)作为第i个实时聚类簇的性能状态;
5)对所有m个实时聚类簇执行上述步骤至全部遍历完成,最终性能状态确定方法如下:
其中,Ni是第i个实时聚类簇中数据数量;Aj是第j个参考聚类簇的性能状态权值,规定从1~K性能状态的权值为(1,2,…,K);得分越高,说明偏离正常性能状态的程度越严重;H是性能状态评级指标,结果越大,说明偏离正常性能状态的程度越严重;是第j个参考聚类簇中包含的第i个实时聚类簇数量占第i个实时聚类簇总数的比值,max(Pij)是运行数据在不同参考簇中最高的概率,当有60%出现时,max(Pij)=60%,未达到60%时,即取最大值。具体流程请参见图5。
步骤305,根据性能状态级别调整电机的输出参数。
在实际应用中,根据分析得到性能状态等级,做相应的输出电压调整,通过调整PWM占空比调节平均输出电压;从而根据性能状态等级控制刀头振动频率(损伤越大,占空比越小,减少振动,保证精度)。
通过本发明实施例,可以判断刀具的性能状态,根据性能状态进行补偿控制,大大保证柔性材料高速加工场景下的加工精度,延长刀具的使用寿命;以密度作为聚类的依据,不局限于初始值及特定聚类形状,能准确表征刀具电机运行数据的分布;传感器为无接触式的电流探头以及电机自带的霍尔传感器,数据采集方便且对刀具正常工作无影响。
为便于理解,请参阅图6,以下通过具体示例对本发明实施例进行说明,具体步骤如下:
电机转动,带动切割刀头高速振动;
使用电流探头检测电机运行时的三相电流值;
采集、存储电流探头所检测的三相电流数据;
对存储器中的原始相电流数据做特征提取处理,提取电机平均输出功率以及最大电流峰值作为特征值;
采用半监督的机器学习算法将所提取的特征值进行聚类分析:包括采用有标签的历史特征值数据聚类,生成参考聚类簇;以及采用无标签的实时特征数据聚类,生成实时聚类簇;
比对实时聚类簇与参考聚类簇的聚类情况,计算、评估高速振动切割刀头的性能状态;
根据高速振动切割刀头性能状态的评估结果,调整驱控模块的输出;
通过脉宽调制输出控制电机的输出。
请参阅图7,图7为本发明实施例提供的一种柔性材料数控切割刀头性能状态评估装置的结构框图。
本发明实施例提供了一种柔性材料数控切割刀头性能状态评估装置,包括:
三相电流数据检测模块701,用于在电机转动带动数控切割刀头振动时,采用预设电流探头实时检测电机运行时的三相电流数据;
特征值提取模块702,用于从三相电流数据中提取特征值;
实时聚类簇生成模块703,用于对特征值进行聚类,生成m个实时聚类簇;其中,m为大于0的整数;
性能状态级别确定模块704,用于获取j个参考聚类簇,基于j个参考聚类簇和m个实时聚类簇,确定数控切割刀头的性能状态级别;其中,j为大于0的整数。
在本发明实施例中,特征值提取模块702,包括:
单相正向电流峰值和单相电流均方值获取子模块,用于从三相电流数据中获取单相正向电流峰值和单相电流均方值;
最大正向电流峰值计算子模块,用于采用单相正向电流峰值计算预设周期时间内电机的最大正向电流峰值;
平均输出功率计算子模块,用于采用单相电流均方值计算预设周期时间内电机的平均输出功率。
在本发明实施例中,实时聚类簇生成模块703,包括:
密度参数设置子模块,用于设置密度参数;
实时聚类簇生成子模块,用于根据密度参数将特征值进行聚类,得到m个实时聚类簇。
在本发明实施例中,性能状态级别确定模块704,包括:
参考聚类簇获取子模块,用于获取j个参考聚类簇;
样本集形成子模块,用于将第i个实时聚类簇与第j个参考聚类簇结合,形成样本集;其中,i为大于0的整数;
目标聚类簇获取子模块,用于对样本集进行聚类,得到目标聚类簇;
主簇确定子模块,用于在目标聚类簇中确定主簇;
判断子模块,用于判断主簇中的实时聚类簇数据是否大于或等于预设阈值;若是,则判定第i个实时聚类簇与第j个参考聚类簇的性能状态相同;若否,则将第i个实时聚类簇与第j+1个参考聚类簇结合,重新执行对样本集进行聚类,得到目标聚类簇的步骤;
性能状态级别确定子模块,用于根据m个实时聚类簇的性能状态,确定数控切割刀头的性能状态级别。
在本发明实施例中,还包括:
调整模块705,用于根据性能状态级别调整电机的输出参数。
请参阅图8,基于上述方法,本发明还提供了一种柔性材料数控切割刀头调控系统,用于基于性能状态实现对数控切割刀头的调控。
其中,系统包括:
检测模块801:用于检测高速振动切割刀头805驱动电机的运行数据(三相电流数据);
数据计算模块802:用于执行方法实现过程中的计算、分析等任务;
数据存储模块803:用于存储方法实现过程中的数据及参数;
数控模块804:用于进行脉宽调制输出控制。
其中,数据计算模块802包含特征提取单元8021、聚类运算单元8022、性能状态评估单元8023;,
特征提取单元8021:用于从获取的电机运行数据中提取所需的特征值;
聚类运算单元8022:用于对已提取的特征样本集做聚类运算,形成多个聚类簇;
性能状态等级评估单元8023:用于根据聚类后的结果做性能状态等级评估;
其中,数据存储模块803包含参考簇存储器8031、实时数据存储器8032、密度参数存储器8033;
参考簇存储器8031:用于存储训练得到的簇团数据集对应的训练样本数据;
实时数据存储器8032:用于存储截取的实时数据以及实时数据聚类形成的簇团数据;
密度参数存储器8033:用于存储聚类时所采用的密度参数。
本发明实施例还提供了一种电子设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行本发明实施例的柔性材料数控切割刀头性能状态评估方法。
本发明实施例还提供了一种计算机可读存储介质,其特征在于,计算机可读存储介质用于存储程序代码,程序代码用于执行本发明实施例的柔性材料数控切割刀头性能状态评估方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例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,本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种柔性材料数控切割刀头性能状态评估方法,其特征在于,包括:
在电机转动带动数控切割刀头振动时,采用预设电流探头实时检测所述电机运行时的三相电流数据;
从所述三相电流数据中提取特征值;
对所述特征值进行聚类,生成m个实时聚类簇;其中,m为大于0的整数;
获取j个参考聚类簇,基于j个所述参考聚类簇和m个所述实时聚类簇,确定所述数控切割刀头的性能状态级别,包括:
获取j个参考聚类簇;
将第i个所述实时聚类簇与第j个所述参考聚类簇结合,形成样本集;其中,i为大于0的整数;
对所述样本集进行聚类,得到目标聚类簇;
在所述目标聚类簇中确定主簇;
判断所述主簇中的实时聚类簇数据是否大于或等于预设阈值;
若是,则判定第i个所述实时聚类簇与第j个所述参考聚类簇的性能状态相同;
若否,则将第i个所述实时聚类簇与第j+1个参考聚类簇结合,重新执行对所述样本集进行聚类,得到目标聚类簇的步骤;
根据m个所述实时聚类簇的性能状态,确定所述数控切割刀头的性能状态级别;其中,j为大于0的整数。
2.根据权利要求1所述的方法,其特征在于,所述特征值包括最大正向电流峰值和平均输出功率;所述从所述三相电流数据中提取特征值的步骤,包括:
从所述三相电流数据中获取单相正向电流峰值和单相电流均方值;
采用所述单相正向电流峰值计算预设周期时间内所述电机的最大正向电流峰值;
采用所述单相电流均方值计算所述预设周期时间内所述电机的平均输出功率。
3.根据权利要求1所述的方法,其特征在于,所述对所述特征值进行聚类,生成m个实时聚类簇的步骤,包括:
设置密度参数;
根据所述密度参数将所述特征值进行聚类,得到m个实时聚类簇。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据所述性能状态级别调整所述电机的输出参数。
5.一种柔性材料数控切割刀头性能状态评估装置,其特征在于,包括:
三相电流数据检测模块,用于在电机转动带动数控切割刀头振动时,采用预设电流探头实时检测所述电机运行时的三相电流数据;
特征值提取模块,用于从所述三相电流数据中提取特征值;
实时聚类簇生成模块,用于对所述特征值进行聚类,生成m个实时聚类簇;其中,m为大于0的整数;
性能状态级别确定模块,用于获取j个参考聚类簇,基于j个所述参考聚类簇和m个所述实时聚类簇,确定所述数控切割刀头的性能状态级别,包括:
获取j个参考聚类簇;
将第i个所述实时聚类簇与第j个所述参考聚类簇结合,形成样本集;其中,i为大于0的整数;
对所述样本集进行聚类,得到目标聚类簇;
在所述目标聚类簇中确定主簇;
判断所述主簇中的实时聚类簇数据是否大于或等于预设阈值;
若是,则判定第i个所述实时聚类簇与第j个所述参考聚类簇的性能状态相同;
若否,则将第i个所述实时聚类簇与第j+1个参考聚类簇结合,重新执行对所述样本集进行聚类,得到目标聚类簇的步骤;
根据m个所述实时聚类簇的性能状态,确定所述数控切割刀头的性能状态级别;其中,j为大于0的整数。
6.根据权利要求5所述的装置,其特征在于,所述特征值提取模块,包括:
单相正向电流峰值和单相电流均方值获取子模块,用于从所述三相电流数据中获取单相正向电流峰值和单相电流均方值;
最大正向电流峰值计算子模块,用于采用所述单相正向电流峰值计算预设周期时间内所述电机的最大正向电流峰值;
平均输出功率计算子模块,用于采用所述单相电流均方值计算所述预设周期时间内所述电机的平均输出功率。
7.根据权利要求5所述的装置,其特征在于,所述实时聚类簇生成模块,包括:
密度参数设置子模块,用于设置密度参数;
实时聚类簇生成子模块,用于根据所述密度参数将所述特征值进行聚类,得到m个实时聚类簇。
8.一种电子设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的柔性材料数控切割刀头性能状态评估方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-4任一项所述的柔性材料数控切割刀头性能状态评估方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011494943.6A CN112636642B (zh) | 2020-12-17 | 2020-12-17 | 一种柔性材料数控切割刀头性能状态评估方法及装置 |
PCT/CN2020/137944 WO2022126678A1 (zh) | 2020-12-17 | 2020-12-21 | 一种柔性材料数控切割刀头性能状态评估方法及装置 |
US17/161,096 US20220193851A1 (en) | 2020-12-17 | 2021-01-28 | Method and device for evaluating performance state of numerical control cutting bit for flexible materials |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011494943.6A CN112636642B (zh) | 2020-12-17 | 2020-12-17 | 一种柔性材料数控切割刀头性能状态评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112636642A CN112636642A (zh) | 2021-04-09 |
CN112636642B true CN112636642B (zh) | 2023-03-24 |
Family
ID=75316429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011494943.6A Active CN112636642B (zh) | 2020-12-17 | 2020-12-17 | 一种柔性材料数控切割刀头性能状态评估方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112636642B (zh) |
WO (1) | WO2022126678A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304766B (zh) * | 2023-05-25 | 2023-07-28 | 山东艾迈科思电气有限公司 | 基于多传感器的开关柜状态快速评估方法 |
CN116645367B (zh) * | 2023-07-27 | 2023-12-01 | 山东昌啸商贸有限公司 | 一种高端制造用的钢板切割质量检测方法 |
CN116821834B (zh) * | 2023-08-29 | 2023-11-24 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
CN117493819B (zh) * | 2024-01-03 | 2024-03-29 | 江门塚田正川科技有限公司 | 一种注塑件自动化生产设备及其智能调控方法 |
CN117788873B (zh) * | 2024-02-26 | 2024-05-03 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
CN117978543B (zh) * | 2024-03-28 | 2024-06-04 | 贵州华谊联盛科技有限公司 | 基于态势感知的网络安全预警方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103968937A (zh) * | 2014-05-09 | 2014-08-06 | 国网福建晋江市供电有限公司 | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005301786A (ja) * | 2004-04-14 | 2005-10-27 | Internatl Business Mach Corp <Ibm> | 評価装置、クラスタ生成装置、プログラム、記録媒体、評価方法、及びクラスタ生成方法 |
CN102915347B (zh) * | 2012-09-26 | 2016-10-12 | 中国信息安全测评中心 | 一种分布式数据流聚类方法及系统 |
CN103264317B (zh) * | 2013-05-16 | 2015-11-18 | 湖南科技大学 | 一种铣削加工刀具运行可靠性的评估方法 |
CN104731789A (zh) * | 2013-12-18 | 2015-06-24 | 北京慧眼智行科技有限公司 | 一种聚类簇获取方法及装置 |
CN103713217B (zh) * | 2013-12-25 | 2017-09-22 | 国网河南省电力公司电力科学研究院 | 一种直流偏磁条件下电力变压器运行状态的在线监测方法 |
CN104283737B (zh) * | 2014-09-30 | 2018-01-12 | 杭州华为数字技术有限公司 | 数据流的处理方法和装置 |
CN106330043A (zh) * | 2015-07-03 | 2017-01-11 | 日立(中国)研究开发有限公司 | 永磁同步电动机的控制方法及控制装置 |
CN105974886B (zh) * | 2016-06-28 | 2018-09-21 | 华中科技大学 | 一种数控机床的健康监测方法 |
JP6832498B2 (ja) * | 2017-04-25 | 2021-02-24 | 株式会社安川電機 | システムおよび評価装置ならびに評価方法 |
CN108356606B (zh) * | 2018-03-19 | 2020-05-01 | 西北工业大学 | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 |
CN108680811B (zh) * | 2018-06-29 | 2021-04-06 | 广东工业大学 | 一种变压器故障状态评估方法 |
-
2020
- 2020-12-17 CN CN202011494943.6A patent/CN112636642B/zh active Active
- 2020-12-21 WO PCT/CN2020/137944 patent/WO2022126678A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103968937A (zh) * | 2014-05-09 | 2014-08-06 | 国网福建晋江市供电有限公司 | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112636642A (zh) | 2021-04-09 |
WO2022126678A1 (zh) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112636642B (zh) | 一种柔性材料数控切割刀头性能状态评估方法及装置 | |
Mayr et al. | Potentials of machine learning in electric drives production using the example of contacting processes and selective magnet assembly | |
US20230115878A1 (en) | Machine learning method for anomaly detection in an electrical system | |
CN111633467A (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
CN113798920A (zh) | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 | |
Netzer et al. | Intelligent anomaly detection of machine tools based on mean shift clustering | |
CN116505833B (zh) | 电机数据的处理方法、系统及终端伺服器 | |
CN112394642A (zh) | 一种基于超参数优化的机器人铣削加工颤振辨识方法 | |
CN111064408B (zh) | 一种无权值的异步电机模型预测转矩控制方法 | |
CN114326588B (zh) | 一种伺服驱动系统的效率优化控制方法、系统及存储介质 | |
CN115034137A (zh) | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 | |
US20220193851A1 (en) | Method and device for evaluating performance state of numerical control cutting bit for flexible materials | |
CN112994551A (zh) | 一种伺服电机转矩补偿方法 | |
Geetha et al. | An efficient method for bearing fault diagnosis | |
Yang et al. | A Novel Bearing Fault Diagnosis Method based on Stacked Autoencoder and End-edge Collaboration | |
CN117614323B (zh) | 无刷电机的转速控制方法、装置、设备及存储介质 | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
CN103970016A (zh) | 多极镁电解槽状态识别控制系统及其识别控制方法 | |
CN117544021B (zh) | 无刷直流电机的转速控制方法及系统 | |
Pradeep et al. | Hybrid Sensorless Speed Control Technique for BLDC Motor Using ANFIS Automation. | |
Husebø et al. | Rapid Diagnosis of Induction Motor Electrical Faults using Convolutional Autoencoder Feature Extraction | |
WO2023209768A1 (ja) | 診断用データ収集装置、診断用データ収集方法、記録媒体、及び制御装置 | |
Tran et al. | Comparison of Machine Learning Algorithms for Induction MotorRotor SingleFault Diagnosis using Stator Current Signal | |
CN117477993A (zh) | 无刷直流电机转速控制方法及系统 | |
Yi et al. | An AB-CNN intelligent fault location recognition model for induction motor |
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 |