CN113219912B - 一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法 - Google Patents
一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法 Download PDFInfo
- Publication number
- CN113219912B CN113219912B CN202110350156.2A CN202110350156A CN113219912B CN 113219912 B CN113219912 B CN 113219912B CN 202110350156 A CN202110350156 A CN 202110350156A CN 113219912 B CN113219912 B CN 113219912B
- Authority
- CN
- China
- Prior art keywords
- manufacturing system
- flexible manufacturing
- processing
- numerical control
- machining
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 140
- 238000003754 machining Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 179
- 230000004927 fusion Effects 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000005520 cutting process Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于Multi‑Agent的数控加工柔性制造系统加工过程预警方法，属于数控加工预警技术领域，包括以下步骤：1）建立数控加工柔性制造系统的加工状态性能指标体系；2）构建基于Multi‑Agent的数控加工柔性制造系统的加工过程信息融合模型；3）从数据预处理开始，基于数据去噪与神经网络算法对加工过程信息融合模型进行求解，将归一化处理后的状态信息样本输入神经网络模式识别器，通过神经网络模型进行反复训练，直至到达期望的性能，获得特征级信息融合结果输出，完成数控加工柔性制造系统加工过程的预警。本发明以数控加工柔性制造系统为研究对象，基于Multi‑Agent对数控加工柔性制造系统信息融合过程进行统一建模与求解，能获得满足系统要求的预警效果。
Description
技术领域
本发明涉及车间制造系统建模与加工过程预警领域技术领域，具体是指一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法。
背景技术
数控加工柔性制造系统，是指由一个传输系统联系起来的一些设备，传输装置把工件放在其他连接装置上送到各加工设备，使工件加工准确、迅速和自动化。柔性制造系统有中央计算机控制机床和传输系统，有时可以同时加工几种不同的零件。由统一的信息控制系统、物料储运系统和一组数字控制加工设备组成，能适应加工对象变换的自动化机械制造系统(Flexible Manufacturing System)，英文缩写为FMS。一组按次序排列的机器，由自动装卸及传送机器连接并经计算机系统集成一体，原材料和代加工零件在零件传输系统上装卸，零件在一台机器上加工完毕后传到下一台机器，每台机器接受操作指令，自动装卸所需工具，无需人工参与。
数控加工柔性制造系统适用于多品种小批量制造模式，其所加工的零件产品通常具有零件种类多样、产品价值高、加工难度大、加工精度高等特点，一旦发生质量问题，一方面将严重影响零件产品的生产交付进度，另一方面也将造成不可挽回的巨额经济损失。因此，如何对柔性制造系统加工过程进行准确的监控与预警，从而有效控制质量问题的发生是保障零件数控加工稳定性的关键。
发明内容
本发明的目的在于提供一种以数控加工柔性制造系统为研究对象，基于Multi-Agent对数控加工柔性制造系统信息融合过程进行统一建模与求解，能获得满足系统要求的预警效果的数控加工柔性制造系统加工过程预警方法。
本发明通过下述技术方案实现：一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，包括以下步骤：
(1)建立数控加工柔性制造系统的加工状态性能指标体系，评价柔性制造系统加工状态；
(2)根据步骤(1)建立的加工状态性能指标体系，构建基于Multi-Agent的数控加工柔性制造系统的加工过程信息融合模型，对柔性制造系统加工过程的信息融合进行建模分析，分别描述柔性制造系统加工过程中的数据采集、数据处理、数据融合与过程预警各阶段的活动内容；
(3)从数据预处理开始，通过数据去噪与神经网络算法对步骤(2)构建的加工过程信息融合模型进行求解，将归一化处理后的状态信息样本输入神经网络模式识别器，通过神经网络模型进行反复训练，直至到达期望的性能，获得特征级信息融合结果输出，即完成数控加工柔性制造系统加工过程的预警。
本技术的工作原理为，首先，建立柔性制造系统加工状态性能指标体系，用于对柔性制造系统加工状态进行评价。其次，基于Multi-Agent对柔性制造系统加工过程的信息融合进行建模分析，分别描述柔性制造系统加工过程中的数据采集、数据处理、数据融合与过程预警各阶段的活动内容。在此基础上，基于数据去噪与神经网络算法对模型进行求解，将归一化处理后的状态信息样本输入神经网络模式识别器，通过神经网络模型进行反复训练，直至到达期望的性能，获得特征级信息融合结果输出，即完成数控加工柔性制造系统加工过程的预警。本发明以数控加工柔性制造系统为研究对象，基于Multi-Agent对数控加工柔性制造系统信息融合过程进行统一建模与求解，能获得满足系统要求的预警效果。
为更好的实现本发明，进一步地，所述步骤(1)中建立的数控加工柔性制造系统的加工状态性能指标体系主要由数据来源层、特征参数层、性能指标层构成。
为更好的实现本发明，进一步地，所述数控加工柔性制造系统的加工状态性能指标体系中的数据来源层为数控加工柔性制造系统中各类设备的数据来源，所述具体设备主要包括PLC、上位机、压力传感器、振动传感器。
为更好的实现本发明，进一步地，数控加工柔性制造系统的加工状态性能指标体系中的特征参数层为体现了柔性制造系统设备加工状态的主要参数，所述主要参数包括主轴转速、主轴功率、进给速度、切削深度、切削宽度、切削时间。
为更好的实现本发明，进一步地，数控加工柔性制造系统的加工状态性能指标体系中的性能指标层为反映柔性制造系统设备加工状态的直接表述，所述加工状态包括加工质量(Q)、加工可靠性(E)和加工进度(S)。
为更好的实现本发明，进一步地，所述步骤(2)中构建的基于Multi-Agent的数控加工柔性制造系统的加工过程信息融合模型主要有加工状态信息采集Agent、信息预处理Agent、信息融合Agent、以及加工状态监控预警Agent四层结构组成。
为更好的实现本发明，进一步地，所述加工状态信息采集Agent为数控加工柔性制造系统复杂动态多变的生产环境下所有进行加工状态信息采集的代理，其可通过数据采集网络实时采集不同方位环境下的柔性制造系统加工状态信息，并将得到的带有冗余的加工状态信息送到信息预处理Agent进行预处理；所述预处理Agent主要运用小波去噪技术实现对采集获取的柔性制造系统加工状态信息的预处理。
为更好的实现本发明，进一步地，所述信息融合Agent由特征级Agent和决策级Agent两部分组成，根据信息融合需求，首先调用特征级融合Agent，将归一化处理后的状态信息样本输入神经网络模式识别器，通过神经网络模型进行反复训练，直至到达期望的性能，获得特征级信息融合结果输出；此后，调用决策级Agent，将输出结果与专家知识库中的信息进行相似度匹配，进行推理判断，最终得出柔性制造系统加工状态分析结果。
为更好的实现本发明，进一步地，所述加工状态监控预警Agent将信息融合的输出结果进行人机界面展示，为生产人员及管理决策者提供加工状态直观的展示数据及结果。
为更好的实现本发明，进一步地，所述步骤(3)中，通过数据去噪与神经网络算法对步骤(2)构建的加工过程信息融合模型进行求解的具体过程为：
(3.1)初始采集数据归一化处理；由于通过数据采集获取的数控加工柔性制造系统加工状态信息各项数据量纲不一致，对其进行归一化处理，使信息对应的数据值被压缩至[0，1]区间，归一化处理如下：
(3.2)信息预处理；对经过归一化处理后的数控加工柔性制造系统加工状态信息SIi’进行多尺度二维小波变换，得到各信息变换后的小波系数Wf(j，k)：
其中SI(t)为数据采集某一时刻获取的数控加工柔性制造系统加工状态信息的归一化值，由原始信息o(t)和噪声信息n(t)组成，噪声信息数据服从正态分布N(0，σ2)，对SI(t)进行离散采样，得到N次采集的信息为SI(n)，n＝1，2，…，N，样本数不少于8；ψj，k(t)表示基本小波函数；j，k表示由连续性小波变换WT(a，b)中尺度因子a和位移因子b经过离散化处理后获得的系数(其中
通常取a0＝2，b0＝1)，则有
对取得的小波系数作阈值处理，当小波系数大于阈值时，保留原值，否则置零，其中阈值计算方法选取：
(3.3)神经网络训练；将经过预处理后的加工状态信息的特征参数输入神经网络的输入节点，将与其对应的数控加工柔性制造系统加工质量状态、运行效能和生产进度的归一化量化值作为神经网络的输出，对神经网络样本进行训练；输入样本为IP＝(CI1，CI2，…，CI6)＝(ip1，ip2，…，ip6)，输出样本为OP＝(Q，C，P)＝(op1，op2，op3)，通过BP神经网络模型运算后，IP，OP满足如下映射关系：
式中h表示神经网络隐层节点数，wji表示隐层节点j到输出层节点i的输出权值，wkj (i)表示输入层节点k到隐层节点j的输入权值，ζj表示隐层节点j的门槛值，Sj表示神经网络误差逆传播算法作用函数，取Sigmoid函数f(x)＝(1+e-x)-1作为神经网络误差逆传播算法；取神经网络输入节点数为6，与特征参数个数相同，隐层节点数为6，神经网络输出节点数为3，分别对应数控加工柔性制造系统加工质量情况、运行效能和生产进度；通过对神经网络进行反复训练，直至达到期望性能为止；
(3.4)结果输出；通过将待检测特征参数输入经过学习和训练后的神经网络，获得输出结果(Q，E，S)，将其与历史数据进行比对，最终确定数控加工柔性制造系统加工状态的优良。
本发明与现有技术相比，具有以下优点及有益效果：
本发明提供一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，能够对数控加工柔性制造系统进行统一建模，实现对柔性制造系统加工过程的动态预警，有效控制质量问题的发生是保障零件数控加工稳定性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更为明显：
图1为本发明所述方法的具体流程图；
图2为本发明所述方法中数控加工柔性制造系统加工状态性能指标体系示意图；
图3为本发明所述方法中数控加工柔性制造系统加工过程信息融合模型示意图；
图4本发明所述方法中计算出的数控加工柔性制造系统性能指标比较示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
为使本发明的目的、工艺条件及优点作用更加清楚明白，结合以下实施实例，对本发明作进一步详细说明，但本发明的实施方式不限于此，在不脱离本发明上述技术思想情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的范围内，此处所描述的具体实施实例仅用以解释本发明，并不用于限定本发明。
实施例1：
本实施例提供一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，具体流程如图1所示，包括以下步骤：
(1)建立数控加工柔性制造系统的加工状态性能指标体系，评价柔性制造系统加工状态；
(2)根据步骤(1)建立的加工状态性能指标体系，构建基于Multi-Agent的数控加工柔性制造系统的加工过程信息融合模型，对柔性制造系统加工过程的信息融合进行建模分析，分别描述柔性制造系统加工过程中的数据采集、数据处理、数据融合与过程预警各阶段的活动内容；
(3)从数据预处理开始，通过数据去噪与神经网络算法对步骤(2)构建的加工过程信息融合模型进行求解，将归一化处理后的状态信息样本输入神经网络模式识别器，通过神经网络模型进行反复训练，直至到达期望的性能，获得特征级信息融合结果输出，即完成数控加工柔性制造系统加工过程的预警。
实施例2：
本实施例在上述实施例的基础上，进一步限定数控加工柔性制造系统加工状态性能指标体系的具体构成，如图2所示，所述建立的数控加工柔性制造系统的加工状态性能指标体系主要由数据来源层、特征参数层、性能指标层构成。
其中，所述数控加工柔性制造系统的加工状态性能指标体系中的数据来源层为数控加工柔性制造系统中各类设备的数据来源，所述具体设备主要包括PLC、上位机、压力传感器、振动传感器。
所述特征参数层为体现了柔性制造系统设备加工状态的主要参数，所述主要参数包括主轴转速、主轴功率、进给速度、切削深度、切削宽度、切削时间。
所述性能指标层为反映柔性制造系统设备加工状态的直接表述，所述加工状态包括加工质量(Q)、加工可靠性(E)和加工进度(S)。本实施例的其他部分与上述实施例相同，不再赘述。
实施例3：
本实施例在上述实施例的基础上，进一步限定数控加工柔性制造系统加工过程信息融合模型的构成，如图3所示，所述构建的基于Multi-Agent的数控加工柔性制造系统的加工过程信息融合模型主要有加工状态信息采集Agent、信息预处理Agent、信息融合Agent、以及加工状态监控预警Agent四层结构组成。
其中，所述加工状态信息采集Agent为数控加工柔性制造系统复杂动态多变的生产环境下所有进行加工状态信息采集的代理，其可通过数据采集网络实时采集不同方位环境下的柔性制造系统加工状态信息，并将得到的带有冗余的加工状态信息送到信息预处理Agent进行预处理。
所述预处理Agent主要运用小波去噪技术实现对采集获取的柔性制造系统加工状态信息的预处理。
所述信息融合Agent由特征级Agent和决策级Agent两部分组成，根据信息融合需求，首先调用特征级融合Agent，将归一化处理后的状态信息样本输入神经网络模式识别器，通过神经网络模型进行反复训练，直至到达期望的性能，获得特征级信息融合结果输出；此后，调用决策级Agent，将输出结果与专家知识库中的信息进行相似度匹配，进行推理判断，最终得出柔性制造系统加工状态分析结果。
所述加工状态监控预警Agent将信息融合的输出结果进行人机界面展示，为生产人员及管理决策者提供加工状态直观的展示数据及结果。本实施例的其他部分与上述实施例相同，不再赘述。
实施例4：
本实施例在上述实施例的基础上，进一步限定通过数据去噪与神经网络算法对构建的加工过程信息融合模型进行求解的具体过程为：
(3.1)初始采集数据归一化处理；由于通过数据采集获取的数控加工柔性制造系统加工状态信息各项数据量纲不一致，对其进行归一化处理，使信息对应的数据值被压缩至[0，1]区间，归一化处理如下：
(3.2)信息预处理；对经过归一化处理后的数控加工柔性制造系统加工状态信息SIi’进行多尺度二维小波变换，得到各信息变换后的小波系数Wf(j，k)：
其中SI(t)为数据采集某一时刻获取的数控加工柔性制造系统加工状态信息的归一化值，由原始信息o(t)和噪声信息n(t)组成，噪声信息数据服从正态分布N(0，σ2)，对SI(t)进行离散采样，得到N次采集的信息为SI(n)，n＝1，2，…，N，样本数不少于8；ψj，k(t)表示基本小波函数；j，k表示由连续性小波变换WT(a，b)中尺度因子a和位移因子b经过离散化处理后获得的系数(其中
通常取a0＝2，b0＝1)，则有
对取得的小波系数作阈值处理，当小波系数大于阈值时，保留原值，否则置零，其中阈值计算方法选取：
(3.3)神经网络训练；将经过预处理后的加工状态信息的特征参数输入神经网络的输入节点，将与其对应的数控加工柔性制造系统加工质量状态、运行效能和生产进度的归一化量化值作为神经网络的输出，对神经网络样本进行训练；输入样本为IP＝(CI1，CI2，…，CI6)＝(ip1，ip2，…，ip6)，输出样本为OP＝(Q，C，P)＝(op1，op2，op3)，通过BP神经网络模型运算后，IP，OP满足如下映射关系：
式中h表示神经网络隐层节点数，wji表示隐层节点j到输出层节点i的输出权值，wkj (i)表示输入层节点k到隐层节点j的输入权值，ζj表示隐层节点j的门槛值，Sj表示神经网络误差逆传播算法作用函数，取Sigmoid函数f(x)＝(1+e-x)-1作为神经网络误差逆传播算法；取神经网络输入节点数为6，与特征参数个数相同，隐层节点数为6，神经网络输出节点数为3，分别对应数控加工柔性制造系统加工质量情况、运行效能和生产进度；通过对神经网络进行反复训练，直至达到期望性能为止；
(3.4)结果输出；通过将待检测特征参数输入经过学习和训练后的神经网络，获得输出结果(Q，E，S)，将其与历史数据进行比对，最终确定数控加工柔性制造系统加工状态的优良。本实施例的其他部分与上述实施例相同，不再赘述。
实施例5：
本实施例为了验证提供的一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法效果，选择10组性能指标数据作为输入样本，其归一化和小波去噪处理后的性能指标参数数据如表1所示：
表1归一化和小波去噪处理后的性能指标参数数据
| 序号 | SPI<sub>1</sub> | SPI<sub>2</sub> | SPI<sub>3</sub> | SPI<sub>4</sub> | SPI<sub>5</sub> | SPI<sub>6</sub> | Q | E | S |
| 1 | 0.46 | 0 | 0.72 | 1 | 0.07 | 0.73 | 1 | 0 | 0.11 |
| 2 | 0 | 0.82 | 0.53 | 1 | 0.05 | 0.76 | 0.98 | 0.02 | 0.19 |
| 3 | 0.21 | 0.31 | 1 | 0 | 0.01 | 0.26 | 0.96 | 0.06 | 0.26 |
| 4 | 0.78 | 1 | 0.75 | 0.43 | 0.64 | 0 | 0.92 | 0.1 | 0.33 |
| 5 | 0.37 | 0.03 | 0.21 | 0.16 | 0 | 1 | 0.91 | 0.11 | 0.42 |
| 6 | 1 | 0.12 | 0.16 | 0.66 | 0.58 | 0 | 0.87 | 0.15 | 0.49 |
| 7 | 0.18 | 1 | 0.62 | 0.40 | 0 | 0.18 | 0.85 | 0.18 | 0.54 |
| 8 | 0.64 | 1 | 0 | 0.97 | 0.27 | 0.5 | 0.82 | 0.21 | 0.61 |
| 9 | 0.75 | 0.59 | 0.75 | 1 | 0.36 | 0 | 0.81 | 0.23 | 0.71 |
| 10 | 1 | 0 | 0.37 | 0.27 | 0.07 | 0.9 | 0.77 | 0.25 | 0.82 |
通过以上特征参数对BP神经网络进行训练，将训练好的神经网络作用于基于多Agent的数控铣削中心加工状态信息融合模型中。再另取一组采集获取的待融合性能指标数据，对其进行预处理，输入神经网络模型，待融合性能指标特征参数及其融合结果如表2所示：
表2融合性能指标特征参数及其融合结果
| 序号 | CI<sub>1</sub> | CI<sub>2</sub> | CI<sub>3</sub> | CI<sub>4</sub> | CI<sub>5</sub> | CI<sub>6</sub> | Q | E | S |
| 1 | 0.54 | 0.49 | 1 | 0.59 | 0 | 0.43 | 0.92 | 0.03 | 0.35 |
| 2 | 0.32 | 1 | 0.51 | 0.26 | 0.15 | 0 | 0.9 | 0.06 | 0.42 |
| 3 | 1 | 0.16 | 0.48 | 0 | 0.34 | 0.63 | 0.87 | 0.12 | 0.51 |
| 4 | 0.77 | 0.32 | 0.71 | 1 | 0.49 | 0 | 0.81 | 0.18 | 0.57 |
| 5 | 0.66 | 0.49 | 0.54 | 0.38 | 0 | 1 | 0.79 | 0.22 | 0.61 |
| 6 | 0.59 | 0.55 | 0 | 1 | 0.47 | 0.41 | 0.76 | 0.26 | 0.68 |
| 7 | 1 | 0.5 | 0.35 | 0.45 | 0 | 0.6 | 0.74 | 0.27 | 0.78 |
| 8 | 0.31 | 1 | 0.64 | 0.43 | 0.21 | 0 | 0.72 | 0.29 | 0.85 |
将以上通过信息融合获取的数控铣削中心加工过程质量、运行效能和生产进度的数据结果与根据实际生产情况统计结果所得到数据的归一化值进行对比，如图4所示。
根据图4所显示的结果，本实施例得到的预测结果与实际生产情况的统计结果基本保持一致，初步表明采用本发明对数控加工柔性制造系统进行预警监测是合理、有效的。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，其特征在于，包括以下步骤：
（1）建立数控加工柔性制造系统的加工状态性能指标体系，评价柔性制造系统加工状态；
（2）根据步骤（1）建立的加工状态性能指标体系，构建基于Multi-Agent的数控加工柔性制造系统的加工过程信息融合模型，对柔性制造系统加工过程的信息融合进行建模分析，分别描述柔性制造系统加工过程中的数据采集、数据处理、数据融合与过程预警各阶段的活动内容；
（3）从数据预处理开始，通过数据去噪与神经网络算法对步骤（2）构建的加工过程信息融合模型进行求解，将归一化处理后的状态信息样本输入神经网络模式识别器，通过神经网络模型进行反复训练，直至到达期望的性能，获得特征级信息融合结果输出，即完成数控加工柔性制造系统加工过程的预警；
所述步骤（3）中，通过数据去噪与神经网络算法对步骤（2）构建的加工过程信息融合模型进行求解的具体过程为：
（3.1）初始采集数据归一化处理；由于通过数据采集获取的数控加工柔性制造系统加工状态信息各项数据量纲不一致，对其进行归一化处理，使信息对应的数据值被压缩至[0，1]区间，归一化处理如下：
（3.2）信息预处理；对经过归一化处理后的数控加工柔性制造系统加工状态信息SI i ’进行多尺度二维小波变换，得到各信息变换后的小波系数Wf（j，k）：
其中SI（t）为数据采集某一时刻获取的数控加工柔性制造系统加工状态信息的归一化值，由原始信息o（t）和噪声信息n（t）组成，噪声信息数据服从正态分布N（0，σ2），对SI（t）进行离散采样，得到N次采集的信息为SI（n），n=1，2，…，N，样本数不少于8；ψ j，k （t）表示基本小波函数；j，k表示由连续性小波变换WT（a，b）中尺度因子a和位移因子b经过离散化处理后获得的系数（其中a=a0 j ，b=ka0 j b 0，通常取a0=2，b 0=1），则有
；
对取得的小波系数作阈值处理，当小波系数大于阈值时，保留原值，否则置零，其中阈值计算方法选取：
；
（3.3）神经网络训练；将经过预处理后的加工状态信息的特征参数输入神经网络的输入节点，将与其对应的数控加工柔性制造系统加工质量状态、运行效能和生产进度的归一化量化值作为神经网络的输出，对神经网络样本进行训练；输入样本为IP=（CI 1，CI 2，…，CI 6）=（ip 1，ip 2，…， ip 6），输出样本为OP=（Q，C，P）=（op 1 ，op 2 ，op 3 ），通过BP神经网络模型运算后，IP，OP满足如下映射关系：
式中h表示神经网络隐层节点数，w ji 表示隐层节点j到输出层节点i的输出权值，w kj （i）表示输入层节点k到隐层节点j的输入权值，ζ j 表示隐层节点j的门槛值，S j 表示神经网络误差逆传播算法作用函数，取Sigmoid函数f（x）=（1+e -x ） -1 作为神经网络误差逆传播算法；取神经网络输入节点数为6，与特征参数个数相同，隐层节点数为6，神经网络输出节点数为3，分别对应数控加工柔性制造系统加工质量情况、运行效能和生产进度；通过对神经网络进行反复训练，直至达到期望性能为止；
（3.4）结果输出；通过将待检测特征参数输入经过学习和训练后的神经网络，获得输出结果（Q，E，S），将其与历史数据进行比对，最终确定数控加工柔性制造系统加工状态的优良。
2.根据权利要求1所述的一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，其特征在于，所述步骤（1）中建立的数控加工柔性制造系统的加工状态性能指标体系主要由数据来源层、特征参数层、性能指标层构成。
3.根据权利要求2所述的一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，其特征在于，所述数控加工柔性制造系统的加工状态性能指标体系中的数据来源层为数控加工柔性制造系统中各类设备的数据来源，具体设备主要包括PLC、上位机、压力传感器、振动传感器。
4.根据权利要求2所述的一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，其特征在于，数控加工柔性制造系统的加工状态性能指标体系中的特征参数层为体现了柔性制造系统设备加工状态的主要参数，所述主要参数包括主轴转速、主轴功率、进给速度、切削深度、切削宽度、切削时间。
5.根据权利要求2所述的一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，其特征在于，数控加工柔性制造系统的加工状态性能指标体系中的性能指标层为反映柔性制造系统设备加工状态的直接表述，所述加工状态包括加工质量（Q）、加工可靠性（E）和加工进度（S）。
6.根据权利要求1~5任一项所述的一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，其特征在于，所述步骤（2）中构建的基于Multi-Agent的数控加工柔性制造系统的加工过程信息融合模型主要有加工状态信息采集Agent、信息预处理Agent、信息融合Agent、以及加工状态监控预警Agent四层结构组成。
7.根据权利要求6所述的一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，其特征在于，所述加工状态信息采集Agent为数控加工柔性制造系统复杂动态多变的生产环境下所有进行加工状态信息采集的代理，其可通过数据采集网络实时采集不同方位环境下的柔性制造系统加工状态信息，并将得到的带有冗余的加工状态信息送到信息预处理Agent进行预处理；所述信息预处理Agent主要运用小波去噪技术实现对采集获取的柔性制造系统加工状态信息的预处理。
8.根据权利要求6所述的一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，其特征在于，所述信息融合Agent由特征级Agent和决策级Agent两部分组成，根据信息融合需求，首先调用特征级融合Agent，将归一化处理后的状态信息样本输入神经网络模式识别器，通过神经网络模型进行反复训练，直至到达期望的性能，获得特征级信息融合结果输出；此后，调用决策级Agent，将输出结果与专家知识库中的信息进行相似度匹配，进行推理判断，最终得出柔性制造系统加工状态分析结果。
9.根据权利要求6所述的一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法，其特征在于，所述加工状态监控预警Agent将信息融合的输出结果进行人机界面展示，为生产人员及管理决策者提供加工状态直观的展示数据及结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110350156.2A CN113219912B (zh) | 2021-03-31 | 2021-03-31 | 一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110350156.2A CN113219912B (zh) | 2021-03-31 | 2021-03-31 | 一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113219912A CN113219912A (zh) | 2021-08-06 |
| CN113219912B true CN113219912B (zh) | 2022-03-15 |
Family
ID=77086196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110350156.2A Active CN113219912B (zh) | 2021-03-31 | 2021-03-31 | 一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113219912B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551663A (zh) * | 2009-05-08 | 2009-10-07 | 华东理工大学 | 一种裂解炉裂解反应的预警方法 |
| WO2011147048A1 (zh) * | 2010-05-25 | 2011-12-01 | Liu Wenxiang | 网络数控 |
| CN103675616A (zh) * | 2013-11-15 | 2014-03-26 | 华南理工大学 | 电缆在线局部放电检测信号识别方法 |
| WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
| CN107316066A (zh) * | 2017-07-28 | 2017-11-03 | 北京工商大学 | 基于多通路卷积神经网络的图像分类方法及系统 |
| CN110120046A (zh) * | 2019-03-27 | 2019-08-13 | 长安大学 | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 |
| CN110705882A (zh) * | 2019-09-30 | 2020-01-17 | 江苏科技大学 | 孪生数据驱动的船舶组立产品质量管控系统及配置方法 |
| CN110728360A (zh) * | 2019-10-12 | 2020-01-24 | 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 |
| CN111912611A (zh) * | 2020-07-10 | 2020-11-10 | 王亮 | 基于改进神经网络的故障状态预测的方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6650779B2 (en) * | 1999-03-26 | 2003-11-18 | Georgia Tech Research Corp. | Method and apparatus for analyzing an image to detect and identify patterns |
| CN106780392B (zh) * | 2016-12-27 | 2020-10-02 | 浙江大华技术股份有限公司 | 一种图像融合方法及装置 |
| CN111598115B (zh) * | 2019-02-21 | 2022-06-28 | 兰州交通大学 | 一种基于交叉皮质神经网络模型的sar影像融合方法 |
-
2021
- 2021-03-31 CN CN202110350156.2A patent/CN113219912B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551663A (zh) * | 2009-05-08 | 2009-10-07 | 华东理工大学 | 一种裂解炉裂解反应的预警方法 |
| WO2011147048A1 (zh) * | 2010-05-25 | 2011-12-01 | Liu Wenxiang | 网络数控 |
| CN103675616A (zh) * | 2013-11-15 | 2014-03-26 | 华南理工大学 | 电缆在线局部放电检测信号识别方法 |
| WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
| CN107316066A (zh) * | 2017-07-28 | 2017-11-03 | 北京工商大学 | 基于多通路卷积神经网络的图像分类方法及系统 |
| CN110120046A (zh) * | 2019-03-27 | 2019-08-13 | 长安大学 | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 |
| CN110705882A (zh) * | 2019-09-30 | 2020-01-17 | 江苏科技大学 | 孪生数据驱动的船舶组立产品质量管控系统及配置方法 |
| CN110728360A (zh) * | 2019-10-12 | 2020-01-24 | 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 |
| CN111912611A (zh) * | 2020-07-10 | 2020-11-10 | 王亮 | 基于改进神经网络的故障状态预测的方法及装置 |
Non-Patent Citations (10)
| Title |
|---|
| Extract intelligible and concise fuzzy rules from neural networks;Huang，SH等;《FUZZY SETS AND SYSTEMS》;20021201;全文 * |
| HSCF:a holonic shop floor control framework for flexible manufacuring systems;Cheung，HME等;《INTERNATIONAL JOURNAL OF COMPUTER INTERGATED MANUFACTURING》;20000430;全文 * |
| On-line tool condition monitoring system with wavelet fuzzy nenural network;Li,XL等;《JOURNAL OF INTELLIGENT MANUFACTURING》;19970831;全文 * |
| 基于WNN-SVN的水文时间序列预测方法研究;余洋等;《计算机技术与发展》;20190930;全文 * |
| 基于主轴功率信号的钻锪刀具监测及其系统开发与应用;万文波;《中国优秀博硕士学位论文全文数据库（硕士） 工程科技II辑》;20190115;全文 * |
| 基于复杂自适应Petri网的棉纺生产预报模型及其优化;王军;《中国优秀博硕士学位论文全文数据库（博士）工程科技I辑》;20170315;摘要、论文正文45、57-59、67-76、86-93、106-108页 * |
| 基于小波包和IGA-BP神经网络的滚动轴承故障识别方法;王育炜等;《机床与液压》;20200930;全文 * |
| 大型轮槽铣床的在线监测与预警的研究;任飞;《中国优秀硕士学位论文全文数据库》;20121225;全文 * |
| 智能机器人视觉伺服系统研究;宗晓萍;《中国优秀博硕士学位论文全文数据库（博士） 信息科技辑》;20110315;全文 * |
| 电子信息技术在机械制造领域中的应用;张娜;《电子技术与软件工程》;20180810;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113219912A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110900307B (zh) | 一种数字孪生驱动的数控机床刀具监控系统 | |
| US20210004369A1 (en) | Systems and methods for searching a machining knowledge database | |
| CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
| Dun et al. | A chatter detection method in milling of thin-walled TC4 alloy workpiece based on auto-encoding and hybrid clustering | |
| CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
| CN109732450B (zh) | 一种基于神经网络的叶片抛磨加工方法 | |
| CN108733003B (zh) | 基于kmeans聚类算法的回转类零件工序工时预测方法及系统 | |
| Jemielniak | Contemporary challenges in tool condition monitoring | |
| Saric et al. | Estimation of machining time for CNC manufacturing using neural computing | |
| CN110414727A (zh) | 一种基于数据挖掘的生产进度预测方法及系统 | |
| CN113752089A (zh) | 一种基于奇异性李氏指数的刀具状态监测方法 | |
| CN113219912B (zh) | 一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法 | |
| Brecher et al. | Evaluation of toolpath quality: User-assisted CAM for complex milling processes | |
| CN111724203B (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
| Xie et al. | Fault diagnosis of multistage manufacturing systems based on rough set approach | |
| CN116372665A (zh) | 一种基于opc ua的航空数控机床刀具健康监测方法 | |
| CN108197809B (zh) | 基于维度最优转换的权值共享深度网络的实时调度方法 | |
| Mun et al. | Design and analysis of RUL prediction algorithm based on CABLSTM for CNC machine tools | |
| CN112355713B (zh) | 基于图像预测切削力的方法、装置及设备 | |
| Yau et al. | Concurrent process planning for finish milling and dimensional inspection of sculptured surfaces in die and mould manufacturing | |
| Takizawa et al. | Rapid estimation of die and mold machining time without NC data by AI based on shape data | |
| Fomin et al. | Check for updates Improvement of the Quality of Wear Zones for Cutting Tools Textures Classes Recognition Based on Convolutional Models | |
| CN115049140A (zh) | 一种雕塑工程用3d模型柔性制造系统 | |
| CN117556345B (zh) | 基于神经网络的磁流变抛光去除函数预测装置及方法 | |
| CN116224905B (zh) | 基于联合分布自适应的机床热误差预测方法与系统 |
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 |