CN113326774A - 一种基于AlexNet网络的机床能耗状态识别方法及系统 - Google Patents
一种基于AlexNet网络的机床能耗状态识别方法及系统 Download PDFInfo
- Publication number
- CN113326774A CN113326774A CN202110594892.2A CN202110594892A CN113326774A CN 113326774 A CN113326774 A CN 113326774A CN 202110594892 A CN202110594892 A CN 202110594892A CN 113326774 A CN113326774 A CN 113326774A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- machine tool
- frequency
- time
- wavelet
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000010586 diagram Methods 0.000 claims abstract description 39
- 238000005520 cutting process Methods 0.000 claims abstract description 20
- 238000003754 machining Methods 0.000 claims abstract description 16
- 238000003801 milling Methods 0.000 claims abstract description 15
- 238000011478 gradient descent method Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种基于AlexNet网络的机床能耗状态识别方法及系统，包括：获取数控铣床的能耗数据，能耗数据包括：机床工作的电压、电流以及有效功率信息；对能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；将预设格式的小波时频图输入到预训练好的AlexNet网络，以基于所述小波时频图识别机床的能耗状态；AlexNet网络通过设置不同的学习率采用随机梯度下降法训练得到；机床的能耗状态包括：机床待机、主轴空转、空切、切削加工以及其他模式五种能耗状态。本发明是一种基于AlexNet网络的数据驱动机床能耗状态识别方法，提高机床能耗状态识别效率。
Description
技术领域
本发明属于机床能耗识别领域，更具体地，涉及一种基于AlexNet网络的机床能耗状态识别方法及系统。
背景技术
机床能耗识别在制造业的能源预测、规划、管理和节能方面发挥着不可替代的作用。在大机械数据时代，数据驱动的机床能耗预测模型在能耗模式识别和能耗状况预测方面取得了显著成效。
在数控加工过程尤其是精加工过程中，其运行状态的精准识别，不仅有助于机床加工过程能量消耗与能量效率分析，更有助于数控机床的管理控制和节能优化，具有较为广泛的应用前景。
目前，国内外在机床能耗状态的识别方面已经有一些研究，例如专利文献CN104808554A“机床多源能耗系统多信息在线检测系统”，通过在机床各个耗能上安装功率传感器，全面检测机床的能耗动态信息，这样需要的功率传感器非常多，成本很高。专利文献CN111766832A“一种不完备数据驱动的数控机床切削能耗预测建模方法”，根据生成对抗网络的缺失数据估算法进行机床的切削能耗预测。专利文献CN109725599A“一种数控机床能效在线监测方法”，提出一种由专家或有经验的工作人员设计或提取手工特征，并利用领域知识对原始数据进行特征表示。
上述发明都对机床加工状态的识别起到了一定的推动作用，然而在机床加工过程中，多是在机床耗能部件供电处安装功率传感器，通过主轴或者机床的输入功率来间接识别机床的状态，但是，如果机床的状态改变了而功率变化小，那么就会识别不出来新的状态。但对于没有开放数据接口的机床或普通机床，自动实时获取其运行状态的方法非常有限。
针对机床能耗的现有数据驱动研究集中在手工特征学习方法的利用上，这种方法效率低且泛化能力差。此外，考虑到不同机床之间能耗特性的差异，为开发能源模型而手动识别能耗特征是不切实际的。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于AlexNet网络的机床能耗状态识别方法及系统，旨在解决现有机床能耗特性识别方法手动识别，识别效率低且泛化能力差的问题。
为实现上述目的，第一方面，本发明提供了一种基于AlexNet网络的机床能耗状态识别方法，包括如下步骤：
获取数控铣床的能耗数据，所述能耗数据包括：机床工作的电压、电流以及有效功率信息；
对所述能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；
将预设格式的小波时频图输入到预训练好的AlexNet网络，以基于所述小波时频图识别机床的能耗状态；所述AlexNet网络通过设置不同的学习率采用随机梯度下降法训练得到；所述机床的能耗状态包括：机床待机、主轴空转、空切、切削加工以及其他模式五种能耗状态；所述其他模式指的是机床有效功率信号的波动值超过预设值的工作状态。
在一个可选的示例中，所述预训练好的AlexNet网络，通过如下步骤得到：
预先采集数控铣床分别在所述五种能耗状态下的能耗数据；
对各种能耗状态下的能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；
将各种能耗状态下的小波时频图划分训练集和测试集；
基于各种能耗状态下的训练集和测试集对AlexNet网络进行训练，得到训练好的AlexNet网络，以使得训练好的AlexNet网络可以基于接收到的小波时频图判断小波时频图对应的机床能耗状态。
在一个可选的示例中，所述基于各种能耗状态下的训练集和测试集对AlexNet网络进行训练，具体为：
利用TensorFlow框架对AlexNet网络进行运算，得到AlexNet网络的识别准确率：
在建立好小波时频图的训练集、测试集和均值后，使用随机梯度下降法训练AlexNet网络，设置不同的batch损失率来训练AlexNet网络，通过实验结果来选择比较适合的batch size；
设置不同的学习率来训练AlexNet网络，通过实验结果来选择比较适合的学习率。
在一个可选的示例中，所述能耗数据通过功率测试仪采集得到；
所述功率测试仪侧得机床总电源处的电压，基于得到的电压信号确定机床工作的电压和电流；
所述功率测试仪确定机床工作的三相电流和三相电压，并对三相电压和三相电流积分确定机床的有效功率。
在一个可选的示例中，所述对能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图，具体为：
首先对能耗数据进行时域分析，分别计算各个数据的均值、均方根值、方差、峭度、峰值、峰值因子、波形因子以及脉冲因子在时域上的特征值；然后对能耗数据进行频域分析；最后通过小波分析三相电流信号，得到分析后的时频信号；
确定小波分析尺度序列长度，利用MATLAB中的相应函数绘制所述分析后的时频信号的小波时频图，利用MATLAB做出小波时频图后，去除小波时频谱图周边的文字、坐标、能量条和空白部分，并对小波时频图进行压缩、降维处理，将图片转换为预设大小的像元格式。
第二方面，本发明提供了一种基于AlexNet网络的机床能耗状态识别系统，包括：
能耗数据获取单元，用于获取数控铣床的能耗数据，所述能耗数据包括：机床工作的电压、电流以及有效功率信息；
小波时频图绘制单元，用于对所述能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；
能耗状态识别单元，用于将预设格式的小波时频图输入到预训练好的AlexNet网络，以基于所述小波时频图识别机床的能耗状态；所述AlexNet网络通过设置不同的学习率采用随机梯度下降法训练得到；所述机床的能耗状态包括：机床待机、主轴空转、空切、切削加工以及其他模式五种能耗状态；所述其他模式指的是机床有效功率信号的波动值超过预设值的工作状态。
在一个可选的示例中，该机床能耗状态识别系统还包括：AlexNet网络训练单元；
所述AlexNet网络训练单元，预先采集数控铣床分别在所述五种能耗状态下的能耗数据；对各种能耗状态下的能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；将各种能耗状态下的小波时频图划分训练集和测试集；以及基于各种能耗状态下的训练集和测试集对AlexNet网络进行训练，得到训练好的AlexNet网络，以使得训练好的AlexNet网络可以基于接收到的小波时频图判断小波时频图对应的机床能耗状态。
在一个可选的示例中，所述AlexNet网络训练单元，利用TensorFlow框架对AlexNet网络进行运算，得到AlexNet网络的识别准确率：在建立好小波时频图的训练集、测试集和均值后，使用随机梯度下降法训练AlexNet网络，设置不同的batch损失率来训练AlexNet网络，通过实验结果来选择比较适合的batch size；以及设置不同的学习率来训练AlexNet网络，通过实验结果来选择比较适合的学习率。
在一个可选的示例中于，所述能耗数据获取单元通过功率测试仪采集得到所述能耗数据，通过功率测试仪侧得机床总电源处的电压，基于得到的电压信号确定机床工作的电压和电流；以及通过功率测试仪确定机床工作的三相电流和三相电压，并对三相电压和三相电流积分确定机床的有效功率。
在一个可选的示例中，所述小波时频图绘制单元首先对能耗数据进行时域分析，分别计算各个数据的均值、均方根值、方差、峭度、峰值、峰值因子、波形因子以及脉冲因子在时域上的特征值；然后对能耗数据进行频域分析；最后通过小波分析三相电流信号，得到分析后的时频信号；确定小波分析尺度序列长度，利用MATLAB中的相应函数绘制所述分析后的时频信号的小波时频图，利用MATLAB做出小波时频图后，去除小波时频谱图周边的文字、坐标、能量条和空白部分，并对小波时频图进行压缩、降维处理，将图片转换为预设大小的像元格式。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明提供一种基于AlexNet网络的机床能耗状态识别方法及系统，仅需采集运用小波变换的方式从原始机械数据中提取敏感的能耗特征，并以时频图作为网络的输入用于开发所提取的特征和机床能耗之间的预测模型，提出基于AlexNet的数据驱动机床能耗状态识别方法，通过对机床能耗状态的网络自动化识别，有助于更为精准地控制机床，检测机床的运行性能，提高生产效率和机床智能化、自动化水平。
附图说明
图1是本发明实施例提供的基于AlexNet网络的机床能耗状态识别方法流程图；
图2是本发明实施例提供的基于AlexNet的数据驱动机床能耗状态识别方法的流程图；
图3是本发明实施例提供的基于AlexNet网络的机床能耗状态识别系统架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提出了一种新的基于AlexNet的数据驱动机床能耗状态识别方法。仅需采集运用小波变换的方式从原始机械数据中提取敏感的能耗特征，并以时频图作为网络的输入用于开发所提取的特征和机床能耗之间的预测模型。
本发明的目的就是解决现有技术中的问题，提出基于AlexNet的数据驱动机床能耗状态识别方法，通过对机床能耗状态的识别，有助于更为精准地控制机床，检测机床的运行性能，提高生产效率和机床智能化、自动化水平。
图1是本发明实施例提供的基于AlexNet网络的机床能耗状态识别方法流程图，如图1所示，包括如下步骤：
S101，获取数控铣床的能耗数据，所述能耗数据包括：机床工作的电压、电流以及有效功率信息；
S102，对所述能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；
S103，将预设格式的小波时频图输入到预训练好的AlexNet网络，以基于所述小波时频图识别机床的能耗状态；所述AlexNet网络通过设置不同的学习率采用随机梯度下降法训练得到；所述机床的能耗状态包括：机床待机、主轴空转、空切、切削加工以及其他模式五种能耗状态；所述其他模式指的是机床有效功率信号的波动值超过预设值的工作状态。
在一个具体的实施例中，图2是本发明实施例提供的基于AlexNet的数据驱动机床能耗状态识别方法的流程图，参阅图2，包括以下步骤。
步骤一：本研究中仅需利用功率测试仪采集数控铣床的总功率以及时间，以求得整体加工的能量损耗特性，功率分析仪测试基本物理量为：电压、电流、有效功率；
步骤二：将采集的数据与信号利用小波变换进行时频分析，将其转换成时频信号，并对时频图进行压缩处理，将图片转换为符合要求的像元格式；
步骤三：在对采集的样本进行初步的筛选后，将每种模式下的样本分为训练集和测试集，对训练后的数据进行分类降维，最后通过测试集输出；
步骤四：通过满足测试要求的数据的状态标签来判别机床处于何种加工状态，并设置不同的学习率来改进AlexNet结构，通过实验结果来选择比较适合的学习率从而提高判断的准确率。
具体的，所述步骤一中机床总电源功率、主轴电机功率的采样频率为5000HZ，加工转速最高达2000r/min，传感器为三向振动传感器，采样频率为10000Hz。
具体的，所述步骤二中采用小波函数为coif5，熵标准采用香农熵，对信号进行5层小波包分解。
具体的，所述步骤三中的神经网络为AlexNet，使用了校正线性函数ReLU(x)＝max(0,x)实现了非线性的表达能力，梯度消失现象较弱，有助于训练更深的网络；同时使用两个GPU(分别放置一半卷积核)来提升训练速度。在防止过拟合方面，AlexNet使用了重叠池化，允许池化窗口重叠；另外，AlexNet在约有6000万个参数的基础上使用了数据扩充和丢失输出的训练技巧，有效阻止了过拟合。
具体的，所述步骤四中机床的能耗状态有机床待机、主轴空转、空切、切削加工、其他模式(功率信号出现较大波动的情况)五种主要加工状态，其在AlexNet训练的状态标签分别为：[10000]、[01000]、[00100]、[00010]、[00001]。
具体的，所述判别机床处于何种加工状态具体包括以下步骤：
1)当机床总电源打开时，机床进入待机状态，采集到机床总功率的值，机床总功率的值大于0，且数控系统无信号输出、主轴转速为0时，判断机床处于待机状态；
2)利用功率测试仪采集数控铣床的总功率以及时间，以求得整体加工的能量损耗。在对电流进行测量时，测得机床总电源的电压，将得到的电压信号转换成电流；在对功率进行测量时，功率测试仪通过对三相电流及电压的测量信号进行积分换算获得此时的功率。在进行铣削实验时，将功率测试仪与电脑数据线连接，同时下载PC版本的WTViewer软件，能够在软件上得到功率以及能耗的值。并且利用功率测试仪可以将数值数据、波形显示数据、屏幕图像数据和设置参数保存到USB存储器或网络启动器中；
3)从采集到的三相电流信号中，截取机床不同运行状态时的三相电流信号，作为特征向量提取的样本数据；
4)首先对每组样本数据进行时域分析，分别计算其均值、均方根值、方差、峭度、峰值、峰值因子、波形因子、脉冲因子等时域上的特征值；然后对每组样本数据进行频域分析，可从频域解析不同运行状态下频域结构的差异性，揭示各状态下独有的特征变化情况；最后通过小波分析三相电流信号，小波分析的变焦特性，使小波分析不论在时域还是频域都具有显示局部特征的能力；
5)为使转换后的频率序列是等差序列，必须确定小波基和尺度序列长度，之后利用MATLAB中的相应函数绘制小波时频图，在利用MATLAB做出时频图后，需要去除时频谱图周边的文字、坐标、能量条和空白部分，并对时频图进行压缩、降维处理，将图片转换为3×227×227的像元格式；
6)对机床待机(主动换刀)模式、主轴空转模式、空切模式、切削加工模式和其它模式(功率信号出现较大波动的情况)这五种模式进行功率信号样本的采集，每组采集1000个样本，总共形成5000个样本；
7)如表1所示，在对采集的样本进行初步的筛选后，每种模式下的样本保留950组，其中将665组作为训练集，285组作为测试集；
表1
8)利用TensorFlow框架对AlexNet进行运算，得到网络的识别准确率：在建立好小波时频图的训练集、测试集和均值后，使用随机梯度下降法训练AlexNet，AlexNet的结构参数如表2所示。其batch损失率会影响计算机内存利用率以及训练震荡。因此设置不同的batch损失率来训练AlexNet，通过实验结果来选择比较适合的batch size；
表2
9)随机梯度下降法的InitilLearnRate会影响权值调整和误差收敛。需要设置不同的学习率来训练AlexNet，通过实验结果来选择比较适合的学习率。
本发明运用在系统程序中能够实现快速准确的对机床加工状态进行判别，为数控机床的节能优化、配置生产任务提供了可用的方法。
图3是本发明实施例提供的基于AlexNet网络的机床能耗状态识别系统架构图，如图3所示，包括：
能耗数据获取单元310，用于获取数控铣床的能耗数据，所述能耗数据包括：机床工作的电压、电流以及有效功率信息；
小波时频图绘制单元320，用于对所述能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；
能耗状态识别单元330，用于将预设格式的小波时频图输入到预训练好的AlexNet网络，以基于所述小波时频图识别机床的能耗状态；所述AlexNet网络通过设置不同的学习率采用随机梯度下降法训练得到；所述机床的能耗状态包括：机床待机、主轴空转、空切、切削加工以及其他模式五种能耗状态；所述其他模式指的是机床有效功率信号的波动值超过预设值的工作状态。
AlexNet网络训练单元340，预先采集数控铣床分别在所述五种能耗状态下的能耗数据；对各种能耗状态下的能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；将各种能耗状态下的小波时频图划分训练集和测试集；以及基于各种能耗状态下的训练集和测试集对AlexNet网络进行训练，得到训练好的AlexNet网络，以使得训练好的AlexNet网络可以基于接收到的小波时频图判断小波时频图对应的机床能耗状态。
具体地，图3中各个单元的详细功能实现可参见前述方法实施例中的介绍，在此不做赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于AlexNet网络的机床能耗状态识别方法，其特征在于，包括如下步骤：
获取数控铣床的能耗数据，所述能耗数据包括：机床工作的电压、电流以及有效功率信息；
对所述能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；
将预设格式的小波时频图输入到预训练好的AlexNet网络，以基于所述小波时频图识别机床的能耗状态；所述AlexNet网络通过设置不同的学习率采用随机梯度下降法训练得到；所述机床的能耗状态包括：机床待机、主轴空转、空切、切削加工以及其他模式五种能耗状态；所述其他模式指的是机床有效功率信号的波动值超过预设值的工作状态。
2.根据权利要求1所述的机床能耗状态识别方法，其特征在于，所述预训练好的AlexNet网络，通过如下步骤得到：
预先采集数控铣床分别在所述五种能耗状态下的能耗数据；
对各种能耗状态下的能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；
将各种能耗状态下的小波时频图划分训练集和测试集；
基于各种能耗状态下的训练集和测试集对AlexNet网络进行训练，得到训练好的AlexNet网络，以使得训练好的AlexNet网络可以基于接收到的小波时频图判断小波时频图对应的机床能耗状态。
3.根据权利要求2所述的机床能耗状态识别方法，其特征在于，所述基于各种能耗状态下的训练集和测试集对AlexNet网络进行训练，具体为：
利用TensorFlow框架对AlexNet网络进行运算，得到AlexNet网络的识别准确率：
在建立好小波时频图的训练集、测试集和均值后，使用随机梯度下降法训练AlexNet网络，设置不同的batch损失率来训练AlexNet网络，通过实验结果来选择比较适合的batchsize；
设置不同的学习率来训练AlexNet网络，通过实验结果来选择比较适合的学习率。
4.根据权利要求1或2所述的机床能耗状态识别方法，其特征在于，所述能耗数据通过功率测试仪采集得到；
所述功率测试仪侧得机床总电源处的电压，基于得到的电压信号确定机床工作的电压和电流；
所述功率测试仪确定机床工作的三相电流和三相电压，并对三相电压和三相电流积分确定机床的有效功率。
5.根据权利要求1或2所述的机床能耗状态识别方法，其特征在于，所述对能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图，具体为：
首先对能耗数据进行时域分析，分别计算各个数据的均值、均方根值、方差、峭度、峰值、峰值因子、波形因子以及脉冲因子在时域上的特征值；然后对能耗数据进行频域分析；最后通过小波分析三相电流信号，得到分析后的时频信号；
确定小波分析尺度序列长度，利用MATLAB中的相应函数绘制所述分析后的时频信号的小波时频图，利用MATLAB做出小波时频图后，去除小波时频谱图周边的文字、坐标、能量条和空白部分，并对小波时频图进行压缩、降维处理，将图片转换为预设大小的像元格式。
6.一种基于AlexNet网络的机床能耗状态识别系统，其特征在于，包括：
能耗数据获取单元，用于获取数控铣床的能耗数据，所述能耗数据包括：机床工作的电压、电流以及有效功率信息；
小波时频图绘制单元，用于对所述能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；
能耗状态识别单元，用于将预设格式的小波时频图输入到预训练好的AlexNet网络，以基于所述小波时频图识别机床的能耗状态；所述AlexNet网络通过设置不同的学习率采用随机梯度下降法训练得到；所述机床的能耗状态包括：机床待机、主轴空转、空切、切削加工以及其他模式五种能耗状态；所述其他模式指的是机床有效功率信号的波动值超过预设值的工作状态。
7.根据权利要求6所述的机床能耗状态识别系统，其特征在于，还包括：AlexNet网络训练单元；
所述AlexNet网络训练单元，预先采集数控铣床分别在所述五种能耗状态下的能耗数据；对各种能耗状态下的能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；将各种能耗状态下的小波时频图划分训练集和测试集；以及基于各种能耗状态下的训练集和测试集对AlexNet网络进行训练，得到训练好的AlexNet网络，以使得训练好的AlexNet网络可以基于接收到的小波时频图判断小波时频图对应的机床能耗状态。
8.根据权利要求7所述的机床能耗状态识别系统，其特征在于，所述AlexNet网络训练单元，利用TensorFlow框架对AlexNet网络进行运算，得到AlexNet网络的识别准确率：在建立好小波时频图的训练集、测试集和均值后，使用随机梯度下降法训练AlexNet网络，设置不同的batch损失率来训练AlexNet网络，通过实验结果来选择比较适合的batch size；以及设置不同的学习率来训练AlexNet网络，通过实验结果来选择比较适合的学习率。
9.根据权利要求6或7所述的机床能耗状态识别系统，其特征在于，所述能耗数据获取单元通过功率测试仪采集得到所述能耗数据，通过功率测试仪侧得机床总电源处的电压，基于得到的电压信号确定机床工作的电压和电流；以及通过功率测试仪确定机床工作的三相电流和三相电压，并对三相电压和三相电流积分确定机床的有效功率。
10.根据权利要求6或7所述的机床能耗状态识别系统，其特征在于，所述小波时频图绘制单元首先对能耗数据进行时域分析，分别计算各个数据的均值、均方根值、方差、峭度、峰值、峰值因子、波形因子以及脉冲因子在时域上的特征值；然后对能耗数据进行频域分析；最后通过小波分析三相电流信号，得到分析后的时频信号；确定小波分析尺度序列长度，利用MATLAB中的相应函数绘制所述分析后的时频信号的小波时频图，利用MATLAB做出小波时频图后，去除小波时频谱图周边的文字、坐标、能量条和空白部分，并对小波时频图进行压缩、降维处理，将图片转换为预设大小的像元格式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110594892.2A CN113326774A (zh) | 2021-05-28 | 2021-05-28 | 一种基于AlexNet网络的机床能耗状态识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110594892.2A CN113326774A (zh) | 2021-05-28 | 2021-05-28 | 一种基于AlexNet网络的机床能耗状态识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113326774A true CN113326774A (zh) | 2021-08-31 |
Family
ID=77422417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110594892.2A Pending CN113326774A (zh) | 2021-05-28 | 2021-05-28 | 一种基于AlexNet网络的机床能耗状态识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113326774A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580791A (zh) * | 2022-04-28 | 2022-06-03 | 深圳丰尚智慧农牧科技有限公司 | 膨化机工作状态识别方法、装置、计算机设备、存储介质 |
| CN114580792A (zh) * | 2022-04-28 | 2022-06-03 | 深圳丰尚智慧农牧科技有限公司 | 膨化机工作状态识别方法、装置、计算机设备、存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2276571A1 (en) * | 1999-03-19 | 2000-09-19 | Oleg V. Ivanov | System and method for diagnosing and controlling electric machines |
| CN104794492A (zh) * | 2015-04-27 | 2015-07-22 | 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 |
| CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
| CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
| WO2019132740A1 (ru) * | 2017-12-29 | 2019-07-04 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" | Способ обработки векторных сигналов для распознавания образов на основе вейвлет - анализа |
| CN111160741A (zh) * | 2019-12-19 | 2020-05-15 | 武汉科技大学 | 一种复杂工况下再制造车间多层级任务配置的扰动响应方法 |
-
2021
- 2021-05-28 CN CN202110594892.2A patent/CN113326774A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2276571A1 (en) * | 1999-03-19 | 2000-09-19 | Oleg V. Ivanov | System and method for diagnosing and controlling electric machines |
| CN104794492A (zh) * | 2015-04-27 | 2015-07-22 | 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 |
| CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
| WO2019132740A1 (ru) * | 2017-12-29 | 2019-07-04 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" | Способ обработки векторных сигналов для распознавания образов на основе вейвлет - анализа |
| CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
| CN111160741A (zh) * | 2019-12-19 | 2020-05-15 | 武汉科技大学 | 一种复杂工况下再制造车间多层级任务配置的扰动响应方法 |
Non-Patent Citations (1)
| Title |
|---|
| 施莹等: "基于深度卷积神经网络的机床有效加工状态识别", 《军民两用技术与产品》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580791A (zh) * | 2022-04-28 | 2022-06-03 | 深圳丰尚智慧农牧科技有限公司 | 膨化机工作状态识别方法、装置、计算机设备、存储介质 |
| CN114580792A (zh) * | 2022-04-28 | 2022-06-03 | 深圳丰尚智慧农牧科技有限公司 | 膨化机工作状态识别方法、装置、计算机设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2836881B1 (en) | Embedded prognostics on plc platforms for equipment condition monitoring, diagnosis and time-to-failure/service prediction | |
| CN113326774A (zh) | 一种基于AlexNet网络的机床能耗状态识别方法及系统 | |
| CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
| CN111366123A (zh) | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 | |
| CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
| CN104794492B (zh) | 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 | |
| CN113909996B (zh) | 一种基于数字孪生的高端装备加工状态监测方法及系统 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN108520125A (zh) | 一种预测刀具磨损状态的方法及系统 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN116861313B (zh) | 基于振动能量趋势的卡尔曼滤波工况识别方法、系统 | |
| CN113140229A (zh) | 基于神经网络的声音检测方法、工业声学检测系统及方法 | |
| CN115683235B (zh) | 一种工业机器人伺服电机振动故障检测方法及装置 | |
| CN113343361A (zh) | 车身尺寸智能监控方法、装置、设备及存储介质 | |
| CN114227382B (zh) | 基于新型胶囊网络的刀具破损监测系统及方法 | |
| CN114055249B (zh) | 镗孔表面粗糙度监测方法和系统以及存储介质 | |
| CN111251187A (zh) | 一种叶片磨削烧伤信息融合与特征提取方法及装置 | |
| CN114165430B (zh) | 基于边缘计算的机泵健康监测方法、系统、设备及介质 | |
| CN111633466B (zh) | 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 | |
| CN115292776A (zh) | 一种基于索力监测数据的斜拉桥车致索力实时在线提取方法 | |
| CN113919170A (zh) | 一种基于多传感融合的工况环境模拟方法及系统 | |
| CN113821888A (zh) | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 | |
| Shen et al. | Design of MultiChannel Parallel Dynamic Testing Virtual Instrument Based on Dynamic Measurement | |
| Li et al. | A fault diagnosis equipment of motor bearing based on sound signal and CNN | |
| KR102655363B1 (ko) | 진동데이터에 기초한 cnc 공작기계의 공구 마모도 측정 장치 및 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210831 |