CN113987698A - 一种基于数据驱动的机床功耗模型建模方法 - Google Patents
一种基于数据驱动的机床功耗模型建模方法 Download PDFInfo
- Publication number
- CN113987698A CN113987698A CN202111180170.9A CN202111180170A CN113987698A CN 113987698 A CN113987698 A CN 113987698A CN 202111180170 A CN202111180170 A CN 202111180170A CN 113987698 A CN113987698 A CN 113987698A
- Authority
- CN
- China
- Prior art keywords
- src
- data set
- machine tool
- tar
- power consumption
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Numerical Control (AREA)
Abstract
本发明提供了一种基于数据驱动的机床功耗模型建模方法,包括以下步骤:选择一台机床作为源机床,通过若干实验获取该源机床功耗特性的源数据集Tsrc;通过若干实验获取目标机床功耗特性的目标数据集Ttar;通过迁移学习将源数据集Tsrc向目标数据集Ttar迁移,得到迁移后的源数据集Ts′rc;利用目标数据集Ttar和迁移后的源数据集T′src训练回归模型;获取目标机床的功耗模型,解决了现有机床功耗模型建模方法只适用于单一机床功耗模型获取,且获取产线或者车间内各个机床的功耗模型时需要进行大量的重复性标定实验,建模效率较低的问题,通过少量实验即可快速建立目标机床的功耗模型,在保证预测精度的同时大大提高了建模效率。
Description
技术领域
本发明涉及机床功耗模型建模技术领域,尤其涉及一种基于数据驱动的机床功耗模型建模方法。
背景技术
随着现代制造业对能效的要求越来越高,机床能耗近年来受到广泛关注,机床的功耗特性直接影响机床加工的能耗,不同型号的机床功耗特性完全不同,即使是同型号的机床,其功耗特性也会有差异。
专利201910013924.8公开了一种基于切削力的机床铣削加工过程的功耗模型建模方法,该方法将机床铣削加工过程的能耗分为空载功耗、切削功耗和额外负载功耗,通过实验获得机床铣削加工过程的总功耗模型,这种建模方法只适用于单一机床功耗模型的获取,但是如要获取产线或者车间内各个机床的功耗模型,就需要进行大量的重复性标定实验,建模效率较低。
发明内容
本发明公开的一种基于数据驱动的机床功耗模型建模方法,解决了现有机床功耗模型建模方法只适用于单一机床功耗模型获取,且获取产线或者车间内各个机床的功耗模型时需要进行大量的重复性标定实验,建模效率较低的问题,通过少量实验即可快速建立目标机床的功耗模型,在保证预测精度的同时大大提高了建模效率。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明公开一种基于数据驱动的机床功耗模型建模方法,包括以下步骤:
选择一台机床作为源机床,通过若干实验获取该源机床功耗特性的源数据集Tsrc:
Tsrc={(xi src,yi src)},i=1,2,....,n (1)
其中,xi src表示源机床的加工参数,yi src表示源机床的功耗数据,n表示源数据集的大小;
通过若干实验获取目标机床功耗特性的目标数据集Ttar:
Ttar={(xi tar,yi tar)},i=1,2,....m (2)
其中,xi tar表示目标机床的加工参数,yi tar表示目标机床的功耗数据,m表示目标数据集的大小;
通过迁移学习将源数据集Tsrc向目标数据集Ttar迁移,得到迁移后的源数据集T′src;
利用目标数据集Ttar和迁移后的源数据集T′src训练回归模型;
获取目标机床的功耗模型。
进一步地,源数据集Tsrc向目标数据集Ttar迁移的步骤包括:
利用仿射变换进行域自适应,使得源数据集Tsrc与目标数据集Ttar之间差异最小,目标函数表示为:
min|Tsrc_1·W-Ttar_1| (3)
利用源数据集Tsrc训练得到加工参数空间xi与功耗数据空间yi的映射关系fsrc:
Tsrc_1可被替换为Tsrc_2,Tsrc_2可表示为:
其中,fsrc(x1 tar)为目标加工参数数据xi tar通过映射关系fsrc获得的目标功耗数据;
则目标函数(3)表示为:
min|Tsrc_2·W-Ttar_1| (5)
由于Tsrc_2与Ttar_1具有统一的列向量,因此式(5)可表示为下式:
其中,H是迁移变换矩阵;
求解迁移变换矩阵H:
H=(ATA)-1ATB (7)
迁移后的源数据集Ts′rc表示为:
T′src=[xsrc,Tsrc_1·H] (8)。
进一步地,利用目标数据集Ttar和迁移后的源数据集T′src训练回归模型的步骤为:
将迁移后的源数据集T′src和目标数据集Ttar进行合并:
T=T′src∪Ttar (9)
其中,(9)式表示为:
T={(xi,yi)} (10)
进一步地,利用自适应加权算法增加目标数据集Ttar的权重。
有益技术效果:
本发明公开一种基于数据驱动的机床功耗模型建模方法,包括以下步骤:选择一台机床作为源机床,通过若干实验获取该源机床功耗特性的源数据集Tsrc;通过若干实验获取目标机床功耗特性的目标数据集Ttar;通过迁移学习将源数据集Tsrc向目标数据集Ttar迁移,得到迁移后的源数据集Ts′rc;利用目标数据集Ttar和迁移后的源数据集T′src训练回归模型;获取目标机床的功耗模型,解决了现有机床功耗模型建模方法只适用于单一机床功耗模型获取,且获取产线或者车间内各个机床的功耗模型时需要进行大量的重复性标定实验,建模效率较低的问题,通过少量实验即可快速建立目标机床的功耗模型,在保证预测精度的同时大大提高了建模效率。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明所述的一种基于数据驱动的机床功耗模型建模方法的步骤流程图。
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。
下面结合附图对本发明的实施方式进行详细说明。
本发明公开一种基于数据驱动的机床功耗模型建模方法,参见图1,具体包括以下步骤:
S1:选择一台机床作为源机床,通过若干实验获取该源机床功耗特性的源数据集Tsrc:
Tsrc={(xi src,yi src)},i=1,2,....,n (1)
其中,xi src表示源机床的加工参数,yi src表示源机床的功耗数据,n表示源数据集的大小;
在本实施例中,以钻削高温合金GH4169为例,刀具是直径为10mm的麻花钻,选择两种不同的机床分别为:数控加工中心YHVT850Z和数控加工中心VMC800,在YHVT850Z和VMC800数控加工中心上分别对高温合金GH4169材料进行钻削加工。
按照S1在源机床(YHVT850Z)进行钻削标定实验(31组),获得源机床(YHVT850Z)功耗数据作为源数据集。
S2:通过若干实验获取目标机床功耗特性的目标数据集Ttar:
Ttar={(xi tar,yi tar)},i=1,2,....m (2)
其中,xi tar表示目标机床的加工参数,yi tar表示目标机床的功耗数据,m表示目标数据集的大小;
目标机床(VMC800)进行少量的钻削标定实验(8组),获得目标机床(VMC800)功耗数据作为目标数据集。
S3:通过迁移学习将源数据集Tsrc向目标数据集Ttar迁移,得到迁移后的源数据集T′src;
具体地,源数据集Tsrc向目标数据集Ttar迁移的步骤包括:
利用仿射变换进行域自适应,使得源数据集Tsrc与目标数据集Ttar之间差异最小,目标函数表示为:
min|Tsrc_1·W-Ttar_1| (3)
利用源数据集Tsrc训练得到加工参数空间xi与功耗数据空间yi的映射关系fsrc:
Tsrc_1可被替换为Tsrc_2,Tsrc_2可表示为:
其中,fsrc(x1 tar)为目标加工参数数据xi tar通过映射关系fsrc获得的目标功耗数据;
则目标函数(3)表示为:
min|Tsrc_2·W-Ttar_1| (5)
由于Tsrc_2与Ttar_1具有统一的列向量,因此式(5)可表示为下式:
其中,H是迁移变换矩阵;
求解迁移变换矩阵H:
H=(ATA)-1ATB (7)
迁移后的源数据集T′src表示为:
T′src=[xsrc,Tsrc_1.H] (8)。
S4:利用目标数据集Ttar和迁移后的源数据集T′src训练回归模型;
具体地,利用目标数据集Ttar和迁移后的源数据集T′src训练回归模型的步骤为:
将迁移后的源数据集T′src和目标数据集Ttar进行合并:
T=T′src∪Ttar (9)
其中,(9)式表示为:
T={(xi,yi)} (10)
S5:获取目标机床的功耗模型。
将通过本发明方法建立的模型与实验标定方法模型进行对比,其模型表达式对比参见表1:
表1本发明方法与实验标定方法模型表达式的对比
其中,Pcuting为切削功率,s为主轴转速。
由表1可以看出,通过该发明公开的建立机床功耗模型方法所得到的模型表达式与实验标定方法得到的机床功耗模型表达式相比,基本上相同。
通过本发明方法建立模型的实验次数和时间与实验标定方法建立模型所需实验次数和时间的对比参见表2:
表2本发明方法建立模型所需实验次数和时间与实验标定方法建立模型所需实验次数和时间的对比
由表2可以看出,通过该发明公开的建立机床功耗模型方法,建立机床功耗模型所需实验次数大大小于实验标定方法建立机床功耗模型所需实验次数,进而使得本发明公开的建立机床功耗模型方法,建立机床功耗模型所需时间也大大小于实验标定方法建立机床功耗模型所需时间,本发明公开的建立机床功耗模型方法所需时间比实验标定方法建立机床功耗模型方法时间缩短了近75%,且与实际测量出的机床实际功耗的误差小于2%。
本发明公开的一种基于数据驱动的机床功耗模型建模方法对数控对机床功耗模型进行快速建立并准确评估,预测得到的精度较高,与实际测量出的机床实际功耗的误差小于2%,预测精度可以媲美实验标定方法,同时大大减少实验量,所提出的方法将实验时间缩短了将近75%,提高建模效率,因此,实际工作中有着很好的应用价值。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本领域内的技术人员应明白,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。
本申请是参照根据本申请实施例的方法、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设备上,使得在计算机或其他可编程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。
以上的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通工程技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (4)
1.一种基于数据驱动的机床功耗模型建模方法,其特征在于,包括以下步骤:
选择一台机床作为源机床,通过若干实验获取该源机床功耗特性的源数据集Tsrc:
Tsrc={(xi src,yi src)},i=1,2,....,n (1)
其中,xi src表示源机床的加工参数,yi src表示源机床的功耗数据,n表示源数据集的大小;
通过若干实验获取目标机床功耗特性的目标数据集Ttar:
Ttar={(xi tar,yi tar)},i=1,2,....m (2)
其中,xi tar表示目标机床的加工参数,yi tar表示目标机床的功耗数据,m表示目标数据集的大小;
通过迁移学习将源数据集Tsrc向目标数据集Ttar迁移,得到迁移后的源数据集T′src;
利用目标数据集Ttar和迁移后的源数据集T′src训练回归模型;
获取目标机床的功耗模型。
2.根据权利要求1所述的一种基于数据驱动的机床功耗模型建模方法,其特征在于,源数据集Tsrc向目标数据集Ttar迁移的步骤包括:
利用仿射变换进行域自适应,使得源数据集Tsrc与目标数据集Ttar之间差异最小,目标函数表示为:
min|Tsrc_1·W-Ttar_1| (3)
利用源数据集Tsrc训练得到加工参数空间xi与功耗数据空间yi的映射关系fsrc:
Tsrc_1可被替换为Tsrc_2,Tsrc_2可表示为:
其中,fsrc(x1 tar)为目标加工参数数据xi tar通过映射关系fsrc获得的目标功耗数据;
则目标函数(3)表示为:
min|Tsrc_2·W-Ttar_1| (5)
由于Tsrc_2与Ttar_1具有统一的列向量,因此式(5)可表示为下式:
其中,H是迁移变换矩阵;
求解迁移变换矩阵H:
H=(ATA)-1ATB (7)
迁移后的源数据集T′src表示为:
T′src=[xsrc,Tsrc_1·H] (8)。
4.根据权利要求3所述的一种基于数据驱动的机床功耗模型建模方法,其特征在于,利用自适应加权算法增加目标数据集Ttar的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111180170.9A CN113987698A (zh) | 2021-10-11 | 2021-10-11 | 一种基于数据驱动的机床功耗模型建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111180170.9A CN113987698A (zh) | 2021-10-11 | 2021-10-11 | 一种基于数据驱动的机床功耗模型建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113987698A true CN113987698A (zh) | 2022-01-28 |
Family
ID=79738086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111180170.9A Pending CN113987698A (zh) | 2021-10-11 | 2021-10-11 | 一种基于数据驱动的机床功耗模型建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987698A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116895094A (zh) * | 2023-09-11 | 2023-10-17 | 杭州魔点科技有限公司 | 一种基于双目融合的暗环境成像方法、系统、装置及介质 |
CN116996926A (zh) * | 2023-09-26 | 2023-11-03 | 香港中文大学(深圳) | 一种数据驱动的基站功耗建模方法 |
-
2021
- 2021-10-11 CN CN202111180170.9A patent/CN113987698A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116895094A (zh) * | 2023-09-11 | 2023-10-17 | 杭州魔点科技有限公司 | 一种基于双目融合的暗环境成像方法、系统、装置及介质 |
CN116895094B (zh) * | 2023-09-11 | 2024-01-30 | 杭州魔点科技有限公司 | 一种基于双目融合的暗环境成像方法、系统、装置及介质 |
CN116996926A (zh) * | 2023-09-26 | 2023-11-03 | 香港中文大学(深圳) | 一种数据驱动的基站功耗建模方法 |
CN116996926B (zh) * | 2023-09-26 | 2023-11-28 | 香港中文大学(深圳) | 一种数据驱动的基站功耗建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zuperl et al. | Fuzzy control strategy for an adaptive force control in end-milling | |
CN113987698A (zh) | 一种基于数据驱动的机床功耗模型建模方法 | |
Thirumalai et al. | Multi-criteria decision making in the selection of machining parameters for Inconel 718 | |
CN105425727B (zh) | 五轴侧铣加工刀具路径光顺方法 | |
CN109977464B (zh) | 一种基于bp神经网络的活塞切削加工变形量的预测方法 | |
CN106875094A (zh) | 一种基于多色集合遗传算法的多目标车间调度方法 | |
CN101670532A (zh) | 刀具磨损补偿系统及方法 | |
CN105700495B (zh) | 基于加工时间等级的柔性作业车间调度机器选择方法 | |
CN105447284B (zh) | 一种工艺余量的添加方法 | |
CN115755758A (zh) | 基于神经网络模型的机床加工控制方法 | |
CN111008458A (zh) | 一种大型油气模块管线的智能化套料方法 | |
Kumar et al. | Analysis the effects of process parameters in EN24 alloy steel during CNC turning by using MADM | |
CN111123833A (zh) | 一种机床的热误差补偿计算方法、装置、设备和存储介质 | |
CN109446721B (zh) | 基于标识符软件线程执行顺序排列的机床工艺交互算法 | |
Ji et al. | Big data analytics based optimisation for enriched process planning: a methodology | |
Chen et al. | Machining allowance optimal distribution of thin-walled structure based on deformation control | |
CN107480318B (zh) | 硬脆材料薄壁零件切削加工工艺优化方法 | |
Öztürk et al. | Multi objective optimization of cutting parameters in a single pass turning operation using the bees algorithm | |
CN108873850A (zh) | 一种机械制造自动化生产过程的优化调度方法 | |
CN107798180B (zh) | 基于迭代学习的深孔加工深度优化方法 | |
Wang et al. | Optimization of the tool selection based on big data | |
Barać et al. | A review of machine learning methods applied in smart machining | |
CN114237166A (zh) | 基于改进spea2算法求解多转速节能调度问题的方法 | |
Zhao et al. | Research and application of genetic algorithm based on variable crossover probability | |
CN102601464A (zh) | 一种挤出机螺杆的生产方法 |
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 |