CN114117689B - 一种防生产共振的方法、系统、终端设备和存储介质 - Google Patents
一种防生产共振的方法、系统、终端设备和存储介质 Download PDFInfo
- Publication number
- CN114117689B CN114117689B CN202210068826.6A CN202210068826A CN114117689B CN 114117689 B CN114117689 B CN 114117689B CN 202210068826 A CN202210068826 A CN 202210068826A CN 114117689 B CN114117689 B CN 114117689B
- Authority
- CN
- China
- Prior art keywords
- resonance
- machine tool
- rotating speed
- spindle
- time period
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automatic Control Of Machine Tools (AREA)
- Numerical Control (AREA)
Abstract
本发明提供了一种防生产共振的方法、系统、终端设备和存储介质,其方法包括:获取当前机床在历史周期的历史主轴振动相关数据,根据历史主轴振动相关数据获取生产同种产品对应的主轴振动样本数据;根据主轴振动样本数据,训练生成对应的共振区间预测模型;将未来加工时间段输入至共振区间预测模型中,预测获取在未来加工时间段引发共振现象的目标共振转速;根据未来加工时间段及其目标共振转速生成机床控制指令,并将机床控制指令发送至机床,使得机床在未来加工时间段调整对应电机转速以避免出现共振现象。本发明准确预测任意未来时间的共振转速,以规避共振区间转速的工件排程,提升机床加工精度和产品质量。
Description
技术领域
本发明涉及数据处理技术领域,尤指一种防生产共振的方法、系统、终端设备和存储介质。
背景技术
目前机床制造技术快速发展,机床整体加工性能一般体现在三方面,分别是高精度,高速度和高可靠性,所以提高机床整体加工性能至关重要。
由于,数控机床在加工过程中,在工作转速范围内容易发生共振,这样,会因为共振使得机床的主轴振动变得异常的剧烈,容易因主轴振动而影响加工精度,这对产品生产质量是十分不利的,其中,异常抖动的转速区间为共振区间,一台机台的共振区间会随着机台的使用度或时间变化逐渐发生变化。
发明内容
本发明的目的是提供一种防生产共振的方法、系统、终端设备和存储介质,解决了数控机床在产品加工生产过程中,因为共振导致产品质量低的技术问题。
本发明提供的技术方案如下:
本发明提供一种防生产共振的方法,包括步骤:
获取当前机床在历史周期的历史主轴振动相关数据,根据所述历史主轴振动相关数据获取生产同种产品对应的主轴振动样本数据;所述主轴振动样本数据包括历史时刻及其对应的电机转速、主轴振幅;
根据所述主轴振动样本数据,训练生成对应的共振区间预测模型;
将未来加工时间段输入至所述共振区间预测模型中,预测获取在所述未来加工时间段引发共振现象的目标共振转速;目标共振转速是指同种工艺生产同种产品的未来加工时间段引发机床主轴出现共振现象的最大共振点对应的电机转速;
根据所述未来加工时间段及其目标共振转速生成机床控制指令,并将所述机床控制指令发送至机床,使得所述机床在所述未来加工时间段调整对应电机转速以避免出现共振现象;
其中,所述未来加工时间段为所述当前机床在同种工艺生产同种产品的运作工作状态下的未来时间;
其中,机床控制指令包括未来加工时间段每一时刻对应的电机目标转速,且每一时刻的电机目标转速与目标共振转速不重合。
进一步的,所述根据所述历史主轴振动相关数据获取生产同种产品对应的主轴振动样本数据包括步骤:
对所述历史主轴振动相关数据进行数据预处理;
根据机床生产日志和数据预处理后的历史主轴振动相关数据,分类得到生产同种产品对应的主轴振动样本数据。
进一步的,所述根据所述主轴振动样本数据,训练生成对应的共振区间预测模型包括步骤:
根据所述主轴振动样本数据分类得到出现共振现象的共振数据集,以及未出现共振现象的非共振数据集;
将所述共振数据集作为正样本,所述非共振数据集作为负样本形成正负样本集;
将所述正负样本集划分为训练样本集和测试样本集,将训练样本集中最大主轴振幅对应的转速作为输出,训练样本集中的时间、各转速对应的主轴振幅作为输入,使用线性回归算法反复训练得出候选模型;
根据所述测试样本集对所述候选模型进行验证和参数优化得到最终的共振区间预测模型。
本发明还提供一种防生产共振的系统,包括:
获取模块,用于获取当前机床在历史周期的历史主轴振动相关数据,根据所述历史主轴振动相关数据获取生产同种产品对应的主轴振动样本数据;所述主轴振动样本数据包括历史时刻及其对应的电机转速、主轴振幅;
训练模块,用于根据所述主轴振动样本数据,训练生成对应的共振区间预测模型;
处理模块,用于将未来加工时间段输入至所述共振区间预测模型中,预测获取在所述未来加工时间段引发共振现象的目标共振转速;目标共振转速是指同种工艺生产同种产品的未来加工时间段引发机床主轴出现共振现象的最大共振点对应的电机转速;
生成模块,用于根据所述未来加工时间段及其目标共振转速生成机床控制指令;
通信模块,用于将所述机床控制指令发送至机床,使得所述机床在所述未来加工时间段调整对应电机转速以避免出现共振现象;
其中,所述未来加工时间段为所述当前机床在同种工艺生产同种产品的运作工作状态下的未来时间;
其中,机床控制指令包括未来加工时间段每一时刻对应的电机目标转速,且每一时刻的电机目标转速与目标共振转速不重合。
进一步的,所述获取模块包括:
主轴振动剔除单元,用于对所述历史主轴振动相关数据进行数据预处理;
获取单元,用于根据机床生产日志和数据预处理后的历史主轴振动相关数据,分类得到生产同种产品对应的主轴振动样本数据。
进一步的,所述训练模块包括:
分类单元,用于根据所述主轴振动样本数据分类得到出现共振现象的共振数据集,以及未出现共振现象的非共振数据集;
处理单元,用于将所述共振数据集作为正样本,所述非共振数据集作为负样本形成正负样本集;
训练单元,用于将所述正负样本集划分为训练样本集和测试样本集,将训练样本集中最大主轴振幅对应的转速作为输出,训练样本集中的时间、各转速对应的主轴振幅作为输入,使用线性回归算法反复训练得出候选模型;
调整单元,用于根据所述测试样本集对所述候选模型进行验证和参数优化得到最终的共振区间预测模型。
本发明还提供一种终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器,用于执行所述存储器上所存放的计算机程序,实现所述的防生产共振的方法所执行的操作。
本发明还提供一种存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现所述的防生产共振的方法所执行的操作。
通过本发明提供的一种防生产共振的方法、系统、终端设备和存储介质,能够准确预测任意未来时间的共振转速,以规避共振区间转速的工件排程,提升机床加工精度和产品质量。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种防生产共振的方法、系统、终端设备和存储介质的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种防生产共振的方法的一个实施例的流程图;
图2是本发明一种防生产共振的方法的另一个实施例的流程图;
图3是本发明一种防生产共振的方法的主轴振幅随着转速变化的趋势曲线;
图4是本发明一种防生产共振的方法的主轴共振转速随着时间变化的趋势预测曲线图;
图5是本发明一种防生产共振的方法的结果判断报告的示意图;
图6是本发明一种防生产共振的方法的预测分析报告的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
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,下面将对照附图说明本发明的具体实施方式。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的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
本发明的一个实施例,如图1所示,一种防生产共振的方法,包括:
S100获取当前机床在历史周期的历史主轴振动相关数据,根据所述历史主轴振动相关数据获取生产同种产品对应的主轴振动样本数据;
具体的,机床零部件包括刀具、机床主轴和电机等,其中,机床主轴指的是机床上带动工件或刀具旋转的轴,通常由主轴、轴承和传动件(例如齿轮或带轮)等组成,机床主轴的运动精度是决定加工质量和切削效率的重要因素之一。机床主轴是指从发动机或电动机接受动力并将它传给其它机件的轴。历史主轴振动相关数据包括电机转速、主轴振动频率、主轴振幅及其对应的时间。
一般,会在机床或者机床零部件处安装角速度传感器、三轴加速度传感器和主轴振动传感器,并且,角速度传感器、三轴加速度传感器一般安装在机床零部件处,主轴振动传感器安装在机床主轴或者机床台面处。通过安装在电机上的角速度传感器或三轴加速度传感器可以测量得到电机转速,由于电机转动会引起机床产生主轴振动,因此,电机转动的转速即电机转速主轴振动样本数据之一。通过安装在机床台面上的主轴振动传感器可以直接采集测量机床主轴振动的主轴振幅和主轴振动频率。
历史主轴振动相关数据是按照周期进行获取的,根据机床的加工状态,周期可以是每半小时、每小时、每24小时、每72小时等,上位机或服务器周期性从机床处获取历史主轴振动相关数据。其中,由于机床可能在不同的时间段生产加工不同的产品,如果上位机或服务器将所有产品的运动传感器数据均汇总作为主轴振动样本数据,那么,因为不同产品的加工工艺和加工参数不同,会存在很大的预测误差,因此,上位机或服务器在获取到历史主轴振动相关数据后,需要对历史主轴振动相关数据进行数据预处理,获取生产同种产品对应的主轴振动样本数据,其中,主轴振动样本数据包括历史时刻及其对应的电机转速、主轴振幅。
示例性的,铣削机床上设有主轴,以及与主轴连接的电机,电机转动会带动主轴转动,进而带动安装在主轴上的刀具进行铣削操作。铣削机床在加工工件的过程中,由于铣削机床的主轴上安装了刀柄和刀具之后,会在与主轴连接的电机转动过程中引起主轴产生主轴振动。其中,厂商为了提高铣削机床的加工效率和工件质量,铣削机床的主轴转速越来越高,但是,因为电机带动机床零部件转动的速度越高,主轴的主轴振动频率会越高,主轴振幅也会越大,主轴安装在铣削机床上,进而带动铣削机床出现主轴振动现象,在主轴振动期间如果电机转动速度(即电机转速)达到某个值,使得铣削机床的主轴振动频率达到机床固有频率,那么铣削机床会出现共振,将会产生很大的负面影响,并且会降低经济效益。
S200根据所述主轴振动样本数据,训练生成对应的共振区间预测模型;
S300将未来加工时间段输入至所述共振区间预测模型中,预测获取在所述未来加工时间段引发共振现象的目标共振转速。
具体的,未来加工时间段为所述当前机床在同种工艺生产同种产品的运作工作状态下的未来时间,上述提及的传感器测量采集到历史主轴振动相关数据后可以储存到机床本地,上位机或服务器参照上述步骤获取历史主轴振动相关数据,并进行数据清洗得到主轴振动样本数据后,将清洗后得到主轴振动样本数据汇集到一起构建成数据集,然后,采用回归模型训练的方法,将主轴振动样本数据作为训练样本训练生成对应的共振区间预测模型。然后,上位机或服务器获取厂商管理人员或者工作人员输入的未来加工时间段,未来加工时间段包括未来开始时间和未来终止时间,其中,未来开始时间要大于当前时间。这样,上位机或服务器就会根据共振区间预测模型预测输出未来加工时间段对应的目标共振转速。目标共振转速是指同种工艺生产同种产品的未来加工时间段可能引发机床主轴出现共振现象的最大共振点对应的电机转速。
S400根据所述未来加工时间段及其目标共振转速生成机床控制指令,并将所述机床控制指令发送至机床,使得所述机床在所述未来加工时间段调整对应电机转速以避免出现共振现象。
具体的,通过上述流程预测得到未来加工时间段对应的目标共振转速后,根据未来加工时间段及其对应的目标共振转速生成机床控制指令,机床控制指令包括未来加工时间段每一时刻对应的电机目标转速,且每一时刻的电机目标转速与目标共振转速不重合。然后,上位机或服务器将生成的机床控制指令发送至机床,使得所述机床在所述未来加工时间段调整对应电机转速以避免出现共振现象。
其中,机床在工作时如果产生共振,会直接影响到工件的加工品质,产生明显的表面振纹,粗糙度加大,工件表面品质恶化,甚至因为机床共振导致切削加工无法继续进行,共振中产生的噪声,还将危害到操作者的身体健康。
本发明利用传感器监测机床在不同工作状态下的主轴振幅和频率,进而将监测到的历史主轴振动相关数据上传给上位机或服务器,由上位机或服务器根据历史主轴振动相关数据进行训练生成共振区间预测模型,然后基于共振区间预测模型对机床在未来加工时间段的目标共振转速进行预测。本发明通过历史主轴振动相关数据和机器学习算法,训练得到的共振区间预测模型进行共振区间预测,相对于人工预测,不仅成本较低、效率高,而且准确度也更高,更加贴合实际生产过程,相对于软件曲线预测,自动化程度更高,并且以实际的历史主轴振动相关数据为准,提高了任意未来加工时间段的共振区间的预测准确性。
此外,本发明将根据目标共振转速生成的机床控制指令发送给机床,对机床电机的转速进行调整,机床电机的转动速度调整后,也能够直接影响机床的主轴振动频率,使得在未来加工时间段机床的主轴振动频率与机床固有频率不重合,这样就能够对机床在未来加工时间段可能出现的共振现象进行限制或消除,以使得机床切削加工中的共振现象明显减小,大大提高工件的表面品质和机床加工精度。
本发明的一个实施例,如图2所示,一种防生产共振的方法,包括:
S100获取当前机床在历史周期的历史主轴振动相关数据;
S110对所述历史主轴振动相关数据进行数据预处理;
具体的,本实施例中是上述实施例的优化实施例,本实施例中与上述实施例相同的部分参见上述实施例,在此不再一一赘述。数据预处理还包括但是不限于对历史主轴振动相关数据进行标准化处理、离群值处理、归一化处理、缺值处理、递归特征消除处理、数据分档处理等。不论是何种运动传感器数据,可能会因为传感器的灵敏度或者外界环境干扰,容易出现一些离群的异常数据,那么,就需要对运动传感器数据进行数据清洗即离群值处理,将异常数据剔除以便排除干扰。其中,异常数据一般远远大于或小于其他数据,这些明显偏离的数据就是离群值就是异常数据,剔除异常数据首先需要查找到对应的异常数据,而异常数据的差值方式一般为离群值处理方法。其他的数据预处理方法均为现有技术,在此不再详细说明。
示例性的,传感器采集到的同种历史主轴振动相关数据,按照时间先后顺序进行排列的时候,前后之间的变化波动较大,因此可以利用方差进行运算,如果某一个时间点的主轴振幅与前后时间点的主轴振幅相差比较大,则认定为异常数据点。将异常数据剔除后,剩下的就是合理数据,其中,合理数据包括出现共振现象对应的共振数据和未出现共振现象的非共振数据,将合理数据进行汇集得到数据预处理后的历史主轴振动相关数据。
S120根据机床生产日志和数据预处理后的历史主轴振动相关数据,分类得到生产同种产品对应的主轴振动样本数据;
具体的,由于机床生产日志包括但是不限于加工工艺、加工类型、加工产品和加工生产时间,并且,传感器进行数据采集的过程中会实时记录对应数据的时间点,因此,上位机或服务器可以根据历史主轴振动相关数据(包括当前时间及当前时间之前生产加工期间,每一时刻分别对应的电机转速、主轴振动频率、主轴振幅)和机床生产日志,按照时间和加工产品类型即可以分类得到机床加工生产同种产品的主轴振动样本数据。
S210根据所述主轴振动样本数据分类得到出现共振现象的共振数据集,以及未出现共振现象的非共振数据集;
具体的,机床运转时机床的运动部分(例如电机)总会有某种不对称性,从而对机床的其他部件施加周期性作用力引起这些部件随着主轴振动,当这种作用力的频率与机床的固有频率接近或相等时,会发生共振,从而影响加工精度。因此,在通过主轴振动传感器获取到当前电机转速对应的主轴振动信号后,将主轴振动信号进行频域转换得到对应的频域信号,获取频域信号中的最大主轴振幅值,判断最大主轴振幅值对应的频率是否与机床固有频率重合,如果是则说明机床出现了共振现象,此时,将这个最大主轴振幅值对应的主轴振动样本数据(电机转速、主轴振动频率、主轴振幅及其对应的时间)划分至共振数据集。如果不是机床未出现共振现象,将频域信号中的最大主轴振幅值和其余主轴振幅值对应的主轴振动样本数据划分至非共振数据集。
S220将所述共振数据集作为正样本,所述非共振数据集作为负样本形成正负样本集;
S230将所述正负样本集划分为训练样本集和测试样本集,将训练样本集中最大主轴振幅对应的转速作为输出,训练样本集中的时间、各转速对应的主轴振幅作为输入,使用线性回归算法反复训练得出候选模型;
具体的,共振区间是指机床出现共振现象时的电机转速范围,将训练样本集中最大主轴振幅对应的转速(即最大共振点的转速)作为输出,训练样本集中的时间、各转速对应的主轴振幅作为输入,使用线性回归算法反复训练得出候选模型。
S240根据所述测试样本集对所述候选模型进行验证和参数优化得到最终的共振区间预测模型;
具体的,使用数据预处理后的共振数据集作为正样本,非共振数据集作为负样本形成正负样本集,然后将正负样本集按照7:3的比例分别得到训练样本集和测试样本集,根据训练样本集按照进行神经网络模型算法进行模型训练生成候选模型,然后根据测试样本集使用模型评价原理对训练出来的候选模型进行准确度评价,如果候选模型的准确度低于预设阈值,那么就不断调整候选模型的参数,直至调整后的候选模型的准确度达到预设阈值后,才将这个准确度达到预设阈值的候选模型的作为最终的共振区间预测模型,本发明训练得到的共振区间预测模型可以被API接口访问使用。
S300将未来加工时间段输入至所述共振区间预测模型中,预测获取在所述未来加工时间段引发共振现象的目标共振转速;
S400根据所述未来加工时间段及其目标共振转速生成机床控制指令,并将所述机床控制指令发送至机床,使得所述机床在所述未来加工时间段调整对应电机转速以避免出现共振现象。
具体的,通过上述流程预测得到未来加工时间段对应的目标共振转速后,根据未来加工时间段及其对应的目标共振转速生成机床控制指令,机床控制指令包括未来加工时间段每一时刻对应的电机目标转速,且每一时刻的电机目标转速与目标共振转速不重合。然后,上位机或服务器将生成的机床控制指令发送至机床,使得所述机床在所述未来加工时间段调整对应电机转速以避免出现共振现象。
其中,机床在工作时如果产生共振,会直接影响到工件的加工品质,产生明显的表面振纹,粗糙度加大,工件表面品质恶化,甚至因为机床共振导致切削加工无法继续进行,共振中产生的噪声,还将危害到操作者的身体健康。因此,本发明将根据目标共振转速生成的机床控制指令发送给机床,对机床电机的转速进行调整,机床电机的转动速度调整后,也能够直接影响机床的主轴振动频率,使得在未来加工时间段机床的主轴振动频率与机床固有频率不重合,这样就能够对机床在未来加工时间段可能出现的共振现象进行限制或消除,以使得机床切削加工中的共振现象明显减小,大大提高工件的表面品质和机床加工精度。
本发明提取历史主轴振动相关数据,汇总机床在各日期、各转速与主轴振动之间的对应关系,分析共振点与非共振点趋势关系,可以使用回归分析算法,分析主轴振幅随着转速变化的趋势曲线如图3所示,并且分析各转速的主轴振动随着时间变化的趋势规律曲线图如图4所示,并且引入机器学习技术,将历史转速、历史主轴振幅和时间作为输入,共振区间(即共振现象出现期间的电机转速)对应的电机转速作为输出来训练生成共振区间预测模型。本发明能够利用模型智能预测机床在任意未来加工时间段的共振区间,将共振区间的转速转化为不利于生产加工的转速,并推荐给机床排程系统进行预警排程风险,生成对应的诊断报告,其中,诊断报告包括如图5所示的结果判断报告以及如图6所示的预测分析报告,本发明的预测目标是输入是未来某天的时间,通过共振区间预测模型预测未来某天的最大共振点的转速也就是预测共振转速(即本发明的目标共振转速),这样就能够基于最大主轴振幅转速根据经验转化出来的区间。以便工作人员根据如图5和图6所示的报告规避共振区间转速的工件排程,以规避机床加工质量风险。
由于机床共振造成的主轴振幅过大会改变刀具和工件的正常运动轨迹,引起二者之间相对位置发生偏移,这样不仅降低了加工表面的质量和尺寸精度,使工件表面粗糙程度增加,甚至出现主轴振动波纹,同时,由于刀具的正常切削条件被打破,也会导致刀具磨损加快,使用寿命减少。其次,由于机床共振造成的主轴振幅过大导致机床各零部件之间发生松动和异常磨损,因此大大减少了机床整体的加工精度、工作效率和使用寿命。最后,机床共振造成的主轴振幅过大还会带来大量不必要的噪声,对生产环境造成噪声污染,影响操作工人的工作专注度,危害他们的身心健康。本发明通过分析历史主轴振动相关数据结合机器学习算法生成的预测未来共振区间的网络模型即共振区间预测模型,以通过共振区间预测模型提前预知未来加工时间段的目标共振转速,并利用预测的结果,可以提前对机床生产计划进行规划,避免安排工件在机床在目标共振转速对应的电机转速状态下进行加工,最终规避质量风险,不仅仅能够提高工件的表面品质和机床加工精度,还能够提升机床整体的使用寿命,降低噪声污染,提高工人的工作体验和身体健康。
本发明的一个实施例,一种防生产共振的系统,包括:
获取模块,用于获取当前机床在历史周期的历史主轴振动相关数据,根据所述历史主轴振动相关数据获取生产同种产品对应的主轴振动样本数据;所述主轴振动样本数据包括历史时刻及其对应的电机转速、主轴振幅;
训练模块,用于根据所述主轴振动样本数据,训练生成对应的共振区间预测模型;
处理模块,用于将未来加工时间段输入至所述共振区间预测模型中,预测获取在所述未来加工时间段引发共振现象的目标共振转速;目标共振转速是指同种工艺生产同种产品的未来加工时间段引发机床主轴出现共振现象的最大共振点对应的电机转速;
生成模块,用于根据所述未来加工时间段及其目标共振转速生成机床控制指令;
通信模块,用于将所述机床控制指令发送至机床,使得所述机床在所述未来加工时间段调整对应电机转速以避免出现共振现象;
其中,所述未来加工时间段为所述当前机床在同种工艺生产同种产品的运作工作状态下的未来时间;
其中,机床控制指令包括未来加工时间段每一时刻对应的电机目标转速,且每一时刻的电机目标转速与目标共振转速不重合。
基于前述实施例,所述获取模块包括:
主轴振动剔除单元,用于对所述历史主轴振动相关数据进行数据预处理;
获取单元,用于根据机床生产日志和数据预处理后的历史主轴振动相关数据,分类得到生产同种产品对应的主轴振动样本数据。
基于前述实施例,所述训练模块包括:
分类单元,用于根据所述主轴振动样本数据分类得到出现共振现象的共振数据集,以及未出现共振现象的非共振数据集;
处理单元,用于将所述共振数据集作为正样本,所述非共振数据集作为负样本形成正负样本集;
训练单元,用于将所述正负样本集划分为训练样本集和测试样本集,将训练样本集中最大主轴振幅对应的转速作为输出,训练样本集中的时间、各转速对应的主轴振幅作为输入,使用线性回归算法反复训练得出候选模型;
调整单元,用于根据所述测试样本集对所述候选模型进行验证和参数优化得到最终的共振区间预测模型。
具体的,本实施例是上述方法实施例对应的装置实施例,具体效果参见上述方法实施例,在此不再一一赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的程序模块完成,即将所述装置的内部结构划分成不同的程序单元或模块,以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中,也可是各个单元单独物理存在,也可以两个或两个以上单元集成在一个处理单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序单元的形式实现。另外,各程序模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
本发明的一个实施例,一种终端设备,包括处理器、存储器,其中,存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的计算机程序,实现上述所对应方法实施例中的防生产共振的方法。
所述终端设备可以为桌上型计算机、笔记本、掌上电脑、平板型计算机、手机、人机交互屏等设备。所述终端设备可包括,但不仅限于处理器、存储器。本领域技术人员可以理解,上述仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如:终端设备还可以包括输入/输出接口、显示设备、网络接入设备、通信总线、通信接口等。通信接口和通信总线,还可以包括输入/输出接口,其中,处理器、存储器、输入/输出接口和通信接口通过通信总线完成相互间的通信。该存储器存储有计算机程序,该处理器用于执行存储器上所存放的计算机程序,实现上述所对应方法实施例中的防生产共振的方法。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor, DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array, FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述终端设备的内部存储单元,例如:终端设备的硬盘或内存。所述存储器也可以是所述终端设备的外部存储设备,例如:所述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述终端设备所需要的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
通信总线是连接所描述的元素的电路并且在这些元素之间实现传输。例如,处理器通过通信总线从其它元素接收到命令,解密接收到的命令,根据解密的命令执行计算或数据处理。存储器可以包括程序模块,例如内核(kernel),中间件(middleware),应用程序编程接口(Application Programming Interface,API)和应用。该程序模块可以是有软件、固件或硬件、或其中的至少两种组成。输入/输出接口转发用户通过输入/输出接口(例如感应器、键盘、触摸屏)输入的命令或数据。通信接口将该终端设备与其它网络设备、用户设备、网络进行连接。例如,通信接口可以通过有线或无线连接到网络以连接到外部其它的网络设备或用户设备。无线通信可以包括以下至少一种:无线保真(WiFi),蓝牙(BT),近距离无线通信技术(NFC),全球卫星定位系统(GPS)和蜂窝通信等等。有线通信可以包括以下至少一种:通用串行总线(USB),高清晰度多媒体接口(HDMI),异步传输标准接口(RS-232)等等。网络可以是电信网络和通信网络。通信网络可以为计算机网络、因特网、物联网、电话网络。终端设备可以通过通信接口连接网络,终端设备和其它网络设备通信所用的协议可以被应用、应用程序编程接口(API)、中间件、内核和通信接口至少一个支持。
本发明的一个实施例,一种存储介质,存储介质中存储有至少一条指令,指令由处理器加载并执行以实现上述防生产共振的方法对应实施例所执行的操作。例如,存储介质可以是只读内存(ROM)、随机存取存储器(RAM)、只读光盘(CD-ROM)、磁带、软盘和光数据存储设备等。
它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述或记载的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其他的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性、机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可能集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序发送指令给相关的硬件完成,所述的计算机程序可存储于一存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述存储介质可以包括:能够携带所述计算机程序的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM, Read-Only Memory)、随机存取存储器(RAM, Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如:在某些司法管辖区,根据立法和专利实践,计算机可读的存储介质不包括电载波信号和电信信号。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种防生产共振的方法,其特征在于,包括步骤:
获取当前机床在历史周期的历史主轴振动相关数据,根据所述历史主轴振动相关数据获取生产同种产品对应的主轴振动样本数据;所述主轴振动样本数据包括历史时刻及其对应的电机转速、主轴振幅;
所述根据所述历史主轴振动相关数据获取生产同种产品对应的主轴振动样本数据包括步骤:
对所述历史主轴振动相关数据进行数据预处理;
根据机床生产日志和数据预处理后的历史主轴振动相关数据,分类得到生产同种产品对应的主轴振动样本数据;
根据所述主轴振动样本数据,训练生成对应的共振区间预测模型;
将未来加工时间段输入至所述共振区间预测模型中,预测获取在所述未来加工时间段引发共振现象的目标共振转速;目标共振转速是指同种工艺生产同种产品的未来加工时间段引发机床主轴出现共振现象的最大共振点对应的电机转速;
根据所述未来加工时间段及其目标共振转速生成机床控制指令,并将所述机床控制指令发送至机床,使得所述机床在所述未来加工时间段调整对应电机转速以避免出现共振现象;
其中,所述未来加工时间段为所述当前机床在同种工艺生产同种产品的运作工作状态下的未来时间;
其中,机床控制指令包括未来加工时间段每一时刻对应的电机目标转速,且每一时刻的电机目标转速与目标共振转速不重合。
2.根据权利要求1所述的防生产共振的方法,其特征在于,所述根据所述主轴振动样本数据,训练生成对应的共振区间预测模型包括步骤:
根据所述主轴振动样本数据分类得到出现共振现象的共振数据集,以及未出现共振现象的非共振数据集;
将所述共振数据集作为正样本,所述非共振数据集作为负样本形成正负样本集;
将所述正负样本集划分为训练样本集和测试样本集,将训练样本集中最大主轴振幅对应的转速作为输出,训练样本集中的时间、各转速对应的主轴振幅作为输入,使用线性回归算法反复训练得出候选模型;
根据所述测试样本集对所述候选模型进行验证和参数优化得到最终的共振区间预测模型。
3.一种防生产共振的系统,其特征在于,包括:
获取模块,用于获取当前机床在历史周期的历史主轴振动相关数据,根据所述历史主轴振动相关数据获取生产同种产品对应的主轴振动样本数据;所述主轴振动样本数据包括历史时刻及其对应的电机转速、主轴振幅;
所述获取模块包括:
主轴振动剔除单元,用于对所述历史主轴振动相关数据进行数据预处理;
获取单元,用于根据机床生产日志和数据预处理后的历史主轴振动相关数据,分类得到生产同种产品对应的主轴振动样本数据;
训练模块,用于根据所述主轴振动样本数据,训练生成对应的共振区间预测模型;
处理模块,用于将未来加工时间段输入至所述共振区间预测模型中,预测获取在所述未来加工时间段引发共振现象的目标共振转速;目标共振转速是指同种工艺生产同种产品的未来加工时间段引发机床主轴出现共振现象的最大共振点对应的电机转速;
生成模块,用于根据所述未来加工时间段及其目标共振转速生成机床控制指令;
通信模块,用于将所述机床控制指令发送至机床,使得所述机床在所述未来加工时间段调整对应电机转速以避免出现共振现象;
其中,所述未来加工时间段为所述当前机床在同种工艺生产同种产品的运作工作状态下的未来时间;
其中,机床控制指令包括未来加工时间段每一时刻对应的电机目标转速,且每一时刻的电机目标转速与目标共振转速不重合。
4.根据权利要求3所述的防生产共振的系统,其特征在于,所述训练模块包括:
分类单元,用于根据所述主轴振动样本数据分类得到出现共振现象的共振数据集,以及未出现共振现象的非共振数据集;
处理单元,用于将所述共振数据集作为正样本,所述非共振数据集作为负样本形成正负样本集;
训练单元,用于将所述正负样本集划分为训练样本集和测试样本集,将训练样本集中最大主轴振幅对应的转速作为输出,训练样本集中的时间、各转速对应的主轴振幅作为输入,使用线性回归算法反复训练得出候选模型;
调整单元,用于根据所述测试样本集对所述候选模型进行验证和参数优化得到最终的共振区间预测模型。
5.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器,用于执行所述存储器上所存放的计算机程序,实现如权利要求1或2所述的防生产共振的方法所执行的操作。
6.一种存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现如权利要求1或2所述的防生产共振的方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068826.6A CN114117689B (zh) | 2022-01-21 | 2022-01-21 | 一种防生产共振的方法、系统、终端设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068826.6A CN114117689B (zh) | 2022-01-21 | 2022-01-21 | 一种防生产共振的方法、系统、终端设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114117689A CN114117689A (zh) | 2022-03-01 |
CN114117689B true CN114117689B (zh) | 2022-04-29 |
Family
ID=80360905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210068826.6A Active CN114117689B (zh) | 2022-01-21 | 2022-01-21 | 一种防生产共振的方法、系统、终端设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117689B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116027736B (zh) * | 2023-02-14 | 2023-09-12 | 广东热浪新材料科技有限公司 | 一种星盆加工设备的控制优化方法及控制系统 |
CN116638643B (zh) * | 2023-06-27 | 2024-02-06 | 沈阳和研科技股份有限公司 | 一种划片机共振的解决方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03251920A (ja) * | 1990-02-28 | 1991-11-11 | Oki Electric Ind Co Ltd | 開発プロジェクト将来状態予測装置 |
CN110334562A (zh) * | 2018-03-30 | 2019-10-15 | 北京金风慧能技术有限公司 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
CN110427695A (zh) * | 2019-07-31 | 2019-11-08 | 珠海格力智能装备有限公司 | 机床震动的检测方法及装置、存储介质、处理器 |
CN110987167A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械设备的故障检测方法、装置、设备及存储介质 |
CN110987166A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械健康状态的预测方法、装置、设备及存储介质 |
CN111401940A (zh) * | 2020-03-05 | 2020-07-10 | 杭州网易再顾科技有限公司 | 特征预测方法、装置、电子设备及存储介质 |
CN113218664A (zh) * | 2021-04-22 | 2021-08-06 | 东风柳州汽车有限公司 | 双质量飞轮共振检测方法、装置、设备及存储介质 |
CN113887845A (zh) * | 2021-12-07 | 2022-01-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 极端事件预测方法、装置、设备、介质和计算机程序产品 |
-
2022
- 2022-01-21 CN CN202210068826.6A patent/CN114117689B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03251920A (ja) * | 1990-02-28 | 1991-11-11 | Oki Electric Ind Co Ltd | 開発プロジェクト将来状態予測装置 |
CN110334562A (zh) * | 2018-03-30 | 2019-10-15 | 北京金风慧能技术有限公司 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
CN110427695A (zh) * | 2019-07-31 | 2019-11-08 | 珠海格力智能装备有限公司 | 机床震动的检测方法及装置、存储介质、处理器 |
CN110987167A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械设备的故障检测方法、装置、设备及存储介质 |
CN110987166A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械健康状态的预测方法、装置、设备及存储介质 |
CN111401940A (zh) * | 2020-03-05 | 2020-07-10 | 杭州网易再顾科技有限公司 | 特征预测方法、装置、电子设备及存储介质 |
CN113218664A (zh) * | 2021-04-22 | 2021-08-06 | 东风柳州汽车有限公司 | 双质量飞轮共振检测方法、装置、设备及存储介质 |
CN113887845A (zh) * | 2021-12-07 | 2022-01-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 极端事件预测方法、装置、设备、介质和计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN114117689A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114117689B (zh) | 一种防生产共振的方法、系统、终端设备和存储介质 | |
CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
CN110419012B (zh) | 诊断设备、诊断系统、诊断方法和程序 | |
Wong et al. | Technical data-driven tool condition monitoring challenges for CNC milling: a review | |
EP3553613B1 (en) | Learning processing and diagnostics method for a plurality of machine tools | |
US11307117B2 (en) | System and method for interpretation and analysis of manufacturing activity | |
CN107003661B (zh) | 对来自至少一台数控机器或工业机器人进程相关的数据进行数据采集和预处理的客户端装置 | |
CA3177392A1 (en) | Industrial digital twin systems and methods with echelons of executive, advisory and operations messaging and visualization | |
EP2836881B1 (en) | Embedded prognostics on plc platforms for equipment condition monitoring, diagnosis and time-to-failure/service prediction | |
CN101436046B (zh) | 一体化多通道同步振动数据采集及监视与分析诊断装置 | |
CN100429595C (zh) | 通过数据通信连接为机器电子地提供服务的方法和系统 | |
US10928783B2 (en) | Analysis device and analysis system for ranking predictor performance for determining acceptability of an object to be produced | |
CN101592712B (zh) | 运行一种装置的方法 | |
CN108710343B (zh) | 状态监控的制造单元智能控制方法、装置、设备及系统 | |
US9189760B2 (en) | System, method and computer readable medium for using performance indicators and predictive analysis for setting manufacturing equipment parameters | |
TW202333011A (zh) | 監測工具機的狀態之方法 | |
US20210072736A1 (en) | Vibration-based manufacturing plant control | |
JP7036261B1 (ja) | 異常検知装置、プログラム、異常検知方法、及び製造方法 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
EP3961321A1 (en) | System and method for instantaneous performance management of a machine tool | |
US11604456B2 (en) | System for monitoring machining processes of a computer numerical control machine | |
Kozochkin et al. | Vibration testing of technological processes in automated machining equipment | |
US20210181732A1 (en) | Control method, control apparatus, and mechanical equipment | |
US20230314282A1 (en) | Apparatus and method for status diagnosis of machine tools | |
CN114757366A (zh) | 一种用于车辆的故障预测方法及系统 |
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 |