CN114925752A - 基于物联网的线切割机床板材切割异常监测方法 - Google Patents
基于物联网的线切割机床板材切割异常监测方法 Download PDFInfo
- Publication number
- CN114925752A CN114925752A CN202210453927.5A CN202210453927A CN114925752A CN 114925752 A CN114925752 A CN 114925752A CN 202210453927 A CN202210453927 A CN 202210453927A CN 114925752 A CN114925752 A CN 114925752A
- Authority
- CN
- China
- Prior art keywords
- cutting machine
- sequence
- time period
- cutting
- machine tool
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及基于物联网的线切割机床板材切割异常监测方法,属于机床加工技术领域。该方法是一种驱动机构所用的控制方法,可以适用于工业自动控制系统装置制造以及机床现场总线控制系统、机床可编程控制系统等其他金属加工机械制造。根据电流序列、温度序列以及振幅序列,得到历史正常运行时间段内各切割机床对应的稳定指标;根据各类别中各切割机床对应的稳定指标、预测电流序列、被切割板材切割处的预测温度序列、被切割板材切割处的预测振幅序列、被切割板材的预测形态向量,判断各切割机床在未来运行时间段内是否出现切割异常现象。本发明能可靠的对切割机床板材切割进行异常监测。
Description
技术领域
本发明涉及机床加工技术领域,具体涉及基于物联网的线切割机床板材切割异常监测方法。
背景技术
目前切割金属器材的方法有很多种,其中线切割是一种比较新型的数控机床加工方式,由于线切割能够切割出不同形状的金属板材,因此线切割主要是加工形状较复杂、难度较高的金属板材;由于线切割机床针对的切割方式较为复杂,很容易使切割机床在加工过程中出现异常,而切割机床异常会导致最后切割的金属板材的形状与预期相差较大,因此对线切割机床在对板材切割过程中的异常监测至关重要。
现有的一般基于人工方式对线切割机床板材切割过程中的异常现象进行监测,而这种异常检测方式主观性较强,一般只能在被切割的板材出现较大问题时,工作人员才能发现线切割机床可能存在异常,而不能基于线切割机床在运行过程中的机器参数或者被切割板材的质量来监测线切割机床在对板材切割过程中的异常现象,因此基于人工对线切割机床板材切割过程中的异常现象进行监测的这种方式可靠性较低。
发明内容
本发明提供基于物联网的线切割机床板材切割异常监测方法,用于解决现有方法不能可靠的对线切割机床板材切割进行异常监测的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了基于物联网的线切割机床板材切割异常监测方法包括以下步骤:
获取历史正常运行时间段内各切割机床对应的电流序列、对应的被切割板材切割处的温度序列、对应的被切割板材切割处的形态向量、对应的被切割板材的振幅序列;
根据所述电流序列、温度序列以及振幅序列,得到历史正常运行时间段内各切割机床对应的稳定指标;
根据所述电流序列、温度序列、振幅序列、形态向量以及稳定指标,得到历史正常运行时间段内任意两个切割机床之间的关联程度;根据所述关联程度,得到各类别对应的各切割机床;
根据所述电流序列、温度序列、振幅序列以及形态向量,得到未来运行时间段内各切割机床对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量;
根据所述稳定指标、预测电流序列、预测温度序列、预测振幅序列以及预测形态向量,判断各切割机床在未来运行时间段内是否出现切割异常现象。
有益效果:本发明将电流序列、温度序列以及振幅序列作为得到历史正常运行时间段内各切割机床对应的稳定指标的依据;将电流序列、温度序列、振幅序列以及形态向量作为得到未来运行时间段内各切割机床对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量的依据;将各类别中各切割机床对应的稳定指标、对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量作为判断各切割机床在未来运行时间段内是否出现切割异常现象的依据。该方法是用于切割机床对板材切割过程中的异常监测,所述机床是基于电力进行驱动,可以适用于工业自动控制系统装置制造以及机床现场总线控制系统、机床可编程控制系统等其他金属加工机械制造。本发明能可靠的对切割机床板材切割进行异常监测。
优选的,根据所述电流序列、温度序列以及振幅序列,得到历史正常运行时间段内各切割机床对应的稳定指标的方法,包括:
利用中值滤波器对所述电流序列、温度序列以及振幅序列进行滤波,得到各切割机床对应的滤波电流序列、对应的被切割板材切割处的滤波温度序列以及对应的被切割板材的滤波振幅序列;
根据所述电流序列与所述滤波电流序列之间的差异、所述温度序列与所述滤波温度序列之间的差异以及所述振幅序列与所述滤波振幅序列之间的差异,得到各切割机床对应的波动电流序列、对应的被切割板材切割处的波动温度序列、对应的被切割板材的波动振幅序列;
根据所述波动电流序列的方差、所述波动温度序列的方差、所述波动振幅序列的方差、所述波动电流序列的长度、所述波动温度序列的长度以及所述波动振幅序列的长度,得到历史正常运行时间段内各切割机床对应的稳定指标。
优选的,根据如下公式计算历史正常运行时间段内各切割机床对应的稳定指标:
其中,Qi为历史正常运行时间段内第i个切割机床对应的稳定指标,I1i为历史正常运行时间段内第i个切割机床对应的波动电流序列的方差,T1i为历史正常运行时间段内第i个切割机床对应的波动温度序列的方差,F1i为历史正常运行时间段内第i个切割机床对应的波动振幅序列的方差,I2i为历史正常运行时间段内第i个切割机床对应的波动电流序列的长度,T2i为历史正常运行时间段内第i个切割机床对应的波动温度序列的长度,F2i为历史正常运行时间段内第i个切割机床对应的波动振幅序列的长度。
优选的,根据所述电流序列、温度序列、振幅序列、形态向量以及稳定指标,得到历史正常运行时间段内任意两个切割机床之间的关联程度的方法,包括:
计算任意两个切割机床对应的电流序列之间的相似程度以及任意两个切割机床对应的被切割板材切割处的温度序列之间的相似程度;
计算任意两个切割机床对应的被切割板材的振幅序列之间的差异程度;
计算任意两个切割机床对应的稳定指标之间差的绝对值;计算任意两个切割机床对应的形态向量之间的余弦相似度;计算任意两个切割机床对应的形态向量模长之间差的绝对值;
根据所述电流序列之间的相似程度、所述温度序列之间的相似程度、所述振幅序列之间的差异程度、所述稳定指标之间差的绝对值、所述形态向量之间的余弦相似度以及所述形态向量模长之间差的绝对值,得到历史正常运行时间段内任意两个切割机床之间的关联程度。
优选的,根据如下公式计算历史正常运行时间段内任意两个切割机床之间的关联程度:
其中,Si,j为历史正常运行时间段内第i个切割机床和第j个切割机床之间的关联程度,PPMCC(Ii,Ij)为历史正常运行时间段内第i个切割机床对应的电流序列与第j个切割机床对应的电流序列之间的相似程度,PPMCC(Ti,Tj)为历史正常运行时间段内第i个切割机床对应的被切割板材切割处的温度序列与第j个切割机床对应的被切割板材切割处的温度序列之间的相似程度,Tj为历史正常运行时间段内第i个切割机床对应的被切割板材切割处的温度序列与第j个切割机床对应的被切割板材切割处的温度序列之间的相似程度,Fi,j为历史正常运行时间段内第i个切割机床对应的被切割板材的振幅序列和第j个切割机床对应的被切割板材的振幅序列之间的差异程度,Qi,j为历史正常运行时间段内第i个切割机床对应的稳定指标与第j切割机床对应的工作性能指标之间差的绝对值,H1i,j为历史正常运行时间段内第i个切割机床对应的形态向量和第j个切割机床对应的形态向量之间的余弦相似度,H2i,j为历史正常运行时间段内第i个切割机床对应的形态向量的模长和第j个切割机床对应的形态向量的模长之间差的绝对值。
优选的,根据所述各类别中各切割机床对应的稳定指标、对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量,判断各切割机床在未来运行时间段内是否出现切割异常现象的方法,包括:
根据所述稳定指标、所述预测电流序列、所述预测温度序列、所述预测振幅序列、所述预测形态向量,得到未来运行时间段内各切割机床对应的目标预测电流序列、对应的被切割板材切割处的目标预测温度序列、对应的被切割板材切割处的目标预测振幅序列以及对应的被切割板材的目标预测形态向量;
根据所述各类别中各切割机床对应的目标预测电流序列,得到未来运行时间段内各类别中各切割机床对应的标准预测电流序列;
根据所述各类别中各切割机床对应的被切割板材切割处的目标预测温度序列,得到未来运行时间段内各类别中各切割机床对应的标准预测温度序列;
根据所述各类别中各切割机床对应的被切割板材的目标预测振幅序列,得到未来运行时间段内各类别中各切割机床对应的被切割板材的标准标预测振幅序列;
根据所述各类别中各切割机床对应的被切割板材切割处的目标预测形态向量,得到未来运行时间段内各类别中各切割机床对应的被切割板材切割处的标准预测形态向量;
获取未来运行时间段内各切割机床对应的真实电流序列、对应的被切割板材切割处的真实温度序列、对应的被切割板材切割处的真实形态向量以及对应的被切割板材的真实振幅序列;
计算所述各切割机床对应的真实电流序列与对应标准预测电流序列之间的差异程度、所述各切割机床对应的被切割板材切割处的真实温度序列与对应标准预测温度序列之间的差异程度、所述各切割机床对应的被切割板材的真实振幅序列与对应标准预测振幅序列之间的差异程度;
计算未来运行时间段内各所述切割机床对应的真实形态向量与对应标准预测形态向量之间的余弦相似度;
根据所述真实电流序列与对应标准预测电流序列之间的差异程度、所述真实温度序列与对应标准预测温度序列之间的差异程度、所述真实振幅序列与对应标准预测振幅序列之间的差异程度以及所述真实形态向量与对应标准预测形态向量之间的余弦相似度,得到未来运行时间段内各切割机床对应的正常运行指标;
判断所述正常运行指标是否小于预设阈值,若是,则判断对应切割机床在未来运行时间段内出现切割异常现象。
优选的,根据如下公式计算未来运行时间段内各切割机床对应的正常运行指标:
其中,Di为未来运行时间段内第i个切割机床对应的正常运行指标,I0为未来运行时间段内第i个切割机床对应的真实电流序列与对应标准预测电流序列之间的差异程度,T0为未来运行时间段内第i个切割机床对应的被切割板材切割处的真实温度序列与对应标准预测温度序列之间的差异程度,F0未来运行时间段内第i个切割机床对应的被切割板材的真实振幅序列与对应标准预测振幅序列之间的差异程度,H0为未来运行时间段内第i个切割机床对应的真实形态向量与对应标准预测形态向量之间的余弦相似度。
附图说明
图1为本发明基于物联网的线切割机床板材切割异常监测方法的流程图。
具体实施方式
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、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了基于物联网的线切割机床板材切割异常监测方法,详细说明如下:
如图1所示,该基于物联网的线切割机床板材切割异常监测方法,包括以下步骤:
步骤S001,获取历史正常运行时间段内各切割机床对应的电流序列、对应的被切割板材切割处的温度序列、对应的被切割板材切割处的形态向量、对应的被切割板材的振幅序列。
本实施例中,通过对历史正常运行时间段内各切割机床对应的电流数据、对应的被切割板材切割处的温度数据、对应的被切割板材切割处的形态数据、对应的被切割板材的振动数据进行分析,得到未来运行时间段内各切割机床对应的预测电流数据、对应的被切割板材切割处的预测温度数据、对应的被切割板材切割处的预测形态数据、对应的被切割板材的预测振动数据;之后根据未来运行时间段内采集的各切割机床对应的真实电流数据、对应的被切割板材切割处的真实温度数据、对应的被切割板材切割处的真实形态数据、对应的被切割板的真实振动数据与未来运行时间段内对应的各预测数据之间的差异可以判断各切割机床在未来运行时间段内是否出现运行异常,因此可以实现基于切割机床在运行过程中的机器参数或者被切割板材的质量来监测切割机床在对板材切割过程中的异常现象。
本实施例中,线切割机床是用线状电极(钼丝或铜丝)靠火花放电对工件进行切割,原理是用移动的细金属导线(钼丝或铜丝)做电极,对工件进行脉冲火花放电切割成形,并且整个机床由机械、电气和工作液系统三大部分组成,若机床中的某处出现问题则会对最终的板材切割效果产生影响;而各切割机床在切割过程中的电流数据、温度数据、形态数据、振幅数据能反映切割机床在对板材切割过程中切割机床是否出现异常现象。因此本实施例采集同厂房内多个切割相同产品的切割机床在正常运行时刻的电流数据、被切割板材切割处的温度数据、被切割板材切割处的翘曲度、被切割板材切割处的平面度、被切割板材的振幅数据;具体过程为:
由于切割机床电气系统输出的加工电流可以反映切割机床在对板材切割过程中是否出现异常,因此获取在历史正常运行时间段内各采集时刻各切割机床在切割过程电气系统输出的加工电流数据,并且只在各切割机床在切割过程中进行数据采集,更换切割板材时暂停采集;因此根据各采集时刻各切割机床在切割过程电气系统输出的加工电流数据,得到历史正常运行时间段内各切割机床对应的电流序列;将电流序列通过物联网传输到控制系统中;并且由于所述采集数据的时间段为各切割机床正常运行的时间段,因此电气系统未发生异常,即电流序列为正常运行时的参数。
由于切割机床金属导线在切割过程中的温度值,可以反映切割机床在对板材切割过程中是否出现异常,因此利用红外温度传感器采集在历史正常运行时间段内各采集时刻各切割机床在切割过程中各被切割板材切割处的温度数据,所述红外温度传感器布置在各切割机床的机械结构上方,红外温度传感器布置位置不影响正常的切割过程,并且红外温度传感器采集的是被切割板材已经切割完成但是还处于对应切割机床固定金属板材位置;根据各采集时刻各切割机床在切割过程中各被切割板材切割处的温度数据,得到历史正常运行时间段内各切割机床对应的被切割板材切割处的温度序列;所述切割机床使用的线状电极(钼丝或铜丝)温度冷却较快,即在更换相邻切割板材之间的时间间隔线状电极(钼丝或铜丝)的温度会冷却;将得到的温度序列通过物联网传输到控制系统中;并且历史正常运行时间段内金属导线与导轮等机械结构未出现松动以及电气系统未出现异常,即温度序列为正常运行时的参数。
由于切割过程不可避免的造成切割处周围较粗糙并且有些翘曲,在进行切割前,工作人员会基于切割的板材材料属性选择合适的加工电流及导线以及导线张力,可以使加工效果达到最佳状态,而若切割过程中的某一环节出现了问题,则会造成所切割完成的板材的切割表面的平面度和翘曲度出现异常,因此本实施例利用平面度测量仪对各切割机床在历史正常运行时间段内所切割完成的各板材的翘曲度和平面度进行检测,并且一块切割完成的板材对应一个翘曲度值和一个平面度值,所述翘曲度可以反映被切割完成的板材是否过热变形,所述平面度可以反映被切割完成的板材所切割的毛边的大小等;根据各切割机床在历史正常运行时间段内所切割完成的各板材的翘曲度和平面度,得到历史正常运行时间段内各切割机床对应的被切割板材切割处的翘曲度序列和平面度序列;根据所述翘曲度序列Mi和平面度序列Ni,构建得到历史正常运行时间段内各切割机床对应的形态向量Hi={Mi,Ni};将得到的形态向量通过物联网传输到控制系统中;并且由于所述采集数据时间段为各切割机床的正常运行时间段,因此得到的所述翘曲度序列和平面度序列为正常数据。
由于在线切割过程中被切割板材会产生一定的震动,所述被切割板材对应的震动是由于线切割过程产生的,因此被切割板材对应的震动数据也可以反映切割机床在对板材切割过程中是否出现异常,因此本实施例在固定金属板材的各切割机床处安装一个振幅测量仪,用来测量在切割过程中被切割板材的振幅,所述振幅测量仪的安装位置接近金属板材且不影响切割过程;根据历史正常运行时间段内各切割机床对应的各被切割板材的振幅数据,得到历史正常运行时间段内各切割机床对应的被切割板材的振幅序列;并且只在各切割机床在切割过程中进行数据采集,更换切割板材时暂停采集;将得到的振幅序列通过物联网传输到控制系统中;并且由于所述采集数据时间段为各切割机床的正常运行时间段,因此得到的所述振幅序列为正常数据。
本实施例中,设置电流序列相邻参数之间的采集时间间隔为0.05秒,设置振幅序列中相邻参数之间的采集时间间隔为0.02秒,设置历史正常运行时间段内各切割机床所切割的板材的时间相同,即历史正常运行时间段内各切割机床所切割的板材的数量相同,设置历史正常运行时间段的时长为一个星期;作为其它的实施方式,可以根据需求的不同设置其它的采集时间间隔和历史正常运行时间段。
步骤S002,根据所述电流序列、温度序列以及振幅序列,得到历史正常运行时间段内各切割机床对应的稳定指标。
本实施例中,虽然该工厂内各切割机床的规格相同,所切割的板材的类型和材质等也相同,但是还是会由于一些无法预测的外界因素使得各切割机床在历史正常运行时间段内工作稳定性会出现差异,因此本实施例对历史正常运行时间段内各切割机床对应的电流序列、对应的被切割板材切割处的温度序列以及对应的被切割板材的振幅序列中的不稳定数据进行分析,得到历史正常运行时间段内各切割机床对应的稳定指标;所述各切割机床对应的稳定指标可以作为后续得到未来运行时间段各切割机床对应的预测数据的依据。
本实施例中,使用中值滤波器对各切割机床对应的电流序列、对应的被切割板材切割处的温度序列以及对应的被切割板材的振幅序列进行滤波,即用中值窗口分别沿着电流、温度、震动幅度的序列进行滤波,得到各切割机床对应的滤波电流序列、对应的被切割板材切割处的滤波温度序列以及对应的被切割板材的滤波振幅序列;将各切割机床对应的电流序列、对应的被切割板材切割处的温度序列以及对应的被切割板材的振幅序列中与对应的滤波电流序列、滤波温度序列以及滤波振幅序列中相同的参数值剔除,即得到中值滤波器所滤除的电流序列、温度序列以及振幅序列中的数据;将所述剔除后剩余的所述电流序列中的数据、所述温度序列中的数据以及所述振幅序列中的数据分别记为各切割机床对应的波动电流序列、对应的被切割板材切割处的波动温度序列、对应的被切割板材的波动振幅序列。
根据所述波动电流序列的方差、所述波动温度序列的方差、所述波动振幅序列的方差、所述波动电流序列的长度、所述波动温度序列的长度以及所述波动振幅序列的长度,得到历史正常运行时间段内各切割机床对应的稳定指标;根据如下公式计算历史正常运行时间段内各切割机床对应的稳定指标:
其中,Qi为历史正常运行时间段内第i个切割机床对应的稳定指标,I1i为历史正常运行时间段内第i个切割机床对应的波动电流序列的方差,T1i为历史正常运行时间段内第i个切割机床对应的波动温度序列的方差,F1i为历史正常运行时间段内第i个切割机床对应的波动振幅序列的方差,I2i为历史正常运行时间段内第i个切割机床对应的波动电流序列的长度,T2i为历史正常运行时间段内第i个切割机床对应的波动温度序列的长度,F2i为历史正常运行时间段内第i个切割机床对应的波动振幅序列的长度。Qi越小,越接近于0,表明第i个切割机床工作越不稳定,即加工出的产品粗糙度较高;反之,越接近1,表明第i个切割机床工作越稳定,产品粗糙度较低;越趋于0,表明第i个切割机床越不稳定;越趋于0,表明第i个切割机床越不稳定,即数据序列越长对应的较波动的数据越少。将历史正常运行时间段内各切割机床对应的稳定指标通过物联网传输到控制系统中。
步骤S003,根据所述电流序列、温度序列、振幅序列、形态向量以及稳定指标,得到历史正常运行时间段内任意两个切割机床之间的关联程度;根据所述关联程度,得到各类别对应的各切割机床。
本实施例中,由于每台切割机床的工作性能有差异,很难对该厂房内所有切割机床进行整体判断调整,因此需要对电流序列、温度序列、振幅序列、形态向量以及稳定指标进行分析,得到历史正常运行时间段内任意两个切割机床之间的关联性;并根据关联程度,得到各类别对应的各切割机床;后续基于各类别对应的各切割机床进行分析。
(a)根据电流序列、温度序列、振幅序列、向量序列以及稳定指标,得到历史正常运行时间段内任意两个切割机床之间的关联程度的具体过程为:
本实施例中,由于皮尔森相关系数(PPMCC)可以用来反应两个序列的相似程度;因此利用PPMCC得到任意两个切割机床对应的电流序列之间的相似程度以及任意两个切割机床对应的被切割板材切割处的温度序列之间的相似程度;利用DTW算法计算任意两个切割机床对应的被切割板材的振幅序列之间的差异程度;计算任意两个切割机床对应的稳定指标之间差的绝对值;计算任意两个切割机床对应的形态向量之间的余弦相似度;计算任意两个切割机床对应的形态向量模长之间差的绝对值;根据所述电流序列之间的相似程度、所述温度序列之间的相似程度、所述振幅序列之间的差异程度、所述稳定指标之间差的绝对值、所述形态向量之间的余弦相似度以及所述形态向量模长之间差的绝对值,得到历史正常运行时间段内任意两个切割机床之间的关联程度;根据如下公式计算历史正常运行时间段内任意两个切割机床之间的关联程度:
其中,Si,j为历史正常运行时间段内第i个切割机床和第j个切割机床之间的关联程度,PPMCC(Ii,Ij)为历史正常运行时间段内第i个切割机床对应的电流序列与第j个切割机床对应的电流序列之间的相似程度,PPMCC(Ti,Tj)为历史正常运行时间段内第i个切割机床对应的被切割板材切割处的温度序列与第j个切割机床对应的被切割板材切割处的温度序列之间的相似程度,Tj为历史正常运行时间段内第i个切割机床对应的被切割板材切割处的温度序列与第j个切割机床对应的被切割板材切割处的温度序列之间的相似程度,Fi,j为历史正常运行时间段内第i个切割机床对应的被切割板材的振幅序列和第j个切割机床对应的被切割板材的振幅序列之间的差异程度,Qi,j为历史正常运行时间段内第i个切割机床对应的稳定指标与第j切割机床对应的工作性能指标之间差的绝对值,H1i,j为历史正常运行时间段内第i个切割机床对应的形态向量和第j个切割机床对应的形态向量之间的余弦相似度,H2i,j为历史正常运行时间段内第i个切割机床对应的形态向量的模长和第j个切割机床对应的形态向量的模长之间差的绝对值。
其中Si,j的值域为[0,1],越接近1,表明第i个切割机床和第j个切割机床之间的工作性能越相似,后续可以将第i个切割机床和第j个切割机床归为一类进行分析;[1+PPMCC(Ii,Ij)][1+PPMCC(Ti,Tj)]越大,表明Si,j越大;Fi,j越小,Si,j越大;Qi,j越小,Si,j越大;H2i,j越小,Si,j越大;H1i,j越大,Si,j越大。
(b)根据关联程度,得到各类别对应的各切割机床的具体过程为:
将上述得到的任意两个切割机床之间的关联程度加上1的倒数转变为配对算法中的样本距离,即将得到的任意两个切割机床之间的关联程度加上1的倒数投入到K-M算法中,将匹配成一对的两个切割机床记为一个类别,因此可以得到各类别对应的各切割机床;所述同类别中的切割机床对应的各项指标较接近,因此后续可以基于各类别对应的各切割机床进行分析。
步骤S004,根据所述电流序列、温度序列、振幅序列以及形态向量,得到未来运行时间段内各切割机床对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量。
本实施例中,由于上述获取的电流序列、温度序列、振幅序列、形态向量都是在切割机床正常运行状态下获取的,并且各类别中的各切割机床在运行过程中的各项指标很接近,因此可以基于正常运行状态下的各类别中的各切割机床的历史数据来预测未来运行时间段的数据;并且预测得到的未来运行时间段的数据为正常数据;后续可以基于预测得到的未来运行时间段的数据与未来运行时间段采集得到的真实数据之间的差异判断各切割机床在未来运行时间段内是否出现切割异常现象,实现对切割机床在对板材切割过程中的异常监测。
本实施例中,将历史正常运行时间段内各切割机床对应的电流序列、对应的被切割板材切割处的温度序列、对应的被切割板材切割处的形态向量、对应的被切割板材的振幅序列分别输入到训练好的递归神经网络(LSTM)中,得到未来运行时间段内各切割机床对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量;所述递归神经网络训练过程中的损失函数为均方差损失,所述递归神经网络训练过程是将各序列或者各向量中的前半部分作为样本数据输入到网络,将各序列或者各向量中的后半部分作为标签输入网络,使得LSTM神经网络能够学习到当前模式下的下一时刻的预测值,并且所述递归神经网络训练过程和网络结构为现有技术,因此本实施例不作具体描述。
步骤S005,根据所述各类别中各切割机床对应的稳定指标、对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量,判断各切割机床在未来运行时间段内是否出现切割异常现象。
由于各类别中的各切割机床对应的稳定指标能反映对应机床的稳定状态,因此各切割机床对应的稳定指标能反映对应切割机床对应的预测数据的可靠程度;本实施例将各类别中的各切割机床对应的稳定指标进行归一化,并使归一化后各类别中的各切割机床对应的稳定指标之和为1,得到各类别中的各切割机床对应的目标稳定指标;将未来运行时间段内各切割机床对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量分别与对应的目标稳定指标相乘,得到未来运行时间段内各切割机床对应的目标预测电流序列、对应的被切割板材切割处的目标预测温度序列、对应的被切割板材切割处的目标预测振幅序列以及对应的被切割板材的目标预测形态向量。
之后将各类别中各切割机床对应的目标预测电流序列的和记为未来运行时间段内各类别中各切割机床对应的标准预测电流序列;将各类别中各切割机床对应的被切割板材切割处的目标预测温度序列的和记为未来运行时间段内各类别中各切割机床对应的标准预测温度序列;将各类别中各切割机床对应的被切割板材的目标预测振幅序列的和记为未来运行时间段内各类别中各切割机床对应的被切割板材的标准标预测振幅序列;将各类别中各切割机床对应的被切割板材切割处的目标预测形态向量的和记为未来运行时间段内各类别中各切割机床对应的被切割板材切割处的标准预测形态向量;并实时采集得到未来运行时间段内各切割机床对应的真实电流序列、对应的被切割板材切割处的真实温度序列、对应的被切割板材切割处的真实形态向量以及对应的被切割板材的真实振幅序列;所述真实电流序列、真实温度序列、真实形态向量以及真实振幅序列的获取方式与上述电流序列、温度序列、振幅序列以及形态向量的获取方式相同。
利用DTW算法计算未来运行时间段内各切割机床对应的真实电流序列与对应标准预测电流序列之间的差异程度、计算未来运行时间段内各切割机床对应的被切割板材切割处的真实温度序列与对应标准预测温度序列之间的差异程度、计算未来运行时间段内任各切割机床对应的被切割板材的真实振幅序列与对应标准预测振幅序列之间的差异程度;计算未来运行时间段内各切割机床对应的真实形态向量与对应标准预测形态向量之间的余弦相似度。
根据所述真实电流序列与对应标准预测电流序列之间的差异程度、所述真实温度序列与对应标准预测温度序列之间的差异程度、所述真实振幅序列与对应标准预测振幅序列之间的差异程度以及所述真实形态向量与对应标准预测形态向量之间的余弦相似度,得到未来运行时间段内各切割机床对应的正常运行指标;根据如下公式计算未来运行时间段内各切割机床对应的正常运行指标:
其中,Di为未来运行时间段内第i个切割机床对应的正常运行指标,I0为未来运行时间段内第i个切割机床对应的真实电流序列与对应标准预测电流序列之间的差异程度,T0为未来运行时间段内第i个切割机床对应的被切割板材切割处的真实温度序列与对应标准预测温度序列之间的差异程度,F0未来运行时间段内第i个切割机床对应的被切割板材的真实振幅序列与对应标准预测振幅序列之间的差异程度,H0为未来运行时间段内第i个切割机床对应的真实形态向量与对应标准预测形态向量之间的余弦相似度。Di越小,表明未来运行时间段内第i个切割机床对应的异常程度越大,即未来运行时间段内第i个切割机床对应的各项数据与标准预测数据之间的差异越大,即未来运行时间段内第i个切割机床在对板材进行切割过程中出现切割异常现象的概率越大。
本实施例中,判断未来运行时间段内各切割机床对应的正常运行指标是否小于预设阈值,若是,则暂停对应的切割机床的切割过程,进行检修,可以降低损失;所述预设阈值需要根据实际情况进行设置。
有益效果:本实施例将电流序列、温度序列以及振幅序列作为得到历史正常运行时间段内各切割机床对应的稳定指标的依据;将电流序列、温度序列、振幅序列以及形态向量作为得到未来运行时间段内各切割机床对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量的依据;将各类别中各切割机床对应的稳定指标、对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量作为判断各切割机床在未来运行时间段内是否出现切割异常现象的依据。该方法是用于切割机床对板材切割过程中的异常监测,所述机床是基于电力进行驱动,可以适用于工业自动控制系统装置制造以及机床现场总线控制系统、机床可编程控制系统等其他金属加工机械制造。本实施例能可靠的对切割机床板材切割进行异常监测。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.基于物联网的线切割机床板材切割异常监测方法,其特征在于,该方法包括如下步骤:
获取历史正常运行时间段内各切割机床对应的电流序列、对应的被切割板材切割处的温度序列、对应的被切割板材切割处的形态向量、对应的被切割板材的振幅序列;
根据所述电流序列、温度序列以及振幅序列,得到历史正常运行时间段内各切割机床对应的稳定指标;
根据所述电流序列、温度序列、振幅序列、形态向量以及稳定指标,得到历史正常运行时间段内任意两个切割机床之间的关联程度;根据所述关联程度,得到各类别对应的各切割机床;
根据所述电流序列、温度序列、振幅序列以及形态向量,得到未来运行时间段内各切割机床对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量;
根据所述各类别中各切割机床对应的稳定指标、对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量,判断各切割机床在未来运行时间段内是否出现切割异常现象。
2.如权利要求1所述的基于物联网的线切割机床板材切割异常监测方法,其特征在于,所述根据所述电流序列、温度序列以及振幅序列,得到历史正常运行时间段内各切割机床对应的稳定指标的方法,包括:
利用中值滤波器对所述电流序列、温度序列以及振幅序列进行滤波,得到各切割机床对应的滤波电流序列、对应的被切割板材切割处的滤波温度序列以及对应的被切割板材的滤波振幅序列;
根据所述电流序列与所述滤波电流序列之间的差异、所述温度序列与所述滤波温度序列之间的差异以及所述振幅序列与所述滤波振幅序列之间的差异,得到各切割机床对应的波动电流序列、对应的被切割板材切割处的波动温度序列、对应的被切割板材的波动振幅序列;
根据所述波动电流序列的方差、所述波动温度序列的方差、所述波动振幅序列的方差、所述波动电流序列的长度、所述波动温度序列的长度以及所述波动振幅序列的长度,得到历史正常运行时间段内各切割机床对应的稳定指标。
3.如权利要求2所述的基于物联网的线切割机床板材切割异常监测方法,其特征在于,根据如下公式计算历史正常运行时间段内各切割机床对应的稳定指标:
其中,Qi为历史正常运行时间段内第i个切割机床对应的稳定指标,I1i为历史正常运行时间段内第i个切割机床对应的波动电流序列的方差,T1i为历史正常运行时间段内第i个切割机床对应的波动温度序列的方差,F1i为历史正常运行时间段内第i个切割机床对应的波动振幅序列的方差,I2i为历史正常运行时间段内第i个切割机床对应的波动电流序列的长度,T2i为历史正常运行时间段内第i个切割机床对应的波动温度序列的长度,F2i为历史正常运行时间段内第i个切割机床对应的波动振幅序列的长度。
4.如权利要求1所述的基于物联网的线切割机床板材切割异常监测方法,其特征在于,所述根据所述电流序列、温度序列、振幅序列、形态向量以及稳定指标,得到历史正常运行时间段内任意两个切割机床之间的关联程度的方法,包括:
计算任意两个切割机床对应的电流序列之间的相似程度以及任意两个切割机床对应的被切割板材切割处的温度序列之间的相似程度;
计算任意两个切割机床对应的被切割板材的振幅序列之间的差异程度;
计算任意两个切割机床对应的稳定指标之间差的绝对值;计算任意两个切割机床对应的形态向量之间的余弦相似度;计算任意两个切割机床对应的形态向量模长之间差的绝对值;
根据所述电流序列之间的相似程度、所述温度序列之间的相似程度、所述振幅序列之间的差异程度、所述稳定指标之间差的绝对值、所述形态向量之间的余弦相似度以及所述形态向量模长之间差的绝对值,得到历史正常运行时间段内任意两个切割机床之间的关联程度。
5.如权利要求4所述的基于物联网的线切割机床板材切割异常监测方法,其特征在于,根据如下公式计算历史正常运行时间段内任意两个切割机床之间的关联程度:
其中,Si,j为历史正常运行时间段内第i个切割机床和第j个切割机床之间的关联程度,PPMCC(Ii,Ij)为历史正常运行时间段内第i个切割机床对应的电流序列与第j个切割机床对应的电流序列之间的相似程度,PPMCC(Ti,Tj)为历史正常运行时间段内第i个切割机床对应的被切割板材切割处的温度序列与第j个切割机床对应的被切割板材切割处的温度序列之间的相似程度,Tj为历史正常运行时间段内第i个切割机床对应的被切割板材切割处的温度序列与第j个切割机床对应的被切割板材切割处的温度序列之间的相似程度,Fi,j为历史正常运行时间段内第i个切割机床对应的被切割板材的振幅序列和第j个切割机床对应的被切割板材的振幅序列之间的差异程度,Qi,j为历史正常运行时间段内第i个切割机床对应的稳定指标与第j切割机床对应的工作性能指标之间差的绝对值,H1i,j为历史正常运行时间段内第i个切割机床对应的形态向量和第j个切割机床对应的形态向量之间的余弦相似度,H2i,j为历史正常运行时间段内第i个切割机床对应的形态向量的模长和第j个切割机床对应的形态向量的模长之间差的绝对值。
6.如权利要求1所述的基于物联网的线切割机床板材切割异常监测方法,其特征在于,所述根根据所述各类别中各切割机床对应的稳定指标、对应的预测电流序列、对应的被切割板材切割处的预测温度序列、对应的被切割板材切割处的预测振幅序列、对应的被切割板材的预测形态向量,判断各切割机床在未来运行时间段内是否出现切割异常现象的方法,包括:
根据所述稳定指标、所述预测电流序列、所述预测温度序列、所述预测振幅序列、所述预测形态向量,得到未来运行时间段内各切割机床对应的目标预测电流序列、对应的被切割板材切割处的目标预测温度序列、对应的被切割板材切割处的目标预测振幅序列以及对应的被切割板材的目标预测形态向量;
根据所述各类别中各切割机床对应的目标预测电流序列,得到未来运行时间段内各类别中各切割机床对应的标准预测电流序列;
根据所述各类别中各切割机床对应的被切割板材切割处的目标预测温度序列,得到未来运行时间段内各类别中各切割机床对应的标准预测温度序列;
根据所述各类别中各切割机床对应的被切割板材的目标预测振幅序列,得到未来运行时间段内各类别中各切割机床对应的被切割板材的标准标预测振幅序列;
根据所述各类别中各切割机床对应的被切割板材切割处的目标预测形态向量,得到未来运行时间段内各类别中各切割机床对应的被切割板材切割处的标准预测形态向量;
获取未来运行时间段内各切割机床对应的真实电流序列、对应的被切割板材切割处的真实温度序列、对应的被切割板材切割处的真实形态向量以及对应的被切割板材的真实振幅序列;
所述各切割机床对应的真实电流序列与对应标准预测电流序列之间的差异程度、所述各切割机床对应的被切割板材切割处的真实温度序列与对应标准预测温度序列之间的差异程度、所述各切割机床对应的被切割板材的真实振幅序列与对应标准预测振幅序列之间的差异程度;
计算未来运行时间段内各所述切割机床对应的真实形态向量与对应标准预测形态向量之间的余弦相似度;
根据所述真实电流序列与对应标准预测电流序列之间的差异程度、所述真实温度序列与对应标准预测温度序列之间的差异程度、所述真实振幅序列与对应标准预测振幅序列之间的差异程度以及所述真实形态向量与对应标准预测形态向量之间的余弦相似度,得到未来运行时间段内各切割机床对应的正常运行指标;
判断所述正常运行指标是否小于预设阈值,若是,则判断对应切割机床在未来运行时间段内出现切割异常现象。
7.如权利要求6所述的基于物联网的线切割机床板材切割异常监测方法,其特征在于,根据如下公式计算未来运行时间段内各切割机床对应的正常运行指标:
其中,Di为未来运行时间段内第i个切割机床对应的正常运行指标,I0为未来运行时间段内第i个切割机床对应的真实电流序列与对应标准预测电流序列之间的差异程度,T0为未来运行时间段内第i个切割机床对应的被切割板材切割处的真实温度序列与对应标准预测温度序列之间的差异程度,F0未来运行时间段内第i个切割机床对应的被切割板材的真实振幅序列与对应标准预测振幅序列之间的差异程度,H0为未来运行时间段内第i个切割机床对应的真实形态向量与对应标准预测形态向量之间的余弦相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210453927.5A CN114925752A (zh) | 2022-04-24 | 2022-04-24 | 基于物联网的线切割机床板材切割异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210453927.5A CN114925752A (zh) | 2022-04-24 | 2022-04-24 | 基于物联网的线切割机床板材切割异常监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114925752A true CN114925752A (zh) | 2022-08-19 |
Family
ID=82805831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210453927.5A Pending CN114925752A (zh) | 2022-04-24 | 2022-04-24 | 基于物联网的线切割机床板材切割异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925752A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115302728A (zh) * | 2022-10-12 | 2022-11-08 | 江苏瑞坤医疗器械有限公司 | 一种注塑机的加热系统的异常监测方法 |
CN117193164A (zh) * | 2023-11-08 | 2023-12-08 | 东莞市博思特数控机械有限公司 | 一种数控机床的故障监测方法及系统 |
-
2022
- 2022-04-24 CN CN202210453927.5A patent/CN114925752A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115302728A (zh) * | 2022-10-12 | 2022-11-08 | 江苏瑞坤医疗器械有限公司 | 一种注塑机的加热系统的异常监测方法 |
CN115302728B (zh) * | 2022-10-12 | 2022-12-30 | 江苏瑞坤医疗器械有限公司 | 一种注塑机的加热系统的异常监测方法 |
CN117193164A (zh) * | 2023-11-08 | 2023-12-08 | 东莞市博思特数控机械有限公司 | 一种数控机床的故障监测方法及系统 |
CN117193164B (zh) * | 2023-11-08 | 2024-01-30 | 东莞市博思特数控机械有限公司 | 一种数控机床的故障监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114925752A (zh) | 基于物联网的线切割机床板材切割异常监测方法 | |
CN110561193B (zh) | 一种基于特征融合的刀具磨损评估及监控的方法与系统 | |
CN108763729B (zh) | 基于网络结构熵的流程工业机电系统耦合状态评估方法 | |
US20190160619A1 (en) | Tool State Detection Method of Machine Tool and System Thereof | |
CN106649755B (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
CN109784668B (zh) | 一种用于电力监控系统异常行为检测的样本特征降维处理方法 | |
CN112571149A (zh) | 一种大型数控机床的冷却散热监测及报警系统 | |
CN111113150A (zh) | 一种机床刀具状态的监控方法 | |
CN110421408A (zh) | 一种刀具磨损状态的监测方法 | |
CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
CN114273977A (zh) | 一种基于mes的刀具磨损检测方法及其系统 | |
CN116244765A (zh) | 一种基于工业互联网的设备维护管理方法 | |
CN115781697A (zh) | 工业机器人控制系统 | |
CN114161227A (zh) | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 | |
CN114749996A (zh) | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 | |
CN112783138B (zh) | 生产线设备加工稳定性智能监控和异常诊断方法及装置 | |
CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 | |
CN111618655B (zh) | 一种数控机床滚珠丝杆健康程度量化评价方法 | |
CN113049030A (zh) | 一种应用于液压制造的生产数据监测系统 | |
CN116861797A (zh) | 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 | |
Giannoulidis et al. | Investigating thresholding techniques in a real predictive maintenance scenario | |
Sathish et al. | Event based robot prognostics using principal component analysis | |
CN116341993B (zh) | 一种用于聚苯乙烯生产过程中状态监测方法及系统 | |
US11402810B2 (en) | Learning device and cutting process evaluation system | |
CN111623105B (zh) | 一种工业机器人rv减速器健康程度量化评价方法 |
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 |