CN115034094A - 一种金属加工机床运行状态预测方法及系统 - Google Patents

一种金属加工机床运行状态预测方法及系统 Download PDF

Info

Publication number
CN115034094A
CN115034094A CN202210953555.2A CN202210953555A CN115034094A CN 115034094 A CN115034094 A CN 115034094A CN 202210953555 A CN202210953555 A CN 202210953555A CN 115034094 A CN115034094 A CN 115034094A
Authority
CN
China
Prior art keywords
parameter
characteristic value
prediction
parameters
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.)
Granted
Application number
CN202210953555.2A
Other languages
English (en)
Other versions
CN115034094B (zh
Inventor
曾章荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Hengqiang Mill Roll Co ltd
Original Assignee
Nantong Hengqiang Mill Roll Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Hengqiang Mill Roll Co ltd filed Critical Nantong Hengqiang Mill Roll Co ltd
Priority to CN202210953555.2A priority Critical patent/CN115034094B/zh
Publication of CN115034094A publication Critical patent/CN115034094A/zh
Application granted granted Critical
Publication of CN115034094B publication Critical patent/CN115034094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

本发明涉及机床运行状态预测领域，具体涉及一种金属加工机床运行状态预测方法及系统。包括：采集机床多个时刻的历史运行检测参数；建立预测模型获取每个检测参数未来时刻的预测值，对每个检测参数未来时刻的预测值进行相空间重构，得到多个重构向量；根据每个检测参数不同重构向量类别的占比计算该参数的预测特征值；获取历史时刻数据中同时出现异常的两两参数建立参数关联模型，获取该两两参数的关联性指标；对每个参数的预测特征值进行优化，得到每个参数的优化特征值；根据每个参数的优化特征值对机床运行状态进行预测。本发明通过对金属加工机床运行的未来数据进行预测，并获取对应的预测特征值，可以实现对机床运行状态的准确预测评估。

Description

一种金属加工机床运行状态预测方法及系统
技术领域
本发明涉及机床运行状态预测领域，具体涉及一种金属加工机床运行状态预测方法及系统。
背景技术
金属加工数控机床属于工业机械加工过程中最常见的机械设备，其可提供高精度、高水平的机械加工服务。在全球工业互联网浪潮日益高涨的背景下，数控机床在柔性加工等生产中应用越来越广泛，然而，数控机床在工作过程中缺乏实时监测，难以掌控工作状态和使用寿命情况，数控机床运行工况复杂，难以评估其健康状况。
传统的数控机床，在对工作状态进行监控时，一般采用人工进行监视，或者单纯的记录数控机床是否开机，在工件实际生产时，由于人工并不能实时监测机床的工作状态。现有的数控机床监测方法大都需要加装外部传感器，不仅影响数控机床的内部控制而且还会造成大量的成本浪费，另一方面，从传感器提取数据的过程中，传统的波形信号特征提取方法需要对传感信号进行高频采样，对采集终端信号处理和传输技术/设备要求高，无形中又增加了监控成本。
针对上述问题，本发明提出一种金属加工机床运行状态预测方法及系统，通过对未来时刻的金属加工机床运行数据进行预测，从而对机床的运行状况进行预测评估。
发明内容
本发明提供一种金属加工机床运行状态预测方法及系统，以解决现有的问题，包括：采集机床多个时刻的历史运行检测参数；建立预测模型获取每个检测参数未来时刻的预测值，对每个检测参数未来时刻的预测值进行相空间重构，得到多个重构向量；根据每个检测参数不同重构向量类别的占比计算该参数的预测特征值；获取历史时刻数据中同时出现异常的两两参数建立参数关联模型，获取该两两参数的关联性指标；对每个参数的预测特征值进行优化，得到每个参数的优化特征值；根据每个参数的优化特征值对机床运行状态进行预测。
根据本发明提出的技术手段，通过对金属加工机床运行的未来数据进行预测，并获取对应的运行状态预测特征值，同时考虑到参数间的关联性对预测特征值进行优化，进而根据优化后的预测特征值实现对机床运行状态进行准确预测评估，具有准确性好，效率高的优点。
本发明采用如下技术方案，一种金属加工机床运行状态预测方法，包括：
采集机床当前时间段和当前时间段的上一时间段形成的正常运行历史时间段内的多个检测参数，得到每个参数在该历史正常运行时间段内每一时刻的运行数据。
利用每个参数在历史正常运行时间段内每一时刻的运行数据建立预测模型，利用所述预测模型获取每个参数未来多个时刻的预测值，对每个参数未来时刻的预测值进行相空间重构，得到每个参数的多个重构向量。
统计每个检测参数重构向量的类别数，根据每个检测参数不同重构向量类别的占比计算该检测参数的预测特征值
建立参数关联模型，将每一个参数作为一个目标参数，采集目标参数在发生异常时的异常历史数据，根据该异常历史数据获得目标参数在发生异常时对应的间隔时间；确定出该间隔时间内发生异常的其它参数，利用建立的关联模型及目标参数发生异常时对应的间隔时间内其它参数发生异常的数据个数获取目标参数与其它参数两两之间的关联性指标。
根据目标参数与其它参数两两之间的关联性指标对该目标参数所对应参数的预测特征值进行优化，得到每个参数的优化特征值。
根据每个参数的优化特征值对机床运行状态进行预测。
进一步的，一种金属加工机床运行状态预测方法，所述预测模型的表达式为：
Figure 136634DEST_PATH_IMAGE001
其中，
Figure 628927DEST_PATH_IMAGE002
表示第i个参数，N表示最大历史采集时刻，
Figure 650585DEST_PATH_IMAGE003
表示第N个历史采集时刻以后的第a个未来时刻的采集值，
Figure 468499DEST_PATH_IMAGE004
表示第i个参数在第k个历史采集时刻的影响因子，
Figure 985062DEST_PATH_IMAGE005
表示第i个数据在第k个历史采集时刻的数据,Q为最大未来预测时刻。
进一步的，一种金属加工机床运行状态预测方法，获取多个重构向量的方法为：
将得到的每个检测参数所有未来时刻的预测值作为一个向量，利用设定的嵌入维数以及延迟因子对该向量进行相空间重构，得到多个重构向量。
进一步的，一种金属加工机床运行状态预测方法，计算每个参数的预测特征值的方法为：
获取每个参数的所有重构向量的类别数，根据每个类别中重构向量的个数占比计算该参数的预测特征值，表达式为：
Figure 936838DEST_PATH_IMAGE006
其中，
Figure 737304DEST_PATH_IMAGE007
表示第i个参数的预测特征值，
Figure 132644DEST_PATH_IMAGE008
表示第c种重构向量的占比，C为所有重构向量的类别数。
进一步的，一种金属加工机床运行状态预测方法，获取目标参数与其它参数两两之间的关联性指标的方法为：
重新采集机床异常运行历史时间段中参数的历史数据，获得目标参数在发生异常时对应的间隔时间；确定出该间隔时间内发生异常的其它参数，利用建立的关联模型及目标参数发生异常时对应的间隔时间内其它参数发生异常的数据个数获取目标参数与其它参数两两之间的关联性指标，所述参数关联模型的表达式为：
Figure 589033DEST_PATH_IMAGE009
其中，
Figure 344500DEST_PATH_IMAGE010
表示第i个参数和第j个参数的关联性指标，
Figure 216116DEST_PATH_IMAGE011
表表示第i个参数发生异常时的间隔时间内第j个参数发生异常的数据个数，N表示历史采集最大时刻，
Figure 31625DEST_PATH_IMAGE012
表示第i个参数与第j个参数出现异常的时间间隔。
进一步的，一种金属加工机床运行状态预测方法，对每个参数的预测特征值进行优化，得到每个参数的优化特征值的方法为：
Figure 709731DEST_PATH_IMAGE013
其中，
Figure 268889DEST_PATH_IMAGE014
表示第i个参数的优化特征值，
Figure 732362DEST_PATH_IMAGE007
表示第i个参数的预测特征值，
Figure 453194DEST_PATH_IMAGE015
表示第j个参数的预测特征值，
Figure 884175DEST_PATH_IMAGE010
表示第i个参数和第j个参数的关联性指标，
Figure 981444DEST_PATH_IMAGE016
表示与i互为因果参数的参数个数。
进一步的，本发明还提出了一种金属加工机床运行状态预测系统，包括数据采集模块、参数预测模块、预测特征值计算模块、关联性指标计算模块、特征值优化模块以及状态预测模块；
数据采集模块，用于采集机床正常运行历史时间段内的多个检测参数，得到每个参数在历史正常运行时间段内多个采集时刻的历史数据；
参数预测模块，用于根据数据采集模块中得到每个参数的正常运行历史时刻数据建立预测模型，利用所述预测模型获取每个参数未来多个时刻的预测值，对每个参数未来时刻的预测值进行相空间重构，得到每个参数的多个重构向量；
预测特征值计算模块，用于统计每个检测参数重构向量的类别数，根据每个检测参数不同重构向量类别的占比计算该检测参数的预测特征值；
关联性指标计算模块，用于建立参数关联模型，将每一个参数作为一个目标参数，采集目标参数在发生异常时的异常历史数据，根据该异常历史数据获得目标参数在发生异常时对应的间隔时间；确定出该间隔时间内发生异常的其它参数，利用建立的关联模型及目标参数发生异常时对应的间隔时间内其它参数发生异常的个数获取目标参数与其它参数两两之间的关联性指标；
特征值优化模块，用于根据目标参数与其它参数两两之间的关联性指标对该目标参数所对应参数的预测特征值进行优化，得到每个参数的优化特征值；
状态预测模块，用于根据每个参数的优化特征值对机床运行状态进行预测。
本发明的有益效果是，根据本发明提出的技术手段，通过对金属加工机床运行的未来数据进行预测，并获取对应的运行状态预测特征值，同时考虑到参数间的关联性对预测特征值进行优化，进而根据优化后的预测特征值实现对机床运行状态进行准确预测评估，具有准确性好，效率高的优点。
附图说明
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种金属加工机床运行状态预测方法结构示意图；
图2为本发明实施例的一种金属加工机床运行状态预测系统流程示意图。
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、完整地描述，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，给出了本发明实施例的一种金属加工机床运行状态预测方法结构示意图，包括：
101. 采集机床正常运行历史时间段内的多个检测参数，得到每个参数在历史正常运行时间段内多个采集时刻的历史数据。
对于机床，考虑到其在工作过程中运行参数，包括：滚动轴承的转动频率、电机转速、功率等各参数，机床工作过程中的各运行参数有很多，本发明将通过传感器等信息采集设备对运行过程中的机床的检测参数进行提取，用于对机床的运行状况进行检测，以检测机床的故障问题。
本发明中所述检测参数数量为M，每个检测参数所提取的样本数为N，也即每个检测参数采集N个数据，为实现对机床运行过程的实时检测，本发明将每隔T时段进行一次图像采集，每次采集N个数据，间隔时段T实施者可自行设定，本发明将其设置为T=10min，至此，每个检测参数可得到一个检测向量
Figure 565003DEST_PATH_IMAGE017
。
本发明将基于各检测参数的数据构建图结构
Figure 456736DEST_PATH_IMAGE018
，用于对机床运行状态进行检测分析，所述图结构具体为：
Figure 375013DEST_PATH_IMAGE019
将其作为机床运行过程中的待检测图结构，每个检测时段都可以得到其对应的图结构，对对应的图结构进行分析，可实现对机床运行过程中的运行状况进行检测分析。
102. 根据每个参数的历史时刻数据建立预测模型，利用所述预测模型获取每个参数未来多个时刻的预测值，对每个参数未来时刻的预测值进行相空间重构，得到每个参数的多个重构向量。
进一步， 本发明将建立预测模型对未来时刻各节点的数据值进行预测，本发明将获取未来N+Q个时刻各检测参数对应的数据值。
所述预测模型的表达式为：
Figure 275973DEST_PATH_IMAGE001
Figure 448460DEST_PATH_IMAGE020
其中，
Figure 573410DEST_PATH_IMAGE002
表示第i个参数，N表示最大历史采集时刻，
Figure 713405DEST_PATH_IMAGE003
表示第N个历史采集时刻以后的第a个未来时刻的采集值，
Figure 165858DEST_PATH_IMAGE004
表示第i个参数在第k个历史采集时刻的影响因子，
Figure 707698DEST_PATH_IMAGE005
表示第i个数据在第k个历史采集时刻的数据,Q为最大未来预测时刻。
至此，即可根据本发明所述方法获取各节点在未来多个时刻的预测数据值，得到对应的预测图结构
Figure 737971DEST_PATH_IMAGE021
，用于对机床运行过程中各检测参数的运行数据进行预测，基于所述预测图结构实现对各检测参数的运行状况进行评估检测。
对于所述预测图结构，本发明将对各行数据进行分析，将每行数据作为一个向量
Figure 850415DEST_PATH_IMAGE022
，
Figure 93177DEST_PATH_IMAGE023
，对于行向量
Figure 489523DEST_PATH_IMAGE022
，其内包含有N+Q个数据，本发明将设置嵌入维数m以及延迟因子t，对其进行相空间重构，得到重构向量，本发明中m=5，t=2。
获取多个重构向量的方法为：
将得到的每个检测参数所有未来时刻的预测值作为一个向量，利用设定的嵌入维数以及延迟因子对该向量进行相空间重构，得到多个重构向量。
对于检测参数i可得到其对应的多个重构向量，考虑到本发明中嵌入维数m=5，延迟因子t=2，因此，根据排列顺序可得到
Figure 159539DEST_PATH_IMAGE024
个重构向量。
Figure 24858DEST_PATH_IMAGE025
Figure 805732DEST_PATH_IMAGE026
Figure 273229DEST_PATH_IMAGE027
Figure 848567DEST_PATH_IMAGE028
103. 统计每个检测参数重构向量的类别数，根据每个检测参数不同重构向量类别的占比计算该检测参数的预测特征值。
本发明将相同的向量归为一个类别，统计
Figure 450450DEST_PATH_IMAGE024
个向量的类别数，然后统计各向量出现次数在
Figure 35015DEST_PATH_IMAGE024
个向量中的占比，基于熵值分析模型本发明将对行向量的数据分布状况进行检测，获取行向量数据分布表征值。
计算每个参数的预测特征值的方法为：
获取每个参数的所有重构向量的类别数，根据每个类别中重构向量的个数占比计算该参数的预测特征值，表达式为：
Figure 953423DEST_PATH_IMAGE029
其中，
Figure 965242DEST_PATH_IMAGE007
表示第i个参数的预测特征值，
Figure 788841DEST_PATH_IMAGE008
表示第c种重构向量的占比，C为所有重构向量的类别数。
所述表征值越大，则认为检测参数i未来时刻越可能出现运行故障，至此，可基于本发明所述方法获取各检测参数对应的行向量的数据分布表征值，用于对未来时刻检测参数的运行状况进行预测分析。
104. 采集机床异常运行历史时间段中参数的历史数据，根据机床历史异常运行时间段中同时出现异常的两两参数建立参数关联模型，获取该两两参数的关联性指标。
进一步，为实现对机床运行状况的准确预测，本发明将基于所建立的节点关联性对所预测的检测参数的特征值进行优化，以保证机床运行过程中检测参数运行状态评估的精度。
本发明将基于历史数据重新获取多个时段机床异常运行时对应的图结构
Figure 662251DEST_PATH_IMAGE030
，
Figure 215592DEST_PATH_IMAGE031
，K为所选取历史数据时段的数量，本发明中为10。
对于图结构中的任意两个节点，本发明将统计所选取的K个图结构中两个节点同时发生故障的次数
Figure 149044DEST_PATH_IMAGE032
，在此需要说明，所述故障为：每个检测参数在金属加工机床运行过程中都有其对应的正常数据运行范围，当检测参数的数据不在所述正常数据运行范围内时，将认为该检测参数出现故障，所述正常数据运行范围根据金属加工过程中机床运行大数据进行人为统计分析获取。
同时，考虑到存在一个检测参数的运行故障导致另一检测参数在机床工作中出现故障问题，因此，为实现对检测参数运行状况的准确分析预测，本发明将进一步获取导致节点发生故障的因果节点进行分析，本发明设置所述因果节点具体为：对于任意两个节点，如果一个节点发生故障时刻在另一节点故障时刻之前，且时间间隔小于W，则认为两个节点互为因果节点，该节点为所述另一节点的因节点。
获取目标参数与其它参数两两之间的关联性指标的方法为：
重新采集机床异常运行历史时间段中参数的历史数据，获得目标参数在发生异常时对应的间隔时间；确定出该间隔时间内发生异常的其它参数，利用建立的关联模型及目标参数发生异常时对应的间隔时间内其它参数发生异常的数据个数获取目标参数与其它参数两两之间的关联性指标，所述参数关联模型的表达式为：
Figure 535638DEST_PATH_IMAGE033
其中，
Figure 212738DEST_PATH_IMAGE010
表示第i个参数和第j个参数的关联性指标，
Figure 292690DEST_PATH_IMAGE032
表示第i个参数发生异常时的间隔时间内第j个参数发生异常的数据个数，N表示历史采集最大时刻，
Figure 911890DEST_PATH_IMAGE012
表示第i个参数与第j个参数出现异常的时间间隔。
至此，可根据机床运行过程中的历史数据对检测参数之间的相关性进行分析，以获取各检测参数之间的关联，便于对检测参数的运行状态进行准确预测。
105.根据两两参数的关联性指标对每个参数的预测特征值进行优化，得到每个参数的优化特征值。
对每个参数的预测特征值进行优化，得到每个参数的优化特征值的方法为：
Figure 710082DEST_PATH_IMAGE034
其中，
Figure 925293DEST_PATH_IMAGE014
表示第i个参数的优化特征值，
Figure 859751DEST_PATH_IMAGE007
表示第i个参数的预测特征值，
Figure 915432DEST_PATH_IMAGE015
表示第j个参数的预测特征值，
Figure 200920DEST_PATH_IMAGE010
表示第i个参数和第j个参数的关联性指标，
Figure 974751DEST_PATH_IMAGE016
表示与i互为因果参数的参数个数。
至此，即可通过本发明所述方法对预测图结构中的各行数据进行分析，得到每行数据对应的优化特征值，用于对机床运行状态进行预测评估。
106.根据每个参数的优化特征值对机床运行状态进行预测。
本发明将基于前述步骤得到的每个参数的优化特征值建立运行状态预测向量：
Figure 170240DEST_PATH_IMAGE035
进一步，本发明将对各检测参数的优化特征值进行归一化处理：
Figure 865664DEST_PATH_IMAGE036
保证函数值处于0到1，得到归一化运行状态预测向量
Figure 920339DEST_PATH_IMAGE037
。
为便于操作人员对机床的运行状态进行直观了解，本发明设置预警阈值
Figure 726621DEST_PATH_IMAGE038
，所述阈值实施者可根据机床的实际运行状况进行自行设定，当预测向量中的数据存在高于预警阈值时，认为对应的检测参数在未来时刻机床运行过程中会出现问题，将存在故障问题，系统将对对应的检测参数进行警报，提示相关操作人员及时对对应检测参数进行检修，避免危险事故的发生。
如图2所示，给出了本发明实施例的一种金属加工机床运行状态预测系统流程示意图，包括数据采集模块、参数预测模块、预测特征值计算模块、关联性指标计算模块、特征值优化模块以及状态预测模块；
数据采集模块，用于采集机床多个时刻的历史运行检测参数；
参数预测模块，用于根据数据采集模块中得到的每个参数的历史时刻数据建立预测模型，根据预测模型获取每个检测参数未来时刻的预测值，对每个检测参数未来时刻的预测值进行相空间重构，得到多个重构向量；
预测特征值计算模块，用于获取每个参数重构向量的类别数，根据每个检测参数不同重构向量类别的占比计算该参数的预测特征值；
关联性指标计算模块，用于获取历史时刻数据中同时出现异常的两两参数，根据同时出现异常的两两参数的异常数据个数建立参数关联模型，获取该两两参数的关联性指标；
特征值优化模块，用于根据两两参数的关联性指标对每个参数的预测特征值进行优化，得到每个参数的优化特征值；
状态预测模块，用于根据每个参数的优化特征值对机床运行状态进行预测。
根据本发明提出的技术手段，通过对金属加工机床运行的未来数据进行预测，并获取对应的运行状态预测特征值，同时考虑到参数间的关联性对预测特征值进行优化，进而根据优化后的预测特征值实现对机床运行状态进行准确预测评估，具有准确性好，效率高的优点。
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、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种金属加工机床运行状态预测方法，其特征在于，包括：
采集机床当前时间段和当前时间段的上一时间段形成的正常运行历史时间段内的多个检测参数，得到每个参数在该历史正常运行时间段内每一时刻的运行数据；
利用每个参数在历史正常运行时间段内每一时刻的运行数据建立预测模型，利用所述预测模型获取每个参数未来多个时刻的预测值，对每个参数未来时刻的预测值进行相空间重构，得到每个参数的多个重构向量；
统计每个检测参数重构向量的类别数，根据每个检测参数不同重构向量类别的占比计算该检测参数的预测特征值；
建立参数关联模型，将每一个参数作为一个目标参数，采集目标参数在发生异常时的异常历史数据，根据该异常历史数据获得目标参数在发生异常时对应的间隔时间；确定出该间隔时间内发生异常的其它参数，利用建立的关联模型及目标参数发生异常时对应的间隔时间内其它参数发生异常的数据个数获取目标参数与其它参数两两之间的关联性指标；
参数关联模型的表达式为：
Figure 175640DEST_PATH_IMAGE001
其中，
Figure 30464DEST_PATH_IMAGE002
表示第i个参数和第j个参数的关联性指标，
Figure 685567DEST_PATH_IMAGE003
表示第i个参数发生异常时的间隔时间内第j个参数发生异常的数据个数，N表示历史采集最大时刻，
Figure 487301DEST_PATH_IMAGE004
表示第i个参数与第j个参数出现异常的时间间隔；
根据目标参数与其它参数两两之间的关联性指标对该目标参数所对应参数的预测特征值进行优化，得到每个参数的优化特征值；
根据每个参数的优化特征值对机床运行状态进行预测。
2.根据权利要求1所述的一种金属加工机床运行状态预测方法，其特征在于，所述预测模型的表达式为：
Figure 721580DEST_PATH_IMAGE005
其中，
Figure 871939DEST_PATH_IMAGE006
表示第i个参数，N表示最大历史采集时刻，
Figure 561808DEST_PATH_IMAGE007
表示第N个历史采集时刻以后的第a个未来时刻的采集值，
Figure 367566DEST_PATH_IMAGE008
表示第i个参数在第k个历史采集时刻的影响因子，
Figure 459281DEST_PATH_IMAGE009
表示第i个数据在第k个历史采集时刻的数据,Q为最大未来预测时刻。
3.根据权利要求1所述的一种金属加工机床运行状态预测方法，其特征在于，获取多个重构向量的方法为：
将得到的每个检测参数所有未来时刻的预测值作为一个向量，利用设定的嵌入维数以及延迟因子对该向量进行相空间重构，得到多个重构向量。
4.根据权利要求3所述的一种金属加工机床运行状态预测方法，其特征在于，计算每个参数的预测特征值的方法为：
获取每个参数的所有重构向量的类别数，根据每个类别中重构向量的个数占比计算该参数的预测特征值，表达式为：
Figure 528343DEST_PATH_IMAGE010
其中，
Figure 485935DEST_PATH_IMAGE011
表示第i个参数的预测特征值，
Figure 35996DEST_PATH_IMAGE012
表示第c种重构向量的占比，C为所有重构向量的类别数。
5.根据权利要求1所述的一种金属加工机床运行状态预测方法，其特征在于，对每个参数的预测特征值进行优化，得到每个参数的优化特征值的方法为：
Figure 152857DEST_PATH_IMAGE013
其中，
Figure 395750DEST_PATH_IMAGE014
表示第i个参数的优化特征值，
Figure 902955DEST_PATH_IMAGE011
表示第i个参数的预测特征值，
Figure 988198DEST_PATH_IMAGE015
表示第j个参数的预测特征值，
Figure 959565DEST_PATH_IMAGE002
表示第i个参数和第j个参数的关联性指标，
Figure 29153DEST_PATH_IMAGE016
表示与i互为因果参数的参数个数。
6.一种金属加工机床运行状态预测系统，其特征在于，包括数据采集模块、参数预测模块、预测特征值计算模块、关联性指标计算模块、特征值优化模块以及状态预测模块；
数据采集模块，用于采集机床正常运行历史时间段内的多个检测参数，得到每个参数在历史正常运行时间段内多个采集时刻的历史数据；
参数预测模块，用于根据数据采集模块中得到每个参数的正常运行历史时刻数据建立预测模型，利用所述预测模型获取每个参数未来多个时刻的预测值，对每个参数未来时刻的预测值进行相空间重构，得到每个参数的多个重构向量；
预测特征值计算模块，用于统计每个检测参数重构向量的类别数，根据每个检测参数不同重构向量类别的占比计算该检测参数的预测特征值；
关联性指标计算模块，用于建立参数关联模型，将每一个参数作为一个目标参数，采集目标参数在发生异常时的异常历史数据，根据该异常历史数据获得目标参数在发生异常时对应的间隔时间；确定出该间隔时间内发生异常的其它参数，利用建立的关联模型及目标参数发生异常时对应的间隔时间内其它参数发生异常的个数获取目标参数与其它参数两两之间的关联性指标；
获取目标参数与其它参数两两之间的关联性指标的方法为：
重新采集机床异常运行历史时间段中参数的历史数据，获得目标参数在发生异常时对应的间隔时间；确定出该间隔时间内发生异常的其它参数，利用建立的关联模型及目标参数发生异常时对应的间隔时间内其它参数发生异常的数据个数获取目标参数与其它参数两两之间的关联性指标，所述参数关联模型的表达式为：
Figure 836703DEST_PATH_IMAGE017
其中，
Figure 446676DEST_PATH_IMAGE002
表示第i个参数和第j个参数的关联性指标，
Figure 475811DEST_PATH_IMAGE003
表示第i个参数发生异常时的间隔时间内第j个参数发生异常的数据个数，N表示历史采集最大时刻，
Figure 778617DEST_PATH_IMAGE004
表示第i个参数与第j个参数出现异常的时间间隔；
特征值优化模块，用于根据目标参数与其它参数两两之间的关联性指标对该目标参数所对应参数的预测特征值进行优化，得到每个参数的优化特征值；
状态预测模块，用于根据每个参数的优化特征值对机床运行状态进行预测。
CN202210953555.2A 2022-08-10 2022-08-10 一种金属加工机床运行状态预测方法及系统 Active CN115034094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210953555.2A CN115034094B (zh) 2022-08-10 2022-08-10 一种金属加工机床运行状态预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210953555.2A CN115034094B (zh) 2022-08-10 2022-08-10 一种金属加工机床运行状态预测方法及系统

Publications (2)

Publication Number Publication Date
CN115034094A true CN115034094A (zh) 2022-09-09
CN115034094B CN115034094B (zh) 2022-10-25

Family

ID=83130305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210953555.2A Active CN115034094B (zh) 2022-08-10 2022-08-10 一种金属加工机床运行状态预测方法及系统

Country Status (1)

Country Link
CN (1) CN115034094B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679612A (zh) * 2023-08-04 2023-09-01 山东行创科技有限公司 一种机床加工异常能耗数据监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334674A (zh) * 2018-01-17 2018-07-27 浙江大学 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法
CN110008565A (zh) * 2019-03-28 2019-07-12 浙江大学 一种基于运行参数关联性分析的工业过程异常工况预测方法
CN110119339A (zh) * 2019-05-07 2019-08-13 上海电气集团股份有限公司 工业设备的健康状态的评估方法、系统、设备和存储介质
CN112988550A (zh) * 2021-05-21 2021-06-18 神威超算(北京)科技有限公司 服务器故障预测方法、装置和计算机可读介质
CN114693175A (zh) * 2022-05-09 2022-07-01 国网福建省电力有限公司 一种基于网源涉网试验的机组状态分析方法与系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334674A (zh) * 2018-01-17 2018-07-27 浙江大学 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法
CN110008565A (zh) * 2019-03-28 2019-07-12 浙江大学 一种基于运行参数关联性分析的工业过程异常工况预测方法
CN110119339A (zh) * 2019-05-07 2019-08-13 上海电气集团股份有限公司 工业设备的健康状态的评估方法、系统、设备和存储介质
CN112988550A (zh) * 2021-05-21 2021-06-18 神威超算(北京)科技有限公司 服务器故障预测方法、装置和计算机可读介质
CN114693175A (zh) * 2022-05-09 2022-07-01 国网福建省电力有限公司 一种基于网源涉网试验的机组状态分析方法与系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679612A (zh) * 2023-08-04 2023-09-01 山东行创科技有限公司 一种机床加工异常能耗数据监测方法
CN116679612B (zh) * 2023-08-04 2023-10-13 山东行创科技有限公司 一种机床加工异常能耗数据监测方法

Also Published As

Publication number Publication date
CN115034094B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN110647133B (zh) 轨道交通设备状态检测维护方法及系统
CN116204842B (zh) 一种电气设备的异常监测方法及系统
CN108956111B (zh) 一种机械部件的异常状态检测方法及检测系统
GB2476246A (en) Diagnosing an operation mode of a machine
CN114252749B (zh) 基于多传感器的变压器局部放电检测方法及装置
CN112734977B (zh) 一种基于物联网的设备风险预警系统及算法
CN111046582A (zh) 一种核电站柴油发电机组线圈温度预警方法及系统
CN115566804B (zh) 一种基于分布式光纤传感技术的电力监测系统
CN111664083A (zh) 一种基于贝叶斯网络的核电主泵故障诊断方法
CN113221435A (zh) 传感器的筛选方法及装置、传感器数据重构方法及系统
CN115034094B (zh) 一种金属加工机床运行状态预测方法及系统
CN114519382A (zh) 一种核动力装置关键运行参数提取与异常监测方法
CN112016193B (zh) 一种盾构机系统的润滑失效在线预测方法及系统
CN116796261A (zh) 一种基于人工智能的封闭开关设备机械特性预测方法
CN109115271B (zh) 一种数控机床远程监测系统
CN116625683A (zh) 一种风电机组轴承故障识别方法、系统、装置及电子设备
CN115455358A (zh) 基于非线性回归模型的电气参数趋势预警及故障诊断方法
CN111986469A (zh) 一种现场终端故障智能化诊断的方法
CN104731955A (zh) 风电机组油液监测诊断标准建立及智能诊断方法及系统
CN115854490B (zh) 一种用于除湿机状态监控的分析方法与系统
CN117560300B (zh) 一种智能物联网流量预测与优化系统
CN111980900B (zh) 一种基于多源数据融合分析的水泵故障诊断方法
CN115096634A (zh) 一种机械设备运行故障检测方法及系统
CN116860831A (zh) 一种实时数据的故障诊断辅助决策方法
CN116858920A (zh) 一种动态窗口相关性检验和特征融合的水质异常检测方法

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
GR01 Patent grant
GR01 Patent grant