CN115577020A - 一种修磨周期能耗状态识别系统及识别方法 - Google Patents
一种修磨周期能耗状态识别系统及识别方法 Download PDFInfo
- Publication number
- CN115577020A CN115577020A CN202211560549.7A CN202211560549A CN115577020A CN 115577020 A CN115577020 A CN 115577020A CN 202211560549 A CN202211560549 A CN 202211560549A CN 115577020 A CN115577020 A CN 115577020A
- Authority
- CN
- China
- Prior art keywords
- power
- energy consumption
- grinding
- data
- power data
- 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
Links
- 238000000227 grinding Methods 0.000 title claims abstract description 97
- 238000005265 energy consumption Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000013075 data extraction Methods 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 238000003754 machining Methods 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000010485 coping Effects 0.000 abstract description 2
- 238000005520 cutting process Methods 0.000 description 7
- 238000005299 abrasion Methods 0.000 description 5
- 238000001125 extrusion Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003801 milling 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明提出了一种修磨周期能耗状态识别系统及识别方法,属于加工制造能耗计算处理技术领域,通过功率传感器实时采集机床的功率数据,对该功率数据进行预处理;计算功率差值序列,将功率差值序列分割得到基于机床状态的功率区段;提取不稳定区间的功率差值序列和功率数据,作为表征其功率特性的特征库;根据磨具修磨过程中的模具参数计算修磨过程中的能耗;建立BP神经网络,得到功率差异率分别与压力消耗和修磨能耗的对应图,生成不稳定类型;基于训练后的BP神经网络对实际加工过程中的功率区段进行分类,在线识别模具修磨周期能耗状态。
Description
技术领域
本发明属于加工制造能耗状态识别技术领域,具体涉及一种修磨周期能耗状态识别系统及识别方法。
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,为了实现更高的制造能效,可靠的能源消耗建模是先决条件,因为它为任何与能效相关的优化提供基础。航空航天的复杂零件多为难加工材料,加工过程中必然会出现严重的刀具磨损问题,刀具磨损会引起机床能耗的变化,从而导致不考虑刀具磨损的能耗模型预测精度降低,无法准确预测实际加工过程中的机床能耗等问题。
数控加工系统作为典型离散制造系统,由于其产品复杂多样、能量消耗过程特殊复杂,其能耗规律、能效量化、尤其是能效评定问题至今还缺乏科学、系统的制定策略以及具体、实用的制定方法,由于数控加工系统能效的动态特性,加大了能效评级的制定难度,如何综合考虑这些影响因素,提出一种科学合理的能耗评级方法还有待研究。研究数控机床的能效等级评定策略、制定方案和方法问题,对于揭示数控机床加工过程的能效属性,综合评价其制造过程的能量效率,建设完善的机械加工系统能源管理体系,实现机械加工系统绿色可持续的发展等一系列问题都具有重要意义。
针对难加工材料零件的加工而言,刀具磨损引起的切削力变化是明显的,进而导致了切削能耗的明显变化,现有的不考虑刀具磨损的能耗建模方法显然不再适用。因此,很有必要寻找一种考虑刀具磨损的能耗模型建模方法,实现对难加工材料的加工过程的能量消耗进行精准预测,为降低加工能耗,实现高效能加工提供理论支撑。
专利文献201210131766.4公开了一种数控机床服役过程能量消耗预测方法,该方法建立了以启动、空载和加工三类子过程能耗预测为基础的数控机床服役过程能耗预测模型。通过分别对每类子过程的能耗预测模型进行求解,而得到整个数控机床服役过程的能耗预测结果。然而,其加工过程中的切削能耗的计算是通过经验公式计算出的切削力计算得来,这种方法计算复杂,各种系数、指数、补偿系数繁多,这种方法计算量大效率低,并且其切削功率直接由切削力乘以切削速度得到,这个算法只适用于相对简单的车削加工,对于较为复杂的铣削加工而言,这种计算方法显然不再适用。
发明内容
为了解决上述技术问题,本发明提出了一种修磨周期能耗状态识别方法,包括如下步骤:
S1、通过功率传感器实时采集机床的功率数据,对该功率数据进行预处理;
S2、提取预处理后的功率数据,计算功率差值序列,将功率差值序列分割得到对应不稳定区间的功率区段,定位不稳定区间中的精确不稳定时刻;
S3、根据磨具修磨过程中的磨具参数计算与功率数据提取时刻匹配的能耗序列;
S4、将步骤S1得到的预处理后的功率数据作为BP神经网络的输入数据,将对应的能耗序列作为输出数据,建立BP神经网络;
S5、将通过S2步骤得到的不稳定时刻的功率数据与通过步骤S3得到的对应不稳定时刻的能耗序列输入到BP神经网络中,建立不稳定神经子网络;
S6:将训练后的BP神经网络应用于实际加工过程中的实时采集的功率数据,若输出的能耗序列位于不稳定神经子网络,则磨具修磨过程的能耗处于极限状态,否则处于正常消耗状态。
进一步地,步骤S2包括:
S21、设P为某采样点功率传感器实时采集的功率数据集合,用P={Pi,i=1,2,…,n}表示,n表示功率数据数量,Pi表示第i个功率数据,则功率差值序列ΔP为:ΔP={Pi+1-Pi,i=1,2,…,n-1} (1);
S22、按修磨周期C的1/k得到k个功率数据子集及对应的k个数据差值子序列,定位不稳定区间;
S23、对滤波后功率数据,按修磨周期C的1/(2k)取周期点,得到2k个功率数据子集及对应的2k个数据差值子序列,定位不稳定区间中的精确不稳定时刻。
进一步地,步骤S23包括:
寻找2k个功率差值子序列ΔP1/2k中是否存在非零元素,若存在非零元素,则提取具有非零元素的功率差值子序列ΔP1/2k中的第一非零元素,组成第一非零元素集合;对第一非零元素集合中的元素取绝对值,查找这些元素中的最大值,记此最大值相关的功率数据所在功率数据子集合的序号j;
按下式(2)计算可得不稳定时刻T,单位为秒:
其中,t0为首次采样时刻。
T不稳定时刻,t0为首次采样时刻。
进一步地,步骤S1中,通过限幅滤波算法对功率数据进行滤波处理:
将实时采集的功率数据按照从小到大的顺序排列,设定上、下百分位数,计算上、下百分位数所对应的值[p2,p98],确定其为采样所允许的最大偏差范围;判断采集的功率数据是否在[p2,p98]范围内,如果在,则判定功率数据有效,如果不在,则判定功率数据无效。
本发明还提出了一种修磨周期能耗状态识别系统,用于实现修磨周期能耗状态识别方法,包括:数据采集单元、服务器、数据分割单元、异常数据提取单元、神经网络构建单元和在线识别单元;
数据采集单元包括功率传感器和预处理单元,数据采集单元通过功率传感器实时采集机床的功率数据,通过预处理单元对功率数据进行预处理,并将预处理后的功率数据上传至服务器;
数据分割单元,从服务器提取预处理后的功率数据,计算功率差值序列,将功率差值序列分割得到对应不稳定区间的功率区段,定位不稳定区间中的精确不稳定时刻;
异常数据提取单元,用于提取不稳定时刻的功率数据;
能耗计算单元,用于根据磨具修磨过程中的磨具参数计算修磨过程中与功率数据提取时刻匹配的能耗序列;
神经网络构建单元,用于将预处理后的功率数据作为BP神经网络的输入数据,将对应的能耗序列作为BP神经网络的输出数据,建立并训练BP神经网络;
在线识别单元,用于将训练后的BP神经网络应用于实际加工过程中的实时采集的功率数据进行识别对应,若输出的能耗序列位于不稳定神经子网络,则磨具修磨过程的能耗处于极限状态,否则处于正常消耗状态。
相比于现有技术,本发明具有如下有益技术效果:
采集机床的功率数据,计算功率差值序列,提取不稳定时刻的功率差值序列和功率数据,计算与功率数据序列提取时刻匹配的能耗序列;建立BP神经网络,基于训练后的BP神经网络对实际加工过程中的功率数据进行识别对应,在线识别磨具修磨周期能耗状态。实现了修磨加工过程的能耗进行精准计算,提高了修磨的稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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为本发明的修磨周期能耗状态识别方法流程示意图;
图2为本发明的修磨周期能耗状态识别系统结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本发明的具体实施例附图中,为了更好、更清楚的描述系统中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示,为本发明的修磨周期能耗状态识别方法流程示意图,修磨周期能耗状态识别方法包括如下步骤:
S1、通过功率传感器实时采集机床的功率数据,对该功率数据进行预处理,通过数据滤波剔除采样的功率数据中的异常值,将剔除异常值后的功率数据上传至服务器。
在实际的加工生产过程中,往往存在大量的干扰,如果不进行处理,将直接影响后续的操作,造成在线状态识别不准确。因此,在使用功率数据之前,需要对其进行处理,剔除其中的异常值,以保证数据的可靠性和准确性。
在优选实施例中,通过限幅滤波算法来进行数据的滤波处理,利用该方法,可以有效的滤除异常脉冲干扰。
限幅滤波算法的流程为:首先,将功率传感器实时采集的机床功率数据中某一状态的数据按照从小到大的顺序排列,设定上、下百分位数,根据数据分布选择合适的上、下百分位数,如[2,98],即上百分位数为98百分位数,下百分位数为2百分位数。接着,计算上、下百分位数所对应的值[p2,p98],确定其为采样所允许的最大偏差范围。然后,判断该状态中的数据是否在[p2,p98]范围内,如果在,则判定数据有效,不做任何变化;如果不在,则判定数据无效,利用一维线性插值算法产生最大偏差范围内的新数据替代原有的数据,以此达到滤除异常脉冲干扰的目的。
S2、从服务器提取预处理后的功率数据,计算功率差值序列,将功率差值序列分割得到对应不稳定区间的功率区段,定位不稳定区间中的精确不稳定时刻。具体地,包括如下步骤:
S21、设P为某采样点功率传感器实时采集的功率数据集合,用P={Pi,i=1,2,…,n}表示,n表示功率数据数量,Pi表示第i个功率数据,则功率差值序列定义如下:
ΔP={Pi+1-Pi,i=1,2,…,n-1} (1);
将功率数据集合划分为n-1个功率差值序列。考虑到输出功率的不稳定性,采样点功率传感器的功率数据采集频率,要根据预测精度要求来划分。
S22、按修磨周期C的1/k得到k个功率数据子集及对应的k个数据差值子序列,定位不稳定区间。
首先,对滤波后功率数据,按修磨周期C的1/k取周期点,计算两周期点间的功率数据,得到k个功率数据子集P1/k,如式(1)所示计算得到对应的k个功率差值子序列ΔP1/k。
寻找k个功率差值子序列ΔP1/k中是否存在非零元素,若存在非零元素,则提取该功率差值子序列ΔP1/k中的第一非零元素和最后一个非零元素,查找功率差值子序列中形成第一非零元素和最后一个非零元素相关的功率数据所在的时间区间,则此时间区间为不稳定区间。
S23、对滤波后功率数据,按修磨周期C的1/(2k)取周期点,得到2k个功率数据子集及对应的2k个数据差值子序列,定位不稳定区间中的精确不稳定时刻。
对滤波后功率数据,按修磨周期C的1/(2k)取周期点,计算两周期点间的功率数据,进行二次采样,得到2k个功率数据子集P1/2k,如式(1)所示计算得到2k个功率差值子序列ΔP1/2k。
寻找2k个功率差值子序列ΔP1/2k中是否存在非零元素,若存在非零元素,则提取具有非零元素的功率差值子序列ΔP1/2k中的第一非零元素,组成第一非零元素集合。
对第一非零元素集合中的元素取绝对值,查找这些元素中的最大值,记此最大值相关的功率数据所在功率数据子集合的序号j。
按下式(2)计算可得不稳定时刻T,单位为秒:
T不稳定时刻,t0为首次采样时刻。
S3:根据磨具修磨过程中的磨具参数计算修磨过程中的能耗;修磨过程中的能耗包括压力消耗W1和修磨能耗W2。
其中,为磨具摩擦系数,磨具热形变时μ=0.3~0.5;Dt指修磨后的磨具直径,h指磨具修磨后的高度;w指挤压速度对单位形变抗力的影响系数,根据挤压速度的不同, w在1.2~2.0范围取值;指形变温度下磨具的性能极限度;A指磨具的横截面积。
其中,Wf表示形变能耗;Wc表示材料与磨具接触面的摩擦能耗;Wd表示磨具与机床的挤压能耗;Wq表示挤压过程中热交换产生的能耗。
能耗计算的时刻选取与功率数据序列采样点相同的时刻,将每个时刻的能耗影响因子参数代入公式(3)和(5)得到与功率数据序列相匹配的能耗序列。通过计算得到与功率差值序列相匹配的能耗序列W1i={W1i,i=1,2,…,n}、W2i={W2i,i=1,2,…,n}。
S4:建立BP神经网络,将步骤S1得到的预处理后的功率数据作为BP神经网络的输入数据,将对应的压力消耗序列W1i和修磨能耗序列W2i作为BP神经网络的输出数据,建立神经网络。
S5:将通过步骤S2得到的不稳定时刻对应的功率数据与通过步骤S3得到的对应不稳定时刻的压力消耗序列W1i和修磨能耗序列W2i输入到神经网路中,建立神经网络的不稳定神经子网络,即代表磨具修磨过程的能耗极限状态。
S6:基于训练后的BP神经网络应用于实际加工过程中的实施采集的功率数据进行识别对应,若输出的结果位于不稳定神经子网络,在证明磨具修磨过程的能耗处于极限状态,否则说明磨具修磨过程的能耗处于正常消耗状态。
实际加工过程中监测并获取功率数据序列,以功率数据序列为输入值,通过BP神经网络进行对应,若输出的压力消耗序列W1i和修磨能耗序列W2i落入不稳定神经子网络,则代表此次磨具修磨周期已达到能耗极限状态。
本发明还提出了一种修磨周期能耗计算系统,如图2所示为修磨周期能耗状态识别系统结构示意图,包括:数据采集单元、服务器、数据分割单元、异常数据提取单元、神经网络构建单元和在线识别单元。
数据采集单元包括功率传感器和预处理单元,数据采集单元通过功率传感器实时采集机床的功率数据,通过预处理单元对功率数据进行预处理,并将预处理后的功率数据上传至服务器。
数据分割单元,从服务器提取预处理后的功率数据,计算功率差值序列,将功率差值序列分割得到对应不稳定区间的功率区段,定位不稳定区间中的精确不稳定时刻。
异常数据提取单元,用于提取不稳定时刻的功率数据,作为表征功率特性的特征库。
能耗计算单元,用于根据磨具修磨过程中的磨具参数计算修磨过程中与功率数据提取时刻匹配的能耗序列。
神经网络构建单元,用于将预处理后的功率数据作为BP神经网络的输入数据,将对应的能耗序列作为BP神经网络的输出数据,建立并训练神经网络。
在线识别单元,用于基于训练后的BP神经网络应用于实际加工过程中的实施采集的功率数据进行识别对应,若输出的能耗序列位于不稳定神经子网络,则磨具修磨过程的能耗处于极限状态,否则处于正常消耗状态。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种修磨周期能耗状态识别方法,其特征在于,包括如下步骤:
S1、通过功率传感器实时采集机床的功率数据,对该功率数据进行预处理;
S2、提取预处理后的功率数据,计算功率差值序列,将功率差值序列分割得到对应不稳定区间的功率区段,定位不稳定区间中的精确不稳定时刻;
S3、根据磨具修磨过程中的磨具参数计算与功率数据提取时刻匹配的能耗序列;
S4、将步骤S1得到的预处理后的功率数据作为BP神经网络的输入数据,将对应的能耗序列作为输出数据,建立BP神经网络;
S5、将通过S2步骤得到的不稳定时刻的功率数据与通过步骤S3得到的对应不稳定时刻的能耗序列输入到BP神经网络中,建立不稳定神经子网络;
S6:将训练后的BP神经网络应用于实际加工过程中的实时采集的功率数据,若输出的能耗序列位于不稳定神经子网络,则磨具修磨过程的能耗处于极限状态,否则处于正常消耗状态。
2.根据权利要求1所述的修磨周期能耗状态识别方法,其特征在于,步骤S2包括:
S21、设P为某采样点功率传感器实时采集的功率数据集合,用P={Pi,i=1,2,…,n}表示,n表示功率数据数量,Pi表示第i个功率数据,则功率差值序列ΔP为:ΔP={Pi+1-Pi,i=1,2,…,n-1} (1);
S22、按修磨周期C的1/k得到k个功率数据子集及对应的k个数据差值子序列,定位不稳定区间;
S23、对滤波后功率数据,按修磨周期C的1/(2k)取周期点,得到2k个功率数据子集及对应的2k个数据差值子序列,定位不稳定区间中的精确不稳定时刻。
5.根据权利要求1所述的修磨周期能耗状态识别方法,其特征在于,步骤S1中,通过限幅滤波算法对功率数据进行滤波处理:
将实时采集的功率数据按照从小到大的顺序排列,设定上、下百分位数,计算上、下百分位数所对应的值[p2,p98],确定其为采样所允许的最大偏差范围;判断采集的功率数据是否在[p2,p98]范围内,如果在,则判定功率数据有效,如果不在,则判定功率数据无效。
6.一种修磨周期能耗状态识别系统,用于实现权利要求1-5任意一项所述的修磨周期能耗状态识别方法,包括:数据采集单元、服务器、数据分割单元、异常数据提取单元、神经网络构建单元和在线识别单元;
数据采集单元包括功率传感器和预处理单元,数据采集单元通过功率传感器实时采集机床的功率数据,通过预处理单元对功率数据进行预处理,并将预处理后的功率数据上传至服务器;
数据分割单元,从服务器提取预处理后的功率数据,计算功率差值序列,将功率差值序列分割得到对应不稳定区间的功率区段,定位不稳定区间中的精确不稳定时刻;
异常数据提取单元,用于提取不稳定时刻的功率数据;
能耗计算单元,用于根据磨具修磨过程中的磨具参数计算修磨过程中与功率数据提取时刻匹配的能耗序列;
神经网络构建单元,用于将预处理后的功率数据作为BP神经网络的输入数据,将对应的能耗序列作为BP神经网络的输出数据,建立并训练BP神经网络;
在线识别单元,用于将训练后的BP神经网络应用于实际加工过程中的实时采集的功率数据进行识别对应,若输出的能耗序列位于不稳定神经子网络,则磨具修磨过程的能耗处于极限状态,否则处于正常消耗状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211560549.7A CN115577020B (zh) | 2022-12-07 | 2022-12-07 | 一种修磨周期能耗状态识别系统及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211560549.7A CN115577020B (zh) | 2022-12-07 | 2022-12-07 | 一种修磨周期能耗状态识别系统及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115577020A true CN115577020A (zh) | 2023-01-06 |
CN115577020B CN115577020B (zh) | 2023-04-07 |
Family
ID=84590136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211560549.7A Active CN115577020B (zh) | 2022-12-07 | 2022-12-07 | 一种修磨周期能耗状态识别系统及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577020B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110516A (zh) * | 2023-04-14 | 2023-05-12 | 青岛山青华通环境科技有限公司 | 一种污水处理过程异常工况识别方法和装置 |
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 (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109101659A (zh) * | 2018-09-03 | 2018-12-28 | 贵州电网有限责任公司 | 一种小水电数据采集系统中功率数据异常的方法 |
CN110059442A (zh) * | 2019-05-07 | 2019-07-26 | 同济大学 | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 |
US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
CN112488372A (zh) * | 2020-11-23 | 2021-03-12 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 多时间尺度下电采暖负荷双层优化调度方法 |
CN112711907A (zh) * | 2020-12-29 | 2021-04-27 | 浙江大学 | 一种基于能耗的制造业设备产量分析方法 |
CN114386679A (zh) * | 2021-12-24 | 2022-04-22 | 鞍钢集团矿业有限公司 | 基于集成学习的球磨机能耗状态监测方法 |
CN114548493A (zh) * | 2022-01-12 | 2022-05-27 | 国网山东省电力公司营销服务中心(计量中心) | 一种电能表电流过载预测方法与系统 |
WO2022117126A1 (zh) * | 2020-12-04 | 2022-06-09 | 中国电力科学研究院有限公司 | 一种电网量测数据的校验方法、装置、设备、存储介质及程序产品 |
CN114665519A (zh) * | 2021-12-15 | 2022-06-24 | 河海大学 | 一种基于分层模型的风电场集群有功功率协调控制方法 |
CN114820825A (zh) * | 2022-06-28 | 2022-07-29 | 浩源科技有限公司 | 一种地下管廊装配式结构的绿色检测方法及系统 |
-
2022
- 2022-12-07 CN CN202211560549.7A patent/CN115577020B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
CN109101659A (zh) * | 2018-09-03 | 2018-12-28 | 贵州电网有限责任公司 | 一种小水电数据采集系统中功率数据异常的方法 |
CN110059442A (zh) * | 2019-05-07 | 2019-07-26 | 同济大学 | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 |
CN112488372A (zh) * | 2020-11-23 | 2021-03-12 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 多时间尺度下电采暖负荷双层优化调度方法 |
WO2022117126A1 (zh) * | 2020-12-04 | 2022-06-09 | 中国电力科学研究院有限公司 | 一种电网量测数据的校验方法、装置、设备、存储介质及程序产品 |
CN112711907A (zh) * | 2020-12-29 | 2021-04-27 | 浙江大学 | 一种基于能耗的制造业设备产量分析方法 |
CN114665519A (zh) * | 2021-12-15 | 2022-06-24 | 河海大学 | 一种基于分层模型的风电场集群有功功率协调控制方法 |
CN114386679A (zh) * | 2021-12-24 | 2022-04-22 | 鞍钢集团矿业有限公司 | 基于集成学习的球磨机能耗状态监测方法 |
CN114548493A (zh) * | 2022-01-12 | 2022-05-27 | 国网山东省电力公司营销服务中心(计量中心) | 一种电能表电流过载预测方法与系统 |
CN114820825A (zh) * | 2022-06-28 | 2022-07-29 | 浩源科技有限公司 | 一种地下管廊装配式结构的绿色检测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110516A (zh) * | 2023-04-14 | 2023-05-12 | 青岛山青华通环境科技有限公司 | 一种污水处理过程异常工况识别方法和装置 |
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 |
---|---|
CN115577020B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115577020B (zh) | 一种修磨周期能耗状态识别系统及识别方法 | |
Wang et al. | Hidden Markov model-based tool wear monitoring in turning | |
Liu et al. | Diagnosis and prognosis of degradation process via hidden semi-Markov model | |
CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
CN103345200B (zh) | 一种基于广义区间的切削加工颤振辨识方法 | |
CN110647943A (zh) | 基于演化数据聚类分析的切削刀具磨损监测方法 | |
CN110109431B (zh) | 一种压铸机oee信息智能获取系统 | |
CN112018758A (zh) | 基于数字孪生的含高比例新能源交直流混联系统建模方法 | |
CN111774931A (zh) | 数控车削批量加工刀具磨损在线监测方法 | |
CN111832624A (zh) | 一种基于对抗迁移学习的刀具剩余寿命预测方法 | |
CN113997122B (zh) | 一种刀具磨损监测方法及系统 | |
US20220179393A1 (en) | Machine tool evaluation method, machine tool evaluation system and medium | |
CN114611744A (zh) | 机床管理方法、机床管理系统及介质 | |
CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
CN115409067A (zh) | 一种数控机床组件剩余寿命预测方法 | |
Gittler et al. | International Conference on Advanced and Competitive Manufacturing Technologies milling tool wear prediction using unsupervised machine learning | |
CN114800040A (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 | |
CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 | |
Muralikrishnan et al. | Functional filtering and performance correlation of plateau honed surface profiles | |
Wan et al. | An on-line tool wear monitoring method based on cutting power | |
CN114357851A (zh) | 一种基于dae-rnn的数控铣削表面粗糙度预测方法 | |
CN113312587A (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
CN105975564A (zh) | 基于相对熵相似度的知识推荐方法 | |
CN117078118B (zh) | 一种数控机床生产工件质量智能检测系统 | |
CN116861204B (zh) | 基于数字孪生的智能制造设备数据管理系统 |
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 |