CN116551467A - 基于物联网监控数据的刀具磨损状态识别方法 - Google Patents
基于物联网监控数据的刀具磨损状态识别方法 Download PDFInfo
- Publication number
- CN116551467A CN116551467A CN202310818096.1A CN202310818096A CN116551467A CN 116551467 A CN116551467 A CN 116551467A CN 202310818096 A CN202310818096 A CN 202310818096A CN 116551467 A CN116551467 A CN 116551467A
- Authority
- CN
- China
- Prior art keywords
- data
- cutter
- samples
- sample
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005299 abrasion Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 238000003754 machining Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000003032 molecular docking Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 3
- 238000003801 milling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种基于物联网监控数据的刀具磨损状态识别方法，通过采集现场数据、数据清洗、数据筛选与增加、特征提取与筛选、对样本数据进行归一化处理、样本划分、刀具分类模型、刀具磨损状态模型、对接平台的步骤，以工业物联网平台的实时采集数据为基础，先构建刀具种类识别算法模型，将不同类型的刀具数据区分为多组分别处理，再逐一构造针对每种刀具类型的磨损状态算法模型。实现了能对实际生产车间中多台机加工设备进行实时刀具磨损状态识别的功能。
Description
技术领域
本发明涉及工业故障诊断技术领域，尤其涉及一种基于物联网监控数据的刀具磨损状态识别方法。
背景技术
在机械设备的生产制造过程中机加工工艺由于其灵活性、精确性被广泛应用。机床刀具作为数控机床的主要末端执行件对于工件表面加工质量、 精度有着直接影响。据统计由刀具状态异常导致的停机时间占据了总停机时间的 10%-40%。刀具状态监测技术作为保障工件表面质量和尺寸精度，防止工件报废和机床损坏，优化加工过程，降低成本，提高生产效率的有效手段，越来越引起人们的重视。
在传统的加工生产过程中，机床技术员会根据多种方式判断刀具磨损状态：根据运刀的时间结合自身直觉进行判断；触摸机床的振动结合自身直觉进行判断；以直接观察的方法判断刀具磨损情况；测量被加工件表面的尺寸稳定性。但是以上的这些各种判断方法，都无法同时做到定量的、实时的、可追溯的识别刀具状态。
近些年工业物联网平台在大型制造企业中的普及为刀具状态实时识别奠定了坚实的数据基础。基于工业物联网平台强大的数据采集能力，厂房中所有设备的运行数据都能实时的被记录下来。依据采集到的机床作业数据可以用于训练机器学习算法模型，用于分析当前刀具的磨损状态，并及时给与警报提示指导技术员顺利开展加工作业。
但是，部分刀具状态识别的研究内容是基于高频振动传感器、声传感器的采集信号展开分析。由于其采集频率高数据量大，对于硬件设备提出了极高的要求，仅适用于实验室分析，难以应用于工业物联网项目的实际实施和技术落地。
实际的加工任务中机床会综合使用数十种刀具以完成复杂的加工任务，在加工过程中也会频繁切换刀具以实现不同的加工步骤。不同种类的刀具在行为方式、使用频率、磨损速度上均有所不同，笼统的、单一的算法模型无法适应多种类刀具的磨损识别需求。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于物联网监控数据的刀具磨损状态识别方法。
为实现上述目的，本发明采用了如下技术方案：
基于物联网监控数据的刀具磨损状态识别方法，包括以下步骤：
S1：采集现场数据：通现场刀具磨损实验，获取刀具在不同状态下的实时作业数据，依据机床技术员的观察判断，根据刀具类型添加类型标签，根据实际刀具健康数据添加状态标签，为训练机器学习模型准备好数据基础；
所述类型标签包括：铣刀、钻刀、镗刀；
所述状态标签包括：健康、磨损。
S2：数据清洗：对采集到的现场数据进行清洗，去除异常数据和相关度低的数据。
S3：数据筛选与增加：获取有效时序样本，去除待机、空转的无效数据；并且利用滑窗法增加样本数量。
S4：特征提取与筛选：利用相关性矩阵和特征重要性排序，经过多次迭代逐步确定最终数据维度和最终统计特征类型。
S5：对样本数据进行归一化处理：对于某一特征的归一化方法可按如下公式计算
x*=(x-μ)/σ ，
其中x*为归一化后的数值，x为原数值，μ是该特征的平均值，σ是该特征的标准差。
S6：样本划分：为便于评估算法模型性能，从有标签的样本中随机抽取一定比例的样本组成验证集，验证集内的样本仅用于验证算法性能，不参与算法模型训练；其余的有标签的样本和所有的无标签样本组成训练集，专门用于算法模型训练。
S7：刀具分类模型：构造用于区分刀具类型的算法模型，并利用样本数据及其刀具类型标签进行训练，先构造刀具类型识别模型，再根据识别出的不同类别分别构造刀具磨损状态识别模型，采用半监督学习算法，综合利用现场实验中获取的有标签样本和实际生产中获取的无标签样本训练算法模型，获得性能稳定的算法模型文件。
S8：刀具磨损状态模型：利用训练好的刀具类型识别模型对所有样本进行识别，根据识别出的类型将总体样本集拆分成多个单种刀具类型的样本集，针对每个单种刀具类型的样本集重复S7步骤，为每种刀具类型构建一个刀具磨损状态模型。
S9：对接平台：将算法模型与工业物联网平台对接 ，算法模型实时接受机加工设备的作业数据并立即做出判断，对识别为刀具磨损的情况给出报警。
进一步的，步骤S2包括以下子步骤：
S21：去除缺失数值的数据内容和数值上明显异常的数据，判断方式为：
IQR=Q1-Q3
IQR为四分位数间距，Q1为第一四分位数，Q3为第三四分位数
若数据大于Q3+1.5*IQR则判定为异常数据。
S22：根据物理知识筛选出与刀具磨损状态存在关联关系的数据维度，去掉其余的数据信息。
进一步的，步骤S3包括以下子步骤：
S31：依据机加工设备的“主轴负载”数值判断出有效工作时段，去掉无效时段数据。
S32：利用滑动窗口法在机加工设备的有效工作时段中构造出更多时序样本，根据确定好的滑动窗口长度在有效工作时段中一步一步的移动滑动窗口直至当前有效工作时段末尾，每移动一次就取当前滑动窗口位置的数据作为一条时序样本。
进一步的，步骤S4包括以下子步骤：
S41：从所有时序样本中提取其统计特征作为实际样本：结合当前数据维度的有效时序样本和多种统计特征计算方法，提取具有多个统计特征维度的实际样本。
S42：计算实际样本各数据维度的相关性矩阵：根据相关性矩阵的数值，保留相互独立性强即数值接近0的特征，使数据内容尽量丰富；去掉线性相关性强即数值的绝对值接近1的特征，降低数据冗余。
S43：计算各数据维度的重要性排名：利用随机森林模型对有标签的实际样本进行训练，由于随机森林算法在训练每个评估器时会随机挑选数据维度，因此在模型训练完成后可以根据所有评估器的准确性和其所利用的数据维度计算出数据维度的重要性排名。
S44：重复S41-S43步骤，并综合考虑S42、S43的计算结果，逐步筛选确定出相关性弱且重要性高的数据维度,根据“主轴负载”、“主轴转速”、“进给率”、“机械坐标X”、“机械坐标Y”、“机械坐标Z”几个维度的时序数据分别提取了其“时序差分的平均值”、“中位数”、“均方根”、“峰度”、“方差”、“最大值”、“非线性度”、统计特征,形成了包含若干统计特征的数据样本。
进一步的，步骤S7包括以下子步骤：
S71：采用随机森林算法模型构建监督学习算法。
S72：利用所有训练集中的标签数据训练监督学习算法模型。
S73：根据已训练好的监督学习算法模型预测无标签样本，将其中预测可信度高于某一指定阈值的无标签样本按照其预测标签内容作为有标签样本加入到训练集的有标签样本中，并从训练集的无标签样本中将其去除。
S74：重复S71- S73步骤，直至达到指定的最大迭代次数，最终获得性能稳定的算法模型。
S75：评估模型性能：用训练好的算法模型预测验证集中所有的标签样本，将这些样本的预测值与实际值进行对比生成混淆矩阵，并计算准确率；所述准确率=对角元素的和/所有元素总和。
有益效果：（1）本专利方法以工业物联网平台的实时采集数据为基础，先构建刀具种类识别算法模型，将不同类型的刀具数据区分为多组分别处理，再逐一构造针对每种刀具类型的磨损状态算法模型。实现了能对实际生产车间中多台机加工设备进行实时刀具磨损状态识别的功能；（2）本专利算法有计算速度快，数据采集频率要求低，硬件要求低，环境要求低等特点，适宜与工业物联网平台联合使用为机加工生产过程做出有益指导。当刀具处于磨损状态时及时发出警告，提示机加工技术员关注加工过程，检查刀具状态避免出现崩刀、断刀和产品质量问题。
附图说明
图1为本发明实施例1的整体流程示意图；
图2为本发明实施例1的数据相关性热力图；
图3为本发明实施例1的特征重要性对比图（%）。
具体实施方式
为使对本发明的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。
实施例1，如图1所示：
S1：采集现场数据：通现场刀具磨损实验，获取刀具在不同状态下的实时作业数据，依据机床技术员的观察判断，根据刀具类型添加类型标签，根据实际刀具健康数据添加状态标签，为训练机器学习模型准备好数据基础；
所述类型标签包括：铣刀、钻刀、镗刀等；
所述状态标签包括：健康、磨损等。
由于工厂条件限制，仅采集了上述标签种类，但对于算法程序而言不限于上述种类，类型标签会有更多的种类，状态标签也会细化到磨损程度。
S2：数据清洗：对采集到的现场数据进行清洗，去除异常数据和相关度低的数据。
进一步的，步骤S2包括以下子步骤：
S21：去除缺失数值的数据内容和数值上明显异常的数据，判断方式为：
IQR=Q1-Q3
IQR为四分位数间距，Q1为第一四分位数，Q3为第三四分位数
若数据大于Q3+1.5*IQR则判定为异常数据。
整个机加工设备上会涉及多个不同类型的传感器，由于传感器的可靠性不同难免会产生数据遗漏和错误的情况。这里是需要将这部分异常的数据去除避免异常的数据严重导致误导算法模型，显著降低算法精度。
S22：根据物理知识筛选出与刀具磨损状态存在关联关系的数据维度，去掉其余的数据信息。
根据刀具磨损现象的物理知识在数十种机加工设备参数中筛选出“主轴负载”、“主轴转速”、“进给率”、“机械坐标Z”、“温度”等数个与刀具磨损状态相关性强的数据维度。去除诸如“执行程序名称”、“报警状态”、“设备产量”等无关数据维度。
S3：数据筛选与增加：获取有效时序样本，去除待机、空转等无效数据；并且利用滑窗法增加样本数量。
样本的数量和质量对于算法模型的性能有着至关重要的影响，样本数量越多、样本质量越高，越有利于最终训练出的算法模型准确率高、泛化性能好。
进一步的，步骤S3包括以下子步骤：
S31：依据机加工设备的“主轴负载”数值判断出有效工作时段，去掉无效时段数据。
刀具的工作过程是一个时序相关的过程，在刀具运行过程中所有维度的数值都会随时间波动，无法从某一时间点判断出刀具磨损状态。在机加工设备的实时数据中存在着大量待机、停机等无效数据，所以这里的数据筛选过程筛掉了大量待机、停机等无效数据，使得数据更加精准合理。
S32：利用滑动窗口法在机加工设备的有效工作时段中构造出更多时序样本，根据确定好的滑动窗口长度在有效工作时段中一步一步的移动滑动窗口直至当前有效工作时段末尾，每移动一次就取当前滑动窗口位置的数据作为一条时序样本。
采用滑窗法即可以使过得的时序样本具有统一的时间长度便于后期特征提取，又可以大量增加样本数量。
进一步的，步骤S4包括以下子步骤：
S4：特征提取与筛选：利用相关性矩阵和特征重要性排序，经过多次迭代逐步确定最终数据维度和最终统计特征类型。
进一步的，具体包括以下步骤：
S41：从所有时序样本中提取其统计特征作为实际样本：结合当前数据维度的有效时序样本和多种统计特征计算方法，（诸如：“均值”、“中位数”、“最大值”、“方差”、“本福特相关性”、“峰度”、“复杂度”等等），提取具有多个统计特征维度的实际样本。
S42：计算实际样本各数据维度的相关性矩阵：根据相关性矩阵的数值，保留相互独立性强即数值接近0的特征，使数据内容尽量丰富；去掉线性相关性强即数值的绝对值接近1的特征，降低数据冗余。
若两个维度的相关性绝对值越接近0则表明这两个维度的数据独立性强，表达的信息越丰富；若相关性绝对值越接近1则表明这两个维度越相似，表达的信息越冗余。
S43：计算各数据维度的重要性排名：利用随机森林模型对有标签的实际样本进行训练，由于随机森林算法在训练每个评估器时会随机挑选数据维度，因此在模型训练完成后可以根据所有评估器的准确性和其所利用的数据维度计算出数据维度的重要性排名。
S44：重复S41-S43步骤，并综合考虑S42、S43的计算结果，逐步筛选确定出相关性弱且重要性高的数据维度,根据“主轴负载”、“主轴转速”、“进给率”、“机械坐标X”、“机械坐标Y”、“机械坐标Z”几个维度的时序数据分别提取了其“时序差分的平均值”、“中位数”、“均方根”、“峰度”、“方差”、“最大值”、“非线性度”等多个统计特征，形成了包含若干统计特征的数据样本，如下表（表1）和图2、图3所示。
| 名称 | 描述 |
| ActF_mean_change | 主轴负载的时序差分的平均值 |
| ActF_median | 主轴负载的中位数 |
| ActF_root_mean_square | 主轴负载的均方根 |
| ActF_kurtosis | 主轴负载的峰度 |
| ActF_time_reversal_asymmetry | 主轴负载的时序对称性 |
| ActF_variance | 主轴负载的方差 |
| ActF_maximum | 主轴负载的最大值 |
| ActF_c3 | 主轴负载的非线性度 |
| ActF_cid_ce | 主轴负载的时序的复杂性 |
| ActF_absolute_sum_of_changes | 主轴负载的连续变化的绝对值之和 |
| Speed_mean | 主轴转速的平均值 |
| FeedRate_median | 进给率的中位数 |
| FeedRate_root_mean_square | 进给率的均方根 |
| X_linear_trend | 机械坐标X的线性趋势 |
| X_mean_change | 机械坐标X的时序差分的平均值 |
| X_variance | 机械坐标X的方差 |
| Y_linear_trend | 机械坐标Y的线性趋势 |
| Y_mean_change | 机械坐标Y的时序差分的平均值 |
| Y_variance | 机械坐标Y的方差 |
| Z_linear_trend | 机械坐标Z的线性趋势 |
表1
S5：对样本数据进行归一化处理：对于某一特征的归一化方法可按如下公式计算
x*=(x-μ)/σ ，
其中x*为归一化后的数值，x为原数值，μ是该特征的平均值，σ是该特征的标准差。
归一化处理避免数值极大和极小的特征数据对算法模型的不利影响。
S6：样本划分：为便于评估算法模型性能，从有标签的样本中随机抽取一定比例的样本组成验证集，验证集内的样本仅用于验证算法性能，不参与算法模型训练；其余的有标签的样本和所有的无标签样本组成训练集，专门用于算法模型训练。
S7：刀具分类模型：构造用于区分刀具类型的算法模型，并利用样本数据及其刀具类型标签进行训练，先构造刀具类型识别模型，再根据识别出的不同类别分别构造刀具磨损状态识别模型，采用半监督学习算法，综合利用现场实验中获取的有标签样本和实际生产中获取的无标签样本训练算法模型，获得性能稳定的算法模型文件。
在实际的加工任务中机床会综合使用数十种刀具以完成复杂的加工任务，在加工过程中也会频繁切换刀具以实现不同的加工步骤。不同种类的刀具在行为方式、使用频率、磨损速度上均有所不同，笼统的、单一的算法模型无法适应多种类刀具的磨损识别需求，所以这里采用半监督的学习算法，综合利用现场实验中获取的有标签样本和实际生产中获取的无标签样本训练算法模型，获得性能稳定的算法模型文件。
进一步的，步骤S7包括以下子步骤：
S71：采用随机森林算法模型构建监督学习算法。
随机森林算法模型构建监督学习算法作为大量决策树模型的集合即有决策树线性算法速度快的优势，又在不同决策树中加入大量随机性以确保算法有优秀的泛化性能降低过拟合风险。
S72：利用所有训练集中的标签数据训练监督学习算法模型。
S73：根据已训练好的监督学习算法模型预测无标签样本，将其中预测可信度高于某一指定阈值的无标签样本按照其预测标签内容作为有标签样本加入到训练集的有标签样本中，并从训练集的无标签样本中将其去除。
S74：重复S71- S73步骤，直至达到指定的最大迭代次数，最终获得性能稳定的算法模型。
S75：评估模型性能：用训练好的算法模型预测验证集中所有的标签样本，将这些样本的预测值与实际值进行对比生成混淆矩阵，并计算准确率；所述准确率=对角元素的和/所有元素总和，如下表（表2）所示。
表2
S8：刀具磨损状态模型：利用训练好的刀具类型识别模型对所有样本进行识别，根据识别出的类型将总体样本集拆分成多个单种刀具类型的样本集，针对每个单种刀具类型的样本集重复S7步骤，为每种刀具类型构建一个刀具磨损状态模型。
S9：对接平台：将算法模型与工业物联网平台对接 ，算法模型实时接受机加工设备的作业数据并立即做出判断，对识别为刀具磨损的情况给出报警。
具体包括：S91：搭建算法服务；服务通过网络接口接收工业物联网平台实时传递的机床监控数据；服务调用算法模型对机床监控数据进行识别，对识别为刀具磨损的情况给出报警；服务将报警信息通过网络接口反馈给工业物联网平台。
依据本发明的计算方法可以构建出性能稳定的算法模型。能够在机加工设备的实际作业过程中实时接受加工控制数据并立刻做出刀具磨损状态的判断。
本专利算法有计算速度快，数据采集频率要求低，硬件要求低，环境要求低等特点，适宜与工业物联网平台联合使用为机加工生产过程做出有益指导。当刀具处于磨损状态时及时发出警告，提示机加工技术员关注加工过程，检查刀具状态避免出现崩刀、断刀和产品质量问题。
本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。
Claims (5)
1.基于物联网监控数据的刀具磨损状态识别方法，其特征在于：包括以下步骤：
S1：采集现场数据：通现场刀具磨损实验，获取刀具在不同状态下的实时作业数据，依据机床技术员的观察判断，根据刀具类型添加类型标签，根据实际刀具健康数据添加状态标签，为训练机器学习模型准备好数据基础；
所述类型标签包括：铣刀、钻刀、镗刀；
所述状态标签包括：健康、磨损；
S2：数据清洗：对采集到的现场数据进行清洗，去除异常数据和相关度低的数据；
S3：数据筛选与增加：获取有效时序样本，去除待机、空转的无效数据；并且利用滑窗法增加样本数量；
S4：特征提取与筛选：利用相关性矩阵和特征重要性排序，经过多次迭代逐步确定最终数据维度和最终统计特征类型；
S5：对样本数据进行归一化处理：对于某一特征的归一化方法可按如下公式计算
x*=(x-μ)/σ，
其中x*为归一化后的数值，x为原数值，μ是该特征的平均值，σ是该特征的标准差；
S6：样本划分：为便于评估算法模型性能，从有标签的样本中随机抽取一定比例的样本组成验证集，验证集内的样本仅用于验证算法性能，不参与算法模型训练；其余的有标签的样本和所有的无标签样本组成训练集，专门用于算法模型训练；
S7：刀具分类模型：构造用于区分刀具类型的算法模型，并利用样本数据及其刀具类型标签进行训练，先构造刀具类型识别模型，再根据识别出的不同类别分别构造刀具磨损状态识别模型，采用半监督学习算法，综合利用现场实验中获取的有标签样本和实际生产中获取的无标签样本训练算法模型，获得性能稳定的算法模型文件；
S8：刀具磨损状态模型：利用训练好的刀具类型识别模型对所有样本进行识别，根据识别出的类型将总体样本集拆分成多个单种刀具类型的样本集，针对每个单种刀具类型的样本集重复S7步骤，为每种刀具类型构建一个刀具磨损状态模型；
S9：对接平台：将算法模型与工业物联网平台对接，算法模型实时接受机加工设备的作业数据并立即做出判断，对识别为刀具磨损的情况给出报警。
2.如权利要求1所述的基于物联网监控数据的刀具磨损状态识别方法，其特征在于：步骤S2包括以下子步骤：
S21：去除缺失数值的数据内容和数值上明显异常的数据，判断方式为：
IQR=Q1-Q3
IQR为四分位数间距，Q1为第一四分位数，Q3为第三四分位数
若数据大于Q3+1.5*IQR则判定为异常数据；
S22：根据物理知识筛选出与刀具磨损状态存在关联关系的数据维度，去掉其余的数据信息。
3.如权利要求1所述的基于物联网监控数据的刀具磨损状态识别方法，其特征在于：步骤S3包括以下子步骤：
S31：依据机加工设备的“主轴负载”数值判断出有效工作时段，去掉无效时段数据；
S32：利用滑动窗口法在机加工设备的有效工作时段中构造出更多时序样本，根据确定好的滑动窗口长度在有效工作时段中一步一步的移动滑动窗口直至当前有效工作时段末尾，每移动一次就取当前滑动窗口位置的数据作为一条时序样本。
4.如权利要求1所述的基于物联网监控数据的刀具磨损状态识别方法，其特征在于：步骤S4包括以下子步骤：
S41：从所有时序样本中提取其统计特征作为实际样本：结合当前数据维度的有效时序样本和多种统计特征计算方法，提取具有多个统计特征维度的实际样本；
S42：计算实际样本各数据维度的相关性矩阵：根据相关性矩阵的数值，保留相互独立性强即数值接近0的特征，使数据内容尽量丰富；去掉线性相关性强即数值的绝对值接近1的特征，降低数据冗余；
S43：计算各数据维度的重要性排名：利用随机森林模型对有标签的实际样本进行训练，由于随机森林算法在训练每个评估器时会随机挑选数据维度，因此在模型训练完成后可以根据所有评估器的准确性和其所利用的数据维度计算出数据维度的重要性排名；
S44：重复S41-S43步骤，并综合考虑S42、S43的计算结果，逐步筛选确定出相关性弱且重要性高的数据维度,根据“主轴负载”、“主轴转速”、“进给率”、“机械坐标X”、“机械坐标Y”、“机械坐标Z”几个维度的时序数据分别提取了其“时序差分的平均值”、“中位数”、“均方根”、“峰度”、“方差”、“最大值”、“非线性度”、统计特征,形成了包含若干统计特征的数据样本。
5.如权利要求1所述的基于物联网监控数据的刀具磨损状态识别方法，其特征在于：步骤S7包括以下子步骤：
S71：采用随机森林算法模型构建监督学习算法；
S72：利用所有训练集中的标签数据训练监督学习算法模型；
S73：根据已训练好的监督学习算法模型预测无标签样本，将其中预测可信度高于某一指定阈值的无标签样本按照其预测标签内容作为有标签样本加入到训练集的有标签样本中，并从训练集的无标签样本中将其去除；
S74：重复S71- S73步骤，直至达到指定的最大迭代次数，最终获得性能稳定的算法模型；
S75：评估模型性能：用训练好的算法模型预测验证集中所有的标签样本，将这些样本的预测值与实际值进行对比生成混淆矩阵，并计算准确率；所述准确率=对角元素的和/所有元素总和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310818096.1A CN116551467B (zh) | 2023-07-05 | 2023-07-05 | 基于物联网监控数据的刀具磨损状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310818096.1A CN116551467B (zh) | 2023-07-05 | 2023-07-05 | 基于物联网监控数据的刀具磨损状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116551467A true CN116551467A (zh) | 2023-08-08 |
| CN116551467B CN116551467B (zh) | 2023-09-01 |
Family
ID=87488286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310818096.1A Active CN116551467B (zh) | 2023-07-05 | 2023-07-05 | 基于物联网监控数据的刀具磨损状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116551467B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180275630A1 (en) * | 2017-03-24 | 2018-09-27 | National Cheng Kung University | System and method for machine tool maintenance and repair |
| JP2019082836A (ja) * | 2017-10-30 | 2019-05-30 | 株式会社ジェイテクト | 工具寿命予測装置 |
| CN111136509A (zh) * | 2020-01-10 | 2020-05-12 | 大连理工大学 | 一种基于elm-sdae算法的刀具状态监测方法 |
| CN112692646A (zh) * | 2020-12-31 | 2021-04-23 | 上海交通大学 | 一种刀具磨损状态智能评估方法及装置 |
| CN113408195A (zh) * | 2021-06-11 | 2021-09-17 | 北京理工大学 | 一种过程中刀具磨损状态预测方法 |
| CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
| CN113752086A (zh) * | 2021-08-19 | 2021-12-07 | 黄朋飞 | 一种用于数控机床刀具状态检测的方法和装置 |
| CN114714145A (zh) * | 2022-05-07 | 2022-07-08 | 嘉兴南湖学院 | 一种刀具磨损状态的格拉姆角场增强对比学习监测方法 |
| US20230004152A1 (en) * | 2019-11-21 | 2023-01-05 | Pro-Micron Gmbh | Method for monitoring and/or predecting machining processes and/or machnining outcomes |
| CN115922443A (zh) * | 2023-01-09 | 2023-04-07 | 湖南大学 | 一种基于滑动窗口的刀具剩余使用寿命实时预测方法 |
-
2023
- 2023-07-05 CN CN202310818096.1A patent/CN116551467B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180275630A1 (en) * | 2017-03-24 | 2018-09-27 | National Cheng Kung University | System and method for machine tool maintenance and repair |
| JP2019082836A (ja) * | 2017-10-30 | 2019-05-30 | 株式会社ジェイテクト | 工具寿命予測装置 |
| US20230004152A1 (en) * | 2019-11-21 | 2023-01-05 | Pro-Micron Gmbh | Method for monitoring and/or predecting machining processes and/or machnining outcomes |
| CN111136509A (zh) * | 2020-01-10 | 2020-05-12 | 大连理工大学 | 一种基于elm-sdae算法的刀具状态监测方法 |
| CN112692646A (zh) * | 2020-12-31 | 2021-04-23 | 上海交通大学 | 一种刀具磨损状态智能评估方法及装置 |
| CN113408195A (zh) * | 2021-06-11 | 2021-09-17 | 北京理工大学 | 一种过程中刀具磨损状态预测方法 |
| CN113752086A (zh) * | 2021-08-19 | 2021-12-07 | 黄朋飞 | 一种用于数控机床刀具状态检测的方法和装置 |
| CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
| CN114714145A (zh) * | 2022-05-07 | 2022-07-08 | 嘉兴南湖学院 | 一种刀具磨损状态的格拉姆角场增强对比学习监测方法 |
| CN115922443A (zh) * | 2023-01-09 | 2023-04-07 | 湖南大学 | 一种基于滑动窗口的刀具剩余使用寿命实时预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116551467B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| Wang et al. | CHMM for tool condition monitoring and remaining useful life prediction | |
| CN108581633B (zh) | 一种基于遗传算法优化多传感监测刀具状态的方法 | |
| CN117235649B (zh) | 一种基于大数据的工业设备状态智能监测系统及方法 | |
| CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
| CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
| CN108393744B (zh) | 一种刀具状态多传感监测方法 | |
| CN116070527B (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
| Kozłowski et al. | Integrating advanced measurement and signal processing for reliability decision-making | |
| CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
| CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
| CN115718466A (zh) | 基于随机森林和层次分析法的数字孪生车间故障预测方法 | |
| CN106054832B (zh) | 基于多变量的间歇化工生产过程动态在线监测方法与装置 | |
| CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 | |
| CN116551467B (zh) | 基于物联网监控数据的刀具磨损状态识别方法 | |
| KR20220152709A (ko) | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 | |
| CN117113104A (zh) | 一种应用数据分析技术的智能化管理系统及方法 | |
| CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 | |
| CN117010549A (zh) | 基于大数据管理体系的信息溯源方法及终端 | |
| CN108427375B (zh) | 一种基于带通滤波处理多传感监测刀具状态的方法 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN110889395A (zh) | 基于机器学习的机械运动识别方法及系统 | |
| TWI639908B (zh) | 製程偵錯與診斷方法 | |
| CN115828164A (zh) | 一种基于数据驱动的电动钉枪故障类型识别方法 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 |
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 |