CN116679612B - 一种机床加工异常能耗数据监测方法 - Google Patents
一种机床加工异常能耗数据监测方法 Download PDFInfo
- Publication number
- CN116679612B CN116679612B CN202310973513.XA CN202310973513A CN116679612B CN 116679612 B CN116679612 B CN 116679612B CN 202310973513 A CN202310973513 A CN 202310973513A CN 116679612 B CN116679612 B CN 116679612B
- Authority
- CN
- China
- Prior art keywords
- moment
- component
- energy consumption
- machine tool
- determining
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 259
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 11
- 238000003754 machining Methods 0.000 title claims description 25
- 239000013598 vector Substances 0.000 claims abstract description 73
- 238000012512 characterization method Methods 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 120
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000087 stabilizing effect Effects 0.000 abstract 3
- 238000001816 cooling Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000020347 spindle assembly Effects 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34465—Safety, control of correct operation, abnormal states
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据识别技术领域,具体涉及一种机床加工异常能耗数据监测方法,包括:获取待识别机床的各个组件对应的能耗时序数据,确定各个组件的细粒度和粗粒度平稳性,进而确定平稳性变化程度;确定各个组件对应的第一、第二平稳方向指标,进而确定平稳性变化方向;根据各个能耗状态对应的各类标准向量以及各个组件对应的分类表征系数和归一化方差值,确定各分类识别结果,进而确定待识别机床的能耗状态为各个能耗状态的概率,从而确定待识别机床的能耗状态。本发明利用数据识别技术,基于对机床加工能耗数据的监测,确定了待识别机床的能耗状态,提高了机床能耗状态识别的准确性。
Description
技术领域
本发明涉及数据识别技术领域,具体涉及一种机床加工异常能耗数据监测方法。
背景技术
随着现代社会自动化技术的发展,工业数字化进程也越来越迅速,工业生产加工由传统的人工手动操控逐渐转变为利用数字化对机床等生产设备进行控制,数字化控制可大大提高生产效率以及生产产品的质量,使工业生产进入了新的发展阶段,但随着高效率生产而来的是数控机床等数字化自动控制设备高水平的能耗,由于我国数字化工业起步较晚,导致各种数控机床技术手段还不完善,高能耗不仅不利于生产成本的控制,而且会对环境造成更大的污染,因此,基于绿色制造的生产理念,需要对数控机床的能耗状态进行识别,为后续节约能耗各状态节约能耗策略提供依据,以达到有效降低能耗的目的。
现有技术中对机床加工异常能耗数据监测方法为对机床功率设定判别阈值,根据机床运行时功率与判别阈值的大小关系来判定机床的能耗状态,该方法对判别阈值的设定准确性过于依赖,导致无法适应多种不同型号的机床,通用性较差,并且一旦判别阈值设置与实际数据严重不符,就会导致无法准确识别机床的能耗状态;随着数据识别技术的发展,通过分析机床的NC(Numerical Control,数字计算机控制)命令代码来判定能耗状态,该方法仅能用于能耗的分析以及预测,并不适用于在线监测,且在判定能耗状态时容易将不同能耗状态划分为同一种能耗状态,该方法的能耗状态识别准确性差。
发明内容
为了解决上述现有机床能耗状态识别的准确性差的问题,本发明的目的在于提供一种机床加工异常能耗数据监测方法。
本发明提供了一床能种机耗状态识别方法,包括以下步骤:
获取待识别机床的各个组件在T时刻对应的预设检测时段内的每个时刻对应的序号和能耗时序数据;
根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数以及预设检测时段内的每个时刻对应的序号和能耗时序数据,确定各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性,进而确定各个组件在T时刻对应的平稳性变化程度;
根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数以及预设检测时段内的每个时刻对应的序号和能耗时序数据,确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标,进而确定各个组件在T时刻对应的平稳性变化方向;
根据各个组件在T时刻对应的平稳性变化程度和平稳性变化方向,确定各个组件在T时刻对应的分类表征系数,并根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,确定各个组件在T时刻对应的归一化方差值;
获取机床的各个能耗状态对应的各类标准向量,根据机床的各个能耗状态对应的各类标准向量以及各个组件在T时刻对应的分类表征系数和归一化方差值,确定待识别机床在T时刻对应的各分类识别结果;
根据待识别机床在T时刻对应的各分类识别结果,确定待识别机床的能耗状态为各个能耗状态的概率,进而确定待识别机床在T时刻的能耗状态。
进一步地,确定各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性的步骤包括:
根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,确定各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的能耗时序数据的差值绝对值;
根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的序号,确定各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的序号的差值绝对值;
根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数、预设检测时段内的任意两个时刻对应的序号的差值绝对值和能耗时序数据的差值绝对值,确定各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性。
进一步地,确定各个组件在T时刻对应的细粒度平稳性的计算公式为:
;
其中,为各个组件在T时刻对应的细粒度平稳性,K为各个组件在T时刻对应的预设检测时段内的所有时刻的个数,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻中一个时刻对应的序号,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻中另一个时刻对应的序号,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的能耗时序数据的差值绝对值。
进一步地,确定各个组件在T时刻对应的粗粒度平稳性的计算公式为:
;
其中,为各个组件在T时刻对应的粗粒度平稳性,K为各个组件在T时刻对应的预设检测时段内的所有时刻的个数,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻中一个时刻对应的序号,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻中另一个时刻对应的序号,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的能耗时序数据的差值绝对值。
进一步地,进而确定各个组件在T时刻对应的平稳性变化程度的步骤包括:
根据各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性,确定细粒度平稳性和粗粒度平稳性相减的差值的绝对值,并确定细粒度平稳性和粗粒度平稳性相加的和;
将细粒度平稳性和粗粒度平稳性相减的差值的绝对值与其相加的和的比值作为各个组件在T时刻对应的平稳性变化程度。
进一步地,确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标的步骤包括:
根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,确定各个组件在T时刻对应的预设检测时段内的各相邻两时刻对应的能耗时序数据的差值绝对值;
根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数、预设检测时段内的每个时刻对应的序号以及预设检测时段内的各相邻两时刻对应的能耗时序数据的差值绝对值,确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标。
进一步地,确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标的计算公式为:
;
;
其中,为各个组件在当前设定时段内的第一平稳方向指标,/>为各个组件在当前设定时段内的第二平稳方向指标,K为各个组件在当前设定时段内所有时刻的个数,/>为各个组件在当前设定时段内的各相邻两时刻中一个时刻对应的序号,/>为各个组件在当前设定时段内的各相邻两时刻中另一个时刻对应的序号,/>为各个组件在设定时段内的各相邻两时刻对应的能耗时序数据的差值绝对值。
进一步地,确定各个组件在T时刻对应的分类表征系数的计算公式为:
;
其中,为各个组件在T时刻对应的分类表征系数,H为各个组件在T时刻对应的平稳性变化程度,F为各个组件在T时刻对应的平稳性变化方向。
进一步地,确定待识别机床在T时刻对应的各分类识别结果的步骤包括:
将各个组件在T时刻对应的分类表征系数和归一化方差值构建成向量,从而得到待识别机床在T时刻对应的能耗状态向量;
根据待识别机床在T时刻对应的能耗状态向量和机床的各个能耗状态对应的各类标准向量,确定待识别机床在T时刻对应的能耗状态向量与各个能状态耗对应的各类标准向量之间的相似程度;
根据待识别机床在T时刻对应的能耗状态向量与各个能耗状态对应的各类标准向量之间的相似程度,确定待识别机床在T时刻对应的各分类识别结果。
进一步地,确定待识别机床的能耗状态为各个能耗状态的概率的步骤包括:
根据待识别机床在T时刻对应的各分类识别结果,计算待识别机床在T时刻对应的所有分类识别结果相加的和;
计算待识别机床在T时刻对应的各分类识别结果在所有分类识别结果相加的和中的占比,从而得到待识别机床的能耗状态为各个能耗状态的概率。
本发明具有如下有益效果:
本发明提供了一种机床加工异常能耗数据监测方法,利用数据识别技术,对各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据进行数据分析和处理,得到待识别机床的能耗状态为各个能耗状态的概率,根据能耗状态为各个能耗状态的概率,直接确定待识别机床在T时刻的能耗状态,其提高了机床能耗状态识别的准确性。通过获取T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,可以有效避免由于机床在不同能耗状态存在数值相同的能耗时序数据而导致的误分类情况,有利于更准确的识别出机床运行时的能耗状态。相比传统的确定稳定性的方法,基于数据识别技术,从细粒度平稳性和粗粒度平稳性两个方面出发来分析各个组件在T时刻对应的平稳性变化程度,从第一平稳方向指标和第二平稳方向指标来分析各个组件在T时刻对应的平稳性变化方向,能更加全面的分析耗数据的平稳性变化,有助于提高平稳性变化程度数值和平稳性变化方向数值的准确性。相比现有的通过设定判别阈值判定机床的能耗状态,基于机床的各个能耗状态对应的各类标准向量和待识别机床的各个组件在T时刻对应的分类表征系数和归一化方差值,可以更准确的确定待识别机床在T时刻对应的各分类识别结果,进而得到待识别机床在T时刻的能耗状态,其提高了机床能耗状态识别的通用性。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种机床加工异常能耗数据监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种机床加工异常能耗数据监测方法,如图1所示,该方法包括以下步骤:
(1)获取待识别机床的各个组件在T时刻对应的预设检测时段内的每个时刻对应的序号和能耗时序数据。
需要说明的是,在机床各个组件位置处设置能耗检测传感器,以采集各个组件的能耗时序数据,机床的各个组件的能耗构成了机床总能耗。各个组件包括:基础组件、主轴组件、换刀组件、冷却排屑组件以及液压进给组件,由于基础组件只要机床处于开机状态,则其本身就存在能耗,且能耗稳定不变,不具备能耗状态识别的参考价值,因此可将基础组件的能耗时序数据视为一个常数,将其测定后从总能耗中减去。基于上述分析可知,若想识别一个已经启动的机床的能耗状态,就需要对主轴组件、换刀组件、冷却排屑组件、液压进给组件所产生的能耗数据进行识别分析,来判定当前机床的能耗状态。
机床的能耗状态是指机床的不同的运行状态,通过分析机床在不同的运行状态下的能耗数据来实现节能策略的设计,对能耗检测传感器采集到的能耗数据进行数据识别和分析,可直接识别出机床的能耗状态,能耗状态也可以称为运行状态。根据机床的运行流程可将机床的能耗状态分为停机状态、待机状态、空载状态、空走刀状态以及加工状态。停机状态的各个组件不做任何工作,其能耗为零;待机状态的基础组件存在能耗,该能耗为常数,但是剩余其他组件不做任何工作,其能耗平稳;空载状态的主轴空转,换刀组件的工作状态不确定,有时工作有时不工作;空走刀状态的主轴组件的能耗平稳,液压进给组件进行无阻推进时的能耗平稳,冷却排屑组件启动时的能耗平稳,换刀组件不工作时的能耗平稳;加工状态的主轴受阻不空转时的能耗波动,液压进组件推进受阻时的能耗波动,冷却排屑组件由于加工碎屑含量变化而发生能耗波动,换刀组件不工作时的能耗平稳。
在本实施例中,利用能耗监测传感器实时采集待识别机床正常运行一段时间后四个组件在T时刻对应的预设检测时段内的每个时刻对应的序号和能耗时序数据,主轴组件、换刀组件、冷却排屑组件以及压进给组件在T时刻对应的预测检测时段内的第t个时刻对应的能耗时序数据分别记为、/>、/>、/>,T时刻对应的预测检测时段内共有K个时刻,预测检测时段内包含本身T时刻,对T时刻对应的预测检测时段内的第t个时刻对应的序号和能耗时序数据进行分析:
(1-1)关于T时刻,T时刻可以为待识别机床的当前时刻,也可以为待检测时刻,T时刻对应的预设检测时段为其本身时刻结合前K个时刻组成的时段,也就是T-K时刻到T时刻之间的所有时刻,将T时刻对应的预设检测时段内的所有时刻按照距离T时刻的从近到远的排列顺序进行排序,T时刻本身的序号记为0,T-1时刻的序号记为1,…T-K时刻的序号记为K。
值得说明的是,对于某一个待检测时刻,以待检测时刻本身结合前K个时刻作为预设检测时段,也就是判断待检测时刻的能耗状态,就需要基于各个组件在待检测时刻本身及其前K个时刻对应的能耗时序数据进行综合评价判断能耗状态,其能够提高能耗状态识别的准确性。
(1-2)关于第t个时刻,t为能耗时序数据的时刻序号,也可以称为次序,本实施中两个相邻时刻之间的采样时间间隔为0.01s,开始检测时的时刻的序号为1,即T=1,采集第1个时刻后再间隔0.01s后采集第2个时刻。采用序号来表示时刻,有助于实现简化表示的目的。
(1-3)对于K值的设置,由于需要判断T时刻的能耗状态,所以T时刻对应的预测检测时段不能超过待识别机床的各个运行状态中间隔时间最短的运行时长,而该运行状态一般为空走刀状态的时长,若预测检测时段超过空走刀状态的最短时长,待识别机床在T时刻至多会对应三种能耗状态,无法准确判断能耗状态的变化,相反,则待识别机床在T时刻可能有对应一种或两种能耗状态。因此,K值大小应根据待识别机床运行时空走刀状态的最短时长来设定,也就是T-K时刻到T时刻之间的时间间隔应等于空走刀状态的最短时长,空走刀状态的最短时长是机床运行时固有的可检测出来的参数,可直接确定K值大小。
需要说明的是,由于在不同能耗状态下的各个组件的能耗数据数值有可能是相同的,所以在确定待识别机床在当前时刻的能耗状态时,仅根据待识别机床的各个组件在当前时刻获取的能耗时序数据,并不能准确地识别出当前时刻的能耗数据具体对应的能耗状态。为了提高机床能耗状态识别的准确性,根据各个组件在当前时刻本身及其前K个时刻时的能耗时序数据在各种能耗状态下的序数据特征,来识别待识别机床在当前时刻时对应的能耗状态,也就是根据待识别机床在运行时能耗时序数据的平稳性变化,对待识别机床的各个组件在当前时刻对应的能耗状态进行综合判断,避免产生误判情况。
(2)根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数以及预设检测时段内的每个时刻对应的序号和能耗时序数据,确定各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性,进而确定各个组件在T时刻对应的平稳性变化程度。
在本实施例中,不同的运行状态的能耗数据具有不同的平稳性特征,对各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据进行平稳性变化程度计算,平稳性变化程度是指在T时刻对应的预设检测时段内,各个组件在各个时刻对应的能耗时序数据差异的变化程度,确定平稳性变化程度的步骤包括:
(2-1)根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数以及预设检测时段内的每个时刻对应的序号和能耗时序数据,确定各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性,其步骤包括:
(2-1-1)根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,确定各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的能耗时序数据的差值绝对值。
在本实施例中,为了确定预设检测时段内各个时刻对应的能耗时序数据差异的变化情况,基于各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,计算任意两个时刻对应的能耗时序数据的差值绝对值。计算差值绝对值的过程为现有技术,不在本发明保护范围内,此处不在进行详细阐述。
(2-1-2)根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的序号,确定各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的序号的差值绝对值。
在本实施例中,为了确定预设检测时段内各个时刻对应的序号的变化情况,基于各个组件在T时刻对应的预设检测时段内的每个时刻对应的序号,计算任意两个时刻对应的序号的差值绝对值,任意两个时刻的序号可以记为和/>,/>,/>,不等于/>。计算差值绝对值的过程为现有技术,不在本发明保护范围内,此处不在进行详细阐述。
(2-1-3)根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数、预设检测时段内的任意两个时刻对应的序号的差值绝对值和能耗时序数据的差值绝对值,确定各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性。
需要说明的是,细粒度平稳性是指平稳性程度更侧重于各个组件在T时刻对应的预设检测时段内时刻序号相近的两个能耗时序数据的差异,也就是更关注短时间段的能耗时序数据的变化,粗粒度平稳性是指平稳性程度更侧重于各个组件在T时刻对应的预设检测时段内时刻序号较远的两个能耗时序数据的差异,也就是更关注长时段的能耗时序数据的变化。
基于上述分析,利用各个组件在T时刻对应的预设检测时段内的所有时刻的个数、预设检测时段内的任意两个时刻对应的序号的差值绝对值和能耗时序数据的差值绝对值,计算各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性,其计算公式为:
;
;
其中,为各个组件在T时刻对应的细粒度平稳性,/>为各个组件在T时刻对应的粗粒度平稳性,K为各个组件在T时刻对应的预设检测时段内的所有时刻的个数,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻中一个时刻对应的序号,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻中另一个时刻对应的序号,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的能耗时序数据的差值绝对值。
细粒度平稳性的计算公式中的为任意两个时刻对应的能耗时序数据的差值绝对值/>的权重,当任意两个时刻对应的序号相差较远时,也就是任意两个时刻对应的序号的差值绝对值/>越大时,权重/>越小,各个组件在T时刻对应的细粒度平稳性/>越小;粗粒度平稳性的计算公式中的/>也为任意两个时刻对应的能耗时序数据的差值绝对值/>的权重,当任意两个时刻对应的序号相差较远时,也就是任意两个时刻对应的序号的差值绝对值/>越大时,权重/>越大,各个组件在T时刻对应的粗粒度平稳性/>越大。
(2-2)根据各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性,确定各个组件在T时刻对应的平稳性变化程度。
需要说明的是,本实施例通过细粒度平稳性和粗粒度平稳性来确定平稳性变化程度,相比现有的确定数据稳定性的计算方法,本实施例从细粒度和粗粒度两个方向来评估T时刻对应的能耗数据差异的稳定性,使能耗数据的平稳性变化程度的精确性更高、分析的更加全面,其步骤包括:
(2-2-1)根据各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性,确定细粒度平稳性和粗粒度平稳性相减的差值的绝对值,并确定细粒度平稳性和粗粒度平稳性相加的和。
在本实施例中,平稳性变化程度是指粗粒度平稳性与细粒度平稳性的差异,差异越大说明平稳性变化程度越大,差异越小说明平稳性变化程度越小,为了便于后续确定各个组件在T时刻对应的平稳性变化程度,需要计算细粒度平稳性和粗粒度平稳性相减的差值的绝对值以及相加的和。计算相减的差值的绝对值和相加的和的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(2-2-2)将细粒度平稳性和粗粒度平稳性相减的差值的绝对值与其相加的和的比值作为各个组件在T时刻对应的平稳性变化程度。
将细粒度平稳性和粗粒度平稳性相减的差值的绝对值作为分子,将细粒度平稳性和粗粒度平稳性的相加的和作为分母,参考数学建模过程,计算相减的差值的绝对值与相加的和的比值,平稳性变化程度的计算公式为:
;
其中,H为各个组件在T时刻对应的平稳性变化程度,为各个组件在T时刻对应的细粒度平稳性,/>为各个组件在T时刻对应的粗粒度平稳性。
需要说明的是,各个组件在T时刻对应的平稳性变化程度H越大,说明各个组件在T时刻对应的预设检测时段内的能耗时序数据的变化程度越大,各个组件在T时刻对应的平稳性变化程度H越小,说明各个组件在T时刻对应的预设检测时段内能耗时序数据的变化程度越小,各个组件在T时刻对应的平稳性变化程度H为归一化后的数值。
(3)根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数以及预设检测时段内的每个时刻对应的序号和能耗时序数据,确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标,进而确定各个组件在T时刻对应的平稳性变化方向。
需要说明的是,平稳性变化程度只能反应出各个组件的时序能耗数据在T时刻对应的预设检测时段内的稳定性变化,不能反应各个组件的时序能耗数据在T时刻对应的预设检测时段内的稳定性变化方向,也就是不能反应能耗数据的平稳性在时序方向上是由不平稳变为平稳,还是平稳变为不平稳,因此,本实施例还需要计算各个组件在T时刻对应的平稳性变化方向,平稳性变化方向是指在预设检测时段内相邻的两个时刻之间的能耗数据差异的分布情况,其步骤包括:
(3-1)根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数以及预设检测时段内的每个时刻对应的序号和能耗时序数据,确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标,其步骤包括:
(3-1-1)根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,确定各个组件在T时刻对应的预设检测时段内的各相邻两时刻对应的能耗时序数据的差值绝对值。
需要说明的是,平稳性变化方向存在两种分布情况,其一相邻的两个时刻之间的数值差异沿着采集数据的顺时序方向越来越大,说明平稳性变化方向是由平稳变为不平稳,其二相邻的两个时刻之间的数值差异沿着采集数据的顺时序方向越来越小,也就是相邻的两个时刻之间的数值差异沿着采集数据的逆时序方向越来越大,说明平稳性变化方向是由不平稳变为平稳。为了便于后续分析平稳性变化方向,本实施例需要计算各个组件在T时刻对应的预设检测时段内的各相邻两时刻对应的能耗时序数据的差值绝对值。计算差值绝对值的计算过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(3-1-2)根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数、预设检测时段内的每个时刻对应的序号以及预设检测时段内的各相邻两时刻对应的能耗时序数据的差值绝对值,确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标。
需要说明的是,第一平稳方向指标是指平稳性方向更侧重于预设检测时段内的相邻两个时刻的能耗时序数据差异是顺着时序方向分布,也就是相邻两个时刻的能耗时序数据差异分布偏向T时刻较近处,第二平稳方向指标是指平稳性方向更侧重与预设检测时段内的相邻两个时刻的能耗时序数据差异是逆着时序方向分布,也就是相邻两个时刻的能耗时序数据差异分布偏向T时刻较远处。
基于上述对第一平稳方向指标和第二平稳方向指标的分析,利用各个组件在T时刻对应的预设检测时段内的所有时刻的个数、预设检测时段内的每个时刻对应的序号以及预设检测时段内的各相邻两时刻对应的能耗时序数据的差值绝对值,计算各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标,其计算公式为:
;
;
其中,为各个组件在当前设定时段内的第一平稳方向指标,/>为各个组件在当前设定时段内的第二平稳方向指标,K为各个组件在当前设定时段内所有时刻的个数,/>为各个组件在当前设定时段内的各相邻两时刻中一个时刻对应的序号,/>为各个组件在当前设定时段内的各相邻两时刻中另一个时刻对应的序号,/>为各个组件在设定时段内的各相邻两时刻对应的能耗时序数据的差值绝对值。
第一平稳方向指标的计算公式中为相邻两时刻对应的能耗时序数据的差值绝对值/>权重,时刻序号k越小,权重/>越大,说明顺着时序方向的该相邻时刻对应的能耗时序数据的差值绝对值越大;第二平稳方向指标的计算公式中/>为也相邻两时刻对应的能耗时序数据的差值绝对值/>权重,时刻序号k越大,权重/>越大,说明逆着时序方向的该相邻时刻对应的能耗时序数据的差值绝对值越大。
(3-2)根据各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标,计算各个组件在T时刻对应的平稳性变化方向。
在本实施例中,基于步骤(3-1-2)得到的各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标,计算第一平稳方向指标和第二平稳方向指标的相减的差、相加的和,将相减的差作为分子,将相加的和作为分母,计算第一平稳方向指标和第二平稳方向指标的相减的差与相加的和的比值,将该比值作为各个组件在T时刻对应的平稳性变化方向,其计算公式为:
;
其中,F为各个组件在T时刻对应的平稳性变化方向,为各个组件在当前设定时段内的第一平稳方向指标,/>为各个组件在当前设定时段内的第二平稳方向指标。
需要说明的是,平稳性变化方向F为衡量第一平稳方向指标与第二平稳方向指标/>的差异,平稳性变化方向F的取值范围为-1到1。若平稳性变化方向F小于0,说明第一平稳方向指标/>小于第二平稳方向指标/>,平稳性变化方向是由不平稳变为平稳;若平稳性变化方向F大于0,说明第一平稳方向指标/>大于第二平稳方向指标/>,平稳性变化方向是由平稳变为不平稳。
(4)根据各个组件在T时刻对应的平稳性变化程度和平稳性变化方向,确定各个组件在T时刻对应的分类表征系数,并根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,确定各个组件在T时刻对应的归一化方差值,其步骤包括:
(4-1)根据各个组件在T时刻对应的平稳性变化程度和平稳性变化方向,确定各个组件在T时刻对应的分类表征系数。
在本实施例中,平稳性变化方向无法衡量平稳性的变化程度,也就是仅仅确定能耗数据差异的平稳性变化方向为由平稳变化到不平稳,或者由不平稳变化到平稳,是无法衡量能耗数据差异的平稳性的变化程度,也就不能确定待识别机床在T时刻对应的能耗状态。因此,将平稳性变化程度和平稳性变化方向共同作为能耗状态评价指标,也就是基于各个组件在T时刻对应的平稳性变化程度和平稳性变化方向,计算各个组件在T时刻对应的分类表征系数,将各个组件在T时刻对应的分类表征系数记为,/>,/>,/>,其中,/>为主轴组件的分类表征系数,/>为换刀组件的分类表征系数,/>为冷却排屑组件的分类表征系数,为液压进给组件的分类表征系数,各个组件在T时刻对应的分类表征系数的计算公式为:
;
其中,为各个组件在T时刻对应的分类表征系数,H为各个组件在T时刻对应的平稳性变化程度,F为各个组件在T时刻对应的平稳性变化方向。
需要说明的是,平稳性变化程度H能够衡量平稳性变化方向F的可信度,若平稳性变化程度H很小,那么平稳性变化方向F的可信度就会很低。由于平稳性变化程度H为归一化后的数据,平稳性变化方向F为-1到1之间的数据,分类表征系数的符号由平稳性变化方向F决定,分类表征系数/>也为-1到1之间的数据。分类表征系数/>越接近-1,越能说明平稳性变化程度H较大,且平稳性在顺时序方向上由不平稳变为平稳;分类表征系数/>越接近1,越能说明平稳性变化程度H较大,且平稳性在顺时序方向上由平稳变为不平稳;分类表征系数越接近0,越能说明平稳性变化程度不大,且平稳性变化方向F越不可信。
(4-2)根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,确定各个组件在T时刻对应的归一化方差值。
在本实施例中,基于各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,计算各个组件在T时刻对应的方差值,对各个方差值继续归一化处理,得到各个组件在T时刻对应的归一化方差值,将各个组件在T时刻对应的归一化方差值记为,,/>,/>,其中,/>为主轴组件的归一化方差值,/>为换刀组件的归一化方差值,/>为冷却排屑组件的归一化方差值,/>为液压进给组件的归一化方差值。归一化方差值的计算过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(5)获取机床的各个能耗状态对应的各类标准向量,根据机床的各个能耗状态对应的各类标准向量以及各个组件在T时刻对应的分类表征系数和归一化方差值,确定待识别机床在T时刻对应的各分类识别结果。
(5-1)获取机床的各个能耗状态对应的各类标准向量。
在确定T时刻对应的能耗时序数据的能耗状态时,需要根据机床的标准运行状态特征作为评判标准进行识别,这里的机床与待识别机床可以是同一类型,也可以不是同一类型,不作具体限定,其有效提高了机床能耗状态识别的通用性。从机床启动开始,机床的运行状态的变化过程可以为:停机状态待机状态/>空载状态/>空走刀状态/>加工状态,其中空载状态、空走刀状态以及加工状态是按照一定顺序出现的,在工件连续加工中一般会出现重复的运行状态过程,其为:空载状态/>空走刀状态/>加工状态/>空走刀状态,空载状态/>空走刀状态/>加工状态/>空走刀状态/>加工状态/>空走刀状态/>空载状态。由于空载状态过程是机床更换道具的环节,空走刀状态是机床道具更换完毕但道具未与加工工件接触的环节,加工状态是机床道具更换完毕且刀具已经实质作用在工件上的环节。因此,在连续加工工件时,各种运行状态是存在一定的顺序特征,顺序特征具体为:空载状态之前可能是待机状态也可能是空走刀状态;空走刀状态之前可能是空载状态也可能是加工状态;加工状态之前一定是空走刀状态。
基于上述机床的运行状态特征的逻辑特征,分析机床的不同运行状态对应的类标准向量,类标准向量是由各个组件在预设检测时段范围对应的分类表征系数和归一化方差值构成的,类标准向量为[,/>,/>,/>,/>,/>,/>,/>],具体为:
(5-1-1)当机床的运行状态在当前时刻对应的预设检测时段范围内保持不变时,也就是当前时刻及其前K个时刻对应的能耗时序数据均属于同一运行状态时,根据机床的运行特征可知:
对于空载状态的各个组件,由于空载状态的主轴组件空转,故主轴组件对应的能耗时序数据能够一直保持平稳,由于换刀组件会不定时工作,故换刀组件对应的能耗时序数据不平稳,由于液压组件和冷却排屑组件不工作,故液压组件和冷却排屑组件对应的能耗时序数据能够一直保持平稳,所以空载状态对应的类标准向量为[0,0,0,0,1,0,0,0]。
对于加工状态的各个组件,由于加工状态本身特征为换到组件不工作,故换刀组件对应的能耗时序数据保持平稳,主轴组件、液压组件和冷却排屑组件对应的能耗时序数据保持不平稳,所以加工状态对应的类标准向量为[0,0,0,0,0,1,1,1]。
对于空走刀状态的各个组件,由于空走刀状态不工作,故空走刀状态的各个组件对应的能耗时序数据保持平稳,所以空走刀状态对应的类标准向量为[0,0,0,0,0,0,0,0]。
(5-1-2)当机床的运行状态在当前时刻对应的预设检测时段范围内存在变化时,也就是当前时刻及其前K个时刻对应的能耗时序数据均不属于同一运行状态时,根据机床的运行流程可知:
空载状态之前只能是待机状态或空走刀状态,若当前时刻的运行状态为空载状态,那么当前时刻对应的预设检测时段范围的运行状态是由待机状态或空走刀状态转变为空载状态,其一由待机状态转变为空载状态时,只有换刀组件出现由平稳变为不平稳的不平稳性变化,此时空载状态对应的类标准向量为[1,0,0,0,1,0,0,0];其二由空走刀状态转变为空载状态时,只有换刀组件出现了由平稳转为不平稳的不平稳性变化,其他三种组件为平稳性无变化,此时空载状态对应的类标准向量为[1,0,0,0,1,0,0,0]。
空走刀状态之前为加工状态或空载状态,若当前时刻的运行状态为空走刀状态,那么当前时刻对应的预设检测时段范围的运行状态是由加工状态或空载状态转变为空走刀状态,其一由加工状态转变为空走刀状态,只有换刀组件一直不工作处于平稳性无变化,而其他三种组件均出现了由不平稳转为平稳的不平稳性变化,此时空走刀状态对应的类标准向量为[0,-1,-1,-1,0,1,1,1];其二由空载状态转变为空走刀状态,仅有换刀组件出现了由不平转为平稳的不平稳性变化,此时空走刀状态对应的类标准向量为[-1,0,0,0,1,0,0,0]。
加工状态之前为空走刀状态,若当前时刻的运行状态为加工状态,那么当前时刻对应的预设检测时段范围的运行状态是由空载状态转变为加工状态,只有换刀组件一直不工作处于平稳性无变化,而其他三种组件均出现了由不平稳转为平稳的不平稳性变化,此时加工状态对应的类标准向量为[0,1,1,1,0,1,1,1]。
(5-1-3)基于机床的运行状态在当前时刻对应的预设检测时段范围内保持不变和存在变化两种情况,确定机床的各个能耗状态对应的各类标准向量,其一空载状态对应的2个类标准向量分别为:[0,0,0,0,1,0,0,0]和[1,0,0,0,1,0,0,0];其二空走刀状态对应的3个类标准向量分别为:[0,0,0,0,0,0,0,0]、[0,-1,-1,-1,0,1,1,1]以及[-1,0,0,0,1,0,0,0];其三加工状态对应的2个类标准向量分别为:[0,0,0,0,0,1,1,1]和[0,1,1,1,0,1,1,1]。
(5-2)根据机床的各个能耗状态对应的各类标准向量以及各个组件在T时刻对应的分类表征系数和归一化方差值,确定待识别机床在T时刻对应的各分类识别结果,其步骤包括:
(5-2-1)将各个组件在T时刻对应的分类表征系数和归一化方差值构建成向量,从而得到待识别机床在T时刻对应的能耗状态向量。
为了便于分析待识别机床对应的各分类结果,将待识别机床的各个组件在T时刻对应的分类表征系数和归一化方差值视为八维状态向量,也就是将待识别机床的各个组件在T时刻对应的,/>,/>,/>,/>,/>,/>,/>构建成向量,从而得到待识别机床在T时刻对应的能耗状态向量[/>,/>,/>,/>,/>,/>,/>,/>]。
(5-2-2)根据待识别机床在T时刻对应的能耗状态向量和机床的各个能耗状态对应的各类标准向量,确定待识别机床在T时刻对应的能耗状态向量与各个能状态耗对应的各类标准向量之间的相似程度。
在本实施例中,为了确定待识别机床在T时刻对应的能耗状态,基于待识别机床在T时刻对应的能耗状态向量和机床的各个能耗状态对应的各类标准向量,计算待识别机床在T时刻对应的能耗状态向量与各个能耗状态对应的各类标准向量的余弦相似度。余弦相似度的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(5-2-3)根据待识别机床在T时刻对应的能耗状态向量与各个能耗状态对应的各类标准向量之间的相似程度,确定待识别机床在T时刻对应的各分类识别结果。
在本实施例中,基于待识别机床在T时刻对应的能耗状态向量与各个能耗状态对应的各类标准向量之间的相似程度,从空载状态对应的2个类标准向量中筛选出与T时刻对应的能耗状态向量最相似的类标准向量,将该类标准向量与T时刻对应的能耗状态向量的相似度记为;从空走刀状态对应的3个类标准向量中筛选出与T时刻对应的能耗状态向量最相似的类标准向量,将该类标准向量与T时刻对应的能耗状态向量的相似度记为/>;从加工状态对应的2个类标准向量中筛选出与T时刻对应的能耗状态向量最相似的类标准向量,将该类标准向量与T时刻对应的能耗状态向量的相似度记为/>。待识别机床在T时刻对应的各分类识别结果分别为/>、/>以及/>,待识别机床在T时刻对应的某个分类识别结果越大,说明待识别机床在T时刻越有可能是属于该分类识别结果对应的能耗状态,能耗状态也可以称为运行状态。
(6)根据待识别机床在T时刻对应的各分类识别结果,确定待识别机床的能耗状态为各个能耗状态的概率,进而确定待识别机床在T时刻的能耗状态,其步骤包括:
(6-1)根据待识别机床在T时刻对应的各分类识别结果,计算待识别机床在T时刻对应的所有分类识别结果相加的和。
在本实施例中,根据步骤(5-2-3)得到的待识别机床在T时刻对应的各分类识别结果、/>以及/>,将各分类识别结果/>、/>以及/>相加,计算待识别机床在T时刻对应的各分类识别结果之和,以便于后续确定待识别机床的能耗状态为各个能耗状态的概率。
(6-2)计算待识别机床在T时刻对应的各分类识别结果在所有分类识别结果相加的和中的占比,从而得到待识别机床的能耗状态为各个能耗状态的概率。
在本实施例中,为了便于更准确直观地判断待识别机床在T时刻的能耗状态,通过计算各分类识别结果在各分类识别结果之和中的占比,得到待识别机床的能耗状态为各个能耗状态的概率,其计算公式为:
;/>
;
;
其中,为待识别机床的能耗状态为空载状态的概率,/>为待识别机床的能耗状态为空走刀状态的概率,/>为待识别机床的能耗状态为加工状态的概率,/>为待识别机床在T时刻对应的空载分类识别结果,/>为待识别机床在T时刻对应的空走刀分类识别结果,为待识别机床在T时刻对应的加工分类识别结果。
需要说明的是,各能耗状态的概率的计算公式中分母数值相同,分子数值越大,待识别机床的能耗状态为对应能耗状态的概率越大。
(6-3)根据待识别机床的能耗状态为各个能耗状态的概率,确定待识别机床在T时刻的能耗状态。
在本实施例中,基于待识别机床的能耗状态为空载状态的概率、空走刀状态的概率/>以及加工状态的概率/>,选取出概率值最大的能耗状态,将该能耗状态作为待识别机床在T时刻的能耗状态。至此,本实施例检测出待识别机床在T时刻的能耗状态。
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 (2)
1.一种机床加工异常能耗数据监测方法,其特征在于,包括以下步骤:
获取待识别机床的各个组件在T时刻对应的预设检测时段内的每个时刻对应的序号和能耗时序数据;
根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数以及预设检测时段内的每个时刻对应的序号和能耗时序数据,确定各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性,进而确定各个组件在T时刻对应的平稳性变化程度;
根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数以及预设检测时段内的每个时刻对应的序号和能耗时序数据,确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标,进而确定各个组件在T时刻对应的平稳性变化方向;
根据各个组件在T时刻对应的平稳性变化程度和平稳性变化方向,确定各个组件在T时刻对应的分类表征系数,并根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,确定各个组件在T时刻对应的归一化方差值;
获取机床的各个能耗状态对应的各类标准向量,根据机床的各个能耗状态对应的各类标准向量以及各个组件在T时刻对应的分类表征系数和归一化方差值,确定待识别机床在T时刻对应的各分类识别结果;
根据待识别机床在T时刻对应的各分类识别结果,确定待识别机床的能耗状态为各个能耗状态的概率,进而确定待识别机床在T时刻的能耗状态;
确定各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性的步骤包括:
根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,确定各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的能耗时序数据的差值绝对值;
根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的序号,确定各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的序号的差值绝对值;
根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数、预设检测时段内的任意两个时刻对应的序号的差值绝对值和能耗时序数据的差值绝对值,确定各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性;
确定各个组件在T时刻对应的细粒度平稳性的计算公式为:
其中,为各个组件在T时刻对应的细粒度平稳性,K为各个组件在T时刻对应的预设检测时段内的所有时刻的个数,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻中一个时刻对应的序号,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻中另一个时刻对应的序号,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的能耗时序数据的差值绝对值;
确定各个组件在T时刻对应的粗粒度平稳性的计算公式为:
其中,为各个组件在T时刻对应的粗粒度平稳性,K为各个组件在T时刻对应的预设检测时段内的所有时刻的个数,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻中一个时刻对应的序号,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻中另一个时刻对应的序号,/>为各个组件在T时刻对应的预设检测时段内的任意两个时刻对应的能耗时序数据的差值绝对值;
进而确定各个组件在T时刻对应的平稳性变化程度的步骤包括:
根据各个组件在T时刻对应的细粒度平稳性和粗粒度平稳性,确定细粒度平稳性和粗粒度平稳性相减的差值的绝对值,并确定细粒度平稳性和粗粒度平稳性相加的和;
将细粒度平稳性和粗粒度平稳性相减的差值的绝对值与其相加的和的比值作为各个组件在T时刻对应的平稳性变化程度;
确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标的步骤包括:
根据各个组件在T时刻对应的预设检测时段内的每个时刻对应的能耗时序数据,确定各个组件在T时刻对应的预设检测时段内的各相邻两时刻对应的能耗时序数据的差值绝对值;
根据各个组件在T时刻对应的预设检测时段内的所有时刻的个数、预设检测时段内的每个时刻对应的序号以及预设检测时段内的各相邻两时刻对应的能耗时序数据的差值绝对值,确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标;
确定各个组件在T时刻对应的第一平稳方向指标和第二平稳方向指标的计算公式为:
其中,为各个组件在当前设定时段内的第一平稳方向指标,/>为各个组件在当前设定时段内的第二平稳方向指标,K为各个组件在当前设定时段内所有时刻的个数,/>为各个组件在当前设定时段内的各相邻两时刻中一个时刻对应的序号,/>为各个组件在当前设定时段内的各相邻两时刻中另一个时刻对应的序号,/>为各个组件在设定时段内的各相邻两时刻对应的能耗时序数据的差值绝对值;
确定各个组件在T时刻对应的分类表征系数的计算公式为:
其中,为各个组件在T时刻对应的分类表征系数,H为各个组件在T时刻对应的平稳性变化程度,F为各个组件在T时刻对应的平稳性变化方向;
所述各个组件在T时刻对应的平稳性变化方向的计算公式为:
其中,F为各个组件在T时刻对应的平稳性变化方向,为各个组件在当前设定时段内的第一平稳方向指标,/>为各个组件在当前设定时段内的第二平稳方向指标;
确定待识别机床在T时刻对应的各分类识别结果的步骤包括:
将各个组件在T时刻对应的分类表征系数和归一化方差值构建成向量,从而得到待识别机床在T时刻对应的能耗状态向量;
根据待识别机床在T时刻对应的能耗状态向量和机床的各个能耗状态对应的各类标准向量,确定待识别机床在T时刻对应的能耗状态向量与各个能状态耗对应的各类标准向量之间的相似程度;
根据待识别机床在T时刻对应的能耗状态向量与各个能耗状态对应的各类标准向量之间的相似程度,确定待识别机床在T时刻对应的各分类识别结果。
2.根据权利要求1所述的一种机床加工异常能耗数据监测方法,其特征在于,确定待识别机床的能耗状态为各个能耗状态的概率的步骤包括:
根据待识别机床在T时刻对应的各分类识别结果,计算待识别机床在T时刻对应的所有分类识别结果相加的和;
计算待识别机床在T时刻对应的各分类识别结果在所有分类识别结果相加的和中的占比,从而得到待识别机床的能耗状态为各个能耗状态的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973513.XA CN116679612B (zh) | 2023-08-04 | 2023-08-04 | 一种机床加工异常能耗数据监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973513.XA CN116679612B (zh) | 2023-08-04 | 2023-08-04 | 一种机床加工异常能耗数据监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116679612A CN116679612A (zh) | 2023-09-01 |
CN116679612B true CN116679612B (zh) | 2023-10-13 |
Family
ID=87781357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310973513.XA Active CN116679612B (zh) | 2023-08-04 | 2023-08-04 | 一种机床加工异常能耗数据监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116679612B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636366A (zh) * | 2012-04-19 | 2012-08-15 | 西安交通大学 | 一种基于电机转矩信号的机床进给系统运行性能评估方法 |
CN103941644A (zh) * | 2014-04-04 | 2014-07-23 | 武汉科技大学 | 一种基于时间参数的数控铣床能耗预测方法 |
CN108153237A (zh) * | 2016-12-06 | 2018-06-12 | 浙江科技学院 | 一种基于能耗特征的线切割机床状态监测方法 |
CN110286648A (zh) * | 2019-07-10 | 2019-09-27 | 华中农业大学 | 一种响应动态扰动的并行多目标加工参数优化方法 |
CN110658782A (zh) * | 2019-09-30 | 2020-01-07 | 武汉科技大学 | 一种基于特征的数控机床固有能效预测方法 |
CN111766833A (zh) * | 2020-07-21 | 2020-10-13 | 宿州市耶伊勒精密机械有限公司 | 基于物联网的数控机床配件生产自动化设备数据检测系统 |
CN115034094A (zh) * | 2022-08-10 | 2022-09-09 | 南通恒强轧辊有限公司 | 一种金属加工机床运行状态预测方法及系统 |
CN115081763A (zh) * | 2022-08-24 | 2022-09-20 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测系统 |
CN115167279A (zh) * | 2022-09-07 | 2022-10-11 | 中科航迈数控软件(深圳)有限公司 | 针对数控机床的能耗预测方法、系统及相关设备 |
CN115270894A (zh) * | 2022-09-27 | 2022-11-01 | 山东行创科技有限公司 | 用于甲醇发电机的异常振动信号提取方法 |
CN115577020A (zh) * | 2022-12-07 | 2023-01-06 | 天津腾飞钢管有限公司 | 一种修磨周期能耗状态识别系统及识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220734B (zh) * | 2017-06-26 | 2020-05-12 | 江南大学 | 基于决策树的数控车床车削过程能耗预测系统 |
-
2023
- 2023-08-04 CN CN202310973513.XA patent/CN116679612B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636366A (zh) * | 2012-04-19 | 2012-08-15 | 西安交通大学 | 一种基于电机转矩信号的机床进给系统运行性能评估方法 |
CN103941644A (zh) * | 2014-04-04 | 2014-07-23 | 武汉科技大学 | 一种基于时间参数的数控铣床能耗预测方法 |
CN108153237A (zh) * | 2016-12-06 | 2018-06-12 | 浙江科技学院 | 一种基于能耗特征的线切割机床状态监测方法 |
CN110286648A (zh) * | 2019-07-10 | 2019-09-27 | 华中农业大学 | 一种响应动态扰动的并行多目标加工参数优化方法 |
CN110658782A (zh) * | 2019-09-30 | 2020-01-07 | 武汉科技大学 | 一种基于特征的数控机床固有能效预测方法 |
CN111766833A (zh) * | 2020-07-21 | 2020-10-13 | 宿州市耶伊勒精密机械有限公司 | 基于物联网的数控机床配件生产自动化设备数据检测系统 |
CN115034094A (zh) * | 2022-08-10 | 2022-09-09 | 南通恒强轧辊有限公司 | 一种金属加工机床运行状态预测方法及系统 |
CN115081763A (zh) * | 2022-08-24 | 2022-09-20 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测系统 |
CN115167279A (zh) * | 2022-09-07 | 2022-10-11 | 中科航迈数控软件(深圳)有限公司 | 针对数控机床的能耗预测方法、系统及相关设备 |
CN115270894A (zh) * | 2022-09-27 | 2022-11-01 | 山东行创科技有限公司 | 用于甲醇发电机的异常振动信号提取方法 |
CN115577020A (zh) * | 2022-12-07 | 2023-01-06 | 天津腾飞钢管有限公司 | 一种修磨周期能耗状态识别系统及识别方法 |
Non-Patent Citations (1)
Title |
---|
基于数控机床载荷损耗特性的能耗在线监测方法的研究;赵平;胡韶华;;机床与液压(第17期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116679612A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Research on the milling tool wear and life prediction by establishing an integrated predictive model | |
CN109396953B (zh) | 基于信号融合的机床工作状态智能辨识系统 | |
CN106181579B (zh) | 一种基于多传感器电流信号的刀具磨损监测方法 | |
US9508042B2 (en) | Method for predicting machining quality of machine tool | |
CN110059442B (zh) | 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 | |
CN115829422B (zh) | 基于大数据的工业设备运行异常状态识别方法 | |
CN113741377A (zh) | 一种基于切削特征遴选的加工过程智能监控系统及方法 | |
CN105312965B (zh) | 一种铣削加工刀具破损监测方法 | |
CN111242202B (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
Kerdprasop et al. | A data mining approach to automate fault detection model development in the semiconductor manufacturing process | |
Kerdprasop et al. | Feature selection and boosting techniques to improve fault detection accuracy in the semiconductor manufacturing process | |
CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN116679612B (zh) | 一种机床加工异常能耗数据监测方法 | |
CN114536104B (zh) | 一种刀具寿命动态预测方法 | |
CN110647108B (zh) | 数据驱动的数控车削元动作能耗预测方法 | |
Kumar et al. | Detection and classification for faults in drilling process using vibration analysis | |
CN111390648A (zh) | 基于对抗神经网络的车刀磨损判定方法 | |
CN114789364A (zh) | 多指标钻孔质量控制方法及其装置、设备 | |
CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 | |
Wang et al. | Thread quality classification of a tapping machine based on machine learning | |
Danai | Machine tool monitoring and control | |
CN114248152B (zh) | 一种基于优选特征和狮群优化svm的刀具磨损状态评估方法 | |
CN111611946A (zh) | 一种基于主成分分析和bp神经网络的微铣刀磨损在线监测方法 | |
Kayastha et al. | Optimization of process parameter in turning of copper by combination of taguchi and principal component analysis method |
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 |