CN116810493B - 基于数据驱动的数控机床防碰撞检测方法及系统 - Google Patents
基于数据驱动的数控机床防碰撞检测方法及系统 Download PDFInfo
- Publication number
- CN116810493B CN116810493B CN202311109771.XA CN202311109771A CN116810493B CN 116810493 B CN116810493 B CN 116810493B CN 202311109771 A CN202311109771 A CN 202311109771A CN 116810493 B CN116810493 B CN 116810493B
- Authority
- CN
- China
- Prior art keywords
- parameter
- value
- collision
- current
- importance
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 83
- 230000005856 abnormality Effects 0.000 claims abstract description 69
- 230000000694 effects Effects 0.000 claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000002265 prevention Effects 0.000 claims abstract 2
- 238000012216 screening Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009466 transformation Effects 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
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于数据驱动的数控机床防碰撞检测方法及系统,属于电数据处理技术领域,该方法包括:基于DPC聚类算法进行异常检测获得异常值;基于第三参数重要性、异常值差值、参数值异常性确定聚类效果评价指标;基于聚类效果评价指标与指标阈值的对比结果调整初始截断距离,并基于异常值差值与差值阈值的对比结果确定数控机床防碰撞检测结果。基于历史参数值确定参数的重要性和相关程度,进而获得对当前参数的距离效果评价指标,以供对DPC聚类算法的异常检测结果进行评价,基于评价结果继续调整从而获得自适应截断距离,实现了DPC聚类算法的自适应截断距离,提高了异常检测的准确性,提高了数控机床防碰撞检测的准确性。
Description
技术领域
本发明涉及点数据处理技术领域,尤其涉及一种基于数据驱动的数控机床防碰撞检测方法及系统。
背景技术
随着数控机床在制造业中的广泛应用,数控机床防碰撞检测是数控机床运作的一个重要环节。传统的防碰撞检测方法主要基于规则和经验,需要事先定义碰撞阈值和规则,这种方式难以灵活应用于新工件、新加工路径。
当前的数控机床防碰撞检测方法利用机器学习、模式识别和信号处理等技术,通过分析实时采集的传感器数据,自动学习和识别碰撞模式,从而实现更灵活、准确和可靠的防碰撞检测。在基于DPC算法对数控机床的历史参数值进行聚类分析时,不同截断距离会产生不同的聚类效果,继而获得不同的聚类分析结果。当前通过DPC算法进行数控机床防碰撞检测难以获得检测效果较好的截断距离。
发明内容
本发明提供一种基于数据驱动的数控机床防碰撞检测方法及系统,旨在自适应调整DPC聚类算法的截断距离,提高异常数据判断的准确性。
为实现上述目的,本发明提供一种基于数据驱动的数控机床防碰撞检测方法,所述方法包括:
基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值;
确定对应参数值的第一参数值异常性,并基于所述第一参数值异常性、历史发生碰撞的次数、以及异常参数值数量确定各个参数的第一参数重要性;
基于发生碰撞的历史时间进行聚类,基于聚类簇确定各个参数对碰撞的碰撞影响程度,并从各个碰撞影响程度中筛选出最大碰撞影响程度;
基于参数的第一参数重要性、参数相关性确定参数的第二参数重要性,并基于所述第二参数重要性和最大碰撞影响程度确定当前参数的第三参数重要性;
基于当前参数的第三参数重要性、异常值差值、当前参数对应的各个参数值的第一参数值异常性确定当前参数的聚类效果评价指标,其中,所述异常值差值为当前参数对应的各个参数值的第一异常值与对应的第二异常值之差;
基于所述聚类效果评价指标与指标阈值的对比结果调整所述初始截断距离,并基于所述异常值差值与差值阈值的对比结果确定数控机床防碰撞检测结果。
可选地,所述基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值包括:
获取数控机床运行的各个参数的历史参数值,根据自适应截断距离的DPC聚类算法对所述当前参数值和历史参数值进行异常检测,获得当前参数值的第一异常值;
确定当前参数值对应的当前参数,根据自适应截断距离的DPC聚类算法对所述当前参数的所有历史参数值和所述当前参数值进行异常值检测,获得当前参数值的第二异常值。
可选地,所述确定各个参数值的第一参数值异常性,并基于所述第一参数值异常性、历史发生碰撞的次数、以及异常参数值数量确定各个参数的第一参数重要性包括:
计算参数值与邻域目标历史参数值的欧式距离与参数值的局部密度的比值,将所述比值的归一化值确定为对应参数值的第一参数值异常性;
基于各个参数对应的所有参数值的第一参数值异常性、历史发生碰撞的次数、各个参数对应的异常参数值数量确定各个参数的第一参数重要性。
可选地,基于发生碰撞的历史时间进行聚类,基于聚类结果确定当前参数对碰撞的碰撞影响程度包括:
基于发生碰撞的历史时间对所有的历史参数值进行DBSCAN聚类,获得多个聚类簇;
基于各个参数所在的聚类簇的聚类簇内元素个数、对应参数值在聚类簇内的第一参数值异常性,对应参数值在其它聚类簇内的第二参数值异常性、确定各个参数对碰撞的碰撞影响程度。
可选地,所述基于参数的第一参数重要性、参数相关性确定参数的第二参数重要性,并基于所述第二参数重要性和最大碰撞影响程度确定当前参数的第三参数重要性包括:
基于参数的第一重要性和参数之间的参数相关性确定当前参数的第二参数重要性;
将所述最大碰撞影响程度与当前参数的第二参数重要性的乘积确定为当前参数的第三参数重要性。
可选地,所述基于参数的第一重要性和参数之间的参数相关性确定当前参数的第二参数重要性包括:
基于当前参数与其它参数之间的皮尔逊相关系数、当前参数与其它参数对碰撞的碰撞影响程度差值、发生碰撞时对应参数值的参数值异常性确定当前参数与其它参数之间的参数相关性;
基于当前参数的第一参数重要性、其它各个参数的第一参数重要性,以及当前参数与其它各个参数之间的参数相关性确定当前参数的第二参数重要性。
可选地,所述基于当前参数与其它参数之间的皮尔逊相关系数、当前参数与其它参数对碰撞的碰撞影响程度差值、发生碰撞时对应参数值的参数值异常性确定当前参数与其它参数之间的参数相关性之前,还包括:
基于发生碰撞时的历史异常参数值获得各个参数之间的皮尔逊相关系数。
可选地,基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值之前还包括:
通过仿真模拟软件获取各个参数的及其对应的历史参数值,其中所述参数包括刀具或砂轮的直径、长度,工件尺寸,工件初始位置坐标,机床的工件坐标系设置或机床零点设置;
对各个历史参数值进行碰撞情况标注,其中标注1表示发生碰撞,标注0表示没有发生碰撞。
可选地,所述基于所述聚类效果评价指标与指标阈值的对比结果调整所述初始截断距离,并基于所述异常值差值与差值阈值的对比结果确定数控机床防碰撞检测结果包括:
将聚类效果评价指标与指标阈值进行对比,若聚类效果评价指标小于或等于指标阈值,则调整截断距离,基于新的截断距离进行DPC聚类,直到获得的聚类效果评价指标大于指标阈值;
将聚类效果评价指标大于指标阈值对应的异常值差值与差值阈值进行对比,当所述异常值差值大于差值阈值,则将对应的当前参数值确定为异常参数值,并输出防碰撞提示。
此外,本发明还提供一种基于数据驱动的数控机床防碰撞检测系统,所述系统包括:
DPC聚类模块,用于基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值;
第一参数重要性获得模块,用于确定对应参数值的第一参数值异常性,并基于所述第一参数值异常性、历史发生碰撞的次数、以及异常参数值数量确定各个参数的第一参数重要性;
碰撞影响程度获得模块,用于基于发生碰撞的历史时间进行聚类,基于聚类簇确定各个参数对碰撞的碰撞影响程度,并从各个碰撞影响程度中筛选出最大碰撞影响程度;
第三参数重要性获得模块,用于基于参数的第一参数重要性、参数相关性确定参数的第二参数重要性,并基于所述第二参数重要性和最大碰撞影响程度确定当前参数的第三参数重要性;
聚类效果评价指标获得模块,用于基于当前参数的第三参数重要性、异常值差值、当前参数对应的各个参数值的第一参数值异常性确定当前参数的聚类效果评价指标,其中,所述异常值差值为当前参数对应的各个参数值的第一异常值与对应的第二异常值之差;
对比模块,用于基于所述聚类效果评价指标与指标阈值的对比结果调整所述初始截断距离,并基于所述异常值差值与差值阈值的对比结果确定数控机床防碰撞检测结果。
相比现有技术,本发明提出的一种基于数据驱动的数控机床防碰撞检测方法及系统,该方法包括:基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值;确定对应参数值的第一参数值异常性,并基于所述第一参数值异常性、历史发生碰撞的次数、以及异常参数值数量确定各个参数的第一参数重要性;基于发生碰撞的历史时间进行聚类,基于聚类簇确定各个参数对碰撞的碰撞影响程度,并从各个碰撞影响程度中筛选出最大碰撞影响程度;基于参数的第一参数重要性、参数相关性确定参数的第二参数重要性,并基于所述第二参数重要性和最大碰撞影响程度确定当前参数的第三参数重要性;基于当前参数的第三参数重要性、异常值差值、当前参数对应的各个参数值的第一参数值异常性确定当前参数的聚类效果评价指标,其中,所述异常值差值为当前参数对应的各个参数值的第一异常值与对应的第二异常值之差;基于所述聚类效果评价指标与指标阈值的对比结果调整所述初始截断距离,并基于所述异常值差值与差值阈值的对比结果确定数控机床防碰撞检测结果。如此,基于历史参数值确定参数的重要性和相关程度,进而获得对当前参数的距离效果评价指标,以供对DPC聚类算法的异常检测结果进行评价,基于评价结果继续调整从而获得自适应截断距离,最终实现了DPC聚类算法的自适应截断距离,提高了异常检测的准确性,提高了数控机床防碰撞检测的准确性。
附图说明
图1是本发明基于数据驱动的数控机床防碰撞检测方法一实施例的流程示意图;
图2是本发明基于数据驱动的数控机床防碰撞检测方法一实施例的第一细化流程示意图;
图3是本发明基于数据驱动的数控机床防碰撞检测方法一实施例的第二流程示意图;
图4是本发明基于数据驱动的数控机床防碰撞检测系统的组成示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参照图1,图1是本发明基于数据驱动的数控机床防碰撞检测方法一实施例的流程示意图。如图1所示,本发明一实施例提出一种基于数据驱动的数控机床防碰撞检测方法,所述方法包括:
步骤S101,基于自适应截断距离的DPC聚类算法对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值;
DPC(Density Peaks Clustering,密度峰值聚类)是一种基于密度的聚类算法,该算法可以直观地确定聚类簇数量,识别任意形状的聚类簇,并且自动检测异常点。
本实施例预先获得各个参数的历史参数值,具体地,通过仿真模拟软件获取各个参数的及其对应的历史参数值,其中所述参数包括刀具或砂轮的直径、长度,工件尺寸,工件初始位置坐标,机床的工件坐标系设置或机床零点设置;本实施例提及的当前参数是各个参数中的一个。
对各个历史参数值进行碰撞情况标注,其中标注1表示发生碰撞,标注0表示没有发生碰撞。本实施例基于历史碰撞情况对各个历史参数值进行标注,将发生碰撞的历史参数值标记为异常历史参数值,将未发生碰撞的历史参数值记为正常历史参数值。
参照图2,图2是本发明基于数据驱动的数控机床防碰撞检测方法一实施例的第一细化流程示意图,如图2所示,所述步骤S101包括:
步骤S1011,获取数控机床运行的各个参数的历史参数值,根据自适应截断距离的DPC聚类算法对所述当前参数值和历史参数值进行异常检测,获得当前参数值的第一异常值;
本实施例基于DPC聚类算法从各个参数中选择若干个参数与当前参数对应的历史参数值、当前参数值进行聚类。由于可以随机选择若干个参数,因此可以进行多次DPC聚类。
本实施例的目标是差异数控机床运行时工作人员输进去的当前参数值是否会引起碰撞,为了便于区分将人为输进去的参数值确定为当前参数值,其对应的参数标记为当前参数。在一些情形下操作人员需要输入一个或多个参数的参数值,则对应有一个或多个当前参数。为了便于描述和理解,本实施例以一个当前参数为例进行说明,也即本实施例涉及的当前参数均值一个参数。对于多个当前参数的情形,则对每一个当前参数执行相同的操作。
本实施例将初始截断距离dc设置为0.005,截断距离取值范围为[0.0005,0.0025]。变换步长为0.0001。
步骤S1012,确定当前参数值对应的当前参数,根据自适应截断距离的DPC聚类算法对所述当前参数的所有历史参数值和所述当前参数值进行异常值检测,获得当前参数值的第二异常值。
DPC聚类算法的一般步骤为:计算任意两点之间距离;根据初始截断距离,计算任意点的局部密度,并计算任意点的相对距离;以局部密度为横轴,以相对距离为纵轴,画出决策树;利用该决策树,将局部密度和相对距离都大的点标记为簇中心,相对距离大局部密度小的点标记为噪声;将剩余点进行分配,将每个点分配到它的最近邻且密度比其大的点所在的簇。本实施例用DPC聚类算法中的相对距离作为对应参数的第一异常值、或第二异常值。
步骤S102,确定对应参数值的第一参数值异常性,并基于所述第一参数值异常性、历史发生碰撞的次数、以及异常参数值数量确定各个参数的第一参数重要性;
具体地,首先计算参数值与邻域目标历史参数值的欧式距离d与参数值的局部密度的比值,将所述比值的归一化值确定为对应参数值的第一参数值异常性;
将参数值v的第一参数值异常性表示为Yv,则有:
其中,d表示参数值与邻域目标历史参数值的欧式距离,ρ表示参数值的局部密度。计算邻域内各个历史参数值的局部密度,将局部密度最大的历史参数值确定为目标历史参数值,并确定参数值与目标历史参数值之间的欧式距离。如果欧式距离越大、局部密度越小,则对应的第一参数异常性越大,也即对应的参数值越可能为异常数值。基于此获得各个历史参数值、当前参数值的第一参数值异常性。
然后,基于各个参数对应的所有参数值的第一参数值异常性、历史发生碰撞的次数、各个参数对应的异常参数值数量m确定各个参数的第一参数重要性。
可以理解地,当前参数值为异常参数值的可能性越大,则数控机床在运行时发生
碰撞的可能性也越大。如此可以基于参数值异常性、历史的碰撞情况确定各个参数的重要
性。将参数的第一参数重要性表示为,则有:
其中,n表示预先统计获得的历史发生碰撞的次数,m是参数对应的异常参数值数
量,表示参数i对应的参数值v的第一参数值异常性。如此,当历史发生碰撞的次数n与异
常参数值数量m的比值越接近1,且发生碰撞是当前参数值的第一参数值异常性越大,则该
参数对发生碰撞的影响就越大,其第一参数重要性也越大。
步骤S103,基于发生碰撞的历史时间进行聚类,基于聚类簇确定各个参数对碰撞的碰撞影响程度Imp,并从所述碰撞影响程度中筛选出最大碰撞影响程度;
对发生碰撞的时间进行分析,即不同参数对应不同时间的车床碰撞,进而分析出碰撞最可能关键参数,从而对关键参数进行重点分析。
具体地,基于发生碰撞的历史时间对所有的历史参数值进行DBSCAN聚类,获得多个聚类簇;
获取发生碰撞的所有历史时间,并挑选出对应的历史参数值进行DBSCAN聚类,获得多个基于时间的聚类簇。DBSCAN聚类为公知技术,此处不再赘述。
基于各个参数所在的聚类簇的聚类簇内元素个数、对应参数值在聚类簇内的第一参数值异常性,对应参数值在其它聚类簇内的第二参数值异常性、确定各个参数对碰撞的碰撞影响程度。
参照第一参数值异常性的计算方法,计算各个参数值在其它聚类簇内的第二参数值异常性,并计算各个参数值的第一参数值异常性与第二参数值异常性的异常程度差值,将异常程度差值表示为Df。
将参数对碰撞的碰撞影响程度表示为Imp,则有:
其中,h表示参数所在的聚类簇的聚类簇内元素个数,n表示预先统计获得的历史
发生碰撞的次数,表示参数对应的所有参数值的第一参数值异常性。如此,对于某个聚
类簇而言,聚类簇内元素个数h越多,异常程度差值越大,第一参数值异常性越大,则该参数
对碰撞的碰撞影响程度越大,也即该参数越关键。
获得每个参数的碰撞影响程度后,从各个碰撞影响程度中筛选出最大碰撞影响程度。最大碰撞影响程度对应的参数对碰撞的影响最为关键。
步骤S104,基于参数的第一参数重要性、参数相关性确定参数的第二参数重要性,并基于所述第二参数重要性和最大碰撞影响程度确定当前参数的第三参数重要性;
参照图3,图3是本发明基于数据驱动的数控机床防碰撞检测方法一实施例的第一细化流程示意图,如图3所示,所述步骤S104包括:
步骤S1041,基于参数的第一重要性和参数之间的参数相关性确定当前参数的第二参数重要性;
具体地,基于当前参数与其它参数之间的皮尔逊相关系数Con(a,b)、当前参数与其它参数对碰撞的碰撞影响程度差值、发生碰撞时对应参数值的参数值异常性确定当前参数与其它参数之间的参数相关性Co(a,b);
本实施例基于发生碰撞时的历史异常参数值获得各个参数之间的皮尔逊相关系数。本实施例将当前参数a与参数b之间的皮尔逊相关系数表示为Con(a,b),皮尔逊相关系数的计算为公知技术,此处不再赘述。
将当前参数a与参数b之间的参数相关性表示为Co(a,b),则有:
其中,△Imp表示当前参数a与参数b对碰撞的碰撞影响程度差值,表示第f
次发生碰撞时当前参数a对应参数值的参数值异常性,表示第f次发生碰撞时参数b
对应参数值的参数值异常性。也即,参数间发生碰撞时对应参数值的参数值异常值差异()越大,碰撞影响程度差值越大,参数间皮尔逊系数越
大,则参数间的参数相关性Co(a,b)越大,说明对应的两个参数对碰撞的相关性越大。
基于当前参数的第一参数重要性、其它各个参数的第一参数重要性,以及当前参数与其它各个参数之间的参数相关性Co(a,b)确定当前参数的第二参数重要性Imsa。
将当前参数a的第二参数重要性表示为Imsa,则有:
其中,Im(a)表示当前参数的第一参数重要性,Im(b)表示参数b的第一参数重要性,Co(a,b)表示当前参数a与参数b之间的参数相关性。如此,若当前参数与其它参数的参数相关性越小,第一参数重要性差值越大,则第二参数重要性越大,也即当前参数的重要性越高。当前参数a的第二参数重要性Imsa是对所有参数进行分析获得的结果。
步骤S1042,将所述最大碰撞影响程度与当前参数的第二参数重要性的乘积确定为当前参数的第三参数重要性。
将当前参数的第三参数重要性表示为Imc,则有:
其中,Imp(max)表示最大碰撞影响程度,表示当前参数a的第二参数重要性。
步骤S105,基于当前参数的第三参数重要性、异常值差值、当前参数对应的各个参数值的第一参数值异常性Yv确定当前参数的聚类效果评价指标,其中,所述异常值差值为当前参数对应的各个参数值的第一异常值与对应的第二异常值之差;
将当前参数的聚类效果评价指标表示为Xf,则有:
其中,x表示参数的种类,Imcr表示当前参数r的第三参数重要性,Yvr表示参数r的
参数值v的第一参数值异常性,T表示异常值差值。聚类效果评价指标Xf与第三参数重要
性、异常值差值与第一参数值异常性之差成正比。聚类效果评价指标Xf的值越大,说明基于
初始截断距离进行DPC聚类的聚类效果越好。
步骤S106,基于所述聚类效果评价指标Xf与指标阈值的对比结果、所述异常值差
值T与差值阈值的对比结果确定数控机床防碰撞检测结果。
获得聚类效果评价指标后,将聚类效果评价指标Xf与指标阈值进行对比,若聚类效果评价指标小于或等于指标阈值,则调整截断距离,基于新的截断距离进行DPC聚类,直到获得的聚类效果评价指标大于指标阈值;
本实施例根据经验将指标阈值η设置为0.8,若聚类效果评价指标Xf≤指标阈值η,则说明对应的截断距离不合适,需要按照变换步长获得新的截断距离,并重新进行DPC聚类,直到在截断距离取值范围内获得的聚类效果评价指标大于指标阈值的合适的截断距离。本实施例中变换步长为0.0001,截断距离取值范围为[0.0005,0.0025]。
将聚类效果评价指标大于指标阈值对应的异常值差值T与差值阈值进行对比,当
所述异常值差值大于差值阈值,则将对应的当前参数值确定为异常参数值,并输出防碰撞
提示。
本实施将指标阈值ζ设置为0.8,当异常值差值T大于差值阈值,则说明当前参数
值是异常参数值,有发生碰撞的风险。在实际操作中,确定当前参数值为异常参数值之后,
通过亮起警示灯、显示屏上输出警告标志等方式进行防碰撞提示,以及时叫停数控机床,防
止碰撞事故的发生。
本实施例通过上述方案,基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值;确定对应参数值的第一参数值异常性,并基于所述第一参数值异常性、历史发生碰撞的次数、以及异常参数值数量确定各个参数的第一参数重要性;基于发生碰撞的历史时间进行聚类,基于聚类簇确定各个参数对碰撞的碰撞影响程度,并从各个碰撞影响程度中筛选出最大碰撞影响程度;基于参数的第一参数重要性、参数相关性确定参数的第二参数重要性,并基于所述第二参数重要性和最大碰撞影响程度确定当前参数的第三参数重要性;基于当前参数的第三参数重要性、异常值差值、当前参数对应的各个参数值的第一参数值异常性确定当前参数的聚类效果评价指标,其中,所述异常值差值为当前参数对应的各个参数值的第一异常值与对应的第二异常值之差;基于所述聚类效果评价指标与指标阈值的对比结果调整所述初始截断距离,并基于所述异常值差值与差值阈值的对比结果确定数控机床防碰撞检测结果。如此,基于历史参数值确定参数的重要性和相关程度,进而获得对当前参数的距离效果评价指标,以供对DPC聚类算法的异常检测结果进行评价,基于评价结果继续调整从而获得自适应截断距离,最终实现了DPC聚类算法的自适应截断距离,提高了异常检测的准确性,提高了数控机床防碰撞检测的准确性。
本发明还提供一种基于数据驱动的数控机床防碰撞检测系统,参照图4,图4是本发明基于数据驱动的数控机床防碰撞检测系统的组成示意图,如图4所示,所述基于数据驱动的数控机床防碰撞检测系统包括:
DPC聚类模块10,用于基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值;
第一参数重要性获得模块20,用于确定对应参数值的第一参数值异常性,并基于所述第一参数值异常性、历史发生碰撞的次数、以及异常参数值数量确定各个参数的第一参数重要性;
碰撞影响程度获得模块30,用于基于发生碰撞的历史时间进行聚类,基于聚类簇确定各个参数对碰撞的碰撞影响程度,并从各个碰撞影响程度中筛选出最大碰撞影响程度;
第三参数重要性获得模块40,用于基于参数的第一参数重要性、参数相关性确定参数的第二参数重要性,并基于所述第二参数重要性和最大碰撞影响程度确定当前参数的第三参数重要性;
聚类效果评价指标获得模块50,用于基于当前参数的第三参数重要性、异常值差值、当前参数对应的各个参数值的第一参数值异常性确定当前参数的聚类效果评价指标,其中,所述异常值差值为当前参数对应的各个参数值的第一异常值与对应的第二异常值之差;
对比模块60,用于基于所述聚类效果评价指标与指标阈值的对比结果调整所述初始截断距离,并基于所述异常值差值与差值阈值的对比结果确定数控机床防碰撞检测结果。
所基于数据驱动的数控机床防碰撞检测系统运行时实现述基于数据驱动的数控机床防碰撞检测方法的所有操作,此处不再赘述。
以上所述仅为本发明的优选实施例,并非因此限制本发明的范围,凡是利用本发明说明书及附图内容所作的等效结构或流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的保护范围内。
Claims (8)
1.一种基于数据驱动的数控机床防碰撞检测方法,其特征在于,所述方法包括:
基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值;
确定对应参数值的第一参数值异常性,并基于所述第一参数值异常性、历史发生碰撞的次数、以及异常参数值数量确定各个参数的第一参数重要性;
基于发生碰撞的历史时间进行聚类,基于聚类簇确定各个参数对碰撞的碰撞影响程度,并从各个碰撞影响程度中筛选出最大碰撞影响程度;
基于参数的第一参数重要性、参数相关性确定参数的第二参数重要性,并基于所述第二参数重要性和最大碰撞影响程度确定当前参数的第三参数重要性;
基于当前参数的第三参数重要性、异常值差值、当前参数对应的各个参数值的第一参数值异常性确定当前参数的聚类效果评价指标,其中,所述异常值差值为当前参数对应的各个参数值的第一异常值与对应的第二异常值之差;
基于所述聚类效果评价指标与指标阈值的对比结果调整所述初始截断距离,并基于所述异常值差值与差值阈值的对比结果确定数控机床防碰撞检测结果;
所述基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值包括:
获取数控机床运行的各个参数的历史参数值,根据自适应截断距离的DPC聚类算法对所述当前参数值和历史参数值进行异常检测,获得当前参数值的第一异常值;
确定当前参数值对应的当前参数,根据自适应截断距离的DPC聚类算法对所述当前参数的所有历史参数值和所述当前参数值进行异常值检测,获得当前参数值的第二异常值;
所述确定各个参数值的第一参数值异常性,并基于所述第一参数值异常性、历史发生碰撞的次数、以及异常参数值数量确定各个参数的第一参数重要性包括:
计算参数值与邻域目标历史参数值的欧式距离与参数值的局部密度的比值,将所述比值的归一化值确定为对应参数值的第一参数值异常性;
基于各个参数对应的所有参数值的第一参数值异常性、历史发生碰撞的次数、各个参数对应的异常参数值数量确定各个参数的第一参数重要性。
2.根据权利要求1所述的基于数据驱动的数控机床防碰撞检测方法,其特征在于,基于发生碰撞的历史时间进行聚类,基于聚类结果确定当前参数对碰撞的碰撞影响程度包括:
基于发生碰撞的历史时间对所有的历史参数值进行DBSCAN聚类,获得多个聚类簇;
基于各个参数所在的聚类簇的聚类簇内元素个数、对应参数值在聚类簇内的第一参数值异常性,对应参数值在其它聚类簇内的第二参数值异常性、确定各个参数对碰撞的碰撞影响程度。
3.根据权利要求1所述的基于数据驱动的数控机床防碰撞检测方法,其特征在于,所述基于参数的第一参数重要性、参数相关性确定参数的第二参数重要性,并基于所述第二参数重要性和最大碰撞影响程度确定当前参数的第三参数重要性包括:
基于参数的第一重要性和参数之间的参数相关性确定当前参数的第二参数重要性;
将所述最大碰撞影响程度与当前参数的第二参数重要性的乘积确定为当前参数的第三参数重要性。
4.根据权利要求3所述的基于数据驱动的数控机床防碰撞检测方法,其特征在于,所述基于参数的第一重要性和参数之间的参数相关性确定当前参数的第二参数重要性包括:
基于当前参数与其它参数之间的皮尔逊相关系数、当前参数与其它参数对碰撞的碰撞影响程度差值、发生碰撞时对应参数值的参数值异常性确定当前参数与其它参数之间的参数相关性;
基于当前参数的第一参数重要性、其它各个参数的第一参数重要性,以及当前参数与其它各个参数之间的参数相关性确定当前参数的第二参数重要性。
5.根据权利要求4所述的基于数据驱动的数控机床防碰撞检测方法,其特征在于,所述基于当前参数与其它参数之间的皮尔逊相关系数、当前参数与其它参数对碰撞的碰撞影响程度差值、发生碰撞时对应参数值的参数值异常性确定当前参数与其它参数之间的参数相关性之前,还包括:
基于发生碰撞时的历史异常参数值获得各个参数之间的皮尔逊相关系数。
6.根据权利要求1所述的基于数据驱动的数控机床防碰撞检测方法,其特征在于,基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值之前还包括:
通过仿真模拟软件获取各个参数的及其对应的历史参数值,其中所述参数包括刀具或砂轮的直径、长度,工件尺寸,工件初始位置坐标,机床的工件坐标系设置或机床零点设置;
对各个历史参数值进行碰撞情况标注,其中标注1表示发生碰撞,标注0表示没有发生碰撞。
7.根据权利要求1所述的基于数据驱动的数控机床防碰撞检测方法,其特征在于,所述基于所述聚类效果评价指标与指标阈值的对比结果调整所述初始截断距离,并基于所述异常值差值与差值阈值的对比结果确定数控机床防碰撞检测结果包括:
将聚类效果评价指标与指标阈值进行对比,若聚类效果评价指标小于或等于指标阈值,则调整截断距离,基于新的截断距离进行DPC聚类,直到获得的聚类效果评价指标大于指标阈值;
将聚类效果评价指标大于指标阈值对应的异常值差值与差值阈值进行对比,当所述异常值差值大于差值阈值,则将对应的当前参数值确定为异常参数值,并输出防碰撞提示。
8.一种基于数据驱动的数控机床防碰撞检测系统,其特征在于,所述系统包括:
DPC聚类模块,用于基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值;
所述基于自适应截断距离的DPC聚类算法按初始截断距离对数控机床的当前参数值和各个参数的历史参数值进行异常检测,获得当前参数值的第一异常值和第二异常值包括:
获取数控机床运行的各个参数的历史参数值,根据自适应截断距离的DPC聚类算法对所述当前参数值和历史参数值进行异常检测,获得当前参数值的第一异常值;
确定当前参数值对应的当前参数,根据自适应截断距离的DPC聚类算法对所述当前参数的所有历史参数值和所述当前参数值进行异常值检测,获得当前参数值的第二异常值;
所述确定各个参数值的第一参数值异常性,并基于所述第一参数值异常性、历史发生碰撞的次数、以及异常参数值数量确定各个参数的第一参数重要性包括:
计算参数值与邻域目标历史参数值的欧式距离与参数值的局部密度的比值,将所述比值的归一化值确定为对应参数值的第一参数值异常性;
基于各个参数对应的所有参数值的第一参数值异常性、历史发生碰撞的次数、各个参数对应的异常参数值数量确定各个参数的第一参数重要性;
碰撞影响程度获得模块,用于基于发生碰撞的历史时间进行聚类,基于聚类簇确定各个参数对碰撞的碰撞影响程度,并从各个碰撞影响程度中筛选出最大碰撞影响程度;
第三参数重要性获得模块,用于基于参数的第一参数重要性、参数相关性确定参数的第二参数重要性,并基于所述第二参数重要性和最大碰撞影响程度确定当前参数的第三参数重要性;
聚类效果评价指标获得模块,用于基于当前参数的第三参数重要性、异常值差值、当前参数对应的各个参数值的第一参数值异常性确定当前参数的聚类效果评价指标,其中,所述异常值差值为当前参数对应的各个参数值的第一异常值与对应的第二异常值之差;
对比模块,用于基于所述聚类效果评价指标与指标阈值的对比结果调整所述初始截断距离,并基于所述异常值差值与差值阈值的对比结果确定数控机床防碰撞检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109771.XA CN116810493B (zh) | 2023-08-31 | 2023-08-31 | 基于数据驱动的数控机床防碰撞检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109771.XA CN116810493B (zh) | 2023-08-31 | 2023-08-31 | 基于数据驱动的数控机床防碰撞检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116810493A CN116810493A (zh) | 2023-09-29 |
CN116810493B true CN116810493B (zh) | 2023-11-21 |
Family
ID=88122530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311109771.XA Active CN116810493B (zh) | 2023-08-31 | 2023-08-31 | 基于数据驱动的数控机床防碰撞检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116810493B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104871100A (zh) * | 2013-02-26 | 2015-08-26 | 三菱重工业株式会社 | 机床的碰撞避免系统 |
CN106383493A (zh) * | 2016-09-30 | 2017-02-08 | 同济大学 | 一种数控机床的实时防碰撞方法 |
CN108537249A (zh) * | 2018-03-15 | 2018-09-14 | 华中科技大学 | 一种密度峰值聚类的工业过程数据聚类方法 |
CN112700471A (zh) * | 2020-12-31 | 2021-04-23 | 广东美的白色家电技术创新中心有限公司 | 碰撞检测方法、设备及计算机可读存储介质 |
CN114579748A (zh) * | 2022-03-11 | 2022-06-03 | 中南大学 | 一种构建自主式交通系统功能架构的方法 |
CN114611744A (zh) * | 2020-12-09 | 2022-06-10 | 斯凯孚公司 | 机床管理方法、机床管理系统及介质 |
CN115510959A (zh) * | 2022-09-14 | 2022-12-23 | 湖州师范学院 | 基于自然最近邻和多簇合并的密度峰值聚类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101343403B1 (ko) * | 2013-08-14 | 2013-12-20 | (주)한국툴모니터링 | 공작기계 운전시의 이상 검출방법 |
DE102021129148A1 (de) * | 2021-11-09 | 2023-05-11 | TRUMPF Werkzeugmaschinen SE + Co. KG | Verfahren und Vorrichtung zur Kollisionsvermeidung bei der Werkstückbearbeitung durch eine mehrachsige Bearbeitungsmaschine |
-
2023
- 2023-08-31 CN CN202311109771.XA patent/CN116810493B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104871100A (zh) * | 2013-02-26 | 2015-08-26 | 三菱重工业株式会社 | 机床的碰撞避免系统 |
CN106383493A (zh) * | 2016-09-30 | 2017-02-08 | 同济大学 | 一种数控机床的实时防碰撞方法 |
CN108537249A (zh) * | 2018-03-15 | 2018-09-14 | 华中科技大学 | 一种密度峰值聚类的工业过程数据聚类方法 |
CN114611744A (zh) * | 2020-12-09 | 2022-06-10 | 斯凯孚公司 | 机床管理方法、机床管理系统及介质 |
CN112700471A (zh) * | 2020-12-31 | 2021-04-23 | 广东美的白色家电技术创新中心有限公司 | 碰撞检测方法、设备及计算机可读存储介质 |
CN114579748A (zh) * | 2022-03-11 | 2022-06-03 | 中南大学 | 一种构建自主式交通系统功能架构的方法 |
CN115510959A (zh) * | 2022-09-14 | 2022-12-23 | 湖州师范学院 | 基于自然最近邻和多簇合并的密度峰值聚类方法 |
Non-Patent Citations (1)
Title |
---|
自适应密度峰值聚类算法;吴斌;卢红丽;江惠君;;计算机应用(第06期);第108-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116810493A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20050256601A1 (en) | System to and method of monitoring condition of process tool | |
US11468274B2 (en) | Data driven method for automated detection of anomalous work pieces during a production process | |
WO2019082407A1 (ja) | 異常検出システムおよび異常検出方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
EP3373211A1 (en) | Management device and non-transitory computer-readable medium | |
CN110837874B (zh) | 基于时间序列分类的业务数据异常检测方法 | |
CN111507261B (zh) | 一种基于视觉目标定位的工序操作质量监控方法 | |
CN105302123A (zh) | 在线测量数据的监控方法 | |
CN113361944B (zh) | 基于物联网和人工智能的安全生产指标异常快速感知方法 | |
US20220042952A1 (en) | State estimation device and state estimation method | |
CN115639781B (zh) | 基于大数据的数控机床控制方法及系统 | |
CN114253168A (zh) | 机台监控系统与机台监控方法 | |
CN116810493B (zh) | 基于数据驱动的数控机床防碰撞检测方法及系统 | |
CN109919154B (zh) | 一种字符智能识别方法及识别装置 | |
US20170248941A1 (en) | Cell controller that displays abnormality status of manufacturing machine for each area or process | |
CN114925752A (zh) | 基于物联网的线切割机床板材切割异常监测方法 | |
KR20180069588A (ko) | 표준 모델의 다중 패턴을 이용한 물체 인식 장치 및 방법 | |
CN115329902B (zh) | 一种数控卷板机产品异常数据分析识别方法 | |
EP3951528B1 (en) | Abnormality detection apparatus, and abnormality detection method | |
CN111712771B (zh) | 能够执行问题诊断的数据处理装置以及方法 | |
CN114211319B (zh) | 一种多工位刀具专用磨床控制方法、系统和存储介质 | |
CN113515554A (zh) | 用于不规则采样的时间序列的异常检测方法和系统 | |
CN113424233B (zh) | 用于探测受过程影响或在该过程期间形成的目标物体的传感器设备 | |
CN117690817A (zh) | 一种直线缺陷的识别方法及系统 | |
Kim et al. | 6‐2: Potential Failure Detection using Unsupervised Clustering and Anomaly Detection |
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 |