CN116842415B - 一种镜面放电加工机的远程监测方法、系统及介质 - Google Patents

一种镜面放电加工机的远程监测方法、系统及介质 Download PDF

Info

Publication number
CN116842415B
CN116842415B CN202311124277.0A CN202311124277A CN116842415B CN 116842415 B CN116842415 B CN 116842415B CN 202311124277 A CN202311124277 A CN 202311124277A CN 116842415 B CN116842415 B CN 116842415B
Authority
CN
China
Prior art keywords
quality
workpiece
mirror
processing
characteristic
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
Application number
CN202311124277.0A
Other languages
English (en)
Other versions
CN116842415A (zh
Inventor
夏振坡
韩旭红
郑海辉
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.)
Guangdong Taizheng Precision Machinery Co ltd
Original Assignee
Guangdong Taizheng Precision Machinery 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 Guangdong Taizheng Precision Machinery Co ltd filed Critical Guangdong Taizheng Precision Machinery Co ltd
Priority to CN202311124277.0A priority Critical patent/CN116842415B/zh
Publication of CN116842415A publication Critical patent/CN116842415A/zh
Application granted granted Critical
Publication of CN116842415B publication Critical patent/CN116842415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H1/00—Electrical discharge machining, i.e. removing metal with a series of rapidly recurring electrical discharges between an electrode and a workpiece in the presence of a fluid dielectric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H11/00—Auxiliary apparatus or details, not otherwise provided for
    • 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
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Mechanical Engineering (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明公开了一种镜面放电加工机的远程监测方法、系统及介质，包括：获取目标加工工件的历史加工参数，获取良品率最高的历史加工参数作为目标加工工件的标准加工参数；利用标准加工参数对目标加工工件进行加工，获取加工过程中镜面放电加工机的多特征信号，构建工件镜面质量监测模型，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域；在所述镜面质量异常区域中基于标准加工参数进行自适应加工优化，得到更新后加工参数，进行镜面质量异常区域的镜面加工。本发明通过监测镜面质量异常区域对参数进行优化，提高了工件的镜面加工质量及工件的良品率，同时适宜的加工参数保证了加工速度并减少电机损耗。

Description

一种镜面放电加工机的远程监测方法、系统及介质
技术领域
本发明涉及运行状态监测技术领域，更具体的，涉及一种镜面放电加工机的远程监测方法、系统及介质。
背景技术
所谓的“镜面电火花加工”一般是指加工表面粗糙度值在Ra<0.2um，加工表面具有镜面反光效果的电火花加工。对于一些精密加工它可以代替手工抛光工序，提高零件的品质，深受精密塑胶模具工厂的青睐。目前，镜面电火花加工技术使用广泛，其中包括电火花镜面放电加工机，现有电火花镜面放电加工机进行微小孔加工时具有明显的优势，主要是因为在进行加工时，工具和工件不直接接触，不会产生作用力，但也存在一些局限性，诸如放电状态不稳定、难以排屑等问题。
由于电火花镜面放电加工机有放电面积小、单个放电脉冲能量小、电蚀坑小的特点，容易造成加工表面质量不佳、加工效率低、电极损耗难以精确控制等问题，若不能对电火花镜面放电加工机进行有效的运行状态监测及运行故障诊断，会减少加工品的良品率，甚至造成机械设备的损坏，因此，需要对电火花镜面放电加工机的加工运行状态进行监测，并采用智能控制技术对微细电火花加工进行控制。为了实现对加工状态的实时检测，如何基于深度学习进行控制参数的远程在线实时整定，改善控制系统的动、静态性能是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种镜面放电加工机的远程监测方法、系统及介质。
本发明第一方面提供了一种镜面放电加工机的远程监测方法，包括：
获取目标加工工件的历史加工参数，将所述历史加工参数与良品率进行结合，获取良品率最高的历史加工参数作为目标加工工件的标准加工参数；
利用所述标准加工参数对目标加工工件进行加工，获取加工过程中镜面放电加工机的多特征信号，通过深度学习方法建立多特征信号与工件镜面质量的关联关系，构建工件镜面质量监测模型，所述多特征信号包括振动信号、电极运动信号、环境温度信号及脉冲电源信号；
将加工过程中的多特征信号导入所述工件镜面质量监测模型，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域；
在所述镜面质量异常区域中基于标准加工参数进行自适应加工优化，得到更新后加工参数，进行镜面质量异常区域的镜面加工。
本方案中，获取良品率最高的历史加工参数作为目标加工工件的标准加工参数，具体为：
获取目标加工工件的基础规格信息，根据所述基础规格信息通过数据检索获取目标加工工件的历史加工参数，将所述历史加工参数进行数据清洗，剔除异常加工参数；
获取符合预设标准的历史加工参数，基于历史加工时间戳生成历史加工参数序列，并提取所述历史加工参数对应的良品率，将所述历史加工参数与良品率进行匹配；
通过良品率设置历史加工参数序列中各历史加工参数的标签信息，预设良品率阈值，在历史加工参数序列中筛选大于所述良品率阈值的历史加工参数，并进行标记；
将标记的历史加工参数进行排序，基于排序结果获取良品率最高的历史加工参数作为目标加工工件的标准加工参数。
本方案中，获取加工过程中镜面放电加工机的多特征信号，通过深度学习方法建立多特征信号与工件镜面质量的关联关系，构建工件镜面质量监测模型，具体为：
获取目标加工工件在加工过程中的振动信号、电极运动信号、环境温度信号及脉冲电源信号，将获取的监测特征信号进行预处理，对应生成不同特征信号的特征序列；
在不同特征信号的特征序列中获取原始特征参数，构建原始多特征参数集合，计算各原始特征参数与工件镜面质量的最大信息系数，获取符合预设标准的原始特征参数，获取原始多特征参数子集；
在所述原始多特征参数子集中获取各原始特征参数之间的最大信息系数，构建最大信息系数矩阵，在所述最大信息系数矩阵中筛选大于预设阈值的原始特征参数，并对冗余参数进行剔除，获取最佳多特征参数；
基于所述最佳多特征参数在历史监测特征信号中获取预设时间步长的最佳特征序列，并提取历史加工参数对应的工件镜面质量，根据所述最佳特征序列生成不同工件镜面质量标签的多特征数据集；
通过注意力机制优化后的卷积神经网络构建工件镜面质量监测模型，利用多特征数据集进行训练，通过通道注意力模块生成通道特征矩阵，并将所述通道特征矩阵导入空间注意力模块赋予空间权值进行特征融合；
将融合后的特征输入工件镜面质量监测模型的全连接层，输出镜面质量的预测值。
本方案中，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域，具体为：
根据基础规格信息获取目标加工工件的尺寸形状信息，并根据所述尺寸形状信息将目标加工工件进行分区，生成若干子区域；
提取历史加工参数对应的工件镜面质量，根据相同的分区方式将历史加工参数对应的历史目标加工工件进行分区，并根据工件镜面质量对历史目标加工工件的子区域进行标记，并获取平均工件镜面质量；
在历史目标加工工件中筛选小于平均工件镜面质量的子区域，对筛选的子区域进行统计分析获取区域类型，通过所述区域类型在目标加工工件的子区域中进行筛选，将筛选的子区域进行标记；
为标记子区域及未标记子区域设置不同的镜面质量阈值，所述标记子区域的镜面质量阈值小于所述未标记子区域的镜面质量阈值；
获取目标加工工件中各子区域的多特征信号，作为所述工件镜面质量监测模型的输入，获取各子区域的镜面质量预测值与对应的镜面质量阈值进行对比判断；
若子区域的镜面质量预测值小于镜面质量阈值，则将该子区域作为镜面质量异常区域。
本方案中，在所述镜面质量异常区域中基于标准加工参数进行自适应加工优化，得到更新后加工参数，具体为：
根据历史加工参数在历史目标加工工件中获取镜面质量异常区域，在所述镜面质量异常区域中将历史加工参数及工件镜面质量进行结合生成样本点，基于所述样本点构建相关数据集；
在所述相关数据集中进行聚类分析，将工件镜面质量重新划分为特差、差、较差三个质量等级，根据聚类结果建立与质量等级的映射关系；
根据镜面质量异常区域对应质量等级的出现频率设置每个质量等级的初始权重信息，基于目标加工工件的镜面质量异常区域的当前加工参数获取对应的质量等级；
获取当前加工参数与标准加工参数的相似度，将所述相似度与所述质量等级对应的权重信息结合，更新权重信息，利用更新后权重信息结合标准加工参数进行优化，得到更新后加工参数。
本方案中，在所述相关数据集中进行聚类分析，将工件镜面质量重新划分为特差、差、较差三个质量等级，根据聚类结果建立与质量等级的映射关系，具体为：
利用K-means算法对相关数据集进行聚类分析，将工件镜面质量重新划分特差、差、较差三个质量等级，设置聚类簇数为3，根据工件镜面质量选取初始聚类中心点；
获取相关数据集中各样本点到初始聚类中心点的欧式距离，将样本点指派到距离最近的初始聚类中心构成聚类结果；
当相关数据集中所有样本点划分结束后，求取聚类结果中每个类簇的均值作为新的聚类中心，当迭代次数大于等于最大迭代次数，则结束聚类，选取最后一次运算结果为最终聚类结果；
根据最终聚类结果中的3个类簇，建立类簇与质量等级的映射关系，将相关数据集进行更新。
本发明第二方面还提供了一种镜面放电加工机的远程监测系统，该系统包括：存储器、处理器，所述存储器中包括镜面放电加工机的远程监测方法程序，所述镜面放电加工机的远程监测方法程序被所述处理器执行时实现如下步骤：
获取目标加工工件的历史加工参数，将所述历史加工参数与良品率进行结合，获取良品率最高的历史加工参数作为目标加工工件的标准加工参数；
利用所述标准加工参数对目标加工工件进行加工，获取加工过程中镜面放电加工机的多特征信号，通过深度学习方法建立多特征信号与工件镜面质量的关联关系，构建工件镜面质量监测模型，所述多特征信号包括振动信号、电极运动信号、环境温度信号及脉冲电源信号；
将加工过程中的多特征信号导入所述工件镜面质量监测模型，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域；
在所述镜面质量异常区域中基于标准加工参数进行自适应加工优化，得到更新后加工参数，进行镜面质量异常区域的镜面加工。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括镜面放电加工机的远程监测方法程序，所述镜面放电加工机的远程监测方法程序被处理器执行时，实现如上述任一项所述的镜面放电加工机的远程监测方法的步骤。
本发明公开了一种镜面放电加工机的远程监测方法、系统及介质，包括：获取目标加工工件的历史加工参数，获取良品率最高的历史加工参数作为目标加工工件的标准加工参数；利用标准加工参数对目标加工工件进行加工，获取加工过程中镜面放电加工机的多特征信号，构建工件镜面质量监测模型，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域；在所述镜面质量异常区域中基于标准加工参数进行自适应加工优化，得到更新后加工参数，进行镜面质量异常区域的镜面加工。本发明通过监测镜面质量异常区域对参数进行优化，提高了工件的镜面加工质量及工件的良品率，同时适宜的加工参数保证了加工速度并减少电机损耗。
附图说明
图1示出了本发明一种镜面放电加工机的远程监测方法的流程图；
图2示出了本发明构建工件镜面质量监测模型的流程图；
图3示出了本发明根据镜面质量预测值区分镜面质量异常区域的流程图；
图4示出了本发明一种镜面放电加工机的远程监测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种镜面放电加工机的远程监测方法的流程图。
如图1所示，本发明第一方面提供了一种镜面放电加工机的远程监测方法，包括：
S102，获取目标加工工件的历史加工参数，将所述历史加工参数与良品率进行结合，获取良品率最高的历史加工参数作为目标加工工件的标准加工参数；
S104，利用所述标准加工参数对目标加工工件进行加工，获取加工过程中镜面放电加工机的多特征信号，通过深度学习方法建立多特征信号与工件镜面质量的关联关系，构建工件镜面质量监测模型，所述多特征信号包括振动信号、电极运动信号、环境温度信号及脉冲电源信号；
S106，将加工过程中的多特征信号导入所述工件镜面质量监测模型，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域；
S108，在所述镜面质量异常区域中基于标准加工参数进行自适应加工优化，得到更新后加工参数，进行镜面质量异常区域的镜面加工。
需要说明的是，获取目标加工工件的基础规格信息，包括形状尺寸信息、型号信息及名称信息等，根据所述基础规格信息通过数据检索获取目标加工工件的历史加工参数，将所述历史加工参数进行数据清洗，剔除异常加工参数；获取符合预设标准的历史加工参数，基于历史加工时间戳生成历史加工参数序列，并提取所述历史加工参数对应的良品率，将所述历史加工参数与良品率进行匹配；通过良品率设置历史加工参数序列中各历史加工参数的标签信息，预设良品率阈值，在历史加工参数序列中筛选大于所述良品率阈值的历史加工参数，并进行标记；将标记的历史加工参数进行排序，基于排序结果获取良品率最高的历史加工参数作为目标加工工件的标准加工参数。
图2示出了本发明构建工件镜面质量监测模型的流程图。
根据本发明实施例，获取加工过程中镜面放电加工机的多特征信号，通过深度学习方法建立多特征信号与工件镜面质量的关联关系，构建工件镜面质量监测模型，具体为：
S202获取目标加工工件在加工过程中的振动信号、电极运动信号、环境温度信号及脉冲电源信号，将获取的监测特征信号进行预处理，对应生成不同特征信号的特征序列；
S204，在不同特征信号的特征序列中获取原始特征参数，构建原始多特征参数集合，计算各原始特征参数与工件镜面质量的最大信息系数，获取符合预设标准的原始特征参数，获取原始多特征参数子集；
S206，在所述原始多特征参数子集中获取各原始特征参数之间的最大信息系数，构建最大信息系数矩阵，在所述最大信息系数矩阵中筛选大于预设阈值的原始特征参数，并对冗余参数进行剔除，获取最佳多特征参数；
S208，基于所述最佳多特征参数在历史监测特征信号中获取预设时间步长的最佳特征序列，并提取历史加工参数对应的工件镜面质量，根据所述最佳特征序列生成不同工件镜面质量标签的多特征数据集；
S210，通过注意力机制优化后的卷积神经网络构建工件镜面质量监测模型，利用多特征数据集进行训练，通过通道注意力模块生成通道特征矩阵，并将所述通道特征矩阵导入空间注意力模块赋予空间权值进行特征融合；
S212，将融合后的特征输入工件镜面质量监测模型的全连接层，输出镜面质量的预测值。
需要说明的是，对于不同特征信号的特征序列基于大数据方法检索常用的特征指标，例如振动信号的时频域特征及能量特征等，根据特征指标获取原始特征参数，而单一的特征参数难以保证模型的准确性，需要进行最优参数筛选用于工件镜面质量监测，利用最大信息系数进行特征筛选，所述最大信息系数是在互信息基础上进行数据分析，当两个随机变量的相似度越高，互信息就越大，所述互信息能够通过随机变量的联合分布与边缘分布计算相对熵获取，将随机变量的取值依序划分至/>和/>个格栅网格中，获取的格栅网格划分，落在第/>个格子的数据点的频率作为联合分布/>，落在第行的数据点的频率作为边缘分布/>，落在第/>列的数据点的频率作为边缘分布/>，遍历不同的/>格栅网格划分，获取互信息的最大值作为最大信息系数，所述最大信息系数的计算公式为：/>
其中，为随机变量/>的最大信息系数，/>和/>为格栅网格的划分数量，B为格栅网络的数量上限， />为随机变量/>的互信息。
筛选最佳多特征参数，在历史监测特征信号中获取预设时间步长的最佳特征序列，并提取历史加工参数对应的工件镜面质量，利用工件镜面质量生成标签信息，获取不同工件镜面质量标签的多特征数据集作为训练数据集；通过随机梯度下降算法对卷积神经网络进行训练，将训练数据集导入卷积神经网络，经过最大池化层和平均池化层生成不同的特征描述，并利用卷积核对特征描述进行卷积计算后进行相加，通过通道注意力模块使得特征的每个通道乘以通道权值矩阵，使得重要通道的特征进行突出，生成通道特征矩阵，在通道维度上经过最大池化层和平均池化层生成不同的特征描述，将特征描述进行拼接，输入空间注意力模块，将所有通道上的特征生成空间权值矩阵，获取空间特征，突出重要区域中的特征，利用通道注意力及空间注意力实现特征信息融合，将融合特征导入全连接层输出输出镜面质量的预测值。
图3示出了本发明根据镜面质量预测值区分镜面质量异常区域的流程图。
根据本发明实施例，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域，具体为：
S302，根据基础规格信息获取目标加工工件的尺寸形状信息，并根据所述尺寸形状信息将目标加工工件进行分区，生成若干子区域；
S304，提取历史加工参数对应的工件镜面质量，根据相同的分区方式将历史加工参数对应的历史目标加工工件进行分区，并根据工件镜面质量对历史目标加工工件的子区域进行标记，并获取平均工件镜面质量；
S306，在历史目标加工工件中筛选小于平均工件镜面质量的子区域，对筛选的子区域进行统计分析获取区域类型，通过所述区域类型在目标加工工件的子区域中进行筛选，将筛选的子区域进行标记；
S308，为标记子区域及未标记子区域设置不同的镜面质量阈值，所述标记子区域的镜面质量阈值小于所述未标记子区域的镜面质量阈值；
S310，获取目标加工工件中各子区域的多特征信号，作为所述工件镜面质量监测模型的输入，获取各子区域的镜面质量预测值与对应的镜面质量阈值进行对比判断；
S312，若子区域的镜面质量预测值小于镜面质量阈值，则将该子区域作为镜面质量异常区域。
需要说明的是，根据历史加工参数在历史目标加工工件中获取镜面质量异常区域，在所述镜面质量异常区域中将历史加工参数及工件镜面质量进行结合生成样本点，基于所述样本点构建相关数据集；在所述相关数据集中进行聚类分析，将工件镜面质量重新划分为特差、差、较差三个质量等级，根据聚类结果建立与质量等级的映射关系；根据镜面质量异常区域对应质量等级的出现频率设置每个质量等级的初始权重信息，基于目标加工工件的镜面质量异常区域的当前加工参数获取对应的质量等级；获取当前加工参数与标准加工参数的相似度，将所述相似度与所述质量等级对应的权重信息结合，更新权重信息，利用更新后权重信息结合标准加工参数进行增益优化，得到更新后加工参数，提高了工件的镜面加工质量及工件的良品率，同时适宜的加工参数保证了加工速度并减少电机损耗。
需要说明的是，利用K-means算法对相关数据集进行聚类分析，将工件镜面质量重新划分特差、差、较差三个质量等级，设置聚类簇数为3，根据工件镜面质量选取初始聚类中心点；获取相关数据集中各样本点到初始聚类中心点的欧式距离，将样本点指派到距离最近的初始聚类中心构成聚类结果；当相关数据集中所有样本点划分结束后，求取聚类结果中每个类簇的均值作为新的聚类中心，当迭代次数大于等于最大迭代次数，则结束聚类，选取最后一次运算结果为最终聚类结果；根据最终聚类结果中的3个类簇，建立类簇与质量等级的映射关系，将相关数据集进行更新。
根据本发明实施例，构建加工工件数据库，存储工件镜面质量的标准加工参数及检验标准，具体为：
建立加工工件数据库，将加工工件的基本规格信息匹配标准加工参数及对应的镜面质量检验标准存入所述加工工件数据库；
利用目标加工工件的型号、规格信息在加工工件数据库中检索获取标准加工参数，获取标准加工参数下目标加工工件的镜面质量异常区域的出现频率；
当所述出现频率大于预设频率阈值时，则获取镜面质量异常区域对应优化更新后的加工参数集合，将优化更新后的加工参数集合中的加工参数进行平均，更新所述标准加工参数；
同时，提取标准加工参数对应的镜面质量检测标准，获取目标加工工件的镜面质量，计算目标加工工件的镜面质量与所述镜面质量检测标准的偏差值，当所述偏差值大于预设偏差阈值时，则进行标准加工承诺书的更新优化。
图4示出了本发明一种镜面放电加工机的远程监测系统的框图。
本发明第二方面还提供了一种镜面放电加工机的远程监测系统4，该系统包括：存储器41、处理器42，所述存储器中包括镜面放电加工机的远程监测方法程序，所述镜面放电加工机的远程监测方法程序被所述处理器执行时实现如下步骤：
获取目标加工工件的历史加工参数，将所述历史加工参数与良品率进行结合，获取良品率最高的历史加工参数作为目标加工工件的标准加工参数；
利用所述标准加工参数对目标加工工件进行加工，获取加工过程中镜面放电加工机的多特征信号，通过深度学习方法建立多特征信号与工件镜面质量的关联关系，构建工件镜面质量监测模型，所述多特征信号包括振动信号、电极运动信号、环境温度信号及脉冲电源信号；
将加工过程中的多特征信号导入所述工件镜面质量监测模型，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域；
在所述镜面质量异常区域中基于标准加工参数进行自适应加工优化，得到更新后加工参数，进行镜面质量异常区域的镜面加工。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括镜面放电加工机的远程监测方法程序，所述镜面放电加工机的远程监测方法程序被处理器执行时，实现如上述任一项所述的镜面放电加工机的远程监测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种镜面放电加工机的远程监测方法，其特征在于，包括以下步骤：
获取目标加工工件的历史加工参数，将所述历史加工参数与良品率进行结合，获取良品率最高的历史加工参数作为目标加工工件的标准加工参数；
利用所述标准加工参数对目标加工工件进行加工，获取加工过程中镜面放电加工机的多特征信号，通过深度学习方法建立多特征信号与工件镜面质量的关联关系，构建工件镜面质量监测模型，所述多特征信号包括振动信号、电极运动信号、环境温度信号及脉冲电源信号；
将加工过程中的多特征信号导入所述工件镜面质量监测模型，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域；
在所述镜面质量异常区域中基于标准加工参数进行自适应加工优化，得到更新后加工参数，进行镜面质量异常区域的镜面加工；
获取加工过程中镜面放电加工机的多特征信号，通过深度学习方法建立多特征信号与工件镜面质量的关联关系，构建工件镜面质量监测模型，具体为：
获取目标加工工件在加工过程中的振动信号、电极运动信号、环境温度信号及脉冲电源信号，将获取的监测特征信号进行预处理，对应生成不同特征信号的特征序列；
在不同特征信号的特征序列中获取原始特征参数，构建原始多特征参数集合，计算各原始特征参数与工件镜面质量的最大信息系数，获取符合预设标准的原始特征参数，获取原始多特征参数子集；
在所述原始多特征参数子集中获取各原始特征参数之间的最大信息系数，构建最大信息系数矩阵，在所述最大信息系数矩阵中筛选大于预设阈值的原始特征参数，并对冗余参数进行剔除，获取最佳多特征参数；
基于所述最佳多特征参数在历史监测特征信号中获取预设时间步长的最佳特征序列，并提取历史加工参数对应的工件镜面质量，根据所述最佳特征序列生成不同工件镜面质量标签的多特征数据集；
通过注意力机制优化后的卷积神经网络构建工件镜面质量监测模型，利用多特征数据集进行训练，通过通道注意力模块生成通道特征矩阵，并将所述通道特征矩阵导入空间注意力模块赋予空间权值进行特征融合；
将融合后的特征输入工件镜面质量监测模型的全连接层，输出镜面质量的预测值。
2.根据权利要求1所述的一种镜面放电加工机的远程监测方法，其特征在于，获取良品率最高的历史加工参数作为目标加工工件的标准加工参数，具体为：
获取目标加工工件的基础规格信息，根据所述基础规格信息通过数据检索获取目标加工工件的历史加工参数，将所述历史加工参数进行数据清洗，剔除异常加工参数；
获取符合预设标准的历史加工参数，基于历史加工时间戳生成历史加工参数序列，并提取所述历史加工参数对应的良品率，将所述历史加工参数与良品率进行匹配；
通过良品率设置历史加工参数序列中各历史加工参数的标签信息，预设良品率阈值，在历史加工参数序列中筛选大于所述良品率阈值的历史加工参数，并进行标记；
将标记的历史加工参数进行排序，基于排序结果获取良品率最高的历史加工参数作为目标加工工件的标准加工参数。
3.根据权利要求1所述的一种镜面放电加工机的远程监测方法，其特征在于，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域，具体为：
根据基础规格信息获取目标加工工件的尺寸形状信息，并根据所述尺寸形状信息将目标加工工件进行分区，生成若干子区域；
提取历史加工参数对应的工件镜面质量，根据相同的分区方式将历史加工参数对应的历史目标加工工件进行分区，并根据工件镜面质量对历史目标加工工件的子区域进行标记，并获取平均工件镜面质量；
在历史目标加工工件中筛选小于平均工件镜面质量的子区域，对筛选的子区域进行统计分析获取区域类型，通过所述区域类型在目标加工工件的子区域中进行筛选，将筛选的子区域进行标记；
为标记子区域及未标记子区域设置不同的镜面质量阈值，所述标记子区域的镜面质量阈值小于所述未标记子区域的镜面质量阈值；
获取目标加工工件中各子区域的多特征信号，作为所述工件镜面质量监测模型的输入，获取各子区域的镜面质量预测值与对应的镜面质量阈值进行对比判断；
若子区域的镜面质量预测值小于镜面质量阈值，则将该子区域作为镜面质量异常区域。
4.根据权利要求1所述的一种镜面放电加工机的远程监测方法，其特征在于，在所述镜面质量异常区域中基于标准加工参数进行自适应加工优化，得到更新后加工参数，具体为：
根据历史加工参数在历史目标加工工件中获取镜面质量异常区域，在所述镜面质量异常区域中将历史加工参数及工件镜面质量进行结合生成样本点，基于所述样本点构建相关数据集；
在所述相关数据集中进行聚类分析，将工件镜面质量重新划分为特差、差、较差三个质量等级，根据聚类结果建立与质量等级的映射关系；
根据镜面质量异常区域对应质量等级的出现频率设置每个质量等级的初始权重信息，基于目标加工工件的镜面质量异常区域的当前加工参数获取对应的质量等级；
获取当前加工参数与标准加工参数的相似度，将所述相似度与所述质量等级对应的权重信息结合，更新权重信息，利用更新后权重信息结合标准加工参数进行优化，得到更新后加工参数。
5.根据权利要求4所述的一种镜面放电加工机的远程监测方法，其特征在于，在所述相关数据集中进行聚类分析，将工件镜面质量重新划分为特差、差、较差三个质量等级，根据聚类结果建立与质量等级的映射关系，具体为：
利用K-means算法对相关数据集进行聚类分析，将工件镜面质量重新划分特差、差、较差三个质量等级，设置聚类簇数为3，根据工件镜面质量选取初始聚类中心点；
获取相关数据集中各样本点到初始聚类中心点的欧式距离，将样本点指派到距离最近的初始聚类中心构成聚类结果；
当相关数据集中所有样本点划分结束后，求取聚类结果中每个类簇的均值作为新的聚类中心，当迭代次数大于等于最大迭代次数，则结束聚类，选取最后一次运算结果为最终聚类结果；
根据最终聚类结果中的3个类簇，建立类簇与质量等级的映射关系，将相关数据集进行更新。
6.一种镜面放电加工机的远程监测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种镜面放电加工机的远程监测方法程序，所述一种镜面放电加工机的远程监测方法程序被所述处理器执行时实现如下步骤：
获取目标加工工件的历史加工参数，将所述历史加工参数与良品率进行结合，获取良品率最高的历史加工参数作为目标加工工件的标准加工参数；
利用所述标准加工参数对目标加工工件进行加工，获取加工过程中镜面放电加工机的多特征信号，通过深度学习方法建立多特征信号与工件镜面质量的关联关系，构建工件镜面质量监测模型；
将加工过程中的多特征信号导入所述工件镜面质量监测模型，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域；
在所述镜面质量异常区域中基于标准加工参数进行自适应加工优化，得到更新后加工参数，进行镜面质量异常区域的镜面加工；
获取加工过程中镜面放电加工机的多特征信号，通过深度学习方法建立多特征信号与工件镜面质量的关联关系，构建工件镜面质量监测模型，具体为：
获取目标加工工件在加工过程中的振动信号、电极运动信号、环境温度信号及脉冲电源信号，将获取的监测特征信号进行预处理，对应生成不同特征信号的特征序列；
在不同特征信号的特征序列中获取原始特征参数，构建原始多特征参数集合，计算各原始特征参数与工件镜面质量的最大信息系数，获取符合预设标准的原始特征参数，获取原始多特征参数子集；
在所述原始多特征参数子集中获取各原始特征参数之间的最大信息系数，构建最大信息系数矩阵，在所述最大信息系数矩阵中筛选大于预设阈值的原始特征参数，并对冗余参数进行剔除，获取最佳多特征参数；
基于所述最佳多特征参数在历史监测特征信号中获取预设时间步长的最佳特征序列，并提取历史加工参数对应的工件镜面质量，根据所述最佳特征序列生成不同工件镜面质量标签的多特征数据集；
通过注意力机制优化后的卷积神经网络构建工件镜面质量监测模型，利用多特征数据集进行训练，通过通道注意力模块生成通道特征矩阵，并将所述通道特征矩阵导入空间注意力模块赋予空间权值进行特征融合；
将融合后的特征输入工件镜面质量监测模型的全连接层，输出镜面质量的预测值。
7.根据权利要求6所述的一种镜面放电加工机的远程监测系统，其特征在于，获取目标加工工件的镜面质量预测值，根据镜面质量预测值区分镜面质量异常区域，具体为：
根据基础规格信息获取目标加工工件的尺寸形状信息，并根据所述尺寸形状信息将目标加工工件进行分区，生成若干子区域；
提取历史加工参数对应的工件镜面质量，根据相同的分区方式将历史加工参数对应的历史目标加工工件进行分区，并根据工件镜面质量对历史目标加工工件的子区域进行标记，并获取平均工件镜面质量；
在历史目标加工工件中筛选小于平均工件镜面质量的子区域，对筛选的子区域进行统计分析获取区域类型，通过所述区域类型在目标加工工件的子区域中进行筛选，将筛选的子区域进行标记；
为标记子区域及未标记子区域设置不同的镜面质量阈值，所述标记子区域的镜面质量阈值小于所述未标记子区域的镜面质量阈值；
获取目标加工工件中各子区域的多特征信号，作为所述工件镜面质量监测模型的输入，获取各子区域的镜面质量预测值与对应的镜面质量阈值进行对比判断；
若子区域的镜面质量预测值小于镜面质量阈值，则将该子区域作为镜面质量异常区域。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括镜面放电加工机的远程监测方法程序，所述镜面放电加工机的远程监测方法程序被处理器执行时，实现如权利要求1至5中任一项所述的镜面放电加工机的远程监测方法步骤。
CN202311124277.0A 2023-09-01 2023-09-01 一种镜面放电加工机的远程监测方法、系统及介质 Active CN116842415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311124277.0A CN116842415B (zh) 2023-09-01 2023-09-01 一种镜面放电加工机的远程监测方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311124277.0A CN116842415B (zh) 2023-09-01 2023-09-01 一种镜面放电加工机的远程监测方法、系统及介质

Publications (2)

Publication Number Publication Date
CN116842415A CN116842415A (zh) 2023-10-03
CN116842415B true CN116842415B (zh) 2023-12-26

Family

ID=88163838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311124277.0A Active CN116842415B (zh) 2023-09-01 2023-09-01 一种镜面放电加工机的远程监测方法、系统及介质

Country Status (1)

Country Link
CN (1) CN116842415B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104108054A (zh) * 2014-06-19 2014-10-22 华中科技大学 大型复杂金属表面等离子体与脉冲放电复合抛光加工装置
CN109396576A (zh) * 2018-09-29 2019-03-01 郑州轻工业学院 基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法
CN113910085A (zh) * 2021-09-26 2022-01-11 江苏集萃华科智能装备科技有限公司 金属镜面抛光产线的控制方法、控制装置及控制系统
CN115922553A (zh) * 2022-11-24 2023-04-07 浙江工业大学 一种碳化硅晶片抛光加工状态在线监测方法
CN116522806A (zh) * 2023-07-03 2023-08-01 泉州装备制造研究所 抛光工艺参数优化方法、抛光系统、电子设备及存储介质
CN116618764A (zh) * 2023-07-25 2023-08-22 广东台正精密机械有限公司 一种镜面放电加工机的生产优化方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2772928T3 (es) * 2016-11-26 2020-07-08 Agie Charmilles Sa Método para mecanizado e inspección de piezas de trabajo

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104108054A (zh) * 2014-06-19 2014-10-22 华中科技大学 大型复杂金属表面等离子体与脉冲放电复合抛光加工装置
CN109396576A (zh) * 2018-09-29 2019-03-01 郑州轻工业学院 基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法
CN113910085A (zh) * 2021-09-26 2022-01-11 江苏集萃华科智能装备科技有限公司 金属镜面抛光产线的控制方法、控制装置及控制系统
CN115922553A (zh) * 2022-11-24 2023-04-07 浙江工业大学 一种碳化硅晶片抛光加工状态在线监测方法
CN116522806A (zh) * 2023-07-03 2023-08-01 泉州装备制造研究所 抛光工艺参数优化方法、抛光系统、电子设备及存储介质
CN116618764A (zh) * 2023-07-25 2023-08-22 广东台正精密机械有限公司 一种镜面放电加工机的生产优化方法及系统

Also Published As

Publication number Publication date
CN116842415A (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN107679089B (zh) 一种用于电力传感数据的清洗方法、装置和系统
CN115826645B (zh) 一种激光器的温度控制方法、装置、设备及存储介质
CN116862913B (zh) 基于机器视觉的复合镍铜散热底板缺陷检测方法及系统
CN116737510B (zh) 一种基于数据分析的键盘智能监测方法及系统
CN116882303B (zh) 一种激光电源的寿命预测方法、系统及存储介质
CN111062520A (zh) 基于随机森林算法的hostname特征预测方法
CN110837874A (zh) 基于时间序列分类的业务数据异常检测方法
CN117371875B (zh) 基于数据分析的音箱生产质量评价方法及系统
CN117095247B (zh) 基于数控加工的加工姿态运行优化方法、系统及介质
CN116523414A (zh) 一种复合镍铜散热底板的生产管理方法及系统
CN116931534B (zh) 基于物联网的刺绣产品生产控制方法及系统
CN116394161B (zh) 一种基于数据分析的电极生产管理方法及系统
CN116842415B (zh) 一种镜面放电加工机的远程监测方法、系统及介质
CN112733931B (zh) 一种核电厂设备监测数据聚类处理方法和电子设备
CN116977117B (zh) 一种精密部件的加工智能分析方法及系统
CN114326593A (zh) 一种刀具寿命预测系统及方法
CN116542956A (zh) 一种织物组分自动检测方法、系统及可读存储介质
CN115905990A (zh) 一种基于密度聚集算法的变压器油温异常监测方法
CN113986673A (zh) 一种故障关联方法、装置及计算机可读存储介质
CN116681266B (zh) 一种镜面放电加工机的生产调度方法及系统
CN117391715B (zh) 基于机器视觉的电芯二维码识别与溯源方法
CN117131425A (zh) 一种基于反馈数据的数控机床加工状态监测方法及系统
CN115953724B (zh) 一种用户数据分析以及管理方法、装置、设备及存储介质
CN117056711B (zh) 基于多源数据的锡膏印刷机性能评估方法、系统及存储介质

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