CN116911469B

CN116911469B - 一种数控机床加工时间预测方法

Info

Publication number: CN116911469B
Application number: CN202311170752.8A
Authority: CN
Inventors: 牟文平; 李彩云; 褚福舜; 刘宽; 龚皓宁; 舒建国
Original assignee: Chengdu Aircraft Industrial Group Co Ltd
Current assignee: Chengdu Aircraft Industrial Group Co Ltd
Priority date: 2023-09-12
Filing date: 2023-09-12
Publication date: 2024-01-12
Anticipated expiration: 2043-09-12
Also published as: CN116911469A

Abstract

本发明公开了一种数控机床加工时间预测方法，针对采集的数据的特征，利用相关分析方法剔除特征间的相关性过高的特征；然后，通过主成分分析对训练集的数据样本的高维输入特征降维，对采集到数据的特征进行主成分分析，按一定比例剔除贡献率较低的特征。将数据集划分为训练集、验证集和测试集，利用GBRT梯度提升回归树算法基于训练集对数控加工时间预测模型进行训练，在训练过程中使用验证集对模型的参数进行调优，通过测试集对模型性能进行评估，得到最终的预测模型，用于预测数控机床加工时间。本发明利用机器学习算法对数控加工时间进行了高准确的预测，为排产提供了可靠的依据，实现了精准排产，具有较好的实用性。

Description

一种数控机床加工时间预测方法

技术领域

本发明属于航空零件数控机床加工时间预测领域，具体涉及一种数控机床加工时间预测方法。

背景技术

预测数控机床加工时间对于高效运用机床十分重要，同时对于零件排产也十分重要，预测时间不准会导致排产执行结果不准，排产过多将导致零件未按计划加工完成，排产过少则会导致机床利用率不高，对整个企业的订单管理非常不利。

专利CN102455679B公开了数控机床的加工时间预测装置，根据NC指令在指定的刀具路径上计算刀具移动所需要的时间，将刀具路径分割为多个段，求出分割后的各段的切向速度，计算得到各段上移动需要的时间，进而求出总的刀具移动时间，该专利只考虑了刀具移动时间，未考虑不同零件特征对刀具移动的速度的影响，以及真实加工时间对预测时间的优化。

发明内容

本发明的目的在于提供一种数控机床加工时间预测方法，旨在解决上述的问题。本发明能够根据输入的零件数模加工特征、加工参数、设备参数、真实加工时间等工况信息数据，预测数控机床加工时间，能较为精细地评估机床加工中所用的时间，减少机床的空闲时间，提升机床的利用率，同时，能够为正确制定可执行的生产计划奠定了基础，提升了企业对订单流程执行时间的把控，提升企业的管理化水平。

本发明主要通过以下技术方案实现：

一种数控机床加工时间预测方法，包括以下步骤：

步骤S100：数据采集：采集零件数模加工特征、加工参数、机床信息、环境信息、理论的数控加工总时间以及真实的数控加工总时间的工况信息数据，并形成数据集；将采集到的所有数据进行清洗、标准化，填充空白值、剔除异常值，建立数控加工时间预测模型；

步骤S200：针对采集的数据的特征，利用相关分析方法剔除特征间的相关性过高的特征，保证模型的泛化性能；然后，通过主成分分析对训练集的数据样本的高维输入特征降维，对采集到数据的特征进行主成分分析，计算主成分贡献率及累计贡献率，剔除贡献率低于阈值的特征；

步骤S300：将数据集划分为训练集、验证集和测试集；利用GBRT梯度提升回归树算法基于训练集对数控加工时间预测模型进行训练，在训练过程中使用验证集对模型的参数进行调优，通过测试集对模型性能进行评估，得到最终的预测模型；

步骤S400：采集待加工零件的零件特征信息、加工参数、机床信息、环境信息以及计算得到的数控加工总时间，并输入步骤S300中得到的预测模型，预测得到零件数控加工时间。

为了更好地实现本发明，进一步地，所述步骤S100包括以下步骤：

步骤S110：利用软件对零件数模进行分析，根据加工特征将其分为N种特征类型，即零件数模加工特征；

步骤S120：根据特征类型将NC程序进行分段，并从NC指令中获取每个程序段的转速、进给、切深、切宽的加工参数；

步骤S130：根据NC程序段和加工参数计算每个程序段的理想加工时间，计算得到理论的数控加工总时间；

步骤S140：根据机床采集的DNC数据中获取每个程序段的真实加工时间，计算得到真实的数控加工总时间；

步骤S150：获取机床信息和环境信息，并采集步骤S110-步骤S140中的工况信息数据，形成数据集。

为了更好地实现本发明，进一步地，所述步骤S100中，所述零件数模加工特征包括腹板、筋条、缘条转角、孔的特征；所述机床信息包括主轴类型、设备类型、设备型号，所述主轴类型包括机械主轴、电主轴；所述环境信息包括温度、湿度、振动。

为了更好地实现本发明，进一步地，所述步骤S100中，对数据中缺失的特征值采用K最近距离法进行填补，进一步对数据进行转换，采用直线法实现统一数据量纲和数量级：

最大值化：

最小值化：

逆向化：

其中，x _i为第i个数据x，

max(x _i)为最大值数据x，

min(x _i)为最小值数据x。

为了更好地实现本发明，进一步地，所述步骤S200中，所述相关分析方法包括二元变量相关性分析、偏相关分析和距离相关分析中的任意一种或者多种。

为了更好地实现本发明，进一步地，所述步骤S200中，对于两个特征均为有序分类的，采用Kendall相关系数R来评价相关性，计算公式如下：

R=（P-(n*（n-1)/2-P))/(n*(n-1)/2)

其中：n为统计对象，

P为两个特征值排列大小关系一致的统计对象数；

其他特征的相关性采用皮尔逊相关系数r表达，计算公式如下：

其中：

为样本x的标准分数，

X _i为样本x的数据值，

为样本x的平均值，

为样本y的平均值，

σ _X为样本x的标准差，

σ _Y为样本y的标准差，

r的取值范围为[-1,1]，|r|的值越小则相关性越小；

删除特征间的相关性达到0.9至1的特征。以避免存在较多信息重复而导致模型存在较大误差，保证模型的泛化性能。

为了更好地实现本发明，进一步地，所述步骤S200中，主成分Z _i的贡献率计算公式为：

累计贡献率为：

即

其中：

α _1i,α _2i,…,α _pi为X的协方差阵∑的特征值所对应的特征向量，

Zx ₁,Zx ₂,…,Zx _p是原始变量经过标准化处理后的值，

λ _i为贡献量，

λ _k为投入量，

累计贡献率F _p为主成分特征占据总特征的比例，累计贡献率取值为[0.8,0.9]。

为了更好地实现本发明，进一步地，所述步骤S300中，通过M次迭代，每次迭代产生一个模型，让每次迭代产生的模型对训练集的损失函数最小，采用梯度下降的方法，在每次迭代时，向损失函数的负梯度方向移动使得损失函数越来越小，最后将每阶段模型相加得到最终预测结果。

本发明的有益效果如下：

本发明将待加工零件的加工特征、加工参数、机床信息以及环境信息等采集到的工况数据作为模型输入，综合考虑了数控加工中至关重要的多影响因素，较为精细地评估了机床加工中所用的时间。本发明根据特征类型对应采用Kendall相关系数R、皮尔逊相关系数r来评价相关性，产生了优势互补的协同作用，且删除特征间的相关性达到0.9至1的特征，有效避免了存在较多信息重复而导致模型存在较大误差，保证了模型的泛化性能。本发明进一步的通过贡献率筛选了数据，提高了后期模型训练的准确性。通过大量的实践证明，本发明利用机器学习算法对数控加工时间进行了高准确的预测，为计划人员进行排产提供了可靠的依据，实现了精准排产，提升企业的管理水平，具有较好的实用性。

附图说明

图1为本发明的流程图。

具体实施方式

实施例1：

一种数控机床加工时间预测方法，通过快速程编软件对零件数模进行分析，根据加工特征将数控程序分为腹板段、筋条段、缘条段、孔段等程序段，从NC指令中获取每个程序段加工时的转速、进给、切深、切宽等加工参数，同时获取加工时机床信息和环境信息。基于以上工况特征中每项数据都是真实有效的基础上，将采集的数据作为输入，将完成所有程序段在机床真实加工时间作为输出。

对所有数据进行清洗、标准化，建立数控加工时间预测模型。将数据样本分为训练集、验证集和测试集，使用机器学习算法对训练集进行模型训练，使用验证集进行“人工调参”，通过测试集对模型进行测试评价。通过分析参数对模型准确率的影响，进行参数调优，提升模型预测的准确率。

将待加工零件的加工特征、加工参数、机床信息以及环境信息等采集到的工况数据作为模型输入，得到某个零件数控加工时间预测结果。本发明利用机器学习算法对数控加工时间进行预测，为计划人员进行排产提供了可靠的依据，实现精准排产，提升企业的管理水平。

优选地，利用相关分析（二元变量相关分析、距离相关分析）等方法进行数据间的相关性分析，剔除重复因素；通过主成分分析对高维输入特征降维；利用GBRT(GradientBoosting Regression Tree)梯度提升回归树算法对训练集进行训练生成模型，在训练过程中使用验证集对模型进行“人工调参”，通过测试集对模型性能进行评估。

采集零件加工中的加工特征、加工参数、机床信息、环境信息等数据作为模型的输入，使用机器学习中的梯度提升决策树（GBDT）算法来对初始数据进行训练生成模型，该算法通过M次迭代，每次迭代产生一个模型，让每次迭代产生的模型对训练集的损失函数最小，采用梯度下降的方法，在每次迭代时向损失函数的负梯度方向移动使得损失函数越来越小，最后将每阶段模型相加得到最终预测结果。

优选地，如图1所示，本发明主要包括以下步骤：

S1：利用快速程编软件对零件数模进行分析，根据加工特征将其分为腹板段、筋条段、孔段等N种特征类型，Feature:{F₁,F₂,……,F_N}；

S2：根据特征类型将NC程序进行分段：

{F_{1{S1,S2,S3,……,Sa}，}F_{2{S1,S2,S3,……,Sb}，}……_，F_{N{S1,S2,S3,……,Sm}}}

并从NC指令中获取每个程序段的转速、进给、切深、切宽等加工参数；

S3:根据NC程序段和加工参数计算每个程序段的理想加工时间{T₁,T₂,……,T_N}，并求出零件数控加工时间，T_total=T₁+T₂+……+T_N；

S4：根据机床采集的DNC数据中获取每个程序段的真实加工时间，计算得到零件数控加工的总时间；

S5：获取机床信息和环境信息，并采集以上工况的所有参数；将零件加工采集的特征信息、加工参数、机床信息、环境信息以及计算得到的加工总时间等信息作为一条记录，整理相关工况特征作为输入，数控机床加工时间作为输出；

S6：将采集的数据按照6:2:2比例分为训练集、验证集和测试集，对采集到的所有数据进行标准化，填充空白值、异常值；

S7：对采集的数据列进行二元变量相关性分析、偏相关分析和距离相关分析，剔除特征间的相关性过高的特征，保证模型的泛化性能；

S8：对采集到数据的特征进行主成分分析（Pricipal Component Analysis,PCA），计算主成分贡献率及累计贡献率，按一定比例剔除贡献率较低的特征；

S9：使用GBRT(Gradient Boosting Regression Tree)梯度提升回归树对训练集进行训练；

S10：对训练模型中的参数进行调优，根据测试集评估模型并计算模型准确率；

S11：采集需要加工零件的以上工况特征作为模型输入，预测零件数控加工时间。

实施例2：

一种数控机床加工时间预测方法，如图1所示，主要包括以下步骤：

步骤1：通过对CATIA进行二次开发得到快速程编软件，该软件可识别到零件数模中的加工特征，得到零件包含的腹板、筋条、缘条转角、孔等N种类型。

步骤2：基于步骤1中的加工特征将NC程序进行分段，并从NC指令中获取每个程序段的工艺参数，工艺参数主要包括转速、进给、切深、切宽等。

步骤3：根据NC指令中加工的坐标以及步骤2中获取到的工艺参数，计算得出每个程序加工段的理论加工时间，累加得到零件的总数控加工时间。

步骤4：从机床监控采集的DNC数据中获取零件数控加工的总时间。

步骤5：获取机床信息和环境信息。机床信息主要包括：主轴类型、设备类型、设备型号等。主轴类型主要包括机械主轴、电主轴等。环境信息包括：温度、湿度、振动等，对分析的可能影响数控机床加工时间的因素进行收集，将所有特征作为一条记录。将所有收集的数据按照比例6:2:2分为训练集、验证集和测试集。

步骤6：对数据中缺失的特征值采用K最近距离法进行填补，进一步对数据进行转换，采用直线法实现统一数据量纲和数量级：

最大值化：

最小值化：

逆向化：

其中，x _i为第i个数据x，

max(x _i)为最大值数据x，

min(x _i)为最小值数据x，

并剔除数据的异常值。

步骤7：对数据特征进行相关性分析，对于两个特征均为有序分类的采用Kendall相关系数来评价相关性，计算公式如下：

其中n为统计对象，P为两个特征值排列大小关系一致的统计对象数。

其他特征的相关性采用皮尔逊（Pearson）相关系数，计算公式如下：

其中、/>及σ _X分别是对X _i样本的标准分数、样本平均值和样本你标准差。该协方差的取值范围为[-1,1]，|r|值越小则相关性越小。如果r值是0，则说明两个变量不相关，删除特征间的相关性达到0.9至1的特征，避免存在较多信息重复而导致模型存在较大误差，保证模型的泛化性能。

步骤8：对数据中P个特征进行主成分分析（Pricipal Component Analysis,PCA），计算主成分贡献率及累计贡献率。主成分Z _i的贡献率计算公式为：

累计贡献率：

其中α _1i,α _2i,…,α _pi(i=1,...,m)为X的协方差阵∑的特征值所对应的特征向量，Zx ₁,Zx ₂,…,Zx _p是原始变量经过标准化处理的值。累计贡献率F _p表示主成分特征占据总特征的比例，其值越大，包含的信息越多，通常取值在0.8-0.9之间。

步骤9：使用GBRT梯度提升回归树对训练集进行训练。该算法主要由两个部分组成：回归树和梯度提升。其中回归树是通过信息增益进行节点分割和建树：

假设我们前一轮迭代得到的学习器是f _t-1(x),损失函数是L(y，f _t-1(x))，我们本轮迭代的目标是找到一个CART回归树模型的弱学习器h _t(x)。GBRT由多棵决策树组成，所有树的结论累加起来做最终答案。

步骤10：参数调优，优化并评估模型。GBRT框架参数主要包括n_estimators、learning_rate、subsample、init、loss等。在训练过程中不断使用验证集对模型进行“人工调参”，优化模型。利用测试集对模型的泛化能力进行测试。

步骤11：当新零件需要加工前，采集模型中确定的主要因素信息，将其整合成一条记录作为模型的输入值，预测本次零件数控加工时间

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims

1.一种数控机床加工时间预测方法，其特征在于，包括以下步骤：

所述步骤S100中，所述零件数模加工特征包括腹板、筋条、缘条转角、孔的特征；所述机床信息包括主轴类型、设备类型、设备型号，所述主轴类型包括机械主轴、电主轴；所述环境信息包括温度、湿度、振动；

所述步骤S200中，对于两个特征均为有序分类的，采用Kendall相关系数R来评价相关性，计算公式如下：

R=（P-(n*（n-1)/2-P))/(n*(n-1)/2)

其中：n为统计对象，

P为两个特征值排列大小关系一致的统计对象数；

其中：

为样本x的标准分数，

X _i为样本x的数据值，

为样本x的平均值，

为样本y的平均值，

σ _X为样本x的标准差，

σ _Y为样本y的标准差，

r的取值范围为[-1,1]，|r|的值越小则相关性越小；

删除特征间的相关性达到0.9至1的特征；

2.根据权利要求1所述的一种数控机床加工时间预测方法，其特征在于，所述步骤S100包括以下步骤：

3.根据权利要求1所述的一种数控机床加工时间预测方法，其特征在于，所述步骤S100中，对数据中缺失的特征值采用K最近距离法进行填补，进一步对数据进行转换，采用直线法实现统一数据量纲和数量级：

最大值化：

最小值化：

逆向化：

其中，x _i为第i个数据x，

max(x _i)为最大值数据x，

min(x _i)为最小值数据x。

4.根据权利要求1所述的一种数控机床加工时间预测方法，其特征在于，所述步骤S200中，所述相关分析方法包括二元变量相关性分析、偏相关分析和距离相关分析中的任意一种或者多种。

5.根据权利要求1所述的一种数控机床加工时间预测方法，其特征在于，所述步骤S200中，主成分Z _i的贡献率计算公式为：

累计贡献率为：

即

其中：

Zx ₁,Zx ₂,…,Zx _p是原始变量经过标准化处理后的值，

λ _i为贡献量，

λ _k为投入量，

6.根据权利要求1所述的一种数控机床加工时间预测方法，其特征在于，所述步骤S300中，通过M次迭代，每次迭代产生一个模型，让每次迭代产生的模型对训练集的损失函数最小，采用梯度下降的方法，在每次迭代时，向损失函数的负梯度方向移动使得损失函数越来越小，最后将每阶段模型相加得到最终预测结果。