CN117784607A - 一种基于多专家系统的数控机床能耗持续建模与优化方法 - Google Patents

Abstract

本申请公开了一种基于多专家系统的数控机床能耗持续建模与优化方法，包括：采集数控机床的功率数据及相关运行参数，不断生成新的数控机床的运行参数‑能耗数据集，持续训练描述数控机床运行参数和能耗关系的新深度学习模型，生成多个数控机床子能耗模型，并基于所生成的多个数控机床子能耗模型生成基于多专家系统的数控机床能耗模型，并以基于多专家系统的数控机床能耗模型为目标函数，通过遗传算法等优化算法获取能耗最优加工参数。由此，解决了相关技术中，机理模型建模的构建过程复杂，操作和实施难度较大，无法实现对数控机床整个生命周期的持续能耗建模及优化等问题。

Description

一种基于多专家系统的数控机床能耗持续建模与优化方法

技术领域

本申请涉及数控机床技术、绿色制造领域，特别涉及一种数控机床的能耗建模与优化方法。

背景技术

机床作为工业母机，在广泛应用于制造业的同时，也带来了巨大的能量消耗。数控机床作为离散制造数字化车间典型装备之一，其结构复杂，能耗部件繁多，涉及主传动系统、进给系统和辅助系统等多个复杂的能耗子系统，涵盖了机、电、液等多种类型，具有多层次多源能耗特性。因此，数控机床能耗特性复杂，能耗建模以及优化的研究难度大。

预测数控机床能耗方面研究较多的是基于机理模型的数控机床能耗建模方法。在对数控机床的能耗特性进行分析之后，依据数控机床的能耗组件或者能耗环节来对数控机床的能耗进行建模预测。比如针对数控机床的能耗环节开展研究，根据机床在启动、空载、加工和停机等不同阶段能量消耗不同划分为启动能耗、空载能耗、切削能耗和附加能耗等能耗环节。

切削能耗是整个数控机床加工阶段耗能的核心。机理模型的方法从切削力入手，在各种理论知识支持的基础上通过分析材料去除机理定性地建立切削力预测公式，进而建立数控机床切削能耗的模型。但是，由于切削能耗理论中涉及到的系数复杂且多样，经验模型又大多采用精度不高的切削比能耗模型，因此精确预测工件切削加工过程的能耗十分困难。

准确的能耗特性分析以及高精度的能耗模型是能耗优化的基础。现有的数控机床能耗优化方法可以分为硬件方法、软件方法和混合方法。硬件优化能有效降低机床能耗，但仅可用于机床设计阶段，而软件优化方法没有这种限制，相对于硬件方法成本较低，可操作性较强。

发明内容

本申请的目的在于提供一种基于多专家系统的数控机床能耗持续建模与优化方法，以解决相关技术中，数控机床能耗模型构建的操作和实施难度较大，泛用性较差且精度不高，无法实现对数控机床整个生命周期的持续能耗建模及优化等问题。

为了达到上述目的，本申请采用如下技术方案：

一种基于多专家系统的数控机床能耗持续建模与优化方法，包括以下步骤：

步骤1：基于预设工况，采集数控机床的功率数据及相关运行参数，生成数控机床的初始运行参数-能耗数据集并保存；

步骤2：构建描述数控机床运行参数和能耗关系的深度学习模型，并基于初始运行参数-能耗数据集训练描述数控机床运行参数和能耗关系的深度学习模型，生成首个数控机床子能耗模型；

步骤3：将在机床实际运行过程中，定期采集到的新的功率数据及相关运行参数，新增到上一次保存的运行参数-能耗数据集中，生成新的运行参数-能耗数据集并保存；

其中，当每一次生成新的运行参数-能耗数据集时，旧的运行参数-能耗数据集一并保存。

步骤4：基于新的运行参数-能耗数据集训练描述数控机床运行参数和能耗关系的深度学习模型，生成新的数控机床子能耗模型，通过门控机制将新生成的和之前生成的多个数控机床子能耗模型集成，构建基于多专家系统的数控机床能耗模型。

其中，在集成之前生成的多个数控机床子能耗模型的时候，可以选择将之前生成的所有数控机床子能耗模型进行集成，也可以选择将部分子能耗模型进行集成，遗忘掉剩下的数控机床子能耗模型，节省存储资源。

步骤5：以基于多专家系统的数控机床能耗模型为目标函数，使用遗传算法等优化算法获取能耗最优加工参数。

可选地，在基于预设的多种工况，分别采集所述数控机床的功率数据及相关的运行参数之前，还包括：分析影响数控机床功率的运行参数，其中，所述运行参数包括材料硬度、切削宽度、切削深度、进给量和主轴转速；根据数控机床的机理模型计算合适的运行参数范围，每个参数在合适范围内选定有明显差距的多组数据，以参数组合构成工况。

可选地，采集数控机床的功率数据及相关运行参数，生成数控机床的运行参数-能耗数据集并保存，包括：由每个工况对应的参数组合作为输入，使用数控机床进行加工实验获取所述工况对应的功率，每个加工实验持续时间一致；对所述功率数据进行处理，截取功率的平稳段，对时间积分计算得到机床能耗；将所述每个工况的运行参数作为样本，且将所述每个工况的能耗作为标签，组成样例，且利用多个样例构建所述运行参数-能耗数据集并保存。

可选地，以所述运行参数-能耗数据集作为输入训练描述数控机床运行参数和能耗关系的深度学习模型，生成数控机床子能耗模型，包括：根据运行参数-能耗数据集训练描述数控机床运行参数和能耗关系的深度学习模型，获得精度较高的数控机床子能耗模型；将不同运行参数-能耗数据集训练得到的多个数控机床子能耗模型，通过门控机制进行集成，构建基于多专家系统的数控机床能耗模型，以利用基于多专家系统的数控机床能耗模型预测所述数控机床的实际能耗。

可选地，在本申请的一个实施例中，所述能耗模型，使用遗传算法等优化算法获取能耗最优加工参数，包括：以所述能耗模型为目标函数，将所述运行参数-能耗数据集作为初始种群，通过遗传算法并采取精英主义策略进行计算，以适合度稳定后的结果作为输出，实现对于所述能耗最优参数的获取。

本申请可以仅使用数控机床实际运行过程中的运行参数和功率，持续训练描述数控机床运行参数和能耗关系的新深度学习模型，生成多个数控机床子能耗模型，并基于多个数控机床子能耗模型生成基于多专家系统的数控机床能耗模型，并以基于多专家系统的数控机床能耗模型为目标函数，通过遗传算法获取能耗最优加工参数。由此，解决了相关技术中，机理模型的构建过程复杂，操作和实施难度较大，无法实现对数控机床整个生命周期的持续能耗建模及优化等问题。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的一种基于多专家系统的数控机床能耗持续建模与优化方法的流程图；

图2为根据本申请实施例的基于多专家系统的数控机床能耗模型。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的基于多专家系统的数控机床能耗持续建模与优化方法。

具体而言，图1为本申请实施例所提供的一种基于多专家系统的数控机床能耗持续建模与优化方法的流程示意图。

如图1所示，该基于多专家系统的数控机床能耗持续建模与优化方法包括以下步骤：

在步骤S101中，基于预设工况，采集数控机床的功率数据及相关运行参数，生成数控机床的初始运行参数-能耗数据集并保存。

在实际执行过程中，本申请实施例可以基于数控机床切削加工的机理模型，分析确定影响数控机床主轴功率的运行参数，并预先设计多种工况，由功率传感器或者示波器等功率采集装置，采集数控机床功率数据及相关的运行参数。其中，采集装置可以连接在电源和数控机床之间，用来采集数控机床功率数据P_m，相关的运行参数可以是数控机床切削材料的硬度d、切削宽度a_w、切削深度a_p、进给量f、主轴转速n等。

本领域技术人员可以理解到的是，不同的工况下数控机床运行参数选定并不是任意的，应当考虑加工方式和各参数之间的关系，在合理范围内进行选定，确定加工参数有明显差异的不同工况，用于进行切削实验。

由不同工况对应的参数组合作为输入，使用数控机床进行加工实验获取每个工况对应的功率，每个加工实验持续时间一致；对所述功率数据进行处理，截取功率的平稳段，对时间积分计算得到机床能耗E_m；将所述每个工况的运行参数作为样本x，且将每个工况的能耗作为标签y，组成样例(x,y)，且利用m个样例构建所述初始运行参数-能耗数据集D₁，即：

x＝{d,a_w,a_p,f,n}

y＝{E_m}

D₁＝{(x₁,y₁),(x₂,y₂),…,(x_m,y_m)}

在步骤S102中，构建描述数控机床运行参数和能耗关系的深度学习模型，并基于初始运行参数-能耗数据集训练描述数控机床运行参数和能耗关系的深度学习模型，生成首个数控机床子能耗模型。

作为一种可能实现的方式，本申请实施例可以建立用于描述数控机床运行参数和能耗关系的深度学习模型，并基于上述步骤中得到的初始运行参数-能耗数据集对深度学习模型进行训练，从而构建首个数控机床子能耗模型。

可选地，深度学习模型采用BP神经网络模型，包括输入层、隐藏层和输出层。输入和输出层只有一层，而隐藏层可以有多层。需要注意的是，其他深度学习模型也可以用来构建数控机床能耗模型，BP神经网络仅为参考，具体的模型可以由本领域的技术人员进行决定，在此不做具体限制。

将样本x＝{d,a_w,a_p,f,n}作为输入，输入层包括5个神经元，输出层有1个神经元，输出数控机床能耗的预测值神经网络的隐藏层大小，可以由本领域的技术人员进行确定，在此不做具体限制。

激活函数采用ReLU函数，损失函数L采用平方损失函数：

其中，k代表输入到神经网络模型中的样本数,代表第j个样本输入神经网络模型之后的预测值，y_j代表第j个样本的真实值。

将初始运行参数-能耗数据集D₁中的样本数据进行归一化之后，按照一定的比例分成训练集D_train,1和测试集D_test,1。将训练集样本输入到神经网络模型中，利用反向传播算法结合批量梯度下降进行训练，直到整个训练集的累计损失函数值达到最小，并在每一轮训练开始之前，将训练集中的样例进行随机重新排序。训练完成之后，利用测试集D_test,1对训练好的神经网络模型进行测试，选择测试损失最小的网络参数作为最终的神经网络，生成首个数控机床子能耗模型h₁。

能耗的建模结果采用相对误差δ来评估其建模精度，其值越低说明建模的精度越高。将模型在测试集上的能耗相对建模误差δ作为评价其建模精度的指标。

其中，E_m代表真实的能耗值，代表预测的能耗值。

在步骤S103中，将在机床实际运行过程中，定期采集到的新的功率数据及相关运行参数，新增到上一次保存的运行参数-能耗数据集中，生成新的运行参数-能耗数据集并保存。

在机床实际的运行过程中，定期采集不同工况下的新的功率及相关运行参数，组成包含k个新样例的运行参数-能耗数据集D_new，新增到上一个保存的运行参数-能耗数据集D_t-1中，生成新的运行参数-能耗数据集D_t并保存。

D_new＝{(x₁,y₁),(x₂,y₂),…,(x_k,y_k)}

D_t＝{D_t-1,D_new}t∈(1,n]

新的运行参数-能耗数据集D_t与之前的运行参数-能耗数据集构成数控机床运行参数-能耗数据库D。

D＝{D₁,D₂,…,D_t-1,D_t}

训练集和测试集数据的划分上，将数据集D_new按照预设比例划分成训练集D_train,new和测试集D_test,new，与上一个保存的运行参数-能耗数据集D_t-1的训练集D_train,t-1和测试集D_test,t-1一起构成新的训练集D_train,t和测试集D_test,t。

D_train,t＝{D_train,t-1,D_train,new}

D_test,t＝{D_test,t-1,D_test,new}

在步骤S104中，基于新的运行参数-能耗数据集训练描述数控机床运行参数和能耗关系的深度学习模型，生成新的数控机床子能耗模型，通过门控机制将新生成的和之前生成的多个数控机床子能耗模型集成，构建基于多专家系统的数控机床能耗模型。

构建新的神经网络模型，该模型的输入和输出需与之前的模型保持一致，但为了适应更大的数据量，可以对隐藏层的大小进行调整。根据新的运行参数-能耗数据集D_t，按照步骤S102中的训练过程，利用训练集D_train,t对新的神经网络模型进行训练，生成新的数控机床子能耗模型h_t。在测试集D_test,t上对模型进行测试，得到新生成数控机床子能耗模型的建模精度δ_t。

这里需要指出的是，为了防止新增的数据质量不够，导致模型的性能下降，这里用上一个生成的数控机床子能耗模型h_t-1在测试集D_test,t进行测试，得到建模精度δ_t-1。如果δ_t-δ_t-1>5％，那么就认为新增的数据质量不足，不能提升数控机床子能耗模型的建模精度。此时，将新的运行参数-能耗数据集D_t从运行参数-能耗数据库D删除，新的数控机床子能耗模型h_t也不再保留。否则，如图2所示，将新的数控机床子能耗模型h_t与之前l个的数控机床子能耗模型通过均值函数G进行集成，生成新的基于多专家系统的数控机床能耗模型F_t。

需要指出的是，本实施例中采用门控机制是均值函数，仅为参考值。门控机制也可是神经网络等智能算法，可以由本领域的技术人员进行确定，在此不做具体限制。

将新工况下的数控机床切削材料的硬度d、切削宽度a_w、切削深度a_p、进给量f、主轴转速n等参数输入到基于多专家系统的数控机床能耗模型F_t中，即可对新工况下的能耗进行预测。

在步骤S105中，以基于多专家系统的数控机床能耗模型为目标函数，使用遗传算法等优化算法获取能耗最优加工参数。

在实际执行过程中，给定加工参数范围，以神经网络模型生成的基于多专家系统的数控机床能耗模型F_t为目标函数，通过遗传算法并采取精英主义策略进行寻优，将最佳适合度作为衡量标准，以适合度稳定后的结果作为输出，实现对于所述能耗最佳加工参数的获取。

针对上述背景技术中提到的相关技术中，数控机床能耗模型构建的操作和实施难度较大，无法实现对数控机床整个生命周期的持续能耗建模及优化等问题，本申请提供了一种基于多专家系统的数控机床能耗持续建模与优化方法，在该方法中，可以仅使用数控机床实际运行过程中的运行参数和功率，持续训练描述数控机床运行参数和能耗关系的新深度学习模型，生成多个数控机床子能耗模型，并基于多个数控机床子能耗模型生成基于多专家系统的数控机床能耗模型，并以基于多专家系统的数控机床能耗模型为目标函数，通过遗传算法等优化算法获取能耗最优加工参数。由此，解决了相关技术中，机理模型建模和辨识过程复杂，精度不高且操作实施难度大，无法实现对数控机床整个生命周期的持续能耗建模及优化等问题。

Claims (5)

1.一种基于多专家系统的数控机床能耗持续建模与优化方法，其特征在于，包括以下步骤：

基于预设工况，采集数控机床的功率数据及相关运行参数，生成数控机床的初始运行参数-能耗数据集并保存；

构建描述数控机床运行参数和能耗关系的深度学习模型，并基于初始运行参数-能耗数据集训练描述数控机床运行参数和能耗关系的深度学习模型，生成首个数控机床子能耗模型；

将在机床实际运行过程中，定期采集到的新的功率数据及相关运行参数，新增到上一次保存的运行参数-能耗数据集中，生成新的运行参数-能耗数据集并保存；

基于新的运行参数-能耗数据集训练描述数控机床运行参数和能耗关系的深度学习模型，生成新的数控机床子能耗模型，通过门控机制将新生成的和之前生成的多个数控机床子能耗模型集成，构建基于多专家系统的数控机床能耗模型；

以基于多专家系统的数控机床能耗模型为目标函数，使用优化算法获取能耗最优加工参数。

2.根据权利要求1所述的方法，其特征在于，在采集数控机床的功率数据及相关的运行参数之前，还包括：

分析影响数控机床功率的运行参数，其中，所述运行参数包括材料硬度、切削宽度、切削深度、进给量和主轴转速；

根据数控机床的机理模型计算运行参数范围，每个参数在参数范围内选定有明显差距的多组数值，以不同参数组合构成不同工况。

3.根据权利要求1所述的方法，其特征在于，通过实验获取不同工况的数控机床的功率数据及相关的运行参数，不断生成新的数控机床的运行参数-能耗数据集，包括：

设计多个不同工况，将每个工况对应的参数组合作为输入，使用数控机床进行加工实验获取每个工况对应的功率，每个加工实验持续时间一致；

对所述功率数据进行处理，截取功率平稳段，对时间积分计算得到机床能耗；

将所述每个工况的运行参数作为样本，且将每个工况的能量损耗功率作为标签，组成样例，且利用多个样例构建初始运行参数-能耗数据集；

定期采集机床实际运行过程中的新的功率数据及相关运行参数，新增到上一次保存的运行参数-能耗数据集中，生成新的运行参数-能耗数据集并保存。

4.根据权利要求1所述的方法，其特征在于，以运行参数-能耗数据集作为输入，不断训练描述数控机床运行参数和能耗关系的深度学习模型并生成新的数控机床子能耗模型，构建基于多专家系统的数控机床能耗模型，以利用基于多专家系统的数控机床能耗模型预测数控机床的实际能耗，包括：

根据运行参数-能耗数据集对单个描述数控机床运行参数和能耗关系的深度学习模型进行训练，获得精度高的数控机床子能耗模型；

不断根据新的运行参数-能耗数据集，训练生成新的数控机床子能耗模型；如果新的数控机床子能耗模型的建模精度不如之前的数控机床子能耗模型，那么就舍弃掉新生成的模型；

新生成的数控机床子能耗模型一经构建，就通过门控机制将新生成的和之前生成的多个数控机床子模型集成，构建基于多专家系统的数控机床能耗模型，以利用基于多专家系统的数控机床能耗模型预测所述数控机床的实际能耗。

5.根据权利要求1所述的方法，其特征在于，将基于多专家系统的数控机床能耗模型为目标函数，使用优化算法获取能耗最优加工参数，包括：

给定加工参数范围，以基于多专家系统的数控机床能耗模型为目标函数，通过遗传算法并采取精英主义策略进行寻优，将最佳适合度作为衡量标准，以适合度稳定后的结果作为输出，实现对于所述能耗最佳加工参数的获取。