一种机械制造设备切削状态辨识与数据处理方法方法与流程
本申请涉及一种机械制造设备切削状态辨识与数据处理方法，属于工业4.0前端的现场数据采集和智能信息系统构建、工业物联网中的数据挖掘与数据处理领域。
背景技术：
机械制造业是工业发展的基础，其在国民经济发展过程中具有至关重要的作用和地位。机械制造涉及到的机床设备种类繁多、型号系列众多、设备功能差异很大、机械制造设备相对其他工业设备比较而言相对价值昂贵。同时机械制造设备又不同于其他设备，一方面机床功能比较集中，即在某一特定的设备上可以完成特定的功能作用，且随着科技的快速发展，机床设备的功能越来越复杂、自动化程度也越来越高；但另一方面，机床设备又严重依赖于操作人员，且其工艺随着被加工产品的差异性变化而较大的变化，比如加工水泵铸铁类叶轮和加工硬质合金高精密冲压模具凹模零件的制造工艺就相差极多。制造工艺的差异带来生产效率的差异，进而在产品成本上表现出极大的不同，最终影响使用者——机械设备使用公司的经济效益。
一般来说机械制造设备的工作状态可按图1分为有效切削加工状态101和非切削加工状态102，而非切削加工状态又可按照此过程对切削加工过程的重要性或影响程度分为必要辅助过程和非必要辅助过程。具体地可按照图2细分为多个组成部分。把机床状态细分出来，且将其历史状态进行汇总分析，有助于设备所有者或者公司高层对设备使用状况、生产运行状况、资源利用率、人工时效等进行细化分析，有利于公司开展精细化管理，为进一步的优化决策提供强有力的数据支撑。
对设备状态进行辨识，首当其冲地是要实时获取充足的数据。现阶段提取设备数据或信息的主流方法大致分为两类，一方面是通过opc等协议平台提取现有设备控制系统里的数据并加以改造，以确定设备状态。这类方法的优势是可以实时掌控较全的数据源，但这类方法获取的数据来源对象单一，对诸如普通机床没有数值控制系统的，使用该方法则无法提取数据。另一方面是在设备上自行布置传感检测系统获取数据。自建传感系统又分为三种情况，一是在运动部位布置力学传感器提取机床系统受力信号，第二种是在动力器件附近布置电流电磁类传感器提取电信号。上述两类传感器获取单一的信号源，之后再拟合出特定的映射规律曲线，以力学或电学信号推演其他所需信号。第三种布置传感器的方法是在机床的适当位置按照所需信号特征布置相应类别的传感器，这样可以提取出包括力学、电学、速度、位置、频率、温度、流量等等信息。
信号来源越多样化，可以确保精确辨识目标状态所需的数据的全面性。但不同来源的数据因为数据源自身的特点会存在较大的差异，比如在信号特征、非线性转换关系、幅值、频率、形态、分布等等方面存在差异。所有的数据必须被预先处理成目标函数可以认可的统一规范形式才能被目标函数所使用、才能被调入算法程序所使用的数据库。所以对于机械制造类机床设备状态辨识，一方面需要构建合适的辨识方法与流程，另一方面需要建立完善的数据源且对各数据进行形式统一的规范化预处理。
技术实现要素：
本发明的目的在于提供一种机械制造设备切削状态辨识与数据处理方法，以克服现有技术中的不足。
为实现上述目的，本发明提供如下技术方案：
本申请实施例公开一种机械制造设备切削状态辨识与数据处理方法，以区分出切削加工与非切削加工状态，包括：
s1、汇集切削加工过程中的切削数据，形成数据库；
s2、从数据库里提取数据，如果该参数第一次出现，对其进行特性分析，并在类域上做划分，将其划入基参数群或非基参数群，之后将类域度量区分后的参数存入参数分类库的对应位置，再调集此类数据时，直接从参数分类库里调取；
s3、构建参数的权重配比，并将结果存入参数权重库中，如果某参数已做过类域划分及获得权重配比，且存入在参数权重库里，则直接从库里调用该类信息；
s4、时间域归一化修正，使得进行过类域划分的参数在时间轴上的分布序列均匀一致；
s5、可对每类数据的状态转移进行预估，该预估值和数据库里的实际值进行比较获得纠正系数。
优选的，在上述的机械制造设备切削状态辨识方法中，所述切削数据的来源包括机械制造设备控制系统中的数据、和/或传感网络直接获取的数据。
优选的，在上述的机械制造设备切削状态辨识方法中，利用式(3)、式(6)、(7)、(8)、(9)预先拟合切削状态和各轴受力状况之间的规律曲线，再将受力状况和传感器采集到的电信号参数之间构建对应的映射关系，使得参数分类库中的参量f包含机械设备各轴状态信息：
fc＝kc·ap·f＝kc·hd·bd(9)
式中ad、ap、f、hd、bd、ke、fc、kc、
优选的，在上述的机械制造设备切削状态辨识方法中，步骤s4中，时间域归一化修正满足：
(1)、使得相关数据统一地、齐步在某一时刻点；
(2)、各类数据在时间轴上的分布也要同步、同距。
优选的，在上述的机械制造设备切削状态辨识方法中，时间域归一化修正包括对基参量进行格式统一和对非基参量进行调整。
优选的，在上述的机械制造设备切削状态辨识方法中，所述非基参量进行调整包括：依据基参量的时间分布特征对非基参量进行删减调节；对非基参量首尾空缺位置进行数值插补；对非基参量序列中间部分空缺数值进行插补修正。
优选的，在上述的机械制造设备切削状态辨识方法中，所述基参数群里的参数时间域需做统一处理：对基参数群里的数组，按照权重做递减排序，将权重最大的基参量作为第一基参数，群里的其他参数组在特定时间域内的值与第一基参数做排列比较，即将基参量组之间做与运算且赋值，或者说当两个基参数在时间序列上分布不一致时，采取交叉式剔除的方法删去对应数据。
优选的，在上述的机械制造设备切削状态辨识方法中，处理非基参量时间域归一化方法包括：
(1)、对于非基参数组，在其任意段落的连续空缺第一位处标注为i，从i+1到该区间最后一个空位之间的空缺数量用k表示，即该区间空缺数量为k+1，最后一个空缺位表示为i+k；
(2)、先将第一基参数空缺处对应的非基参数组有数据的标注出来，之后对非基参数组进行与逻辑运算且赋值；
(3)、对于前后端有非基参数的情况按式(13)～(16)对第一空缺位进行插补修正：
ti+k-ti＝δt(14)
xa(i-1)为参量a在时间序列位置i的前一刻数值，xa(i+k+1)是参量a在时间序列位置i+k的后一刻数值，xci，xc(i+k)，xc(i-1)和xc(i+k+1)表示参量c类似于a上述的意义，γ是对工艺过程实时自适应训练测算获得的现场参数经验值，xγ是对特定修正区间内缺位值进行修正所预设的加权调节系数，ti表示i位置的时刻点，ti+k表示i+k位置的时刻点，δt表示位置i到i+k之间的时间跨度。
修补位xci的值替代公式(12)里的参数xci-1，继续利用公式(15)进行插补，修正该区域内的第二个空缺位，如果空缺位出现在非基参数组的首末端,，只有一端存在有效数值的情况下，按照公式(17)～(18)对空缺位进行插补修正：
优选的，在上述的机械制造设备切削状态辨识方法中，所述切削数据全部以数字量存储于所述数据库中。
优选的，在上述的机械制造设备切削状态辨识方法中，步骤s5中，利用贝叶斯公式对每类数据的状态转移进行预估。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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他的附图。
图1是本发明具体实施例中的机械加工类机床设备状态一级辨识目标方框图；
图2是本发明具体实施例中的机械加工类机床设备非切削加工状态二级辨识目标方框图；
图3a是本发明具体实施例中的机床状态辨识方法流程的数据处理部分流程图；
图3b是本发明具体实施例中的机床状态辨识方法流程的后道搜索与算法处理部分流程图；
图4是本发明具体实施例中的机床状态辨识方法流程的触发选项部分流程图；
图5是机床状态识别基参数群间的时间序列分布差异示例；
图6是机床状态识别基参数群间的时间序列分布差异归一化过程示意；
图7是本发明的机床状态辨识涉及参量群时间序列差异性划分标识方法；
图8是本发明具体实施例中机床状态识别非基参数和基参数间的时间序列分布差异示例图；
图9是本发明具体实施例中机床状态识别非基参数群间的时间序列分布差异归一化过程示意图；
图10是本发明具体实施例中的机床状态辨识方法非基参数修正位置确定示意图；
图11是本发明具体实施例中的机床状态辨识方法非基参数修正顺序示意图；
图12a是本发明具体实施例中的机床状态辨识方法非基参数首部插值修正示意图；
图12b是本发明具体实施例中的机床状态辨识方法非基参数尾部插值修正示意图。
具体实施方式
本案提出了一种机械加工设备状态辨识目标架构，在针对切削加工状态与非切削加工状态的识别目标基础上，建立了一种状态识别方法，并对该方法所涉及到的众多数据给出一套预处理方案。主要包括以下内容：
汇集现场信号到数据库，系统启动之初，系统默认提取公司全部设备在前24小时的时间段内处于切削加工状态的时间累计，之后以界面选项点击的方式触发系统筛选指定区域内的机械加工设备在特定时间段内的切削加工利用率。
从数据库里提取数据，如果该参数第一次出现，那么按照特定规则与算法对每个数据的物理现实属性进行预判，初步将所有数据分为基参数群或非基参数群。
之后再按照选项指定的辨识目标与参数的关联性、参数在设备上的来源处、参数蕴含的工艺特征等构建参数的权重配比。如果某参数已做过类域划分及获得权重比，且存入在相应的系数库里，那么可以直接从库里调用该类信息并入后继的算法里去。进行过类域划分的参数在时间轴上的分布序列并不均匀一致，需要按照特定的方法进行归一化修正。
本案方法分别对基参数群给出了调整法则，且对非基参数群不仅给出了调整法则，而且对其首末端及中间端空缺位给出了数据插补方法。基参数群对机械加工设备是否处于切削状态至关重要，如果对特定设备而言，若该群不完备，则维持现有状态信息不变，跳转到待触发界面，等待新的触发启动系统运行。如果基参数群完备，那么要估算各非基参数之间的重叠度，避免其反复对辨识目标产生重复性影响，从而使得辨识过程和目标结果失真。可以用来估算参数间重叠度的方法很多，这里不做细述。
本案方法设定各参数具有马尔可夫性质，所以各参数下一步的状态值可以按照一定的规则预估。之后再按照系统选项确定的时间和空间搜索目标调用相应子程序进行搜索。最终获得的指定设备在特定时间段内的切削时间累计(或有效利用率)一方面输出到屏幕等界面终端显示，一方面将这些数据输入结果数据库，以备下次查询调用，而无需再次运行全系统，避免了资源额外的耗费。
以机械加工类设备(诸如车床、铣床、磨床、镗床、edm、pg、加工中心cnc、普通机床等等)为目标对象，该类设备运转状态分为两个层次，第一层次是切削加工与非切削加工p(c)；第二层次是对非切削加工状态做进一步的细分，具体为待机、待料、关机、停机、故障、保养、热机、测量、清理、装夹、调整更换工装等等设备状态p是轴系状态空间θ，及其他各顺序动作量ζ的函数，p(ζ，θ(1，2，3，4…)),(ζ，θ)∈r，θ和ζ取值范围在实数空间内。本案关注的是以区分出切削加工状态为主要目标。
整套辨识系统的数据来源依赖于具体设备功能、类别、数量等等特征，汇集本系统所需的全部数据：
p(ζ,θ(…))＝{(a(a,t),b(b,t)…y(y,t))}，(a、b…、y)∈v(1)
a、b…y为参数类型，数组a(a，t)为时间t点上的参数a对应的数值a序列，在一个频率为f采样数为m采样周期内，n个参数集合构成以下矩阵：
该矩阵中任意参数均来自于机械加工机床本身，都对应一定的现实特征与瞬态具体数值，如设参数b表示主轴电流值，该参变量在空载时的值为b0，单位切深单位进给时的值为b1，那么在进给速率不变的情况下，可以实测结合以下公式拟合出背刀量f和参变量b之间的关联曲线β，对每个类似的参变量拟合出对应的曲线，存入系数库以供算法调用进行数值插补，以确定设备的实时状态。
按照上述步骤，将各工艺参数组汇总制表
不论是现场采集的原始数据还是经上述现实特征关联处理后的数据，因为来源的多样性，各数据在时间轴上不可能完全同步，而要确定任意时刻设备的运行状态，则要对该时刻点设备所呈现上来的所有数据进行时间域上的归一化修正处理。该时间序列值作为随机变量处理，且其状态只取决于上一瞬态，而与更远的时刻点无关，即具有马尔可夫性质，其取值范围构成的状态空间xt，其某一瞬态值是时间点t的状态，如果x(t+1)对过去状态的条件概率分布仅是xt的一个函数，那么有：
p{xt+1＝x|x1＝x1,x2＝x2…xn＝xn}＝p(xt+1＝x|xn＝xn)(5)
对于具有上述性质的参量组构成的形如公式(2)所示的参数矩阵，按照类似于公式(3)的形式对各参量进行实质特征分析，且将对辨识目标跃变起到决定性作用的参量作为基参量b，对机械加工设备状态辨识目标而言，基参量不止一个，根据设备的类型和功能，有可能多个。由多个基参量构成了基参量空间b(b1,b2…)。除了基参量以外的其他全部参量则随着工艺过程的不同或多或少地起伏变化地对辨识目标起到影响。
所以，参量在时间域上的归一化过程主体分为两部分,一是对基参量进行格式统一；其次是对非基参量进行调整。非基参量的调整又有三种情况，首先是依据基参量的时间分布特征对非基参量进行删减调节；其次是对非基参量首尾空缺位置进行数值插补；第三是对非基参量序列中间部分空缺数值进行插补修正。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本案涉及的数据源来自于多方面，这些数据集群可分别单独来自于多种渠道汇多类数据库汇总到本系统的数据库里。比如通过自建传感器网络经过信号调理电路，汇集到分布式i/o模块，通过plc等控制系统读入数据库；还有的数据则通过系统间通讯的方式，比如cnc到数据库、plc到数据库的方式将原系统中的相关数据复制到本系统的数据库中；还有的则通过中间转换端口或平台获取被监控系统的部分数据输入到本系统数据库里。虽然数据采集输入端面临的数据类型格式各样，有数字量、模拟量、开关量；有离散量、连续量；但最终汇入数据库的都是数字量。
面对来源渠道各异的数据，其在时间分布上并不均匀一致；所以这些数据在一个时间区域内的全部数据进入数据库之后，需要按照一定规则进一步地对这些数据在时间域上做归一化处理。
如图1所示，本案以辨识机床是否处于有效切削加工状态101为目标函数。这需要对采集参数进行汇总处理得出有别于图2所示的各种状态，比如待机201、热机205、空运行206、测量207、清理209、调整210等。
进一步地，切削加工状态101和非切削状态的热机205与调整210等之间有着相对更为紧密的相似性，在状态上有较强的相似性，对此必须确保现场数据采集的全面性，否则难以区分出两者之间的差异。
本案涉及多个缓存数据库，以作中间过渡转换之用。如果参量a是3111环节第一次调取，需要利用3112模块对其开展特性分析，在类域上做分区，将其划入基参数群或非基参数群，之后转入3121将类域度量区分后的参量存入对应位置，第二次再调集此类数据时，直接从参数分类库里调取。
以一个普通铣床为例，可以利用公式(3)及式(6)～(8)预先拟合切削状态和各轴受力状况之间的规律曲线，再将受力状况和传感器采集到的电信号参数之间构建对应的映射关系。这样库3121里的参量f就包含了详细的机床各轴状态信息。
fc＝kc·ap·f＝kc·hd·bd(9)
式中ad、ap、f、hd、bd、ke、fc、kc、
此外，现场采集、汇总、传输到数据库里的数据是现场机械加工设备某些特征的数字化反映，代表、指针了机械加工设备的一些具有特定意义的特性，比如设备的机械性能、力学性能、电学特性、工艺特性等等。如果抛开数据的这些现实特性，而只关注数据本身的数学特性，将严重压缩数据的很多内涵，扭曲甚至忽视数据本身所具有的在现实本质性特征。数据这些现实特性一方面在前道上依赖于数据所寄存、寄生的环境；另一方面在后道上依附于数据加工时所面对的目标。
在本案中，目的是对设备的状态进行识别，对象是机械加工类机床设备。信号数据采集于机床设备之中，用这些数据来判定设备是否处于切削加工状态。所以这里数据在现实机床设备和状态辨识结果之间起到了一个桥梁作用。对不同的目标，同一个数据所起的贡献度不一样。比如对辨识是否处于切削加工状态而言，机床主轴运转是首当其冲的决定性因素，所以其对目标(这里是状态辨识)的贡献度(或者说权重)是100％；而主轴是否运转对测量类目标辨识来说则可能在10～30％之间，因为有些测量，诸如普通铣床或加工中心主轴对工作台的垂直度校准，需要旋转主轴，而对于机床的重复定位精度以及工件的在线检测而言，则常常无需主轴运转。
综上所述，为确切辨识出机床是否处于切削加工状态，在满足充足数据采集量的同时，还要判别各数据变量对辨识目标的影响权重、相关度等。
与上述过程类似，第一次调入算法缓存数据库里的参量需要做其在模型里的权重配比分析3122，其结果并入3123，之后调入的同样参量则直接从3123里调取其权重因子。经过上述两步过程处理的数据在时间序列上不会完全同步，需要做一定处理。
不同于信号采集和传输阶段的信号归一化处理，那时的归一化是把信号幅值、形态调理到符合某些特定协议规范的统一范围内，以便于传输。
本案里的归一化是指在时间域内的统一，不同的信号源采集的数据在时间序列上的分布密度是不一样的，为确定设备在某一特定时刻点的状态，在对数据做时间轴上的归一化的时候，有必要做好两方面工作。一方面，使得相关数据统一地、齐步在某一时刻点；另一方面各类数据在时间轴上的分布也要同步、同距。该方法首先要在全部可用的数据群里按照现实特性，比如力学特性、电学特性、工艺特性等，选定基准参数。基准参数的选择原则是对辨识目标具有决定性影响的、缺一不可的参数集，可以是一个参数，也可以是多个参数的集合。如果是单一参数作为基础参数，那么下面的算法时间松弛域按照基础参数标定；如果是多个参数构成的基础参数集，那么要提前对基础参数集里的参数时间域做统一处理。
对基参数群里的数组，按照权重做递减排序，将权重最大的基参量作为第一基参数，群里的其他参数组在特定时间域内的值与第一基参数做排列比较，如图5所示，将第一参数组里对于数组501和502，只要有一个数组里有空缺的位置都标注出来；之后按照图6规则处理，即将基参量组之间做与运算且赋值：
a＝a∨b(10)
b＝a∨b(11)
或者说当基参数xa和xb在时间序列上分布不一致时，采取交叉式剔除的方法删去对应数据。比如a数据组里在时域ti～tk里有数据的，而参数b在该时域里没有数据，则删除参数a在该时域内的数据，这样使得两组参数在时域上对齐。这样构造后的基参数集里的所有参数在时域上的序列对应一致。
如图7所示对于非基参数组c，在其任意段落的连续空缺第一位处标注为i,从i+1到该区间最后一个空位之间的空缺数量用k表示，即该区间空缺数量为k+1，最后一个空缺位可以表示为i+k。
本案处理非基参量时间域归一化方法的第二步如图8和图9所示，先将第一基参量空缺处801对应的非基参数组有数据802的标注出来，之后对非基参数组进行与逻辑运算且赋值：
c＝a∨c(12)
得到形如图10的数据结构，所有数据在时间轴上的分布是以一维矢量排列的，按照本案的归一化方法，从左到右修正空缺位参数。对于图10所示区域段内有1和2两个位置参数空缺1001和1002，对于这类前后端有非基参数的情况可按下述公式对第一空缺位进行插补修正。
ti+k-ti＝δt(14)
修正完毕后的形态如图11所示，修补位xci的值替代公式(12)里的参数xc(i-1),继续利用公式(15)进行插补，修正该区域内的第二个空缺位。如果空缺位出现在非基参数组的首末端，即空位左侧或右侧没有时效数值，只有一端存在有效数值的情况下，可按照图12采样下述公式17～18对空缺位进行插补修正。
之后再以基参数集为标准，按照下述公式对非基参数集以外的参数进行时域上的归一化处理。类似地，还可构造出其他类似的插值方法。
基本思想与原则是，以对辨识目标起到决定性作用的基参数群为基石来控制非基参数群的状态。但因为机械加工设备运行状态的多样性和复杂性，其运转模式是多种多样的，虽然基参数群对切削状态起到决定性作用的必要条件，但对完全区分切削和非切削状态(包括其他更为细化的状态)，其不是充分条件。而非基参数群则在工艺环境上起到了对基参数群的补充作用，即具有补足充分条件的作用。
在完成包括归一化处理即权重划分等等数据预处理工作之后，按照图3b利用相应的策略，比如贝叶斯公式可对每类数据的状态转移进行预估，该预估值和数据库里的实际值进行比较获得纠正系数，以此反复训练相关模型提高预估的准确性。
由图4所提供的界面激活按钮对系统触发激活相应子程序调动处理后的数据到后继的状态识别算法运行，获取机械加工设备是否处于切削加工状态。将该状态时间与非切削时间分别进行累积，这样可得出该设备在特定时间区间内的有效利用率。供决策者从历史角度判断设备资源的有效利用程度。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！