本发明涉及电气柜状态评估技术领域,具体涉及一种数控机床电气柜状态评估方法。
背景技术
数控机床电气柜安装有机床强电控制的各种电气元器件,除了提供数控、伺服等弱电控制系统的供电电源,以及各种短路、过载、欠压等电气保护外,主要在plc输出接口与机床各类辅助装置的电气执行元件之间起桥梁作用。目前大多数机床电气控制柜并没有在线状态评估系统,更换柜内元器件、故障维修等大多是在故障发生后进行,存在一定的滞后性。
电气设备的发热故障包括设备外部故障(如电气接头故障)和设备壳体内部的各种故障。外部故障可从设备外部获得直观信息,内部故障依据设备内部结构和运行工况,结合现场检测实例的统计分析,获得内部故障在设备外部显现的温度规律,从而对设备内部故障的性质、部位及严重程度做出判断。提出一种数控机床电气柜状态评估方法,以机床现场工况为前提,基于电气柜内不同部位测得的温度数据实时评估电气柜健康状态,在此基础上视情维护和停机检修,这对机床的正常运行与生产效益的提高具有重大意义。
技术实现要素:
发明目的:针对上述现有技术,提出一种数控机床电气柜状态评估方法,用于评估机床电气柜工作状态。
为实现上述目的,本发明采用如下技术方案:
一种数控机床电气柜状态评估方法,包括如下步骤:
步骤1:采集电气柜内各个温度传感器的数据,将同一时刻内各个温度传感器的数据记为一个样本,并记录该样本对应的电气柜工作状态,得到样本集;
步骤2:从所述样本集中提取温度特征值,得到温度特征值构成的特征值数列x(k),x(k)=(x1(k),x2(k),...,xn(k)),k为整个样本数据序列的温度采样序号,n为单个样本维度,xi(k)为温度特征值,i=[1,n];
步骤3:计算温度特征值xi(k)与其对应的电气柜工作状态的灰色关联系数γi,给每个传感器通道与机床工作状态的关联系数分配相应权值ωi;
步骤4:按照各个样本的
步骤5:计算新样本的
优选的,步骤2中,采用线性回归分析法提取温度数据特征值:
建立一元线性回归模型,表示为:
y=as+b
其中,y为温度值,s为采样时间窗口序号,a为温度数列的线性特征值,b为温度数列的线性常量,i为单个样本中数据采样序号,n为单个样本维度。
优选的,步骤3中,灰色关联系数γi与权值ωi的计算步骤为:
将温度特征值xi(k)处理为参考数据xo(k),
给每个传感器通道与机床工作状态的关联系数分配相应权值ωi,
则关联度表示为:
优选的,步骤4中
将所述特征值数列放入模糊神经网络中进行网络学习,所述模糊神经网络包括输入层、模糊化层、输入信号激活层、去模糊化层、输出层;所述模糊化层采用高斯隶属函数进行计算,隶属函数中心值的计算公式为:
隶属函数宽度值的计算公式为:
其中,t=1,2,3;l为迭代次数;η为学习效率;x为温度特征值;则所述模糊化层的计算公式为:
所述输入信号激活层的计算公式为:
所述去模糊化层的计算公式为:
ft(x)=nt(x)(λtx+μt),
其中,
所述输出层的计算公式为:
具体网络学习步骤如下:
1)首先将隶属函数的中心值、宽度值置为趋于0的随机数,计算网络实际输出与期望输出之间的误差
2)当误差e满足精度要求时训练结束,否则修正学习效率和迭代次数继续训练;
相应模糊规则如下:
if(xism1)then(f1=n1(x)(λ1x+μ1))
if(xism2)then(f2=n2(x)(λ2x+μ2))
if(xism3)then(f3=n3(x)(λ3x+μ3))
f1对应电气柜第一类工作状态;f2对应电气柜第二类工作状态;f3对应电气柜第三类工作状态;将ft所对应的温度特征值作为样本数据计算相应的
优选的,将特征值数列进行模糊神经网络训练前对特征值数列进行压缩化和去“毛刺”化处理。
有益效果:基于机床实时工况,在线监测电气柜温度数据,提取敏感特征,构建灰色神经网络,在线建立数控机床电气柜状态评估模型,具有较高的实时性和实用性。根据电气柜工作状态评估结果合理评估电气柜内元器件的老化程度,找到性能退化元器件视情维护,若发生异常状况,系统发出报警信号,停机检修。
附图说明
图1是数控机床电气柜状态评估系统的结构示意图;
图2是将电气柜工作状态分为3个阶段的示意图,a点为视情维护临界点,b点为停机检修临界点;
图3是电气柜工作状态评估示意图;
图4为模糊神经网络结构示意图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
如图1所示,一种数控机床电气柜状态评估方法,包括以下步骤:(1)采集数控机床电气柜温度数据。机床电气柜内合理布局温度传感器,传感器信号经过数据采集系统的处理后转化为温度数值,为电气柜状态评估系统提供原始参数。
(2)在采集的数据中提取温度特征值。建立一元线性回归模型y=as+b,选取一次项系数a作为温度特征值,选择最优数据采样宽度,采样宽度过小无法表征短时间内变化趋势,过大会增加计算复杂度。
(3)对特征值数列进行压缩化和去“毛刺”化处理。在温度特征值序列中剔除采样频繁导致数据密集但不影响评估状态的部分点,缩小样本容量,减少计算工作量。为了避免“毛刺”现象引起的误警,取特征值平方作为衡量标准,若只是某一点处特征值平方偏差稍大可以忽略该点。
(4)将处理后的温度特征值a集合在数据序列x(k),x(k)=(x1(k),x2(k),...,xn(k))中,k为整个样本数据序列的温度采样序号,i为单个样本中温度采样序号。xi(k)为温度特征值,i=[1,n]。
(5)计算电气柜内不同位置温度特征值与电气柜工作状态的灰色关联系数与关联度。根据望目特性将样本数据xi(k)处理为参考数据xo(k)。
其中,δoi(k)=|xo(k)-xi(k)|,ρ为分辨系数,0≤ρ≤1,一般取0.5。
根据灰色关联系数求得灰色关联度∑(ωiγi),其中,n为单个样本维度,i=[1,n]。给每个传感器通道与机床工作状态的关联系数分配相应权值ωi,
考虑历史数据与现场工况,将机床运行时电气柜温度特征值数列放入模糊神经网络进行网络学习,设定训练次数,学习速率等,固定网络结构,得到电气柜视情维护与停机检修的临界值
if(xism1)then(f1=n1(x)(λ1x+μ1))
if(xism2)then(f2=n2(x)(λ2x+μ2))
if(xism3)then(f3=n3(x)(λ3x+μ3))
f1、f2、f3分别对应于图2中阶段1阶段2阶段3。将ft所对应的温度特征值作为样本数据计算相应的
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。