一种基于能耗特征的数控机床可靠性模型建模方法及系统与流程

本发明涉及一种可靠性模型建模方法及系统，特别是涉及一种基于能耗特征的数控机床可靠性模型建模方法及系统。
背景技术：
：数控机床的可靠性模型是用于描述数控机床的加工周期以及工作时间和故障时间的概率密度函数。数控机床的可靠性模型是对数控机床的管理、生产线性能评估以及性能优化的基础。一般来说，机床出厂前，厂方会在生产说明中给出该机床的参考参数。对使用者来说，工作人员前期通过记录等方式给出参数的标称值。但是由于机床维护人员会对数控机床进行调整而疏于记录，这些调整很可能会对参数产生影响。久而久之，这些变动日积月累最终导致了标称值与实际值不符的情况。因此，需要对它们进行仔细测量以保证可靠性模型的精度。目前这些参数的测量大都靠人工定期的统计来完成，这种人工定期统计的方法造成数据反馈不及时、容易出错以及耗费人力资源等问题。技术实现要素：针对上述现有技术的不足，本发明的目的是提供一种基于能耗特征的数控机床可靠性模型建模方法。本发明的另一个目的是提供一种基于能耗特征的数控机床可靠性模型建模系统。本发明的技术方案是这样的：一种基于能耗特征的数控机床可靠性模型建模方法，包括以下步骤，s01、采集机床的功率数据，计算功率差分序列；s02、将功率差分序列分割得到基于机床状态的功率片段；s03、对每个功率片段提取一组能表征其功率特性的特征库，所述特征库包含与机床不同运行状态相关且随着状态的变化而变化的若干特征；s04、用第一字符串表示一道工序对应的机床状态转移路径；s05、将所有功率片段按比例选取出功率数据进行状态标识，基于所述特征库训练cart决策树，将训练后的决策树对功率片段的分类；s06、将经过步骤s05分类后的功率片段按照采集时间顺序排列，并用第二字符串表示；s07、采用knuth-morris-pratt算法匹配第一字符串和第二字符串，得到功率数据中加工时的功率序列，将加工时的功率序列的结束时间减去起始时间得到加工周期时长；s08、设定一个滑动时间窗，统计该时间窗内加工周期数量，以及所有加工周期时长，计算该时间窗内所有加工周期时长的算术平均作为当前工作日的加工周期；所述滑动时间窗向后移动一个工作日，得到下一个工作日的加工周期；s09、设定阈值，将机床工作时刻功率数据大于阈值的认为工作状态，将机床工作时刻功率数据小于阈值的认为故障状态，在所述滑动时间窗内统计连续工作时间及其数量并计算算术平均，统计故障时间及其数量并计算算数平均；所述滑动时间窗向后移动一个工作日，得到下一个工作日的工作时间算数平均和故障时间算数平均；s10、将步骤s08得到的不同工作日的加工周期，步骤s09得到的不同工作日的工作时间算数平均和故障时间算数平均作为机床可靠性模型参数。进一步的，所述机床状态分为待机、启动、空载以及切削四个状态。进一步的，所述计算功率差分序列是用p＝{pi,i＝1,2,…,n}表示功率数据，n表示功率采集点的数量，pi表示第i个功率采集点，功率差分序列用d＝{di,i＝1,2,…,n}表示，di＝pi+1-pi。进一步的，所述步骤s02中分割功率差分序列时，根据经验贝叶斯阈值法确定机床状态转移时的功率数据临界点，所述功率数据临界点位功率差分序列的分割点。进一步的，所述步骤s03中所述特征包括最大值、最小值、平均绝对偏差、几何平均和三阶自回归系数。进一步的，所述最大值计算公式为pmax＝max(pi,i＝1,2,…,m)，最小值计算公式为pmin＝min(pi,i＝1,2,…,m)，平均绝对偏差计算公式为pmad＝mediani(|pi-medianj(pj)|)，几何平均计算公式为三阶自回归系数计算公式为m为功率片段中功率数据采集个数，pi表示第i个功率采集点，y是该功率片段的几何平均，ω是截距，βt是回归系数，是噪声参数。一种基于能耗特征的数控机床可靠性模型建模系统，包括现场数据采集模块：采集机床功率数据并打包上传至服务器；知识库模块，用于建立机床运行过程功率特性的特征库以及工序的机床状态转移路径；分析模块，进行功率差分序列分割、功率片段的分类以及机床可靠性模型参数的计算；设置模块，设置滑动时间窗和阈值。进一步的，所述现场数据采集模块包括若干智能电表组成rs-485网络。本发明所提供的技术方案的优点在于，利用智能电表对机床功率数据采集实现机床可靠性模型参数的自动计算相比于人工定期统计处理，准确性更高，可避免人工出错，数据不及时，耗时耗力的问题。附图说明图1为基于能耗特征的数控机床可靠性模型建模系统结构图。图2基于能耗特征的数控机床可靠性模型建模方法流程图。图3为数控机床加工某工序时的功率随时间变化曲线。图4为实施例数控机床车削过程的状态识别结果。具体实施方式下面结合实施例对本发明作进一步说明，但不作为对本发明的限定。请参见图1，基于能耗特征的数控机床可靠性模型建模系统包括：现场数据采集模块：每台数控机床配置一个智能电表，以一定频率采集功率数据，功率数据在数据采集器汇总，然后打包上传至服务器中，智能电表与数据采集器之间采用rs485总线连接；知识库模块，用于建立机床运行过程功率特性的特征库以及工序的机床状态转移路径；分析模块，进行功率差分序列分割、功率片段的分类以及机床可靠性模型参数的计算；设置模块，设置滑动时间窗和阈值。数据采集器与服务器之间可采用有线联网、无线联网和gprs联网三种方式。服务器与分析模块、知识库模块和设置模块之间采用有线连接的方式。请结合图2，以一台数控车床为例，基于能耗特征的数控机床可靠性模型建模方法如下：s01、现场数据采集模块采集机床的功率数据上传至服务器，分析模块从服务器提取功率数据计算功率差分序列：用p＝{pi,i＝1,2,…,n}表示功率数据，n表示功率采集点的数量，pi表示第i个功率采集点，功率差分序列用d＝{di,i＝1,2,…,n}表示，di＝pi+1-pi。s02、功率差分序列作为观测值通过文献“empiricalbayesselectionofwaveletthresholds.annalsofstatistics”(2005)提出的经验贝叶斯阈值法确定机床状态转移时的功率数据临界点，从而分割得到基于机床状态的功率片段。s03、知识库模块建立机床运行过程功率特征库。根据文献“multi-objectiveteaching–learning-basedoptimizationalgorithmforreducingcarbonemissionsandoperationtimeinturningoperations.engineeringoptimization”(2015)，将数控机床可分为待机、启动、空载以及切削等四个状态。机床可分为待机、启动、空载以及切削等状态。根据机床运行过程功率的特性，提取与机床不同运行状态相关且随着状态的变化而变化的多个特征，形成功率特征库。对每块功率片段提取一组能表征其功率特性的特征库，包括最大值(pmax)，最小值(pmin)，平均绝对偏差(pmad)，几何平均(pgm)，三阶自回归系数(β1,β2,β3)等七个特征。该功率片段中共m个采集点，每个采集点用pi(i＝1,2,…,m)，特征的计算公式如下：pmax＝max(pi,i＝1,2,…,m)pmin＝min(pi,i＝1,2,…,m)pmad＝mediani(|pi-medianj(pj)|)m为功率片段中功率数据采集个数，pi表示第i个功率采集点，y是该功率片段的几何平均，ω是截距，βt是回归系数，是噪声参数。s04、通过工序的加工顺序，可得到其状态转移路径。图3给出了一个该机床加工一道工序时的功率随时间变化曲线，其状态转移路径为待机->启动->空载->切削->空载。四个加工状态分别用一个字符标示，如表1所示。则图3中的状态转移路径可标示为第一字符串r：“itaca”表1、加工状态与字符对应表状态字符待机i启动t空载a切削cs05、将所有功率片段选取出一定比例进行状态标识，训练cart决策树，将训练后的决策树用于功率片段的分类。图4给出某车削过程的状态识别结果。s06、将分类后的功率片段按照采集时间顺序排列，用第二字符串cp标示。s07、采用knuth-morris-pratt算法匹配字符串r和cp，cp中匹配的子字符串即为加工时的功率序列。将加工时的功率序列的结束时间减去起始时间可以得到加工周期。s08及s09、设置模块，设置数控机床可靠性模型相关参数的滑动时间窗长度以及阈值a。从设置模块中提取滑动时间窗，从时间窗的起始时间开始直至终止时间，如果与r匹配，则计数器数值加1，同时记录下该子字符串的时长即为一个加工周期。如此，可以得到该时间窗内加工周期数量(用n1表示)，以及所有加工周期时长τi(i＝1,2,…,n1)。计算该时间窗内所有加工周期的算术平均，将其作为当前工作日的加工周期。同理，滑动时间窗向后移动一个工作日，并可以得到下一个工作日的加工周期。计算工作时间和修复时间：给定一个阈值a，当某正常工作时刻功率数据大于a，则认为机床处于工作状态；当功率数据小于a，则认为机床处于故障状态。给定一个滑动时间窗，统计出该时间窗内连续工作时间tup,i以及数量nup，还有故障时间tdown,i及数量ndown。计算该时间窗内工作时间和故障时间的算术平均。同理，滑动时间窗向后移动一个工作日，并可以得到下一个工作日的tup，tdown。s10、通过以上步骤可得到该数控机床的可靠性模型相关参数如表2所示。从表中可见，在较小的时间维度内，加工周期基本保持恒定，但是平均工作时间和平均故障时间则存在一定的波动。由此可见，本发明所叙述的工业车间数控机床可靠性模型建模方法对模型的相关参数持续的监测和分析对工业车间生产线性能评估是有意义的。表2、数控机床可靠性模型相关参数相关参数第1天第2天第3天第4天第5天τ(s)7273727272tup(h)38.439.140.539.741.3tdown(h)4.84.34.95.24.8当前第1页12