一种基于时间序列的数控机床状态预测方法
专利汇可以提供一种基于时间序列的数控机床状态预测方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种基于时间序列的数控机床状态预测方法，从数控机床 控制器 和关节驱动 电机 中获得数控机床的工况参数，所述工况参数包括各轴 位置 、位置误差、速度、 加速 度、 扭矩 、 电流 、 温度 和运行时间；使用同类别对比方法，对上述工况参数进行相似性聚类，提取同一聚类中的工况参数作为 训练数据 ；基于改进的小波神经网络，建立基于时间序列的各轴位置误差和工况参数NARMA-L2模型，并对NARMA-L2模型进行训练；实时采集工况数据输入训练好的NARMA-L2模型，对机床的各轴位置误差和工况参数进行预测判断。能够实现数控机床各关节运动误差的准确预测和识别，实现时变工况下数控机床的预测性维护和集群运维。，下面是一种基于时间序列的数控机床状态预测方法专利的具体信息内容。
1.一种基于时间序列的数控机床状态预测方法，其特征在于包括如下步骤：
S1；从数控机床控制器和关节驱动电机中获得数控机床的工况参数，所述工况参数包括各轴位置、位置误差、速度、加速度、扭矩、电流、温度和运行时间；
S2：使用同类别对比方法，对上述工况参数进行相似性聚类，提取同一聚类中的工况参数作为训练数据；
S3：基于改进的小波神经网络，建立基于时间序列的各轴位置误差和工况参数NARMA-L2模型，并对NARMA-L2模型进行训练；
S4：实时采集工况数据输入训练好的NARMA-L2模型，对机床的各轴位置误差和工况参数进行预测判断。
2.根据权利要求1所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S1通过TCP socket通讯方式从数控机床采集工况参数，采样频率≤1Hz，并保存为如下格式的excel文档，每一个excel文档成为一组数据。
3.根据权利要求1所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S2采用K-means动态聚类算法对数控机床各关节不同运行工况参数进行聚类以得到位于同一聚类中的工况参数。
4.根据权利要求1所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S2对于需要进行各轴位置误差预测的运行工况状态，先采用K-means动态聚类算法计算该工况状态下各工况参数的综合距离参数，进而计算与上述各组工况参数聚类中心的距离，并从距离最近的聚类中选择设定组数据用于训练WNN-NARMAL2模型。
5.根据权利要求1所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S3中基于时间序列的数控机床各轴位置误差和工况参数NARMA-L2模型建立如下：
其中，k表示系统的时间刻度；n表示时间刻度的回溯步数，n≥1；
y(k)，y(k+1)，y(k-1)，…，y(k-n+1)表示系统输出,具体为在各时间刻度下的数控机床各轴位置误差；
u(k)，u(k-1)，u(k-2)，…u(k-n+1)表示系统输入,也就是在各时间刻度下的工况参数。
6.根据权利要求5所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S3中基于时间序列的数控机床各轴位置误差和工况参数NARMA-L2模型包括输入层、小波隐层和输出层；小波隐层的各节点为按时间刻度展开的包含了扩张系数ah1,ah2和平移系数bh1,bh2的各小波传递函数；网络的输出为函数y(k+1)；模型按时间刻度展开顺序分为上下两部分，上半部分是对函数g[y(k),y(k-1),…,y(k-n+1),u(k-1),u(k-2),…,u(k-n+1)]u(k)的逼近，下半部分是对函数f[y(k),y(k-1),…,y(k-n+1),u(k-1),u(k-2),…,u(k-n+1)]的逼近。
7.根据权利要求5所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S3中对NARMA-L2模型的训练过程具体如下：
S31：确定网络各层的节点数，初始化各节点的连接权重系数Wh1i,Wh2i,Wjh1,Wh2以及小波传递函数的扩张系数ah1,ah2和平移系数bh1,bh2均为[0,1]范围内的随机值；
S32：输入训练数据[y(k),y(k-1),…,y(k-n+1),u(k),u(k-1),…,u(k-n+1)]和相应的期望目标输出yT(k+1)，其中，k＝1,2,···,N表示训练数据的时间刻度；
S33：计算网络的输出：
S331：首先，计算小波隐层的输出，对于网络上半部分的小波隐层输出：
式(2)中的下标h1表示网络上半部分小波隐层中的第h1个节点；对于网络下半部分的小波隐层输出：
式(2)和(3)中，layerout_uh1k和layerout_lh2k分别表示上、下半部分的小波隐层输出；
Ψ(x)为如下表示的Morlet母波：
ψ(x)＝cos(1.75x)exp(-x2/2) (4)
S332：接着，计算网络输出层的输出，对于上半部分和下半部分分别如下所示：
式(5)和(6)中，outout_ujk和outout_lk分别表示上、下半部分的输出层输出；f(x)为如下表示的S型对数函数：
f(x)＝1/(1+e-x) (7)
以上式子中，下标j表示网络上半部分输出层的第j各节点；H1和H2分别为上、下半部分小波隐层的节点总数；
S333：最后，计算整个网络的输出：
y(k+1)＝outout_uk·u(k)+outout_lk (8)
S34：以均方差为指标计算整个网络的适应度函数：
式(9)中，MSE表示网络的均方值误差；N表示训练数据的时间刻度；
采用反向传播BP方法沿着负梯度方向调整权值系数ah1，ah2,bh1，bh2,Wh1i,Wh2i,Wjh1,和Wh2，所述反向传播BP方法在计算整个网络的适应度函数中进行。
S35：如果适应度函数误差达到精度控制要求，则结束训练；否则，返回步骤S33重新计算网络的输出，直至本步骤S35适应度函数误差达到精度控制要求。
8.根据权利要求1所述的基于时间序列的数控机床状态预测方法，其特征在于当从距离最近的聚类中选择50组数据用于训练WNN-NARMAL2模型时，训练和预测的转角误差这一工况参数的精度在–0.1和0.06um之间。
一种基于时间序列的数控机床状态预测方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种柔性温控系统 | 2020-05-08 | 290 |
| 力-电-热耦合场作用下含裂纹铁电材料强度分析预测方法 | 2020-05-08 | 744 |
| 一种室内独立空间的控制系统及控制方法 | 2020-05-08 | 79 |
| 电吹风电路板温度控制电路及方法 | 2020-05-08 | 701 |
| 一种室内装修施工远程监控系统 | 2020-05-08 | 731 |
| 人体识别方法、装置及天井机 | 2020-05-08 | 839 |
| 高精度环形振荡电路及微控制系统 | 2020-05-08 | 893 |
| 一种用于移动设备的散热装置及其控制方法 | 2020-05-08 | 949 |
| 开关元件控制电路以及功率模块 | 2020-05-08 | 747 |
| 暖通空调系统及其控制方法 | 2020-05-08 | 294 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
