一种精密数控机床运行状态智能控制方法及系统
| 专利类型 | 发明公开 | 法律事件 | 实质审查; |
| 专利有效性 | 实质审查 | 当前状态 | 实质审查 |
| 申请号 | CN202510316798.9 | 申请日 | 2025-03-18 |
| 公开(公告)号 | CN119847066A | 公开(公告)日 | 2025-04-18 |
| 申请人 | 重庆三电智能科技有限公司; | 申请人类型 | 企业 |
| 发明人 | 汪诗皓; 莫朝凤; 汪友唯; 刘桠; 夏亮; | 第一发明人 | 汪诗皓 |
| 权利人 | 重庆三电智能科技有限公司 | 权利人类型 | 企业 |
| 当前权利人 | 重庆三电智能科技有限公司 | 当前权利人类型 | 企业 |
| 省份 | 当前专利权人所在省份：重庆市 | 城市 | 当前专利权人所在城市：重庆市渝北区 |
| 具体地址 | 当前专利权人所在详细地址：重庆市渝北区金开大道西段210号3楼3号附20-12-002200号 | 邮编 | 当前专利权人邮编：401121 |
| 主IPC国际分类 | G05B19/404 | 所有IPC国际分类 | G05B19/404 ; G05B19/4065 ; G05B19/408 ; G06F18/2433 ; G06N20/00 |
| 专利引用数量 | 0 | 专利被引用数量 | 0 |
| 专利权利要求数量 | 10 | 专利文献类型 | A |
| 专利代理机构 | 重庆立川知识产权代理事务所 | 专利代理人 | 廖明亮; |
| 摘要 | 本 发明 公开了一种精密数控机床运行状态智能控制方法及系统，具体涉及数控机床技术领域；通过实时采集机床的多维度运行数据，包括 工作 温度 、负载、 电流 、压 力 、切削力及刀具磨损数据，采用Z‑score 算法 进行数据预处理，提取异常值，基于 机器学习 算法构建并训练 预测模型 ，对异常数据进行实时分析，准确识别机床运行状态并评估其健康状况。根据 健康状态 评估结果，自动生成智能控制策略，动态调整机床的进给速度、 主轴 转速和切削深度，从而优化机床的运行状态，及时发现并应对潜在故障，提升加工 质量 ，减少故障发生，提高生产效率和设备的 稳定性 ，降低维护成本。 | ||
| 权利要求 | 1.一种精密数控机床运行状态智能控制方法，其特征在于：包括以下步骤： |
||
| 说明书全文 | 一种精密数控机床运行状态智能控制方法及系统技术领域[0001] 本发明涉及数控机床技术领域，具体涉及一种精密数控机床运行状态智能控制方法及系统。 背景技术[0002] 随着工业自动化水平的不断提升，精密数控机床在加工精度和效率上的要求日益增加。精密数控机床在生产过程中往往需要高精度的控制与监测，以保证产品质量与生产稳定性。然而，传统的数控机床控制方法通常依赖于经验参数或简单的控制算法，这些方法难以实时响应复杂的工作状态变化，也无法有效对机床运行中的异常情况做出精准预测和调整。因此，如何基于机床的运行状态进行智能化、精准的控制，已成为提升数控机床性能、延长其使用寿命、提高加工质量的关键技术难题。 [0003] 现有技术存在以下不足之处：在现有技术中，机床在复杂工况下的实时异常预警与自动调整能力严重不足。传统的控制系统往往仅依赖于机器硬件的简单数据采集，如温度、振动或转速等基本参数，而缺乏对多维度、多层次的动态工况变化的深入分析与预测。这导致在某些极端工况下，机床可能出现无法及时识别的隐性故障或运行误差，进而影响加工质量，甚至导致设备损坏。这个问题不仅影响了生产的稳定性，也增加了维护成本，并且在极端工况下可能无法及时响应，严重影响生产效率。 发明内容[0004] 本发明的目的是提供一种精密数控机床运行状态智能控制方法及系统，以解决背景技术中不足。 [0005] 为了实现上述目的，本发明提供如下技术方案：一种精密数控机床运行状态智能控制方法，包括以下步骤：S1：实时采集若干个时间段内精密数控机床的实际运行数据，所述实际运行数据包括机床的工作温度、负载、电流及压力数据，以及加工过程中的实时状态数据，包括切削力数据和刀具磨损数据； S2：对采集到的实际运行数据进行预处理，通过Z‑score算法提取出实际运行数据中温度、负载、电流及压力的异常值； S3：基于机器学习算法，构建用于实时识别和预测机床运行状态的预测模型，所述预测模型基于温度、负载、电流及压力的异常值进行训练，以识别机床运行状态； S4：使用所述训练完成后的预测模型对实时状态数据进行分析，实时检测机床的异常行为，并评估精密数控机床的健康状态； S5：根据运行状态评估结果，自动生成智能控制策略，所述智能控制策略包括对机床进给速度、主轴转速及切削深度进行动态调整。 [0006] 优选的，S2中，对从机床各个传感器采集到的实际运行数据进行预处理，对于每个采集的运行数据，使用Z‑score算法进行标准化处理； Z‑score算法的计算公式为：；其中，X是某个数据点的实际值，μ是参数的均值，σ是参数的标准差； 标准化后的数据将具有均值为0、标准差为1的分布，在标准化之后，对每个数据点进行异常值检测；根据Z‑score算法的原理，当Z‑score值超过设定阈值时，认为数据点为异常值。 [0007] 优选的，S3中，通过提取的异常值和标准化后的数据，构建用于训练机器学习模型的数据集，数据集包括输入数据中的机床的工作温度、负载、电流及压力，输出数据中的是否为异常状态；将数据集分为训练集和测试集，对于实时数据，需要划分验证集，用于调整模型参数；根据实际运行数据中温度、负载、电流及压力特征，进行特征选择； 使用随机森林算法对训练集数据进行训练； 在训练过程中，随机森林会通过决策树的集成学习方法自动学习到特征与异常状态之间的复杂关系； 每棵树在训练过程中会随机选择特征子集和样本子集，逐步构建多棵决策树，最后通过投票的方式得到最终预测结果； 采用二分类模型，其中正常状态和异常状态为目标类别，训练过程中，模型用于区分两种状态； 通过交叉验证优化模型的超参数，采用调参后的模型对训练集重新训练，确保模型的泛化能力。 [0008] 优选的，S4中，对获取到的切削力数据进行分析后生成切削力异常指数，切削力异常指数的获取方法为：设定在一段时间内采集到的切削力数据为 ，其中 n是数据 点的总数， 是在时间 上的切削力值；准备一组代表正常切削力的参考数据 ，其中，m是正常数据序列的长度； 构建距离矩阵D(i,j)，其中D(i,j)表示序列F(t)的第i个值与序列 的 第j个值之间的距离： ；定义累计距离矩阵C(i,j)： ；其中，C(i,j)表 示从F(t)的第1个值到第i个值，与 的第1个值到第j个值之间的最小累计距离，计算DTW距离： ；其中， 是最终的累计距离值，表示F(t) 与 之 间的 总体 相似 度；生 成 切削 力异 常指 数，表达 式为 ： ；其中， 是DTW距离的最大阈值， 为切削力异常指数。 [0009] 优选的，S4中，对获取到的刀具磨损数据进行分析后生成刀具磨损偏离指数，刀具磨损偏离指数的获取方法为：获取到的刀具磨损数据为时间序列 ，其中v是数据点 的数量，t表示采样时间点， 代表在时间 时的刀具磨损度量值，对刀具磨损数据进行归一化处理，使用LSTM神经网络训练刀具磨损数据，LSTM通过学习历史磨损模式来预测未来磨损值；通过LSTM模型计算在 时间点的刀具磨损预测值 ，然后计算预测误 差： ；其中，e(t+1)表示第t+1时刻的误差， 为 时间点的刀具磨损度量值；通过计算预测误差e(t+1)，得到刀具磨损偏 离指数SF，表达式为： ；其中， 为正常磨损模式下的最大预测误差。 [0010] 优选的，将切削力异常指数和刀具磨损偏离指数转换为综合特征向量，将综合特征向量作为机器学习模型的输入，机器学习模型以每组综合特征向量预测精密数控机床的健康状态评估值标签为预测目标，以最小化对所有精密数控机床的健康状态评估值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定精密数控机床的健康状态评估值，其中，机器学习模型为预先训练完成的随机森林模型。 [0011] 优选的，将获取到的精密数控机床的健康状态评估值与根据历史数据预先设定的健康状态评估阈值进行比较，若精密数控机床的健康状态评估值大于等于预先设定的健康状态评估阈值，说明精密数控机床为健康状态，此时不生成预警信号；若精密数控机床的健康状态评估值小于预先设定的健康状态评估阈值，说明精密数控机床为非健康状态，此时生成预警信号。 [0012] 优选的，S5中，当精密数控机床的健康状态评估值 小于预先设定的健康状态评估阈值，表示机床处于非健康状态，需要立即生成智能控制策略，对机床的运行参数进行动态调整，智能控制策略的核心是通过动态调整进给速度 、主轴转速 和切削深度来降低机床的工作负载。 [0013] 优选的，进给速度 直接影响机床的切削力和切削温度，当机床处于非健康状态时，应降低进给速度，以减轻机床负担和切削过程中的温升，调整进给速度的公式为：；其中， 为当前时刻的进给速度， 为机床正常工作时的标准进给速度，γ为调整因子的指数，用于控制进给速度的变化比例，为健康状态评估阈值； 主轴转速 会影响切削过程中的切削力和温度，根据健康状态评估值动态调整主轴转速，调整主轴转速的公式为： ；其中： 为当前时刻的主轴转速， 为机床正常工作时的标准主轴转速，δ为调整因子的指数，用于控制主轴转速的变化比例； 切削深度 对切削力和机床的负载有直接影响，根据健康状态评估值动态调整切削深度，调整切削深度的公式为： ；其中， 为 当前时刻的切削深度， 为机床正常工作时的标准切削深度，β为调整因子的指数，用于控制切削深度的变化比例。 [0014] 本发明还提供了一种精密数控机床运行状态智能控制系统，包括数据采集模块、数据处理模块、机器学习训练模块，检测模块以及智能控制模块：数据采集模块：实时采集若干个时间段内精密数控机床的实际运行数据，所述实际运行数据包括机床的工作温度、负载、电流及压力数据，以及加工过程中的实时状态数据，包括切削力数据和刀具磨损数据； 数据处理模块：对采集到的实际运行数据进行预处理，通过Z‑score算法提取出实际运行数据中温度、负载、电流及压力的异常值； 机器学习训练模块：基于机器学习算法，构建用于实时识别和预测机床运行状态的预测模型，所述预测模型基于温度、负载、电流及压力的异常值进行训练，以识别机床运行状态； 检测模块：使用所述训练完成后的预测模型对实时状态数据进行分析，实时检测机床的异常行为，并评估精密数控机床的健康状态； 智能控制模块：根据运行状态评估结果，自动生成智能控制策略，所述智能控制策略包括对机床进给速度、主轴转速及切削深度进行动态调整。 [0015] 在上述技术方案中，本发明提供的技术效果和优点：1、本发明不仅采集了机床的基本运行数据，还整合了切削力和刀具磨损等加工过程中的状态数据。通过Z‑score算法提取数据中的异常值，结合机器学习算法构建的预测模型，能够精确识别机床的健康状态，并实时检测潜在故障。这种基于多层次数据的分析方法大大提升了机床对极端工况的适应能力和故障预防能力。 [0016] 2、本发明还引入了智能控制策略，通过对进给速度、主轴转速和切削深度的动态调整，有效降低了机床的工作负载和温升，确保机床在非健康状态下仍能保持稳定运行。该智能控制策略基于机器学习模型的输出，能够自适应地调整各项工作参数，避免潜在的故障或运行误差影响加工质量。最终，本发明不仅提升了生产效率，降低了维护成本，而且优化了精密数控机床的工作稳定性，显著提高了设备的可靠性和使用寿命。附图说明 [0017] 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发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。 [0018] 图1为本发明的方法流程图。 [0019] 图2为本发明的系统模块图。 具体实施方式[0020] 为使本发明实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例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作出创造性劳动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。 [0021] 实施例1，请参阅图1所示，本实施例所述一种精密数控机床运行状态智能控制方法，包括以下步骤：S1：实时采集若干个时间段内精密数控机床的实际运行数据，所述实际运行数据包括机床的工作温度、负载、电流及压力数据，以及加工过程中的实时状态数据，包括切削力数据和刀具磨损数据； S2：对采集到的实际运行数据进行预处理，通过Z‑score算法提取出实际运行数据中温度、负载、电流及压力的异常值； S3：基于机器学习算法，构建用于实时识别和预测机床运行状态的预测模型，所述预测模型基于温度、负载、电流及压力的异常值进行训练，以识别机床运行状态； S4：使用所述训练完成后的预测模型对实时状态数据进行分析，实时检测机床的异常行为，并评估精密数控机床的健康状态； S5：根据运行状态评估结果，自动生成智能控制策略，所述智能控制策略包括对机床进给速度、主轴转速及切削深度进行动态调整。 [0022] 在S1中，具体步骤包括：步骤一：设置数据采集时间段 根据加工任务的具体要求和机床工作特性，设定若干个采集时间段。每个时间段内的数据采集间隔可以根据加工过程的动态变化情况进行优化调整，例如每秒、每分钟或每小时等时间单位。 [0023] 步骤二：工作温度数据采集a) 在每个时间段内，利用温度传感器实时监测机床各主要部件的工作温度。 [0025] c) 将各部件的温度数据记录下来，便于后续分析机床是否存在过热或温度异常等问题。 [0026] 步骤三：负载数据采集a) 在每个时间段内，实时监测机床的负载情况，特别是主电机和伺服电机的负载。 [0027] b) 通过负载传感器获取机床驱动系统的工作负载数据。 [0028] c) 对比机床负载数据与设定的正常负载范围，及时发现是否存在过载或低负载等异常情况。 [0029] 步骤四：电流数据采集a) 通过电流传感器实时监测机床各电气组件的工作电流，特别是主电机、伺服电机、冷却系统等设备的电流数据。 [0030] b) 电流数据的采集可以帮助识别电气设备是否存在异常，如电流过大或过小。 [0031] c) 记录电流变化趋势，分析是否出现异常波动或设备故障的预警信号。 [0033] b) 采集机床各个工作部件的压力数据，尤其是在复杂切削过程中，确保液压和气压系统的正常工作。 [0034] c) 对比压力数据与预定范围，及时发现压力异常的情况，避免液压系统或气压系统的故障对加工质量的影响。 [0035] 步骤六：切削力数据采集a) 在加工过程中，安装切削力传感器实时监测加工过程中的切削力。 [0036] b) 采集的数据包括切削力的大小、方向以及力矩的变化，反映加工过程中刀具与工件之间的相互作用力。 [0037] c) 根据切削力数据的变化，评估加工的稳定性，及时发现过大的切削力可能导致的加工误差或刀具损耗。 [0038] 步骤七：刀具磨损数据采集a) 利用刀具磨损传感器监测刀具在加工过程中的磨损情况，实时采集刀具磨损的相关数据。 [0039] b) 通过力传感器、视觉传感器或振动传感器等辅助工具，间接检测刀具磨损情况的变化。 [0040] c) 记录刀具磨损的趋势数据，为后续的故障预警、刀具更换提供依据。 [0041] 步骤八：数据存储与传输a) 在各个采集点上进行实时数据存储，并通过工业数据采集系统将所有采集到的数据传输到中央控制系统或云平台。 [0042] b) 数据存储时，需要确保数据的高效压缩与去噪处理，保证数据的准确性与实时性。 [0043] c) 数据传输应具有高可靠性和低延迟，以便进行实时监测与后续分析。 [0044] 步骤九：数据同步与融合a) 将上述采集到的多维度数据（温度、负载、电流、压力、切削力、刀具磨损等）进行同步，融合成一个完整的机床运行状态数据集。 [0045] b) 确保数据的时效性和一致性，便于后续的智能分析和故障预测。 [0046] S2：具体步骤包括：数据预处理 a) 对从机床各个传感器采集到的实际运行数据进行预处理，以确保数据的准确性和一致性。 [0047] b) 预处理步骤包括去噪、缺失值填充、异常值修正和标准化等，以消除环境噪声、传感器误差及数据缺失对后续分析的影响。 [0048] c) 数据去噪采用适当的滤波算法，如低通滤波或中值滤波，以去除来自外界环境或传感器本身的无关波动。 [0049] Z‑score标准化a) 对于每个采集的运行参数（如温度、负载、电流、压力等），使用Z‑score算法进行标准化处理。 [0050] b) Z‑score算法的计算公式为： ；其中，X是某个数据点的实际值，μ是该参数的均值，σ是该参数的标准差。 [0051] c) 标准化后的数据将具有均值为0、标准差为1的分布，这样能够消除不同数据维度的量纲差异，并使得数据具有可比性。 [0052] 异常值检测a) 在标准化之后，对每个数据点进行异常值检测。具体方法如下： b) 根据Z‑score算法的原理，当Z‑score值超过某一设定阈值（如3或‑3）时，认为该数据点为异常值。即： >3这表示该数据点偏离均值超过3个标准差，具有较高的概率属于 异常数据。 [0053] c) 例如，如果某个温度数据的Z‑score为4，则该温度数据被认为是异常的，可能表示温度传感器出现故障或机床过热的异常状态。 [0054] 异常值修正与标记a) 将检测到的异常值进行标记，并根据需要进行修正。 [0055] b) 异常值修正的方法包括：对温度、电流等参数的异常值使用插值法（如线性插值或多项式插值）进行填补； 对于负载和压力等较为平稳的参数，采用平滑算法（如移动平均法）去除突发的波动。 [0056] c) 对异常数据点进行标记，便于后续分析时进行特殊处理。 [0057] 输出清洗后的数据a) 经预处理和异常值检测后的数据将用于后续步骤，如智能模型训练、运行状态分析等。 [0058] b) 这些清洗后的数据可以有效提高后续算法（如故障预测、状态评估）分析的准确性，避免因异常值导致的分析误差。 [0059] S3：通过提取的异常值和标准化后的数据，构建用于训练机器学习模型的数据集。数据集应包括以下字段： 特征变量（输入数据）：包括机床的工作温度、负载、电流、压力等实时采集数据； 标签变量（输出数据）：包括标记是否存在异常（即是否发生故障或异常状态），可采用二分类标签（正常/异常）或多分类标签（如温度异常、电流异常等）。 [0060] 数据集划分a) 将数据集分为训练集和测试集，常见的比例为70%用于训练，30%用于测试（或使用交叉验证等方法）。 [0061] b) 对于实时数据，可能还需要划分验证集，用于调整模型参数，确保模型的泛化能力。 [0062] 特征选择与工程a) 根据实际运行数据中温度、负载、电流、压力等特征，进行特征选择。 [0063] b) 选择对异常值预测有显著影响的特征，如通过相关性分析，选择与异常状态相关性较高的特征。 [0064] c) 如果有需要，可以进行特征工程，如多项式特征扩展、特征归一化等，以提高模型的预测性能。 [0065] 模型训练a) 使用随机森林算法对训练集数据进行训练。 [0066] b) 在训练过程中，随机森林会通过决策树的集成学习方法自动学习到特征与异常状态之间的复杂关系。每棵树在训练过程中会随机选择特征子集和样本子集，逐步构建多棵决策树，最后通过投票的方式得到最终预测结果。 [0067] c) 对于异常值检测问题，通常采用二分类模型，其中正常状态和异常状态为目标类别，训练过程中，模型会学习如何区分两种状态。 [0068] 模型优化与调参a) 通过交叉验证或网格搜索等方法，优化模型的超参数，如树的数量、树的深度、最大特征数等。 [0069] b) 常见的优化方法包括调整：n_estimators：随机森林中树的数量； max_depth：每棵树的最大深度； min_samples_split：拆分节点所需的最小样本数； max_features：每棵树考虑的最大特征数等。 [0070] c) 采用调参后的模型对训练集重新训练，并确保模型的泛化能力和对新数据的预测效果。 [0071] 模型评估a) 使用测试集对训练好的随机森林模型进行评估，检查其对异常值（如温度、负载、电流、压力等的异常波动）的识别能力。 [0072] b) 常见的评估指标包括：准确率（Accuracy）：预测正确的比例； 精确率（Precision）：预测为异常状态的正确率； 召回率（Recall）：识别到的异常状态占所有异常状态的比例； F1‑score：精确率与召回率的调和平均数； ROC曲线与AUC值：判断模型的分类能力和区分度。 [0073] 模型实时预测a) 在模型通过测试后，可以将其集成到机床控制系统中进行实时预测。 [0074] b) 对于实时采集的机床数据，通过已训练的模型对新的数据进行预测，识别出是否存在异常值。 [0075] c) 若模型预测结果为异常状态（如温度过高、电流过载等），可以启动报警机制，提醒操作员进行干预或调整参数。 [0076] 持续学习与模型更新a) 在实际使用过程中，机床的工作环境可能会发生变化，因此需要对模型进行持续学习与更新。 [0077] b) 定期收集新的数据并用其重新训练模型，使得模型能够适应新的工况变化，并提升对异常状态的识别精度。 [0078] c) 可以采用增量学习的方式，使模型能够在接收到新数据时，快速更新而不需要重新训练整个模型。 [0079] S4：使用所述训练完成后的预测模型对实时状态数据进行分析，实时检测机床的异常行为，并评估精密数控机床的健康状态，其中，加工过程中的实时状态数据，包括切削力数据和刀具磨损数据；对获取到的切削力数据进行分析后生成切削力异常指数，切削力异常指数的获取方法为： 设定在一段时间内采集到的切削力数据为 ，其中 n是数据 点的总数， 是在时间 上的切削力值；准备一组代表正常切削力的参考数据 ，其中，m是正常数据序列的长度。 [0080] 构建距离矩阵D(i,j)，其中D(i,j) 表示序列F(t)的第i个值与序列 的第j个值之间的距离，通常使用欧氏距离进行计算： ；定义累计 距离矩阵C(i,j)： ；其中，C(i,j)表示从F(t)的第1个值到第i个值，与 的第1个值到第j个值之间的最小累计距离，计算DTW距离： ；其中， 是最终的累 计距离值，表示F(t)与 之间的总体相似度；生成切削力异常指数，表达式为： ；其中， 是DTW距离的最大阈值，可以通过对多次正常数据 的DTW计算取最大值或根据经验设定。通常，DTW的最大距离是根据机器的运行参数、切削工况等因素来设定的， 为切削力异常指数。 [0081] 正常状态：若异常指数接近于0，则表示当前切削力数据与正常模式的相似度较高，切削过程处于正常状态。 [0082] 异常状态：若异常指数接近于1，则表示当前切削力数据与正常模式的相似度较低，存在明显的异常。 [0084] 对获取到的刀具磨损数据进行分析后生成刀具磨损偏离指数，刀具磨损偏离指数的获取方法为：获取到的刀具磨损数据为时间序列 ，其中v是数据点 的数量， 代表在时间 时刀具磨损的度量值（如刀具的磨损深度、宽度或半径等）。对刀具磨损数据进行归一化处理，使得数据具有相同的范围（例如 [0, 1]）。使用LSTM神经网络训练刀具磨损数据，LSTM通过学习历史磨损模式来预测未来磨损值。 [0085] LSTM模型计算 时间点刀具磨损预测值 ，然后计算预测误差：；其中，e(t+1)表示第t+1时刻的误差， 为 时间点的刀具磨损的度量值；通过计算预测误差e(t+1)，得到刀具磨损偏离指数SF，表达式为： ；其中， 为正常磨损模式下的最大预测误差。正常磨损：若偏离指数接近0，则表示刀具磨损与正常模式一致。异常磨损：若偏离指数接近1，则表示刀具磨损与正常模式偏离较大。 [0086] 将切削力异常指数和刀具磨损偏离指数转换为综合特征向量，将综合特征向量作为机器学习模型的输入，机器学习模型以每组综合特征向量预测精密数控机床的健康状态评估值标签为预测目标，以最小化对所有精密数控机床的健康状态评估值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定精密数控机床的健康状态评估值，其中，机器学习模型为预先训练完成的随机森林模型。 [0087] 将获取到的精密数控机床的健康状态评估值与根据历史数据预先设定的健康状态评估阈值进行比较，若精密数控机床的健康状态评估值大于等于预先设定的健康状态评估阈值，说明精密数控机床为健康状态，此时不生成预警信号；若精密数控机床的健康状态评估值小于预先设定的健康状态评估阈值，说明精密数控机床为非健康状态，此时生成预警信号。 [0088] S5：根据运行状态评估结果，自动生成智能控制策略，所述智能控制策略包括对机床进给速度、主轴转速及切削深度进行动态调整。 [0089] 当精密数控机床的健康状态评估值 小于预先设定的健康状态评估阈值，表示机床处于非健康状态，需要立即生成智能控制策略，对机床的运行参数进行动态调整，以减轻机床负荷，延长其使用寿命，避免进一步的损坏。 [0090] 智能控制策略的核心是通过动态调整进给速度 、主轴转速 和切削深度 来降低机床的工作负载。并尽可能地避免加重机床磨损。具体的控制目标是通过调整这些关键参数来实现负载的平衡、减少故障风险，直到机床健康状态恢复。 [0091] 进给速度 直接影响机床的切削力和切削温度，当机床处于非健康状态时，应降低进给速度，以减轻机床负担和切削过程中的温升，调整进给速度的公式为：；其中， 为当前时刻的进给速度， 为机床正常工作时的标准进给速度（单位：mm/min）。γ（γ>0）为调整因子的指数，用于控制进给速度的变化比例。常取0.5≤γ≤1.0，表示在机床健康状态较差时会显著减小进给速度。 为健康状态评估阈值，其数值可基于实验数据或机床制造商的推荐值确定。 [0092] 当精密数控机床的健康状态评估值 小于预先设定的健康状态评估阈值，即机床处于非健康状态时，进给速度 会根据健康状态评估值的比例进行调整，降低进给速度，以减少机床的负荷。通过控制指数γ，可以决定调整速度的敏感度。较大的γ值会导致进给速度的大幅下降。 [0093] 主轴转速 会影响切削过程中的切削力和温度。为了减小负载，减缓磨损，可以根据 健 康状 态评 估 值动 态 调整 主轴 转速 。调整 主 轴转 速的 公式 为 ：；其中： 为当前时刻的主轴转速。 为机床正常工作时的标准主轴转速（单位：rpm）。δ为调整因子的指数，用于控制主轴转速的变化比例。常取0.5≤δ≤1.0。控制指数δ决定了调整的敏感度，较大的δ会导致主轴转速的显著降低。 [0094] 切削深度 对切削力和机床的负载有直接影响。为了减轻机床的磨损，可以根据健康状态评估值动态调整切削深度。调整切削深度的公式为：；其中， 为当前时刻的切削深度， 为机床正常工作时的标准切削深度（单位：mm）。β（β>0）为调整因子的指数，用于控制切削深度的变化比例。常取0.5≤β≤1.0。控制指数β决定了切削深度的调整程度，较大的β值会导致切削深度大幅降低。 [0095] 在本实施例中，首先，实时采集若干个时间段内的精密数控机床实际运行数据，包括机床的工作温度、负载、电流及压力数据，以及加工过程中的实时状态数据，如切削力和刀具磨损数据。然后，采用Z‑score算法对采集的实际运行数据进行预处理，提取温度、负载、电流及压力的异常值。接着，基于机器学习算法构建预测模型，训练该模型识别和预测这些异常值，以实现对机床运行状态的实时识别。使用训练完成的预测模型对实时状态数据进行分析，实时检测机床的异常行为，并评估其健康状态。当评估结果显示机床健康状态异常时，系统自动生成智能控制策略，动态调整机床的进给速度、主轴转速和切削深度，从而优化机床的运行状态，延长设备使用寿命，并减少故障风险。 [0096] 实施例2，请参阅图2所示，本实施例所述一种精密数控机床运行状态智能控制系统，包括数据采集模块、数据处理模块、机器学习训练模块，检测模块以及智能控制模块：数据采集模块：实时采集若干个时间段内精密数控机床的实际运行数据，所述实际运行数据包括机床的工作温度、负载、电流及压力数据，以及加工过程中的实时状态数据，包括切削力数据和刀具磨损数据； 数据处理模块：对采集到的实际运行数据进行预处理，通过Z‑score算法提取出实际运行数据中温度、负载、电流及压力的异常值； 机器学习训练模块：基于机器学习算法，构建用于实时识别和预测机床运行状态的预测模型，所述预测模型基于温度、负载、电流及压力的异常值进行训练，以识别机床运行状态； 检测模块：使用所述训练完成后的预测模型对实时状态数据进行分析，实时检测机床的异常行为，并评估精密数控机床的健康状态； 智能控制模块：根据运行状态评估结果，自动生成智能控制策略，所述智能控制策略包括对机床进给速度、主轴转速及切削深度进行动态调整。 [0098] 应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。 [0099] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。 |
||
