一种基于物联网的数控机床控制方法及系统与流程

本发明涉及数控机床控制，具体为一种基于物联网的数控机床控制方法及系统。

背景技术：

1、数控机床是数字控制机床的简称，是一种装有程序控制系统的自动化机床。它能够逻辑地处理具有控制编码或其他符号指令规定的程序，并将其译码，通过信息载体输入数控装置。经过运算处理，数控装置会发出各种控制信号，控制机床的动作，按照图纸要求的形状和尺寸，自动地将零件加工出来。数控机床的特点包括高精度、高效率、自动化等，在许多领域都有广泛应用，数控机床有多种类型，包括立式加工中心、数控铣床、数控磨床、数控钻床、数控折弯机、数控压力机、数控剪切机、数控线切割机和数控激光切割机等，每种机床都有其特定的加工用途，总的来说，数控机床是现代制造业中不可或缺的重要设备，它通过程序控制系统实现自动化加工，提高了生产效率和质量，为制造业的发展做出了重要贡献。

2、随着物联网技术的迅猛发展和广泛应用，传统数控机床控制方法及系统已无法满足现代工业生产的需求，现有的控制系统大多依赖于本地操作，难以实现远程监控和智能化管理，导致机床运行效率低下、运维成本高昂，且故障处理不及时，影响生产效率和产品质量。因此，有必要提出一种基于物联网的数控机床控制方法及系统，以解决现有技术中的问题。

技术实现思路

1、本发明的目的就是为了弥补现有技术的不足，提供了一种基于物联网的数控机床控制方法及系统，它可以实现对数控机床的远程监控和智能化管理，提高机床的工作效率、降低运维成本，同时及时发现并处理机床的潜在问题，提高生产效率和产品质量。

2、本发明为解决上述技术问题，提供如下技术方案：一种基于物联网的数控机床控制系统，该系统包括传感器模块，用于实时采集机床运行工况参数，包括加工过程的实时数据以及机床运行状态信息，并将这些参数转化为可处理的数据形式；

3、数据采集处理模块，用于负责接收传感器模块传来的数据，进行必要的处理和整理，以便后续的数据传输和分析；

4、nb-iot网络，用于将处理后的运行工况参数机床数据的安全、可靠传输至数据信息平台；

5、数据信息平台，用于接收并存储从机床传来的数据，通过大数据分析、机器学习技术，对机床的运行数据进行深入的分析和处理，发现运行规律，预测潜在的故障，优化加工过程，用户通过internet访问数据信息平台，实时查看机床的运行数据和分析结果，并根据分析结果进行必要的控制和调整；

6、远程控制模块，用户可以通过该模块对机床进行远程控制，包括调整加工参数和启动停止机床操作。

7、进一步地，所述传感器模块的具体步骤如下：

8、(1)选择并安装传感器：根据数控机床的具体型号、功能需求和监控目标，选择适合的传感器类型，将这些传感器安装在机床的关键部位；

9、(2)初始化传感器：在安装完成后，对传感器进行初始化设置，这包括设置传感器的采样频率、量程以及精度参数，以确保传感器能够按照预设的要求进行数据采集；

10、(3)实时采集数据：传感器启动后，开始实时采集机床运行工况参数；

11、(4)数据转换与格式化：传感器采集到的原始数据进行转换和格式化，以便后续的数据处理和分析，将模拟信号转换为数字信号，将数据格式化为统一的格式；

12、(5)数据传输：经过转换和格式化后的数据，通过有线或无线方式传输至数据采集模块，在传输过程中，需要进行必要的加密和校验，以确保数据的安全性和完整性。

13、更进一步地，所述数据采集处理模块的具体步骤如下：

14、(1)接收传感器数据：数据采集模块首先接收来自传感器模块传输的数据；

15、(2)数据清洗：在接收到数据后，数据采集模块进行数据清洗工作，包括去除重复数据、填充缺失值以及平滑处理噪声数据，去除或修正数据中的噪声、异常值、重复项，涉及聚类分析算法，来自动识别并处理这些问题；

16、(3)数据格式化：清洗后的数据需要进行格式化处理，以确保数据的一致性和可读性，包括将数据转换为统一的格式、单位或数据类型，以便后续的数据分析和处理；

17、(4)数据标准化或归一化：为了消除不同参数之间的量纲差异，数据采集模块需要对数据进行标准化或归一化处理；

18、(5)数据整合与打包：处理完单个传感器数据后，数据采集模块还需要将这些数据整合在一起，形成一个完整的数据集，这些数据可以根据时间戳或其他标识符进行排序和打包，以便后续进行时序分析或与其他数据集进行关联分析；

19、(6)数据传输：经过处理的数据通过nb-iot网络传输至数据信息平台。

20、更进一步地，所述数据采集处理模块中的数据清洗涉及到聚类分析算法的计算，以识别和分组具有相似特性的数据点，主要涉及k-means算法，算法公式如下：

21、(1)数据点到聚类中心的距离：通常使用欧氏距离来计算数据点xi到聚类中心(μj)的距离；对于m维空间中的数据点，其公式为：其中，xik是数据点xi在第k个维度上的值，μjk是聚类中心μj在第k个维度上的值；

22、(2)聚类中心的更新：每个聚类的中心(或均值)是根据该聚类中所有点的坐标计算得出的；对于聚类(cj)，其新的聚类中心(μj)的计算公式为：其中，(cj)是聚类(cj)中点的数量，是聚类(cj)中所有点的坐标之和；

23、(3)目标函数：k-means算法的目标是最小化所有数据点到其所属聚类中心的距离平方和；目标函数可以表示为：其中，k是聚类的数量，(cj)是第j个聚类，(μj)是第j个聚类的中心，(||xi-μj||2)是数据点(xi)到其所属聚类中心(μj)的距离平方。

24、更进一步地，所述数据采集处理模块中对数据进行标准化和归一化处理时的算法公式如下：

25、(1)标准化算法：

26、对于一组数据(x1，x2，...，xn)，其均值为(μ)，标准差为(σ)，标准化后的数据(zi)可以表示为：

27、(2)归一化算法：

28、对于一组数据(x1，x2，...，xn)，其最小值为(xmin)，最大值为(xmax)，归一化后的数据(ni)可以表示为：

29、更进一步地，所述数据采集处理模块中经过处理的数据通过nb-iot网络传输至数据信息平台的具体步骤包括：

30、(1)建立nb-iot连接：数据采集模块与nb-iot网络建立连接；

31、(2)数据封装：数据采集模块将处理后的数据封装成适合nb-iot网络传输的数据包；

32、(3)数据传输：封装好的数据包通过nb-iot网络进行传输，在传输过程中，采用一些数据压缩算法，以减小数据传输量，提高传输效率。

33、更进一步地，所述数据信息平台对接收到的数据进行存储和分析处理的具体步骤如下：

34、(1)数据存储：

35、a)数据接收：数据信息平台首先接收来自nb-iot网络传输的数据；

36、b)数据解析：对接收到的数据进行解析，以提取出其中的有效信息和数据内容；

37、c)数据存储：解析后的数据被存储到数据平台的数据库中；

38、(2)数据分析处理：

39、a)数据分组与组织：根据分析需求，将数据进行分组和组织，形成不同的数据集或数据视图，以便后续的分析操作；

40、b)统计分析：运用统计学方法对数据进行分析，提取数据的分布特征、趋势变化，以揭示数据的内在规律和关联性；

41、c)机器学习：应用机器学习算法对数据进行挖掘和建模，发现更深层次的模式和关联，实现数据的预测和优化，基于历史数据和实时数据，利用机器学习算法构建故障预测模型；

42、d)实时监测：通过实时监测机床的运行数据，利用预测模型进行故障概率的预测；

43、e)结果输出与可视化：当预测到潜在故障风险时，及时发出预警通知，提醒用户进行维护或调整，将分析结果以图表、报告形式输出，并通过可视化工具展示给用户。

44、更进一步地，所述数据信息平台中对数据进行统计分析时使用线性回归算法对数据进行分析，计算公式为：y＝β0+β1*x+ε，其中y是因变量(目标值)，x是自变量(特征值)，β0是截距，β1是斜率，ε是误差项。

45、更进一步地，所述数据信息平台中采用决策树算法和神经网络算法对数据进行挖掘和建模，决策树是一种基于树形结构的分类和回归方法，对于分类决策树，其关键步骤是选择最佳划分属性，常见的划分标准为信息增益，其计算公式为：ig(d,a)＝h(d)-h(d|a)，ig(d,a)表示特征a对数据集d的信息增益，h(d)表示数据集d的熵，h(d|a)表示在特征a的条件下，数据集d的条件熵，神经网络主要涉及卷积的运算，数学公式可以表示为：其中，(x)是输入图像，(w)是卷积核，(i，j)是输出特征图的坐标，(m，n)是卷积核的坐标，激活函数数学公式为：f(x)＝max(0,x)。

46、更进一步地，基于物联网的数控机床控制方法，该方法包括以下步骤：

47、(1)所述传感器模块实时采集机床运行工况参数，并将数据转化为可处理的形式；

48、(2)数据采集模块接收传感器模块传来的数据，并进行数据清洗、格式化以及标准化处理；

49、(3)处理后的数据通过nb-iot网络进行安全、可靠的传输；

50、(4)数据信息平台接收并存储机床数据，通过大数据分析、机器学习技术进行数据挖掘和分析；

51、(5)数据信息平台根据分析结果，预测机床的运行状态和潜在故障，提出优化建议；

52、(6)用户通过internet访问数据信息平台，实时查看机床的运行数据、分析结果和优化建议；

53、(7)用户根据平台提供的信息，进行必要的控制和调整，优化机床的运行状态。

54、与现有技术相比，该基于物联网的数控机床控制方法及系统具备如下有益效果：

55、一、本发明通过传感器模块实时采集机床运行工况参数，经过数据采集处理模块处理后通过nb-iot网络传输至数据信息平台，数据信息平台采用大数据分析技术和机器学习技术对机床运行数据进行分析和故障模型训练，实现远程监控、数据分析与故障预测，提高机床工作效率、降低运维成本，通过internet访问数据信息平台，实时查看机床的运行数据和分析结果进行必要的控制和调整，实现智能化管理和维护。

56、二、本发明通过数据采集处理模块对机床的运行数据进行采集和处理，通过nb-iot网络传输至数据信息平台进行数据分析处理，运用统计学方法对数据进行分析，提取数据的分布特征、趋势变化，以揭示数据的内在规律和关联性，应用决策树算法和神经网络算法构建故障预测模型，通过实时监测机床的运行数据，利用预测模型进行故障概率的预测。

57、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。