基于数据驱动的数控中心防撞加工状态监测方法与流程

本技术涉及防撞加工状态监测，具体涉及基于数据驱动的数控中心防撞加工状态监测方法。

背景技术：

1、随着智能制造技术的快速发展，数控机床在机械加工领域的核心地位日益凸显，尤其在高精度复杂零部件的制造过程中，数控加工中心发挥着至关重要的作用。然而，在高度自动化的数控加工过程中，由于设备故障、操作失误、工艺参数不准确等因素，极易引发刀具与工件或机床本身的碰撞事故，不仅导致昂贵的生产设备损坏，还可能带来严重的生产停滞和安全风险。因此，探索和发展基于数据驱动的数控中心防撞加工状态监测技术，以实时、精准地预测并规避潜在碰撞风险，对于推动智能制造领域的发展与安全保障具有重大的现实意义。

2、现有的防撞监测措施主要包括硬件传感器监测报警、固定程序限位保护以及部分基于简单规则逻辑的软件预警系统。尽管这些方法在一定程度上能够预防碰撞事件的发生，但在实际应用中仍存在显著局限性。首先，硬件传感器的安装成本较高，且仅针对特定位置和类型碰撞有响应，难以全面覆盖各种复杂的碰撞可能性；其次，基于预设规则的软件预警系统往往无法适应多变的加工环境和工艺条件变化，其灵敏度和准确性受限于预先设定的静态阈值，对加工过程中的动态变化和不确定因素适应性不足。此外，面对大数据时代的来临，传统的监测手段并未充分利用现代数控机床产生的海量实时运行数据，无法有效挖掘潜在的碰撞风险模式，从而影响了碰撞预警系统的整体效能和提前干预的能力。因此，亟需一种基于数据驱动的智能分析方法，通过对加工过程中的速度、加速度、电流、电压等多元数据进行深度分析，精确捕捉并预测可能发生的碰撞风险，从而提高数控中心防撞监测系统的可靠性和预见性。

技术实现思路

1、为了解决上述技术问题，本技术提供基于数据驱动的数控中心防撞加工状态监测方法，以解决现有的问题。

2、本技术的基于数据驱动的数控中心防撞加工状态监测方法采用如下技术方案：

3、本技术一个实施例提供了基于数据驱动的数控中心防撞加工状态监测方法，该方法包括以下步骤：

4、采集数控中心加工过程中的相关数据；

5、基于所述相关数据中任一时刻刀具的最小安全距离、目标位置距离以及刀具的行进速度和加速度，确定任一时刻刀具的实时动态安全距离系数；

6、确定正常、任一时刻的电流序列及其划分后的各个子序列，采用序列分解算法分别确定各个子序列的趋势序列、季节性序列；基于各个子序列及其对应的趋势序列、季节性序列以及实时动态安全距离系数，确定任一时刻刀具的碰撞预警指数；

7、基于正常数据样本的碰撞预警指数，采用孤立森林构建孤立森林模型；将需要监测时刻的相关数据输入孤立森林模型得到异常得分，判断碰撞风险的可能性。

8、优选的，所述采集数控中心加工过程中的相关数据包括：

9、采集数控中心加工过程中采集周期内任一采集时刻下刀具的最小安全距离、目标位置距离，以及行进速度、加速度、伺服电机输出电流和伺服电机输出电压；

10、所述最小安全距离为刀具距离周围器件的相对距离中的最小值；所述目标位置距离为刀具距离终点的距离；所述伺服电机输出电流和伺服电机输出电压为控制刀具移动的伺服电机的电流、电压数据。

11、优选的，所述实时动态安全距离系数的确定方法包括：

12、获取刀具的预测最小安全距离、预测目标位置距离；

13、将所述预测最小安全距离和所述预测目标位置距离的乘积，作为阈值函数的输入，得到阈值函数的输出结果；

14、将所述输出结果与所述预测目标位置距离的乘积，作为任一时刻刀具的实时动态安全距离系数。

15、优选的，所述预测最小安全距离、预测目标位置距离的表达式为：

16、

17、

18、式中，、分别是时刻刀具的最小安全距离、目标位置距离，、分别是时刻刀具的预测最小安全距离、预测目标位置距离，t是采集时间间隔，是时刻刀具的行进速度，是时刻刀具行进的加速度，是时刻刀具行进路径的偏移角，通过时刻相对于时刻刀具的行进距离以及二者的最小安全距离差计算得到，、分别是时刻刀具行进路径偏移角的正弦值和余弦值；

19、其中，n的获取方法为：选取预测目标位置距离和预测最小安全距离中第一个小于等于0的时刻，将第一个小于等于0的时刻与b时刻之间的时间差记作n。

20、优选的，所述阈值函数为：当阈值函数的输入小于等于0时，阈值函数的输出结果为-1；反之，阈值函数的输出结果为1。

21、优选的，所述确定正常、任一时刻的电流序列及其划分后的各个子序列，采用序列分解算法分别确定各个子序列的趋势序列、季节性序列，包括：

22、将正常情况下采集周期内所有时刻的所述相关数据中的伺服电机输出电流组成正常的电流序列；将采集周期内任一时刻之前的所有时刻的所述相关数据中的伺服电机输出电流组成任一时刻的电流序列；

23、按照预设加工阶段将正常的电流序列和任一时刻的电流序列分别划分为各个子序列；

24、将所述各个子序列作为hannan-rissanen算法的输入，输出各个子序列的季节性周期；将各个子序列及其季节性周期作为序列分解算法的输入，输出分解后的趋势序列和季节性序列。

25、优选的，所述碰撞预警指数的确定方法包括：

26、将电压序列和电流序列统称为电气信号序列；

27、基于任一时刻与正常的电气信号序列中各个子序列及其对应的趋势序列，确定任一时刻刀具的电气信号序列的稳定性系数；

28、基于任一时刻与正常的电气信号序列中各个子序列及其对应的季节性序列，确定任一时刻刀具的电气信号序列的规律变化系数；

29、计算电气信号序列的稳定性系数与规律变化系数的乘积，计算电压序列与电流序列的所述乘积的乘积，记为第一乘积；计算数字1与所述第一乘积的差值；计算任一时刻电流序列的自相关系数与预设调参系数的和值；将所述差值与所述和值的比值作为以自然常数为底数的指数函数的指数；

30、计算任一时刻刀具的实时动态安全距离系数与所述指数函数的计算结果的乘积，记为第二乘积；将所述第二乘积与任一时刻刀具的实时动态安全距离系数的绝对值的差值，作为任一时刻刀具的碰撞预警指数。

31、优选的，所述稳定性系数的表达式为：

32、

33、式中，是时刻刀具的电气信号序列的稳定性系数，p是加工阶段数量，是以自然常数为底的指数函数，、分别是时刻、正常的电气信号序列在第个加工阶段的子序列的趋势序列的拟合直线斜率，是正常的电气信号序列i中第个加工阶段的子序列，是时刻的电气信号序列中第个加工阶段的子序列，、分别是正常、b时刻的电气信号序列i中第个加工阶段的子序列的趋势序列的趋势强度，是方差函数，是预设调参系数。

34、优选的，所述规律变化系数的表达式为：

35、

36、式中，是时刻刀具的电气信号序列的规律变化系数，是相关系数函数，、分别是时刻、正常的电气信号序列i中所有子序列的趋势序列的拟合直线斜率按照加工顺序构成的序列，是最小值，、分别是正常、b时刻的电气信号序列i中第个加工阶段的子序列的季节性序列的季节性强度，、分别是正常、时刻的电气信号序列i中第个加工阶段的子序列的季节性序列，p是加工阶段数量。

37、优选的，所述基于正常数据样本的碰撞预警指数，采用孤立森林构建孤立森林模型；将需要监测时刻的相关数据输入孤立森林模型得到异常得分，判断碰撞风险的可能性，包括：

38、采集正常情况下每个时刻的正常样本的所述相关数据；获取每个时刻的正常样本的碰撞预警指数；

39、将每个时刻的正常样本的相关数据以及碰撞预警指数组成每个时刻的特征向量；将所有正常样本的特征向量作为孤立森林算法的输入，输出孤立森林模型；

40、将待监测时刻的特征向量输入孤立森林模型，输出待监测时刻的异常得分；

41、当所述异常得分大于预设数值时，则判断待监测时刻有碰撞风险；反之，则判断待监测时刻没有碰撞风险。

42、本技术至少具有如下有益效果：

43、本技术通过对数控中心加工过程中的进刀路径进行监测，结合刀具的目标位置距离、与周围器件的最小安全距离、速度、加速度数据，计算实时动态距离安全系数，来判断是否有进刀路径异常导致碰撞风险，从刀具实际运动角度更准确地挖掘刀具碰撞的风险；然后再结合伺服电机的电流、电压数据，与正常情况下的电流、电压数据进行对比，计算碰撞预警指数，通过集成多种传感器数据，利用实时动态安全距离系数与碰撞预警指数相结合的策略，实现了对数控中心加工过程中潜在碰撞风险的精细化监测；最后通过孤立森林模型预测碰撞风险，借助孤立森林算法，在保留原有硬性保护的基础上，有效填补现有方案在应对复杂、突发碰撞风险时的不足，从而大大提高数控中心防撞监测系统的智能性、灵活性和可靠性。通过这种方式，能够更及时准确地监测潜在的碰撞风险，有力保障数控中心的安全生产与高效运作。