技术新讯 > 控制调节装置的制造及其应用技术 > 一种基于组态计算机的数控系统实时监测方法与流程  >  正文

一种基于组态计算机的数控系统实时监测方法与流程

  • 国知局
  • 2024-08-01 00:22:59

本发明涉及智能监测,具体涉及一种基于组态计算机的数控系统实时监测方法。

背景技术:

1、组态计算机常用于工厂自动化、数控系统、建筑自控系统等领域,为工业生产提供了可靠的控制和监控手段。组态计算机的数控加工系统则是利用计算机中的软件系统决定硬件的自动运转,实现自动化加工的完整系统和体系,对数控机床在运行过程中可能产生的异常进行监测,也是组态计算机重要的功能之一。

2、相关技术中,通过对当前时刻的电流突变程度进行异常监测,也即电流突变越大,表示异常程度越大;但实际数控机床的运行状态并非固定不变,数控机床需要周期性变化运行状态,以执行不同的加工任务,由此,仅根据电流突变程度进行异常监测,可能会将正常的状态变化所产生的电流变化当作异常情况进行分析,从而导致异常监测的监测精度较低,监测过程的灵敏度与可靠较差,对数控机床电流数据的监测稳定性与精确程度不足。

技术实现思路

1、为了解决相关技术中仅根据电流突变程度进行异常监测,可能会将正常的状态变化所产生的电流变化当作异常情况进行分析,从而导致异常监测的监测精度较低,监测过程的灵敏度与可靠较差,对数控机床电流数据的监测稳定性与精确程度不足的技术问题,本发明提供一种基于组态计算机的数控系统实时监测方法,所采用的技术方案具体如下:

2、本发明提出了一种基于组态计算机的数控系统实时监测方法,方法包括:

3、实时获取数控机床在每一时刻的电流数据,根据所有时刻的电流数据的数值波动,将所有时刻划分为至少两个周期段;

4、根据任意两个周期段中每一时刻的电流数据的数值变化和数值分布,确定两个周期段的相似程度;根据每两个周期段的相似程度,对所有所述周期段进行聚类,得到相似类簇;将当前时刻所属周期段作为待测段,将待测段所处相似类簇作为待测类簇;

5、根据待测段与所述待测类簇中其他周期段的相似程度,以及所述待测段与除所述待测类簇中周期段之外其他所有周期段的相似程度,确定所述待测段的段显著参数;根据所述待测段中所有时刻的电流数据的变化,确定当前时刻的时刻显著参数,结合所述段显著参数和所述时刻显著参数,确定当前时刻的显著性指标;

6、根据所述当前时刻的显著性指标以及当前时刻上一时刻所处相似类簇中所有时刻的显著性指标,确定所述当前时刻的异常程度,根据当前时刻的异常程度对所述数控机床的电流数据进行监测。

7、进一步地,所述根据任意两个周期段中每一时刻的电流数据的数值变化和数值分布,确定两个周期段的相似程度,包括:

8、基于dtw算法,计算任意两个周期段的dtw值,作为第一差异系数;

9、计算每一周期段中所有时刻电流数据数值的均值,得到段均值;将两个周期段的段均值的差值绝对值,作为第二差异系数;

10、将任一周期段中相邻两个时刻的电流数据数值的差值绝对值,作为对应两个相邻的时刻的电流变化值,计算每一周期段中所有相邻时刻的电流变化值的均值,得到周期段的段变化指标;将两个周期段的所述段变化指标的差值绝对值,作为第三差异系数;

11、结合所述第一差异系数、所述第二差异系数和所述第三差异系数,确定两个周期段的相似程度。

12、进一步地,所述第一差异系数、所述第二差异系数和所述第三差异系数均与两个周期段的相似程度呈负相关关系,所述相似程度的取值为归一化后的数值。

13、进一步地,所述根据每两个周期段的相似程度,对所有所述周期段进行聚类,得到相似类簇,包括:

14、统计任意两个周期段的相似程度,基于k-means聚类分析算法,对所有相似程度所对应的周期段进行聚类,得到相似类簇,其中,所述相似类簇的数量基于手肘法计算得到。

15、进一步地,所述待测段的段显著参数的确定方法,包括:

16、计算所述待测段与所述待测类簇中其他周期段的相似程度的均值,得到第一均值;

17、计算所述待测段与除所述待测类簇中周期段之外其他所有周期段的相似程度的均值,得到第二均值;

18、将所述第一均值与所述第二均值的乘积,负相关映射并归一化处理作为段显著参数。

19、进一步地,所述当前时刻的时刻显著参数,包括:

20、计算所述待测段中当前时刻的电流数据与其他所有时刻的电流数据的差值绝对值,求均得到当前电流差异均值;

21、在所述待测段中,计算与当前时刻相距最近的预设数量个时刻的电流数据的均值,得到邻域电流均值,将所述邻域电流均值与当前时刻的电流数据的差值绝对值,作为邻域电流差异均值;

22、计算所述当前电流差异均值和所述邻域电流差异均值的乘积,归一化得到当前时刻的时刻显著参数。

23、进一步地,所述段显著参数和所述时刻显著参数均与当前时刻的显著性指标呈正相关关系,所述显著性指标的取值为归一化后的数值。

24、进一步地,所述根据所述当前时刻的显著性指标以及当前时刻上一时刻所处相似类簇中所有时刻的显著性指标,确定所述当前时刻的异常程度,包括:

25、计算当前时刻上一时刻所处相似类簇中所有时刻的显著性指标的均值,得到参考显著指标;

26、计算当前时刻的显著性指标与所述参考显著指标的差值绝对值,归一化得到所述当前时刻的异常程度。

27、进一步地,所述根据当前时刻的异常程度对所述数控机床的电流数据进行监测,包括:

28、在当前时刻的所述异常程度大于预设异常阈值时,停止数控机床的加工工作,生成报警信息。

29、进一步地,所述根据所有时刻的电流数据的数值波动,将所有时刻划分为至少两个周期段,包括:

30、基于stl时序分解算法对所有时刻的电流数据进行时序分解,得到周期项;

31、将所述周期项中的极小值点所对应的时刻作为分割时刻,按照时序将所有时刻分割为至少两个周期段。

32、本发明具有如下有益效果:

33、本发明通过实时获取数控机床在每一时刻的电流数据,将所有时刻划分为至少两个周期段,基于周期段进行分析,能够避免仅根据电流数据数值分析从而将正常的电流波动作为异常情况的问题,同时,周期段的分析也能够有效提升整体的分析效率;由于数控机床的工作状态多样,由此,其电流同样有多种变化方式,根据周期段电流数据的数值变化和数值分布,确定周期段的相似程度;根据周期段的相似程度,对所有周期段进行聚类,得到相似类簇,相似类簇的确定能够对数控机床的不同状态进行有效区分,从而实现对每一状态的有效分析,避免状态变化所引起的监测误差;之后,本发明实施例对当前时刻的显著性指标进行分析,根据待测段的段显著参数和当前时刻的时刻显著参数,确定当前时刻的显著性指标,当前时刻的显著性指标表征了待测段的异常情况和当前时刻的数据突变情况;再根据当前时刻的显著性指标以及当前时刻上一时刻所处相似类簇中所有时刻的显著性指标,确定当前时刻的异常程度,经过多层分析,从而得到更为可靠的异常程度,降低数控机床的运行状态的正常变化的影响,提高了异常监测的监测精度,使得后续在根据当前时刻的异常程度对数控机床的电流数据进行监测时,能够具备更为灵敏可靠的监测效果,提升数控机床的电流数据监测的稳定性与精确程度。

本文地址:https://www.jishuxx.com/zhuanli/20240730/200856.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。