CN111597860B - 一种用于cnc断刀预测的系统及方法 - Google Patents
一种用于cnc断刀预测的系统及方法 Download PDFInfo
- Publication number
- CN111597860B CN111597860B CN201910127668.5A CN201910127668A CN111597860B CN 111597860 B CN111597860 B CN 111597860B CN 201910127668 A CN201910127668 A CN 201910127668A CN 111597860 B CN111597860 B CN 111597860B
- Authority
- CN
- China
- Prior art keywords
- data
- cutter
- neural network
- particle
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000007405 data analysis Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000005520 cutting process Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 20
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010234 longitudinal analysis Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及断刀检测的技术领域，具体公开用于CNC断刀预测的系统，包括用于采集刀具数据信息的数据采集模块、用于指令控制的控制器、用于数据传输的无线通信模块、用于数据存储、分析与预测的大数据分析平台以及用于信息查看的移动终端。以及提出了一种基于改进粒子群优化BP神经网络的CNC断刀预测方法。本发明的优点是将传感器、无线通信网络以及大数据三种技术相融合，由无线通信网络完成传感器采集数据的传输，大数据分析平台完成数据的分析与预测，摆脱了对工业现场检测仪器设备的依赖，极大的降低了生产成本，同时智能算法提高了断刀预测的精度。
Description
技术领域
本发明属于断刀检测的技术领域，特别是一种用于CNC断刀预测的系统及方法。
背景技术
刀具毁损状态的智能识别作为制造过程技术的一部分，现已逐渐被人们重视。一个运行可靠的刀具磨损状态监测系统可以通过及时、准确地反映刀具磨损状态信息来指导机床完成自动换刀，实现不间断生产过程，稳定工件的加工质量。
传统的数控加工刀具状态监测方法普遍采用单一传感器监测方法，通过采集并处理与切削过程相关的信号，如电流信号、切削信号、振动信号、切削声信号或电机功率等，间接获得反映刀具磨损状态的某些信息，此方法获取的信息存在类型单一、信息量有限、抗干扰能力较低等缺陷。
传统的断刀检测设备体积较大且价格昂贵，只能实时监测一台机床的工作状态，无法实现一台设备实时监测多台设备的运行，给企业的生产带来了不便，增加了监测设备支出。
传统的刀具状态预测方法普遍采用单一BP神经网络算法，申请号为201811122597.1的专利公开了一种“基于改进的BP神经网络的刀具磨损预测方法”，此种技术方案采用的BP神经网络算法存在的问题是：学习效率比较低，收敛速度慢，虽然提出了采用多种函数来改善模型的权重和阈值，但是网络训练过程中的参数仍需要通过大量试验得到的经验函数来设定。
针对BP神经网络存在陷入局部最小和收敛速度慢的问题、粒子群优化算法容易早熟以及算法后期易在全局最优解附近产生震荡现象，本发明采用基于改进粒子群优化BP神经网络的CNC断刀预测方法，创新之处在于利用权重线性递减的粒子群优化算法，让惯性权重从最大值减小到最小值，这种改进后的粒子群算法增加了粒子的寻优效果，大大提高了算法收敛速度、精度和稳定性。本发明采用的改进算法对断刀状态的预测有显著的效果，处理速度快、预测准确性高。
由此可见，采用基于改进粒子群优化BP神经网络的算法是实现对刀具状态预测的有效方法。
发明内容
针对现有技术存在的问题，本发明提供一种用于CNC断刀预测的系统及方法。
本发明采用以下技术方案实现。
一种用于CNC断刀预测的系统，其特征在于：所述CNC断刀预测系统包含数据采集模块、控制器、无线通信模块、大数据分析平台、移动终端；所述数据采集模块包括声发射传感器、测力仪、加速度传感器，分别用于采集数控机床运行时刀具产生的声发射信号、切削力信号以及加速度信号；所述控制器用于接收大数据分析平台的控制指令，并将采集的数据信息通过无线通信模块传输至大数据分析平台；所述无线通信模块用于实现控制器与大数据分析平台之间的数据交互，其实现形式包括蓝牙、WiFi、以及ZigBee；所述大数据分析平台包括数据库和数据分析模块，分别用于数据存储以及利用CNC断刀预测方法对数据进行分析和处理；所述移动终端为智能手机或者平板电脑，能够实现与大数据分析平台的信息交互，实时查看刀具的状态信息；所述数据采集模块与控制器的输入端相连，控制器的信号端通过无线通信模块与大数据分析平台和移动终端相连。
进一步地，所述大数据分析平台是建立在服务器集群上，为大数据分析平台提供硬件支撑，所述数据库和数据分析模块是在服务器集群上分别部署基于Hadoop、Hbase存储系统及上层的计算架构。其具体实现包括：
1，数据采集模块获取的信号，经由控制器，以物联网通信协议等数据格式，送达集群部署的大数据平台的服务器。
2，大数据平台的接收端口，以Java技术为核心构建的高并发高可用的响应接口，将数据快速存入Kafka消息中间件构建的消息通道当中，以便数据的分发处理。
3，从消息通道中，不断获取信号数据，存入Hadoop集群当中，从而行程历史数据。海量的历史数据可以用在日常数据统计分析，也可以用于预测模型的自我学习。
4，从消息通道，利用流式计算框架，结合相关检测模型，快速地进行实时数据的运算。
一种用于CNC断刀预测的方法，其特征在于，所述方法包括如下步骤：
S1，使用数据采集模块采集数控机床运行的原始信号数据，建立包含断刀故障状态和非断刀正常状态数据库；
S2，对采集的原始信号数据进行归一化处理，按比例划分为训练集和测试集；
S3，建立基于BP神经网络的数控机床断刀预测模型；
S4，利用改进粒子群优化BP神经网络，进行模型训练，输出优化后的BP神经网络的最佳权值和阈值；
S5，将测试集中的样本数据作为输入，通过步骤S4优化后的BP神经网络来进行数控机床断刀预测。
所述步骤S2中的归一化处理方法采用离差标准化处理方法，是对原始信号数据的线性变换，使结果落到[0，1]区间，转换函数如下：
其中，是归一化后的数据，为原始信号数据，max为原始信号数据的最大值，min为原始信号数据的最小值。
所述步骤S3中的数控机床断刀预测模型采用三层BP神经网络模型；所述模型的输入层中，输入节点数为3个，为声发射信号、加速度和切削力；所述模型的隐含层节点数为7个；所述模型的输出层中，输出节点数为2个，为断刀故障状态和非断刀正常状态。
所述采集数控机床运行的原始信号数据，其过程是利用离散分布采样不断采集其声发射、加速度以及切削力的信号数据得到其时序数据。
所述步骤S4利用改进粒子群优化BP神经网络的具体步骤为：
S41，使用将BP神经网络的权值和阈值定义为粒子群搜索空间中的一个粒子，并进行粒子群参数的初始化；
S42，根据粒子个体最优位置和群体的全局最优位置计算适应度函数，其适应度函数为：
其中，为粒子数，为输入样本数，为网络的实际输出，为样本输出；
S43，更新微粒的速度和位置，微粒的速度和位置表达式为：
其中，、为加速常数，是微粒空间维数，为惯性权重，、为0到1之间均匀分布的随机数，是每个微粒所经过的个体最佳位置；是群体所发现的最佳位置；
S44，计算位置更新后每个微粒的适应度，将每个微粒的适应度与以前经历过的最好位置所对应的适应度比较，如果较好，则将其当前的位置作为该微粒的最好位置；
S45，将每一个微粒的适应度与全体微粒所经历过的最好位置比较，如果好，更新全体微粒的最好位置；
S46，检查终止条件，如果没有达到预设条件，则返回步骤S43；如果满足预设条件，则停止迭代，输出最优解。
所述步骤S43中惯性权重的计算采用线性变化的权重，计算公式为：
其中，、分别表示的最大值和最小值，表示当前迭代步数，表示最大迭代步数；
所述步骤S46中的终止条件为达到最大迭代次数或者达到了足够好的适应值。
本发明的有益效果是：
（1）本发明将传感器、无线通信网络以及大数据三种技术相融合，由无线通信网络完成传感器采集数据的传输，大数据分析平台完成数据的分析与预测，摆脱了对工业现场检测仪器设备的依赖，极大的降低了生产成本；
（2）本发明采集数控机床运行的原始信号数据，包含声发射信号、加速度信号以及切削力信号，数据全面可靠，保证了算法的训练质量；
（3）本发明将粒子群优化算法的寻优特性应用在BP神经网络权值和阈值的优化问题上，不仅可以优化了神经网络的结构，也可以提高神经网络效率；
（4）针对BP神经网络存在陷入局部最小和收敛速度慢的问题、粒子群优化算法容易早熟以及算法后期易在全局最优解附近产生震荡现象，本发明采用权重线性递减的粒子群优化算法，让惯性权重从最大值减小到最小值，这种改进后的粒子群算法大大提高了粒子的寻优效果。
附图说明
图1是一种用于CNC断刀预测的系统的结构示意图；
图2是一种用于CNC断刀预测的系统的大数据分析平台结构示意图；
图3是一种用于CNC断刀预测的方法的总体流程图；
图4是改进粒子群优化算法应用于BP网络时适应度曲线的变化图。
具体实施方式
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，所描述的实施例仅仅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的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。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
下面结合附图和实例对本发明作进一步描述：
参见图1，本发明的一种用于CNC断刀预测的系统，其特征在于：
所述CNC断刀预测系统包含数据采集模块、控制器、无线通信模块、大数据分析平台、移动终端；所述数据采集模块包括声发射传感器、测力仪、加速度传感器，分别用于采集数控机床运行时刀具产生的声发射信号、切削力信号以及加速度信号；所述控制器用于接收大数据分析平台的控制指令，并将采集的数据信息通过无线通信模块传输至大数据分析平台；所述无线通信模块用于实现控制器与大数据分析平台之间的数据交互，其实现形式包括蓝牙、WiFi、以及ZigBee；所述大数据分析平台包括数据库和数据分析模块，分别用于数据存储以及利用CNC断刀预测方法对数据进行分析和处理；所述移动终端为智能手机或者平板电脑，能够实现与大数据分析平台的信息交互，实时查看刀具的状态信息；所述数据采集模块与控制器的输入端相连，控制器的信号端通过无线通信模块与大数据分析平台和移动终端相连。
本发明的一种用于CNC断刀预测的系统，所述大数据分析平台如图2所示，是建立在服务器集群上的工业大数据的存储、计算、分析平台，为应用程序透明的提供了一组稳定、可靠的接口和数据运算基础设施。以Hadoop集群进行数据存储，以Spark/Flink进行实时运算的综合存储及运算系统平台。在平台之上以Java的高并发、高可用的系统架构为基础，集合Python技术体系的科学计算能力，实现断刀数据的响应、存储、计算及模型的自我学习功能。
具体实现为：
构建分布式的Hadoop集群及Hbase系统。Hadoop集群可以在各种配置级别的服务器构建起上千个几点的分布式的，高可以的HDFS存储系统。在hadoop集中都中，能够存储PB级别的数据，适合工业应用环境系，海量数据的存储。而Hbase分布式数据系统，是在HDFS文件系统之上构建的数据库管理系统，以便进行数据的存储、检索及分析。
实现及部署高速采集接口及分发通道。高速采集接口，以Java技术为核心构建的高并发API接口，它响应来自于控制器所输送的信号，接收的控制器采集的一个时间窗口的数据，并快速地将信号推送值分发通道当中。分发通道，采用的是Apache的Kafka中间件，以分布式集群的方式部署。配合Kafka的使用，Java的采集接口API单点能够实现至少K级以上的TPS，同时对接上百个控制器，进行高频数据采集。
实现及部署大数据持久化模块及实时运算模块。大数据存储的基础设施是Hadoop集群，它的数据来源是分发通道。在平台中，使用Java构建的模块，从Kafka消息通道中获取的窗口信号数据，存入hadoop集群中。存储的数据，将积累起来，形成工况信号库以及模型相关的特征库、标签库等。以此同时，消息通道中的流式数据，进入Spark/Flink计算框架，进行实时的、横向的、纵向的分析运算。配合CNC断刀检测方法的具体实现模型，进行快速的状态检测。
本发明的一种用于CNC断刀预测的方法，总体流程如图3所示，具体包括如下步骤：
S1，使用数据采集模块采集数控机床运行的原始信号数据，建立包含断刀故障状态和非断刀正常状态数据库。
在系统中将采集的声发射信号、切削力信号以及加速度信号进行信号放大，将信号按照断刀故障状态和非断刀正常状态分类后存储于数据库中，方便后期将数据接入计算机中进行深度分析。
S2，对采集的原始信号数据进行归一化处理，按比例划分为训练集和测试集。
在采集了多种信号后，由于这些信号是一些带有物理单位的量，且各个信号的幅值大小也不尽相同，不利于数据信号样本之间比较，为了方便后面网络模型的处理工作，必须除去物理单位的干扰，因此，必须对特征向量进行归一化处理，归一化处理方法采用离差标准化处理方法，是对原始信号数据的线性变换，使结果落到[0，1]区间，转换函数如下：
其中，是归一化后的数据，为原始信号数据，max为原始信号数据的最大值，min为原始信号数据的最小值。
S3，建立基于BP神经网络的数控机床断刀预测模型。
数控机床断刀预测模型采用三层BP神经网络模型，所述模型的输入层中，输入节点数为3个，为声发射信号、加速度和切削力，所述模型的隐含层节点数为7个，所述模型的输出层中，输出节点数为2个，为断刀故障状态和非断刀正常状态。因此可以确定网络的结构为3-7-2。隐含层神经元的传递函数为Sigmoid型传递函数，输出层神经元的传递函数为Pureline。
S4，利用改进粒子群优化BP神经网络，进行模型训练，输出优化后的BP神经网络的最佳权值和阈值。
根据BP神经网络的相关参数，设定需要优化权值阈值的个数为32，同时将网络的权值和阈值定义为粒子群搜索空间中的一个粒子，粒子的维数为32，最大迭代次数定为200，最小误差要求定为0.1。图4为改进粒子群优化算法应用于BP网络时适应度曲线的变化图，可以看出算法在迭代100次左右曲线趋于平稳，表明其完全收敛达到最佳权值阈值。
步骤S4利用改进粒子群优化BP神经网络的具体步骤为：
S41，使用将BP神经网络的权值和阈值定义为粒子群搜索空间中的一个粒子，并进行粒子群参数的初始化；
S42，根据粒子个体最优位置和群体的全局最优位置计算适应度函数，其适应度函数为：
其中，为粒子数，为输入样本数，为网络的实际输出，为样本输出；
S43，更新微粒的速度和位置，微粒的速度和位置表达式为：
其中，、为加速常数，是微粒空间维数，为惯性权重，、为0到1之间均匀分布的随机数，是每个微粒所经过的个体最佳位置；是群体所发现的最佳位置；
S44，计算位置更新后每个微粒的适应度，将每个微粒的适应度与以前经历过的最好位置所对应的适应度比较，如果较好，则将其当前的位置作为该微粒的最好位置；
S45，将每一个微粒的适应度与全体微粒所经历过的最好位置比较，如果好，更新全体微粒的最好位置；
S46，检查终止条件，如果没有达到预设条件，则返回步骤S43；如果满足预设条件，则停止迭代，输出最优解。
步骤S43中惯性权重的计算采用线性变化的权重，计算公式为：
其中，、分别表示的最大值和最小值，表示当前迭代步数，表示最大迭代步数。
步骤S46中的终止条件为达到最大迭代次数或者达到了足够好的适应值。
S5，将测试集中的样本数据作为输入，通过步骤S4优化后的BP神经网络来进行数控机床断刀预测。
通过利用改进粒子群优化BP神经网络，输出优化后的BP神经网络的最佳权值和阈值，并将权值和阈值赋予BP 网络，从而得到优化后的数控机床断刀预测模型。
本发明将数据库的1000组数据分为两组，其中一组包含800条数据应用于步骤S4的参数优化，另一组200条数据用于验证检测。
表1为基于粒子群优化BP神经网络的数控机床断刀预测结果。
| 数据组号 | 实际状态 | 预测状态 |
| 800 | 断刀故障状态 | 断刀故障状态 |
| 801 | 非断刀正常状态 | 非断刀正常状态 |
| 802 | 断刀故障状态 | 断刀故障状态 |
| 803 | 断刀故障状态 | 断刀故障状态 |
| 804 | 断刀故障状态 | 非断刀正常状态 |
| 805 | 断刀故障状态 | 断刀故障状态 |
| …… | …… | …… |
| 999 | 非断刀正常状态 | 非断刀正常状态 |
| 1000 | 断刀故障状态 | 断刀故障状态 |
预测结果表明：在200条数控机床断刀故障状态和非断刀正常状态数据中，有12条的预测出现了错误，其余组数据都诊断正确，诊断率正确率达到了94%，可见使用基于改进粒子群优化BP神经网络的数控机床断刀预测方法达到预期预测效果，满足应用要求。
Claims (6)
1.一种用于CNC断刀预测的系统，其特征在于：
所述CNC断刀预测系统包含数据采集模块、控制器、无线通信模块、大数据分析平台、移动终端；
所述数据采集模块包括声发射传感器、测力仪、加速度传感器，分别用于采集数控机床运行时刀具产生的声发射信号、切削力信号以及加速度信号；
所述控制器用于接收大数据分析平台的控制指令，并将采集的数据信息通过无线通信模块传输至大数据分析平台；
所述无线通信模块用于实现控制器与大数据分析平台之间的数据交互，其实现形式包括蓝牙、WiFi、以及ZigBee；
所述大数据分析平台包括数据库和数据分析模块，分别用于数据存储以及利用CNC断刀预测方法对数据进行分析和处理，平台构建在服务器集群作为计算及存储基础设施之上，以Hadoop集群及其之上的Hbase数据库作为海量数据的存储及管理系统，并以Kafka为核心的、可以适配各种数据源采集消息通道，在其上层构建hadoop的MapReduce计算框架进行历史数据计算，以Spark、Flink框架处理流式数据计算的综合存储及计算平台；
所述移动终端为智能手机或者平板电脑，能够实现与大数据分析平台的信息交互，实时查看刀具的状态信息；
所述数据采集模块与控制器的输入端相连，控制器的信号端通过无线通信模块与大数据分析平台和移动终端相连；
所述CNC断刀预测方法包括如下步骤：
S1，使用数据采集模块采集数控机床运行的原始信号数据，建立包含断刀故障状态和非断刀正常状态数据库；
S2，对采集的原始信号数据进行归一化处理，按比例划分为训练集和测试集；S3，建立基于BP神经网络的数控机床断刀预测模型；
S4，利用改进粒子群优化BP神经网络，进行模型训练，输出优化后的BP神经网络的最佳权值和阈值；
S5，将测试集中的样本数据作为输入，通过步骤S4优化后的BP神经网络来进行数控机床断刀预测；
所述步骤S4利用改进粒子群优化BP神经网络的具体步骤为：
S41，使用将BP神经网络的权值和阈值定义为粒子群搜索空间中的一个粒子，并进行粒子群参数的初始化；
S42，根据粒子个体最优位置和群体的全局最优位置计算适应度函数，其适应度函数为：
其中，M为粒子数i为输入样本数，yi为网络的实际输出，
为样本输出；
S43，更新微粒的速度和位置，微粒的速度vi,j和位置xi,j表达式为：
其中，c1、c2为加速常数，j是微粒空间维数,ω为惯性权重，r1、r2为0到1之间均匀分布的随机数，pi,j是每个微粒所经过的个体最佳位置；pg,j是群体所发现的最佳位置；
S44，计算位置更新后每个微粒的适应度，将每个微粒的适应度与以前经历过的最好位置所对应的适应度比较，如果较好，则将其当前的位置作为该微粒的最好位置；
S45，将每一个微粒的适应度与全体微粒所经历过的最好位置比较，如果好，更新全体微粒的最好位置；
S46，检查终止条件，如果没有达到预设条件，则返回步骤S43；如果满足预设条件，则停止迭代，输出最优解。
2.根据权利要求1所述的一种用于CNC断刀预测的系统，其特征在于，所述步骤S2中的归一化处理方法采用离差标准化处理方法，是对原始信号数据的线性变换，使结果落到[0，1]区间，转换函数如下：
其中，x*是归一后得数据，x为原始信号数据，max为原始信号数据的最大值,min为原始信号数据的最小值。
3.根据权利要求2所述的一种用于CNC断刀预测的系统，其特征在于，所述采集数控机床运行的原始信号数据，其过程是利用离散分布采样不断采集其声发射、加速度以及切削力的信号数据得到其时序数据。
4.根据权利要求1所述的一种用于CNC断刀预测的系统，其特征在于，所述步骤S3中的数控机床断刀预测模型采用三层BP神经网络模型；所述模型的输入层中，输入节点数为3个，为声发射信号、加速度和切削力；所述模型的隐含层节点数为7个；所述模型的输出层中，输出节点数为2个，为断刀故障状态和非断刀正常状态。
5.根据权利要求1所述的一种用于CNC断刀预测的系统，其特征在于，所述步骤S43中惯性权重的计算采用线性变化的权重，计算公式为：
其中，ωmax、ωmin分别表示的最大值和最小值，t表示当前迭代步数，tmax表示最大迭代步数。
6.根据权利要求1所述的一种用于CNC断刀预测的系统，其特征在于，所述步骤S46中的终止条件为达到最大迭代次数或者达到了足够好的适应值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910127668.5A CN111597860B (zh) | 2019-02-20 | 2019-02-20 | 一种用于cnc断刀预测的系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910127668.5A CN111597860B (zh) | 2019-02-20 | 2019-02-20 | 一种用于cnc断刀预测的系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111597860A CN111597860A (zh) | 2020-08-28 |
| CN111597860B true CN111597860B (zh) | 2023-05-12 |
Family
ID=72184808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910127668.5A Active CN111597860B (zh) | 2019-02-20 | 2019-02-20 | 一种用于cnc断刀预测的系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111597860B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118053546A (zh) * | 2024-04-10 | 2024-05-17 | 广东先知大数据股份有限公司 | 一种学生体测训练推荐方法、装置、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101870075A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
| CN106203642A (zh) * | 2016-07-18 | 2016-12-07 | 王力 | 一种电力机车故障预测及健康管理的方法 |
| CN106874582A (zh) * | 2017-01-25 | 2017-06-20 | 吉林大学 | 一种电主轴加速寿命试验时间设计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6469065B2 (ja) * | 2016-10-28 | 2019-02-13 | ファナック株式会社 | 機械学習装置及び加工時間予測装置 |
-
2019
- 2019-02-20 CN CN201910127668.5A patent/CN111597860B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101870075A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
| CN106203642A (zh) * | 2016-07-18 | 2016-12-07 | 王力 | 一种电力机车故障预测及健康管理的方法 |
| CN106874582A (zh) * | 2017-01-25 | 2017-06-20 | 吉林大学 | 一种电主轴加速寿命试验时间设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111597860A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334033A (zh) | 基于物联网与机器学习的冲床组故障预测方法及其系统 | |
| WO2020077672A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
| CN113656938A (zh) | 配电网变压器的监管方法、控制装置、及存储介质 | |
| CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
| CN118688575B (zh) | 一种配电网故障处理的自动化缺陷识别方法 | |
| CN111290913A (zh) | 一种基于运维数据预测的故障定位可视化系统和方法 | |
| WO2022048050A1 (zh) | 一种大数据信息采集系统及使用方法 | |
| CN117376381A (zh) | 一种基于行为预测的电力设备通信方法及系统 | |
| CN118612309A (zh) | 一种智能网关转换方法、装置、设备及存储介质 | |
| CN111597860B (zh) | 一种用于cnc断刀预测的系统及方法 | |
| US20250039268A1 (en) | Methods, systems, and storage media for information service of industrial internet of things (iiot) based on cloud platforms | |
| CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
| CN117435901B (zh) | 一种工业互联网数据获取方法、系统、终端及储存介质 | |
| CN118963327A (zh) | 一种机电一体化自适应故障诊断系统及方法 | |
| CN117667606B (zh) | 基于用户行为的高性能计算集群能耗预测方法及系统 | |
| Huang et al. | Tool remaining useful life prediction based on edge data processing and LSTM recurrent neural network | |
| CN117422441A (zh) | 一种机电设备检测维护系统 | |
| CN118605306A (zh) | 基于数字孪生的工业车间故障预警系统 | |
| CN118130951A (zh) | 一种基于铁路电力负荷动态突变的监测方法 | |
| CN117172721A (zh) | 用于融资业务的数据流转监管预警方法及系统 | |
| CN116840689A (zh) | 一种电池容量的预测方法、装置及计算机可读存储介质 | |
| CN112988529B (zh) | 一种基于机器学习进行数据库系统性能预测的方法及系统 | |
| Qu et al. | A method for CIR fault diagnosis based on improved tri-training in big data environment | |
| CN118779798B (zh) | 基于物联网云边协同的电力边侧优化控制方法及系统 | |
| CN112836770B (zh) | Kpi异常定位分析方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523128 Patentee after: Guangdong Prophet Big Data Co.,Ltd. Country or region after: China Address before: 523128 Room 301, R & D building, No. 2, Weifeng Road, Niushan Waijing Industrial Park, Dongcheng District, Dongguan City, Guangdong Province Patentee before: Dongguan prophet big data Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |