一种数控车床车削过程能耗预测方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种数控车床车削过程能耗预测方法。

背景技术

数控机床的车削加工工艺主要流程为分析图纸，确定工艺，选择刀具，确定夹具，编程加工。车削加工工艺包含多个步骤，每个步骤设计的参数是不同的，整个车床车削过程中的能耗主要发生在刀具切削过程中。数控机床的车削过程中车削刀具做平面运动，按照车削运动的作用，车削运动分为主运动和进给运动。

数控机床的能耗组成结构决定了车削过程中能耗的影响参数，能耗预测需要利用车削过程中的采集数据建立数控机床车削过程的能耗预测模型，其次利用能耗预测模型和车削过程的参数数据预测能耗值。但是由于机床包含多个工艺步骤，能耗预测模型与采集数据之间没有明确的定量关系，预测的能耗值与实际车削过程中能耗会存在差异，因此为了提高能耗预测模型的可靠性，提高车削加工的工作效率，应当结合数控机床的能耗系统组成，分析每个加工工艺中影响能耗的因素，确定车削能耗与参数数据之间的定量关系。其次可以基于定量关系修正能耗预测值，确定车削加工的最佳参数，减少能源损耗。

发明内容

本发明提供一种数控车床车削过程能耗预测方法，以解决现有的数控机床能耗建模的参数选择客观性不足，从而影响能耗分析准确性的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种数控车床车削过程能耗预测方法，该方法包括以下步骤：

采集数控车床每个阶段不同参数的数据，记为采集数据；

将每个加工阶段记为当前加工阶段，在当前加工阶段随机抽取部分采集数据，令每个加工阶段的每个采集数据为第一采集数据，根据第一采集数据与抽取部分的采集数据得到第一采集数据与抽取部分采集数据的差异值；

根据差异值得到第一采集数据的同类数据集和不同类数据集，根据第一采集数据、第一采集数据的同类数据集和不同类数据集的每个采集数据以及数据集最大最小参数计算每一次随机抽取中第一采集数据的同类显著度和异类相似度；

根据第一采集数据在每次随机抽取结果中的同类显著度和异类相似度、每次随机抽取结果中的同类数据集和不同类数据集采集数据的数量以及随机抽取的次数得到第一采集数据在当前加工阶段的权重因子；

对于第一采集数据，在下个加工阶段和第一采集数据物理意义相同的采集数据记为第二采集数据，根据当前加工阶段的第一采集数据、下一个加工阶段的第二采集数据、以及第一采集数据和第二采集数据的差值的均值得到第一采集数据的密切程度；

在当前加工阶段和第一采集数据物理意义相同的采集数据记为第三采集数据，根据每个第一采集数据的密切程度以及所有第二采集数据的和得到每个第一采集数据的影响指数，根据当前阶段每个第一采集数据影响指数与所述第一采集数据对应的所有第三采集数据的影响指数累加和的比值得到每个第一采集数据的滞后系数；

根据每个加工阶段的所有参数和数据构成实际采集序列和标准序列，根据权重因子和滞后系数对实际采集序列进行更新得到参考序列，根据更新后的参考序列与标准序列计算每个数据的灰色关联度，根据神经网络得到预测模型，以及灰色关联度的排序结果以及预测模型的值预测能耗并判断是否需要调整机床参数。

优选的，所述根据第一采集数据与抽取部分的采集数据得到第一采集数据与抽取部分采集数据的差异值的方法为：

计算所有抽取部分采集数据的均值和方差，令第一采集数据与均值差值的绝对值减去抽取部分任意采集数据与均值差值的绝对值比上方差得到第一采集数据与抽取部分每个采集数据的差异值。

优选的，所述根据差异值得到第一采集数据的同类数据集和不同类数据集，根据第一采集数据、第一采集数据的同类数据集和不同类数据集的每个采集数据以及数据集最大最小参数计算每一次随机抽取中第一采集数据的同类显著度和异类相似度的方法为：

式中，

优选的，所述根据当前加工阶段的第一采集数据、下一个加工阶段的第二采集数据、以及第一采集数据和第二采集数据的差值的均值得到第一采集数据的密切程度的方法为：

式中，x是当前加工阶段的任意一个采集数据，

优选的，所述根据每个第一采集数据的密切程度以及所有第二采集数据的和得到每个第一采集数据的影响指数的方法为：

令每个第一采集数据所对应的所有第二采集数据的值进行累加，将每个第一采集数据对应的密切指数和第二采集数据值的累加和的乘积作为每个第一采集数据的影响指数。

优选的，所述根据每个加工阶段的所有参数和数据构成实际采集序列和标准序列的方法为：

得到每个加工阶段的所有参数和数据，令其构成一个序列，序列为：

其中，

根据标准加工时所有参数和数据，构成一个序列，序列为：

是指第g个采集数据的第d个标准采集数据，

优选的，所述根据权重因子和滞后系数对实际采集序列进行更新得到参考序列的方法为：

将实际采集序列进行分解，每个参数得到一个对应的采集序列，根据采集序列中每个数据的权重因子进行排序，得到第一采集序列，滞后计算每个数据的滞后系数，按照滞后系数大小对第一采集序列按照从大到小排序，得到每个参数的更新序列，按照分解顺序将每个参数的更新序列组合得到参考序列。

本发明的有益效果是：本发明提出一种数控车床车削过程能耗预测方法，针对传统灰色关联分析法部分参数最优解无法获取的问题，根据车削加工流程中的采集数据构建了权重因子和滞后系数两个指标。权重因子的有益效果在于对于任何大小的采集数据都会获取足够多的抽取数据，通过数据在同类数据和不同类数据的显著程度衡量此数据与能耗的关系，避免采集数据过大或者过小时，无法获取足够相邻数据求解距离的问题。滞后系数的有益效果在于考虑了当前加工阶段的参数对下一阶段加工过程中能耗的影响，后续获取的参考序列更加符合实际加工的情况，避免预测能耗过程中机床外界因素对数据的影响。通过对参数最优解的准确获取，能够有效降低大量参数所导致的预测时间过长的问题，提升预测效率，同时最优参数的获取还能够有效提升参数选择的客观性，使得参数选择更加符合实际加工的情况，从而提升能耗的数据分析的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一个实施例所提供一种数控车床车削过程能耗预测方法的流程示意图。

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做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。

请参阅图1，其示出了本发明一个实施例提供的一种数控车床车削过程能耗预测方法流程图，该方法包括以下步骤：

步骤S001、采集数控车床车削前的刀具的多种参数。

数据机床刀具的选择是根据车削工件的材质决定的，选择合适硬度的刀具进行切削，刀具的主要参数包括，刀具硬度，刀倾角，刀尖半径。在车削加工进程中，主要的参数包括进给量，背吃刀量，进给速度，加工时长。其中，进给量的大小可以通过进给速度和主轴转速计算得到，背吃刀量是指工件已加工表面与待加工表面间的垂直距离。因此本发明中需要获取的数据为刀具硬度，刀倾角，刀尖半径，进给速度，主轴转速，工件待加工表面直径，进给直径。刀具相关参数无需通过仪器获取，可以从生产厂家处获取。对于剩余参数，本发明利用Fanuc数控系统采集机床数据，通过Fanuc数控系统中的数据窗口和以太网接口完成数据信息共享，Fanuc数控系统的使用为公知技术，机床数据的具体采集过程不再详细赘述。车床加工过程中具有多段加工，设加工阶段共有

步骤S002、根据每个采集数据与同类参数数据的差异和不同类参数数据的差异计算得到每个采集数据的权重因子。

首先，对于所有采集数据，每个加工阶段中每类数据得到

ReliefF算法是一种特征权重算法，根据各个特征和类别的相关性赋予特征不同的权重，ReliefF算法的计算结果受到参数k的影响，参数k是指随机选择数据样本的最近邻k个样本。在本发明中采集数据的大小是不固定的，归一化之后也会存在明显差异。因此本发明考虑通过数据相关关系对采集数据进行分类处理，基于分类基础获取每个数据的影响权重。在本发明中，采集的参数数据之间应当含有两种关系，一是正相关，一是负相关，正相关是指A，B两类采集数据，A越大，B也越大，例如A是主轴速度，B是进给量；负相关是指指A，B两个采集数据，A越大，B越小，例如A是背吃刀量，B是工件已加工的表面直径。

进一步的，对于当前加工阶段，得到每个采集数据的同类数据集与不同类数据集，根据每次抽取的采集数据的均值、任意两个采集数据的值以及抽取的采集数据的方差得到每个采集数据与另一个采集数据的差异值，公式如下：

式中，i，q分别表示采集数据i，被抽取部分的采集数据q，p表示当前加工阶段对所有采集数据进行的第p次随机抽取，每次抽取当前阶段采集数据总量R的10%，

给定一个判断阈值u，若差异值

进一步的，根据上述计算，得到每次随机抽取时，每个采集数据的同类数据集和不同类数据集，根据每个采集数据、采集数据的同类数据集和不同类数据集的每个采集数据以及数据集最大最小参数计算每一次随机抽取中每个采集数据的同类显著度和异类相似度，计算公式如下：

式中，

进一步的，如果数据与能耗有关，则相同阶段能耗对应的数据的值应该较为接近，车削不同阶段能耗对应的数据值应该具有较为明显的差异，根据每个采集数据在每次随机抽取结果中的同类显著度和异类相似度、每次随机抽取结果中的同类数据集和不同类数据集采集数据的数量以及随机抽取的次数得到每个采集数据在当前加工阶段的权重因子，公式如下：

式中，

权重因子反映了当前加工阶段采集数据中，每个数据的对能耗影响程度的大小。在抽取结果中，采集数据i与同类数据的差异在同类数据中越显著，即

步骤S003、计算当前加工阶段采集数据和下一阶段采集数据的密切程度，根据每个采集数据的密切程度计算每个采集数据的影响指数，根据每个采集数据的影响指数计算每个采集参数的滞后系数。

车削加工过程是一个连续的工艺，每个加工步骤的处理会对下一个工件加工阶段产生影响，例如某个车削某个步骤对工件的加工没有达到预期目标，在后续的加工阶段，需要额外的处理步骤，这就会导致下一阶段能耗的变化。能够对下一阶段能耗影响的参数数据，是对下一阶段数据影响较大的，也就是说对下一阶段参数数据关系越密切的参数数据，影响下一阶段工件加工能耗的可能性越大。利用采集的参数数据对下一个加工阶段的影响，表征采集数据对下一个工件加工阶段能耗的影响。

首先，对于当前加工阶段的每个采集数据，计算其与下一个加工阶段的采集数据的密切程度

进一步的，对于任意一个采集数据记为目标采集数据，其都对应有一个物理意义，在下一个加工阶段找到与目标参数物理意义相同的所有采集数据，根据当前加工阶段目标参数与下一个加工阶段与目标参数物理意义相同的每个采集数据的差值以及差值的均值得到目标采集数据的密切程度，公式表示如下：

式中，x是当前加工阶段的任意一个采集数据，

进一步的，根据当前阶段每个采集数据x的密切指数和下一阶段与采集数据x物理意义相同的采集数据得到每个采集数据的影响指数，公式如下：

式中，

采集数据x对下一阶段相同物理含义采集数据影响程度的大小，

根据采集数据x的滞后系数与当前阶段与x物理意义相同的采集数据的滞后系数得到采集数据x的滞后系数，公式如下：

式中，

滞后系数反映了工件当前阶段的参数数据与下一个加工阶段数据的密切程度，当前阶段的参数数据与下一个加工阶段参数数据的密切程度越大，相应的对下一个工件加工阶段能耗的影响程度越大，采集数据对权重因子大的数据越密切，在同一参数的所有数据中的占比越大，即滞后系数

步骤S004、根据权重因子和滞后系数对实际采集序列进行更新，根据更新后的参考序列与标准序列计算每个数据的灰色关联度，根据神经网络得到预测模型，根据灰色关联度的排序结果以及预测模型的值预测能耗并判断是否需要调整机床参数。

在灰色关联分析法中，通过各参数与能耗之间灰色关联度的大小可以确定每个参数对能耗的影响大小。

根据数控机床的型号和能耗组成系统，确定所有加工阶段的所有参数的标准采集数据作为标准序列

根据实际采集数据，获取实际采集序列

进一步的，通过权重因子和滞后系数对实际采集序列进行更新排序，具体过程如下：

1.根据工件的加工工艺，将实际采集序列

2.得到第一采集序列之后，以

这样构成新序列CH的原因在于利用权重因子和滞后系数排序是相同物理含义的采集数据，而标准数据构成的比较序列

进一步的，根据灰色关联系数的计算公式获取比较序列

确定了每个阶段影响能耗的主要参数，也就是说每个加工阶段的能耗都会得到一个主要参数的关联度排序结果。本实施例利用神经网络预测每个加工阶段的能耗值，将符合关联度排序结果的输出作为预测值。

进一步的，将采集数据分为训练集和测试集,在本实施例中，将采集数据的80%作为训练集，采集数据的20%作为训练集，将训练集作为输入完成对预测模型的训练，本发明中预测模型的结构为BP网络，模型的损失函数为MSE函数，将遗传算法作为BP网络的优化算法，神经网络模型的训练为公知技术，具体过程不再详细赘述。利用训练好的预测模型和采集数据实现对数控机床车削过程中每个加工阶段的能耗预测和参数调整。

对于一个加工阶段的预测值，预测模型的输入是前一个加工阶段的采集数据，预测模型的输出是对此加工阶段能耗的预测值，通过预测模型输出的能耗值

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。