一种基于大数据分析的精密零部件生产控制方法及系统与流程

本发明涉及数控加工数据处理，具体涉及一种基于大数据分析的精密零部件生产控制方法及系统。

背景技术：

1、在精密零部件车床加工生产场景中，工件震颤是影响产品质量的突出因素。车床切削过程受主轴转速、进给量、装夹状态、刀具磨损、工件长径比、车间环境等多类因素耦合作用，极易产生工件震颤，进而造成零部件加工精度下降，同时加剧刀具的非正常磨损，提升生产报废成本。传统生产模式多依靠固定工艺参数与操作人员经验开展生产控制，主要采用固定振动阈值完成震颤判断。

2、公开号：cn121559976a，公开了一种多轴联动数控车床加工数据处理方法及系统；获取振动信息，进行时频分析，提取预设高频段内的能量变化和瞬时峰值特征；将特征与预设判断依据比对，识别颤振早期迹象，在识别出颤振时生成针对主轴转速、进给速度和/或切削深度的加工参数调整指令；获取调整后的振动信息进行时频分析，评估颤振抑制效果，并据此进一步调整加工参数和/或发出预警或停机警报，从而形成对微观切削颤振的闭环主动抑制控制。

3、现有精密件切削加工颤振检测方式，在实验室有限样本条件下，不同传感器通道对颤振识别贡献程度不同，易受噪声干扰；传统网络难以充分挖掘振动信号时序维度上的颤振关键局部特征，小样本场景下模型泛化能力不足，容易出现误判；同时仅完成颤振状态识别，缺少识别后对接机床的生产管控逻辑，颤振发生后无法及时干预，会造成工件加工精度下降、刀具非正常磨损，难以满足精密零部件加工的实际控制需求。

技术实现思路

1、本发明的目的在于解决上述背景技术中提到的现有切削颤振检测易受噪声干扰、小样本下泛化差、识别精度有限，且缺少后续机床干预手段，易造成精密零件精度受损与刀具异常磨损的问题，而提出一种基于大数据分析的精密零部件生产控制方法及系统。

2、本发明实施的第一方面，提供了一种基于大数据分析的精密零部件生产控制方法，所述方法包括：

3、获取多源数据和实验室数据，根据所述实验室数据对所述多源数据执行迁移得到多源迁移数据；所述多源迁移数据包含多个信号片段；

4、将信号片段输入至通道注意力机制模块中处理得到通道增强信号，将通道增强信号输入至bsr模块中得到多尺度深度特征；所述bsr模块由bayesformerencoder堆叠子模块、se通道注意力子模块和残差特征融合子模块组成；

5、对多尺度深度特征执行池化操作得到降维特征向量，对所述降维特征向量执行分类网络计算得到切削状态；切削状态包括稳定或颤振；

6、若切削状态结果正确，则判定检测模型训练合格，并获取工件切削时的实时传感信号，根据所述检测模型对所述实时传感信号进行检测得到实时切削状态，若所述实时切削状态为颤振，则进行车床控制。

7、采集的多通道传感数据完成数据迁移处理，通过通道注意力机制与bsr模块对信号进行特征挖掘，能够区分不同通道信号对颤振识别的贡献程度，充分提取信号中与切削状态相关的深度特征，提升模型对切削稳定状态与颤振状态的辨识能力，降低噪声带来的识别干扰。经过迭代训练与性能验证得到合格的检测模型后，可对工件切削过程的传感信号开展在线识别，一旦判定出现颤振，便能够联动机床执行对应的工艺干预操作。

8、可选的，所述多源数据的获取过程，包括：

9、构建精密零部件-刀具动力学微分方程，对所述精密零部件-刀具动力学微分方程进行赋值得到激励条件，对所述激励条件中进行变步长时域数值迭代求解处理得到时序参数响应序列；所述时序参数响应序列包括：时域位移响应序列与时域速度响应序列；

10、对所述时域位移响应序列与所述时域速度响应序列执行计算得到第1基础数据，对所述时域位移响应序列执行计算得到第2基础数据，对时域速度响应序列执行计算得到第3基础数据，将所述第1基础数据、所述第1基础数据和所述第1基础数据进行融合得到多源数据。

11、可选的，根据所述实验室数据对所述多源数据执行迁移得到多源迁移数据包括：

12、对所述多源数据执行物理规则硬过滤得到纯净信号，对所述纯净信号执行z-score归一化与滑窗切片得到无标签数据，获取预设模型，根据所述实验室数据对所述预设模型训练得到初始模型；

13、将所述无标签数据输入至所述初始模型中执行前向推理得到多个概率值集，根据各概率值集计算得到均值和标准差，根据均值和标准差按照第一预设规则对各概率值集进行筛选后添加标签得到自动标注数据；

14、根据均值和标准差按照第二预设规则对各概率值集进行筛选得到模糊样本，对模糊样本执行人工标注得到人工标注数据，将所述概率值集与所述人工标注数据融合得到多源迁移数据。

15、通过物理规则对工业多源原始数据做硬过滤，剔除明显异常的信号片段，再完成归一化与切片处理，通过实验室数据训练得到的初始模型对无标签工业数据开展多次推理，根据推理结果的均值与标准差区分样本置信程度，对高置信度样本实现自动伪标签标注，同时筛选出不确定性高的模糊样本做少量人工复核标注，再按照不同权重将两类标注数据进行融合形成多源迁移数据，既能够充分利用工业场景下大量的无标签时序信号，减少人工标注的工作量，又可以降低自动标注带来的标签噪声，兼顾数据规模与标注质量，实现从实验室数据集向工业实际数据的迁移适配，改善模型在真实加工工况下的识别表现。

16、可选的，将信号片段输入至通道注意力机制模块中处理得到通道增强信号包括：

17、对信号片段执行全局平均池化，得到全局平均池化特征；

18、对信号片段执行全局最大池化运算，得到全局最大池化特征；

19、将全局平均池化特征与全局最大池化特征执行拼接操作，得到组合池化特征；

20、将组合池化特征输入两层mlp多层感知机网络分别执行relu激活操作和sigmoid激活操作，得到通道权重系数；

21、将通道权重系数与信号片段逐通道对应相乘得到通道增强信号。

22、通过两种不同的池化运算分别提取信号片段的统计特征，将两类特征拼接后送入多层感知机网络进行非线性变换，生成适配颤振识别任务的通道权重系数，再利用权重对原始信号片段做逐通道的加权处理，对各个传感器通道的信号贡献程度进行重新分配，强化与颤振特征关联性较强的通道信息，弱化含有较多噪声干扰的通道信息，提升后续网络对切削颤振有效特征的挖掘能力。

23、可选的，将通道增强信号输入至bsr模块中得到多尺度深度特征包括：

24、对通道增强信号中每一通道分别执行滑动窗口分块处理得到分块信号，将分块信号输入编码器执行变分自注意力vsa运算得到时序注意力权重；

25、根据时序注意力权重对分块信号执行特征加权得到第1时序特征，将第1时序特征依次经过add&norm残差归一化层和feedforward前馈网络层完成特征变换得到第2时序特征，对第2时序特征执行重复多层bayesformerencoder堆叠运算得到深度时序特征；

26、将深度时序特征输入se通道注意力模块得到中间特征，将通道增强信号与中间特征执行元素相加得到多尺度深度特征。

27、对各通道的通道增强信号进行分块处理，借助变分自注意力运算获取时序注意力权重，依据权重完成信号特征加权，再通过残差归一化与前馈网络进行特征变换，并经多层编码器堆叠充分挖掘时序维度上的关键信息，通过se通道注意力模块再次筛选通道特征，最后结合残差相加的方式输出多尺度深度特征，既能够重点捕捉振动信号中与颤振相关的局部时序片段，缓解深度网络训练过程中容易出现的退化问题，抑制通道层面的冗余噪声。

28、可选的，对所述降维特征向量执行分类网络计算得到切削状态包括：

29、对降维特征向量执行flatten展平操作得到一维展平特征向量，将一维展平特征向量输入全连接fc层得到中间特征向量；

30、将中间特征向量输入softmax激活函数进行归一化运算得到二维概率向量，解析二维概率向量得到稳定切削状态的概率和颤振状态的概率；

31、取稳定切削状态的概率和颤振状态的概率之间的最大值，将最大值对应的类别作为该信号片段的最终判定结果，根据最终判定结果输出切削加工状态。

32、可选的，根据所述检测模型对所述实时传感信号进行检测得到实时切削状态包括：

33、对所述实时传感信号执行z-score标准化处理得到标准时序信号，采用滑动时间窗口对所述标准时序信号进行切分处理得到多个实时信号片段；

34、将实时信号片段输入至检测模型中得到实时判定结果，将各实时判定结果按照时间顺序对齐得到连续判定结果，若所述连续判定结果中颤振的次数大于报警阈值，则将实时切削状态确定为颤振。

35、本发明实施的第二方面，提供了一种基于大数据分析的精密零部件生产控制系统，所述系统包括：

36、数据迁移模块，用于获取多源数据和实验室数据，根据所述实验室数据对所述多源数据执行迁移得到多源迁移数据；所述多源迁移数据包含多个信号片段；

37、特征提取模块，用于将信号片段输入至通道注意力机制模块中处理得到通道增强信号，将通道增强信号输入至bsr模块中得到多尺度深度特征；所述bsr模块由bayesformerencoder堆叠子模块、se通道注意力子模块和残差特征融合子模块组成；

38、结果判定模块，用于对多尺度深度特征执行池化操作得到降维特征向量，对所述降维特征向量执行分类网络计算得到切削状态；切削状态包括稳定或颤振；

39、生产控制模块，用于若切削状态结果正确，则判定检测模型训练合格，并获取工件切削时的实时传感信号，根据所述检测模型对所述实时传感信号进行检测得到实时切削状态，若所述实时切削状态为颤振，则进行车床控制。

40、本发明的有益效果：

41、本发明提出了一种基于大数据分析的精密零部件生产控制方法，通过实验室数据完成多源数据迁移得到多源迁移数据，依托通道注意力机制对各通道信号做权重重标定，强化颤振相关有效通道、抑制冗余噪声通道，再经由bsr模块提取兼顾通道与时间维度的多尺度深度特征，充分挖掘振动信号内与颤振强关联的时序片段，改善小样本下模型泛化性能，提升颤振与稳定切削状态的分类识别精度；在模型训练合格后对工件切削实时传感信号开展在线检测，识别出颤振状态后可直接执行车床控制干预加工过程，及时抑制颤振发展，减少颤振引发的工件精度劣化与刀具异常磨损，实现从颤振辨识到加工调控的闭环，适配精密零部件的加工控制需求。