基于多模型融合的机床参数预测方法及系统与流程

摘要: 本发明涉及机床参数预测,具体为基于多模型融合的机床参数预测方法及系统。背景技术:1、在现代制造业中,机床作为核心加工设备,其运行参数的稳定性直接影响加工精度、生...
基于多模型融合的机床参数预测方法及系统与流程

本发明涉及机床参数预测,具体为基于多模型融合的机床参数预测方法及系统。

背景技术:

1、在现代制造业中,机床作为核心加工设备,其运行参数的稳定性直接影响加工精度、生产效率及设备使用寿命。随着智能制造技术的发展,机床逐渐向多传感器、多数据维度的智能化方向演进,运行过程中会产生海量异构数据,这些数据来源于机床主轴、进给系统、温控模块、振动监测传感器等多个异构数据源,涵盖电流、转速、温度、振动频率、切削力等多维时序数据。然而,当前机床参数预测领域仍面临诸多技术瓶颈。

2、数据处理环节存在明显不足。由于不同数据源的采集频率、数据格式及精度存在差异,采集到的多维时序数据常伴随噪声、缺失值及时间戳错位问题,传统数据处理方式多采用单一维度清洗或简单拼接,难以实现多源数据的有效整合与对齐,导致构建的数据集质量较低,无法为后续参数预测提供可靠的数据基础。同时,现有数据存储模式缺乏对机床运行数据的结构化组织,难以快速调用不同维度数据进行分析,进一步制约了预测效率。

3、特征提取与关联分析能力薄弱。机床运行参数之间存在复杂的非线性关联,例如主轴转速变化会影响温度波动,进而关联到切削精度,而传统特征提取方法多局限于单一时间尺度的统计特征(如均值、方差),无法捕捉不同时间尺度下参数的动态变化规律,导致提取的特征代表性不足。此外,现有技术对参数维度间关联关系的识别多依赖人工经验或简单相关性分析,难以挖掘隐藏在数据中的深层关联,无法构建全面反映参数间相互作用的关联模型,使得后续预测模型无法充分利用参数间的关联信息,降低了预测准确性。

4、模型选择与应用存在局限性。当前机床参数预测多采用单一模型(如神经网络、支持向量机等),然而不同预测任务(如短期转速预测、长期温度趋势预测)对特征的需求及模型的适配性存在差异,单一模型难以适配所有特征类型及预测场景,导致部分预测任务中模型性能不佳。同时,现有技术缺乏对特征与模型适配性的评估机制,无法根据特征的具体属性选择最优模型,进一步降低了预测效果。此外,单一模型的串行计算方式难以应对海量数据的实时预测需求,导致预测延迟较高,无法满足机床实时监控与调整的需求。

5、预测结果融合方式不够合理。当采用多个模型进行预测时,现有融合方法多采用等权重平均或固定权重融合,未考虑不同模型在特定预测任务中的性能差异及局部预测结果的可靠性,导致融合后的最终预测值无法充分利用各模型的优势,甚至可能因低可靠性局部结果的干扰而降低整体预测精度。这些问题共同导致现有机床参数预测技术在准确性、实时性及适应性方面无法满足现代智能制造的需求,需要一种能够整合多源数据、挖掘深层特征关联、适配多模型预测并实现高效结果融合的解决方案。

技术实现思路

1、本发明的目的在于提供基于多模型融合的机床参数预测方法及系统,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供基于多模型融合的机床参数预测系统,所述系统包括:

3、数据汇聚模块,用于从机床运行环境中的多个异构数据源采集多维时序数据,对所述多维时序数据进行数据清洗与对齐处理,得到机床运行数据仓库;

4、特征图谱构建模块,用于对所述机床运行数据仓库进行多尺度特征提取,得到机床运行特征矩阵,识别所述机床运行特征矩阵中不同参数维度间的关联关系,依据所述关联关系构建机床参数关联图谱;

5、模型路由分配模块,用于提取所述机床运行特征矩阵中的特征向量,结合所述机床参数关联图谱计算各特征向量的路由权重,根据所述路由权重将特征向量分配至对应的预测模型环境;

6、多模型预测模块,用于在多个模型环境中并行执行参数预测,其中每个模型环境依据分配到的特征向量生成局部预测结果;

7、结果融合模块,用于聚合所有模型环境的局部预测结果,通过动态加权融合方式生成机床参数最终预测值。

8、优选的,所述多维时序数据包括主轴振动数据、进给率时序序列、刀具磨损监测数据、温度场分布数据和冷却液压力波形。

9、优选的,所述数据汇聚模块包括:

10、数据规整子模块,用于对所述多维时序数据进行异常值剔除与缺失值插补,得到规整后的多维时序数据;

11、时空对齐子模块,用于对规整后的多维时序数据施加时间戳同步与空间坐标映射,生成对齐后的多维时序数据;

12、仓库构建子模块,用于通过对齐后的多维时序数据构建机床运行数据仓库。

13、优选的,所述特征图谱构建模块包括:

14、特征提取子模块,用于分别对所述机床运行数据仓库中各类别数据提取时域与频域特征,生成特征向量集合;

15、矩阵构建子模块,用于依据特征向量集合构造机床运行特征矩阵;

16、关联挖掘子模块,用于计算机床运行特征矩阵中不同特征维度间的相关系数,依据相关系数阈值构建参数关联边;

17、图谱生成子模块,通过所有参数关联边构建机床参数关联图谱。

18、优选的,所述模型路由分配模块包括:

19、权重计算子模块,用于根据机床参数关联图谱中的节点连接度计算各特征向量的路由权重;

20、环境配置子模块,用于获取预先配置的多个预测模型环境的地址信息与接口协议;

21、向量分配子模块,用于依据路由权重将特征向量分发至对应的预测模型环境。

22、优选的,所述权重计算子模块执行以下操作:

23、从机床参数关联图谱中提取特征向量对应节点的邻接节点数量;

24、根据邻接节点数量与全局节点数量的比例计算连接密度;

25、通过连接密度与特征向量模长的乘积计算路由权重。

26、优选的,所述多模型预测模块包括:

27、环境调度子模块,用于激活对应模型环境的预测服务;

28、局部预测子模块,分别在每个模型环境中通过专用预测算法生成局部预测结果;

29、结果暂存子模块,用于缓存所有模型环境的局部预测结果。

30、优选的,所述结果融合模块包括:

31、权重分配子模块,用于根据各模型环境的历史预测精度分配融合权重;

32、加权计算子模块,用于通过融合权重对局部预测结果进行加权求和;

33、结果输出子模块,用于输出机床参数最终预测值。

34、优选的,所述系统还包括:

35、反馈优化模块,用于比对待测机床参数实际值与最终预测值的偏差,根据偏差大小调整机床参数关联图谱的边权重以及模型环境的路由权重。

36、优选的,本发明还包括一种基于多模型融合的机床参数预测方法,所述方法包括如上述一种基于多模型融合的机床参数预测系统的全部模块与方法流程。

37、与现有技术相比,本发明的有益效果是:

38、在数据处理层面,数据汇聚模块针对机床运行环境中的多个异构数据源,采用专业化的数据清洗与对齐处理,能够有效去除多维时序数据中的噪声与缺失值,同时实现不同数据源数据在时间戳与格式上的精准对齐,避免了传统数据处理中多源数据整合不充分、数据质量低的问题。构建的机床运行数据仓库通过结构化组织多源数据,实现了不同维度数据的有序存储与快速调用,不仅提升了数据利用效率,还为后续特征提取与模型预测提供了高质量的数据基础,使得后续各环节能够基于可靠数据展开,减少了因数据质量问题导致的预测偏差。

39、在特征分析层面,特征图谱构建模块采用多尺度特征提取方法,能够捕捉不同时间尺度下机床运行参数的动态变化规律,相较于传统单一尺度特征提取,提取的机床运行特征矩阵包含更丰富的动态信息,特征代表性更强,能够更全面地反映机床运行状态。同时,该模块通过识别参数维度间的关联关系构建机床参数关联图谱,突破了传统人工经验或简单相关性分析的局限,挖掘出隐藏在数据中的深层关联,将参数间的复杂非线性关系以图谱形式直观呈现,使得后续模型能够充分利用这些关联信息,在预测过程中考虑参数间的相互影响,进而提升预测结果对机床实际运行状态的贴合度,避免因忽略参数关联导致的预测偏差。

40、在模型适配层面,模型路由分配模块通过提取特征向量并结合机床参数关联图谱计算路由权重,能够精准评估不同特征向量与各预测模型的适配性。依据路由权重将特征向量分配至对应的预测模型环境,实现了特征与模型的精准匹配,避免了传统单一模型或随机模型选择中适配性不足的问题。不同预测模型环境可针对分配到的特征向量的属性(如时间序列长度、特征维度)发挥自身优势,例如擅长处理短期时序数据的模型可专注于短期参数预测相关特征向量,擅长处理长期趋势的模型可专注于长期参数预测相关特征向量,使得各模型的性能得到充分发挥。同时,多模型预测模块采用并行执行参数预测的方式,相较于传统串行计算,大幅缩短了预测耗时,能够快速响应海量数据的预测需求,满足机床实时监控与调整对预测时效性的要求。

41、在结果融合层面,结果融合模块摒弃了传统等权重平均或固定权重融合的方式,采用动态加权融合策略。该策略能够根据不同模型环境生成的局部预测结果的可靠性及模型在当前预测任务中的性能表现,实时调整各局部预测结果的权重,使得可靠性高、性能优的局部结果在最终预测值中占据更大比重,有效规避了低可靠性局部结果对整体预测精度的干扰。通过这种动态融合方式,最终生成的机床参数预测值能够充分整合各模型的优势,进一步提升了预测精度,确保预测结果更贴合机床实际运行参数的变化趋势。