一种机械加工控制系统的制作方法

1.本发明属于机械加工实施监控技术领域，具体是一种机械加工控制系统。


背景技术：

2.制造业设备的复杂程度和智能化程度在不断提高，然而复杂设备因其结构的复杂性，使其在提高性能或者功能时，会给系统的可靠性、安全性、可用性、经济性等方面带来一系列难题，系统发生故障或者失效的潜在可能性也越来越大，因此对机械加工过程进行实时监测，并根据监测结果进行及时修正才能够保证系统运行安全和加工效率。
3.现有方案(公开号为cn11139944a)通过对机床加工过程中的某些工作状态数据进行数据采集和处理，通过将实际特征参数与正常值进行比较，从而掌握机床的实际工作状态，达到故障诊断和状态预测的目的。
4.上述方案通过实际特征参数与正常值比较来判断机床的故障状态，但是在实际操作过程中，这种检测方式不能及时且全面地对机床的故障状态进行监控；因此，亟需一种机械加工过程中能够全面监控、实时反馈的控制系统。


技术实现要素：

5.本发明提供了一种机械加工控制系统，用于解决现有方案对故障的检测范围不全面，对数控机床的异常状态划分不明确，导致不能根据异常状态进行适当调控的技术问题，本发明通过实际情况和模拟情况对比分析，并通过故障预测模型预测故障标签解决了上述问题。
6.本发明的目的可以通过以下技术方案实现：一种机械加工控制系统，包括若干台数控机床和用于控制若干台数控机床的监控系统；
7.所述监控系统与若干台所述数控机床通信和/或电气连接；所述监控系统包括数据采集模块、处理器和控制执行模块；所述处理器还与智能终端通信和/或电气连接；
8.所述处理器结合预设加工参数、设定程序对数控机床加工过程进行模拟，并获取加工参数模拟曲线；
9.通过所述数据采集模块获取数控机床按照设定程序进行加工时的实时加工参数，并获取加工参数实时曲线；
10.将加工参数模拟曲线和加工参数实时曲线进行对比分析获取分析结果，将分析结果和故障预测模型结合获取数控机床的故障标签，根据故障标签进行预警；所述故障标签的取值为0或者1；
11.所述控制执行模块根据分析结果和故障标签对数控机床进行调节。
12.优选的，所述预设加工参数和实时加工参数的参数内容一致，均包括速度、角度和位置。
13.优选的，所述加工参数模拟曲线包括速度模拟曲线、角度模拟曲线和位置模拟曲线，所述加工参数模拟曲线的自变量为时间，且所述加工参数模拟曲线符合要求之后数控
机床才能进行实际工件的加工。
14.优选的，所述加工参数实时曲线包括速度实时曲线、角度实时曲线和位置实时曲线，所述加工参数实时曲线通过数据采集模块实时采集的数据结合多项式拟合法实时拟合获取。
15.优选的，对所述加工参数模拟曲线和所述加工参数实时曲线的分析包括：
16.在保证初始时刻一致的情况下，任意选取n个时刻，分别获取n个时刻在所述加工参数模拟曲线和所述加工参数实时曲线中对应的参数值，并分别标记为模拟参数序列和实时参数序列；其中，n为大于2的整数；
17.提取模拟参数序列和实施参数序列中的对应参数，分别进行拟合生成速度拟合曲线、角度拟合曲线和位置拟合曲线；
18.当速度拟合曲线、角度拟合曲线和位置拟合曲线的斜率均能满足对应的斜率要求时，则判定数控机床工作正常；否则，判定数控机床工作异常，则通过故障预测模型判定数控机床是否故障。
19.优选的，通过所述故障预测模型获取故障标签，包括：
20.实时获取数控机床工作时的环境参数；所述环境参数包括温度和湿度；
21.将环境参数与实时加工参数拼接生成初始参数，将初始参数输入至故障预测模型获取目标参数；所述目标参数即为初始参数对应的故障标签。
22.优选的，所述故障预测模型的获取包括：
23.选取标准训练数据；所述标准训练数据包括数控机床故障时对应的实时工作参数和环境参数以及数控机床正常运行时对应的实时工作参数和环境参数；
24.为标准训练数据设置故障标签；
25.构建人工智能模型；所述人工智能模型包括误差逆向反馈神经网络、rbf神经网络和深度卷积神经网络中的一种或者多种；
26.标准训练数据作为人工智能模型的输入，对应的故障标签作为人工智能模型的输出完成人工智能模型进行训练、测试和校验，将训练完成的人工智能模型标记为故障预测模型。
27.优选的，当数控机床工作异常，且对应的故障标签为1时，则生成故障预警信号并发送至智能终端；当数控机床工作异常，且对应的故障标签为0时，则生成工作异常信号并发送至智能终端。
28.优选的，当数控机床工作异常，且对应的故障标签为0时，根据预设加工参数对数控机床进行调整。
29.优选的，对所述数控机床按照设定程序的模拟通过模拟软件进行；其中，所述模拟软件包括斯沃数控仿真软件、宇龙数控加工仿真软件、宇航数控仿真软件、machining、vericut、vnuc数控加工仿真软件和smarnc。
30.优选的，所述设定程序为工作人员为数控机床设定的运行程序。
31.优选的，所述处理器分别与数据采集模块、控制执行模块通信和/或电气连接。
32.优选的，所述智能终端包括智能手机、平板电脑和笔记本电脑。
33.与现有技术相比，本发明的有益效果是：
34.本发明通过加工参数模拟曲线和加工参数实时曲线进行对比分析来判断数控机
床的运行是否异常，当数控机床运行异常时，再通过故障预测模型获取对应的故障预测标签，将对比分析结果和故障标签相结合对数控机床进行调整以及预警；上述方案从模拟入手，对实际运行进行监控，并将数控机床的异常分成不同类型，运行异常时通过预设加工参数进行调整，运行故障时则直接停止运行并预警，将数控机床的异常状态划分明确，避免遇到异常就自动停止，有助于提高数控机床的工作效率。
附图说明
35.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的前提下，还可以根据这些附图获得其他的附图。
36.图1为本发明的原理示意图；
37.图2为本发明的工作流程示意图。
具体实施方式
38.下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
39.这里使用的术语用于描述实施例，并不意图限制和/或限制本公开；应该注意的是，除非上下文另有明确指示，否则单数形式的“一”、“一个”和“该”也包括复数形式；而且，尽管属于“第一”、“第二”等可以在本文中用于描述各种元件，但是元件不受这些术语的限制，这些术语仅用于区分一个元素和另一个元素。
40.当前制造业设备的复杂程度和智能化程度在不断提高，在提高设备性能或者功能时，会给系统的可靠性、安全性、可用性、经济性等方面带来一系列难题。在加工设备的异常监控上，现有方案只能将检测到的数据与现有的标准数据进行对比，检测方式单一，且准确度不高；经常会因为一些额外的不重要的因素检测出故障或者异常，导致数控机床的工作效率不高。
41.请参阅图1
‑
图2，本技术公开了一种机械加工控制系统，包括若干台数控机床和用于控制若干台数控机床的监控系统。本技术的主要目的是对数控机床进行监控，并根据结果实时判定数控机床的异常状态，根据异常状态采取不同的处理方式，值得注意的是，本技术中的监控系统可以同时监控和调节多台数控机床。
42.本技术中的监控系统与若干台所述数控机床通信和/或电气连接；监控系统包括数据采集模块、处理器和控制执行模块；所述处理器还与智能终端通信和/或电气连接。本实施例中的智能终端主要包括智能手机、平板电脑和笔记本电脑，智能终端既可以实施获取并显示数控机床的工作状态，也可以第一时间接收到异常或者故障预警，保证工作人员可以及时处理。
43.本技术的总体思路是，先通过处理器按照程序进行模拟，当模拟结果满足要求时，在进行实际加工，并且在实际工作参数和模拟过程中的参数进行比较，来判定数控机床的
工作状态。
44.本实施例中，处理器结合预设加工参数、设定程序、模拟软件对数控机床的加工过程进行模拟，获取预设加工参数对应的加工参数模拟曲线。预设加工参数根据加工要求设定，模拟软件包括斯沃数控仿真软件、宇龙数控加工仿真软件、宇航数控仿真软件、machining、vericut、vnuc数控加工仿真软件、smarnc中的一种。
45.本实施例中，数据采集模块获取数控机床按照设定程序加工时的实时加工参数，结合多项式拟合法获取加工参数的实时曲线。数据采集模块与采集传感器通信和/或电气连接，本实施例中的采集传感器包括速度传感器、温度传感器、湿度传感器和角度传感器。
46.本实施例中的预设加工参数和实时加工参数的参数内容一致，均包括速度、角度和位置；因此，对应的加工参数模拟曲线中包括速度模拟曲线、角度模拟曲线和位置模拟曲线，加工参数实时曲线中包括速度实时曲线、角度实时曲线和位置实时曲线。
47.本实施例通过加工参数模拟曲线和加工参数实时曲线的对比实现对数控机床异常的初步判断，包括：
48.在保证初始时刻一致的情况下，任意选取10个时刻，分别获取10个时刻在所述加工参数模拟曲线和所述加工参数实时曲线中对应的参数值，并分别标记为模拟参数序列和实时参数序列；
49.提取模拟参数序列中的模拟速度、模拟角度和模拟位置，提取实时参数序列中的实时速度、实时角度和实时位置；模拟速度和实时速度为一组，进行线性拟合获取速度拟合曲线；模拟角度和实时角度为一组，进行线性拟合获取角度拟合曲线；模拟位置和实时位置为一组，进行线性拟合获取位置拟合曲线。
50.当速度拟合曲线、角度拟合曲线和位置拟合曲线的斜率均能满足对应的斜率要求时，则判定数控机床工作正常；否则，判定数控机床工作异常，则通过故障预测模型判定数控机床是否故障。
51.上述描述中的斜率要求是一个范围，如[1
‑
ɑ
,1
ɑ
]，
ɑ
为大于0小于1的实数，也可以是[1
‑
ɑ
,1 β]，
ɑ
和β均为大于0小于1的实数。
[0052]
上述方案只是判断数控机床的工作状态是否正常，因此当数控机床的工作状态异常时，还需进一步判断，即通过故障预测模型获取故障标签，包括：
[0053]
实时获取数控机床工作时的环境参数；本实施例中的环境参数包括温度和湿度；
[0054]
将环境参数与实时加工参数拼接生成初始参数，将初始参数输入至故障预测模型获取目标参数；所述目标参数即为初始参数对应的故障标签；当故障标签为1时，表示对应的数控机床发生故障；当故障标签为0时，表示对应的数控机床只是工作状态异常，并没有发生故障。本实施例中数控机床的工作状态异常指的是不会影响数控机床正常加工的问题，因此本技术不将其判定为故障。
[0055]
本实施例中的故障预测模型可以是一种智能模型，也可以是几种智能模型的融合，具体包括误差逆向反馈神经网络、rbf神经网络和深度卷积神经网络中的一种或者多种；人工智能模型的训练包括：
[0056]
选取标准训练数据；本实施例中的标准训练数据包括数控机床故障时对应的实时工作参数和环境参数以及数控机床正常运行时对应的实时工作参数和环境参数，要保证数量类型和数据量，才能提高模型精度；
[0057]
为标准训练数据设置故障标签；构建人工智能模型；标准训练数据作为人工智能模型的输入，对应的故障标签作为人工智能模型的输出完成人工智能模型进行训练、测试和校验，将训练完成的人工智能模型标记为故障预测模型。
[0058]
本技术采用双重验证，当数控机床工作异常，且对应的故障标签为1时，则生成故障预警信号并发送至智能终端；当数控机床工作异常，且对应的故障标签为0时，则生成工作异常信号并发送至智能终端。当数控机床工作异常，且对应的故障标签为0时，根据预设加工参数对数控机床进行调整。这种方式既能够保证对数控机床的监控全面，又能够避免因为一些不重要的因素导致数控机床的效率降低。当数控机床出现的问题较小时，可以根据预设加工参数对数控机床进行实时调节，当数控机床出现较大故障时，则停止数控机床的运行并预警。
[0059]
本发明的工作原理：
[0060]
处理器结合预设加工参数、设定程序对数控机床加工过程进行模拟，并获取加工参数模拟曲线；通过数据采集模块获取数控机床按照设定程序进行加工时的实时加工参数，并获取加工参数实时曲线。
[0061]
在保证初始时刻一致的情况下，任意选取n个时刻，分别获取n个时刻在所述加工参数模拟曲线和所述加工参数实时曲线中对应的参数值，并分别标记为模拟参数序列和实时参数序列；提取模拟参数序列和实施参数序列中的对应参数，分别进行拟合生成速度拟合曲线、角度拟合曲线和位置拟合曲线；当速度拟合曲线、角度拟合曲线和位置拟合曲线的斜率均能满足对应的斜率要求时，则判定数控机床工作正常；否则，判定数控机床工作异常，则通过故障预测模型判定数控机床是否故障。
[0062]
实时获取数控机床工作时的环境参数；将环境参数与实时加工参数拼接生成初始参数，将初始参数输入至故障预测模型获取故障标签；当数控机床工作异常，且对应的故障标签为1时，则生成故障预警信号并发送至智能终端；当数控机床工作异常，且对应的故障标签为0时，则生成工作异常信号并发送至智能终端，同时根据预设加工参数对数控机床进行调整。
[0063]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0064]
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。