[發(fā)明專利]基于Spark的數(shù)控機(jī)床運(yùn)行狀態(tài)監(jiān)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811472641.1
• 申請(qǐng)日: 2018-12-04
• 公開（公告）號(hào): CN111273607B
• 公開（公告）日: 2022-12-13
• 發(fā)明（設(shè)計(jì)）人: 于東;劉勁松;畢筱雪;胡毅;于皓宇;韓旭
• 申請(qǐng)（專利權(quán)）人: 沈陽高精數(shù)控智能技術(shù)股份有限公司
• 主分類號(hào): G05B19/406
• 分類號(hào): G05B19/406;G06K9/62
• 代理公司: 沈陽科苑專利商標(biāo)代理有限公司 21002
• 代理人: 王倩

本發(fā)明涉及基于Spark的數(shù)控機(jī)床運(yùn)行狀態(tài)監(jiān)測(cè)方法，系統(tǒng)以Apache Spark作為基本計(jì)算框架，從而實(shí)現(xiàn)對(duì)海量運(yùn)行數(shù)據(jù)進(jìn)行處理分析，同時(shí)加入基于OPC協(xié)議的采集模塊，Kafka分布式消息隊(duì)列等組件為系統(tǒng)提供可靠的數(shù)據(jù)接口。通過Spark?MLib對(duì)歷史數(shù)據(jù)采用基于密度聚類的DBSCAN算法，發(fā)現(xiàn)不同時(shí)間段數(shù)據(jù)分布特性即不同健康狀態(tài)。同時(shí)采用SVM分類算法建立監(jiān)測(cè)模型，從而實(shí)現(xiàn)對(duì)數(shù)控機(jī)床安全運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)控系統(tǒng)、數(shù)字化車間和智能制造領(lǐng)域，具體的說是在Windows平臺(tái)下實(shí)現(xiàn)的一種基于Spark的數(shù)控機(jī)床運(yùn)行狀態(tài)監(jiān)測(cè)系統(tǒng)。

背景技術(shù)

隨著信息技術(shù)的發(fā)展，傳統(tǒng)的機(jī)械制造業(yè)開始以信息化、智能化的特點(diǎn)進(jìn)行革命性的轉(zhuǎn)變，機(jī)械制造行業(yè)逐漸進(jìn)入到工業(yè)大數(shù)據(jù)時(shí)代，德國(guó)“工業(yè)4.0”、美國(guó)“工業(yè)互聯(lián)網(wǎng)”以及“中國(guó)制造2025”，均提出利用互聯(lián)網(wǎng)和大數(shù)據(jù)思維提升制造業(yè)的智能化水平，全面提升制造業(yè)的整體效率。

與此同時(shí)，許多企業(yè)都形成了相當(dāng)規(guī)模的數(shù)控機(jī)床車間，在設(shè)備運(yùn)行過程中產(chǎn)生的數(shù)據(jù)以幾何級(jí)數(shù)增長(zhǎng)，而傳統(tǒng)的數(shù)控機(jī)床維護(hù)主要通過人工的定期巡檢方式，不僅效率極低，而且完全依靠機(jī)床維護(hù)人員的專業(yè)素質(zhì)，不能提前預(yù)警維護(hù)人員，同時(shí)將海量的加工過程數(shù)據(jù)視為垃圾數(shù)據(jù)丟棄，造成嚴(yán)重的數(shù)據(jù)資源浪費(fèi)，雖然數(shù)控領(lǐng)域已經(jīng)在持續(xù)推動(dòng)智能化監(jiān)測(cè)、物聯(lián)網(wǎng)監(jiān)測(cè)等應(yīng)用，但面對(duì)海量數(shù)據(jù)時(shí)，都主要集中在存儲(chǔ)和模型構(gòu)建的理論體系研究，未能結(jié)合實(shí)際的應(yīng)用框架進(jìn)行數(shù)據(jù)分析，因此需要及時(shí)構(gòu)建一個(gè)基于大數(shù)據(jù)平臺(tái)的監(jiān)測(cè)系統(tǒng)來有效處理和分析機(jī)床加工過程中的各類數(shù)據(jù)，實(shí)現(xiàn)對(duì)數(shù)控機(jī)床運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)和預(yù)警。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中存在的上述不足之處，結(jié)合Spark高性能并行計(jì)算引擎準(zhǔn)實(shí)時(shí)性和高吞吐量，本發(fā)明要解決的技術(shù)問題是提供一種基于Spark的數(shù)控機(jī)床運(yùn)行狀態(tài)監(jiān)測(cè)系統(tǒng)，用于對(duì)數(shù)控機(jī)床的實(shí)時(shí)狀態(tài)進(jìn)行監(jiān)控管理。

本發(fā)明為實(shí)現(xiàn)上述目的所采用的技術(shù)方案是：一種基于Spark的數(shù)控機(jī)床運(yùn)行狀態(tài)監(jiān)測(cè)系統(tǒng)，包括以下步驟：

步驟1：采集數(shù)控機(jī)床的狀態(tài)數(shù)據(jù)信息；

步驟2：然后對(duì)狀態(tài)數(shù)據(jù)信息進(jìn)行歸一化處理得到狀態(tài)數(shù)據(jù)；

步驟3：Kafka接入狀態(tài)數(shù)據(jù)，通過將數(shù)據(jù)添加Topic字段整合不同類型的狀態(tài)數(shù)據(jù)，同一Topic的數(shù)據(jù)按照設(shè)定的算法被分區(qū)到不同的服務(wù)器上，流計(jì)算系統(tǒng)SparkStreaming進(jìn)行數(shù)據(jù)計(jì)算；

步驟4：采用Spark的SparkStreaming對(duì)狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，得到狀態(tài)數(shù)據(jù)樣本；

步驟5：將狀態(tài)數(shù)據(jù)樣本作為輸入，將監(jiān)測(cè)對(duì)象劃分為不同的安全狀態(tài)作為輸出，建立起多分類預(yù)測(cè)模型；通過多分類預(yù)測(cè)模型對(duì)待測(cè)的監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

所述采集通過兩種方式中的一種實(shí)現(xiàn)；第一種方式是通過數(shù)控機(jī)床的開發(fā)接口，另一種是通過OPC協(xié)議獲取。

所述狀態(tài)數(shù)據(jù)信息包括主軸電機(jī)溫度、主軸電流、主軸電機(jī)負(fù)載、主軸回轉(zhuǎn)誤差、X軸電機(jī)溫度、進(jìn)給速度。

所述采用Spark的SparkStreaming對(duì)狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理具體如下：

在Spark的Spark Job中將Kafka中各Topic的數(shù)據(jù)定義為一個(gè)數(shù)據(jù)流DStream，每個(gè)DStream內(nèi)部都由一組連續(xù)的RDD來表示。

所述將狀態(tài)數(shù)據(jù)樣本作為輸入，將監(jiān)測(cè)對(duì)象劃分為不同的安全狀態(tài)作為輸出，建立起多分類預(yù)測(cè)模型包括以下步驟：

通過訓(xùn)練標(biāo)注的狀態(tài)數(shù)據(jù)樣本，使用基于密度的聚類算法DBSCAN將數(shù)據(jù)集中不同時(shí)間段內(nèi)產(chǎn)生的數(shù)據(jù)聚類到不同簇中，從而發(fā)現(xiàn)不同的機(jī)床安全運(yùn)行狀態(tài)，并根據(jù)聚類結(jié)果將監(jiān)測(cè)對(duì)象劃分為不同的安全狀態(tài)；

針對(duì)不同的安全狀態(tài)采用SVM分類算法建立多分類預(yù)測(cè)模型。