[發明專利]大數據分析五軸小龍門數控加工中心的動態精度檢測方法

有效

• 申請號: 202010583947.5
• 申請日: 2020-06-23
• 公開（公告）號: CN111633466B
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 李愛軍;殷正斌;沈成輝;趙小雨;李歡
• 申請（專利權）人: 廣東普拉迪科技股份有限公司
• 主分類號: B23Q17/00
• 分類號: B23Q17/00
• 代理公司: 佛山市恒瑞知識產權代理事務所(普通合伙) 44688
• 代理人: 史亮亮

1.一種大數據分析五軸小龍門數控加工中心的動態精度檢測方法，其特征在于，包括如下步驟：

步驟1，采集數控加工中心生產過程數據和內部狀態數據；

步驟2，實時接收所采集的數據并儲存，同時對數據進行預處理，并對異常數據進行剔除；

步驟3，通過大數據技術基于采集到的歷史數據建立動態誤差模型，同時利用實時數據不斷修正模型，以得到加工中心的動態精度；

所述步驟1進一步包括：對數控系統指令，振動信號，力信號，主軸及運動軸的位置信號以及溫度信號進行采集；

所述步驟2進一步包括：在進行數據預處理時，假設采集的數據服從正態分布，給出正態分布公式如下：

其中，σ為數據集的標準差，μ表示數據集的均值，x代表數據集的數據；相對于正常數據，異常數據可以被視為小概率數據；在標準正態分布中，數據x落在(μ-3σ,μ-3σ)外的概率小于0.003，即P(|x-μ|3σ)≤2-φ(3)＝0.0026；

其中φ(3)為標準正態分布在x＝3時的概率，剔除滿足上述等式的數據，并利用被剔除數據的前后兩個數據的均值代替該數據；

所述步驟3進一步包括：在進行數據分析處理時，基于所述歷史數據，選用多元回歸模型構建動態誤差模型，其中，多元回歸模型包括一個因變量和多個自變量，可表示如下：

y_n＝a₀+a₁x₁₁+a₂x₂₁+......+a_nx_n1+b_k,k＝1,2,......q

轉化為矩陣方程如下：

Y＝AX+B

其中，分別對應因變量，自變量，函數中未知參數(n+1)列向量，誤差；

所述步驟3進一步包括：以上傳的各個傳感器的歷史數據作為自變量，歷史動態精度作為因變量，利用神經網絡算法對多元回歸模型進行訓練，得到未知參數的最優值，進而得到動態誤差的多元回歸模型，將求得所述未知參數的最優值和動態誤差帶入傳感器實時數據，直接獲取實時的動態精度，同時利用實時數據與實時動態精度不斷修正模型。

2.一種大數據分析五軸小龍門數控加工中心，包括動態精度檢測系統，其特征在于，所述系統包括數據采集模塊、數據儲存及預處理模塊、數據分析處理模塊；所述數據采集模塊，用于采集數控加工中心生產過程數據和內部狀態數據；所述數據儲存及預處理模塊，其連接到數據采集模塊，實時接收所采集的數據并儲存，同時對數據進行預處理，并對異常數據進行剔除；所述數據分析處理模塊，其與數據儲存及預處理模塊連接，利用大數據技術并基于歷史數據建立動態誤差模型，同時利用實時數據不斷修正模型，從而得出加工中心動態精度；

所述的數據采集模塊對包括數控系統指令，振動信號，力信號，主軸及運動軸的位置信號以及溫度信號進行采集；

所述的數據預處理模塊中，假設采集的數據服從正態分布，給出正態分布公式如下：

其中，σ為數據集的標準差，μ表示數據集的均值，x代表數據集的數據；相對于正常數據，異常數據可以被視為小概率數據；在標準正態分布中，數據x落在(μ-3σ,μ-3σ)外的概率小于0.003，可表示如下：

P(|x-μ|3σ)≤2-φ(3)＝0.0026

其中φ(3)為標準正態分布在x＝3時的概率；在實際工作狀態中，剔除滿足上述等式的數據，利用被剔除數據的前后兩個數據的均值代替該數據；

所述的數據分析處理模塊中，基于歷史數據，選用多元回歸模型構建動態誤差模型，其中，所述多元回歸模型包括一個因變量和多個自變量，可表示如下：

y_n＝a₀+a₁x₁₁+a₂x₂₁+......+a_nx_n1+b_k,k＝1,2,......q

轉化為矩陣方程如下：

Y＝AX+B

其中，分別對應因變量，自變量，函數中未知參數(n+1)列向量，誤差；

通過以上傳的各個傳感器的歷史數據作為自變量，歷史動態精度作為因變量，利用神經網絡算法對多元回歸模型進行訓練，得到所述未知參數的最優值，進而得到動態誤差的多元回歸模型，然后帶入傳感器實時數據，直接獲取實時的動態精度，同時利用實時數據與實時動態精度不斷修正模型，從而使所獲取的動態精度。