本發(fā)明涉及一種可靠性模型建模方法及系統(tǒng)，特別是涉及一種基于能耗特征的數(shù)控機床可靠性模型建模方法及系統(tǒng)。
背景技術(shù)：
：數(shù)控機床的可靠性模型是用于描述數(shù)控機床的加工周期以及工作時間和故障時間的概率密度函數(shù)。數(shù)控機床的可靠性模型是對數(shù)控機床的管理、生產(chǎn)線性能評估以及性能優(yōu)化的基礎(chǔ)。一般來說，機床出廠前，廠方會在生產(chǎn)說明中給出該機床的參考參數(shù)。對使用者來說，工作人員前期通過記錄等方式給出參數(shù)的標(biāo)稱值。但是由于機床維護人員會對數(shù)控機床進行調(diào)整而疏于記錄，這些調(diào)整很可能會對參數(shù)產(chǎn)生影響。久而久之，這些變動日積月累最終導(dǎo)致了標(biāo)稱值與實際值不符的情況。因此，需要對它們進行仔細測量以保證可靠性模型的精度。目前這些參數(shù)的測量大都靠人工定期的統(tǒng)計來完成，這種人工定期統(tǒng)計的方法造成數(shù)據(jù)反饋不及時、容易出錯以及耗費人力資源等問題。技術(shù)實現(xiàn)要素：針對上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于能耗特征的數(shù)控機床可靠性模型建模方法。本發(fā)明的另一個目的是提供一種基于能耗特征的數(shù)控機床可靠性模型建模系統(tǒng)。本發(fā)明的技術(shù)方案是這樣的：一種基于能耗特征的數(shù)控機床可靠性模型建模方法，包括以下步驟，s01、采集機床的功率數(shù)據(jù)，計算功率差分序列；s02、將功率差分序列分割得到基于機床狀態(tài)的功率片段；s03、對每個功率片段提取一組能表征其功率特性的特征庫，所述特征庫包含與機床不同運行狀態(tài)相關(guān)且隨著狀態(tài)的變化而變化的若干特征；s04、用第一字符串表示一道工序?qū)?yīng)的機床狀態(tài)轉(zhuǎn)移路徑；s05、將所有功率片段按比例選取出功率數(shù)據(jù)進行狀態(tài)標(biāo)識，基于所述特征庫訓(xùn)練cart決策樹，將訓(xùn)練后的決策樹對功率片段的分類；s06、將經(jīng)過步驟s05分類后的功率片段按照采集時間順序排列，并用第二字符串表示；s07、采用knuth-morris-pratt算法匹配第一字符串和第二字符串，得到功率數(shù)據(jù)中加工時的功率序列，將加工時的功率序列的結(jié)束時間減去起始時間得到加工周期時長；s08、設(shè)定一個滑動時間窗，統(tǒng)計該時間窗內(nèi)加工周期數(shù)量，以及所有加工周期時長，計算該時間窗內(nèi)所有加工周期時長的算術(shù)平均作為當(dāng)前工作日的加工周期；所述滑動時間窗向后移動一個工作日，得到下一個工作日的加工周期；s09、設(shè)定閾值，將機床工作時刻功率數(shù)據(jù)大于閾值的認為工作狀態(tài)，將機床工作時刻功率數(shù)據(jù)小于閾值的認為故障狀態(tài)，在所述滑動時間窗內(nèi)統(tǒng)計連續(xù)工作時間及其數(shù)量并計算算術(shù)平均，統(tǒng)計故障時間及其數(shù)量并計算算數(shù)平均；所述滑動時間窗向后移動一個工作日，得到下一個工作日的工作時間算數(shù)平均和故障時間算數(shù)平均；s10、將步驟s08得到的不同工作日的加工周期，步驟s09得到的不同工作日的工作時間算數(shù)平均和故障時間算數(shù)平均作為機床可靠性模型參數(shù)。進一步的，所述機床狀態(tài)分為待機、啟動、空載以及切削四個狀態(tài)。進一步的，所述計算功率差分序列是用p＝{pi,i＝1,2,…,n}表示功率數(shù)據(jù)，n表示功率采集點的數(shù)量，pi表示第i個功率采集點，功率差分序列用d＝{di,i＝1,2,…,n}表示，di＝pi+1-pi。進一步的，所述步驟s02中分割功率差分序列時，根據(jù)經(jīng)驗貝葉斯閾值法確定機床狀態(tài)轉(zhuǎn)移時的功率數(shù)據(jù)臨界點，所述功率數(shù)據(jù)臨界點位功率差分序列的分割點。進一步的，所述步驟s03中所述特征包括最大值、最小值、平均絕對偏差、幾何平均和三階自回歸系數(shù)。進一步的，所述最大值計算公式為pmax＝max(pi,i＝1,2,…,m)，最小值計算公式為pmin＝min(pi,i＝1,2,…,m)，平均絕對偏差計算公式為pmad＝mediani(|pi-medianj(pj)|)，幾何平均計算公式為三階自回歸系數(shù)計算公式為m為功率片段中功率數(shù)據(jù)采集個數(shù)，pi表示第i個功率采集點，y是該功率片段的幾何平均，ω是截距，βt是回歸系數(shù)，是噪聲參數(shù)。一種基于能耗特征的數(shù)控機床可靠性模型建模系統(tǒng)，包括現(xiàn)場數(shù)據(jù)采集模塊：采集機床功率數(shù)據(jù)并打包上傳至服務(wù)器；知識庫模塊，用于建立機床運行過程功率特性的特征庫以及工序的機床狀態(tài)轉(zhuǎn)移路徑；分析模塊，進行功率差分序列分割、功率片段的分類以及機床可靠性模型參數(shù)的計算；設(shè)置模塊，設(shè)置滑動時間窗和閾值。進一步的，所述現(xiàn)場數(shù)據(jù)采集模塊包括若干智能電表組成rs-485網(wǎng)絡(luò)。本發(fā)明所提供的技術(shù)方案的優(yōu)點在于，利用智能電表對機床功率數(shù)據(jù)采集實現(xiàn)機床可靠性模型參數(shù)的自動計算相比于人工定期統(tǒng)計處理，準(zhǔn)確性更高，可避免人工出錯，數(shù)據(jù)不及時，耗時耗力的問題。附圖說明圖1為基于能耗特征的數(shù)控機床可靠性模型建模系統(tǒng)結(jié)構(gòu)圖。圖2基于能耗特征的數(shù)控機床可靠性模型建模方法流程圖。圖3為數(shù)控機床加工某工序時的功率隨時間變化曲線。圖4為實施例數(shù)控機床車削過程的狀態(tài)識別結(jié)果。具體實施方式下面結(jié)合實施例對本發(fā)明作進一步說明，但不作為對本發(fā)明的限定。請參見圖1，基于能耗特征的數(shù)控機床可靠性模型建模系統(tǒng)包括：現(xiàn)場數(shù)據(jù)采集模塊：每臺數(shù)控機床配置一個智能電表，以一定頻率采集功率數(shù)據(jù)，功率數(shù)據(jù)在數(shù)據(jù)采集器匯總，然后打包上傳至服務(wù)器中，智能電表與數(shù)據(jù)采集器之間采用rs485總線連接；知識庫模塊，用于建立機床運行過程功率特性的特征庫以及工序的機床狀態(tài)轉(zhuǎn)移路徑；分析模塊，進行功率差分序列分割、功率片段的分類以及機床可靠性模型參數(shù)的計算；設(shè)置模塊，設(shè)置滑動時間窗和閾值。數(shù)據(jù)采集器與服務(wù)器之間可采用有線聯(lián)網(wǎng)、無線聯(lián)網(wǎng)和gprs聯(lián)網(wǎng)三種方式。服務(wù)器與分析模塊、知識庫模塊和設(shè)置模塊之間采用有線連接的方式。請結(jié)合圖2，以一臺數(shù)控車床為例，基于能耗特征的數(shù)控機床可靠性模型建模方法如下：s01、現(xiàn)場數(shù)據(jù)采集模塊采集機床的功率數(shù)據(jù)上傳至服務(wù)器，分析模塊從服務(wù)器提取功率數(shù)據(jù)計算功率差分序列：用p＝{pi,i＝1,2,…,n}表示功率數(shù)據(jù)，n表示功率采集點的數(shù)量，pi表示第i個功率采集點，功率差分序列用d＝{di,i＝1,2,…,n}表示，di＝pi+1-pi。s02、功率差分序列作為觀測值通過文獻“empiricalbayesselectionofwaveletthresholds.annalsofstatistics”(2005)提出的經(jīng)驗貝葉斯閾值法確定機床狀態(tài)轉(zhuǎn)移時的功率數(shù)據(jù)臨界點，從而分割得到基于機床狀態(tài)的功率片段。s03、知識庫模塊建立機床運行過程功率特征庫。根據(jù)文獻“multi-objectiveteaching–learning-basedoptimizationalgorithmforreducingcarbonemissionsandoperationtimeinturningoperations.engineeringoptimization”(2015)，將數(shù)控機床可分為待機、啟動、空載以及切削等四個狀態(tài)。機床可分為待機、啟動、空載以及切削等狀態(tài)。根據(jù)機床運行過程功率的特性，提取與機床不同運行狀態(tài)相關(guān)且隨著狀態(tài)的變化而變化的多個特征，形成功率特征庫。對每塊功率片段提取一組能表征其功率特性的特征庫，包括最大值(pmax)，最小值(pmin)，平均絕對偏差(pmad)，幾何平均(pgm)，三階自回歸系數(shù)(β1,β2,β3)等七個特征。該功率片段中共m個采集點，每個采集點用pi(i＝1,2,…,m)，特征的計算公式如下：pmax＝max(pi,i＝1,2,…,m)pmin＝min(pi,i＝1,2,…,m)pmad＝mediani(|pi-medianj(pj)|)m為功率片段中功率數(shù)據(jù)采集個數(shù)，pi表示第i個功率采集點，y是該功率片段的幾何平均，ω是截距，βt是回歸系數(shù)，是噪聲參數(shù)。s04、通過工序的加工順序，可得到其狀態(tài)轉(zhuǎn)移路徑。圖3給出了一個該機床加工一道工序時的功率隨時間變化曲線，其狀態(tài)轉(zhuǎn)移路徑為待機->啟動->空載->切削->空載。四個加工狀態(tài)分別用一個字符標(biāo)示，如表1所示。則圖3中的狀態(tài)轉(zhuǎn)移路徑可標(biāo)示為第一字符串r：“itaca”表1、加工狀態(tài)與字符對應(yīng)表狀態(tài)字符待機i啟動t空載a切削cs05、將所有功率片段選取出一定比例進行狀態(tài)標(biāo)識，訓(xùn)練cart決策樹，將訓(xùn)練后的決策樹用于功率片段的分類。圖4給出某車削過程的狀態(tài)識別結(jié)果。s06、將分類后的功率片段按照采集時間順序排列，用第二字符串cp標(biāo)示。s07、采用knuth-morris-pratt算法匹配字符串r和cp，cp中匹配的子字符串即為加工時的功率序列。將加工時的功率序列的結(jié)束時間減去起始時間可以得到加工周期。s08及s09、設(shè)置模塊，設(shè)置數(shù)控機床可靠性模型相關(guān)參數(shù)的滑動時間窗長度以及閾值a。從設(shè)置模塊中提取滑動時間窗，從時間窗的起始時間開始直至終止時間，如果與r匹配，則計數(shù)器數(shù)值加1，同時記錄下該子字符串的時長即為一個加工周期。如此，可以得到該時間窗內(nèi)加工周期數(shù)量(用n1表示)，以及所有加工周期時長τi(i＝1,2,…,n1)。計算該時間窗內(nèi)所有加工周期的算術(shù)平均，將其作為當(dāng)前工作日的加工周期。同理，滑動時間窗向后移動一個工作日，并可以得到下一個工作日的加工周期。計算工作時間和修復(fù)時間：給定一個閾值a，當(dāng)某正常工作時刻功率數(shù)據(jù)大于a，則認為機床處于工作狀態(tài)；當(dāng)功率數(shù)據(jù)小于a，則認為機床處于故障狀態(tài)。給定一個滑動時間窗，統(tǒng)計出該時間窗內(nèi)連續(xù)工作時間tup,i以及數(shù)量nup，還有故障時間tdown,i及數(shù)量ndown。計算該時間窗內(nèi)工作時間和故障時間的算術(shù)平均。同理，滑動時間窗向后移動一個工作日，并可以得到下一個工作日的tup，tdown。s10、通過以上步驟可得到該數(shù)控機床的可靠性模型相關(guān)參數(shù)如表2所示。從表中可見，在較小的時間維度內(nèi)，加工周期基本保持恒定，但是平均工作時間和平均故障時間則存在一定的波動。由此可見，本發(fā)明所敘述的工業(yè)車間數(shù)控機床可靠性模型建模方法對模型的相關(guān)參數(shù)持續(xù)的監(jiān)測和分析對工業(yè)車間生產(chǎn)線性能評估是有意義的。表2、數(shù)控機床可靠性模型相關(guān)參數(shù)相關(guān)參數(shù)第1天第2天第3天第4天第5天τ(s)7273727272tup(h)38.439.140.539.741.3tdown(h)4.84.34.95.24.8當(dāng)前第1頁12