阅读说明：本技术 数据驱动的数控车削元动作能耗预测方法 (Data-driven numerical control turning element action energy consumption prediction method ) 是由 李聪波 尹誉先 肖溱鸽 赵希坤 龙云 潘建 孙鑫 胡曾明 于 2019-10-14 设计创作，主要内容包括：本发明公开了一种数据驱动的数控车削元动作能耗预测方法,包括以下步骤：分析数控车削加工过程元动作组成,分析数控车削元动作能耗特性,揭示不同时段元动作对机床能耗影响；利用传感器及工业物联网技术对数控车削元动作进行判断及获取,基于元动作数据对机床状态进行判断；基于高斯过程回归算法,利用数据驱动方式建立数控车削元动作能耗预测模型,运用多种评价指标对所生成的模型进行评价。(The invention discloses a data-driven numerical control turning element action energy consumption prediction method, which comprises the following steps: analyzing the element action composition in the process of numerical control turning, analyzing the energy consumption characteristic of the element action of numerical control turning, and revealing the influence of the element action in different time periods on the energy consumption of the machine tool; judging and acquiring numerical control turning element actions by using a sensor and an industrial Internet of things technology, and judging the state of a machine tool based on element action data; based on a Gaussian process regression algorithm, a numerical control turning element action energy consumption prediction model is established in a data driving mode, and various evaluation indexes are used for evaluating the generated model.)

数据驱动的数控车削元动作能耗预测方法

技术领域

本发明涉及机械切削加工领域，具体涉及数控车削加工能耗预测方法。

背景技术

机床作为制造业中的主要制造设备，其能量消耗大但效率低。并且机床作为一个复杂的机械加工制造系统，其能量特性组成复杂，精准预测其能耗比较困难。可靠的机床能耗模型可为不同加工条件或不同加工参数下的加工提供准确的能耗预测值，是解决机床能效问题的关键，为能量效率优化提供了基础。现有的有关能耗预测的研究，考虑的因素较少，往往是针对特定的加工操作、参数空间和刀具-工件材料组合进行研究，这限制了能耗预测方法的泛化性。故本方法从机床底层的基本动作出发，分析机床每一个动作的能耗机理，利用车间越来越多的加工过程数据，运用数据驱动的方式基于高斯过程回归建立数控车削能耗模型，提高能耗预测的精确性和泛化性。通过该方法可以更细致的得到机床在加工零件时，机床每一个动作消耗的能耗并获得更精准的零件加工能耗，为研究机床参数优化、工艺路线优化以及车间调度等提供更加精准的能耗模型。

发明内容

本发明提供一种数据驱动的数控车削元动作能耗预测方法，以获得更精准的能耗预测模型。

为实现本发明目的而采用的技术方案是这样的，即数据驱动的数控车削元动作能耗预测方法，其特征在于，包括以下步骤：

步骤1：分析数控车削加工过程元动作组成，分析数控车削元动作能耗特性，揭示不同时段元动作对机床能耗影响；

步骤2：利用传感器及工业物联网技术对数控车削元动作进行判断及获取，基于元动作数据对机床状态进行判断；

步骤3：基于高斯过程回归算法，利用数据驱动方式建立数控车削元动作能耗预测模型。

优选地，步骤1中所述数控车削加工过程元动作按照机床部件是否发生运动变化可分为机床元动作与广义元动作：

(1)机床元动作包括机床启停元动作、主轴旋转元动作、进给轴运转元动作、冷却液启停元动作、排屑启停元动作、刀具更换元动作、切削加工元动作，该部分元动作都是机床在加工过程中机床部件会发生运动变化。

(2)广义元动作包括工件材料变化元动作、加工直径变化元动作、工艺参数变化元动作，该部分元动作虽然不使机床发生直接的运动变化，但会影响整个加工过程的能量消耗。

数控车削加工过程元动作集合MA可表示为：

MA＝{MS,SR,AF,CF,CR,TC,C,MC,DC,PC}

式中，MS为机床启停元动作、SR为主轴旋转元动作、AF为进给轴运转元动作、CF为冷却液启停元动作、CR为排屑启停元动作、TC为刀具更换元动作、C为切削加工元动作，MC为工件材料变化元动作、DC为加工直径变化元动作、PC为工艺参数变化元动作。其中，数控车削元动作的具体分类及各元动作所拥有状态如图1所示。

优选地，步骤1中，数控车削元动作能耗特性及不同时段元动作对能耗的影响分析为：

将各种加工动作分为四个时段进行分析，故加工一个零件产生的能耗组成为：

E＝E_st+E_air+E_c+E_tc

其中，E_st为待机时段能耗，E_air为空切时段能耗，E_c为切削时段能耗，E_tc为换刀时段能耗。车床加工零件时的每一步加工动作均由元动作组成，各加工动作能耗也是由元动作产生的能耗组成，对不同时段的元动作组成和能耗分析，有利于建立更加精确合理的能耗模型。数控车削加工的切削动作与功率曲线如图2与图3所示。各时段元动作组成及能耗分析为：

(1)待机时段元动作组成及能耗分析

待机时段能耗E_st是机床开启后，车床维持正常运转的能耗，其能耗组成公式为：

式中，E_b为车床基础能耗，代表的为MS开启后产生的能耗，主要由车床的照明系统、显示器、数控系统、伺服系统、变频器等基础部件消耗的能量组成；P_b为车床基础功率；t_st为待机时长。CHEN通过统计十天的机床能耗发现机床基础部件消耗能量占比达21％左右，故E_b在加工过程中是一个不可忽视的组成部分。故待机时段能耗也可表示为：

E_st＝f(MS)

(2)空切时段元动作组成及能耗分析

空切时段能耗E_air是车床即将开始切削的空走刀时段车床各部件消耗的能量，其能耗组成公式为：

式中，E_sp为主轴旋转时克服摩擦力做的功，该部分功率P_sp与主轴电机损耗、主轴转速相关，即与MS、SR、PC相关。E_f是车床进给时所需克服X向与Y向摩擦力所做的功，将该部分的功率P_f表示为与进给电机损耗、进给速度、进给方向相关的函数，即该部分功率与MS、AF、PC相关。E_cf、E_cr为冷却泵电机、排屑电机所消耗的能量，该部分的功率P_cf、P_cr是比较恒定的，与车床所配置的各部分电机型号有关，即与MS、CF、CR相关。t_air为空切时长。

综上所述，该时段能耗与MS、SR、AF、CF、CR、PC相关，故空切时段能耗也可表示为：

E_air＝f(MS,SR,AF,CF,CR,PC)

(3)切削时段元动作组成及能耗分析

切削时段能耗E_c代表的是车床去除工件材料过程中所消耗的能量，其能耗组成公式为：

式中，E_m为材料去除能耗，E_ad为附加载荷能耗。E_m为机床去除工件材料所需的能耗，将材料去除功率P_m表示为P_m＝F_cv_c＝k_cMRR。其中F_c为切削力，v_c为切削速度，k_c为切削力系数，MRR为材料去除率(对于车削，其值等于切削速度v_c、进给率f与背吃刀量a_p的乘积)。MRR与切削参数相关，k_c与工件材料、刀具材料、刀具刀尖圆弧半径、刀具角度、冷却条件、切削方向等相关。E_ad为机床切削时切削力与扭矩的增加带来的载荷损耗，该部分的功率P_ad与P_m成近似二次关系，故可认为影响P_m的因素均会对P_ad产生影响。t_c为切削时间。故E_m与E_ad的影响因素包括MS、CF、TC、C、MC、DC、PC相关。

综上所述，E_c与MS、SR、AF、CF、CR、TC、C、MC、DC、PC相关，故切削时段能耗也可表示为：

E_c＝f(MS,SR,AF,CF,CR,TC,C,MC,DC,PC)

(4)换刀时段元动作组成及能耗分析

换刀时段能耗E_tc代表的车床刀具返回换刀点后旋转刀架实现自动换刀所消耗的能量，其能耗组成公式为：

式中，E_te与P_te为刀具更换所消耗的能量与功率，与换刀电机与转动的刀位数相关，即与MS、TC相关。t_tc为换刀时间。由能耗组成公式可得E_tc与MS、SR、CF、CR、TC、PC有关。故换刀时段能耗也可表示为：

E_c＝f(MS,SR,CF,CR,TC,PC)

优选地，步骤2中，利用传感器及工业物联网技术对数控车削元动作进行判断及获取的方法为：

通过与数控系统通讯，可得到机床刀具位置坐标(X轴坐标X_p，Z轴坐标Z_p)、工艺参数(主轴转速n、进给率f)、冷却液开启状态、排屑开启状态等数据，以FANUC系统为例，用FOCAS函数库中的函数读取系统内部数据，如cnc_acts()函数可读取机床主轴实时转速，cnc_absolute()函数可读取机床实时绝对坐标；通过外接功率传感器，可得到机床总功率P_total以及主传动系统功率P_sp；通过MES系统可获取加工任务信息，如工件材料等。并且通过提取MES系统中加工任务的开始时间与结束时间可以很大幅度的减小机床实时采集的数据的搜索范围，提高数据整合的效率。元动作获取流程如图5所示。通过采集和分析以上数据，可以实现车削加工元动作的获取，其步骤为：

(1)机床开启元动作MS，包括机床一开、机床二开等状态；当P_total＝0时，机床处于停机状态；当P_total>0时，机床处于开启状态。不同机床具有自己的编号，根据机床的编号可以判断每台机床的机床开启元动作状态；(2)主轴旋转元动作SR，包括静止与旋转两种状态，当n＝0时，SR处于静止状态；当n>0时，SR处于旋转状态；

(3)进给轴运转元动作AF，包括静止、X轴进给、Z轴进给和X-Z联动进给四种状态，当f＝0时，AF处于静止状态；当f>0、X_p发生变化、Z_p未变化时，AF处于X轴进给状态；当f>0、X_p未发生变化、Z_p发生变化时，AF处于Z轴进给状态；当f>0、X_p发生变化、Z_p发生变化时，AF处于X-Z联动进给状态；

(4)切削液启停元动作CF，包括关闭和开启两种状态，与数控系统通讯可直接得到CF状态；

(5)排屑启停元动作CR，包括关闭和开启两种状态，与数控系统通讯可直接得到CR状态；

(6)刀具更换元动作TC，包括更换至刀具一、更换至刀具二等状态，每把刀具在刀架上都有对应的刀具号，与数控系统通讯可得到机床当前使用刀具号，当读取的刀具号发生变化时即可判断TC状态；

(7)切削加工元动作C，包括未切削与切削两种状态，当P_total≠0，f≠0，n≠0，(P_sp-P_u)/P_u>C₀时，C处于切削状态；反之，C处于未切削状态。其中P_u为机床的空载功率，C₀根据切削用量一般取5％—10％，将主轴启动后的P_sp实时存入数组[P_sp]中,取平稳[P_sp]下的平均值作为P_u；

(8)工件材料变化元动作MC，包括材料一、材料二等状态，通过MES系统可直接得到加工工件材料信息；

(9)加工直径变化元动作DC，包括加工直径D的大小变换状态，刀具所处位置的X轴坐标X_p的值即为加工直径D的大小；

(10)工艺参数变化元动作PC，包括切削速度v_c变化、进给率f变化和背吃刀量a_p变化，切削速度v_c由公式v_c＝πnD计算得出；进给率f可与数控系统通信直接得到；背吃刀量a_p等于零件半径与第一次切削加工的加工半径的差值或两次切削加工的加工半径的差值。

优选地，步骤2中，基于元动作数据的机床状态判断，并确定建立模型输入元动作数据的方法为：

在机械加工过程中，机床能量特性并不是一成不变的，不同的运动状态都是由不同的元动作配合完成。通过将机床状态进行分类，并在不同状态下输入不同的元动作数据，可以减少模型所需的数据训练数，增加模型的精确性。基于切削过程元动作的状态，即可简单快速对机床的运行状态进行识别，其方法与流程如图6所示。

(1)待机状态判断

此状态下机床只维持最基本的运转。通过监控机床功率可实现待机状态的判断，当P_total>0时，MS状态处于开启状态，而SR、AF状态处于静止状态时，机床的运行状态处于待机状态。根据步骤1中的元动作能耗分析可得在该状态下需输入的变量为MS。

(2)空切状态判断

此状态下机床的进给系统启动和辅助系统开启并且机床未开始切削工件。当f>0时，AF处于某一轴进给的状态，而当P_total≠0，f≠0，n≠0，(P_sp-P_u)/P_u<C₀时，C处于未切削状态，机床的运行状态处于空切状态。根据步骤1中的元动作能耗分析可得在该状态下需输入的变量为{MS,SR,AF,CF,CR,DC,PC}。

(3)切削状态判断

此状态下机床切除工件的多余物料，所以该状态下除了包含空切时段的元动作，还增加了机床切削加工元动作。当P_total≠0，f≠0，n≠0，(P_sp-P_u)/P_u>C₀时，C处于切削状态，即判定机床处于切削状态。根据步骤1中的元动作能耗分析可得在该状态下需输入的变量为{MS,SR,AF,CF,CR,TC,C,MC,DC,PC}。

(4)换刀状态元动作

此状态下机床更换加工零件的刀具。通过读取机床当前使用刀具号，当TC发生刀具更换动作时，机床处于换刀状态。根据步骤1中的元动作能耗分析可得在该状态下需输入的变量为{MS,SR,CF,CR,TC,PC}。

优选地，步骤3中，基于高斯过程回归算法，利用数据驱动方式建立数控车削元动作能耗预测模型过程为：

高斯过程回归(Gaussian process regression,GPR)模型是基于贝叶斯理论和统计学理论发展起来的机器学习算法，对处理高维数、小样本、非线性等复杂问题具有很好的适应性，且泛化能力强，与神经网络、支持向量机相比，具有容易实现、超参数自适应获取、非参数推断灵活以及输出具有概率意义等优点。鉴于此，本文利用高斯过程回归算法，在不同的机床状态下输入对应的机床加工过程元动作状态进行训练。机床能耗高斯过程回归模型可表示为：

式中，E为受噪声影响的能耗观测值，y_i为受噪声影响的机床加工第i步功率观测值，t_i为第i步运行时间，x_i为第i步的元动作数据，f(x_i)为第i步功率理论值并服从高斯分布，

为第i步随机变量噪声，m为机床加工的运动步数。

运用多种评价指标对所生成的模型进行评价过程为：

为了了解每个单独的能耗预测模型在不可见的测试数据下的执行情况，使用k折交叉验证技术(k-fold cross validation)估计每个预测模型的误差。首先，将样本随机分为k个不相交的部分，其中一个部分作为训练数据集，剩余部分作为测试集用于验证模型的性能。然后，重复k次移动训练集和测试集，在每一次循环中计算性能指标，取k次评估的平均值来评价模型的预测效果。本文使用均方根误差(RMSE)、平均绝对值误差(MAE)、平均相对误差(MAPE)和可决系数(R²)作为评价指标，其计算公式为：

其中，M为样本数量，y_i为样本第i个能耗的观测值，为第i个能耗的预测值。RMSE、MAE、MAPE可以用来量化预测值与观测值的绝对误差，其值越小说明预测值与观测值越接近。R²用来评价模型的可靠度，其值的取值范围为[0,1]之间，值越接近1说明模型预测精度越高。

附图说明

图1数控车削加工过程元动作组成

图2数控车削加工过程

图3数控车削加工功率曲线

图4数据驱动的数控车削元动作能耗建模流程

图5元动作获取流程

图6基于元动作的状态判断及输入变量的确定

图7数据采集的硬件与软件平台

图8训练集与测试集的观测值与预测值对比图

图9标准化残差柱状图与散点图

图10工件的加工前后对比图

图11加工过程能耗观测值与预测值对比图

具体实施方式

下面结合附图和实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

本案例以重庆神工农业装备有限责任公司机加工车间为平台，以重庆大学自主研发的软硬件一体化的机床能效监控系统来获取机床实时功率数据以及机床数控系统内部数据，以重庆大学自主研发的机械加工制造车间能效优化提升支持系统获取加工任务信息。

功率的实时在线监测通过HC33C3型功率传感器实现，该设备分别在机床总电源处与主轴伺服系统处采集机床总功率和主传动系统功率(采集频率为4HZ)，智能终端通过Modbus通讯协议采集功率传感器数据，实现实时监控机床总功率以及主轴功率。数控系统内部数据通过与数控系统通讯获得，以FANUC系统为例，该方法使用PCMCIA网卡实现与NC系统的硬件连接，用FOCAS函数库中的函数读取系统内部数据。智能终端通过TCP/IP协议将生产过程数据实时传入服务器，工作人员可通过MES系统实时查看生产过程数据，也可利用MES系统将加工任务信息下达到每台机床的智能终端上。数据采集的硬件与软件平台如图7所示。选取车间的三台数控车床、三把常用刀具以及三种常用工件材料(45、Al、HT250)进行研究，具体如下：

表1机床类型及参数

表2刀具类型及参数

包括以下步骤：

在本次案例的三种数控机床在加工过程中均存在上述分析的十种元动作，故数控车削加工过程元动作集合MA可表示为：

MA＝{MS,SR,AF,CF,CR,TC,C,MC,DC,PC}

通过MES系统选取车间零件的加工任务信息，依托上述的软硬件，共收集到1000余条数据进行研究。首先对各条数据进行机床状态判断，在不同状态下选择相应的变量输入模型进行训练，具体方法如下：

(1)当MS状态处于开启状态，而SR、AF状态处于静止状态时，机床的运行状态处于待机状态，在该状态下需输入的变量为MS；

(2)当AF处于某一轴进给的状态，而C处于未切削状态时，机床的运行状态处于空切状态，在该状态下需输入的变量为{MS,SR,AF,CF,CR,DC,PC}；

(3)当C处于切削状态，即判定机床处于切削状态，在该状态下需输入的变量为{MS,SR,AF,CF,CR,TC,C,MC,DC,PC}；

(4)当TC发生刀具更换动作时，机床处于换刀状态，在该状态下需输入的变量为{MS,SR,CF,CR,TC,PC}。

在模型训练时使用交叉验证的方法对样本数据划分训练集

和测试集

并进行评价，本研究中与

数据量比例为4:1。

数据输入到高斯过程回归模型中训练，通过计算μ(x|D_q)和σ²(x|D_q)得到模型f(x)。响应面法(Response surface methodology,RSM)与人工神经网络(Artificial neural network,ANN)是两种最常用的建模方法，为验证GPR算法的效果，选取以上两种建模方法与GPR进行对比分析。RSM回归模型采用多元二次回归方程，通过最小二乘法求取方程系数，从而拟合出因素与响应值之间的函数关系；ANN由输入层、隐藏层和输出层构成，每一层都包含大量节点，每个节点都有相应的输出函数，各层节点相互联结传递信息，通过选择合适的隐藏层层数、节点数量、输出函数、各节点权重，即可得到输入输出的关系。各方法训练集与预测集评价指标结果如表3。

表3训练集与预测集评价指标结果

由表3可知，GPR的各项指标均优于RSM与ANN，表明GPR的模型预测效果最佳，其中RSM各项指标均为最差，说明其模型预测效果最差。并且GPR的MAPE均小于5％，R²均大于95％，可知该模型可以有效地预测数控车削加工能量消耗。所有算法训练集的评价指标均优于测试集。随机取一组训练集与测试集绘制观测值与预测值的对比图，为克服单位不同对分析结果产生的不合理影响，将能耗预测值进行归一化处理，并按预测值大小从小到大排列，训练集与测试集观测值与预测值对比如图8所示。

由上述观测值与预测值对比图中可以看出三种算法均能较好的对机床能耗进行预测，图中红线表示各回归算法的能耗预测值，蓝色点为能耗观测值。其他算法是通过拟合函数进行预测，而GPR通过获得每个值的概率分布进行预测，故GPR可以计算经验置信区间，图中灰色区域代表置信度为95％的能耗预测置信区间(μ(x|D_q)±1.96σ²(x|D_q))。由图可以直观的发现绝大部分蓝点均在灰色区域范围内，说明了绝大部分观测值均在能耗预测的95％置信范围内，体现了模型的有效性；部分置信区间出现较宽的现象，表明该处数据量较少，模型的知识经验不足。

为进一步研究三种回归算法的预测效果，取能耗数据样本中的测试集数据进行残差分析，标准化残差柱状图与散点图如图9所示。标准化残差柱状图表明，三种算法建立的模型的残差均具有服从具有正态分布的趋势，说明三种模型均为合理恰当的；标准化残差柱状图表明，三种算法建立的模型的标准化残差大部分均在(-2，2)区间内，说明了残差满足正态分布的要求。而在标准化残差柱状图与散点图中，GPR模型的残差更向0集中，也表明GPR算法建立的模型拟合精度要高于RSM与ANN所建立的模型。

利用理论建模方法，建立使用机床一、刀具一和材料一车削加工时的理论能耗模型。利用收集到的包含该工艺条件的数据进行模型评价，各评价值如表4所示。从表中可知，理论模型的各项评价指标均差于高斯模型。由于理论建模通过实验来拟合相关系数、实验的数据较少，建立的模型精度较低。并且由于机械加工过程是一个动态变化的过程，传统的机床能耗模型，机床的运动比较确定，在更改工艺条件后，需要修改大量的物理参数才可以使模型适应新的情况。而基于元动作的数据驱动能耗模型，可实时追踪机床动作状态与变化，实现机床能耗模型的动态预测，可预测加工任意工件或任意工序的能耗。

表4高斯模型与理论模型评价指标对比

图10为工件的加工前后对比图，工件的加工条件如表5。本研究将以以下两个工件的车削为例，通过智能终端实时获取两个工件加工过程中机床每一步动作的能耗值，并通过建立的数控车削能耗动态预测模型对两个工件加工过程每一步动作能耗进行预测。由于空切与快速进给时间较短，所产生能耗相比切削过程较小，故在绘制对比图时将该部分能耗进行合并处理，工件加工过程能耗观测值与预测值对比图如图11。

表5工件加工条件

由图中可以看出，前文所建立的数控车削能耗预测模型基本可以准确的预测机床每一步能耗。其中，图11的第二步能耗预测值与观测值差异较大，经分析，该步切削过程需要去除工件表面的氧化皮，切削氧化皮时切削功率会变大，导致该步的能耗增加；快速进给和空走刀状态下的能耗预测效果没有切削状态下的好，是由于快速进给和空走刀的时间短，数据波动较大。