一种基于电流信号的机加工设备时间稼动率计算方法技术

本发明专利技术提出了一种基于电流信号的机加工设备时间稼动率计算方法，该方法利用网关采集的低频电流信号数据，通过对数据的处理分析，结合与操作工人师傅的沟通，确定加工状态数量；通过等距分组、DBSCAN和基于规则的方法，选择初始化质心；采用KMeans、HMM或GMM聚类方法，识别不同的加工状态；在此基础上统计不同加工状态时长，计算时间稼动率。该模型可以在无需事先进行设备加工状态标注的情况下，较为准确地统计设备的时间稼动率，进而结合外部其他数据，计算设备综合效率(OEE)。计算设备综合效率(OEE)。计算设备综合效率(OEE)。

【技术实现步骤摘要】
一种基于电流信号的机加工设备时间稼动率计算方法


[0001]本专利技术涉及工业机床加工的
，特别是一种基于电流信号的机加工设备时间稼动率计算方法。

技术介绍

[0002]在离散制造领域，及时、准确地获取设备生产效率，对管理者制定生产计划、优化生产过程意义重大。但是大多数中小加工企业，工厂内生产环境复杂，存在以下问题：
[0003]1)普通设备无法实时获取设备加工状态数据。
[0004]2)数控设备虽然可以通过PLC数据输出加工状态，但是PLC受到不同设备及操作软件之间的差异的限制，需要大量的时间和成本；而且既使能采集到PLC数据，当信号指示“运行中”，也无法确定设备状态是处于实际运行状态还是处于待机状态，因此，无法详细识别加工条件。
[0005]在这种现状下，部分企业仍采用传统的手工统计方式，部分企业甚至缺乏设备效率的定期统计监控机制。
[0006]近年来，一些研究者尝试利用传感器采集设备数据，采用机器算法识别设备运行状态并进行稼动率的计算，文献(基于功率信息的机床稼动率智能检测与评估方法；《机械》2021年第5期第48卷)通过采集设备加工的功率信号，采用有监督的卷积神经网络算法进行加工状态识别，并在此基础上结合其他外部数据计算了设备的稼动率。要实现上述方法需要两个前提：1)必须获取有标注的训练数据，即针对某台设备对照采集的功率数据和现场观测实时加工状态，对数据进行标注；2)设备加工的零件稳定的批量生产。
[0007]但在很多中小企业中，要针对每台设备进行加工状态的标注需要较高成本，而且由于加工的多批量小批次特性，一台设备加工的工件类型也会经常变化，每次变化需要重新标注，很难实际应用起来。

技术实现思路

[0008]本专利技术的目的就是解决现有技术中的问题，基于机加工企业的生产实际需要，提出一种基于电流信号的机加工设备时间稼动率计算方法，通过构建机器学习模型识别物联网网关实时采集的设备电流数据对应的设备加工状态，并根据不同加工状态的时长计算设备的时间稼动率。
[0009]为实现上述目的，本专利技术提出了一种基于电流信号的机加工设备时间稼动率计算方法，包括以下阶段：
[0010]Step1.数据采集分析和初始化质心选择，包括以下步骤：
[0011]S11：数据采集及处理，首先对采集设备的实时电流信号数据，进行数据的清洗后，获得处理后的样本数据；
[0012]S12：设备加工状态数量的确定，通过对处理后的样本数据绘制可视化图形，基于分析确定设备加工状态数量N；
[0013]S13：初始化质心选择，通过等距分组获取频数排名前M的电流值作为质心，根据S12确定的设备加工状态数量N，合并或剔除多余的质心，并保留N个质心作为最终初始化质心；
[0014]Step2.训练模型，用于识别加工状态，包括以下步骤：
[0015]S21：采用聚类算法训练数据，初始化质心采用Step1所选择的初始化质心，聚类个数为初始化质心的个数，训练后产生的类别即为不同的工况；
[0016]Step3.统计不同状态时长，计算时间稼动率，包括以下步骤：
[0017]S31：遍历Step2聚类结果的label，计算各个运行状态持续的时间长度；
[0018]S32：统计加工、待机、停机状态的时长，并计算时间稼动率。
[0019]作为优选，步骤S11中通过网关采集数据采集设备的实时电流信号，所述电流信号包括时间戳、电流值。
[0020]作为优选，步骤S11中采集的实时电流信号为低频电流信号，采集频率为1S。
[0021]作为优选，步骤S11中的数据的清洗步骤为：先剔除不大于0的值和空值，之后对大于某一分位数的异常值统一填充成该分位数的值。
[0022]作为优选，步骤S13中先采用合并距离小于等于组距的值，用组中值替代，可能会先剔除一部分质心，如果此步操作后，剩余质心数量等于N，则此时的质心即为最终的初始化质心；采用DBSCAN，如果DBSCAN类别数大于等于剩余质心，则跳过DBSCAN的处理，否则的话，计算DBSCAN各个类别核心点均值与剩余质心距离，分别找到各个核心点均值距离最近的一个质心，剔除不能匹配的质心，如果此时质心数量等于N，则此时的质心即为最终的初始化质心；通过基于规则的方法合并最近的质心，保留N个质心作为最终初始化质心。
[0023]作为优选，步骤S21中，所述聚类算法包括KMeans、HMM、GMM算法。
[0024]作为优选，步骤S21中，通过初始值和设备电流时序图的观察选择算法，选择算法的原则为：任何一类工况与该类工况均值的距离小于与其他工况均值的距离，则采用KMeans模型就能得到较好的效果，根据多类型多台设备的分析经验，工况较为稳定的设备一般符合上述约束；否则的话，则采用HMM或GMM模型，这两个模型会根据工况识别结果选择效果更好的一个。
[0025]作为优选，步骤S31中计算各个运行状态持续的时间长度时，由于网关设备本身的限制或是设备断电问题，会导致数据丢失，我们在计算各个运行状态持续的时间长度时，针对可能存在的数据丢失情况做了如下处理：
[0026]a.如果是在同一个运行状态内数据丢失；连续丢失小于1分钟的，则不予处理(这种情况一般是由网络引起的，较少出现且由于时间太短一般不会影响时间稼动率的计算)；否则，如果同一运行状态内数据连续丢失超过1分钟，为了保证时间稼动率计算的准确性，数据丢失的时间段要丢掉；
[0027]b.如果是在不同运行状态之间的数据丢失，连续丢失小于1分钟的，则要将该时间段与前一运行状态拼到一起；否则，如果在两个运行状态之间数据连续丢失大于1分钟，由于本来就不会计算在某一个运行状态内，不处理丢失数据。
[0028]作为优选，步骤S32中采用按天统计加工、待机、停机状态的时长。
[0029]本专利技术基于采集的机床设备电机的低频时序电流信号(频率为1S)，采用KMeans或HMM或GMM聚类算法对电流信号分割，获取设备的加工、待机、停机时长，进而计算时间稼动
率。结合软件获取的实际加工数量、理论加工数量、产品合格率数据，最终可以进行设备综合效率(OEE)的统计。
[0030]本专利技术的有益效果：不同于现有技术中高频数据的采集需求，本模型对输入数据要求低：通过加装网关设备采集设备主轴电流信号，不需要对现有设备进行改造，采集成本低；由于数据采集频率要求只需1S一次，对采集能力要求低，从存储数据的角度看，存储数据的成本也更低。
[0031]本模型采用无监督的聚类算法，不需要事先进行设备加工状态的label标注，只需要通过可视化分析效果是否合理即可，在保证准确率的情况下，成本更低。
[0032]根据在不同工厂的实践经验，本模型的算法流程适用于多种类型的普通机床设备和数控机床设备。
[0033]本专利技术的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
[0034]图1是本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电流信号的机加工设备时间稼动率计算方法，其特征在于：包括以下阶段：Step1.数据采集分析和初始化质心选择，包括以下步骤：S11：数据采集及处理，首先采集设备的实时电流信号数据，进行数据的清洗后，获得处理后的样本数据；S12：设备加工状态数量的确定，通过对处理后的样本数据绘制可视化图形，基于分析确定设备加工状态数量N；S13：初始化质心选择，通过等距分组获取频数排名前M的电流值作为质心，根据S12确定的设备加工状态数量N，然后合并或剔除多余的质心，并保留N个质心作为最终初始化质心；Step2.训练模型，用于识别加工状态，包括以下步骤：S21：采用聚类算法训练数据，初始化质心采用Step1所选择的初始化质心，聚类个数为初始化质心的个数，训练后产生的类别即为不同的工况；Step3.统计不同状态时长，计算时间稼动率，包括以下步骤：S31：遍历Step2聚类结果的label，计算各个运行状态持续的时间长度；S32：统计加工、待机、停机状态的时长，并计算时间稼动率。2.如权利要求1所述的一种基于电流信号的机加工设备时间稼动率计算方法，其特征在于：步骤S11中通过网关采集数据采集设备的实时电流信号，所述电流信号包括时间戳、电流值。3.如权利要求2所述的一种基于电流信号的机加工设备时间稼动率计算方法，其特征在于：步骤S11中采集的实时电流信号为低频电流信号，采集频率为1S。4.如权利要求1所述的一种基于电流信号的机加工设备时间稼动率计算方法，其特征在于：步骤S11中的数据的清洗步骤为：先剔除不大于0的值和空值，之后对大于某一分位数的异常值统一填充成该分位数的值。...

【专利技术属性】
技术研发人员：刘兆娜，余福荣，
申请(专利权)人：杭州玖欣物联科技有限公司，
类型：发明
国别省市：