一种数控机床加工精度智能分析方法技术

本发明专利技术涉及一种数控机床加工精度智能分析方法，目的是克服背景技术的不足，有效提高对数控机床零件加工精度的预测能力和水平。技术方案是：一种数控机床加工精度智能分析方法，按以下步骤进行：(一)实时采集、显示、储存数据信息；(二)读取采集到的数据信息，导入到训练环境；(三)将导入的数据信息划分标签；(四)将数据信息标准化处理，并且划分训练集和测试集；(五)定义神经网络训练参数；(六)搭建深度神经网络；(七)开始模型的训练，经过不断训练循环得到最终的零件加工精度训练模型。训练循环得到最终的零件加工精度训练模型。训练循环得到最终的零件加工精度训练模型。

【技术实现步骤摘要】
一种数控机床加工精度智能分析方法


[0001]本专利技术属于数控机床大数据分析领域，具体是一种数控机床加工精度智能分析方法。

技术介绍

[0002]随着人工智能技术的迅速发展，人工智能技术在各个产业中应用的场景越来越丰富，对于数控机床高精度智能制造也有了强大的技术支持。进入新世纪以来，我国数控机床的规模和加工精度有了很大的提升，但相对于世界先进水平，存在不足，主要体现在智能化程度不够、加工精度测量实时性不足导致数据分析不够及时，这些均影响了数控机床的加工精度和加工效率的进一步提升。

技术实现思路

[0003]本专利技术的目的是克服上述
技术介绍
的不足，提供一种数控机床加工精度智能分析方法，该方法应能有效提高对数控机床零件加工精度的预测能力和水平。
[0004]本专利技术提供的技术方案是：一种数控机床加工精度智能分析方法，按以下步骤进行：
[0005](一)通过基于数控机床类型开发的数据采集软件将数控机床内部数据信息和外置传感器的数据信息实时采集、显示、储存到后台数据库中；
[0006](二)读取后台数据库中采集到的数控机床内部数据信息和外置传感器的数据信息，将其导入到训练环境中；
[0007](三)将导入的数据信息划分标签，前N列作为数据输入，最后一列精度等级为待预测精度标签(即输出)；
[0008](四)将数据信息在对数据进行减均值除方差的标准化处理，将数据划分训练集和测试集；
[0009](五)定义神经网络训练参数；
[0010](六)通过使用数据处理模块、优化器模块、数据初始化模块、网络搭建模块，数据读取后搭建深度神经网络；
[0011](七)开始模型的训练，每次训练进行前向传播、后向传播、更新参数、记录训练学习误差；最后经过不断训练循环得到最终的零件加工精度训练模型。
[0012]所述步骤(一)中的数据采集软件通过网线连接进行通讯读取数控机床内部信息，所述外置传感器通过信号输出端跟数控系统端的通讯接口连接，对数据进行实时读取和储存。
[0013]所述步骤(二)中的训练环境为jupyter软件中用来储存数据信息的文件夹。
[0014]所述步骤(四)中的数据划分，是将步骤(三)中的标签中的4/5随机划分为训练集，1/5 为测试集。
[0015]所述步骤(六)中的搭建步骤，是先将前五步得到的数据通过数据处理模块处理，
得到训练所需要的数据大小和类型，再由优化器模块采用随机梯度下降的方法进行优化，然后经过数据初始化模块改变每次训练的神经网络参数，最后调用网络搭建模块建立神经网络结构模型。
[0016]上述神经网络模型中还加入残差网络结构，以解决多层神经网络问题中因网络深度增加引起的梯度消失问题和退化问题。
[0017]所述步骤五中的神经网络参数设定如下：学习次数为1000次，学习率为0.001，每次学习数据大小为10组，早停参数为15。
[0018]与现有技术相比，本专利技术的有益效果是：
[0019]通过残差网络来实现深度学习网络的梯度消失问题，其次通过深度神经网络训练后得到的加工精度模型可以便于以后的加工过程的合理性分析和工艺的正确性分析；有效改善数控机床加工中智能化程度不够，加工精度测量实时性不够导致的数据分析不够及时的缺点，对后期改进加工工艺和加工参数来提高加工工件的精度和促进良好的加工循环和效率有较大的的益处。
附图说明
[0020]图1是本专利技术的流程示意图。
[0021]图2是本专利技术中的数据采集软件界面。
[0022]图3是本专利技术中的残差结构示意图。
[0023]图4是本专利技术中的部分Excel表格数据图。
[0024]图5是本专利技术中读取数据后的储存文件夹图。
[0025]图6是本专利技术中的数据输入输出划分图。
[0026]图7是本专利技术中的数据标准化处理、数据集划分图。
[0027]图8是本专利技术中的定义神经网络参数图。
[0028]图9是本专利技术中的使用模块搭建神经网络图。
[0029]图10是本专利技术中的开始模型训练图。
[0030]图11是本专利技术中的训练误差图。
[0031]图12是本专利技术中的数据处理模块代码图。
[0032]图13是本专利技术中的优化器模块代码图。
[0033]图14是本专利技术中的数据初始化模块代码图。
[0034]图15是本专利技术中的网络搭建模块代码图之一。
[0035]图16是本专利技术中的网络搭建模块代码图之二。
[0036]图17是本专利技术中的深度神经网络结构图。
[0037]图18是本专利技术中的模型训练流程图。
[0038]图19为第0次迭代训练和第71次迭代训练的预测值和实际值的对比图。
[0039]上述附图中，图4至图16均为软件显示界面截图。
具体实施方式
[0040]下面结合附图和实施例对本专利技术技术方案进行进一步的详细说明。
[0041]本专利技术提供的数控机床加工精度智能分析方法，具体是通过基于数控机床类型开
发的数据采集软件(已开发)(如附图2)来实现外置的传感器设备和数控机床自带的控制系统的信息和数据的实时采集、显示；再通过深度学习算法对采集到的数据进行数据处理、分析、训练模型来实现对数控机床数据信息的分析；从而实现对数控机床零件加工精度的预测。
[0042]上述数据采集、显示为数据采集软件在工控机上实现，通过与外置传感器的通讯协议和数控机床的网络通讯实现数据采集、显示。
[0043]上述数据处理具体包括了步骤2中的数据导入、步骤3中的数据输入输出划分以及步骤 4中的标准化处理和训练集及测试集划分。
[0044]该专利技术具体包括了以下步骤：
[0045]1、通过基于数控机床类型开发的数据采集软件将数控机床内部数据信息和外置传感器的数据信息实时采集、显示、储存到后台数据库中。
[0046]2、读取后台数据库中采集到的数控机床内部数据信息和外置传感器的数据信息，将其导入到训练环境中。
[0047]3、将导入的数据信息划分标签，前N列作为数据输入，最后一列精度等级为待预测精度标签(即输出)；其中N列取决模型输入的影响参数的多少，自行选取；
[0048]4、将数据信息在对数据进行减均值除方差的标准化处理，将数据划分训练集和测试集。
[0049]5、定义神经网络训练参数，如学习次数，学习率，每次学习的数据大小，早停参数(防止学习过度)，学习误差的记录等等。
[0050]6、通过使用数据处理模块(代码见附图12)、优化器模块(代码见附图13)、数据初始化模块(代码见附图14)、网络搭建模块(代码见附图15、16)、数据读取后搭建深度神经网络。
[0051]7、开始模型的训练，每次训练进行前向传播、后向传播、更新参数、记录训练学习误差；最后经过不断训练循环得到最终的零件加工精度训练模型。
[0052]上述神经网络模型中还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数控机床加工精度智能分析方法，按以下步骤进行：(一)通过基于数控机床类型开发的数据采集软件将数控机床内部数据信息和外置传感器的数据信息实时采集、显示、储存到后台数据库中；(二)读取后台数据库中采集到的数控机床内部数据信息和外置传感器的数据信息，将其导入到训练环境中；(三)将导入的数据信息划分标签，前N列作为数据输入，最后一列精度等级为待预测精度标签(即输出)；(四)将数据信息在对数据进行减均值除方差的标准化处理，将数据划分为训练集和测试集；(五)定义神经网络训练参数；(六)通过使用数据处理模块、优化器模块、数据初始化模块、网络搭建模块，数据读取后搭建深度神经网络；(七)开始模型的训练，每次训练进行前向传播、后向传播、更新参数、记录训练学习误差；最后经过不断训练循环得到最终的零件加工精度训练模型。2.根据权利要求1所述的数控机床加工精度智能分析方法，其特征在于：所述步骤(一)中的数据采集软件通过网线连接进行通讯读取数控机床内部信息，所述外置传感器通过信号输出端跟数控系统端的通讯接口连接，对数据进行实时读取和储存。3.根据权利要求2所述的数控机床加工精度智能分析方法，其特征在于：所述数据具体有环境温度...

【专利技术属性】
技术研发人员：陈刚，彭望，吴玮，赵海军，王元庆，
申请(专利权)人：杭州大天数控机床有限公司，
类型：发明
国别省市：