【技术实现步骤摘要】
基于容差子关系粗糙集的数控机床健康状态预测方法
[0001]本专利技术涉及数控机床的数据挖掘领域，更具体地，涉及一种基于容差子关系粗糙集的数控机床健康状态预测方法
。
技术介绍
[0002]随着信息技术的高速发展，工业产业走向自动化进程，数控机床已经成为现代化工业中不可或缺的一部分
。
在工业生产中数控机床长期处于高负载的运行下，各项机械部件产生故障的概率极大，但这种复杂的机电产品很难在短时间内检修故障
。
数控机床的故障成为限制发展的一大因素，因此通过状态监测数据对数控机床健康状态进行评估进而制定维修计划保证机床的正常运行是至关重要的
。
[0003]然而现有的数控机床健康状态监测数据主要由各项传感器采集，而现实中面临复杂的机械生产环境，机械设备采集的数据常出现信号丢包
、
传递损失等情况，且采集的数据量十分庞大，现有数控机床健康状态评估方法大多基于完备数据，将高维数据放入机器学习或深度学习模型中分析机床健康状态，其中高维指标会严重影响计算时间与分析成本
。
[0004]因此，在保证分类精度的同时提高整体计算效率，筛选重要的机械部件指标进行数控机床健康状态预测是至关重要的
。
技术实现思路
[0005]本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种基于粗糙集的机床健康状态预测方法，用于解决现有的数控机床的预测技术成本高，效率低的问题
。
[0006]本专利技术采取的技术方案是：
【技术保护点】
【技术特征摘要】
1.
一种基于容差子关系粗糙集的数控机床健康状态预测方法，其特征在于，所述方法包括：
S1
：获取数控机床的运行数据，根据所述运行数据构建决策表；
S2
：基于所述决策表构建增量不完全粗糙集属性约简模型；
S3
：根据构建的决策表，将获取到的所述运行数据划分为若干等尺寸的运行数据子集；
S4
：选取任意一个所述运行状数据子集作为原始数据子集，计算所述原始数据子集的等价类集合；
S5
：将所述等价类集合输入所述增量不完全粗糙集属性约简模型获得划分状态，计算对应划分状态的约简属性集合；
S6
：对所述约简属性集合进行冗余检验，得到非冗余约简属性集合；
S7
：将剩余的所述运行数据子集依次添加至原始数据子集输入所述增量不完全粗糙集属性约简模型，重复执行步骤
S4
‑
S6
，得到最终非冗余约简属性集合，再将所述非冗余约简属性集合输入至分类器模型，训练得到数控机床健康状态预测模型；
S8
：使用训练好的数控机床健康状态预测模型根据数控机床的运行数据预测数控机床的健康状态
。2.
根据权利要求1所述的一种基于容差子关系粗糙集的数控机床健康状态预测方法，其特征在于，所述获取数控机床的运行数据，根据所述运行数据构建决策表，具体包括：获取数控机床的机械部件运行状态记录数据的集合作为样本集
U
，获取机械部件运行状态指标的集合作为属性集
C
，获取数控机床的健康状态等级作为条件集
D
，构建决策表
DT
＝
(U,C∪D)。3.
根据权利要求2所述的一种基于容差子关系粗糙集的数控机床健康状态预测方法，其特征在于，所述增量不完全粗糙集属性约简模型包括划分子关系：其特征在于，所述增量不完全粗糙集属性约简模型包括划分子关系：其中，
U
为机械部件运行状态记录数据的集合，
C
为机械部件运行状态指标的集合；
B
表示输入的集合参数，为机械部件运行状态指标集合的一个子集，
X
表示输入的需要划分的集合对象，
*
代表缺失值，
x
和
y
表示
X
中的一个元素，
a
表示
B
中的一个元素；经过第一阶段的划分得到第一阶段划分关系和各项状态：
X/TR1(B)
＝
(IND
，
value
，
member
，
|member|
，
ce
，
dec)
式中，
IND
表示第一阶段划分结果的样本集合，
value
表示第一阶段划分结果在条件
B
下的属性值，
member
为第一阶段划分结果的每个样本所包含的集合
X
的样本集合，
|member|
为
member
对应包含的样本数；
cer
代表第一阶段划分结果中每个样本所包含的集合
X
中的样本的健康状态等级是否一致，若一致则为1，若不一致则为
‑1；
dec
为对应包含的集合
X
的样本的健康状态等级值；其中，
Y
和
Z
分别表示第一阶段的划分结果的一个集合，分别表示第一阶段的划分结果的一个集合，
TR1(B)
和
TR2(B
，
Z)
分别为所述增量不完全粗糙集属性约简模型的第一阶段和第二阶段的划
分子关系，
X/TR1(B)
表示
X
在条件
B
下的第一阶段的子关系划分；“\”表示差集关系；经过第二阶段的划分得到第二阶段划分关系和各项状态：
Y/TR2(B)
＝
(tE
，
tDec
，
tCer)
式中，
tE
表示第二阶段划分结果样本的集合，
tCer
为包含第二阶段划分结果样本的集合时，该样本集合的样本与第一阶段划分结果的对应样本的健康状态等级的一致性，若一致则为1，若不一致则为
‑1；
tDec
为对应的第一阶段划分结果的样本的健康状态等级值
dec
；
Y/TR2(B)
表示
Y
在条件
B
下的第二阶段的子关系划分；经过所述增量不完全粗糙集属性约简模型的两个阶段子关系的划分，最终获得关系划分结果以及各项状态，表现为：
X/TR(B)
＝
(IND
，
value
，
member
，
|member|
，
cer
，
dec
；
tE
，
tDec
，
tCer)
；
X/TR(B)
表示在条件
B
下的两个阶段的关系划分
。4.
根据权利要求3所述的一种基于容差子关系粗糙集的数控机床健康状态预测方法，其特征在于，所述计算所述原始数据子集的等价类集合，具体包括：基于所述增量不完全粗糙集属性约简模型的划分子关系，计算所述原始数据子集中的每条所述机械部件运行状态记录数据在各项所述机械部件运行状态指标下的等价类集合，具体表现为：
U
t
＝
U/TR1(C)
＝
{e1，
e2，
...
，
e
n
}
式中，
e
n
为等价类集合，
U
t
为由等价类集合构成的等价类集合数据集，
U/TR1(C)
表示所述机械部件运行状态记录数据在所述机械部件运行状态指标下的第一阶段的子关系划分
。5.
根据权利要求4所述的一种基于容差子关系粗糙集的数控机床健康状态预测方法，其特征在于，所述将所述等价类集合输入所述增量不完全粗糙集属性约简模型获得划分状态，具体包括：将所述等价类集合数据集输入所述增量不完全粗糙集属性约简模型，对等价类集合数据集进行第一阶段和第二段的子关系的划分，其中：在第一阶段的划分中计算等价类集合在所述机械部件运行状态指标下的划分状态；在第二阶段的划分中计算第一阶段获得的划分状态下的容差等价类集合，计算所有容差等价类集合的最终划分状态
。6.
根据权利要求5所述的一种基于容差子关系粗糙集的数控机床健康状态预测方法，其特征在于，在所述将所述等价类集合输入所述增量不完全粗糙集属性约简模型之前，还包括对所述增量不完全粗糙集属性约简模型的划分子关系公式进行更新，具体更新如下：包括对所述增量不完全粗糙集属性约简模型的划分子关系公式进行更新，具体更新如下：包括对所述增量不完全粗糙集属性约简模型的划分子关系公式进行更新，具体更新如下：式中，
e,e
′
分别表示属于
U
t
的两个不相等的等价类集合，
Y
和
Z
分别表示第一阶段的划分结果的一个集合，
TR1(B,Z)
和
TR2(B,Z)
分别为所述增量不完全粗糙集属性约简模型的第一阶段和第二阶段的划分子关系；
基于更新后的划分子关系公式，所述第一阶段的划分具体包括：将
U
t
中的每个所述等价类集合使用所述第一阶段的划分子关系进行划分，表现为：式中，
C
为机械部件运行状态指标的集合，
TR1(B)
表示在条件
B
下的第一阶段划分状态，表示在条件
B
下的
e
的第一阶段划分状态；得到等价类集合在机械部件运行状态指标下的新等价类集合的划分：其中，
IND
e
为新等价集合中的样本集合名称，
value
e
为新等价集合中的样本在各机械部件运行状态指标下的属性值，
member
e
为新等价类集合的每个样本中所包含的等价类集合，
|member|
e
为对应包含的等价类集合中原数据集样本的数量；
cer
e
代表新等价类集合中每个样本所包含的等价类集合的健康状态等级是否一致，若一致则为1，不一致则为
‑1；
dec
e
为新等价类集合的每个样本健康状态等级值，若对应的
cer
e
为1，则
dec
e
为其中包含的等价类集合的健康状态等级值，若对应的
cer
e
为
‑1，则
dec
e
为空；所述第二阶段的划分具体包括：将新等价类集合中的每个样本使用第二阶段的划分子关系进行划分，表现为：式中，
TR2(B)
表示在条件
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。