一種基于時間參數的數控銑床能耗預測方法及系統與流程

本發明涉及數控銑床領域，具體來說，尤其涉及一種基于時間參數的數控銑床能耗預測方法及系統。

背景技術：

1、在機械制造過程中，人們常常將重點放在確保產品質量上，追求加工性能和工藝效果的優化，卻往往忽略了加工環節的能耗問題。然而，在當前追求節能減排和綠色制造的社會環境下，機床加工過程中的能源利用效率受到了廣泛關注。考慮到我國機械加工業以機床為核心，且加工量巨大，具有極大的節能改善空間，因此優化機床加工過程以減少能源消耗已成為機床節能技術研究的焦點；在此背景下，工件加工能耗的準確預測成為了解決能源消耗問題的關鍵環節，它對能耗定額制定、能效評估、能源管理以及機床節能措施的研究提供了重要的理論和實踐支持。

2、數控銑床（numerical?control?milling?machine）是一種高效率的自動化機床，通過編程控制工作臺和銑刀的運動，來加工具有復雜形狀的工件，數控銑床的應用范圍廣泛，包括汽車、航空、模具制造、機械加工等行業。隨著制造業對精度和效率要求的提高，數控銑床在現代制造中扮演著越來越重要的角色。

3、在現有技術中，數控銑床往往只關注單一層面的能耗分析，忽略了生產線層和機床層等多層次的綜合影響，導致能耗分析的不全面性，無法準確反映整個生產過程的能耗實際情況，傳統的能耗分析方法可能過度依賴專家經驗和主觀判斷，缺乏對實際生產數據的客觀分析和利用，這限制了能耗評估和優化的準確性，現有技術在處理具有非線性關系和復雜交互作用的數據時，往往效果不佳，難以捕捉和分析這些復雜數據之間的內在聯系，導致能耗預測的不準確，傳統的能耗預測模型往往設計固化，缺乏足夠的適應性和靈活性，難以適應多種的生產環境和數據情況，限制了模型的應用范圍和有效性，由于缺乏有效的數據收集和預處理機制，導致能耗分析和預測所依賴的數據往往存在準確性和實時性不足的問題。

4、針對相關技術中的問題，目前尚未提出有效的解決方案。

技術實現思路

1、為了克服以上問題，本發明旨在提出一種基于時間參數的數控銑床能耗預測方法及系統，目的在于解決現有技術在處理具有非線性關系和復雜交互作用的數據時，往往效果不佳，難以捕捉和分析這些復雜數據之間的內在聯系，導致能耗預測的不準確，傳統的能耗預測模型往往設計固化，缺乏足夠的適應性和靈活性，難以適應多種的生產環境和數據情況，限制了模型的應用范圍和有效性，由于缺乏有效的數據收集和預處理機制，導致能耗分析和預測所依賴的數據往往存在準確性和實時性不足的問題。

2、為此，本發明采用的具體技術方案如下：

3、根據本發明的一個方面，提供了一種基于時間參數的數控銑床能耗預測方法，該數控銑床能耗預測方法包括以下步驟：

4、s1、根據數控銑床的操作因素，劃分車間的區域，并在各區域內部劃分機床層、生產線層和設備類型層；

5、s2、根據生產運行因素，為機床層、生產線層和設備類型層分配權重；

6、s3、收集機床層、生產線層和設備類型層的時間參數數據，并提取與耗能指標相對應的數據點；

7、s4、結合機床層、生產線層和設備類型層的權重和數據點，構建能耗預測模型；

8、s5、將數控銑床在實際加工過程中的各項數據輸入能耗預測模型，預測總能耗和各工序能耗。

9、可選地，根據數控銑床的操作因素，劃分車間的區域，并在各區域內部劃分機床層、生產線層和設備類型層包括以下步驟：

10、s11、根據操作因素劃分車間的區域，劃分后的區域包括高精度加工區、普通加工區和重切削加工區，并收集劃分后的區域的生產運行因素；

11、s12、在各區域的內部，劃分為機床層、生產線層和設備類型層；

12、s13、識別機床層、生產線層和設備類型層的耗能指標；

13、s14、對識別的能耗指標進行標準化處理。

14、可選地，根據生產運行因素，為機床層、生產線層和設備類型層分配權重包括以下步驟：

15、s21、收集機床層、生產線層和設備類型層的耗能指標和生產運行因素，并轉成為特征向量；

16、s22、基于特征向量，利用樸素貝葉斯網絡分類器評估各耗能指標在各層級的影響程度；

17、s23、利用貝葉斯網絡回歸樹模型，結合條件獨立性假設和后驗概率最大化原則，計算各層級的權重；

18、s24、使用歷史能耗數據訓練貝葉斯網絡回歸樹模型，并對權重進行優化，通過交叉驗證方法驗證模型，調整權重分配。

19、可選地，基于特征向量，利用樸素貝葉斯網絡分類器評估各耗能指標在各層級的影響程度包括以下步驟：

20、s221、獲取特征向量，并根據耗能的影響程度，將特征向量標記為類別，類別作為預測的標簽；

21、s222、將特征向量及對應的標簽劃分為訓練集和測試集；

22、s223、使用訓練集數據訓練樸素貝葉斯網絡分類器，并使用測試集數據測試樸素貝葉斯網絡分類器的性能；

23、s224、使用訓練并測試過的樸素貝葉斯網絡分類器對新的特征向量進行預測，評估新特征向量的耗能影響程度類別。

24、可選地，利用貝葉斯網絡回歸樹模型，結合條件獨立性假設和后驗概率最大化原則，計算各層級的權重包括以下步驟：

25、s231、設計貝葉斯網絡的結構，確定節點之間的依賴關系，節點包括耗能指標和生產運行因素；

26、s232、利用各節點之間的條件概率分布學習網絡中的參數；

27、s233、將特征向量作為輸入數據，結合貝葉斯網絡中學習的參數，計算各個節點的條件概率；

28、s234、對于機床層、生產線層和設備類型層，利用回歸樹模型建模耗能指標對能耗的影響；

29、s235、基于回歸樹模型的輸出，結合后驗概率最大化原則，為各層級計算權重。

30、可選地，基于回歸樹模型的輸出，結合后驗概率最大化原則，為各層級計算權重包括以下步驟：

31、s2351、計算后驗概率；

32、s2352、利用從回歸樹模型得到的各層級的耗能影響預測值計算似然函數；

33、s2353、根據似然函數，對于各層級，使用后驗概率計算權重；

34、其中，后驗概率的計算公式為：

35、；

36、式中，表示后驗概率；

37、表示給定層級參數 θ下數據 x的似然函數；

38、表示層級參數 θ的先驗分布；

39、表示觀測數據的邊緣概率；

40、權重的計算公式為；

41、；

42、式中，表示后驗概率；

43、 θ′表示所有考慮的層級參數的集合；

44、表示特定層級參數 θ的權重；

45、表示在給定數據 x的條件下，某個參數 θ′的后驗概率。

46、可選地，結合機床層、生產線層和設備類型層的權重和數據點，構建能耗預測模型包括以下步驟：

47、s41、整合機床層、生產線層和設備類型層的時間參數數據及耗能指標相對應的數據點；

48、s42、選擇對能耗預測最具影響力的特征，并根據各層級的權重對特征進行加權；

49、s43、按氣象因子、時間因子和操作因子分組，計算組內局部相似度，綜合局部相似度，得到每個歷史數據點相對于預測點的總體相似度；

50、s44、根據總體相似度，設定閾值，當歷史數據點與預測點的相似度超過設定閾值時，將數據點選為訓練集；

51、s45、利用整合、預處理和加權后的數據集，使用梯度提升樹構建并訓練能耗預測模型；

52、s46、通過在測試集評估能耗預測模型的性能，并驗證預測能力。

53、可選地，選擇對能耗預測最具影響力的特征，并根據各層級的權重對特征進行加權包括以下步驟：

54、s421、基于整合的數據集，識別所有的特征，并篩選對能耗預測具有潛在影響力的特征；

55、s422、利用統計方法評估初步篩選出的特征的重要性，并根據特征重要性分析的結果，對特征進行排序；

56、s423、根據特征重要性排序，選擇對能耗預測最具影響力的特征；

57、s424、根據機床層、生產線層和設備類型層的權重，對選定的特征進行加權；

58、s425、將計算得到的權重應用到每個特征上，生成加權特征集。

59、可選地，按氣象因子、時間因子和操作因子分組，計算組內局部相似度，綜合局部相似度，得到每個歷史數據點相對于預測點的總體相似度包括以下步驟：

60、s431、根據加權特征集，將影響能耗的因素分為若干組，影響能耗的因素包括氣象因子、時間因子和操作因子；

61、s432、分別對氣象因子、時間因子和操作因子進行局部相似度計算；

62、s433、將各組內部計算得到的局部相似度進行綜合，得到每個歷史數據點相對于預測點的總體相似度。

63、根據本發明的另一個方面，還提供了一種基于時間參數的數控銑床能耗預測系統，該系統包括：層級劃分模塊、權重分配模塊、數據處理模塊、能耗預測模型構建模塊及能耗預測模塊；

64、層級劃分模塊通過權重分配模塊與數據處理模塊連接，數據處理模塊通過能耗預測模型構建模塊與能耗預測模塊連接；

65、層級劃分模塊，用于根據數控銑床的操作因素，劃分車間的區域，并在各區域內部劃分機床層、生產線層和設備類型層；

66、權重分配模塊，用于根據生產運行因素，為機床層、生產線層和設備類型層分配權重；

67、數據處理模塊，用于收集機床層、生產線層和設備類型層的時間參數數據，并提取與耗能指標相對應的數據點；

68、能耗預測模型構建模塊，用于結合機床層、生產線層和設備類型層的權重和數據點，構建能耗預測模型；

69、能耗預測模塊，用于將數控銑床在實際加工過程中的各項數據輸入能耗預測模型，預測總能耗和各工序能耗。

70、相較于現有技術，本技術具有以下有益效果：

71、1、本發明通過綜合考慮機床層、生產線層和設備類型層的耗能指標和生產運行因素，能夠更全面地反映能耗的實際情況，從而提高能耗分析的準確性和深度，基于數據的方法，通過收集和分析實際的生產數據，能夠更客觀地評估各層級對能耗的影響，減少主觀判斷的誤差，利用樸素貝葉斯網絡分類器和貝葉斯網絡回歸樹模型，在處理復雜的數據關系方面表現出色，能夠捕捉到數據中的非線性關系和交互作用，通過貝葉斯網絡回歸樹模型和后驗概率最大化原則計算權重，確保了權重分配的客觀性和科學性，為后續的能耗分析和優化提供了堅實的基礎。

72、2、本發明根據生產環境和數據情況進行調整，具有較強的適應性和靈活性，能夠適應多個生產場景和需求，通過權重分配結果，為后續的能耗預測、優化分析等提供了準確的基礎，有助于深入分析和制定有效的能耗管理策略；本發明確保了時間參數數據和耗能指標數據的全面覆蓋，通過從生產管理裝置和設備監控裝置等可靠的數據源收集數據，保證了數據的準確性和實時性，通過數據清洗、格式化和時間對齊等步驟，確保了數據的一致性和完整性。

73、3、本發明通過識別和加權對能耗預測具有影響力的特征，提高了模型的預測準確性和效率，通過計算氣象因子、時間因子和操作因子的局部相似度，并綜合成總體相似度，為選擇訓練集提供了科學的方法，使用梯度提升樹構建能耗預測模型，通過在測試集上評估模型性能，確保了模型具有良好的泛化能力，能夠準確預測實際生產環境中的能耗。

74、4、本發明通過實時收集數控銑床的運行數據，確保了能耗預測模型能夠基于最新和最準確的信息進行預測，提高了預測的時效性和準確性，不僅考慮了機床運行的基本參數，如速度和負載，還包括了切削參數和環境參數，綜合信息的考慮使得能耗預測更加準確和全面，不僅能預測整個加工過程的總能耗，還能細分到各個工序的能耗預測，為能耗管理提供了更細致的分析基礎，幫助識別各工序的能耗熱點，有利于針對性地實施能耗優化措施。