CN114942066A - 电主轴误差间接预测方法及装置 - Google Patents

电主轴误差间接预测方法及装置 Download PDF

Info

Publication number
CN114942066A
CN114942066A CN202210588183.8A CN202210588183A CN114942066A CN 114942066 A CN114942066 A CN 114942066A CN 202210588183 A CN202210588183 A CN 202210588183A CN 114942066 A CN114942066 A CN 114942066A
Authority
CN
China
Prior art keywords
electric spindle
error
prediction model
spindle error
electric
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210588183.8A
Other languages
English (en)
Other versions
CN114942066B (zh
Inventor
于广
***
梁建红
吴军
王冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202210588183.8A priority Critical patent/CN114942066B/zh
Publication of CN114942066A publication Critical patent/CN114942066A/zh
Application granted granted Critical
Publication of CN114942066B publication Critical patent/CN114942066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请涉及机械加工技术领域，特别涉及一种电主轴误差间接预测方法及装置，其中，方法包括：采集电主轴的振动数据；对振动数据进行处理，获取电主轴的当前振动信号；将当前振动信号输入至预先训练的电主轴误差预测模型，预测电主轴的实际电主轴误差，其中，电主轴误差预测模型由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成数据集训练得到。由此，解决了相关技术中对安装精度要求严苛，尤其是测量电主误差需安装精密球/棒从而占据加工刀具位置，致使需要停机进行离线测量电主轴误差，进而无法实现电主轴误差在线实时监测、预测，现有的成熟方法实用性较差，同时影响工作效率。

Description

电主轴误差间接预测方法及装置
技术领域
本申请涉及机械加工技术领域，特别涉及一种电主轴误差间接预测方法及装置。
背景技术
相关技术中，现有电主轴的误差测量设备主要为国外产品为主，如美国雄狮误差测量仪，主要采用停机离线的方式测量电主轴误差，通过在被测电主轴刀具处安装高精密球/棒作为测量基准，从而满足高精度测量，进而减小因电主轴的误差对加工产品品质带来的影响。
然而，相关技术中，通过在被测电主轴刀具处安装高精密球/棒作为测量基准来满足高精度测量，导致对安装精度要求严苛，尤其是测量电主误差需安装精密球/棒从而占据加工刀具位置，从而无法完成正常的加工作业，致使需要停机进行离线测量电主轴误差，进而无法实现电主轴误差在线实时监测、预测，现有的成熟方法实用性较差，同时影响工作效率，亟待解决。
发明内容
本申请提供一种电主轴误差间接预测方法及装置，以解决相关技术中对安装精度要求严苛，尤其是测量电主误差需安装精密球/棒从而占据加工刀具位置，致使需要停机进行离线测量电主轴误差，进而无法实现电主轴误差在线实时监测、预测，现有的成熟方法实用性较差，同时影响工作效率。
本申请第一方面实施例提供一种电主轴误差间接预测方法，包括以下步骤：采集电主轴的振动数据；对所述振动数据进行处理，获取所述电主轴的当前振动信号；将所述当前振动信号输入至预先训练的电主轴误差预测模型，预测所述电主轴的实际电主轴误差，其中，所述电主轴误差预测模型由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到。
可选地，在本申请的一个实施例中，在将所述当前振动信号输入至所述预先训练的电主轴误差预测模型之前，还包括：采集所述多个样本的振动信号与电主轴误差，生成所述数据集；搭建一维时间卷积网络，并利用所述数据集的训练集训练所述一维时间卷积网络，生成所述电主轴误差预测模型。
可选地，在本申请的一个实施例中，在生成所述数据集之后，还包括：基于误差分布和出现次数的比例关系，将所述数据集中的振动信号和电主轴的误差进行预处理，生成样本序列与电主轴误差之间的对应关系。
可选地，在本申请的一个实施例中，在生成所述电主轴误差预测模型之后，还包括：利用所述数据集的测试集获取由所述电主轴误差预测模型预测的电主轴误差值和实际误差值相同数量与总预测误差值数量的比值；根据所述比值生成所述电主轴在各转速条件下的混沌矩阵，得到所述电主轴误差预测模型的实际预测性能。
本申请第二方面实施例提供一种电主轴误差间接预测装置，包括：采集模块，用于采集电主轴的振动数据；第一获取模块，用于对所述振动数据进行处理，获取所述电主轴的当前振动信号；第一预测模块，用于将所述当前振动信号输入至预先训练的电主轴误差预测模型，预测所述电主轴的实际电主轴误差，其中，所述电主轴误差预测模型由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到。
可选地，在本申请的一个实施例中，本申请实施例的装置还包括：生成模块，用于在将所述当前振动信号输入至所述预先训练的电主轴误差预测模型之前，采集所述多个样本的振动信号与电主轴误差，生成所述数据集；训练模块，用于在将所述当前振动信号输入至所述预先训练的电主轴误差预测模型之前，搭建一维时间卷积网络，并利用所述数据集的训练集训练所述一维时间卷积网络，生成所述电主轴误差预测模型。
可选地，在本申请的一个实施例中，本申请实施例的装置还包括：预处理模块，用于在生成所述数据集之后，基于误差分布和出现次数的比例关系，将所述数据集中的振动信号和电主轴的误差进行预处理，生成样本序列与电主轴误差之间的对应关系。
可选地，在本申请的一个实施例中，本申请实施例的装置还包括：第二获取模块，用于在生成所述电主轴误差预测模型之后，利用所述数据集的测试集获取由所述电主轴误差预测模型预测的电主轴误差值和实际误差值相同数量与总预测误差值数量的比值；第二预测模块，用于在生成所述电主轴误差预测模型之后，根据所述比值生成所述电主轴在各转速条件下的混沌矩阵，得到所述电主轴误差预测模型的实际预测性能。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的电主轴误差间接预测方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的电主轴误差间接预测方法。
本申请实施例可以将当前振动信号输入至预先训练的由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到的电主轴误差预测模型，从而预测电主轴的实际电主轴误差，实现电主轴误差在线实时监测、预测的目的，有效提升预测的实用性，并且保证了工作效率，进而满足了电主轴误差预测的使用需求。由此，解决了相关技术中对安装精度要求严苛，尤其是测量电主误差需安装精密球/棒从而占据加工刀具位置，致使需要停机进行离线测量电主轴误差，进而无法实现电主轴误差在线实时监测、预测，现有的成熟方法实用性较差，同时影响工作效率的技术问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种电主轴误差间接预测方法的流程图；
图2为本申请一个具体实施例的基于1D-TCN(1D Temporary ConventionalNetwork，一维时间卷积网络)的电主轴误差预测方法的流程图；
图3为本申请一个具体实施例的4种转速下电主轴误差分布的示意图；
图4为本申请一个具体实施例的4种转速下振动信号与电主轴误差对应的示意图；
图5为本申请一个具体实施例的网络架构的示意图；
图6为本申请一个具体实施例的4种转速下训练过程的示意图；
图7为本申请一个具体实施例的4种转速下混沌矩阵分布的示意图；
图8为根据本申请实施例的电主轴误差间接预测装置的结构示意图；
图9为根据本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的电主轴误差间接预测方法及装置。针对上述背景技术中心提到的相关技术中对安装精度要求严苛，尤其是测量电主误差需安装精密球/棒从而占据加工刀具位置，致使需要停机进行离线测量电主轴误差，进而无法实现电主轴误差在线实时监测、预测，现有的成熟方法实用性较差，同时影响工作效率的问题，本申请提供了一种电主轴误差间接预测方法，在该方法中，本申请实施例可以将当前振动信号输入至预先训练的由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到的电主轴误差预测模型，从而预测电主轴的实际电主轴误差，实现电主轴误差在线实时监测、预测的目的，有效提升预测的实用性，并且保证了工作效率，进而满足了电主轴误差预测的使用需求。由此，解决了相关技术中对安装精度要求严苛，尤其是测量电主误差需安装精密球/棒从而占据加工刀具位置，致使需要停机进行离线测量电主轴误差，进而无法实现电主轴误差在线实时监测、预测，现有的成熟方法实用性较差，同时影响工作效率的技术问题。
具体而言，图1为本申请实施例所提供的一种电主轴误差间接预测方法的流程示意图。
如图1所示，该电主轴误差间接预测方法包括以下步骤：
在步骤S101中，采集电主轴的振动数据。
可以理解的是，本申请实施例可以基于易采集的振动信号实现电主轴误差预测，首先可以采集电主轴的振动数据，例如，采集电主轴的振动信号以及对应的电主轴误差，从而为电主轴提供误差预测需求的振动信号。
在步骤S102中，对振动数据进行处理，获取电主轴的当前振动信号。
在实际执行过程中，本申请实施例可以对电主轴的振动数据进行处理，从而获取电主轴的当前振动信号，其可以收集一定样本的振动信号以及对应的电主轴误差，为保证预测网络样本具有更宽广误差范围，可以收集具有一定时间跨度的样本，且保证该跨度时间内，电主轴误差会有一定波动变化，从而有效的提升了误差预测的精确性。
在步骤S103中，将当前振动信号输入至预先训练的电主轴误差预测模型，预测电主轴的实际电主轴误差，其中，电主轴误差预测模型由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到。
可以理解的是，本申请实施例可以在在线应用阶段，将电主轴的当前振动信号输入至预先训练的电主轴误差预测模型，从而实现对已有样本的训练，且成功获得网络参数，并利用这些网络参数对测试样本进行预测，进而预测电主轴的实际电主轴误差，其中，电主轴误差预测模型由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到，相对于传统卷积网络，一维时间卷积网络更能实现对时间序列之间的关联特性的学习，从而通过易安装、易采集的振动信号，并由振动信号到电主轴误差的间接映射关系，进而实现电主轴误差在线实时监测、预测的目的。
进一步地，在本申请的一个实施例中，在将当前振动信号输入至预先训练的电主轴误差预测模型之前，还包括：采集多个样本的振动信号与电主轴误差，生成数据集；搭建一维时间卷积网络，并利用数据集的训练集训练一维时间卷积网络，生成电主轴误差预测模型。
作为一种可能实现的方式，在离线训练阶段，本申请实施例可以收集多个样本的振动信号以及对应的电主轴误差，为保证预测网络样本具有更宽广误差范围，可以收集具有一定时间跨度的样本，且保证该跨度时间内，电主轴误差会有一定波动变化，并生成数据集，进而通过搭建1D-TCN及网络训练，并利用数据集的训练集训练一维时间卷积网络，生成电主轴误差预测模型，从而通过易安装、易采集的振动信号，实现由振动信号到电主轴误差的间接映射关系，有效的完成电主轴误差在线实时监测。
进一步地，在本申请的一个实施例中，在生成数据集之后，还包括：基于误差分布和出现次数的比例关系，将数据集中的振动信号和电主轴的误差进行预处理，生成样本序列与电主轴误差之间的对应关系。
在实际执行过程中，本申请实施例在生成数据集之后，由于电主轴按照1um间隔可满足实际工程应用需求，因此对误差数据预处理为1um为间隔区间化，并将电主轴误差值进行统计分类，按照误差分布，可以将数据集中的振动信号和电主轴的误差值按照出现次数的比例关系进行数据样本的预处理，从而实现样本序列与电主轴误差形成对应关系，从而提升误差预测的效率，有效的提升了预测的实用性。
进一步地，在本申请的一个实施例中，在生成电主轴误差预测模型之后，还包括：利用数据集的测试集获取由电主轴误差预测模型预测的电主轴误差值和实际误差值相同数量与总预测误差值数量的比值；根据比值生成电主轴在各转速条件下的混沌矩阵，得到电主轴误差预测模型的实际预测性能。
作为一种可能实现的方式，本申请实施例可以通过已有的样本训练获得网络参数，并利用这些网络参数对测试样本进行预测，从而计算电主轴误差预测模型预测的电主轴误差值与实际误差值相同数量与总预测误差值数量之比，并将测试结果进行统计，绘制各转速条件下的混沌矩阵，从而得到电主轴误差预测模型的实际预测性能，虽然各转速条件下，电主轴误差预测都存在不同程度偏差情况，但预测正确次数相对较多，从而有效的提升了误差预测的精确性，因此，本申请实施例有效的实现电主轴误差在线实时监测、预测，提升了电主轴误差检测的实用性。
如图2所示，下面以一个具体实施例对本申请实施例的工作原理进行详细赘述。
步骤S201：数据采集。
本申请实施例可以基于易采集的振动信号实现到电主轴误差预测，首先可以收集一定样本的振动信号以及对应的电主轴误差，另外，为保证预测网络样本具有更宽广误差范围，可以收集具有一定时间跨度的样本，且保证该跨度时间内，电主轴误差会有一定波动变化。
举例而言，本申请实施例使用100天的振动信号及对应电主轴误差数据，其中电主轴每天完成10小时磨损，电主轴振动信号来源于电主轴前轴承位置处Z轴方向，采样率12KSa，分辨率为24bit，电主轴误差值通过美国Lion公司主轴采集仪的SCI软件直接读取获得，获取该值的过程采集振动信号150000个点。
因此，单一电主轴误差值对应15000个振动序列点，设定采集振动信号为Xn，n代表采集的第n天，那么，按照每次采集150000个序列点计算，则Xn＝{xn1,xn2,...,xn150000}，设定读取电主轴误差值为Yn，其中n值与振动信号的采集第n天所对应，且n＝1,2,...,100，鉴于转速对预测结果的影响，本申请实施例采集4种转速(1000RPM，2000RPM，3000RPM和4000RPM)下的样本集用于方法验证。
步骤S202：数据预处理。
如图3所示，步骤S201原始采集样本集为4组，每组可表示为
Figure BDA0003663978740000061
S实际为单一Yn值对应150000个Xn序列点，不便于本申请实施例直接处理，另外，SCI读取数字最小分辨率为0.01um，高分辨率不便于预测方法的实现，鉴于电主轴按照1um间隔可满足实际工程应用需要，本申请实施例对误差数据预处理为1um为间隔区间化，从而将电主轴误差值进行统计分类。
如图4所示，为其中一个样本特征可构建4种转速下振动信号与电主轴误差对应图，本申请实施例按照误差分布，可以将振动信号和电主轴误差值按照出现次数的比例关系进行数据样本的预处理，实现样本序列与电主轴误差形成对应关系，并将电主轴按照由小到大进行整理，同时对电主轴误差进行相同值插补。
为便于后续网络处理，防止输入样本过长，出现网络过拟合问题，本申请实施例预处理获得样本数为3000＝3*100，其中3代表类似如上图特征数3个，100代表天数。
步骤S203：1D-TCN方法搭建及网络训练。
1D代表输入样本序列为一维序列信号，TCN为时间卷积网络，相对于传统卷积网络，TCN更能实现对时间序列之间的关联特性的学习，TCN网络通常包含多个RB(ResidualBlock，残差块)。
如图5所示，本申请实施例采用4个RB串联方式，其中每RB包括两组具有相同扩张因子的1DCL(1D Convolution Layer，1D扩张因果卷积层)，然后是NL(NormalizationLayer，归一化层)，ReLU(Rectified Linear Unit，激活函数)激活层和DL(Dropout Layer，Dropout层)，4个RB直接通过AL(Addition Layer，叠加层)连接，最后对应FCL(FullyConnect Layer，全连接层)，SL(Softmax Layer，软最值判定层)和CL(ClassificationLayer，分类输出层)，网络架构中还包含IL(Input Layer，输入层)。
具体地，如图5所示，本申请实施例方法总共包括4个RB模块，各个模块通过AL连接，根据TCN网络特点，每个RB模块的1DCL具有相同网络参数，对应RB1～RB4的1DCL网络参数为(5，64，1)，(5，64，2)，(5，64，4)和(5，64，8)，其中3个参数分别代表为FS(Filter Size,滤波器大小)，nF(num Filters,滤波器数量)以及DF(Dilation Factor,膨胀系数)，对于RB1旁路1DCL参数设定为(1，64，1)，Dropout因子为0.005，最大迭代次数为5000次，minibatch＝1，训练解析器设定为ADAM(Adaptive Moment estimation，自适应矩阵估计)，本申请实施例在验证算法过程中，设定训练样本与测试样本的比例关系为120000：30000，整个样本集关系为100X(120000：30000)，100代表100采集样本为100天。
如图6所示，通过步骤S201和步骤S202以及所设定方法网络参数，分别对转速1000，2000，3000和4000时进行训练，获得训练迭代次数与训练精度和损失值之间关系图，并按照训练过程图都是按照迭代5次取一次精度值和损失值。
如图所示，本申请实施例在任何转速下通过相同网络架构，相同的网络训练参数，最终都实现训练精度在逐步提升，损失值在逐步的缩小，从而本申请实施例方法能够有效的对训练样本特征学习。
步骤S204：网络预测及性能评估。
通过步骤S203对已有样本的训练，成功获得网络参数，并利用这些网络参数对测试样本进行预测，计算预测主轴误差值与实际误差值相同数量与总预测误差值数量之比，其计算公式为：
Figure BDA0003663978740000071
其中，Yp代表预测电主轴误差值，Yr代表真实的电主轴误差值，num(Yp＝＝Yr)代表真实误差值和预测值相同的数量，num(Yt)代表测试样本集的总数量。
如图7所示，本申请实施例在4种不同转速条件下，对应电主轴误差预测精度分别为98.71％，91.11％，90.69％和95.94％，将测试结果进行统计，绘制各转速条件下的混沌矩阵，混沌矩阵横坐标表示预测电主轴误差值，纵坐标代表真实电主轴误差值，混沌矩阵图中斜对角线上的数字，代表真实误差值与预测误差值相同的个数，其他坐标对应值为预测出现偏差的次数。
如图7所示，为各转速条件下的混沌矩阵，本申请实施例在各转速条件下，电主轴误差预测都存在不同程度偏差情况，然而对角线上预测正确次数相对较多，因此，本申请实施例方法对电主轴误差预测的有效性。
根据本申请实施例提出的电主轴误差间接预测方法，可以将当前振动信号输入至预先训练的由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到的电主轴误差预测模型，从而预测电主轴的实际电主轴误差，实现电主轴误差在线实时监测、预测的目的，有效提升预测的实用性，并且保证了工作效率，进而满足了电主轴误差预测的使用需求。
其次参照附图描述根据本申请实施例提出的电主轴误差间接预测装置。
图8是本申请实施例的电主轴误差间接预测装置的方框示意图。
如图8所示，该电主轴误差间接预测装置10包括：采集模块100、第一获取模块200和第一预测模块300。
具体地，采集模块100，用于采集电主轴的振动数据。
第一获取模块200，用于对振动数据进行处理，获取电主轴的当前振动信号。
第一预测模块300，用于将当前振动信号输入至预先训练的电主轴误差预测模型，预测电主轴的实际电主轴误差，其中，电主轴误差预测模型由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到。
可选地，在本申请的一个实施例中，本申请实施例的装置10还包括：生成模块和训练模块。
其中，生成模块，用于在将当前振动信号输入至预先训练的电主轴误差预测模型之前，采集多个样本的振动信号与电主轴误差，生成数据集。
训练模块，用于在将当前振动信号输入至预先训练的电主轴误差预测模型之前，搭建一维时间卷积网络，并利用数据集的训练集训练一维时间卷积网络，生成电主轴误差预测模型。
可选地，在本申请的一个实施例中，本申请实施例的装置10还包括：预处理模块。
其中，预处理模块，用于在生成数据集之后，基于误差分布和出现次数的比例关系，将数据集中的振动信号和电主轴的误差进行预处理，生成样本序列与电主轴误差之间的对应关系。
可选地，在本申请的一个实施例中，本申请实施例的装置10还包括：第二获取模块和第二预测模块。
其中，第二获取模块，用于在生成电主轴误差预测模型之后，利用数据集的测试集获取由电主轴误差预测模型预测的电主轴误差值和实际误差值相同数量与总预测误差值数量的比值。
第二预测模块，用于在生成电主轴误差预测模型之后，根据比值生成电主轴在各转速条件下的混沌矩阵，得到电主轴误差预测模型的实际预测性能。
需要说明的是，前述对电主轴误差间接预测方法实施例的解释说明也适用于该实施例的电主轴误差间接预测装置，此处不再赘述。
根据本申请实施例提出的电主轴误差间接预测装置，可以将当前振动信号输入至预先训练的由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到的电主轴误差预测模型，从而预测电主轴的实际电主轴误差，实现电主轴误差在线实时监测、预测的目的，有效提升预测的实用性，并且保证了工作效率，进而满足了电主轴误差预测的使用需求。
图9为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序。
处理器902执行程序时实现上述实施例中提供的电主轴误差间接预测方法。
进一步地，电子设备还包括：
通信接口903，用于存储器901和处理器902之间的通信。
存储器901，用于存放可在处理器902上运行的计算机程序。
存储器901可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器901、处理器902和通信接口903独立实现，则通信接口903、存储器901和处理器902可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器901、处理器902及通信接口903，集成在一块芯片上实现，则存储器901、处理器902及通信接口903可以通过内部接口完成相互间的通信。
处理器902可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的电主轴误差间接预测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种电主轴误差间接预测方法，其特征在于，包括以下步骤：
采集电主轴的振动数据；
对所述振动数据进行处理，获取所述电主轴的当前振动信号；以及
将所述当前振动信号输入至预先训练的电主轴误差预测模型，预测所述电主轴的实际电主轴误差，其中，所述电主轴误差预测模型由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到。
2.根据权利要求1所述的方法，其特征在于，在将所述当前振动信号输入至所述预先训练的电主轴误差预测模型之前，还包括：
采集所述多个样本的振动信号与电主轴误差，生成所述数据集；
搭建一维时间卷积网络，并利用所述数据集的训练集训练所述一维时间卷积网络，生成所述电主轴误差预测模型。
3.根据权利要求2所述的方法，其特征在于，在生成所述数据集之后，还包括：
基于误差分布和出现次数的比例关系，将所述数据集中的振动信号和电主轴的误差进行预处理，生成样本序列与电主轴误差之间的对应关系。
4.根据权利要求2或3所述的方法，其特征在于，在生成所述电主轴误差预测模型之后，还包括：
利用所述数据集的测试集获取由所述电主轴误差预测模型预测的电主轴误差值和实际误差值相同数量与总预测误差值数量的比值；
根据所述比值生成所述电主轴在各转速条件下的混沌矩阵，得到所述电主轴误差预测模型的实际预测性能。
5.一种电主轴误差间接预测装置，其特征在于，包括：
采集模块，用于采集电主轴的振动数据；
第一获取模块，用于对所述振动数据进行处理，获取所述电主轴的当前振动信号；以及
第一预测模块，用于将所述当前振动信号输入至预先训练的电主轴误差预测模型，预测所述电主轴的实际电主轴误差，其中，所述电主轴误差预测模型由一维时间卷积网络对多组样本的振动信号与电主轴误差所构成的数据集训练得到。
6.根据权利要求5所述的装置，其特征在于，还包括：
生成模块，用于在将所述当前振动信号输入至所述预先训练的电主轴误差预测模型之前，采集所述多个样本的振动信号与电主轴误差，生成所述数据集；
训练模块，用于在将所述当前振动信号输入至所述预先训练的电主轴误差预测模型之前，搭建一维时间卷积网络，并利用所述数据集的训练集训练所述一维时间卷积网络，生成所述电主轴误差预测模型。
7.根据权利要求6所述的装置，其特征在于，还包括：
预处理模块，用于在生成所述数据集之后，基于误差分布和出现次数的比例关系，将所述数据集中的振动信号和电主轴的误差进行预处理，生成样本序列与电主轴误差之间的对应关系。
8.根据权利要求6或7所述的装置，其特征在于，还包括：
第二获取模块，用于在生成所述电主轴误差预测模型之后，利用所述数据集的测试集获取由所述电主轴误差预测模型预测的电主轴误差值和实际误差值相同数量与总预测误差值数量的比值；
第二预测模块，用于在生成所述电主轴误差预测模型之后，根据所述比值生成所述电主轴在各转速条件下的混沌矩阵，得到所述电主轴误差预测模型的实际预测性能。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-4任一项所述的电主轴误差间接预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-4任一项所述的电主轴误差间接预测方法。
CN202210588183.8A 2022-05-26 2022-05-26 电主轴误差间接预测方法及装置 Active CN114942066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210588183.8A CN114942066B (zh) 2022-05-26 2022-05-26 电主轴误差间接预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210588183.8A CN114942066B (zh) 2022-05-26 2022-05-26 电主轴误差间接预测方法及装置

Publications (2)

Publication Number Publication Date
CN114942066A true CN114942066A (zh) 2022-08-26
CN114942066B CN114942066B (zh) 2023-08-04

Family

ID=82908847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210588183.8A Active CN114942066B (zh) 2022-05-26 2022-05-26 电主轴误差间接预测方法及装置

Country Status (1)

Country Link
CN (1) CN114942066B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118081480A (zh) * 2024-04-29 2024-05-28 浙江大学 一种基于振动响应重构的电主轴径向回转误差测量方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110031226A (zh) * 2019-04-12 2019-07-19 佛山科学技术学院 一种轴承故障的诊断方法及装置
EP3663965A1 (en) * 2018-12-05 2020-06-10 IMRA Europe S.A.S. Method for predicting multiple futures
CN111442827A (zh) * 2020-04-08 2020-07-24 南京艾森斯智能科技有限公司 一种变压器绕组振动的光纤无源在线监测***及方法
CN112187266A (zh) * 2020-09-29 2021-01-05 中国电子科技集团公司第三十六研究所 一种模数转换器的非线性校正方法、装置及电子设备
WO2021000556A1 (zh) * 2019-07-02 2021-01-07 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、***及电子设备
CN113132399A (zh) * 2021-04-23 2021-07-16 中国石油大学(华东) 一种基于时间卷积网络和迁移学习的工业控制***入侵检测方法
CN114216440A (zh) * 2021-12-15 2022-03-22 河南省交通科学技术研究院有限公司 一种高耸结构安全姿态监测及其预警方法及***
CN114216682A (zh) * 2021-12-03 2022-03-22 南京航空航天大学 一种基于tcn和bls的滚动轴承的寿命预测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3663965A1 (en) * 2018-12-05 2020-06-10 IMRA Europe S.A.S. Method for predicting multiple futures
CN110031226A (zh) * 2019-04-12 2019-07-19 佛山科学技术学院 一种轴承故障的诊断方法及装置
WO2021000556A1 (zh) * 2019-07-02 2021-01-07 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、***及电子设备
CN111442827A (zh) * 2020-04-08 2020-07-24 南京艾森斯智能科技有限公司 一种变压器绕组振动的光纤无源在线监测***及方法
CN112187266A (zh) * 2020-09-29 2021-01-05 中国电子科技集团公司第三十六研究所 一种模数转换器的非线性校正方法、装置及电子设备
CN113132399A (zh) * 2021-04-23 2021-07-16 中国石油大学(华东) 一种基于时间卷积网络和迁移学习的工业控制***入侵检测方法
CN114216682A (zh) * 2021-12-03 2022-03-22 南京航空航天大学 一种基于tcn和bls的滚动轴承的寿命预测方法及装置
CN114216440A (zh) * 2021-12-15 2022-03-22 河南省交通科学技术研究院有限公司 一种高耸结构安全姿态监测及其预警方法及***

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIANHONG LIANG: "Elimination of end effects in LMD by Bi-LSTM regression network and applications for rolling element bearings characteristic extraction under different loading conditions", 《DIGITAL SIGNAL PROCESSING》, vol. 107, pages 1 - 18 *
李亚平: "基于TCN的滚动轴承振动趋势与剩余寿命预测研究", 《现代制造工程》 *
李亚平: "基于TCN的滚动轴承振动趋势与剩余寿命预测研究", 《现代制造工程》, 30 September 2021 (2021-09-30), pages 124 - 131 *
陈代伟: "基于振动信号的电主轴回转精度预测方法", 《中国科学》 *
陈代伟: "基于振动信号的电主轴回转精度预测方法", 《中国科学》, vol. 50, no. 6, 27 February 2020 (2020-02-27), pages 819 - 828 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118081480A (zh) * 2024-04-29 2024-05-28 浙江大学 一种基于振动响应重构的电主轴径向回转误差测量方法

Also Published As

Publication number Publication date
CN114942066B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN111275570A (zh) 一种基于迭代式统计与假设检验的风电机组功率异常值检测方法
CN109779848B (zh) 全场风速修正函数的获得方法、装置及风电场
US11726469B2 (en) Error-based method for calculating a remaining useful life of an apparatus
CN114942066A (zh) 电主轴误差间接预测方法及装置
CN115935243B (zh) 一种基于数据处理的故障分析方法
CN108536095A (zh) 一种丝杠磨损量实时预测方法
CN111522808A (zh) 一种风电机组异常运行数据处理方法
CN112267972A (zh) 一种风电机组功率曲线异常智能判定方法
CN112598539A (zh) 一种风力发电机组风功率曲线优化计算及异常值检测方法
CN108932554B (zh) 一种风电场流场量测点的配置优化方法及装置
CN116820821A (zh) 磁盘故障检测方法、装置、电子设备及计算机可读存储介质
CN112621381B (zh) 机床进给***健康状态智能评估方法及装置
CN108427375B (zh) 一种基于带通滤波处理多传感监测刀具状态的方法
CN115450858A (zh) 基于数字孪生的风机叶片状态检测方法及***
CN112879216B (zh) 风电场的风速修正方法和装置
CN110705924B (zh) 一种基于风向扇区的测风塔测风数据处理方法及装置
CN111120221B (zh) 风力发电机组的发电性能评估的方法及设备
CN113487141A (zh) 一种多源信息聚类融合的轴承状态评估方法
CN117313014B (zh) 一种窑炉运转能耗异常数据实时监测预警方法
CN114969017B (zh) 风功率数据清洗方法、清洗装置及预测方法
CN118032027B (zh) 一种混合型绝对值编码器及其位置检测方法
CN116819322B (zh) 一种电机性能测试方法及***
CN117908464B (zh) 一种机床轮廓误差预测方法、***、装置及可读存储介质
CN117077993B (zh) 基于人工智能的车间物料自动称重数据管理***及方法
CN110543153B (zh) 一种多工况工业过程的过渡工况故障检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant