CN117221371B - 五轴联动加工中心远程智能监控*** - Google Patents
五轴联动加工中心远程智能监控*** Download PDFInfo
- Publication number
- CN117221371B CN117221371B CN202311465688.6A CN202311465688A CN117221371B CN 117221371 B CN117221371 B CN 117221371B CN 202311465688 A CN202311465688 A CN 202311465688A CN 117221371 B CN117221371 B CN 117221371B
- Authority
- CN
- China
- Prior art keywords
- output
- machining
- module
- data
- representing
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 121
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000003754 machining Methods 0.000 claims description 84
- 230000005856 abnormality Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 230000003746 surface roughness Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Numerical Control (AREA)
Abstract
本申请适用于智能监控技术领域，提供了一种五轴联动加工中心远程智能监控***，该***包括接收模块、可信验证模块、优化模块、实时采集模块、生成模块、异常检测模块以及操作控制模块。本申请可以允许远程用户通过终端设备发送加工请求，无需操作人员亲临现场，从而实现远程加工控制，这样可以大大提高生产的灵活性和效率，同时节省人力资源。
Description
技术领域
本申请属于智能监控技术领域，尤其涉及一种五轴联动加工中心远程智能监控***。
背景技术
随着工业自动化的发展，五轴加工中心成为现代制造业中常用的加工设备之一。然而，传统的五轴加工中心存在一些局限性，比如操作人员需要亲临现场进行监控和控制，限制了生产的灵活性和效率。因此，亟需一种五轴联动加工中心远程智能监控***。
发明内容
本申请实施例提供了一种五轴联动加工中心远程智能监控***，可以解决现有技术中五轴加工中心存在操作人员需要亲临现场进行监控和控制这一局限性的技术问题。
第一方面，本申请实施例提供了一种五轴加工中心远程智能监控***，包括：
接收模块，用于接收远程用户终端的加工请求；所述加工请求包括用户信息、加工工件信息以及初始加工参数组合；其中，所述初始加工参数组合包括至少两个加工参数；
可信验证模块，用于对所述用户信息进行可信验证；
优化模块，用于基于预设参数优化策略对所述初始加工参数组合进行优化，得到目标加工参数组合，将所述目标加工参数组合和所述加工工件信息发送至五轴加工中心，以指示所述五轴加工中心基于所述目标加工参数组合和所述加工工件信息执行加工操作；
实时采集模块，用于实时采集五轴加工中心在执行加工操作过程的传感器数据；
生成模块，用于根据所述传感器数据生成运行状态数据和加工进程数据，并同步所述运行状态数据和加工进程数据至远程用户终端；
异常检测模块，用于对所述运行状态数据和所述加工进程数据进行异常检测，确定出现异常之后，生成报警信息，并同步所述报警信息至远程用户终端；
操作控制模块，用于接收远程用户终端的控制指令，同步所述远程用户终端的控制指令至所述五轴加工中心，以指示所述五轴加工中心执行所述控制指令对应的控制操作。
在第一方面的一种可能的实现方式中，所述可信验证模块，包括：
根据下式对所述用户信息进行可信验证：
，
其中，V表示验证结果，k为不同验证算法的标识，Validatek表示标识为k的验证算法，UserName表示用户名，UserPassword表示用户密码，UserHistory表示用户历史加工请求记录。
在第一方面的一种可能的实现方式中，所述优化模块，包括：
组合子模块，用于对所述初始加工参数组合进行重新组合，得到多个候选加工参数组合；
建立子模块，用于建立每个候选加工参数组合与预测加工质量之间的线性关系；
优化子模块，用于基于预设优化算法，根据每个候选加工参数组合与预测加工质量之间的线性关系，确定出目标预测加工质量，将目标预测加工质量对应的候选加工参数组合作为目标加工参数组合；
调整子模块，用于将所述初始加工参数组合调整为所述目标加工参数组合。
在第一方面的一种可能的实现方式中，所述建立子模块，包括：
建立单元，用于根据下式建立每个候选加工参数组合与预测加工质量之间的线性关系：
；
；
；
；
其中，Input Layer表示候选加工参数组合对应的输入特征向量，xt表示时刻t的候选加工参数组合对应的输入特征向量，xn表示候选加工参数组合中第n个加工参数，ht表示当前时刻的隐藏状态，LSTM表示长短期记忆循环神经网络层，ct表示记忆单元的状态，it表示输入门的输出，ft表示遗忘门的输出，ot表示输出门的输出，mlp_out表示多层感知机的输出，σ表示激活函数，Wmlp表示第一权重矩阵，bmlp表示第一偏置，softmax表示softmax函数，Woutput表示第一权重矩阵，bo表示第二偏置，Output Layer表示预测加工质量对应的输出特征向量。
在第一方面的一种可能的实现方式中，所述记忆单元的状态的表达式为：
；
其中，ct表示记忆单元的状态，ft表示遗忘门的输出，⊙表示逐元素乘法，ct-1表示前一时刻的记忆单元的状态，it表示输入门的输出，tanh表示非线性函数，Wc表示记忆单元的状态对应的权重矩阵，xt表示时刻t的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态，bc表示记忆单元的状态对应的偏置；
所述输入门的输出对应的表达式为：
；
其中，it表示输入门的输出，σ表示激活函数，Wi表示输入门的输出对应的权重矩阵，xt表示时刻t的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态，bi表示输入门的输出对应的偏置；
所述遗忘门的输出对应的表达式是：
；
其中，ft表示遗忘门的输出，σ表示激活函数，Wf表示遗忘门的输出对应的权重矩阵，xt表示时刻t的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态，bf表示遗忘门的输出对应的偏置；
所述输出门的输出对应的表达式是：
；其中，ot表示输出门的输出，σ表示激活函数，Wo表示输出门的输出对应的权重矩阵，xt表示时刻t的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态，bo表示遗忘门的输出对应的偏置。
在第一方面的一种可能的实现方式中，所述异常检测模块，包括:
预处理子模块，用于对所述运行状态数据和所述加工进程数据进行预处理，得到输入数据；
异常检测子模块，用于将所述输入数据输入至预设异常检测模型，输出异常检测结果。
在第一方面的一种可能的实现方式中，所述异常检测子模块，包括：
映射单元，用于根据预设编码网络将所述输入数据映射到潜在变量，并生成条件变量；
重构单元，用于根据预设解码网络将潜在变量和条件变量作为输入，通过解码器生成重构数据；
计算单元，用于计算所述输入数据与所述重构数据之间的差异值；
异常确定单元，用于在所述差异值大于预设阈值时，确定所述输入数据对应的所述运行状态数据和所述加工进程数据为出现异常。
在第一方面的一种可能的实现方式中，所述预设编码网络对应的表达式为：
；
其中，Encoder表示编码器，X是输入数据，Z表示潜在变量，C表示条件变量，q(Z, C|X) 表示给定输入数据下的潜在变量和条件变量的条件分布。
在第一方面的一种可能的实现方式中，所述预设解码网络对应的表达式为：
；
其中，Decoder表示解码器，X’表示重构数据，Z表示潜在变量，C表示条件变量，p(X’|Z,C)表示给定潜在变量和条件变量 下的重构数据的条件分布。
在第一方面的一种可能的实现方式中，所述计算单元，包括：
计算子单元，用于根据下式计算所述输入数据与所述重构数据之间的差异值：
；
其中，Reconstruction Error表示差异值，X表示输入数据，X’表示重构数据，||.|| 表示范数操作。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例中，五轴联动加工中心远程智能监控***允许远程用户通过终端设备发送加工请求，无需操作人员亲临现场，从而实现远程加工控制，这样可以大大提高生产的灵活性和效率，同时节省人力资源；通过可信验证模块对用户信息进行验证，确保只有合法用户才能发送加工请求，这样可以防止未经授权的操作，确保数据的安全性；通过优化模块，可以基于预设参数优化策略对初始加工参数组合进行优化，得到目标加工参数组合，提高加工的准确性和质量，最大程度地满足用户的需求；通过实时采集模块会不断收集五轴加工中心在执行加工操作过程中的传感器数据，生成模块会根据这些数据生成运行状态数据和加工进程数据，并将其同步至远程用户终端，用户可以实时了解加工过程的状态，方便监控和管理；通过异常检测模块会对运行状态数据和加工进程数据进行监测，一旦检测到异常情况，会生成相应的报警信息，并将其同步至远程用户终端，及时发现并处理异常情况，保障加工过程的安全性和可靠性；通过操作控制模块可以接收远程用户终端的控制指令，并将其同步至五轴加工中心，以执行相应的控制操作，这样用户可以通过远程操作控制***的运行，实现灵活的远程指导和控制。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的五轴联动加工中心远程智能监控***的结构示意图；
图2是本申请实施例提供的服务器的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
下面对本申请实施例的技术方案进行介绍。
参见图1，为本申请实施例提供的五轴加工中心远程智能监控***的结构示意图，该***可以包括接收模块11、可信验证模块12、优化模块13、实时采集模块14、生成模块15、异常检测模块16、操作控制模块17。
接收模块11，用于接收远程用户终端的加工请求。
其中，所述加工请求包括用户信息、加工工件信息以及初始加工参数组合；加工工件信息包括工件的尺寸、形状、材料等中的一个或多个；初始加工参数组合是指用户初始设定的加工参数组合，初始加工参数组合包括至少两个加工参数；加工参数可以但不限于为加工速度参数、切削参数、刀具参数或加工路径等。
可以理解的是，远程用户终端是指远程用户（操作人员）进行操作对应的终端设备（例如手机或者电脑等），五轴加工中心远程智能监控***是部署在服务器的***，服务器与远程用户终端采用无线通信的方式进行网络传输。其中，网络传输的方式包括但是不限于Wi-Fi、蜂窝网络、蓝牙、近场通信等。
可信验证模块12，用于对所述用户信息进行可信验证。
其中，用户信息至少包括用户名、用户密码和用户历史加工请求记录。
具体应用中，所述可信验证模块，包括：
根据下式对所述用户信息进行可信验证：
，
其中，V表示验证结果，k为不同验证算法的标识，Validatek表示标识为k的验证算法（例如MD5、SHA-1或者SHA-256等验证算法），UserName表示用户名，UserPassword表示用户密码，UserHistory表示用户历史加工请求记录。
可以理解的是，可信验证模块使用用户提供的用户名和密码进行验证，在验证过程中可以采用加密算法来保护用户信息的安全性，防止用户信息泄露和恶意篡改；可信验证模块还可以结合用户历史加工请求记录进行验证，以增加验证的可靠性，通过分析用户历史请求记录，可以判断用户的行为模式和习惯，从而更准确地判断用户身份的真实性。
优化模块13，用于基于预设参数优化策略对所述初始加工参数组合进行优化，得到目标加工参数组合，将所述目标加工参数组合和所述加工工件信息发送至五轴加工中心，以指示所述五轴加工中心基于所述目标加工参数组合和所述加工工件信息执行加工操作。
具体应用中，所述优化模块，包括：
组合子模块，用于对所述初始加工参数组合进行重新组合，得到多个候选加工参数组合；
建立子模块，用于建立每个候选加工参数组合与预测加工质量之间的线性关系；
优化子模块，用于基于预设优化算法，根据每个候选加工参数组合与预测加工质量之间的线性关系，确定出目标预测加工质量，将目标预测加工质量对应的候选加工参数组合作为目标加工参数组合；
调整子模块，用于将所述初始加工参数组合调整为所述目标加工参数组合。
其中，预测加工质量可以是指加工工件的表面粗糙度、尺寸偏差、形状精度等指标。
示例性地，所述组合子模块，包括：
组合单元，用于在初始加工参数组合中的每个加工参数上引入随机扰动，例如在原始参数值上添加一个随机的偏移量或乘以一个随机的缩放因子，通过对每个参数进行随机扰动可以生成多个候选加工参数组合。
通过对初始加工参数组合中的每个加工参数进行随机扰动生成多个候选加工参数组合的过程包括：
（1）定义初始加工参数组合为 P_init，其中包含了n个加工参数；
（2）初始化一个空的候选加工参数组合集合P_candidates；
（3）对于每个加工参数p_i∈P_init（1≤i≤n），执行以下步骤：
1）为 p_i生成一个随机扰动值d_i例如从一个均匀分布或高斯分布中采样得到；
2）将p_i扰动后的值p_i’= p_i + d_i添加到候选加工参数组合集合 P_candidates 中。
（4）重复步骤（3）多次，以生成多个候选加工参数组合。
可选的，所述建立子模块，包括：
建立单元，用于根据下式建立每个候选加工参数组合与预测加工质量之间的线性关系：
；
；
；
；
其中，Input Layer表示候选加工参数组合对应的输入特征向量，xt表示时刻t的候选加工参数组合对应的输入特征向量，xn表示候选加工参数组合中第n个加工参数，ht表示当前时刻的隐藏状态，LSTM表示长短期记忆循环神经网络层，ct表示记忆单元的状态，it表示输入门的输出，ft表示遗忘门的输出，ot表示输出门的输出，mlp_out表示多层感知机的输出，σ表示激活函数，Wmlp表示第一权重矩阵，bmlp表示第一偏置， softmax表示 softmax函数，Woutput表示第一权重矩阵，bo表示第二偏置，Output Layer表示预测加工质量对应的输出特征向量。
进一步的，所述记忆单元的状态的表达式为：
；
其中，ct表示记忆单元的状态， ft表示遗忘门的输出，⊙表示逐元素乘法，ct-1表示前一时刻的记忆单元的状态，it表示输入门的输出，tanh表示非线性函数，Wc表示记忆单元的状态对应的权重矩阵，xt表示时刻t的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态，bc表示记忆单元的状态对应的偏置；
所述输入门的输出对应的表达式为：
；其中，it表示输入门的输出，σ表示激活函数，Wi表示输入门的输出对应的权重矩阵，xt表示时刻t的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态， bi表示输入门的输出对应的偏置；
所述遗忘门的输出对应的表达式是：
；其中，ft表示遗忘门的输出，σ表示激活函数，Wf表示遗忘门的输出对应的权重矩阵，xt表示时刻t的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态，bf表示遗忘门的输出对应的偏置；
所述输出门的输出对应的表达式是：
；其中，ot表示输出门的输出，σ表示激活函数，Wo表示输出门的输出对应的权重矩阵，xt表示时刻t的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态，bo表示遗忘门的输出对应的偏置。
可以理解的是，建立子模块通过 LSTM 和 MLP 层的组合，对候选加工参数组合与预测加工质量之间的线性关系进行建模和预测，能够更精确地估计不同加工参数组合下的加工质量，为优化模块提供准确的预测结果，从而指导加工操作的执行。
示例性地，预设优化算法可以是遗传算法、粒子群优化算法等，能够在候选参数空间中寻找最优解，并根据建立子模块中的线性关系和目标预测加工质量来进行优化。
可见，优化子模块通过通过预设优化算法，根据建立子模块中的线性关系，确定出目标预测加工质量，并将对应的候选加工参数组合作为目标加工参数组合，确保了在所有候选参数中选择最佳参数组合，在优化加工过程中达到最优的加工质量。
可以理解的是，优化模块对五轴联动加工中心的加工参数进行优化，建立模型和算法，找到提高加工质量对应的最佳的加工参数组合，从而达到提高加工的准确性和质量，最大程度地满足用户的需求的目的。
实时采集模块14，用于实时采集五轴加工中心在执行加工操作过程的传感器数据。
其中，传感器数据包括温度传感器、振动传感器、加速度传感器、压力传感器、位置传感器等数据。
可以理解的是，在五轴加工中心各个地方设置有温度传感器、振动传感器、加速度传感器、压力传感器、位置传感器，实时采集各种传感器数据并上传至服务器。
生成模块15，用于根据所述传感器数据生成运行状态数据和加工进程数据，并同步所述运行状态数据和加工进程数据至远程用户终端。
其中，所述运行状态数据为机床开关状态、主轴转速、各轴的位置和速度等；所述加工进程数据为加工步骤、加工路径、刀具进给速度、刀具轨迹等。
示例性地，生成运行状态数据，包括：
机床开关状态：通过读取机床的电气控制***或开关状态传感器的状态，确定机床的开机/关机状态；
主轴转速：利用主轴电机的转速传感器或编码器读取主轴的转速数值；
各轴位置和速度：通过读取各轴位置传感器或编码器，获取各轴的精确位置和实时速度信息。
示例性地，生成加工进程数据，包括：
加工步骤：根据刀具的进给速度、切削深度等参数，结合加工路径规划算法，生成加工过程中的加工步骤序列。
加工路径：通过分析位置传感器或编码器数据，记录刀具在加工过程中的轨迹和移动路径。
刀具进给速度：利用刀具进给设备的传感器数据，获取刀具的进给速度值。
刀具轨迹：基于加工路径和刀具进给速度，综合计算刀具的轨迹，包括曲线轨迹、直线轨迹等。
异常检测模块16，用于对所述运行状态数据和所述加工进程数据进行异常检测，确定出现异常之后，生成报警信息，并同步所述报警信息至远程用户终端。
具体应用中，所述异常检测模块，包括:
预处理子模块，用于对所述运行状态数据和所述加工进程数据进行预处理，得到输入数据；
异常检测子模块，用于将所述输入数据输入至预设异常检测模型，输出异常检测结果。
其中，预处理包括缩放、归一化和标准化等操作。
在一种可选的实施方式中，所述异常检测子模块，包括：
映射单元，用于根据预设编码网络将所述输入数据映射到潜在变量，并生成条件变量；
重构单元，用于根据预设解码网络将潜在变量和条件变量作为输入，通过解码器生成重构数据；
计算单元，用于计算所述输入数据与所述重构数据之间的差异值；
异常确定单元，用于在所述差异值大于预设阈值时，确定所述输入数据对应的所述运行状态数据和所述加工进程数据为出现异常。
所述预设编码网络对应的表达式为：
；
其中，Encoder表示编码器，X是输入数据，Z表示潜在变量，C表示条件变量，q(Z, C|X) 表示给定输入数据下的潜在变量和条件变量的条件分布。
所述预设解码网络对应的表达式为：
；
其中，Decoder表示解码器，X’表示重构数据，Z表示潜在变量，C表示条件变量，p(X’|Z,C)表示给定潜在变量和条件变量 下的重构数据的条件分布。
示例性地，所述计算单元，包括：
计算子单元，用于根据下式计算所述输入数据与所述重构数据之间的差异值：
；
其中，Reconstruction Error表示差异值，X表示输入数据，X’表示重构数据，||.|| 表示范数操作。
可以理解的是，异常检测模通过预处理子模块对运行状态数据和加工进程数据进行预处理，然后使用预设的异常检测模型进行异常检测，异常检测子模块通过映射、重构、计算和判断等步骤，确定输入数据是否出现异常，当异常检测子模块检测到异常时，生成报警信息，并将报警信息同步至远程用户终端，能够实时监测和检测异常情况，提高生产过程的可靠性和安全性。
操作控制模块17，用于接收远程用户终端的控制指令，同步所述远程用户终端的控制指令至所述五轴加工中心，以指示所述五轴加工中心执行所述控制指令对应的控制操作。
其中，控制指令包括包括加工参数调整指令和运行控制指令。
本申请实施例中，五轴联动加工中心远程智能监控***允许远程用户通过终端设备发送加工请求，无需操作人员亲临现场，从而实现远程加工控制，这样可以大大提高生产的灵活性和效率，同时节省人力资源；通过可信验证模块对用户信息进行验证，确保只有合法用户才能发送加工请求，这样可以防止未经授权的操作，确保数据的安全性；通过优化模块，可以基于预设参数优化策略对初始加工参数组合进行优化，得到目标加工参数组合，提高加工的准确性和质量，最大程度地满足用户的需求；通过实时采集模块会不断收集五轴加工中心在执行加工操作过程中的传感器数据，生成模块会根据这些数据生成运行状态数据和加工进程数据，并将其同步至远程用户终端，用户可以实时了解加工过程的状态，方便监控和管理；通过异常检测模块会对运行状态数据和加工进程数据进行监测，一旦检测到异常情况，会生成相应的报警信息，并将其同步至远程用户终端，及时发现并处理异常情况，保障加工过程的安全性和可靠性；通过操作控制模块可以接收远程用户终端的控制指令，并将其同步至五轴加工中心，以执行相应的控制操作，这样用户可以通过远程操作控制***的运行，实现灵活的远程指导和控制。
图2为本申请实施例提供的服务器的结构示意图。如图2所示，该实施例的服务器2包括：至少一个处理器20、存储器21以及存储在所述存储器21中并可在所述至少一个处理器20上运行的计算机程序22，所述处理器20执行所述计算机程序22时实现上述任意***实施例运行的方法步骤。
所述服务器2可以是云端服务器等计算设备。该服务器可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图2仅仅是服务器2的举例，并不构成对服务器2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，该处理器20还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21在一些实施例中可以是所述服务器2的内部存储单元，例如服务器2的硬盘或内存。所述存储器21在另一些实施例中也可以是所述服务器2的外部存储设备，例如所述服务器2上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器21还可以既包括所述服务器2的内部存储单元也包括外部存储设备。所述存储器21用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到服务器的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (9)
1.一种五轴加工中心远程智能监控***，其特征在于，包括：
接收模块，用于接收远程用户终端的加工请求；所述加工请求包括用户信息、加工工件信息以及初始加工参数组合；所述初始加工参数组合包括至少两个加工参数； 初始加工参数组合是指用户初始设定的加工参数组合；加工参数包括加工速度参数、切削参数、刀具参数以及加工路径；
可信验证模块，用于对所述用户信息进行可信验证；
优化模块，用于基于预设参数优化策略对所述初始加工参数组合进行优化，得到目标加工参数组合，将所述目标加工参数组合和所述加工工件信息发送至五轴加工中心，以指示所述五轴加工中心基于所述目标加工参数组合和所述加工工件信息执行加工操作；
实时采集模块，用于实时采集五轴加工中心在执行加工操作过程的传感器数据；
生成模块，用于根据所述传感器数据生成运行状态数据和加工进程数据，并同步所述运行状态数据和加工进程数据至远程用户终端；
异常检测模块，用于对所述运行状态数据和所述加工进程数据进行异常检测，确定出现异常之后，生成报警信息，并同步所述报警信息至远程用户终端；
操作控制模块，用于接收远程用户终端的控制指令，同步所述远程用户终端的控制指令至所述五轴加工中心，以指示所述五轴加工中心执行所述控制指令对应的控制操作；
所述优化模块，包括：
组合子模块，用于对所述初始加工参数组合进行重新组合，得到多个候选加工参数组合；
建立子模块，用于建立每个候选加工参数组合与预测加工质量之间的线性关系；
优化子模块，用于基于预设优化算法，根据每个候选加工参数组合与预测加工质量之间的线性关系，确定出目标预测加工质量，将目标预测加工质量对应的候选加工参数组合作为目标加工参数组合；其中，所述预设优化算法为遗传算法或者粒子群优化算法；所述预测加工质量包括加工工件的表面粗糙度、尺寸偏差以及形状精度；
调整子模块，用于将所述初始加工参数组合调整为所述目标加工参数组合。
2.如权利要求1所述的五轴加工中心远程智能监控***，其特征在于，用户信息至少包括用户名、用户密码和用户历史加工请求记录；所述可信验证模块，包括：
根据下式对所述用户信息进行可信验证：
V = Validatek (UserName,UserPassword，UserHistory)，
其中，V表示验证结果，k为不同验证算法的标识，Validatek表示标识为k的验证算法，UserName表示用户名，UserPassword表示用户密码，UserHistory表示用户历史加工请求记录。
3.如权利要求1所述的五轴加工中心远程智能监控***，其特征在于，所述建立子模块，包括：
建立单元，用于根据下式建立每个候选加工参数组合与预测加工质量之间的线性关系：
Output Layer= softmax(Woutput×mlp_out+ bo)；
mlpout= σ(Wmlp×ht+ bmlp)；
ht =LSTM（ct，ot，ft，it，Xt） ；
Input Layer=Xt= [x1,x2,x3,…,xn]；
其中，Input Layer表示候选加工参数组合对应的输入特征向量，xt表示时刻t的候选加工参数组合对应的输入特征向量，xn表示候选加工参数组合中第n个加工参数，ht表示当前时刻的隐藏状态，LSTM表示长短期记忆循环神经网络层，ct表示记忆单元的状态，it表示输入门的输出，ft表示遗忘门的输出，ot表示输出门的输出，mlp_out表示多层感知机的输出，σ表示激活函数，Wmlp表示第一权重矩阵，bmlp表示第一偏置， softmax表示 softmax 函数，Woutput表示第一权重矩阵，bo表示第二偏置，Output Layer表示预测加工质量对应的输出特征向量。
4.如权利要求3所述的五轴加工中心远程智能监控***，其特征在于，所述记忆单元的状态的表达式为：ct= ft⊙ct-1 + it⊙tanh(Wc×[xt,ht-1] + bc)；
其中，ct表示记忆单元的状态， ft表示遗忘门的输出，⊙表示逐元素乘法，ct-1表示前一时刻的记忆单元的状态，it表示输入门的输出，tanh表示非线性函数，Wc表示记忆单元的状态对应的权重矩阵，xt表示时刻 t 的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态，bc表示记忆单元的状态对应的偏置；
所述输入门的输出对应的表达式为：it = σ(Wi×[xt,ht-1] + bi)；其中，it表示输入门的输出，σ表示激活函数，Wi表示输入门的输出对应的权重矩阵，xt表示时刻 t 的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态， bi表示输入门的输出对应的偏置；
所述遗忘门的输出对应的表达式是：ft=σ(Wf×[xt,ht-1] + bf)；其中，ft 表示遗忘门的输出，σ表示激活函数，Wf表示遗忘门的输出对应的权重矩阵，xt表示时刻 t 的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态，bf表示遗忘门的输出对应的偏置；
所述输出门的输出对应的表达式是：ot=σ(Wo×[xt,ht-1] + bo)；其中，ot表示输出门的输出，σ表示激活函数，Wo表示输出门的输出对应的权重矩阵，xt表示时刻 t 的候选加工参数组合对应的输入特征向量，ht-1表示下一时刻的隐藏状态，bo表示遗忘门的输出对应的偏置。
5.如权利要求1-4任一项所述的五轴加工中心远程智能监控***，其特征在于，所述异常检测模块，包括:
预处理子模块，用于对所述运行状态数据和所述加工进程数据进行预处理，得到输入数据；
异常检测子模块，用于将所述输入数据输入至预设异常检测模型，输出异常检测结果。
6.如权利要求5所述的五轴加工中心远程智能监控***，其特征在于，所述异常检测子模块，包括：
映射单元，用于根据预设编码网络将所述输入数据映射到潜在变量，并生成条件变量；
重构单元，用于根据预设解码网络将潜在变量和条件变量作为输入，通过解码器生成重构数据；
计算单元，用于计算所述输入数据与所述重构数据之间的差异值；
异常确定单元，用于在所述差异值大于预设阈值时，确定所述输入数据对应的所述运行状态数据和所述加工进程数据为出现异常。
7.如权利要求6所述的五轴加工中心远程智能监控***，其特征在于，所述预设编码网络对应的表达式为：
Encoder(X) = q(Z,C|X) ；
其中，Encoder表示编码器，X是输入数据，Z表示潜在变量，C表示条件变量，q(Z, C|X)表示给定输入数据下的潜在变量和条件变量的条件分布。
8.如权利要求7所述的五轴加工中心远程智能监控***，其特征在于，所述预设解码网络对应的表达式为：
Decoder(X') = p(X'|Z,C)；
其中，Decoder表示解码器，X'表示重构数据，Z表示潜在变量，C表示条件变量，p(X'|Z,C)表示给定潜在变量和条件变量下的重构数据的条件分布。
9.如权利要求8所述的五轴加工中心远程智能监控***，其特征在于，所述计算单元，包括：
计算子单元，用于根据下式计算所述输入数据与所述重构数据之间的差异值：
Reconstruction Error =|| X- X' ||2；
其中，Reconstruction Error表示差异值，X表示输入数据，X'表示重构数据，||.|| 表示范数操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465688.6A CN117221371B (zh) | 2023-11-07 | 2023-11-07 | 五轴联动加工中心远程智能监控*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465688.6A CN117221371B (zh) | 2023-11-07 | 2023-11-07 | 五轴联动加工中心远程智能监控*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117221371A CN117221371A (zh) | 2023-12-12 |
| CN117221371B true CN117221371B (zh) | 2024-02-23 |
Family
ID=89039239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311465688.6A Active CN117221371B (zh) | 2023-11-07 | 2023-11-07 | 五轴联动加工中心远程智能监控*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117221371B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104698978A (zh) * | 2015-03-17 | 2015-06-10 | 华中科技大学 | 一种基于虚拟化技术的数控***远程监控及调试方法 |
| CN108415381A (zh) * | 2018-02-10 | 2018-08-17 | 苏州宏软信息技术有限公司 | 一种用于机加工车间的分布式远程监控***及监控方法 |
| CN108762193A (zh) * | 2018-07-31 | 2018-11-06 | 吉林大学 | 数控机床远程数据采集及分析*** |
| CN116484733A (zh) * | 2023-04-25 | 2023-07-25 | 西安交通大学 | 一种基于知识中心网络的孪生工艺模型构建方法及*** |
| CN116944717A (zh) * | 2023-09-21 | 2023-10-27 | 深圳市常丰激光刀模有限公司 | 智能激光刀模自动过热保护的方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210197335A1 (en) * | 2019-12-26 | 2021-07-01 | Dalian University Of Technology | Data Augmentation Method Based On Generative Adversarial Networks In Tool Condition Monitoring |
-
2023
- 2023-11-07 CN CN202311465688.6A patent/CN117221371B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104698978A (zh) * | 2015-03-17 | 2015-06-10 | 华中科技大学 | 一种基于虚拟化技术的数控***远程监控及调试方法 |
| CN108415381A (zh) * | 2018-02-10 | 2018-08-17 | 苏州宏软信息技术有限公司 | 一种用于机加工车间的分布式远程监控***及监控方法 |
| CN108762193A (zh) * | 2018-07-31 | 2018-11-06 | 吉林大学 | 数控机床远程数据采集及分析*** |
| CN116484733A (zh) * | 2023-04-25 | 2023-07-25 | 西安交通大学 | 一种基于知识中心网络的孪生工艺模型构建方法及*** |
| CN116944717A (zh) * | 2023-09-21 | 2023-10-27 | 深圳市常丰激光刀模有限公司 | 智能激光刀模自动过热保护的方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 基于工业互联网的数控机床数据采集平台应用研究;冯金金;邓昌义;张健;;制造技术与机床(第03期);第124-129页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117221371A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hanselmann et al. | CANet: An unsupervised intrusion detection system for high dimensional CAN bus data | |
| CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
| US7647131B1 (en) | Dynamic determination of sampling rates | |
| US10051059B2 (en) | Methods and apparatus to control communications of endpoints in an industrial enterprise system based on integrity | |
| US9798319B2 (en) | Industrial control metadata engine | |
| Ghaeini et al. | {PAtt}: Physics-based Attestation of Control Systems | |
| US20210097438A1 (en) | Anomaly detection device, anomaly detection method, and anomaly detection program | |
| WO2006110248A1 (en) | Control system and method | |
| KR102088509B1 (ko) | 컴퓨터 시스템의 이상 행위 탐지 방법 및 장치 | |
| EP3742322A1 (en) | Operational policies or industrial field devices and distributed databases | |
| CN113179264B (zh) | 网络化控制***中数据传输的攻击检测方法 | |
| CN111314299B (zh) | 身份验证方法、装置及*** | |
| Cai et al. | Capbad: Content-agnostic, payload-based anomaly detector for industrial control protocols | |
| CN117221371B (zh) | 五轴联动加工中心远程智能监控*** | |
| CN114662618A (zh) | 一种基于联邦学习的故障诊断方法、装置及相关设备 | |
| US8943013B2 (en) | Real-time equipment behavior selection | |
| CN112464295B (zh) | 基于电力边缘网关设备的维护通信安全装置 | |
| Yang et al. | Online detection of cyber‐incidents in additive manufacturing systems via analyzing multimedia signals | |
| Xu et al. | State identification of a 5-axis ultra-precision CNC machine tool using energy consumption data assisted by multi-output densely connected 1D-CNN model | |
| CN117111589B (zh) | 一种基于Petri网的数控机床控制***故障诊断方法 | |
| CN114465938A (zh) | 一种基于模糊测试的充电桩can协议的渗透测试方法、***及存储介质 | |
| US20200193000A1 (en) | Rapid file authentication on automation devices | |
| Ribu Hassini et al. | A machine learning and deep neural network approach in industrial control systems | |
| CN115066693A (zh) | 运行状态分类***和运行状态分类方法 | |
| Abdullahi et al. | Deep learning model for cybersecurity attack detection in cyber-physical systems |
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 |