[发明专利]基于Spark的数控机床运行状态监测方法

权利要求书

1.一种基于Spark的数控机床运行状态监测方法，其特征在于，包括以下步骤：

步骤1：采集数控机床的状态数据信息；

步骤2：然后对状态数据信息进行归一化处理得到状态数据；

步骤3：Kafka接入状态数据，通过将数据添加Topic字段整合不同类型的状态数据，同一Topic的数据按照设定的算法被分区到不同的服务器上，流计算系统SparkStreaming进行数据计算；

步骤4：采用Spark的SparkStreaming对状态数据进行预处理，得到状态数据样本；

步骤5：将状态数据样本作为输入，将监测对象划分为不同的安全状态作为输出，建立起多分类预测模型；通过多分类预测模型对待测的监测数据进行预测；

所述将状态数据样本作为输入，将监测对象划分为不同的安全状态作为输出，建立起多分类预测模型包括以下步骤：

通过训练标注的状态数据样本，使用基于密度的聚类算法DBSCAN将数据集中不同时间段内产生的数据聚类到不同簇中，从而发现不同的机床安全运行状态，并根据聚类结果将监测对象划分为不同的安全状态；

针对不同的安全状态采用SVM分类算法建立多分类预测模型。

2.根据权利要求1所述的基于Spark的数控机床运行状态监测方法，其特征在于：所述采集通过两种方式中的一种实现；第一种方式是通过数控机床的开发接口，另一种是通过OPC协议获取。

3.根据权利要求1所述的基于Spark的数控机床运行状态监测方法，其特征在于：所述状态数据信息包括主轴电机温度、主轴电流、主轴电机负载、主轴回转误差、X轴电机温度、进给速度。

4.根据权利要求1所述的基于Spark的数控机床运行状态监测方法，其特征在于：所述采用Spark的SparkStreaming对状态数据进行预处理具体如下：

在Spark的Spark Job中将Kafka中各Topic的数据定义为一个数据流DStream，每个DStream内部都由一组连续的RDD来表示。

5.根据权利要求1所述的基于Spark的数控机床运行状态监测方法，其特征在于：所述基于密度的聚类算法DBSCAN为：

1)根据基于中心的密度进行核心点、边界点、噪声点分类：若点o在以ε为半径的邻域内包含点的个数超过给定阈值MinPts，则将点o标记为核心点；不是核心点，但落在某个核心点邻域的点标记为边界点；既非核心点也非边界点的任何点均为噪声点；

2)删除所有噪声点；

3)将距离小于邻域半径ε的两个核心点连接形成新的簇；

4)每个时刻的记录数据给定一个簇的类别标签，即对应监测对象的一个安全状态。

6.根据权利要求1所述的基于Spark的数控机床运行状态监测方法，其特征在于，其特征在于：所述采用SVM分类算法建立起多分类预测模型为：

针对每个类别标签所对应的数据，将属于该类别的点标注为正例，不属于该类别的点标注为负例，并将标注后的数据通过SVM算法训练出一个针对于该类别的分类器。

7.根据权利要求6所述的基于Spark的数控机床运行状态监测方法，其特征在于，其特征在于：所述通过多分类预测模型对待测的监测数据进行预测具体如下：对于新产生的监测数据，分别使用每个安全状态对应的分类器进行分类，并将所有分类器的分类结果进行整合，当有且仅有一个分类器将此监测数据分为其所对应的状态时，将该监测数据的安全状态判断为该类别；否则，即没有或多个分类器将其分为其所对应的状态，则将该监测数据的安全状态判断为离群点。