[发明专利]基于Spark的数控机床运行状态监测方法

说明书

本发明涉及基于Spark的数控机床运行状态监测方法，系统以Apache Spark作为基本计算框架，从而实现对海量运行数据进行处理分析，同时加入基于OPC协议的采集模块，Kafka分布式消息队列等组件为系统提供可靠的数据接口。通过Spark‑MLib对历史数据采用基于密度聚类的DBSCAN算法，发现不同时间段数据分布特性即不同健康状态。同时采用SVM分类算法建立监测模型，从而实现对数控机床安全运行状态的实时监测。

技术领域

本发明涉及数控系统、数字化车间和智能制造领域，具体的说是在Windows平台下实现的一种基于Spark的数控机床运行状态监测系统。

背景技术

随着信息技术的发展，传统的机械制造业开始以信息化、智能化的特点进行革命性的转变，机械制造行业逐渐进入到工业大数据时代，德国“工业4.0”、美国“工业互联网”以及“中国制造2025”，均提出利用互联网和大数据思维提升制造业的智能化水平，全面提升制造业的整体效率。

与此同时，许多企业都形成了相当规模的数控机床车间，在设备运行过程中产生的数据以几何级数增长，而传统的数控机床维护主要通过人工的定期巡检方式，不仅效率极低，而且完全依靠机床维护人员的专业素质，不能提前预警维护人员，同时将海量的加工过程数据视为垃圾数据丢弃，造成严重的数据资源浪费，虽然数控领域已经在持续推动智能化监测、物联网监测等应用，但面对海量数据时，都主要集中在存储和模型构建的理论体系研究，未能结合实际的应用框架进行数据分析，因此需要及时构建一个基于大数据平台的监测系统来有效处理和分析机床加工过程中的各类数据，实现对数控机床运行状态的实时监测和预警。

发明内容

针对现有技术中存在的上述不足之处，结合Spark高性能并行计算引擎准实时性和高吞吐量，本发明要解决的技术问题是提供一种基于Spark的数控机床运行状态监测系统，用于对数控机床的实时状态进行监控管理。

本发明为实现上述目的所采用的技术方案是：一种基于Spark的数控机床运行状态监测系统，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。

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。

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。

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。