[发明专利]一种基于时间序列的数控机床状态预测方法

权利要求书

1.一种基于时间序列的数控机床状态预测方法，其特征在于包括如下步骤：

S1；从数控机床控制器和关节驱动电机中获得数控机床的工况参数，所述工况参数包括各轴位置、位置误差、速度、加速度、扭矩、电流、温度和运行时间；

S2：使用同类别对比方法，对上述工况参数进行相似性聚类，提取同一聚类中的工况参数作为训练数据；

S3：基于改进的小波神经网络，建立基于时间序列的各轴位置误差和工况参数NARMA-L2模型，并对NARMA-L2模型进行训练；

S4：实时采集工况数据输入训练好的NARMA-L2模型，对机床的各轴位置误差和工况参数进行预测判断。

2.根据权利要求1所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S1通过TCP socket通讯方式从数控机床采集工况参数，采样频率≤1Hz，并保存为如下格式的excel文档，每一个excel文档成为一组数据。

3.根据权利要求1所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S2采用K-means动态聚类算法对数控机床各关节不同运行工况参数进行聚类以得到位于同一聚类中的工况参数。

4.根据权利要求1所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S2对于需要进行各轴位置误差预测的运行工况状态，先采用K-means动态聚类算法计算该工况状态下各工况参数的综合距离参数，进而计算与上述各组工况参数聚类中心的距离，并从距离最近的聚类中选择设定组数据用于训练WNN-NARMAL2模型。

5.根据权利要求1所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S3中基于时间序列的数控机床各轴位置误差和工况参数NARMA-L2模型建立如下：

其中，k表示系统的时间刻度；n表示时间刻度的回溯步数，n≥1；

y(k)，y(k+1)，y(k-1)，…，y(k-n+1)表示系统输出,具体为在各时间刻度下的数控机床各轴位置误差；

u(k)，u(k-1)，u(k-2)，…u(k-n+1)表示系统输入,也就是在各时间刻度下的工况参数。

6.根据权利要求5所述的基于时间序列的数控机床状态预测方法，其特征在于步骤S3中基于时间序列的数控机床各轴位置误差和工况参数NARMA-L2模型包括输入层、小波隐层和输出层；小波隐层的各节点为按时间刻度展开的包含了扩张系数a_h1,a_h2和平移系数b_h1,b_h2的各小波传递函数；网络的输出为函数y(k+1)；模型按时间刻度展开顺序分为上下两部分，上半部分是对函数g[y(k),y(k-1),…,y(k-n+1),u(k-1),u(k-2),…,u(k-n+1)]u(k)的逼近，下半部分是对函数f[y(k),y(k-1),…,y(k-n+1),u(k-1),u(k-2),…,u(k-n+1)]的逼近。