[发明专利]实时监测刀具运行状态与寿命预测的系统及方法

权利要求书

1.实时监测刀具运行状态与寿命预测的系统，其特征在于，该系统包括有传感器信号采集模块、边缘网关、云端服务平台及运维看板；传感器信号采集模块安装在设备上并实时采集设备的运行数据及设备上刀具工作所产生的多种数据信号，传感器信号采集模块实时将采集到的数据上传到边缘网关，边缘网关中设有数据采集处理模块和刀具寿命预测模块，数据采集处理模块对采集到的数据进行批处理得到标准化数据，刀具寿命预测模块通过标准化数据进行刀具寿命的实时预测，边缘网关还将实时采集的运行数据与预测数据上传云端服务平台，云端服务平台经过数据筛选与聚合编写成数据分析API，用于运维看板的实时数据分析显示。

2.实时监测刀具运行状态与寿命预测的方法，其特征在于，该方法采用上述的基于边云协同的实时监测刀具运行状态与寿命预测的系统进行实时监测和预测，包括以下步骤：

S1：传感器信号采集模块实时采集设备刀具的多种信号与工作数据，包括设备的运行数据与刀具工作所产生的多种数据信号，实时将采集到的数据上传到边缘网关；

S2：边缘网关将传感器信号采集模块采集到的数据送入数据采集处理模块进行批处理得到标准化数据；

S3：边缘网关将标准化数据导入刀具寿命预测模块中，进行刀具寿命的实时预测，实时采集的运行数据与预测数据上传云端数据库；

S4：云端将边缘端发送的数据显示在设备的物模型属性并存于云端数据库中，云端数据库经过数据筛选与聚合编写成数据分析API，用于运维看板的实时数据分析显示；

S5：通过实时监测运维看板，实时监测各刀具的运行状态以及刀具预测寿命的结果，根据显示结果对刀具进行检修与更新。

3.根据权利要求2所述的实时监测刀具运行状态与寿命预测的方法，其特征在于，步骤S1中的设备是CNC设备，在CNC设备主轴上外接传感器信号采集模块，实时采集主轴的电压、电流、扭矩、切削力、温度和功率信号，将传感器信号采集模块采集的实时数据上发至边缘网关。

4.根据权利要求2所述的实时监测刀具运行状态与寿命预测的方法，其特征在于，步骤S2是利用边缘网关采集的大量信号数据导入数据采集处理模块，控制信号的采样率，并将采样数据进行均值、方差的处理，得到的标准化数据用于训练刀具预测的深度神经网络，并将训练好的寿命预测模型整合到刀具寿命预测模块；所述数据采集处理模块和刀具寿命预测模块由云端服务平台控制启停。

5.根据权利要求2所述的实时监测刀具运行状态与寿命预测的方法，其特征在于，所述刀具寿命的实时预测是对一段时间的数据进行分析，得到未来一段时间刀具的寿命情况与设定的刀具使用寿命的阈值进行比较，从而达到对刀具的寿命进行预测。

6.根据权利要求4所述的实时监测刀具运行状态与寿命预测的方法，其特征在于，步骤S2中具体包含以下步骤：

S2.1：将经过预处理的多种信号数据引入EFMSAE得到刀具寿命预测特征和SPE趋势曲线；

S2.2：预测和估计CNN模型的特征向量和趋势曲线，利用CNN对多特征融合的时间序列趋势进行预测，分析各部分的异常程度。

7.根据权利要求6所述的实时监测刀具运行状态与寿命预测的方法，其特征在于，所述的EFMSAE具体包含以下步骤：

S2.1.1：利用多个SAE提取未标记数据的多特征序列表示，其中，SAE是由多层AE（自动编码器）组成的分层深层神经网络结构，SAE中的稀疏限制机制作用于隐藏层，以控制“活跃”神经元的数量； 以sigmoid函数作为网络的激活函数，其范围为(0 ,1)，表示如下：

上式中，和分别表示第i个输入层和第i个输出层，在自动编码网络中，激活函数σ作用于输入层，并在其上执行编码操作以获得隐藏层的隐藏向量h； 隐藏向量在输出层中解码r以获得输出向量a，其表达式为：

第i个隐藏层的输入是X，∈R(M)，其中N是数据集的总数，m是每个数据集的维数，其中表示隐藏层的编码；表示输出层的解码权重；b1和b2分别表示编码和解码的偏差值； 表示隐藏层中第j个神经元的输出，表示第i个样本的输入；

S2.1.2：利用偏差值将多个SAE融合在一起，得到平方预测误差(SPE)值和SPE趋势曲线，在常规数据批处理的基础上，根据常规数据批估计阈值线()，根据测试数据计算SPE值，公式为：

其中，用k表示感器编号，残差矩阵R可以用X和A表示，并表示为：X=A+R，；为了随时估计阈值，需要在SPE中计算，可将SPE的分布定义为：

其中，α表示卡方分布变量的置信度，一般为0.05；h表示数据集中SPE的平均值；v表示数据集中的SPE的方差值；

S2.1.3：结合多通道传感器的SPE值得到系统的趋势曲线；

S2.1.4：比较与的图像曲线判断刀具寿命。