[发明专利]一种基于聚类算法的加工工况识别方法

说明书

本发明提出了一种基于聚类算法的加工工况识别方法，包括以下步骤：收集历史数据，采集设备运行时的电流信号数据及对应的时间序列数据；根据业务目标确定要识别的状态；若需识别区分几种加工状态，则选择KMeans聚类算法进行工况识别，通过调用模型对新数据进行分类，结合应用场景利用类别标签值提取相对应的状态；若需识别工件加工过程，则选择DBSCAN聚类算法进行工况识别，分析聚类结果，是否准确识别加工过程，若没有准确识别，则重新设定模型参数，持续迭代训练，直到可以准确识别；将训练好的模型参数进行保存、部署，通过调用模型对新数据进行加工过程识别提取。该方法能够实现对不同场景下加工过程及加工状态数据的识别及提取。

【技术领域】

本发明涉及工业互联网的技术领域，特别是一种通过聚类算法进行各种工业场景下的加工工况识别的模型方法。

【背景技术】

工业场景中，对机械设备运行工况变化的监测及识别具有重要意义，在识别工况状态的基础上，进一步可以实现工件统计、设备稼动率分析、设备故障诊断、工艺参数优化等应用。当前关于工业场景的工况识别有以下方式：

1、基于振动信号分析的工况识别方法，而振动信号的获取相比较电流信号而言成本较高，且噪声成分也较高。

2、基于电流原始信号，通过分析电流信号的频谱进行工况识别，如在《基于电流信号的转子系统故障诊断与采煤机截割工况识别》资料中，通过采样频率50Hz的电流信号，运用小波包能量法对电流信号进行特征提取，并结合支持向量机算法对工况进行识别，该方法要求采集频率较高，因而数据采集、存储、处理成本都会很高。

3、《铣削工况时变因素的侦测识别与学习优化方法》文献中提到在铣削加工场景中，通过获取数控系统的主轴转速、进给速度识别工况变化，而目前很多的工业场景没有数控系统或者无法采集控制参数，所以该方法有一定的局限性。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种基于聚类算法的加工工况识别方法，通过采集时间序列的电流数据，对不同场景进行对应的数据处理，再结合DBSCAN聚类算法以及KMeans聚类算法构建加工工况识别的模型方法，实现对不同场景下加工过程及加工状态数据的识别及提取。

为实现上述目的，本发明提出了一种基于聚类算法的加工工况识别方法，包括以下步骤：

S1.收集历史数据，采集设备运行时的电流信号数据及对应的时间序列数据；

S2.根据业务目标确定是要识别区分几种加工状态，还是要识别工件每个加工过程；若需识别区分几种加工状态，则选择KMeans聚类算法进行工况识别，进入步骤S3；若需识别工件加工过程，则选择DBSCAN聚类算法进行工况识别，进入步骤S4；

S3.KMeans聚类算法工况识别，具体包括以下步骤：

S31.提取电流信号数据，对数据进行分析，确定工况状态种类；

S32.将步骤S31中工况状态种类作为模型参数K的取值，电流信号数据作为输入变量，利用KMeans聚类算法进行模型训练；

S33.将训练好的模型进行保存、部署，通过调用模型对新数据进行分类，结合应用场景利用类别标签值提取相对应的状态；

S4.DBSCAN聚类算法工况识别，具体包括以下步骤：

S41.提取电流信号数据及对应的时间序列数据，分别对两个字段数据进行处理，并按照时间列排序；

S42.分析历史数据工况特点，进行模型参数距离阈值eps、邻域样本数阈值min_samples初始设定；

S43.将处理后的时间序列数据、电流数据作为模型输入变量，结合参数初始设定值利用DBSCAN聚类算法进行模型训练；