[发明专利]一种基于AlexNet网络的机床能耗状态识别方法及系统

说明书

本发明提供一种基于AlexNet网络的机床能耗状态识别方法及系统，包括：获取数控铣床的能耗数据，能耗数据包括：机床工作的电压、电流以及有效功率信息；对能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；将预设格式的小波时频图输入到预训练好的AlexNet网络，以基于所述小波时频图识别机床的能耗状态；AlexNet网络通过设置不同的学习率采用随机梯度下降法训练得到；机床的能耗状态包括：机床待机、主轴空转、空切、切削加工以及其他模式五种能耗状态。本发明是一种基于AlexNet网络的数据驱动机床能耗状态识别方法，提高机床能耗状态识别效率。

技术领域

本发明属于机床能耗识别领域，更具体地，涉及一种基于AlexNet网络的机床能耗状态识别方法及系统。

背景技术

机床能耗识别在制造业的能源预测、规划、管理和节能方面发挥着不可替代的作用。在大机械数据时代，数据驱动的机床能耗预测模型在能耗模式识别和能耗状况预测方面取得了显著成效。

在数控加工过程尤其是精加工过程中，其运行状态的精准识别，不仅有助于机床加工过程能量消耗与能量效率分析，更有助于数控机床的管理控制和节能优化，具有较为广泛的应用前景。

目前，国内外在机床能耗状态的识别方面已经有一些研究，例如专利文献CN104808554A“机床多源能耗系统多信息在线检测系统”，通过在机床各个耗能上安装功率传感器，全面检测机床的能耗动态信息，这样需要的功率传感器非常多，成本很高。专利文献CN111766832A“一种不完备数据驱动的数控机床切削能耗预测建模方法”，根据生成对抗网络的缺失数据估算法进行机床的切削能耗预测。专利文献CN109725599A“一种数控机床能效在线监测方法”，提出一种由专家或有经验的工作人员设计或提取手工特征，并利用领域知识对原始数据进行特征表示。

上述发明都对机床加工状态的识别起到了一定的推动作用，然而在机床加工过程中，多是在机床耗能部件供电处安装功率传感器，通过主轴或者机床的输入功率来间接识别机床的状态，但是，如果机床的状态改变了而功率变化小，那么就会识别不出来新的状态。但对于没有开放数据接口的机床或普通机床，自动实时获取其运行状态的方法非常有限。

针对机床能耗的现有数据驱动研究集中在手工特征学习方法的利用上，这种方法效率低且泛化能力差。此外，考虑到不同机床之间能耗特性的差异，为开发能源模型而手动识别能耗特征是不切实际的。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于AlexNet网络的机床能耗状态识别方法及系统，旨在解决现有机床能耗特性识别方法手动识别，识别效率低且泛化能力差的问题。

为实现上述目的，第一方面，本发明提供了一种基于AlexNet网络的机床能耗状态识别方法，包括如下步骤：

获取数控铣床的能耗数据，所述能耗数据包括：机床工作的电压、电流以及有效功率信息；

对所述能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；

将预设格式的小波时频图输入到预训练好的AlexNet网络，以基于所述小波时频图识别机床的能耗状态；所述AlexNet网络通过设置不同的学习率采用随机梯度下降法训练得到；所述机床的能耗状态包括：机床待机、主轴空转、空切、切削加工以及其他模式五种能耗状态；所述其他模式指的是机床有效功率信号的波动值超过预设值的工作状态。

在一个可选的示例中，所述预训练好的AlexNet网络，通过如下步骤得到：

预先采集数控铣床分别在所述五种能耗状态下的能耗数据；

对各种能耗状态下的能耗数据进行时域分析、频域分析以及小波分析，得到分析后的时频信号，并将分析后的时频信号绘制成预设格式的小波时频图；