一种数控机床加工时间预测方法与流程

1.本发明属于航空零件数控机床加工时间预测领域，具体涉及一种数控机床加工时间预测方法。


背景技术：

2.预测数控机床加工时间对于高效运用机床十分重要，同时对于零件排产也十分重要，预测时间不准会导致排产执行结果不准，排产过多将导致零件未按计划加工完成，排产过少则会导致机床利用率不高，对整个企业的订单管理非常不利。
3.专利cn102455679b公开了数控机床的加工时间预测装置，根据nc指令在指定的刀具路径上计算刀具移动所需要的时间，将刀具路径分割为多个段，求出分割后的各段的切向速度，计算得到各段上移动需要的时间，进而求出总的刀具移动时间，该专利只考虑了刀具移动时间，未考虑不同零件特征对刀具移动的速度的影响，以及真实加工时间对预测时间的优化。


技术实现要素：

4.本发明的目的在于提供一种数控机床加工时间预测方法，旨在解决上述的问题。本发明能够根据输入的零件数模加工特征、加工参数、设备参数、真实加工时间等工况信息数据，预测数控机床加工时间，能较为精细地评估机床加工中所用的时间，减少机床的空闲时间，提升机床的利用率，同时，能够为正确制定可执行的生产计划奠定了基础，提升了企业对订单流程执行时间的把控，提升企业的管理化水平。
5.本发明主要通过以下技术方案实现：一种数控机床加工时间预测方法，包括以下步骤：步骤s100：数据采集：采集零件数模加工特征、加工参数、机床信息、环境信息、理论的数控加工总时间以及真实的数控加工总时间的工况信息数据，并形成数据集；将采集到的所有数据进行清洗、标准化，填充空白值、剔除异常值，建立数控加工时间预测模型；步骤s200：针对采集的数据的特征，利用相关分析方法剔除特征间的相关性过高的特征，保证模型的泛化性能；然后，通过主成分分析对训练集的数据样本的高维输入特征降维，对采集到数据的特征进行主成分分析，计算主成分贡献率及累计贡献率，剔除贡献率低于阈值的特征；步骤s300：将数据集划分为训练集、验证集和测试集；利用gbrt梯度提升回归树算法基于训练集对数控加工时间预测模型进行训练，在训练过程中使用验证集对模型的参数进行调优，通过测试集对模型性能进行评估，得到最终的预测模型；步骤s400：采集待加工零件的零件特征信息、加工参数、机床信息、环境信息以及计算得到的数控加工总时间，并输入步骤s300中得到的预测模型，预测得到零件数控加工时间。
6.为了更好地实现本发明，进一步地，所述步骤s100包括以下步骤：
步骤s110：利用软件对零件数模进行分析，根据加工特征将其分为n种特征类型，即零件数模加工特征；步骤s120：根据特征类型将nc程序进行分段，并从nc指令中获取每个程序段的转速、进给、切深、切宽的加工参数；步骤s130：根据nc程序段和加工参数计算每个程序段的理想加工时间，计算得到理论的数控加工总时间；步骤s140：根据机床采集的dnc数据中获取每个程序段的真实加工时间，计算得到真实的数控加工总时间；步骤s150：获取机床信息和环境信息，并采集步骤s110-步骤s140中的工况信息数据，形成数据集。
7.为了更好地实现本发明，进一步地，所述步骤s100中，所述零件数模加工特征包括腹板、筋条、缘条转角、孔的特征；所述机床信息包括主轴类型、设备类型、设备型号，所述主轴类型包括机械主轴、电主轴；所述环境信息包括温度、湿度、振动。
8.为了更好地实现本发明，进一步地，所述步骤s100中，对数据中缺失的特征值采用k最近距离法进行填补，进一步对数据进行转换，采用直线法实现统一数据量纲和数量级：最大值化：最小值化：逆向化：其中，xi为第i个数据x，max(xi)为最大值数据x，min(xi)为最小值数据x。
9.为了更好地实现本发明，进一步地，所述步骤s200中，所述相关分析方法包括二元变量相关性分析、偏相关分析和距离相关分析中的任意一种或者多种。
10.为了更好地实现本发明，进一步地，所述步骤s200中，对于两个特征均为有序分类的，采用kendall相关系数r来评价相关性，计算公式如下：r=（p-(n*（n-1)/2-p))/(n*(n-1)/2)其中：n为统计对象，p为两个特征值排列大小关系一致的统计对象数；其他特征的相关性采用皮尔逊相关系数r表达，计算公式如下：其中：
为样本x的标准分数，xi为样本x的数据值，为样本x的平均值，为样本y的平均值，σ
x
为样本x的标准差，σy为样本y的标准差，r的取值范围为[-1,1]，|r|的值越小则相关性越小；删除特征间的相关性达到0.9至1的特征。以避免存在较多信息重复而导致模型存在较大误差，保证模型的泛化性能。
[0011]
为了更好地实现本发明，进一步地，所述步骤s200中，主成分zi的贡献率计算公式为：累计贡献率为：即其中：α
1i
,α
2i
,
…
,α
pi
为x的协方差阵∑的特征值所对应的特征向量，zx1,zx2,
…
,zx
p
是原始变量经过标准化处理后的值，λi为贡献量，λk为投入量，累计贡献率f
p
为主成分特征占据总特征的比例，累计贡献率取值为[0.8,0.9]。
[0012]
为了更好地实现本发明，进一步地，所述步骤s300中，通过m次迭代，每次迭代产生一个模型，让每次迭代产生的模型对训练集的损失函数最小，采用梯度下降的方法，在每次迭代时，向损失函数的负梯度方向移动使得损失函数越来越小，最后将每阶段模型相加得到最终预测结果。
[0013]
本发明的有益效果如下：本发明将待加工零件的加工特征、加工参数、机床信息以及环境信息等采集到的工况数据作为模型输入，综合考虑了数控加工中至关重要的多影响因素，较为精细地评估了机床加工中所用的时间。本发明根据特征类型对应采用kendall相关系数r、皮尔逊相关系数r来评价相关性，产生了优势互补的协同作用，且删除特征间的相关性达到0.9至1的特征，有效避免了存在较多信息重复而导致模型存在较大误差，保证了模型的泛化性能。本发明进一步的通过贡献率筛选了数据，提高了后期模型训练的准确性。通过大量的实践证明，本发明利用机器学习算法对数控加工时间进行了高准确的预测，为计划人员进行排产提供
了可靠的依据，实现了精准排产，提升企业的管理水平，具有较好的实用性。
附图说明
[0014]
图1为本发明的流程图。
具体实施方式
[0015]
实施例1：一种数控机床加工时间预测方法，通过快速程编软件对零件数模进行分析，根据加工特征将数控程序分为腹板段、筋条段、缘条段、孔段等程序段，从nc指令中获取每个程序段加工时的转速、进给、切深、切宽等加工参数，同时获取加工时机床信息和环境信息。基于以上工况特征中每项数据都是真实有效的基础上，将采集的数据作为输入，将完成所有程序段在机床真实加工时间作为输出。
[0016]
对所有数据进行清洗、标准化，建立数控加工时间预测模型。将数据样本分为训练集、验证集和测试集，使用机器学习算法对训练集进行模型训练，使用验证集进行“人工调参”，通过测试集对模型进行测试评价。通过分析参数对模型准确率的影响，进行参数调优，提升模型预测的准确率。
[0017]
将待加工零件的加工特征、加工参数、机床信息以及环境信息等采集到的工况数据作为模型输入，得到某个零件数控加工时间预测结果。本发明利用机器学习算法对数控加工时间进行预测，为计划人员进行排产提供了可靠的依据，实现精准排产，提升企业的管理水平。
[0018]
优选地，利用相关分析（二元变量相关分析、距离相关分析）等方法进行数据间的相关性分析，剔除重复因素；通过主成分分析对高维输入特征降维；利用gbrt(gradient boosting regression tree)梯度提升回归树算法对训练集进行训练生成模型，在训练过程中使用验证集对模型进行“人工调参”，通过测试集对模型性能进行评估。
[0019]
采集零件加工中的加工特征、加工参数、机床信息、环境信息等数据作为模型的输入，使用机器学习中的梯度提升决策树（gbdt）算法来对初始数据进行训练生成模型，该算法通过m次迭代，每次迭代产生一个模型，让每次迭代产生的模型对训练集的损失函数最小，采用梯度下降的方法，在每次迭代时向损失函数的负梯度方向移动使得损失函数越来越小，最后将每阶段模型相加得到最终预测结果。
[0020]
优选地，如图1所示，本发明主要包括以下步骤：s1：利用快速程编软件对零件数模进行分析，根据加工特征将其分为腹板段、筋条段、孔段等n种特征类型，feature:{f1,f2,
……
,fn}；s2：根据特征类型将nc程序进行分段：{f
1{s1,s2,s3,
……
,sa}，f2{s1,s2,s3,
……
,sb}，
……
，fn{s1,s2,s3,
……
,sm}
}并从nc指令中获取每个程序段的转速、进给、切深、切宽等加工参数；s3:根据nc程序段和加工参数计算每个程序段的理想加工时间{t1,t2,
……
,tn}，并求出零件数控加工时间，t
total
=t1+t2+
……
+tn；s4：根据机床采集的dnc数据中获取每个程序段的真实加工时间，计算得到零件数控加工的总时间；
s5：获取机床信息和环境信息，并采集以上工况的所有参数；将零件加工采集的特征信息、加工参数、机床信息、环境信息以及计算得到的加工总时间等信息作为一条记录，整理相关工况特征作为输入，数控机床加工时间作为输出；s6：将采集的数据按照6:2:2比例分为训练集、验证集和测试集，对采集到的所有数据进行标准化，填充空白值、异常值；s7：对采集的数据列进行二元变量相关性分析、偏相关分析和距离相关分析，剔除特征间的相关性过高的特征，保证模型的泛化性能；s8：对采集到数据的特征进行主成分分析（pricipal component analysis,pca），计算主成分贡献率及累计贡献率，按一定比例剔除贡献率较低的特征；s9：使用gbrt(gradient boosting regression tree)梯度提升回归树对训练集进行训练；s10：对训练模型中的参数进行调优，根据测试集评估模型并计算模型准确率；s11：采集需要加工零件的以上工况特征作为模型输入，预测零件数控加工时间。
[0021]
本发明将待加工零件的加工特征、加工参数、机床信息以及环境信息等采集到的工况数据作为模型输入，综合考虑了数控加工中至关重要的多影响因素，较为精细地评估了机床加工中所用的时间。本发明根据特征类型对应采用kendall相关系数r、皮尔逊相关系数r来评价相关性，产生了优势互补的协同作用，且删除特征间的相关性达到0.9至1的特征，有效避免了存在较多信息重复而导致模型存在较大误差，保证了模型的泛化性能。本发明进一步的通过贡献率筛选了数据，提高了后期模型训练的准确性。通过大量的实践证明，本发明利用机器学习算法对数控加工时间进行了高准确的预测，为计划人员进行排产提供了可靠的依据，实现了精准排产，提升企业的管理水平，具有较好的实用性。
[0022]
实施例2：一种数控机床加工时间预测方法，如图1所示，主要包括以下步骤：步骤1：通过对catia进行二次开发得到快速程编软件，该软件可识别到零件数模中的加工特征，得到零件包含的腹板、筋条、缘条转角、孔等n种类型。
[0023]
步骤2：基于步骤1中的加工特征将nc程序进行分段，并从nc指令中获取每个程序段的工艺参数，工艺参数主要包括转速、进给、切深、切宽等。
[0024]
步骤3：根据nc指令中加工的坐标以及步骤2中获取到的工艺参数，计算得出每个程序加工段的理论加工时间，累加得到零件的总数控加工时间。
[0025]
步骤4：从机床监控采集的dnc数据中获取零件数控加工的总时间。
[0026]
步骤5：获取机床信息和环境信息。机床信息主要包括：主轴类型、设备类型、设备型号等。主轴类型主要包括机械主轴、电主轴等。环境信息包括：温度、湿度、振动等，对分析的可能影响数控机床加工时间的因素进行收集，将所有特征作为一条记录。将所有收集的数据按照比例6:2:2分为训练集、验证集和测试集。
[0027]
步骤6：对数据中缺失的特征值采用k最近距离法进行填补，进一步对数据进行转换，采用直线法实现统一数据量纲和数量级：最大值化：
最小值化：逆向化：其中，xi为第i个数据x，max(xi)为最大值数据x，min(xi)为最小值数据x，并剔除数据的异常值。
[0028]
步骤7：对数据特征进行相关性分析，对于两个特征均为有序分类的采用kendall相关系数来评价相关性，计算公式如下：其中n为统计对象，p为两个特征值排列大小关系一致的统计对象数。
[0029]
其他特征的相关性采用皮尔逊（pearson）相关系数，计算公式如下：其中、及σ
x
分别是对xi样本的标准分数、样本平均值和样本你标准差。该协方差的取值范围为[-1,1]，|r|值越小则相关性越小。如果r值是0，则说明两个变量不相关，删除特征间的相关性达到0.9至1的特征，避免存在较多信息重复而导致模型存在较大误差，保证模型的泛化性能。
[0030]
步骤8：对数据中p个特征进行主成分分析（pricipal component analysis,pca），计算主成分贡献率及累计贡献率。主成分zi的贡献率计算公式为：累计贡献率：累计贡献率：其中α
1i
,α
2i
,
…
,α
pi
(i=1,...,m)为x的协方差阵∑的特征值所对应的特征向量，zx1,zx2,
…
,zx
p
是原始变量经过标准化处理的值。累计贡献率f
p
表示主成分特征占据总特征的比例，其值越大，包含的信息越多，通常取值在0.8-0.9之间。
[0031]
步骤9：使用gbrt梯度提升回归树对训练集进行训练。该算法主要由两个部分组成：回归树和梯度提升。其中回归树是通过信息增益进行节点分割和建树：
假设我们前一轮迭代得到的学习器是f
t-1(x),损失函数是l(y，f
t-1(x))，我们本轮迭代的目标是找到一个cart回归树模型的弱学习器h
t
(x)。gbrt由多棵决策树组成，所有树的结论累加起来做最终答案。
[0032]
步骤10：参数调优，优化并评估模型。gbrt框架参数主要包括n_estimators、learning_rate、subsample、init、loss等。在训练过程中不断使用验证集对模型进行“人工调参”，优化模型。利用测试集对模型的泛化能力进行测试。
[0033]
步骤11：当新零件需要加工前，采集模型中确定的主要因素信息，将其整合成一条记录作为模型的输入值，预测本次零件数控加工时间以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

技术特征：
1.一种数控机床加工时间预测方法，其特征在于，包括以下步骤：步骤s100：数据采集：采集零件数模加工特征、加工参数、机床信息、环境信息、理论的数控加工总时间以及真实的数控加工总时间的工况信息数据，并形成数据集；将采集到的所有数据进行清洗、标准化，填充空白值、剔除异常值，建立数控加工时间预测模型；步骤s200：针对采集的数据的特征，利用相关分析方法剔除特征间的相关性过高的特征，保证模型的泛化性能；然后，通过主成分分析对训练集的数据样本的高维输入特征降维，对采集到数据的特征进行主成分分析，计算主成分贡献率及累计贡献率，剔除贡献率低于阈值的特征；步骤s300：将数据集划分为训练集、验证集和测试集；利用gbrt梯度提升回归树算法基于训练集对数控加工时间预测模型进行训练，在训练过程中使用验证集对模型的参数进行调优，通过测试集对模型性能进行评估，得到最终的预测模型；步骤s400：采集待加工零件的零件特征信息、加工参数、机床信息、环境信息以及计算得到的数控加工总时间，并输入步骤s300中得到的预测模型，预测得到零件数控加工时间。2.根据权利要求1所述的一种数控机床加工时间预测方法，其特征在于，所述步骤s100包括以下步骤：步骤s110：利用软件对零件数模进行分析，根据加工特征将其分为n种特征类型，即零件数模加工特征；步骤s120：根据特征类型将nc程序进行分段，并从nc指令中获取每个程序段的转速、进给、切深、切宽的加工参数；步骤s130：根据nc程序段和加工参数计算每个程序段的理想加工时间，计算得到理论的数控加工总时间；步骤s140：根据机床采集的dnc数据中获取每个程序段的真实加工时间，计算得到真实的数控加工总时间；步骤s150：获取机床信息和环境信息，并采集步骤s110-步骤s140中的工况信息数据，形成数据集。3.根据权利要求2所述的一种数控机床加工时间预测方法，其特征在于，所述步骤s100中，所述零件数模加工特征包括腹板、筋条、缘条转角、孔的特征；所述机床信息包括主轴类型、设备类型、设备型号，所述主轴类型包括机械主轴、电主轴；所述环境信息包括温度、湿度、振动。4.根据权利要求1所述的一种数控机床加工时间预测方法，其特征在于，所述步骤s100中，对数据中缺失的特征值采用k最近距离法进行填补，进一步对数据进行转换，采用直线法实现统一数据量纲和数量级：最大值化：最小值化：逆向化：
其中，x
i
为第i个数据x，max(x
i
)为最大值数据x，min(x
i
)为最小值数据x。5.根据权利要求1所述的一种数控机床加工时间预测方法，其特征在于，所述步骤s200中，所述相关分析方法包括二元变量相关性分析、偏相关分析和距离相关分析中的任意一种或者多种。6.根据权利要求5所述的一种数控机床加工时间预测方法，其特征在于，所述步骤s200中，对于两个特征均为有序分类的，采用kendall相关系数r来评价相关性，计算公式如下：r=（p-(n*（n-1)/2-p))/(n*(n-1)/2)其中：n为统计对象，p为两个特征值排列大小关系一致的统计对象数；其他特征的相关性采用皮尔逊相关系数r表达，计算公式如下：其中：为样本x的标准分数，x
i
为样本x的数据值，为样本x的平均值，为样本y的平均值，σ
x
为样本x的标准差，σ
y
为样本y的标准差，r的取值范围为[-1,1]，|r|的值越小则相关性越小；删除特征间的相关性达到0.9至1的特征。7.根据权利要求1所述的一种数控机床加工时间预测方法，其特征在于，所述步骤s200中，主成分z
i
的贡献率计算公式为：累计贡献率为：即其中：α
1i
,α
2i
,
…
,α
pi
为x的协方差阵∑的特征值所对应的特征向量，
zx1,zx2,
…
,zx
p
是原始变量经过标准化处理后的值，λ
i
为贡献量，λ
k
为投入量，累计贡献率f
p
为主成分特征占据总特征的比例，累计贡献率取值为[0.8,0.9]。8.根据权利要求1所述的一种数控机床加工时间预测方法，其特征在于，所述步骤s300中，通过m次迭代，每次迭代产生一个模型，让每次迭代产生的模型对训练集的损失函数最小，采用梯度下降的方法，在每次迭代时，向损失函数的负梯度方向移动使得损失函数越来越小，最后将每阶段模型相加得到最终预测结果。

技术总结
本发明公开了一种数控机床加工时间预测方法，针对采集的数据的特征，利用相关分析方法剔除特征间的相关性过高的特征；然后，通过主成分分析对训练集的数据样本的高维输入特征降维，对采集到数据的特征进行主成分分析，按一定比例剔除贡献率较低的特征。将数据集划分为训练集、验证集和测试集，利用GBRT梯度提升回归树算法基于训练集对数控加工时间预测模型进行训练，在训练过程中使用验证集对模型的参数进行调优，通过测试集对模型性能进行评估，得到最终的预测模型，用于预测数控机床加工时间。本发明利用机器学习算法对数控加工时间进行了高准确的预测，为排产提供了可靠的依据，实现了精准排产，具有较好的实用性。具有较好的实用性。具有较好的实用性。


技术研发人员：牟文平 李彩云 褚福舜 刘宽 龚皓宁 舒建国
受保护的技术使用者：成都飞机工业（集团）有限责任公司
技术研发日：2023.09.12
技术公布日：2023/10/20