针对数控机床的能耗预测方法、系统及相关设备与流程

阅读：评论：0

1.本发明涉及能耗预测技术领域，尤其涉及的是一种针对数控机床的能耗预测方法、系统及相关设备。

背景技术：

2.随着科学技术的发展，尤其是智能制造技术的发展，数控机床的应用越来越广泛，同时，制造业所需要的能量消耗也越来越多。数控机床是智能制造技术中常用的一种制造设备，因此，对于数控机床能耗的分析和预测对于合理进行能耗规划是非常重要的。
3.现有技术中，通常只能根据数控机床加工过程中的加工参数，通过预先构建的能耗计算公式计算能耗以实现数控机床的能耗预测。但数控机床使用过程中的能耗是受到多种因素的影响的，各种因素之间可能存在复杂的相互作用，并且多种因素对于能耗的影响不完全是线性的，简单的公式无法体现各种因素之间的相互作用和非线性的关系。因此，现有技术的问题在于，仅根据加工过程中的加工参数通过能耗计算公式进行能耗预测的方式无法准确考虑多种因素的影响，不利于提高能耗预测的准确性。
4.因此，现有技术还有待改进和发展。

技术实现要素：

5.本发明的主要目的在于提供一种针对数控机床的能耗预测方法、系统及相关设备，旨在解决现有技术中仅根据加工过程中的加工参数通过能耗计算公式进行能耗预测的方式无法准确考虑多种因素的影响，不利于提高能耗预测的准确性的问题。
6.为了实现上述目的，本发明第一方面提供一种针对数控机床的能耗预测方法，其中，上述针对数控机床的能耗预测方法包括：获取目标工件对应的加工数据，其中，所述加工数据包括加工特征信息、初始加工参数和目标工作模式，所述初始加工参数包括切削速度、进出刀量和背给量；获取待预测数控机床对应的稳定性数据，其中，所述稳定性数据包括电压稳定性数据、电流稳定性数据和温度稳定性数据；根据所述目标工作模式获取已训练的能耗预测模型，根据所述加工数据和所述稳定性数据，通过所述已训练的能耗预测模型获取所述待预测数控机床完成所述目标工件的加工时对应的综合预测能耗。
7.可选的，所述电压稳定性数据是所述待预测数控机床的电压曲线在预设数目个目标历史时刻对应的斜率绝对值的均值；所述电流稳定性数据是所述待预测数控机床的电流曲线在所有所述目标历史时刻对应的斜率绝对值的均值；所述温度稳定性数据是所述待预测数控机床的温度曲线在所有所述目标历史时刻对应的斜率绝对值的均值。
8.可选的，所述电压稳定性数据是电压均值与电压差均值之和，所述电压均值是所
述待预测数控机床在预设历史时间段内的电压的均值，所述电压差均值包括所述待预测数控机床在所述预设历史时间段内的预设数目个电压差绝对值的均值，一个所述电压差绝对值为所述预设历史时间段内一个目标历史时刻与该目标历史时刻的前一时刻之间的电压差值的绝对值；所述电流稳定性数据是电流均值与电流差均值之和，所述电流均值是所述待预测数控机床在预设历史时间段内的电流的均值，所述电流差均值包括所述待预测数控机床在所述预设历史时间段内的预设数目个电流差绝对值的均值，一个所述电流差绝对值为所述预设历史时间段内一个目标历史时刻与该目标历史时刻的前一时刻之间的电流差值的绝对值；所述温度稳定性数据是温度均值与温度差均值之和，所述温度均值是所述待预测数控机床在预设历史时间段内的温度的均值，所述温度差均值包括所述待预测数控机床在所述预设历史时间段内的预设数目个温度差绝对值的均值，一个所述温度差绝对值为所述预设历史时间段内一个目标历史时刻与该目标历史时刻的前一时刻之间的温度差值的绝对值。
9.可选的，所述根据所述目标工作模式获取已训练的能耗预测模型，包括：获取待配置的能耗预测模型及其对应的多组经训练获得的模型参数组，其中，一组所述模型参数组与所述待预测数控机床对应的多种预设工作模式中的一种对应，所述多种预设工作模式包括能耗优先模式、速度优先模式、平稳性优先模式和混合模式；当所述目标工作模式是所述能耗优先模式、所述速度优先模式或所述平稳性优先模式中的任意一种时，获取所述目标工作模式对应的模型参数组并作为目标模型参数组，反之则将所述混合模式对应的模型参数组作为目标模型参数组；根据所述目标模型参数组配置所述待配置的能耗预测模型中的模型参数并获得已训练的能耗预测模型。
10.可选的，所述模型参数组根据如下步骤预先获得：获取训练数据集合，根据所述训练数据集合中各个训练数据对应的训练工作模式对所述训练数据分组并获得多个训练数据组，其中，一个所述训练数据包括训练加工特征信息、训练加工参数、训练工作模式、训练稳定性数据和训练综合实际能耗，一个所述训练数据组与一种所述预设工作模式对应；分别根据各所述训练数据组对所述待配置的能耗预测模型进行训练，并获得各所述训练数据组对应的模型参数组，作为所述待配置的能耗预测模型对应的经训练获得的模型参数组。
11.可选的，对于任意一组训练数据组，根据如下步骤训练获得该训练数据组对应的模型参数组：将所述训练数据组中的训练加工特征信息、训练加工参数、训练工作模式和训练稳定性数据输入所述待配置的能耗预测模型，通过所述待配置的能耗预测模型生成对应的训练综合预测能耗；根据所述训练综合实际能耗和所述训练综合预测能耗对所述待配置的能耗预测模型的模型参数进行调整，并继续执行所述将所述训练数据组中的训练加工特征信息、训练加工参数、训练工作模式和训练稳定性数据输入所述待配置的能耗预测模型的步骤，直
至满足预设训练条件，以得到所述训练数据组对应的一组经训练获得的模型参数组。
12.可选的，在所述根据所述目标工作模式获取已训练的能耗预测模型，根据所述加工数据和所述稳定性数据，通过所述已训练的能耗预测模型获取所述待预测数控机床完成所述目标工件的加工时对应的综合预测能耗之后，所述方法还包括：当所述综合预测能耗大于预设能耗阈值时，根据预设的加工参数范围约束，通过预设的粒子优化算法对所述初始加工参数进行优化以获得目标加工参数，其中，所述目标加工参数所对应的综合目标预测能耗不大于所述预设能耗阈值。
13.本发明第二方面提供一种针对数控机床的能耗预测系统，其中，上述针对数控机床的能耗预测系统包括：加工数据获取模块，用于获取目标工件对应的加工数据，其中，所述加工数据包括加工特征信息、初始加工参数和目标工作模式，所述初始加工参数包括切削速度、进出刀量和背给量；稳定性数据获取模块，用于获取待预测数控机床对应的稳定性数据，其中，所述稳定性数据包括电压稳定性数据、电流稳定性数据和温度稳定性数据；预测模块，用于根据所述目标工作模式获取已训练的能耗预测模型，根据所述加工数据和所述稳定性数据，通过所述已训练的能耗预测模型获取所述待预测数控机床完成所述目标工件的加工时对应的综合预测能耗。
14.本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的针对数控机床的能耗预测程序，上述针对数控机床的能耗预测程序被上述处理器执行时实现上述任意一种针对数控机床的能耗预测方法的步骤。
15.本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有针对数控机床的能耗预测程序，上述针对数控机床的能耗预测程序被处理器执行时实现上述任意一种针对数控机床的能耗预测方法的步骤。
16.由上可见，本发明方案中，获取目标工件对应的加工数据，其中，所述加工数据包括加工特征信息、初始加工参数和目标工作模式，所述初始加工参数包括切削速度、进出刀量和背给量；获取待预测数控机床对应的稳定性数据，其中，所述稳定性数据包括电压稳定性数据、电流稳定性数据和温度稳定性数据；根据所述目标工作模式获取已训练的能耗预测模型，根据所述加工数据和所述稳定性数据，通过所述已训练的能耗预测模型获取所述待预测数控机床完成所述目标工件的加工时对应的综合预测能耗。
17.与现有技术中相比，本发明方案中，在针对数控机床进行能耗预测时，结合考虑包括加工数据和稳定性数据的多种因素，并且使用已训练的能耗预测模型进行能耗预测，而非使用简单的公式进行计算预测。基于已训练的能耗预测模型，可以将非线性作用的多种因素进行融合，并且充分考虑各种因素之间复杂的相互作用以及最终对能耗的影响，实现能耗预测，有利于提高能耗预测的准确性。
附图说明
18.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些
实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
19.图1是本发明实施例提供的一种针对数控机床的能耗预测方法的流程示意图；图2是本发明实施例提供的一种针对数控机床的能耗预测系统的结构示意图；图3是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
20.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
21.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
22.还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
23.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
24.如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当
…
时”或“一旦”或“响应于确定”或“响应于分类到”。类似的，短语“如果确定”或“如果分类到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦分类到[所描述的条件或事件]”或“响应于分类到[所描述条件或事件]”。
[0025]
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0026]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0027]
随着科学技术的发展，尤其是智能制造技术的发展，数控机床的应用越来越广泛，同时，制造业所需要的能量消耗也越来越多。而降低能耗、减少对环境的影响已经成为现代绿制造领域研究的重点问题。数控机床是智能制造技术中常用的一种基础制造设备，因此，对于数控机床能耗的分析和预测对于合理进行能耗规划是非常重要的，对其加工过程能耗有效分析和准确预测都具有重要意义。
[0028]
现有技术中，通常只能根据数控机床加工过程中的加工参数，通过预先构建的能耗计算公式计算能耗以实现数控机床的能耗预测。但数控机床使用过程中的能耗是受到多种因素的影响的，各种因素之间可能存在复杂的相互作用，并且多种因素对于能耗的影响不完全是线性的，简单的公式无法体现各种因素之间的相互作用和非线性的关系。例如，数
控机床的加工过程不仅受加工参数的影响，还可能受电压、电流、温度等因素的影响。例如加工过程中如果温度过大或者温度波动过大时，数控机床需要智能地减缓加工速度或者降低加工时的功率，以避免温度波动或温度过热带来加工误差或损坏数控机床，在调节过程中，对应的能耗也会受到影响，并且这种影响是非线性的，无法直接通过公式表示出来。
[0029]
因此，现有技术的问题在于，仅根据加工过程中的加工参数通过能耗计算公式进行能耗预测的方式无法准确考虑多种因素的影响，不利于提高能耗预测的准确性。
[0030]
为了解决上述多个问题中的至少一个问题，本发明方案中，获取目标工件对应的加工数据，其中，所述加工数据包括加工特征信息、初始加工参数和目标工作模式，所述初始加工参数包括切削速度、进出刀量和背给量；获取待预测数控机床对应的稳定性数据，其中，所述稳定性数据包括电压稳定性数据、电流稳定性数据和温度稳定性数据；根据所述目标工作模式获取已训练的能耗预测模型，根据所述加工数据和所述稳定性数据，通过所述已训练的能耗预测模型获取所述待预测数控机床完成所述目标工件的加工时对应的综合预测能耗。
[0031]
与现有技术中相比，本发明方案中，在针对数控机床进行能耗预测时，结合考虑包括加工数据和稳定性数据的多种因素，并且使用已训练的能耗预测模型进行能耗预测，而非使用简单的公式进行计算预测。基于已训练的能耗预测模型，可以将非线性作用的多种因素进行融合，并且充分考虑各种因素之间复杂的相互作用以及最终对能耗的影响，实现能耗预测，有利于提高能耗预测的准确性。
[0032]
同时，本发明中，还可以针对预测获得的综合预测能耗判断加工过程中的能耗是否合格（小于预设的能耗阈值则合格）。如果不合格，则可以针对加工参数进行优化，以降低对应的能耗。
[0033]
示例性方法如图1所示，本发明实施例提供一种针对数控机床的能耗预测方法，具体的，上述方法包括如下步骤：步骤s100，获取目标工件对应的加工数据，其中，上述加工数据包括加工特征信息、初始加工参数和目标工作模式，上述初始加工参数包括切削速度、进出刀量和背给量。
[0034]
其中，上述目标工件是需要通过数控机床进行加工的工件。数控机床在对不同的工件进行加工的过程中，所需要消耗的能耗是不同的，因此本实施例中基于上述能耗预测方法预测数控机床对目标工件进行加工的过程中所需要消耗的能耗。加工数据用于体现目标工件在加工过程中对应的设置信息和数控机床对应的运行状态。本实施例中，上述加工特征信息可以包括目标工件的名称、形状、对应的加工特征等信息，在此不作具体限定。
[0035]
上述初始加工参数是预先设置或由用户输入的在数控机床对上述目标工件进行加工过程中的参数，可以包括切削速度、进出刀量和背给量，还可以包括其它参数，在此不作具体限定。上述目标工作模式是预先设置或者由用户指定的数控机床在对上述目标工件进行加工时所使用的一种工作模式，可以根据实际需求进行设定，当未设置具体的工作模式时，可以将该目标工件的目标工作模式记为其它模式或者混合模式。
[0036]
步骤s200，获取待预测数控机床对应的稳定性数据，其中，上述稳定性数据包括电压稳定性数据、电流稳定性数据和温度稳定性数据。
[0037]
其中，上述待预测数控机床是需要进行能耗预测的数控机床，也是用于加工上述
目标工件的数控机床。上述稳定性数据用于体现对应因素的稳定性（即变化情况，变化情况越剧烈则稳定性越小），具体的，电压稳定性数据用于表示上述待预测数控机床在预设时间段内的电压变化情况，电流稳定性数据用于表示上述待预测数控机床在预设时间段内的电流变化情况，温度稳定性数据用于表示上述待预测数控机床在预设时间段内的温度变化情况。
[0038]
需要说明的是，上述稳定性数据可以以百分比的形式表示，也可以以数值的形式表示，在本实施例中以数值的形式为例进行说明，但不作为具体限定。
[0039]
在一种应用场景中，上述电压稳定性数据、电流稳定性数据和温度稳定性数据分别为预设历史时间段内的电压标准差、电流标准差和温度标准差。
[0040]
在另一种应用场景中，上述电压稳定性数据是上述待预测数控机床的电压曲线在预设数目个目标历史时刻对应的斜率绝对值的均值；上述电流稳定性数据是上述待预测数控机床的电流曲线在所有上述目标历史时刻对应的斜率绝对值的均值；上述温度稳定性数据是上述待预测数控机床的温度曲线在所有上述目标历史时刻对应的斜率绝对值的均值。以更好的体现出对应的稳定性数据变化的随机性，即变化的随机性。其中，上述预设数目是预先设定的数目（例如5或1），上述目标历史时刻是属于预设历史时间段内的时刻。需要说明的是，预设历史时间段是预先设置的一个在当前时刻之前的时间段，且该时间段内数控机床正在运行。进一步的，上述预设历史时间段的结束时刻是当前时刻，且当前时刻是其中一个目标历史时刻。需要说明的是，上述目标历史时刻可以在预设历史时间段内随机选择或均匀选择，在此不作具体限定。
[0041]
在另一种应用场景中，上述电压稳定性数据是电压均值与电压差均值之和，上述电压均值是上述待预测数控机床在预设历史时间段内的电压的均值，上述电压差均值包括上述待预测数控机床在上述预设历史时间段内的预设数目个电压差绝对值的均值，一个上述电压差绝对值为上述预设历史时间段内一个目标历史时刻与该目标历史时刻的前一时刻之间的电压差值的绝对值；上述电流稳定性数据是电流均值与电流差均值之和，上述电流均值是上述待预测数控机床在预设历史时间段内的电流的均值，上述电流差均值包括上述待预测数控机床在上述预设历史时间段内的预设数目个电流差绝对值的均值，一个上述电流差绝对值为上述预设历史时间段内一个目标历史时刻与该目标历史时刻的前一时刻之间的电流差值的绝对值；上述温度稳定性数据是温度均值与温度差均值之和，上述温度均值是上述待预测数控机床在预设历史时间段内的温度的均值，上述温度差均值包括上述待预测数控机床在上述预设历史时间段内的预设数目个温度差绝对值的均值，一个上述温度差绝对值为上述预设历史时间段内一个目标历史时刻与该目标历史时刻的前一时刻之间的温度差值的绝对值。
[0042]
需要说明的是，在不同应用场景中预设历史时间段、目标历史时刻等相同的名称可以代表相同的含义，在此不再赘述。本实施例中，上述预设数目可以为1或大于1。同时，当前时刻所对应的影响是最大的，因此当预设数目为1时，对应的目标历史时刻即为当前时刻，预设数目不为1时，当前时刻是其中一个目标历史时刻，以充分考虑当前时刻的影响。可选的，在计算时还可以针对不同目标历史时刻与当前时刻之间的时间距离为不同目标历史
时刻对应的数据进行加权（例如在求电压均值和电压差均值时进行加权平均），距离当前时刻越仅的目标历史时刻的权重越大。
[0043]
步骤s300，根据上述目标工作模式获取已训练的能耗预测模型，根据上述加工数据和上述稳定性数据，通过上述已训练的能耗预测模型获取上述待预测数控机床完成上述目标工件的加工时对应的综合预测能耗。
[0044]
需要说明的是，在不同的工作模式下，数控机床即使对同一个工件进行加工，其消耗的能耗也是不一样的，因此，本实施例中，预先根据不同的工作模式对能耗预测模型进行了训练，并存储了不同工作模式所对应的最佳模型参数。在使用过程中，只需要确定目标工作模式所对应的一组最佳模型参数，即可以获得对应的已训练的能耗预测模型，从而实现该目标工作模式对应的能耗预测。
[0045]
具体的，数控机床的工作模式可以直接以第一模式、第二模式的方式进行区分，也可以根据实际工作情况进行区分（例如区分为能耗优先模式、速度优先模式等），在此不作具体限定。
[0046]
在另一种应用场景中，数控机床的不同工作模式还可以对应于不同的加工特性信息（例如用于加工不同类别的工件）或者对应于不同的加工参数范围，在此不作具体限定。
[0047]
本实施例中，上述根据上述目标工作模式获取已训练的能耗预测模型，包括：获取待配置的能耗预测模型及其对应的多组经训练获得的模型参数组，其中，一组上述模型参数组与上述待预测数控机床对应的多种预设工作模式中的一种对应，上述多种预设工作模式包括能耗优先模式、速度优先模式、平稳性优先模式和混合模式；当上述目标工作模式是上述能耗优先模式、上述速度优先模式或上述平稳性优先模式中的任意一种时，获取上述目标工作模式对应的模型参数组并作为目标模型参数组，反之（即当上述目标工作模式不是上述能耗优先模式、上述速度优先模式或上述平稳优先模式中的任意一种时）则将上述混合模式对应的模型参数组作为目标模型参数组；根据上述目标模型参数组配置上述待配置的能耗预测模型中的模型参数并获得已训练的能耗预测模型。
[0048]
其中，上述能耗优先模式即保证能耗最小的模式，速度优先模式即保证加工速度最快的模式，平稳性优先模式即保证加工过程最平稳的模式（例如刀具轨迹不会突变，以进行刀具保护）。本实施例中，混合模式用于表示一种目标加工工件的实际加工模式未知的加工模式，即混合模式可以对应一种综合的而非针对某一种特定加工模式的能耗预测。例如，在未指定目标工作模式，或者目标工作模式与数控机床实际能提供的预设加工模式不匹配时，可以先基于混合模式进行能耗预测，以满足能耗预测要求，提高本实施例中能耗预测方法的适用性。
[0049]
进一步的，上述模型参数组根据如下步骤预先获得：获取训练数据集合，根据上述训练数据集合中各个训练数据对应的训练工作模式对上述训练数据分组并获得多个训练数据组，其中，一个上述训练数据包括训练加工特征信息、训练加工参数、训练工作模式、训练稳定性数据和训练综合实际能耗，一个上述训练数据组与一种上述预设工作模式对应；分别根据各上述训练数据组对上述待配置的能耗预测模型进行训练，并获得各上述训练数据组对应的模型参数组，作为上述待配置的能耗预测模型对应的经训练获得的模
型参数组。
[0050]
其中，上述训练数据集合是由多种不同训练工作模式下的训练数据组合构成的数据集合。划分过后，对于上述能耗优先模式、上述速度优先模式或上述平稳优先模式所对应的训练数据组，其中的所有训练数据都属于对应的训练工作模式。而对于混合模式所对应的训练数据组，其中包括多痛不同训练工作模式的训练数据，具体的，上述混合模式所对应的训练数据组由所有其它模式对应的训练数据组成，或者由上述训练数据集合中的所有训练数据组成，其中，上述其它模式为不属于上述能耗优先模式、上述速度优先模式或上述平稳优先模式中任意一种的工作模式。如此，可以更好的针对不同工作模式以及针对难以确定的混合模式进行模型训练，提高针对不同工作模式的能耗预测的准确性。
[0051]
本实施例中针对各组训练数据组分别进行训练，具体的，对于任意一组训练数据组，根据如下步骤训练获得该训练数据组对应的模型参数组：将上述训练数据组中的训练加工特征信息、训练加工参数、训练工作模式和训练稳定性数据输入上述待配置的能耗预测模型，通过上述待配置的能耗预测模型生成对应的训练综合预测能耗；根据上述训练综合实际能耗和上述训练综合预测能耗对上述待配置的能耗预测模型的模型参数进行调整，并继续执行上述将上述训练数据组中的训练加工特征信息、训练加工参数、训练工作模式和训练稳定性数据输入上述待配置的能耗预测模型的步骤，直至满足预设训练条件，以得到上述训练数据组对应的一组经训练获得的模型参数组。上述预设训练条件是迭代次数达到预设的迭代次数阈值或者计算的损失值小于预设的损失阈值。其中，损失值可以基于预设的损失函数，针对上述训练综合实际能耗和上述训练综合预测能耗之间的差异来计算获得，在此不作具体限定。其中，训练综合实际能耗是一组训练数据所对应的实际加工过程中实际消耗的能耗，训练综合预测能耗则是针对该组训练数据，由能耗预测模型预测出来的能耗，两者之间的差异体现了模型的预测性能。
[0052]
其中，模型训练过程中的数据与步骤s100至步骤s300之间进行能耗预测时输入到模型中的数据是对应的，例如上述训练稳定性数据包括训练电压稳定性数据、训练电流稳定性数据和训练温度稳定性数据，其获取方式也可以参照上文描述，在此不再赘述。
[0053]
在一种应用场景中，上述能耗预测模型是预先设置的长短期记忆人工神经网络（lstm，long short-term memory）模型，上述综合预测能耗由通过能耗预测模型预测获得的基本能耗、主轴系统能耗、辅助系统能耗和材料切削能耗（加权）求和获得，各种能耗对应的权重系数可以相同也可以不同，由用户预先设置，在此不作具体限定。此时，对应的训练综合实际能耗和训练综合预测能耗也由上述各种能耗同样加权求和获得，上述能耗预测模型直接预测获得的是上述各种能耗。如此，可以根据预先设置的神经网络模型拟合和处理复杂多源的非线性能耗数据，提高能耗预测的准确性，以解决传统算法难以拟合复杂队员的非线性能耗数据的问题。
[0054]
其中，上述基本能耗为数控机床不使用其它功能，仅保持开机运行状态所需要的能耗，或者为数控机床的空载能耗。
[0055]
本实施例中，在上述根据上述目标工作模式获取已训练的能耗预测模型，根据上述加工数据和上述稳定性数据，通过上述已训练的能耗预测模型获取上述待预测数控机床完成上述目标工件的加工时对应的综合预测能耗之后，上述方法还包括：当上述综合预测
能耗大于预设能耗阈值时，根据预设的加工参数范围约束，通过预设的粒子优化算法对上述初始加工参数进行优化以获得目标加工参数，其中，上述目标加工参数所对应的综合目标预测能耗不大于上述预设能耗阈值。
[0056]
需要说明的是，上述初始加工参数是由用户输入的加工参数，但不一定是加工过程中为了保证能耗最小的一组加工参数，因此可以针对初始加工参数进行优化，以达到减小能耗的目的。上述预设的加工参数范围约束由预先设置或用户输入的各个加工参数对应的最大值和最小值构成，用于限定参数优化过程中参数不会超出对应的最小值和最大值所限定的范围，从而避免加工出错或者避免出现优化后的目标加工参数是数控机床无法达到的加工参数的情况出现。
[0057]
其中，上述预设能耗阈值可以由用户根据实际需求预先输入或设置，也可以根据上述待预测数控机床所对应的历史能耗检测数据确定，在此不作具体限定。
[0058]
在一种应用场景中，上述综合预测能耗由多种具体能耗（包括基本能耗、主轴系统能耗、辅助系统能耗和材料切削能耗）计算获得，因此也可以分别为各种具体能耗设置对应的能耗阈值，以提高能耗控制的准确性。同时，通过预设的粒子算法进行参数优化时，也可以以每一种具体能耗都达到最小为目的，根据预设的多目标优化算法进行多目标优化，在此不作具体限定。
[0059]
由上可见，本发明方案中，在针对数控机床进行能耗预测时，结合考虑包括加工数据和稳定性数据的多种因素，并且使用已训练的能耗预测模型进行能耗预测，而非使用简单的公式进行计算预测。基于已训练的能耗预测模型，可以将非线性作用的多种因素进行融合，并且充分考虑各种因素之间复杂的相互作用以及最终对能耗的影响，实现能耗预测，有利于提高能耗预测的准确性。示例性设备如图2中所示，对应于上述针对数控机床的能耗预测方法，本发明实施例还提供一种针对数控机床的能耗预测系统，上述针对数控机床的能耗预测系统包括：加工数据获取模块410，用于获取目标工件对应的加工数据，其中，所述加工数据包括加工特征信息、初始加工参数和目标工作模式，所述初始加工参数包括切削速度、进出刀量和背给量；稳定性数据获取模块420，用于获取待预测数控机床对应的稳定性数据，其中，所述稳定性数据包括电压稳定性数据、电流稳定性数据和温度稳定性数据；预测模块430，用于根据所述目标工作模式获取已训练的能耗预测模型，根据所述加工数据和所述稳定性数据，通过所述已训练的能耗预测模型获取所述待预测数控机床完成所述目标工件的加工时对应的综合预测能耗。
[0060]
具体的，本实施例中，上述针对数控机床的能耗预测系统及其各模块的具体功能可以参照上述针对数控机床的能耗预测方法中的对应描述，在此不再赘述。
[0061]
需要说明的是，上述针对数控机床的能耗预测系统的各个模块的划分方式并不唯一，在此也不作为具体限定。
[0062]
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图3所示。上述智能终端包括处理器及存储器。该智能终端的存储器包括针对数控机床的能耗预测程序，存储器为针对数控机床的能耗预测程序的运行提供环境。该针对数控机床的能耗预测程序被处理器执行时实现上述任意一种针对数控机床的能耗预测方法的步骤。需要说明的
是，上述智能终端还可以包括其它功能模块或单元，在此不作具体限定。
[0063]
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体地智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0064]
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有针对数控机床的能耗预测程序，上述针对数控机床的能耗预测程序被处理器执行时实现本发明实施例提供的任意一种针对数控机床的能耗预测方法的步骤。
[0065]
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0066]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0067]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0068]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0069]
在本发明所提供的实施例中，应该理解到，所揭露的系统/智能终端和方法，可以通过其它的方式实现。例如，以上所描述的系统/智能终端实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0070]
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
[0071]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实
施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：

1.一种针对数控机床的能耗预测方法，其特征在于，所述方法包括：获取目标工件对应的加工数据，其中，所述加工数据包括加工特征信息、初始加工参数和目标工作模式，所述初始加工参数包括切削速度、进出刀量和背给量；获取待预测数控机床对应的稳定性数据，其中，所述稳定性数据包括电压稳定性数据、电流稳定性数据和温度稳定性数据；根据所述目标工作模式获取已训练的能耗预测模型，根据所述加工数据和所述稳定性数据，通过所述已训练的能耗预测模型获取所述待预测数控机床完成所述目标工件的加工时对应的综合预测能耗。2.根据权利要求1所述的针对数控机床的能耗预测方法，其特征在于，所述电压稳定性数据是所述待预测数控机床的电压曲线在预设数目个目标历史时刻对应的斜率绝对值的均值；所述电流稳定性数据是所述待预测数控机床的电流曲线在所有所述目标历史时刻对应的斜率绝对值的均值；所述温度稳定性数据是所述待预测数控机床的温度曲线在所有所述目标历史时刻对应的斜率绝对值的均值。3.根据权利要求1所述的针对数控机床的能耗预测方法，其特征在于，所述电压稳定性数据是电压均值与电压差均值之和，所述电压均值是所述待预测数控机床在预设历史时间段内的电压的均值，所述电压差均值包括所述待预测数控机床在所述预设历史时间段内的预设数目个电压差绝对值的均值，一个所述电压差绝对值为所述预设历史时间段内一个目标历史时刻与该目标历史时刻的前一时刻之间的电压差值的绝对值；所述电流稳定性数据是电流均值与电流差均值之和，所述电流均值是所述待预测数控机床在预设历史时间段内的电流的均值，所述电流差均值包括所述待预测数控机床在所述预设历史时间段内的预设数目个电流差绝对值的均值，一个所述电流差绝对值为所述预设历史时间段内一个目标历史时刻与该目标历史时刻的前一时刻之间的电流差值的绝对值；所述温度稳定性数据是温度均值与温度差均值之和，所述温度均值是所述待预测数控机床在预设历史时间段内的温度的均值，所述温度差均值包括所述待预测数控机床在所述预设历史时间段内的预设数目个温度差绝对值的均值，一个所述温度差绝对值为所述预设历史时间段内一个目标历史时刻与该目标历史时刻的前一时刻之间的温度差值的绝对值。4.根据权利要求1所述的针对数控机床的能耗预测方法，其特征在于，所述根据所述目标工作模式获取已训练的能耗预测模型，包括：获取待配置的能耗预测模型及其对应的多组经训练获得的模型参数组，其中，一组所述模型参数组与所述待预测数控机床对应的多种预设工作模式中的一种对应，所述多种预设工作模式包括能耗优先模式、速度优先模式、平稳性优先模式和混合模式；当所述目标工作模式是所述能耗优先模式、所述速度优先模式或所述平稳性优先模式中的任意一种时，获取所述目标工作模式对应的模型参数组并作为目标模型参数组，反之则将所述混合模式对应的模型参数组作为目标模型参数组；根据所述目标模型参数组配置所述待配置的能耗预测模型中的模型参数并获得已训练的能耗预测模型。5.根据权利要求4所述的针对数控机床的能耗预测方法，其特征在于，所述模型参数组
根据如下步骤预先获得：获取训练数据集合，根据所述训练数据集合中各个训练数据对应的训练工作模式对所述训练数据分组并获得多个训练数据组，其中，一个所述训练数据包括训练加工特征信息、训练加工参数、训练工作模式、训练稳定性数据和训练综合实际能耗，一个所述训练数据组与一种所述预设工作模式对应；分别根据各所述训练数据组对所述待配置的能耗预测模型进行训练，并获得各所述训练数据组对应的模型参数组，作为所述待配置的能耗预测模型对应的经训练获得的模型参数组。6.根据权利要求5所述的针对数控机床的能耗预测方法，其特征在于，对于任意一组训练数据组，根据如下步骤训练获得该训练数据组对应的模型参数组：将所述训练数据组中的训练加工特征信息、训练加工参数、训练工作模式和训练稳定性数据输入所述待配置的能耗预测模型，通过所述待配置的能耗预测模型生成对应的训练综合预测能耗；根据所述训练综合实际能耗和所述训练综合预测能耗对所述待配置的能耗预测模型的模型参数进行调整，并继续执行所述将所述训练数据组中的训练加工特征信息、训练加工参数、训练工作模式和训练稳定性数据输入所述待配置的能耗预测模型的步骤，直至满足预设训练条件，以得到所述训练数据组对应的一组经训练获得的模型参数组。7.根据权利要求1-6任意一项所述的针对数控机床的能耗预测方法，其特征在于，在所述根据所述目标工作模式获取已训练的能耗预测模型，根据所述加工数据和所述稳定性数据，通过所述已训练的能耗预测模型获取所述待预测数控机床完成所述目标工件的加工时对应的综合预测能耗之后，所述方法还包括：当所述综合预测能耗大于预设能耗阈值时，根据预设的加工参数范围约束，通过预设的粒子优化算法对所述初始加工参数进行优化以获得目标加工参数，其中，所述目标加工参数所对应的综合目标预测能耗不大于所述预设能耗阈值。8.一种针对数控机床的能耗预测系统，其特征在于，所述系统包括：加工数据获取模块，用于获取目标工件对应的加工数据，其中，所述加工数据包括加工特征信息、初始加工参数和目标工作模式，所述初始加工参数包括切削速度、进出刀量和背给量；稳定性数据获取模块，用于获取待预测数控机床对应的稳定性数据，其中，所述稳定性数据包括电压稳定性数据、电流稳定性数据和温度稳定性数据；预测模块，用于根据所述目标工作模式获取已训练的能耗预测模型，根据所述加工数据和所述稳定性数据，通过所述已训练的能耗预测模型获取所述待预测数控机床完成所述目标工件的加工时对应的综合预测能耗。9.一种智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的针对数控机床的能耗预测程序，所述针对数控机床的能耗预测程序被所述处理器执行时实现如权利要求1-7任意一项所述针对数控机床的能耗预测方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有针对数控机床的能耗预测程序，所述针对数控机床的能耗预测程序被处理器执行时实现如权利要
求1-7任意一项所述针对数控机床的能耗预测方法的步骤。

技术总结

本发明公开了一种针对数控机床的能耗预测方法、系统及相关设备，方法包括：获取目标工件对应的加工数据，其中，所述加工数据包括加工特征信息、初始加工参数和目标工作模式，所述初始加工参数包括切削速度、进出刀量和背给量；获取待预测数控机床对应的稳定性数据，其中，所述稳定性数据包括电压稳定性数据、电流稳定性数据和温度稳定性数据；根据所述目标工作模式获取已训练的能耗预测模型，根据所述加工数据和所述稳定性数据，通过所述已训练的能耗预测模型获取所述待预测数控机床完成所述目标工件的加工时对应的综合预测能耗。与现有技术相比，本发明方案有利于提高能耗预测的准确性。确性。确性。