基于Spark的数控机床运行状态监测方法技术

本发明专利技术涉及基于Spark的数控机床运行状态监测方法，系统以Apache Spark作为基本计算框架，从而实现对海量运行数据进行处理分析，同时加入基于OPC协议的采集模块，Kafka分布式消息队列等组件为系统提供可靠的数据接口。通过Spark‑MLib对历史数据采用基于密度聚类的DBSCAN算法，发现不同时间段数据分布特性即不同健康状态。同时采用SVM分类算法建立监测模型，从而实现对数控机床安全运行状态的实时监测。

Spark based monitoring method of CNC machine tool running state

【技术实现步骤摘要】
基于Spark的数控机床运行状态监测方法
本专利技术涉及数控系统、数字化车间和智能制造领域，具体的说是在Windows平台下实现的一种基于Spark的数控机床运行状态监测系统。
技术介绍
随着信息技术的发展，传统的机械制造业开始以信息化、智能化的特点进行革命性的转变，机械制造行业逐渐进入到工业大数据时代，德国“工业4.0”、美国“工业互联网”以及“中国制造2025”，均提出利用互联网和大数据思维提升制造业的智能化水平，全面提升制造业的整体效率。与此同时，许多企业都形成了相当规模的数控机床车间，在设备运行过程中产生的数据以几何级数增长，而传统的数控机床维护主要通过人工的定期巡检方式，不仅效率极低，而且完全依靠机床维护人员的专业素质，不能提前预警维护人员，同时将海量的加工过程数据视为垃圾数据丢弃，造成严重的数据资源浪费，虽然数控领域已经在持续推动智能化监测、物联网监测等应用，但面对海量数据时，都主要集中在存储和模型构建的理论体系研究，未能结合实际的应用框架进行数据分析，因此需要及时构建一个基于大数据平台的监测系统来有效处理和分析机床加工过程中的各类数据，实现对数控机床运行状态的实时监测和预警。
技术实现思路
针对现有技术中存在的上述不足之处，结合Spark高性能并行计算引擎准实时性和高吞吐量，本专利技术要解决的技术问题是提供一种基于Spark的数控机床运行状态监测系统，用于对数控机床的实时状态进行监控管理。本专利技术为实现上述目的所采用的技术方案是：一种基于Spark的数控机床运行状态监测系统，包括以下步骤：步骤1：采集数控机床的状态数据信息；步骤2：然后对状态数据信息进行归一化处理得到状态数据；步骤3：Kafka接入状态数据，通过将数据添加Topic字段整合不同类型的状态数据，同一Topic的数据按照设定的算法被分区到不同的服务器上，流计算系统SparkStreaming进行数据计算；步骤4：采用Spark的SparkStreaming对状态数据进行预处理，得到状态数据样本；步骤5：将状态数据样本作为输入，将监测对象划分为不同的安全状态作为输出，建立起多分类预测模型；通过多分类预测模型对待测的监测数据进行预测。所述采集通过两种方式中的一种实现；第一种方式是通过数控机床的开发接口，另一种是通过OPC协议获取。所述状态数据信息包括主轴电机温度、主轴电流、主轴电机负载、主轴回转误差、X轴电机温度、进给速度。所述采用Spark的SparkStreaming对状态数据进行预处理具体如下：在Spark的SparkJob中将Kafka中各Topic的数据定义为一个数据流DStream，每个DStream内部都由一组连续的RDD来表示。所述将状态数据样本作为输入，将监测对象划分为不同的安全状态作为输出，建立起多分类预测模型包括以下步骤：通过训练标注的状态数据样本，使用基于密度的聚类算法DBSCAN将数据集中不同时间段内产生的数据聚类到不同簇中，从而发现不同的机床安全运行状态，并根据聚类结果将监测对象划分为不同的安全状态；针对不同的安全状态采用SVM分类算法建立多分类预测模型。所述基于密度的聚类算法DBSCAN为：1)根据基于中心的密度进行核心点、边界点、噪声点分类：若点o在以ε为半径的邻域内包含点的个数超过给定阈值MinPts，则将点o标记为核心点；不是核心点，但落在某个核心点邻域的点标记为边界点；既非核心点也非边界点的任何点均为噪声点；2)删除所有噪声点；3)将距离小于邻域半径ε的两个核心点连接形成新的簇；4)每个时刻的记录数据给定一个簇的类别标签，即对应监测对象的一个安全状态。所述采用SVM分类算法建立起多分类预测模型为：针对每个类别标签所对应的数据，将属于该类别的点标注为正例，不属于该类别的点标注为负例，并将标注后的数据通过SVM算法训练出一个针对于该类别的分类器。所述通过多分类预测模型对待测的监测数据进行预测具体如下：对于新产生的监测数据，分别使用每个安全状态对应的分类器进行分类，并将所有分类器的分类结果进行整合，当有且仅有一个分类器将此监测数据分为其所对应的状态时，将该监测数据的安全状态判断为该类别；否则，即没有或多个分类器将其分为其所对应的状态，则将该监测数据的安全状态判断为离群点。本专利技术具有以下有益效果及优点：1.经济性。针对多种不同的数据处理场合，基于Spark的编程模式将被统一成相同的处理方式，Spark统一了技术栈，降低了研发成本。2.实时性。由于本专利技术基于Spark框架，具有准实时性且拥有更高的吞吐量。3.智能预警。通过监视状态信息和特征参数与正常值进行比较，对部件状态进行初步识别，同时通过建立基于时间序列的健康状态模型来预测部件的健康状态实现预警目的。附图说明图1为本专利技术的系统结构图；图2为本专利技术的数据采集与接入模块结构图；图3为本专利技术的SparkStreaming运行流程。具体实施方式下面结合附图及实施例对本专利技术做进一步的详细说明。如图1～图2所示，一种基于Spark的数控机床运行状态监测系统，包括以下步骤：步骤1：数控机床的状态数据信息的采集，包括两种方式，第一种方式是采用数控厂商提供的开发接口，另一种是通过OPC协议方式获取数控机床的运行状态数据；步骤2：然后采用z-score归一化方法对原始样本参数进行归一化处理；步骤3：通过引入分布式消息队列Kafka实现对状态数据的接入。通过将数据添加Topic字段的方式，实现不同类型状态数据的整合发送。即同一Topic内部的消息按照一定的算法被分区到不同的服务器上。发布信息时流数据产生系统作为Kafka消息数据的生产者将数据流分发给Kafka消息主题，流计算系统SparkStreaming实时消费并计算数据。步骤4：采用Spark的SparkStreaming实时数据计算的框架对实施状态监测数据进行预处理，即在SparkJob中将Kafka中各Topic的连续数据源定义为一个数据流DStream，每个DStream内部都由一组连续的RDD来表示，然后将DStream的操作转化成Spark中对RDD的操作；如图3所示。步骤5：结合机床参数的实际特征，使用主轴电机温度，主轴电流，主轴电机负载、主轴回转误差、X轴电机温度、进给速度六项参数建立运行状态监测模型，并通过训练标注的参数样本，通过使用基于密度的聚类算法DBSCAN将数据集中不同时间段内产生的数据聚类到不同簇中，从而发现不同的机床安全运行状态，并根据聚类结果将监测对象划分为不同的安全状态。针对不同的安全状态采用SVM分类算法建立起多分类预测模型，实现对今后产生的监测数据所属健康状态进行预测。所述基于密度的聚类算法DBSCAN为：步骤1：根据基于中心的密度进行核心点、边界点、噪声点分类。即若点o在以ε为半径的本文档来自技高网...

【技术保护点】
1.一种基于Spark的数控机床运行状态监测方法，其特征在于，包括以下步骤：/n步骤1：采集数控机床的状态数据信息；/n步骤2：然后对状态数据信息进行归一化处理得到状态数据；/n步骤3：Kafka接入状态数据，通过将数据添加Topic字段整合不同类型的状态数据，同一Topic的数据按照设定的算法被分区到不同的服务器上，流计算系统SparkStreaming进行数据计算；/n步骤4：采用Spark的SparkStreaming对状态数据进行预处理，得到状态数据样本；/n步骤5：将状态数据样本作为输入，将监测对象划分为不同的安全状态作为输出，建立起多分类预测模型；通过多分类预测模型对待测的监测数据进行预测。/n

【技术特征摘要】
1.一种基于Spark的数控机床运行状态监测方法，其特征在于，包括以下步骤：
步骤1：采集数控机床的状态数据信息；
步骤2：然后对状态数据信息进行归一化处理得到状态数据；
步骤3：Kafka接入状态数据，通过将数据添加Topic字段整合不同类型的状态数据，同一Topic的数据按照设定的算法被分区到不同的服务器上，流计算系统SparkStreaming进行数据计算；
步骤4：采用Spark的SparkStreaming对状态数据进行预处理，得到状态数据样本；
步骤5：将状态数据样本作为输入，将监测对象划分为不同的安全状态作为输出，建立起多分类预测模型；通过多分类预测模型对待测的监测数据进行预测。


2.根据权利要求1所述的基于Spark的数控机床运行状态监测方法，其特征在于：所述采集通过两种方式中的一种实现；第一种方式是通过数控机床的开发接口，另一种是通过OPC协议获取。


3.根据权利要求1所述的基于Spark的数控机床运行状态监测方法，其特征在于：所述状态数据信息包括主轴电机温度、主轴电流、主轴电机负载、主轴回转误差、X轴电机温度、进给速度。


4.根据权利要求1所述的基于Spark的数控机床运行状态监测方法，其特征在于：所述采用Spark的SparkStreaming对状态数据进行预处理具体如下：
在Spark的SparkJob中将Kafka中各Topic的数据定义为一个数据流DStream，每个DStream内部都由一组连续的RDD来表示。


5.根据权利要求1所述的基于Spark的数控机床运行状态监测方法，其特征在于：所述将状态数据样本作为输入，将监测对象划分为不同的安全状态作为输出，建立起多分类预测模型包括以下步骤：...

【专利技术属性】
技术研发人员：于东，刘劲松，毕筱雪，胡毅，于皓宇，韩旭，
申请(专利权)人：沈阳高精数控智能技术股份有限公司，
类型：发明
国别省市：辽宁;21