基于自回归求和滑动平均模型的数控机床剩余寿命预测方法、装置和网络侧服务端制造方法及图纸

本发明专利技术属于工件寿命预测领域，针对现有技术中零件剩余寿命时精度不高的问题提出了基于自回归求和滑动平均模型的数控机床剩余寿命预测方法、装置和网络侧服务端，该方法包括获取预设的健康预测模型；获取目标健康指数；根据目标健康指数和预设的健康预测模型，计算得到剩余寿命时间；其中健康预测模型的建立是通过将时间序列和阶数上限带入ARIMA模型中获得的，实质为，根据历史综合健康指数随时间变化的规律，推测出该零件在未来的某个时刻出现目标健康指数的时间。目标健康指数的时间。目标健康指数的时间。

【技术实现步骤摘要】
基于自回归求和滑动平均模型的数控机床剩余寿命预测方法、装置和网络侧服务端


[0001]本专利技术属于工件寿命预测领域，基于自回归求和滑动平均模型的数控机床剩余寿命预测方法、装置和网络侧服务端。

技术介绍

[0002]在机床实际工作中，各个零件的使用寿命各不相同，为保证机床的正常工作，通常需要了解每个零件的剩余寿命。在现有技术中，通常都是从零件购入的标签来看它能够使用的有效时间，再结合当前使用时间，通过计算有效时间与当前使用时间的差值，即可得到该零件的使用剩余寿命。由于有效时间是零件在出厂时进行检测的，而零件出厂后经过运输、工作损耗(如在机床上与其他零件之间摩擦所产生的损耗)，其真实剩余时间寿命是小于上述所计算的使用剩余寿命的。也就是说，现有技术中，计算零件的剩余寿命，其方式并不准确。

技术实现思路

[0003]本专利技术提供了基于自回归求和滑动平均模型的数控机床剩余寿命预测方法、装置和网络侧服务端，解决了现有技术中，计算零件剩余寿命时精度不高的问题。
[0004]本专利技术的基础方案为：基于自回归求和滑动平均模型的数控机床剩余寿命预测方法，包括：
[0005]获取预设的健康预测模型；
[0006]获取目标健康指数；
[0007]根据目标健康指数和预设的健康预测模型，计算得到剩余寿命时间。
[0008]进一步，所述健康预测模型的调试，包括：
[0009]获取综合健康指数，与综合健康指数相关联的时间；
[0010]将归一化的综合健康指数与时间关联，集合成时间序列；
[0011]计算时间序列的样本方差
[0012]将时间健康序列带入到ARIMA模型中，通过最小贝叶斯信息准则，对自回归阶数P和滑动平均阶数Q进行定阶。
[0013]进一步，所述ARIMA模型为：
[0014][0015]其中HI
t,d
是经过d次差分后得到的平稳时间序列值，P为自回归阶数，Q为滑动平均阶数，μ
p
是自回归系数，θ
q
是滑动平均系数，ε
t
表示零均值白噪声序列。
[0016]进一步，所述自回归阶数P和滑动平均阶数Q进行定阶，包括：
[0017]获取预定的阶数上限L；
[0018]对自回归阶数P和滑动平均阶数Q进行定阶，
[0019][0020]使其满足
[0021]BIC(P
′
,Q
′
)＝min
0≤P,Q≤L
BIC(P,Q)。
[0022]进一步，所述自回归阶数P和滑动平均阶数Q进行定阶后，采用矩估计调整ARIMA模型中的参数。
[0023]进一步，所述自回归阶数P和滑动平均阶数Q进行定阶后，将定阶好的自回归阶数P和滑动平均阶数Q带入到所述ARIMA模型中，得到预测模型并输出。
[0024]进一步，所述根据目标健康指数和预设的健康预测模型，计算得到剩余寿命时间，包括：
[0025]根据目标健康指数和健康预测模型计算出最大寿命时间；
[0026]获取当前时间；
[0027]计算最大寿命时间与当前时间的差值，所述差值为剩余寿命时间。
[0028]本专利技术还提供基于自回归求和滑动平均模型的数控机床剩余寿命预测装置，包括：
[0029]接收模块，用于接收请求方发送的相互关联的综合健康指数和时间，以及目标健康指数和阶数上限；
[0030]健康预测模型建立模块，用于根据相互关联的综合健康指数和时间，以及阶数上限通过ARIMA模型计算出健康预测模型；
[0031]存储模块，用于存储健康预测模型；
[0032]健康预测模块，用于根据目标健康指数和存储模块中的健康预测模型，计算得到剩余寿命时间；
[0033]输出模块，用于将剩余寿命时间输出。
[0034]一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现上述一项所述的基于自回归求和滑动平均模型的数控机床剩余寿命预测方法。
[0035]一种网络侧服务端，其特征在于，包括：
[0036]至少一个处理器；以及，
[0037]与所述至少一个处理器通信连接的存储器；其中，
[0038]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的基于自回归求和滑动平均模型的数控机床剩余寿命预测方法。
[0039]本方案中采用健康预测模型来进行达到目标健康指数的预测推算，从而得到达到目标健康指数所需要的时长，并将该时长作为剩余寿命时间。相比现有技术中，读取标签而言，本方案引入的健康预测模型来进行计算，精确度更高。
[0040]另外，本方案中的健康预测模型是根据时间序列和预设的阶数上限通过ARIMA模型来得出的，其中时间序列是综合健康指数和时间，也就是说，时间序列代表了随着时间变化综合健康指数的变化，即该零件在历史时间下的综合健康指数变化。健康预测模型的建立，其实质是对零件工作时历史时间下综合健康指数变化进行总结，总结出零件随着时间变化下健康指数的变化。
[0041]另外，本方案中归一化后的综合健康指数中，0代表了工件已经不能正常工作，1代表了工件完好。为此，本方案中，通过预设目标健康指数和健康预测模型，计算出最大寿命时间结合当前时间，再次计算出零件的剩余寿命时间，其实质是根据零件历史综合健康指数随时间变化的规律，推测出该零件在未来的某个时刻出现目标健康指数的情况。根据综合健康指数的历史变化来推测未来变化，相比现有技术中不考虑到了零件投入工作后会出现磨损的情况，直接根据出厂标签和当前时刻来计算剩余寿命而言，更为精确。
附图说明
[0042]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
[0043]图1为本专利技术第一实施方式提供的基于自回归求和滑动平均模型的数控机床剩余寿命预测方法流程图；
[0044]图2为图1中预设健康预测模型的流程图；
[0045]图3为图1中计算剩余寿命的流程图；
[0046]图4为本专利技术第二实施方式提供的基于自回归求和滑动平均模型的数控机床剩余寿命预测装置的模块示意图；
[0047]图5为本专利技术第三实施方式提供的网络侧服务端的结构示意图。
具体实施方式
[0048]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
[0049]本专利技术的第一实施方式涉及一种基于自回归求和滑动平均模型的数控机床剩余寿命预测方法，自回归求和滑动平均模型(Autoregre本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自回归求和滑动平均模型的数控机床剩余寿命预测方法，其特征在于，包括：获取预设的健康预测模型；获取目标健康指数；根据目标健康指数和预设的健康预测模型，计算得到剩余寿命时间。2.根据权利要求1所述的基于自回归求和滑动平均模型的数控机床剩余寿命预测方法，其特征在于，所述健康预测模型的调试，包括：获取综合健康指数，与综合健康指数相关联的时间；将归一化的综合健康指数与时间关联，集合成时间序列；计算时间序列的样本方差将时间健康序列带入到ARIMA模型中，通过最小贝叶斯信息准则，对自回归阶数P和滑动平均阶数Q进行定阶。3.根据权利要求2所述的基于自回归求和滑动平均模型的数控机床剩余寿命预测方法，其特征在于，所述ARIMA模型为：其中HI
t，d
是经过d次差分后得到的平稳时间序列值，P为自回归阶数，Q为滑动平均阶数，μ
p
是自回归系数，θ
q
是滑动平均系数，ε
t
表示零均值白噪声序列。4.根据权利要求2或3中任一所述的基于自回归求和滑动平均模型的数控机床剩余寿命预测方法，其特征在于，所述自回归阶数P和滑动平均阶数Q进行定阶，包括：获取预定的阶数上限L；对自回归阶数P和滑动平均阶数Q进行定阶，使其满足BIC(P
′
，Q
′
)＝min
0≤P，Q≤L
BIC(P，Q)。5.根据权利要求4所述的基于自回归求和滑动平均模型的数控机床剩余寿命预测方法，其特征在于：所述自回归阶数P和滑动平均阶数Q进行定阶后，采用矩估计调整ARIMA模型中的参数。6....

【专利技术属性】
技术研发人员：夏志杰，郭一鸣，张志胜，
申请(专利权)人：江苏南高智能装备创新中心有限公司，
类型：发明
国别省市：