面向高频海量指令域电控数据的采集管理与应用技术研究

发布时间：2020-03-26 04:16

【摘要】：对数控加工中高频海量指令域电控数据进行有效的采集、管理与应用,是将数据科学引入数控加工行业、并进而实现智能制造的基础之一。本文提出了一个基于云计算与大数据技术的指令域电控数据采集存储与管理系统设计方法,能够有效应对指令域电控数据采样频率高和数据量大所带来的挑战。本文还提出了一种基于指令域电控数据的数控加工质量分析方法,通过对传统分类算法的改进,有效提高了跟随误差序列分类的准确性,从而实现了根据跟随误差的大小评价加工质量好坏的技术。数控机床指令域电控数据是制造业大数据的主要来源之一,对加工过程优化、机床健康状态诊断及故障预警有着十分重要作用。针对指令域电控数据采样频率高、单条数据量小、数据总量大的特点,本文设计了一套数据采集管理系统。基于分布式消息中间件Redis/Kafka的吞吐性能、Spark并行计算引擎的计算能力和分布式文件系统HDFS的海量可拓展存储能力,本文所设计的系统可以稳定的将数控机床采样频率高、数据总量极大的指令域电控数据采集并管理起来。为整合制造企业现有IT资源,实现资源的按需分配,本文设计了基于Open Stack的制造企业私有云搭建策略,并根据Open Stack各组件通信原理设计了一款制造企业私有云管理软件。为更加合理的利用有限的存储资源,根据制造业数据具有时效性的特点,本文提出了指令域电控数据管理策略,以更加充分利用有限的存储空间。在采集大量数据的基础上,本文设计了指令域电控数据驱动的加工质量评估方法,该方法通过将动态时间规整距离与K临近分类算法结合,使得对超长机床跟随误差序列分类准确率大大提升,并通过改进降低了动态时间规整算法时间复杂度。本文实现了指令域电控数据的采集、存储、管理和应用一系列技术,并已在多家制造企业部署应用。现场应用情况表明,本文所设计指令域电控数据采集管理系统能够满足制造业现场大数据吞吐量的需求,且存储系统具有很好的横向拓展能力,系统可以稳定的为指令域电控数据采集、管理与分析提供支持。
【图文】：

示意图,分类算法,原理,示意图

决策树（Decision Tree）、朴素贝叶斯的几种分类模型做简要介绍。临近，是以多数表决规则为基础的分类模的训练集进行训练，对于新到测试样本，决的方式进行决策，也就是说，k 个最近的样本便属于哪种类别。在使用 K-NN 的分类值和分类决策规则是其 3 个基本的要素。K欧氏距离、马氏距离等。图 1-1 是 K-NN别代表两种不同的类别，每个三角/正方形本。当 k=3 时，，距离计算距离圆形最近的三一个三角形，根据多数表决规则，测试样

模型示例,决策树

图 1-2 决策树模型示例1.4 论文的主要研究内容本课题的主要内容是研究设计一种适用于采集管理高频、海量数控机床指令域电控数据的大数据采集、存储与管理系统，并提出了一种利用指令域电控数据分析机床加工质量的方法。数控机床指令域电控数据具有采样频率高、单条数据量小、数据总量大的特点，传统的工业数据采集存储方式在面对这些特点时很难应对，要求系统需要有较高的吞吐量、较好的容错性和动态拓展存储空间的能力。因此本文将数据中间件技术与大数据领域的分布式存储与并行计算技术应用到制造业中，来解决吞吐量与拓展性问题。制造业数据有时效性，为充分利用存储空间，本文提出了数据压缩策略，有效的减少了存储资源耗用。数控机床跟随误差能够有效的反映工件轮廓加工质量，本文提出了一种指令域电控数据驱动的加工质量分析方法。跟随误差是复杂且长度很长时
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TG659

【参考文献】