数据驱动的机床等待过程节能方法研究

发布时间：2021-01-16 19:26

　　为了降低机床等待过程中的能耗,提出了一种实时数据驱动的机床等待时间预测与节能控制方法。首先,建立了射频识别驱动的生产进度评估方法,并以生产进度数据作为输入,构建了基于堆栈降噪自编码的机床等待时间预测模型;其次,依据预测的机床等待时间,提出了机床状态切换方法,以降低机床能耗;最后,通过一个电梯零部件制造车间的案例分析,表明该方法的预测误差仅为4.1%,同时将机床等待过程能耗降低了57%,实现了制造车间的节能减排。 

【文章来源】：中国机械工程. 2020,31(12)北大核心

【文章页数】：8 页

【部分图文】：

面向机床等待时间预测的堆栈降噪自编码模型结构

在离散制造车间中,主要以加工范围广、通用性强的普通机床(例如卧式车床、数控铣床、钻床等)为主,对于此类机床,根据图2的机床能耗曲线,机床运行过程主要包括6种状态:停机状态、待机状态、暖机状态、空闲状态、空切削状态、切削状态。机床的能耗模式依赖于机床的工作状态,当机床处于停机状态时,并不产生能耗;待机状态(非工作状态)将会产生固定的功率消耗Psb,在该状态中,机床的某些功能模块并没有准备好,只有应急服务模块是处于激活状态;当机床处于空闲状态(工作状态)时,机床的所有模块都已经被激活,其功率为Pid,此时机床已经做好加工零件的准备;机床从非工作状态到工作状态,需要经历暖机状态,该状态是一个短暂的过渡状态,目的是让机床各功能模块做好加工的准备。2.2 机床状态切换方法

将提出的SDAE模型与现有的预测方法进行对比，包括反向传播神经网络（back propagation neutral network,BPNN)[7]、支持向量机（support vector machine,SVM)[17]、随机森林（random forests,RF)[18]以及深度置信网（deep belief networks,DBN)[19]，结果如图4所示。对比结果显示，本文提出的SDAE模型能够获得较低预测误差，而DBN仅次于SDAE，另外3种方法的预测精度比较接近，这说明对于本文的机床等待时间预测问题，深度学习方法特别是SDAE能够更好地利用工件的加工进度数据进行预测。从计算时间来看，SVM的计算时间最短，但是过早地收敛到了局部最优解，尽管SDAE的计算时间要长于SVM，但误差要小得多。通过上述方法,每台机床的等待时间都可预测出来,结合机床的等待时间即可判断机床需要采取的节能方法,通过控制策略可以实现机床的能耗节约,如图5a所示,同时图中也展示了不采用控制策略时机床空闲等待过程的能耗。从图中可以看出,通过控制策略,可以实现机床等待过程总节能57%,特别是对于M2和M3,它们的能耗节约分别达到了28.37 kW·h和13.3 kW·h,说明了这两台机床的空闲等待时间较长,没有被充分利用,需要在后续的工序派工中重点考虑。

【参考文献】：
期刊论文
[1]面向能耗的多工艺路线柔性作业车间分批优化调度模型[J]. 李聪波,沈欢,李玲玲,易茜.  机械工程学报. 2017(05)
[2]基于RFID技术的离散制造车间实时数据采集与可视化监控方法[J]. 曹伟,江平宇,江开勇,路平.  计算机集成制造系统. 2017(02)
[3]面向能量效率的数控铣削加工参数多目标优化模型[J]. 李聪波,朱岩涛,李丽,陈行政.  机械工程学报. 2016(21)



本文编号：2981395