数控系统监控平台利用OPC(OLE for process control)技术对数控系统内部状态数据进行实时采集,大量的过程数据为状态监控和故障诊断提供了基础,但这些数据占用大量存储单元,造成存储器的过度消耗。为了使海量的过程数据易于存储和历史回调,提出一种基于旋转门(spring door trend,SDT)算法的改进算法来对数据进行压缩,使用最小二乘法拟合直线替代SDT中简单的首尾两点连线,在同样的容差情况下大大减小了数据的压缩误差。最后通过混合编程技术将Matlab实现的算法集成到C#编写的OPC采集客户端中,并在数控系统中测试实验,取得了良好的应用效果。
随着数控机床结构复杂化以及运行状态数据呈现多样性、时序性的特点,为了有效解决数控机床未来状态难以准确预测的难题,提出一种基于多维时间序列的数控机床状态预测方法。首先,采用OPC(OLE for process control)技术进行数控机床状态数据采集,结合Min-max标准化和自回归移动平均模型完成了数据预处理,建立了多维时间序列状态模型及度量模型,采用特征向量、特征趋势距离标示状态模型,并利用差异度进行多维时间序列状态匹配分析。其次,通过建立时间窗口滑动模型,利用时间窗口长度和滑动时长获取数控机床历史状态集合,进一步提出基于窗口滑动的多重匹配技术,利用β–耦合相似度量标准寻找与当前状态矩阵相似度最大的历史状态集合,并根据相似性阈值得到最优滑动时长和预测时长。然后,采用密度空间聚类算法进行状态序列分析,得到了表征机床当前时刻状态的最佳历史状态矩阵,并以此状态的下一时刻作为预测状态。最后,对数控机床主轴四项参数开展了数控机床状态预测实验,通过状态序列相似性分析得到最佳预测时长为24 s,滑动单位为2 s,并利用状态序列聚类分析完成状态序列匹配。预测结果表明,基于多维时间序列的状态预测方法的最大误差、平均误差、均方误差和相对误差均低于传统的AR预测模型,验证了所提出的状态预测方法的有效性和准确性。
RTCP(Rotation tool center point)功能作为目前高档数控机床必备的功能之一,可以大幅减小由于旋转轴运动带来的非线性误差,有效提高机床加工精度。根据刀具刀尖点相对于加工工件相对静止的特点,设定刀具刀尖点不动,规划了有利于研究机床伺服系统动态性能的RTCP轨迹,并进行伺服系统仿真研究,得到刀尖点误差轨迹与机床伺服系统动态性能影响因素的对应关系,并依据此对应关系提出动态误差溯源方法,为数控机床伺服系统参数调整提供理论支持。
