技术摘要：
本发明公开一种基于机器学习的CNC预测性维护系统及方法，包括CNC状态监控系统，用于数控机床的运行状态数据、工件生产过程数据的采集和监控，并将信息数据通过数据传输网络发送至CNC服务云平台；数据传输网络，用于将采集的数据通过WiFi、ZigBee以及GPRS等无线通信方式  全部
背景技术：
随着科技的进步与技术的发展，现代制造业发生了革命性的变化，自动化、智能化 和无人化成为数控机床的发展趋势。对于长期运行的数控机床设备和系统，降低设备的故 障率是保证高效生产效率的关键。因此，预测性维护策略正逐渐受到技术人员的关注。 预测性维护是通过安装在生产设备上的各类传感器等监测装置，实时采集生产设 备产生的各类数据，确保在不影响设备生产的情况下实现对设备的运行状态评估。这种方 法能够使得管理者极大的降低了损失和风险成本，既可以不停止设备生产，又能够实时收 集和分析设备产生的维护数据，只有存在较大的故障发生或者有明显的故障发生趋势时才 会停止设备运行，进行设备检测与维护。由此可见，如何将从生产设备采集到的海量数据进 行存储和有效分析是实现预测性维护策略的关键。 传统的预测性维护的数据存储与分析方法具有以下不足： 1.数据存储手段单一，仅仅依靠设备单独配置的移动存储设备，设备存储量小，需定期 导出，严重浪费人力物力； 2.数据处理方法简单，没有对数据进行深度处理，影响分析结果。 综上可知，如何以技术手段实现对数控机床设备数据的存储与分析，提出CNC预测 性维护分析方案是一个亟待解决的问题。
技术实现要素：
针对现有技术存在的问题，本发明提供一种基于机器学习的CNC预测性维护系统 及方法，能够有效提高数据的存储与分析效果。 本发明采用以下技术方案实现。 一种基于机器学习的CNC预测性维护系统，包含： CNC状态监控系统，用于数控机床的运行状态数据、工件生产过程数据的采集和监控， 并将信息数据通过数据传输网络发送至CNC服务云平台； 数据传输网络，用于将采集的数据通过WiFi、ZigBee以及GPRS等无线通信方式发送到 CNC服务云平台； CNC服务云平台，用于将采集的数据进行存储、建模和分析处理； 移动终端，用于将采集的数据以及分析结果显示在智能手机与平板电脑上。 进一步地，所述CNC状态监控系统，包括：机床控制器、机床加工管理系统； 所述机床控制器，用于根据控制指令协调各个部件进行工件的加工，并将机床运作启 停状态、轴启停状态、总功率、进给速度、主轴状态、主轴速度、加速度信号等信息数据传输 到数据传输网络。 4 CN 111598251 A 说　明　书 2/4 页 所述机床加工管理系统，是数控机床内置参数的管理系统，能够实现利用软件采 集器采集内部实时的设备运行数据，包括程序执行状态、刀具号、加工各工件的耗时信息、 机床坐标、开关控制量值等，将采集的工件加工数据信息传输到数据传输网络。 进一步地，所述CNC服务云平台，包括：数据库模块、系统管理模块、数据分析模块； 所述数据库模块，用于存储数据信息。 所述系统管理模块，用于管理各种数据信息，包括：CNC的运行状态数据、分析模型 的数据、用户管理以及权限管理。 所述数据分析模块，用于对数据进行清洗、特征提取、故障识别，寿命预测。 一种基于机器学习的CNC预测性维护方法，包括如下步骤： S1，采集数控机床的运行状态数据、工件生产过程数据，并通过数据传输网络将发送至 CNC服务云平台； S2，通过CNC服务云平台将采集的数据存储于数据库模块中； S3，从数据库模块提取数据，进行数据处理与分析，实现CNC工作状态识别、故障诊断以 及确定故障处理方式； S4，将数据处理与分析结果推送至移动终端。 进一步地，所述步骤S3的具体步骤为： S31，数据筛选，为确保数据的可靠性需要剔除重复、近似以及无效数据； S32，数据归一化处理，将有量纲的表达式，变换化为无量纲的表达式，标准化处理后的 数据具有统一的数据格式，方便进行数据挖掘； S33，采用机器学习方法进行CNC故障识别。 进一步地，所述步骤S32中数据归一化处理的公式为： ； 、 分别是中的最小值和最大值。 进一步地，所述步骤S33中机器学习方法采用K均值算法，具体步骤为： S331,随机选择k个样本作为初始质心； S332,设定迭代中止条件，实施迭代，利用欧式距离法获取每个样本与初始质心的距 离，将其余样本分配到最临近的聚类中央； S333，从数据库模块提取数据，进行数据处理与分析，实现CNC工作状态识别、故障诊断 以及确定故障处理方式； S334,更新初始质心，根据相似度准则将数据对象分配到最接近的聚类中心，再对对象 进行重分配； S335,循环步骤S332和S333，一旦符合迭代条件则循环停止； S336,建立专家知识库，优化完善分类器，加入故障处理方式； S337,故障诊断，将数控机床的运行状态数据、工件生产过程数据作为分类器的输入， 进行相似度比较，进而实现CNC工作状态识别、故障诊断以及确定故障处理方式。 本发明的上述技术方案的有益效果如下： （1）将传感器、无线网络、数据库三者进行融合，CNC只需完成数据的采集并通过无线网 络上传至云平台，在云平台完成数据存储、处理与分析，实现CNC工作状态识别、故障诊断以 及确定故障处理方式，无需依靠复杂的诊断设备即可完成设备的诊断与分析； 5 CN 111598251 A 说　明　书 3/4 页 （2）采用机器学习方法进行CNC故障识别，能对CNC实时工作运行状态进行监测，监测过 程无需人为操作。 附图说明 图1是一种基于机器学习的CNC预测性维护系统的结构示意图； 图2是一种基于机器学习的CNC预测性维护方法的流程示意图； 图3是本发明数据处理与分析方法的流程示意图； 图4是本发明机器学习方法的流程示意图。