本发明涉及运行状态调控系统的，具体为基于云计算的刀具加工机床运行状态智能调节系统及方法。
背景技术：
1、公开号为cn106292535a的中国发明专利申请公开了数控机床加工系统及基于云平台的数控机床加工系统。具体包括：将数控机床的数据相互连接实现数控机床在机床仿真平台的数据互通，将工件通过加工程序发送给数控机床，数控机床对工件进行加工，并将加工过程中的各种信息参数显示在机床仿真平台中；工件在机床仿真平台进行模拟仿真，将数控机床加工过程中的各种信息参数同时上传到云平台；云平台实时监控数控机床加工过程中是否发生异常，当数控机床加工成功，没有发生异常；当数控机床加工不成功，发生异常，云平台生成加工错误报告，停止此次加工任务。该系统使用仿真模拟减少了加工失误产生的损耗，连接所有数控机床，将运行数据上传到云平台，可以实现实时监控数控机床加工状态。
2、在刀具加工机床加工过程中，加工工具破损容易造成加工设备损坏，引起加工安全事故，并且传统的刀具加工机床状态监测主要是由经验的加工人员根据加工噪声、切削振动以及加工时间等主观判断来估计加工机床运行状态,这种方法不能实现对加工机床运行状态的监控，也不能实时调节加工机床运行相关参数。
技术实现思路
1、针对相关技术中的问题，本发明提供了基于云计算的刀具加工机床运行状态智能调节系统及方法，以克服现有相关技术所存在的上述技术问题。
2、为解决上述技术问题，本发明是通过以下技术方案实现的：
3、本发明为基于云计算的刀具加工机床运行状态智能调节方法，包括如下步骤：
4、s1、获取刀具加工机床主轴振动信号，使用小波分析法对刀具加工机床振动信号进行特征提取，再使用主成分分析法对特征提取的振动信号进行降维处理，通过bp神经网络完成对特征的识别，记为第一调节因素；
5、s2、对刀具加工机床的数字仪表图像进行图像识别处理，将刀具加工机床的数字仪表图像预处理，刀具加工机床的数字仪表图像的像素点通过均值法和数字分割处理，识别数字仪表图像上数字，记为第二调节因素；
6、s3、获取刀具加工机床加工工具磨损值，构建隐马尔科夫模型对刀具加工机床加工工具磨损进行检测，实现对刀具加工机床加工工具磨损的识别，记为第三调节因素；
7、s4、结合第一调节因素、第二调节因素和第三调节因素，构建刀具加工机床调节样本集，并使用支持向量机模型对第一调节因素、第二调节因素和第三调节因素进行预测，实现对刀具加工机床运行状态的智能调节。
8、该发明通过采集刀具加工机床主轴振动信号，使用小波分析法对刀具加工机床振动信号进行特征提取，引入去中心化处理后再使用主成分分析法对特征提取的振动信号进行降维处理，bp神经网络模型用于识别刀具加工机床主轴振动信号是否异常；其次对刀具加工机床的数字仪表图像进行预处理，定位数字仪表图像位置以及边缘检测后，将数字仪表图像二值化，使数字便于识别，使用字符分割法提取数字并识别数字；再设定待处理的磨损矩阵，对矩阵中的磨损值建立隐马尔科夫模型，使得磨损值的识别更加灵活，实现对刀具加工机床加工工具磨损进行检测，使用方法较为简单，识别效果好；最后结合第一调节因素为刀具加工机床主轴振动信号值，第二调节因素为刀具加工机床的数字仪表值，第三调节因素为刀具加工机床加工工具磨损值，使用支持向量机模型对第一调节因素、第二调节因素和第三调节因素结合起来，并实现预测效果，通过核函数将数据转化为高维特征解决，适合于小样本的分类和识别，避免了神经网络的诸多限制。
9、优选地，所述s1包括以下步骤：
10、s11、获取刀具加工机床主轴振动信号，设定主轴振动信号集合为a＝{a1,a2,a3,...,ai}，其中ai表示第i个主轴振动信号，主轴振动信号的特征维度为j，得到主轴振动信号矩阵b如下，
11、
12、其中，aij表示主轴振动信号矩阵中第i个特征维度为j的主轴振动信号；设定小波包分解层数为b，子频带数目为b′，则节点为(b,b′)，所述节点小波包系数为αbb′，使用振动能量特征替换主轴振动信号的特征，振动能量c计算公式如下，
13、c＝vαbb′2dt
14、选取所述主轴振动信号矩阵中一行作为待处理振动信号集合a′＝{ai′1,ai′2,ai′3,...,ai′j}，其中ai′j表示主轴振动信号矩阵中第i′个特征维度为j的主轴振动信号，计算所述待处理振动信号集合中主轴振动信号的振动能量，得到振动能量集合其中表示主轴振动信号矩阵中第i′个特征维度为j的主轴振动信号的振动能量；设定振动能量相对熵为β，计算振动能量相对熵的相异度，记为β′，当所述振动能量集合中的振动能量大于振动能量相对熵的相异度，保留振动能量集合中的振动能量；否则使用振动能量相对熵的相异度替换振动能量集合中的振动能量，得到特征提取后的主轴振动信号集合，生成特征提取后的主轴振动信号矩阵；
15、s12、对所述特征提取后的主轴振动信号集合进行去中心化处理，使得特征提取后的主轴振动信号集合中主轴振动信号均值为0，得到去中心化的主轴振动信号集合，生成去中心化的主轴振动信号矩阵；
16、设定线性变换矩阵为b1，所述线性变换矩阵使中心化的主轴振动信号矩阵和线性变换矩阵的协方差最大，计算所述线性变换矩阵的特征值和特征向量，并将线性变换矩阵的特征值和特征向量按照从大到小的顺序排列，分别得到特征值集合和特征向量集合，选取所述特征值集合中前个特征值，选取特征向量集合前个特征向量；将特征值集合中前个特征值和特征向量集合前个特征向量组成降维矩阵，将所述降维矩阵和线性变换矩阵相乘，得到降维后的特征向量，记为其中表示第j′个特征向量元素；
17、s13、设定bp神经网络输入层节点为j′，学习率为0.01，期望误差为χ，设定激活函数为sigmoid函数；对所述降维后的特征向量进行标准化处理，得到标准化特征向量，选取所述标准化特征向量中个元素作为标准化训练集，选取所述标准化特征向量中其他元素作为标准化测试集；设定最大迭代次数c和当前迭代次数c′，误差阈值为ω，将所述标准化训练集输入bp神经网络，对bp神经网络进行训练，当当前迭代次数大于最大迭代次数或者期望误差小于ω时，停止迭代，得到训练好的bp神经网络模型；否则调整权值直至当前迭代次数大于最大迭代次数或者期望误差小于ω；
18、将所述标准化测试集输入训练好的bp神经网络模型，输出标准化测试集的结果，根据所述标准化测试集的结果得到刀具加工机床主轴振动信号是否出现异常，若刀具加工机床主轴振动信号出现异常，将刀具加工机床主轴振动信号值作为第一调节因素；否则获取新的刀具加工机床主轴振动信号重复s11、s12和s13。
19、该发明通过采集刀具加工机床主轴振动信号，设定主轴振动信号矩阵，使用小波分析法对刀具加工机床振动信号进行特征提取，用振动能量特征替换主轴振动信号特征，大大降低计算成本，引入去中心化处理后再使用主成分分析法对特征提取的振动信号进行降维处理，bp神经网络模型用于识别刀具加工机床主轴振动信号是否异常，处理方法结果准确率高。
20、优选地，所述s2包括以下步骤：
21、s21、获取刀具加工机床的数字仪表图像，对所述刀具加工机床的数字仪表图像进行预处理，具体过程如下：
22、s211、从监控视频中获取第c″帧刀具加工机床的数字仪表图像，选取所述第c″帧刀具加工机床的数字仪表图像的角点；对第c″帧刀具加工机床的数字仪表图像进行栅格化处理得到栅格，以第c″帧刀具加工机床的数字仪表图像左下角的角点作为坐标原点，建立直角坐标系，得到栅格坐标，得到所述第c″帧刀具加工机床的数字仪表图像的角点栅格坐标；从监控视频中获取第c″+1帧刀具加工机床的数字仪表图像，比较第c″帧刀具加工机床的数字仪表图像的角点栅格坐标和第c″+1帧刀具加工机床的数字仪表图像的角点栅格坐标，如果角点栅格坐标匹配，则选择第c″帧刀具加工机床的数字仪表图像；否则获取新的刀具加工机床的数字仪表图像；
23、s212、设定新的刀具加工机床的数字仪表图像的横向维度为i″、纵向维度为j″，得到边缘检测矩阵b′如下，
24、
25、其中，ai″″j″表示边缘检测矩阵中横向维度为i″、纵向维度为j″的像素点；
26、计算边缘检测矩阵中像素点的像素值在水平和垂直方向的偏导数，记为c′x″和c′y″，边缘检测向量长度d计算公式如下，
27、
28、选取所述边缘检测矩阵中一列作为垂直检测集合，统计所述垂直检测集合中像素点的像素值大于边缘检测向量长度的个数，依次选取所述边缘检测矩阵中其他列作为垂直检测集合，得到垂直检测集合中像素点的像素值大于边缘检测向量长度的个数最多的2列对应的垂直检测集合记为垂直边缘；选取所述边缘检测矩阵中一行作为水平检测集合，统计所述水平检测集合中像素点的像素值大于边缘检测向量长度的个数，依次选取所述边缘检测矩阵中其他行作为水平检测集合，得到水平检测集合中像素点的像素值大于边缘检测向量长度的个数最多的2行对应的水平检测集合记为水平边缘；由所述垂直边缘和水平边缘围成的数字仪表图像即为预处理后的数字仪表图像，完成刀具加工机床的数字仪表图像预处理；
29、s22、将所述预处理后的数字仪表图像转化为待处理的二值化矩阵，所述待处理的二值化矩阵中元素表示像素点；计算所述待处理的二值化矩阵中像素点的灰度值的平均值，记为d′，将待处理的二值化矩阵中像素点的灰度值大于d′加入到第一划分矩阵，将待处理的二值化矩阵中像素点的灰度值小或者等于d′加入到第二划分矩阵；重复s22，设定第一阈值为ω1，当d′小于ω1时，将d′作为二值化灰度值阈值；
30、将所述预处理后的数字仪表图像划分为前景数字仪表图像和后景数字仪表图像，得到二值化数字仪表图像c′，设定预处理后的数字仪表图像灰度值为d″，二值化数字仪表图像c′计算公式如下，
31、
32、s23、以所述二值化数字仪表图像左下角作为坐标原点建立直角坐标系，将二值化数字仪表图像在x轴上投影得到x轴投影集合；从所述坐标原点沿着x轴搜索，从x轴投影集合中当前像素点的灰度值为0且x轴投影集合中下一个像素点的灰度值为1开始，到x轴投影集合中当前像素点的灰度值为1且x轴投影集合中下一个像素点的灰度值为0结束，得到数字仪表图像数字；重复s23直至沿着x轴搜索完毕，得到数字仪表图像数字集合，识别数字仪表图像数字集合中的数字；当所述识别数字仪表图像数字集合中的数字出现异常，将刀具加工机床的数字仪表值作为第二调节因素。
33、该发明通过对刀具加工机床的数字仪表图像进行预处理，栅格化数字仪表图像定位数字仪表图像位置，边缘检测法检测垂直边缘和水平边缘，有利于抑制图像噪音；再将数字仪表图像灰度二值化，分割出数字仪表图像的字符和背景，舍弃其他灰度细节，便于识别，使用字符分割法提取数字灰度值，从而识别数字。
34、优选地，所述s3包括以下步骤：
35、s31、设定刀具加工机床加工工具磨状态，构成刀具加工机床加工工具磨损状态集合，记为e＝{e1,e2,e3,...,em}，其中em表示第m种磨损状态，所述刀具加工机床加工工具磨损状态集合中磨损状态的特征维度为n，生成待处理的磨损矩阵d如下，
36、
37、其中，emn表示待处理的磨损矩阵中第m种磨损状态、特征维度为n的磨损值；
38、选取所述待处理的磨损矩阵中一行记为待处理的磨损集合其中表示第种磨损状态、特征维度为n的磨损值，找到所述待处理的磨损集合中最小磨损值设定待处理的磨损集合作为隐马尔科夫模型的隐状态，提取待处理的磨损矩阵中n维特征的提取向量，得到提取向量序列矩阵e″，使用极大似然估计法训练隐马尔科夫模型，得到隐马尔科夫模型,计算公式如下，
39、
40、其中，f表示隐马尔科夫模型，表示待处理的磨损矩阵中i1维特征的提取向量，i1＝1,2,3,...,n；
41、s32、计算所述提取向量序列矩阵中提取向量的时间，设定t时刻下提取向量的磨损值组成磨损值集合，再计算磨损值集合磨损状态的概率，使用所述磨损值集合磨损状态的概率计算刀具加工机床加工工具磨损值，计算公式如下，
42、
43、其中，f表示刀具加工机床加工工具磨损值，表示磨损值集合第i2个磨损状态的概率，i2＝1,2,3,...,n；
44、随着时间t不断增加，不断计算当前时刻的刀具加工机床加工工具磨损值，设定第二阈值ω2，当所述当前时刻的刀具加工机床加工工具磨损值大于ω2时，当前时刻的刀具加工机床加工工具磨损值出现异常，将刀具加工机床加工工具磨损值作为第三调节因素。
45、该发明通过设定待处理的磨损矩阵，对矩阵中刀具加工机床加工工具磨损值建立隐马尔科夫模型，使得磨损值的识别更加灵活，通过概率计算得到连续的磨损值，实现对刀具加工机床加工工具磨损进行检测，使用方法较为简单，识别效果好。
46、优选地，所述s4包括以下步骤：
47、s41、所述第一调节因素为刀具加工机床主轴振动信号值，第二调节因素为刀具加工机床的数字仪表值，第三调节因素为刀具加工机床加工工具磨损值；选取所述第一调节因素、第二调节因素和第三调节因素的前g个数据组成刀具加工机床调节样本集e″＝{(x1,y1,z1),(x2,y2,z2),...,(xg,yg,zg)}，其中xg表示第g个刀具加工机床主轴振动信号值，yg表示第g个刀具加工机床的数字仪表值，xg表示第g个刀具加工机床加工工具磨损值；
48、设定h表示刀具加工机床调节样本集的vc维，g表示刀具加工机床调节样本集的经验风险，刀具加工机床调节样本集的概率分布为g′，ε表示随机数且ε∈[0,1]，则刀具加工机床调节样本集的最小经验风险满足公式如下，
49、
50、使得刀具加工机床调节样本集的最小经验风险取最小值，设定误差阈值ξ，当刀具加工机床调节样本集的最小经验风险小于ξ，将刀具加工机床调节样本集的最小经验风险作为不敏感损失参数，记为φ；否则调整ε和h使得刀具加工机床调节样本集的最小经验风险取最小值；
51、s42、设定支持向量机线性回归函数为x＝h3z+h4，y＝h1x+h2和z＝h5y+h6，其中h1，h2，h3，h4，h5，h6为常数，支持向量机线性回归函数拟合公式为|xg′-zg′|≤φ，|yg′-xg′|≤φ和|zg′-yg′|≤φ，其中xg′表示第g′个刀具加工机床主轴振动信号值，yg′表示第g′个刀具加工机床的数字仪表值，xg′表示第g′个刀具加工机床加工工具磨损值；
52、设定优化条件和约束目标，支持向量机线性回归函数经过优化条件和约束目标处理后得到最终回归函数；将刀具加工机床调节样本集中的数据进行归一化处理，得到归一化样本集，将归一化样本集分为归一化训练集和归一化测试集；设定支持向量机中核函数为径向基核函数，损失误差为误差阈值为ψ，将所述归一化样本集输入支持向量机中，不断迭代，直至损失误差小于ψ，得到训练好的支持向量机模型；再将归一化测试集输入训练好的支持向量机模型，设定第三阈值为ω3，当输出结果和实际结果的差值小于实际结果的ω3％，则训练好的支持向量机模型为最终支持向量机模型；否则重复s41和s42直至输出结果和实际结果的差值小于实际结果的ω3％；
53、s43、搭建刀具加工机床运行平台，将当前所述第一调节因素、第二调节因素和第三调节因素传输到刀具加工机床运行平台，对第一调节因素、第二调节因素和第三调节因素进行预测，得到预测数据，刀具加工机床运行平台根据预测数据实现对刀具加工机床运行状态的智能调节并对异常进行检修。
54、该发明通过结合第一调节因素为刀具加工机床主轴振动信号值，第二调节因素为刀具加工机床的数字仪表值，第三调节因素为刀具加工机床加工工具磨损值，使用支持向量机模型对第一调节因素、第二调节因素和第三调节因素结合起来，并实现预测效果，通过核函数将数据转化为高维特征解决，适合于小样本的分类和识别，避免了神经网络的诸多限制。
55、本实施例还公开了基于云计算的刀具加工机床运行状态智能调节系统，具体包括：刀具加工机床主轴振动信号提取模块、数字仪表图像识别模块、刀具加工机床加工工具磨损值检测模块和刀具加工机床运行状态调节模块；
56、所述刀具加工机床主轴振动信号提取模块用于对主轴振动信号进行提取降维处理，通过神经网络识别主轴振动信号；
57、所述数字仪表图像识别模块用于对数字仪表图像进行图像识别处理；
58、所述刀具加工机床加工工具磨损值检测模块用于构建隐马尔科夫模型对刀具加工机床加工工具磨损进行检测；
59、所述刀具加工机床运行状态调节模块用于结合第一调节因素、第二调节因素和第三调节因素训练支持向量机模型，实现对对刀具加工机床运行状态的智能调节。
60、本发明具备以下有益效果：
61、1.该发明通过采集刀具加工机床主轴振动信号，使用小波分析法对刀具加工机床振动信号进行特征提取，大大降低计算成本，引入去中心化处理后再使用主成分分析法对特征提取的振动信号进行降维处理，bp神经网络模型用于识别刀具加工机床主轴振动信号是否异常，处理方法结果准确率高。
62、2.该发明通过对刀具加工机床的数字仪表图像进行预处理，定位数字仪表图像位置以及边缘检测后，将数字仪表图像二值化，使数字便于识别；再设定待处理的磨损矩阵，对矩阵中的磨损值建立隐马尔科夫模型，实现对刀具加工机床加工工具磨损进行检测，使用方法较为简单，识别效果好。
63、3.该发明通过结合第一调节因素为刀具加工机床主轴振动信号值，第二调节因素为刀具加工机床的数字仪表值，第三调节因素为刀具加工机床加工工具磨损值，使用支持向量机模型对第一调节因素、第二调节因素和第三调节因素结合起来，并实现预测效果，该方法适合于小样本的分类和识别，避免了神经网络的诸多限制。
64、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
1.基于云计算的刀具加工机床运行状态智能调节方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于云计算的刀具加工机床运行状态智能调节方法，其特征在于，所述s1包括如下步骤：
3.根据权利要求2所述的基于云计算的刀具加工机床运行状态智能调节方法，其特征在于，
4.根据权利要求2所述的基于云计算的刀具加工机床运行状态智能调节方法，其特征在于，所述s2包括如下步骤：
5.根据权利要求2所述的基于云计算的刀具加工机床运行状态智能调节方法，其特征在于，所述s21包括如下步骤：
6.根据权利要求3所述的基于云计算的刀具加工机床运行状态智能调节方法，其特征在于，所述s3包括如下步骤：
7.根据权利要求4所述的基于云计算的刀具加工机床运行状态智能调节方法，其特征在于，
8.根据权利要求4所述的基于云计算的刀具加工机床运行状态智能调节方法，其特征在于，所述s4包括如下步骤：
9.根据权利要求4所述的基于云计算的刀具加工机床运行状态智能调节方法，其特征在于，
10.实现如权利要求1-9任意一项所述基于云计算的刀具加工机床运行状态智能调节系统，其特征在于，具体包括：刀具加工机床主轴振动信号提取模块、数字仪表图像识别模块、刀具加工机床加工工具磨损值检测模块和刀具加工机床运行状态调节模块；
