一种数控车床车削过程能耗预测系统

摘要

本发明涉及数据识别技术领域，具体涉及一种数控车床车削过程能耗预测系统，该系统包括存储器和处理器，所述处理器执行所述存储器的计算程序，以实现如下步骤：获取待预测车床对应的车床能耗预测初始模型以及第一预测时段内N次运行时每个时刻对应的车床控制参数向量，确定每个时刻的初始预测能耗功率，进而确定每个时刻对应的初始预测误差；确定车床能耗预测更新模型的损失函数，进而确定车床能耗预测更新模型对应的第二预测时段内M次运行时每个时刻的预测能耗功率，从而确定第二预测时段对应的能耗预测值。本发明基于数据识别技术，解决了数控车床能耗预测准确性低的问题，提高了数控车床车削过程能耗预测的准确性和泛用性。

权利要求

1.一种数控车床车削过程能耗预测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器的计算机程序，以实现以下步骤：获取待预测车床对应的预先构建并训练好的车床能耗预测初始模型以及第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量，进而确定第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率；

获取第一预测时段内N次运行待预测车床时每个时刻的实际能耗功率，根据第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率，确定第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差；

获取第一预测时段内待预测车床的运行次数以及每次运行待预测车床对应的时刻个数，根据第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差和实际能耗功率、第一预测时段内待预测车床的运行次数以及每次运行待预测车床对应的时刻个数，确定车床能耗预测更新模型的损失函数；

根据车床能耗预测更新模型的损失函数、车床能耗预测初始模型的模型参数以及第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量和实际能耗功率，对车床能耗预测更新模型进行训练，得到训练好的车床能耗预测更新模型；

获取第二预测时段内M次运行待预测车床时每个时刻对应的车床控制参数向量，根据第二预测时段内M次运行待预测车床时每个时刻对应的车床控制参数向量以及训练好的车床能耗预测更新模型，确定第二预测时段内M次运行待预测车床时每个时刻的更新预测能耗功率，进而确定待预测车床的第二预测时段对应的能耗预测值；

确定车床能耗预测更新模型的损失函数的计算公式为：

其中，LOSS为车床能耗预测更新模型的损失函数，loss1为车床能耗预测更新模型的更新预测能耗功率与实际能耗功率对应的均方差，loss2为车床能耗预测更新模型的内部变化损失， 为第一预测时段内第n次运行待预测车床时第k个时刻的更新预测能耗功率，为第一预测时段内第n次运行待预测车床时第k个时刻的实际能耗功率，N为第一预测时段内待预测车床的运行次数，Kn为第n次运行待预测车床时对应的时刻个数， 为第一预测时段内第n次运行待预测车床时第k个时刻对应的更新预测误差， 为第一预测时段内第n次运行待预测车床时第k个时刻对应的初始预测误差。

2.根据权利要求1所述的一种数控车床车削过程能耗预测系统，其特征在于，进而确定第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率的步骤包括：将第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量作为输入数据，输入到预先构建并训练好的车床能耗预测初始模型中，输出第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率。

3.根据权利要求1所述的一种数控车床车削过程能耗预测系统，其特征在于，所述实际能耗功率为待预测车床在完成运行后实际观测待预测车床得到的能耗功率，所述初始预测能耗功率为待预测车床在开始运行前基于车床能耗预测初始模型预测得到的能耗功率。

4.根据权利要求1所述的一种数控车床车削过程能耗预测系统，其特征在于，确定第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差的步骤包括：根据第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率，计算N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率的差值的绝对值；

将所述初始预测能耗功率和实际能耗功率的差值的绝对值作为第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差。

5.根据权利要求1所述的一种数控车床车削过程能耗预测系统，其特征在于，对车床能耗预测更新模型进行训练的步骤包括：将车床能耗预测初始模型的模型参数作为车床能耗预测更新模型训练的初始模型参数；

将第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量作为车床能耗预测更新模型的训练输入数据集；

将第一预测时段内N次运行待预测车床时每个时刻的实际能耗功率作为车床能耗预测更新模型的训练标签数据集；

根据车床能耗预测更新模型训练的初始模型参数、训练输入数据集、训练标签数据集以及损失函数，对车床能耗预测更新模型进行训练。

6.根据权利要求1所述的一种数控车床车削过程能耗预测系统，其特征在于，进而确定待预测车床的第二预测时段对应的能耗预测值的步骤包括：将第二预测时段内M次运行待预测车床时的各个时刻与各个时刻的预测能耗功率进行曲线拟合，并计算所述曲线的积分，将最终的积分结果作为待预测车床的第二预测时段对应的能耗预测值。

说明书

一种数控车床车削过程能耗预测系统

技术领域

[0001] 本发明涉及数据识别技术领域，具体涉及一种数控车床车削过程能耗预测系统。

背景技术

[0002] 数控车床是当前工业制造领域主要的生产设备，相比传统的人工手动操控，利用数字化控制技术对车床进行控制生产的方式大大提高了生产效率以及生产产品的质量，但随着高效率生产而来的问题使数控车床等数字化自动控制设备具有较高的能耗，因此，对数控车床进行能耗预测，实现车削参数的优化是提高车床能耗管理效率和减少能源消耗的重要手段。

[0003] 为了实现数控车床的能耗预测，传统的方法大多利用理论或实验的方法建立数控车床的能耗模型，这种方式从车床能耗理论分析入手，很大程度上依赖经验公式的完备性和准确性，且需要详尽的数控车床能耗机理分析，导致构建好的预测模型使用范围较为局限；随着大数据、人工神经网络以及数据识别等技术的发展，基于数据驱动建立能耗预测模型逐步兴起，其中包括利用大数据支持下的人工神经网络进行能耗预测模型的构建，由于人工神经网络具有极强的非线性拟合能力以及大数据背景下海量的训练数据，基于该方式建立的数控车床能耗模型具有极强的适应性，可对不同型号的车床进行预测模型的构建，解决了传统方式使用范围局限的问题，但人工神经网络模型存在无法适应数控车床内在变化的缺点，也就是利用数控车床的历史运行数据训练而成的人工神经网络能耗预测模型无法适应车床由于磨损等原因产生的内部变化，导致人工神经网络能耗预测模型会随着使用时间的增加能耗预测结果越来越不准确；现有还提出了公开号为CN110647108A，一种数据驱动的数控车削元动作能耗预测方法，该方法通过对车床车削元动作进行分解，识别出车床运行时元动作的组成，给予元动作的历史功率数据直接与该元动作对应的运行时间相乘，进而获取能耗，由于该方法的车床元动作的功率可能是变化的，也就是直接利用功率乘以对应的运行时间会存在较大误差，其说明该方法的数控车床能耗预测的准确性低。

发明内容

[0004] 为了解决上述现有数控车床车削过程能耗预测准确性低的技术问题，本发明的目的在于提供一种数控车床车削过程能耗预测系统，所采用的技术方案具体如下：

[0005] 本发明提供了一种数控车床车削过程能耗预测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现以下步骤：

[0006] 获取待预测车床对应的预先构建并训练好的车床能耗预测初始模型以及第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量，进而确定第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率；

[0007] 获取第一预测时段内N次运行待预测车床时每个时刻的实际能耗功率，根据第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率，确定第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差；

[0008] 获取第一预测时段内待预测车床的运行次数以及每次运行待预测车床对应的时刻个数，根据第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差和实际能耗功率、第一预测时段内待预测车床的运行次数以及每次运行待预测车床对应的时刻个数，确定车床能耗预测更新模型的损失函数；

[0009] 根据车床能耗预测更新模型的损失函数、车床能耗预测初始模型的模型参数以及第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量和实际能耗功率，对车床能耗预测更新模型进行训练，得到训练好的车床能耗预测更新模型；

[0010] 获取第二预测时段内M次运行待预测车床时每个时刻对应的车床控制参数向量，根据第二预测时段内M次运行待预测车床时每个时刻对应的车床控制参数向量以及训练好的车床能耗预测更新模型，确定第二预测时段内M次运行待预测车床时每个时刻的更新预测能耗功率，进而确定待预测车床的第二预测时段对应的能耗预测值。

[0011] 进一步的，确定车床能耗预测更新模型的损失函数的计算公式为：

[0012]

[0013]

[0014]

[0015] 其中，LOSS为车床能耗预测更新模型的损失函数，loss1为车床能耗预测更新模型的更新预测能耗功率与实际能耗功率对应的均方差，loss2为车床能耗预测更新模型的内部变化损失， 为第一预测时段内第n次运行待预测车床时第k个时刻的更新预测能耗功率， 为第一预测时段内第n次运行待预测车床时第k个时刻的实际能耗功率，N为第一预测时段内待预测车床的运行次数，Kn为第n次运行待预测车床时对应的时刻个数， 为第一预测时段内第n次运行待预测车床时第k个时刻对应的更新预测误差， 为第一预测时段内第n次运行待预测车床时第k个时刻对应的初始预测误差。

[0016] 进一步的，进而确定第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率的步骤包括：

[0017] 将第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量作为输入数据，输入到预先构建并训练好的车床能耗预测初始模型中，输出第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率。

[0018] 进一步的，所述实际能耗功率为待预测车床在完成运行后实际观测待预测车床得到的能耗功率，所述初始预测能耗功率为待预测车床在开始运行前基于车床能耗预测初始模型预测得到的能耗功率。

[0019] 进一步的，确定第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差的步骤包括：

[0020] 根据第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率，计算N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率的差值的绝对值；

[0021] 将所述初始预测能耗功率和实际能耗功率的差值的绝对值作为第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差。

[0022] 进一步的，对车床能耗预测更新模型进行训练的步骤包括：

[0023] 将车床能耗预测初始模型的模型参数作为车床能耗预测更新模型训练的初始模型参数；

[0024] 将第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量作为车床能耗预测更新模型的训练输入数据集；

[0025] 将第一预测时段内N次运行待预测车床时每个时刻的实际能耗功率作为车床能耗预测更新模型的训练标签数据集；

[0026] 根据车床能耗预测更新模型训练的初始模型参数、训练输入数据集、训练标签数据集以及损失函数，对车床能耗预测更新模型进行训练。

[0027] 进一步的，进而确定待预测车床的第二预测时段对应的能耗预测值的步骤包括：

[0028] 将第二预测时段内M次运行待预测车床时的各个时刻与各个时刻的预测能耗功率进行曲线拟合，并计算所述曲线的积分，将最终的积分结果作为待预测车床的第二预测时段对应的能耗预测值。

[0029] 本发明具有如下有益效果：

[0030] 本发明提供了一种数控车床车削过程能耗预测系统，利用数据识别技术对N次运行待预测车床时每个时刻对应的车床控制参数向量进行相关的数据处理，从而实现对预测数控车床进行能耗功率预测，其有助于准确预测出数控车床的预测时段对应的能耗。首先，获取待预测车床对应的预先构建并训练好的车床能耗预测初始模型以及第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量，进而确定第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率，相比传统的利用理论或实验的方法建立数控车厂预测模型，基于车床能耗预测初始模型进行能耗预测，能够适用于各种不同类型的数控车床，具有较强的泛用性；现有的人工神经网络存在无法适应数控车床内在变化的缺点，随着预测时段的不断增加，其预测准确性会越来越差。为了克服这一缺陷，根据第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率，确定每个时刻的初始预测误差。通过每个时刻的初始预测误差能够监测车床能耗预测初始模型目前的工作状态，以确保每个时刻的预测能耗功率的准确性；为了提高预测模型的预测能耗功率的可持续准确性，根据每个时刻的初始预测误差，确定车床能耗预测更新模型的损失函数，从而得到训练好的车床能耗预测更新模型，基于训练好的车床能耗预测更新模型确定数据车床对应的能耗预测值，能够有效提高能耗预测值的准确性。本发明利用数据识别技术对数据集进行完善和分析，进一步实现了接近时间上的连续预测能耗功率，其有效提高了车床能耗预测模型的自我维护能力、预测结果的准确性和预测结果的精度。

附图说明

[0031] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

[0032] 图1为本发明一种数控车床车削过程能耗预测方法的流程图。

具体实施方式

[0033] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

[0034] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0035] 下面结合附图具体的说明本发明所提供的一种数控车床车削过程能耗预测系统的具体方案。

[0036] 一种数控车床车削过程能耗预测系统的实施例：在本实施例中，一种数控车床车削过程能耗预测方法的流程图如图1所示，本实施例的一种数控车床车削过程能耗预测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现以下步骤：

[0037] （1）获取待预测车床对应的预先构建并训练好的车床能耗预测初始模型以及第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量，进而确定第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率。

[0038] （1‑1）获取待预测车床对应的预先构建并训练好的车床能耗预测初始模型以及第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量。

[0039] 在本实施例中，车床能耗预测初始模型的训练数据集包括输入数据、输出数据以及标签数据。输入数据为待预测车床运行时的多个历史时刻对应的车床控制参数向量，车床控制参数为车床各个能耗组件的控制参数，如主轴转速、刀具编号以及加工工件的硬度等，由车床各个能耗组件的控制参数组成向量，该车床控制参数向量为高维向量，高维向量的任意一个维度为数控车床的一种控制参数；输出数据为待预测车床开始运行前的多个历史时刻的预测能耗功率，预测能耗功率是通过车床能耗预测初始模型预测得到的；标签数据为待预测车床开始运行后的多个历史时刻的实际能耗功率，实际能耗功率是指待预测车床在完成运行后实际观测待预测车床得到的能耗功率，停机时待预测车床的能耗功率为0。车床能耗预测初始模型也可以称为人工神经网络预测模型，车床能耗预测初始模型的结构为全连接网络结构，损失函数为均方差损失函数。利用训练数据集对车床能耗预测初始模型进行训练，得到训练好的车床能耗预测初始模型。

[0040] 需要说明的是，待预测车床的类型可由实施者自行设定，本实施例适用于各种类型的数控车床，有效提高了数控车床能耗预测的泛用性。另外，车床能耗预测初始模型的构建和训练过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

[0041] 本实施例在得到预先构建并训练好的车床能耗预测初始模型后，利用车床能耗预测初始模型对待预测车床的能耗功率进行实际预测，在进行实际预测之前，需要先获取第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量。第一预设时段可由实施者自行设定，本实施例将第一预设时段设定为24个小时。受工作性质影响的数控车床会时常开机或停机多次，一次开机到该开机对应的停机为运行一次，在第一预设时段24个小时内待预测车床会存在多次运行，也就是第一预测时段内会有N次运行待预测车床，运行次数N根据具体实际情况确定。由于数控车床在不运行时车床内部变化很小，也就是此时的数控车床几乎不会发生内部电机老化、刀具磨损等内部变化，故本实施例只获取数控车床运行时的控制参数。

[0042] 至此，本实施例得到了待预测车床对应的预先构建并训练好的车床能耗预测初始模型以及第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量。

[0043] （1‑2）根据待预测车床对应的预先构建并训练好的车床能耗预测初始模型以及第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量，确定第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率。

[0044] 在本实施中，将第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量作为输入数据，输入到预先构建并训练好的车床能耗预测初始模型中，输出第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率，该初始预测能耗功率是指待预测车床在开始运行前基于车床能耗预测初始模型预测得到的能耗功率。

[0045] 需要说明的是，第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量不属于车床能耗预测初始模型的训练输入数据，属于训练好的车床能耗预测初始模型开始实际运行前的新时刻的车床控制参数向量。

[0046] （2）获取第一预测时段内N次运行待预测车床时每个时刻的实际能耗功率，根据第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率，确定第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差，其步骤包括：

[0047] （2‑1）获取第一预测时段内N次运行待预测车床时每个时刻的实际能耗功率。

[0048] 为了便于后续确定每个时刻对应的初始预测误差，需要获取每个时刻的实际能耗功率，实际能耗功率是指待预测车床在完成运行后实际观测待预测车床得到的能耗功率，也就是在待预测车床在第一预测时段内运行结束之后，获取在当前各个车床控制参数下进行运行的实际能耗功率，实际能耗功率也可以成为实际观测值。

[0049] （2‑2）根据第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率，确定第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差。

[0050] 首先，需要说明的是，由于车床能耗预测初始模型是由待预测车床工作过程中的历史数据训练得到的，将该车床能耗预测初始模型应用到后续的预测能耗功率一段时间后，预测能耗功率可能受主轴电机老化、刀具磨损等车床内部变化问题的影响，会产生一定的预测误差，随着车床能耗预测初始模型持续应用于待预测车床的时间的增长，预测误差在时序上发生变化。因此，为了确定预测误差在时序上发生变化的程度，计算第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差，其步骤包括：

[0051] 根据第一预测时段内N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率，计算N次运行待预测车床时每个时刻的初始预测能耗功率和实际能耗功率的差值的绝对值，将初始预测能耗功率和实际能耗功率的差值的绝对值作为第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差。

[0052] 为了便于理解每次运行待预测车床时每个时刻对应的初始预测误差的相关含义，本实施例将N次运行待预测车床所获得各个时刻对应的初始预测误差构建成短预测误差序列，每次运行均有其对应的短预测误差序列。本实施例将某次运行待预测车床时的短预测误差序列记为 ， ，其中， 为该次运行待预测车床时的第k个时刻对应的初始预测误差，也就是车床能耗预测初始模型应用到待预测车床时，该次运行启动后第k个时刻所获取的初始预测误差，两个时刻之间的时间间隔为T，T为自设参数，一般将T设定为1秒， 中的K为该次运行待预测车床时对应的时刻个数，也就是该次运行待预测车床时停机的前一时刻。根据N次运行待预测车床对应的短预测误差序列，按照各短预测误差时序列发生的先后时间顺序，对各短预测误差时序列进行首尾连接，构成一个由待预测车床运行N次后获取的初始预测误差组成的长时序列，以 表示初始预测误差长时序列， ，其中N表示该初始预测误
差长时序列是由N个短预测误差序列拼接而成的，也就是待预测车床的运行次数为N次。

[0053] 对于车床能耗预测初始模型获取的初始预测能耗功率，记为 ，对于实际观测待预测车床得到的实际能耗功率，记为 ，对于预测误差，记为 。至此，本实施例得到了第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差。

[0054] （3）获取第一预测时段内待预测车床的运行次数以及每次运行待预测车床对应的时刻个数，根据第一预测时段内N次运行待预测车床时每个时刻对应的初始预测误差和实际能耗功率、第一预测时段内待预测车床的运行次数以及每次运行待预测车床对应的时刻个数，确定车床能耗预测更新模型的损失函数。

[0055] 在本实施例中，由于车床能耗预测更新模型在训练时，依次将各个训练数据输入到车床能耗预测更新模型中进行训练，基于上一个训练数据的训练结果对车床能耗预测更新模型进行修正，使车床能耗预测更新模型的损失函数值越来越小，故运行次数和时刻个数是依次累加得到的数值。例如，在首次对车床能耗预测更新模型进行训练时，其运行次数为1，其时刻个数为1，在第二次对车床能耗预测更新模型进行训练时，其运行次数为1，其时刻个数为2，不断重复训练，直至第1次运行待预测车床时对应的各个时刻的训练数据均参加过训练，开始第2次运行，此时的运行次数为2，其时刻个数为1。基于对运行次数和时刻个数的分析可知，第一预测时段内待预测车床的运行次数N可以为1，2，3…，每次运行待预测车床对应的时刻个数K可以为1，2，3…。

[0056] 为了使车床能耗预测模型的预测结果更加准确，对车床能耗预测初始模型的损失函数进行更新处理，将更新后的车床能耗预测初始模型的损失函数作为车床能耗预测更新模型的损失函数。其中，初始预测误差可表示车床能耗预测初始模型本身存在的预测误差，实际能耗功率是为了确定车床能耗预测更新模型的预测误差，待预测车床的运行次数和每次运行待预测车床对应的时刻个数是为了判断预测误差的重要性，基于上述对损失函数的各个参数的分析，利用数学建模的相关知识，确定车床能耗预测更新模型的损失函数，其计算公式为：

[0057]

[0058]

[0059]

[0060] 其中，LOSS为车床能耗预测更新模型的损失函数，loss1为车床能耗预测更新模型的更新预测能耗功率与实际能耗功率对应的均方差，loss2为车床能耗预测更新模型的内部变化损失， 为第一预测时段内第n次运行待预测车床时第k个时刻的更新预测能耗功率， 为第一预测时段内第n次运行待预测车床时第k个时刻的实际能耗功率，N为第一预测时段内待预测车床的运行总次数，Kn为第n次运行待预测车床时对应的时刻个数，为第一预测时段内第n次运行待预测车床时第k个时刻对应的更新预测误差， 为第一预测时段内第n次运行待预测车床时第k个时刻对应的初始预测误差。

[0061] 在车床能耗预测更新模型的损失函数LOSS的计算公式中，均方差loss1和内部变化损失loss2越趋近于0，越说明车床能耗预测更新模型的训练效果较好。在均方差loss1的计算公式中， 越大也就是 越大，越说明车床能耗预测更新模型的预测效果不好。

[0062] 在内部变化损失loss2的计算公式中， 表示初始预测误差在初始预测误差长时序列中所处时序序列位置的重要程度， 表示第k个时刻对应的初始预测误差在第n个短预测误差序列中的重要程度，第k个时刻对应的初始预测误差越接近时刻初始位置，表示第k个时刻对应的初始预测误差越不重要，时刻初始位置是指第n个短预测误差序列中的第1个时刻对应的初始预测误差对应的位置。 表示第n个短预测误差序列在N个短预测误差序列中的重要程度，也就是第n个短预测误差序列相比于所有短预测误差序列的重要性，第n个短预测误差序列越接近序列初始位置，表示第n个短预测误差序列越不重要，序列初始位置是指N个短预测误差序列中的第1个短预测误差序列对应的位置。

[0063] 需要说明的是，第k个时刻对应的初始预测误差与时刻初始位置的距离以及第n个短预测误差序列与序列初始位置的距离越小，说明距离车床能耗预测初始模型训练好的时刻越近，此时待预测车床的内部状态相比车床能耗预测初始模型所学习的待预测车床内部状态变化较小，故n和k的数值越大，其对应的初始预测误差就会越大。

[0064] 在内部变化损失loss2的计算公式中， 越大表示车床能耗预测初始模型的预测效果越不好， 表示车床能耗预测更新模型的预测误差与车床能耗预测初始模型的预测误差之间的差异程度， 加1后该差异程度的取值范围为[0,2]，为归一化后的数值，该归一化后的数值越趋于1越能说明车床能耗预测更新模型的预测误差较大，且远大于车床能耗预测初始模型的预测误差，越趋于0越能说明车床能耗预测更新模型的预测误差较小，且远小于车床能耗预测初始模型的预测误差。

[0065] （4）根据车床能耗预测更新模型的损失函数、车床能耗预测初始模型的模型参数以及第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量和实际能耗功率，对车床能耗预测更新模型进行训练，得到训练好的车床能耗预测更新模型。

[0066] 在本实施例中，将车床能耗预测初始模型的模型参数作为车床能耗预测更新模型训练的初始模型参数，将第一预测时段内N次运行待预测车床时每个时刻对应的车床控制参数向量作为车床能耗预测更新模型的训练输入数据集，将第一预测时段内N次运行待预测车床时每个时刻的实际能耗功率作为车床能耗预测更新模型的训练标签数据集。根据车床能耗预测更新模型训练的初始模型参数、训练输入数据集、训练标签数据集以及损失函数，对车床能耗预测更新模型进行训练，得到训练好的车床能耗预测更新模型。车床能耗预测更新模型的训练过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

[0067] （5）获取第二预测时段内M次运行待预测车床时每个时刻对应的车床控制参数向量，根据第二预测时段内M次运行待预测车床时每个时刻对应的车床控制参数向量以及训练好的车床能耗预测更新模型，确定第二预测时段内M次运行待预测车床时每个时刻的更新预测能耗功率，进而确定待预测车床的第二预测时段对应的能耗预测值。

[0068] 本实施例在得到训练好的车床能耗预测更新模型之后，为了确定第二预测时段对应的能耗预测值，先获取第二预测时段内M次运行待预测车床时每个时刻对应的车床控制参数向量，第二预测时段的时长和运行次数可由实施者根据实际情况需求自行设定，该车床控制参数向量对应的控制参数类型与步骤（1）的车床控制参数向量对应的控制参数类型是保持一致的。然后，将第二预测时段内M次运行待预测车床时每个时刻对应的车床控制参数向量作为输入数据，并将该输入数据输入到训练好的车床能耗预测更新模型，得到第二预测时段内M次运行待预测车床时每个时刻的更新预测能耗功率，每个时刻均有其对应的更新预测能耗功率。最后，将第二预测时段内M次运行待预测车床时的各个时刻与各个时刻的更新预测能耗功率进行曲线拟合，也就是基于每个时刻及其更新预测能耗功率，拟合关于时间和功率的曲线，计算该曲线的积分，将最终的积分结果作为待预测车床的第二预测时段对应的能耗预测值。

[0069] 值得说明的是，根据后续需求可将车床能耗预测更新模型作为新的车床能耗预测初始模型，参考上述步骤（1）至步骤（4）的确定车床能耗预测更新模型的过程，实现车床能耗预测模型的更新可持续性，其有效提高了数控车床对应的能耗预测值的可持续预测准确性，也就是连续准确地预测数控车床对应的能耗预测值。至此，本实施例实现了数控车床在车削过程中准确预测能耗的目的。

[0070] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。