CN101710235A - 一种数控机床在线加工工件的自动识别和监控方法 - Google Patents

Abstract

本发明公开了一种数控机床在线加工工件自动识别和加工监控方法，该方法首先将各种在加工工件加工时可能的主轴加工功率信息经过加工特征向量的选取、特征模板序列的形成及其时间规正和匹配距离计算，以及对距离进行聚类处理等过程，形成多工件特征模板库；在工件加工时，对采集到的工件实时加工功率信息进行处理形成特征向量序列，将该序列与特征模板库中的模板之间进行时间规正和匹配距离计算等处理，根据匹配距离的大小以及所设定的阈值，即可判断加工工件的类别并累计加工数量或监控加工过程加工参数。

Description

一种数控机床在线加工工件的自动识别和监控方法

技术领域

本发明涉及到机械制造业、信息处理技术领域，属于制造执行系统中信息采集及信号处理方法，具体涉及到数控机床上在线加工工件的自动识别和加工过程监控方法。

背景技术

机械加工车间中工件加工进度信息以及过程监控，是支持车间生产过程管理和优化运行的重要信息之一。加工进度信息以及过程监控包括很多内容，其中最基本的是正在加工的工件信息和已加工完成的数量以及加工过程是否按照工艺加工技术参数要求加工。

目前，在部分自动化程度较高的车间中，已有采用条形码、RFID、PLC、NC代码中插入宏指令等方式，实现了加工进度信息的自动采集及上报。但在大多数传统机械切削加工的车间中，由于设备本身的陈旧，生产加工进度信息还是采用“手工上报”等方式与企业管理与设计层进行信息的沟通，存在加工任务信息实时性差、容易出差错、浪费人力资源等问题。另外，车间中经常会出现多个不同的工件在一段时间内同时在一台机床上加工的现象，这也给统计带来一定复杂性。同时由于目前工人的素质问题，调查发现经常出现工人为了加快任务的完成，擅自将加工参数改变，造成了大量废品的现象，这也为作业车间的管理带来了较大的难题。

中国专利ZL02113585.1公开了一种“网络化制造系统中多功能信息交互终端”，通过人机交互的方式，定期采集工件的加工进度信息，从一定程度上减轻了上述问题，但这种方式仍然受人为因素的影响。中国专利ZL200710078406.1公开的“基于机床功率信息生产计划进度状态的自动采集方法”，该方法依据机床主电动机功率信息及信息特征的变化与重复达到生产计划状态进度自动采集的目的，但这种方法只针对单一工件批量加工时，可有效的统计加工工件的件数，不能在混件加工时统计件数，该方法也不能监控加工参数是否被改变。

发明内容

针对现有技术存在的上述不足，本发明的目的是针对目前车间工件加工进度信息主要靠人工统计，且在混类加工时经常出现统计出错，以及对工人为加快加工进度擅自改变加工参数造成浪费等问题提出一种基于动态时间弯折和功率信息的数控机床在线加工工件自动识别和监控方法。

本发明的目的是这样实现的：一种数控机床在线加工工件的自动识别和监控方法，其特征在于，包括如下步骤：

1)建立工件加工特征模板库：根据数控机床主轴加工功率的特性，选取一组反映机床加工状态的多维功率信息特征向量，基于该向量形成在各种工件加工时的特征向量序列；对同一类工件的特征向量序列计算基于时间规正算法的匹配距离，并采用聚类算法进行处理形成该类别工件的加工功率信息特征模板；多种工件的特征模板形成模板库；

2)自动识别和监控：在加工工件时，将采集到的实时功率信息进行处理形成加工功率信息特征向量序列，将该序列与特征模板库中的模板进行时间规正和匹配距离计算等处理，根据匹配距离的大小以及所设定的阈值，判断加工工件的类别和监控加工过程加工参数。

进一步的特征在于，上述步骤1)中，所述特征向量序列由训练器采用动态时间弯折法进行时间规正和匹配距离计算，并得到匹配对，采用具有时序关系的聚类算法将特征序列进行聚类处理；

设Ω为L个加工工件的功率信息训练序列的集合，Ω＝{X_i}，i＝1，2，…，L；其中，X_i为第i个加工工件的特征向量序列，Xi＝{X_i1，X_i2，…，X_iN}，其中，X_iN为第i个加工工件在N时刻的特征向量；

设Ω可以聚成NC个不同的类{ω_i，i＝1，2，...，NC}，使 $\mathrm{\Ω}=\underset{i=1}{\overset{\mathrm{NC}}{\∪}}{\mathrm{\ω}}_i,$ 根据实际情况NC的大小可以通过训练集中加工工件类型的总数来确定，或者根据聚类的准则自动确定；设ω_j，i ^k表示一个j个加工工件类集合的第i个类，k为迭代次数，i＝1，2，...，j；k＝1，2，...，k_max为允许的最大迭代次数；

基于K均值聚类算法的加工工件类别训练器算法如下：

[1]初始化：令i＝j＝k＝1， ${\mathrm{\ω}}_{\mathrm{1,1}}^1=\mathrm{\Ω},$ 计算全部工件训练序列Ω的聚类中心；

[2]按最小距离进行工件分类：对全部训练序列X_l，l＝1，2，...，L，就每个聚类中心求取匹配距离。对于求得最小距离的标上该类的索引，即：

$X_l\∈{\mathrm{\ω}}_{j,i}^k$

当且仅当

$\mathrm{\δ}(X_l,y\left({\mathrm{\ω}}_{j,i}^k\right))=\min \mathrm{\δ}(X_l,y\left({\mathrm{\ω}}_{j,i}^k\right))$

其中：y(ω_j，i ^k)为表示一个j类集合的第i个类的中心；

计算每类ω_j，i ^k的类内距离和：

${\mathrm{\Δ}}_i^k=\mathrm{\Σ\δ}(X_l,y\left({\mathrm{\ω}}_{j,i}^k\right))$

[3]调整聚类及聚类中心：根据[2]中所标出新的索引，得出新的工件分类ω_j，i ^k+1，并计算新的聚类中心y(ω_j，1 ^k+1)；

[4]收敛性检验：满足下面三个条件之一执行[5]，否则转至[2]

A、对所有的i＝1，2，...，j， ${\mathrm{\ω}}_{j,i}^k={\mathrm{\ω}}_{j,i}^{k+1}$

B、k＝k_max

C、平均类心距离变化小于预设的门限值Δ_th，即：

$(\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_i^k-\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_i^{k-1})/\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_i^{k-1}<{\mathrm{\&Delta;}}_{\mathrm{th}}$

[5]记录分类结果：如果收敛，将得到j类ω_j，i ^k+1及其聚类的中心y(ω_j，i ^k+1)，如果j为最大的预设聚类数j_max，整个聚类过程结束，否则执行[6]；

[6]将具有最大类内距离的类分成两类：即首先找到Δ_i ^k为最大的类，然后在该类中找到两个元素，使δ(X_l1，X_l2)≥δ(X_l3，X_l4)；其中，X_l3和X_l4为类中任意两个元素；这样X_l1和X_l2取代原聚类中心，此时j＝j+1，重新设k＝1并重复步骤[2]～[5])。

上述方法就形成了j_max个类，得到的j_max个y(ω_j，i ^k+1)就为训练样本的特征模板；

其中，所述步骤[1]和步骤[3]中，计算聚类中心的方法如下：

在新的分类中找出一个代表，使与到它的距离小于下面所定义的门限值δ_t元素个

数最多，其中：

δ_t＝δ+0.5σ_δ

δ、σ_δ分别为δ(X_l，X_m)的均值和方差，即：

$\stackrel{\&OverBar;}{\mathrm{\&delta;}}=\frac{1}{L_{\mathrm{\&omega;}}(L_{\mathrm{\&omega;}}-1)}\underset{l=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(X_l,X_m),m\&NotEqual;l$

${\mathrm{\&sigma;}}_{\mathrm{\&delta;}}=\frac{1}{L_{\mathrm{\&omega;}}(L_{\mathrm{\&omega;}}-1)}\underset{l=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}^2(X_l,X_m)-{\stackrel{\&OverBar;}{\mathrm{\&delta;}}}^2,m\&NotEqual;l$

便可获得在加工不同工件时的特征模板。

进一步的特征在于，步骤2)中，加工工件时，所述加工功率信息特征向量序列由识别器进行时间规正和匹配距离计算，具体算法如下：

首先，按照动态时间弯折算法，计算加工工件的特征向量序列与存贮的训练特征模板序列之间的匹配距离δ(X_l，X_m)；然后，选取δ(X_l，X_m)值为最小、且小于预设的门限值所对应的模板的类型作为加工工件的类型，并在该类工件统计数据上加1；若没有一个训练模板与之满足上述条件，此时可能是新的加工类型，则进入训练模板的提取，或是报警。

根据时序关系形成特征向量序列送入识别器中；若是利用其自动识别功能，则在识别器中将输入的特征向量序列与模板库中的各个模板采用动态时间弯折算法进行比对，确定与哪类模板的匹配距离最近，得到加工工件的类型，若是一个都未匹配则进行未匹配处理；若是利用其监控功能，则在识别器中将输入的特征向量序列与监控加工的同类型的模板采用动态时间弯折法进行配对计算，若匹配距离在规定的范围内，认为是正在加工允许的工件，否则认为是非允许的程序在加工。

相比现有技术，本发明具有如下优点：

(I)本发明中，工件加工功率信息是通过功率传感器采集机床主轴电机加工功率得到，或是根据工件加工工艺参数等计算形成的参考功率曲线(只适用于训练阶段)。信号的获取简单可靠，系统安装实现方便，不影响生产。

(II)本发明通过分析数控机床主轴加工功率的特性，从工件加工功率信息中抽取出反映机床加工状态的多维特征向量序列代替简单的功率值序列。然后利用动态时间弯折和聚类的方法，从多个工件加工特征向量序列样本中选取类别参考模板，将在加工工件的相应特征向量序列与多个类别工件的参考模板进行对比来识别和监控，算法更准确、合理，可解决主轴功率信号存在的干扰大，信号敏感性差等缺点。

(III)利用该方法采集加工信息，可实现混类加工工件的在线识别及统计，识别准确，节约人力资源。该方法的监控功能可解决非授权加工及修改加工参数问题。

经实践检验，该方法是有效且可行的。利用本发明将解决数控机床在线加工工件自动识别和监控的问题，可提高企业的生产控制能力及车间信息化程度。

附图说明

图1是本发明数控机床在线加工工件自动识别和监控方法的原理框图；

图2是本发明数控机床在线加工工件自动识别和监控方法的识别流程图；

图3动态时间规正过程；

图4动态时间弯折法的一种匹配路径图；

图5是本发明数控机床在线加工工件自动识别和监控方法的硬件框图；

图6是一种实例中A、B、C三类工件训练阶段加工样本的功率曲线；

图7是一种实例中A、B、C三类工件的聚类结果图；

图8是一种实例中A、B、C三类工件的中心模板特征向量曲线图；

图9是一种实例中7种工件加工过程功率曲线与A、B、C三类工件的模板功率曲线对应关系图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

参见图1，为了解决机械制造车间生产进度信息的采集，本发明基于动态时间弯折和功率信息，通过分析数控机床加工特性，选取一组反映加工过程信息的机床主轴功率信息的特征参数，组成功率特征向量来表征加工工件信息。在此基础上，本发明的自动识别和监控方法分为两大步骤，分别建立特征模板库和识别及监控两个阶段，具体步骤叙述如下：

第一步，建立特征模板库：获取多个加工一批同类加工工件时主轴功率信息，或者根据数控机床主轴对象特性得到可能的数控机床主轴功率信息(如参考的功率曲线)，对该信息抽取特征信息，实例化功率特征向量，根据时序关系形成特征向量序列并送入训练器中；训练器将这些特征序列采用动态时间规正法进行时间规正和匹配距离计算，并得到匹配对，采用具有时序关系的聚类算法将特征序列进行聚类处理，获得特征模板，并存入特征模板库中；对于同一批工件，可以有多个特征模板，不同加工工件，有不同的特征模板。

第二步，自动识别和监控：采集在实时加工状态下数控机床主轴功率信息，抽取其特征信息，根据时序关系形成特征向量序列送入识别器中；若是利用其自动识别功能，则在识别器中将输入的特征向量序列与模板库中的各个模板采用动态时间规正法进行比对，确定与哪类模板的匹配距离最近，得到加工工件的类型，若是一个都未匹配则进行未匹配处理；若是利用其监控功能，则在识别器中将输入的特征向量序列与监控加工的同类型的模板采用动态时间规正法进行配对计算，若匹配距离在规定的范围内，认为是正在加工允许的工件，否则认为是非允许的程序在加工。

具体识别流程如图2所示。

其中，本发明涉及的动态时间弯折算法，以及训练器和识别器的算法如下：

动态时间弯折算法：

设Ω为L个加工工件的功率信息训练序列的集合，Ω＝{X_i}，i＝1，2，...，L，其中X_i为第i个加工工件的特征向量序列，X_i＝{X_i1，X_i2，...，X_iN}，其中X_iN为第i个加工工件在N时刻的特征向量，该向量中特征值的选取根据数控机床加工特性确定。

对每两个特征向量序列进行匹配计算，得到匹配距离δ(X_i，X_j)。但由于X_i＝{X_i1，X_i2，...，X_iN}、X_j＝{X_j1，X_j2，...，X_jM}在时间上其特征向量的个数就不相等，即N≠M，需要首先将这两个特征向量序列进行时间规正，为此采用动态时间弯折法进行时间规正(规正的过程见图3)和匹配距离的计算，其计算方法如下：

[1.1]初始化：g(1，1)＝2d(X_i1，X_j1)

其中：Reg为约束区域，假定它为定点位于(1，1)和(N，M)，相邻两边的斜率分别为2和1/2的平行四边形，huge表示很大的实数。

g(n，m)表示到匹配点对(n，m)为止前面所有可能的路径中最佳路径(匹配距离最短)的累计匹配距离。存在着以下的递推关系：

$g(n,m)=\underset{(i^{`},j^{\&prime;})\&RightArrow;(i,j)}{\min }\{g(n^{`},m^{`})+d(X_{\mathrm{in}},X_{\mathrm{jm}})W_k\}---\left(2\right)$

式(2)中(n`，m`)表示局部路径(n`，m`)→(n，m)的起点，权W_k的取值与局部路径有关。n＝2，3，...，N；m＝2，3，...，M。

[1.2]递推求累计距离：

g(n，m)＝min{g(n-1，m)+d(X_in，X_jm)·W_k(1)；

g(n-1，m-1)+d(X_in，X_jm)·W_k(2)；(3)

g(n，m-1)+d(X_in，X_jm)·W_k(3)}

(n，m)∈Reg

式(3)中，采用如图4所示的局部路径进行约束，并取加权值W_k(1)＝W_k(3)＝1，W_k(2)＝2。

[1.3]求取所有的匹配点对及距离

根据(3)式选取每步的上一步最佳局部路径，由匹配点对(N，M)向前回溯一直到(1，1)，就形成了相应的匹配点序列。所形成的规正的点数不是固定不变的，随N、M的值而变。

因此，(3)式可以用

作为分母来补偿。可写成如下的计算公式：

$\mathrm{\&delta;}(X_i,X_j)=\underset{c}{\min }\frac{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}[d(X_{i\left(k\right)},X_{j\left(k\right)})\&CenterDot;W_k]}{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{W}_k}---\left(4\right)$

$=g(N,M)/(N+M)$

其中：C为时间规正函数C＝{c(1)，c(2)，...，c(K)}，K为路径长度，c(k)＝(X_i(k)，X_j(k))表示第k个匹配点对是由X_i的第i(k)个特征向量与X_j的第j(k)个特征向量构成的匹配点对。

采用上述方法就将两个采样获得的功率特征向量序列在时间上进行了规正，得到了它们的匹配点对，并实现了距离的计算。

关于训练器算法：

根据所述动态时间弯折算法计算出Ω中L个训练序列组成的L×L的距离矩阵D，设Ω可以聚成NC个不同的类{ω_i，i＝1，2，...，NC}，使 $\mathrm{\&Omega;}=\underset{i=1}{\overset{\mathrm{NC}}{\&cup;}}{\mathrm{\&omega;}}_i,$ 根据实际情况NC的大小可以通过训练集中加工工件类型的总数来确定，也可以根据聚类的准则自动确定。另外，设ω_j，i ^k表示一个j类集合的第i个类，k为迭代次数，i＝1，2，...，j；k＝1，2，...，k_max为允许的最大迭代次数。基于K均值聚类算法的训练器算法如下：

[1]初始化：令i＝j＝k＝1， ${\mathrm{\&omega;}}_{\mathrm{1,1}}^1=\mathrm{\&Omega;},$ 计算整个训练序列Ω的聚类中心(计算方法见后)。

[2]最小距离分类：对每个训练序列X_l，l＝1，2，...，L，就每个聚类中心求取距离，对于求得最小距离的标上该类的索引，即：

$X_l\&Element;{\mathrm{\&omega;}}_{j,i}^k$

当且仅当

$\mathrm{\&delta;}(X_l,y\left({\mathrm{\&omega;}}_{j,i}^k\right))=\min \mathrm{\&delta;}(X_l,y\left({\mathrm{\&omega;}}_{j,i}^k\right))---\left(5\right)$

其中：y(ω_j，i ^k)为表示一个j类集合的第i个类的形心，δ(X_l，y(ω_j，i ^k))的计算方法同(4)。计算每类ω_j，i ^k的类内距离和：

${\mathrm{\&Delta;}}_i^k=\mathrm{\&Sigma;\&delta;}(X_l,y\left({\mathrm{\&omega;}}_{j,i}^k\right))---\left(6\right)$

[3]调整聚类及聚类中心：根据[2]中所标出新的索引，得出新的分类ω_j，i ^k+1，并计算新的聚类中心y(ω_j，i ^k+1)(计算方法见后)。

[4]收敛性检验：满足下面三个条件之一执行[5]，否则转至[2]

A、对所有的i＝1，2，...，j， ${\mathrm{\&omega;}}_{j,i}^k={\mathrm{\&omega;}}_{j,i}^{k+1}$

B、k＝k_max

C、平均类心距离变化小于预设的门限值Δ_th，即：

$(\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_i^k-\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_i^{k-1})/\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_i^{k-1}<{\mathrm{\&Delta;}}_{\mathrm{th}}---\left(7\right)$

[5]记录分类结果：如果收敛，将得到j类ω_j，i ^k+1及其聚类的中心y(ω_j，i ^k+1)，如果j为最大的预设聚类数j_max，整个聚类过程结束，否则执行[6]。

[6]将具有最大类内距离的类分成两类：即首先找到Δ_i ^k为最大的类，然后在该类中找到两个元素，使δ(X_l1，X_l2)≥δ(X_l3，X_l4)，其中X_l3和X_l4为类中任意两个元素。这样X_l1和X_l2取代原聚类中心，此时j＝j+1，重新设k＝1并重复[2]～[5])。

上述方法就形成了j_max个类，得到的j_max个y(ω_j，i ^k+1)就为训练样本的特征模板。

其中，所述步骤[1]和步骤[3]中，计算聚类中心的方法如下：

在新的分类中找出这样一个代表，使与到它的距离小于下面所定义的门限值δ_t元素个数最多，其中：

δ_t＝δ+0.5σ_δ(8)

δ、σ_δ分别为δ(X_l，X_m)的均值和方差，即：

$\stackrel{\&OverBar;}{\mathrm{\&delta;}}=\frac{1}{L_{\mathrm{\&omega;}}(L_{\mathrm{\&omega;}}-1)}\underset{l=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(X_l,X_m),m\&NotEqual;l$

${\mathrm{\&sigma;}}_{\mathrm{\&delta;}}=\frac{1}{L_{\mathrm{\&omega;}}(L_{\mathrm{\&omega;}}-1)}\underset{l=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}^2(X_l,X_m)-{\stackrel{\&OverBar;}{\mathrm{\&delta;}}}^2,m\&NotEqual;l---\left(9\right)$

通过上述方法，便可获得在加工不同工件时的特征模板，当训练序列较多时，加工同一个工件的特征模板不只一个可能多个。上述算法在图1的训练器中得以具体的实现，并将得到的特征模板保存在特征模板库中。

关于识别器算法：

识别器是将实际加工时取得的特征向量序列与特征模板库中的序列进行匹配距离计算并根据计算结果进行工件类别识别，所采用的方法为首先按照动态时间弯折算法，计算加工工件的特征向量序列与存贮的训练特征模板序列之间的匹配距离δ(X_l，X_m)；然后选取δ(X_l，X_m)值为最小、且小于预设的门限值所对应的模板的类型作为加工工件的类型，并在该类工件统计数据上加1；若没有一个训练模板与之满足上述条件，此时可能是新的加工类型，则进入训练模板的提取，或是报警。

图2中虚线部分为识别器的运行流程及原理。

实施例：

一种数控机床在线加工工件自动识别和监控方法，基于该方法的自动识别和监控硬件由有功功率变送器、串口A/D转换模块、信息交互终端等几个部分组成，系统结构见图5，有功功率变送器装在数控机床的主轴电机变频器的输入端，负责采集机床主轴输入功率信号；串口A/D采集模块，负责将模拟信号转换为数字信号得到工件加工的功率值信息，并将转换结果实时发送给信息交互终端，功率值采样频率取20Hz，精度为12位；信息交互终端负责对功率信息进行模板提取、工件类别识别等处理并传送相关数据及结果到上层应用系统。

加工设备及加工工件如下：

加工工件：某设备3种轴类工件，记为工件A、工件B、工件C

数控机床：CKA6140型数控车床

传感器：WBQ212P71

终端：HTK iTouchl21A-T嵌入式信息终端

串口A/D采集模块：HTK-NDC1以太网现场测控服务器

工件加工工序：

工件A：①切端面1→②车外圆面→③切端面2→④切端面3

工件B：①车外圆面1→②车外圆面2

工件C：①车外圆面1→②切端面1→③切端面2

首先，对待加工的工件建立工件类别模版，对工件A、工件B和工件C进行试加工，每种工件加工7个，共21组。按设定的频率对主轴电机有功功率进行实时采样，采集并记录每次电机启/停之间的功率值序列，最后得到21组功率值序列样本，分别记为P_i，i＝1，2，...21，所有样本的功率曲线如图6所示。每一样本包含个数不等的功率标称值样本点P_ij，j＝1，2，...，N，对全部样本按本发明所述方法进行处理以提取待加工工件的类别模板。

(1)构建工件加工特征向量序列

通过分析加工工艺参数和数控机床加工特性，发现将功率信息作为基础分析数据时，其功率值、功率变化率以及功率信号小波系数可以有效表征加工过程的特征信息，综合考虑计算量及区分能力，取机床主轴功率值标量P、功率变化率CR(Change Rate，CR)、四层DB4小波变换近似部分的小波系数A4和细节部分的小波系数D1～D4等共7个特征值组成表征工件加工的功率信息特征向量。

即取工件加工功率信息特征向量X＝(P，CR，A4，D1，D2，D3，D4)^T。

计算功率值序列的变化率，并对其进行小波变换得到小波系数A4及D1～D4，与功率值标量P_ij一起组成加工样本特征向量序列X_ij＝(P_ij，CR_ij，A4_ij，D1_ij，D2_ij，D3_ij，D4_ij)^T，即每个样本点包含7个特征属性值，最终表征工件加工信息的特征向量序列X_i的结构如表1所示，表2是样本向量序列X₁₂的一个数据片段。

表1特征向量序列X_i的结构

表2特征向量序列X₁₂的数据片段表

(2)建立工件参考模板

采用K均值法的聚类算法对加工样本特征向量序列进行聚类，序列间的距离使用DTW算法计算，按图4的方向约束局部路径，全局路径取2、1/2斜率平行四边形区域限制。取最大工件类别数j_max＝3，对21组加工样本特征向量序列进行聚类，表3是聚类计算结果，图7为3类工件加工样本特征向量的聚类图。

表3聚类计算结果

保存工件类别参数，并将各类中心样本特征向量序列组成特征模板库，作为加工识别的标准模板，三类工件的中心模板X₇、X₉、X₁₈的特征向量序列曲线如图8所示。

(3)加工识别过程

建立好工件类别特征模板库后，根据经验及聚类的结果选取合适的类别判定门限值，就可以进行工件批量混件加工的识别和统计。以下是一组加工识别例：取6个待加工工件T1～T6，分别为B工件3个、C工件2个、未允许加工的工件1个，进行混件加工及识别。识别系统设置为只允许加工A、B、C三类工件，否则报警。类别判定模板及判定标准见表4，其中工件类别判定门限值取类内最大距离。

表4类别判定模板及判定门限值

经加工测试，工件T1～T5均识别到了正确的工件类别，T6识别时显示没有合适的匹配类别，系统报警并提示无法识别加工工件，识别结果与实际情况一致，该算法达到了预期的要求。表5为加工工件与标准类别模板的匹配数据及识别结果对比，加工工件曲线与模板样本功率曲线的对应关系图见图9。

表5工件加工匹配数据及识别结果

注：huge表示很大的实数

由于不同工件间的加工时间不同，因而采集到的功率样本序列的长度也差距较大，识别时可以采用序列长度优化策略，优先对长度相近的类别进行匹配识别，以提高识别的效率。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，尽管申请人参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种数控机床在线加工工件的自动识别和监控方法，其特征在于，包括如下步骤：

1)建立工件加工特征模板库：根据数控机床主轴加工功率的特性，选取一组反映机床加工状态的多维功率信息特征向量，基于该向量形成在各种工件加工时的特征向量序列；对同一类工件的特征向量序列计算基于时间规正算法的匹配距离，并采用聚类算法进行处理形成该类别工件的加工功率信息特征模板；多种工件的特征模板形成模板库；

2)自动识别和监控：在加工工件时，将采集到的实时功率信息进行处理形成加工功率信息特征向量序列，将该序列与特征模板库中的模板进行时间规正和匹配距离计算等处理，根据匹配距离的大小以及所设定的阈值，判断加工工件的类别和监控加工过程加工参数。

2.根据权利要求1所述的一种数控机床在线加工工件的自动识别和监控方法，其特征在于，所述步骤1)中，所述特征向量序列由训练器采用动态时间弯折法进行时间规正和匹配距离计算，并得到匹配对，然后对具有时序关系的多维特征向量序列采用聚类算法进行聚类处理；

设Ω为L个待加工工件的功率信息训练序列的集合，Ω＝{X_i}，i＝1，2，…，L；其中，X_i为第i个加工工件的特征向量序列，X_i＝{X_i1，X_i2…，X_iN}，其中，X_iN为第i个加工工件在N时刻的特征向量；

设Ω可以聚成NC个不同的类{ω_i，i＝1，2，...，NC}，使 $\mathrm{\&Omega;}=\underset{i=1}{\overset{\mathrm{NC}}{\&cup;}}{\mathrm{\&omega;}}_i,$ 根据实际情况NC的大小可以通过训练集中加工工件类型的总数来确定，或者根据聚类的准则自动确定；设ω_j，i ^k表示一个j个加工工件类集合的第i个类，k为迭代次数，i＝1，2，...，j；k＝1，2，...，k_max为允许的最大迭代次数；

基于K均值聚类算法的加工工件类别特征模板获取过程如下：

[1]初始化：令i＝j＝k＝1， ${\mathrm{\&omega;}}_{\mathrm{1,1}}^1=\mathrm{\&Omega;},$ 计算全部工件训练序列Ω的聚类中心；

[2]按最小距离进行工件分类：对全部训练序列X_l，l＝1，2，...，L，就每个聚类中心求取匹配距离。对于求得最小距离的标上该类的索引，即：

$X_l\&Element;{\mathrm{\&omega;}}_{j,i}^k$

当且仅当

$\mathrm{\&delta;}(X_l,y\left({\mathrm{\&omega;}}_{j.i}^k\right))=\min \mathrm{\&delta;}(X_l,y\left({\mathrm{\&omega;}}_{j,i}^k\right))$

其中：y(ω_j，i ^k)为表示一个j类集合的第i个类的中心；

计算每类ω_j，i ^k的类内距离和：

${\mathrm{\&Delta;}}_i^k=\mathrm{\&Sigma;\&delta;}(X_l,y\left({\mathrm{\&omega;}}_{j,i}^k\right))$

[3]调整聚类及聚类中心：根据[2]中所标出新的索引，得出新的工件分类ω_j，i ^k+1，并计算新的聚类中心y(ω_j，i ^k+1)；

[4]收敛性检验：满足下面三个条件之一执行[5]，否则转至[2]

A.对所有的i＝1，2，...，j， ${\mathrm{\&omega;}}_{j,i}^k={\mathrm{\&omega;}}_{j,i}^{k+1}$

B.k＝k_max

C.平均类心距离变化小于预设的门限值Δ_th，即：

$(\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_i^k-\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_i^{k-1})/\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_i^{k-1}<{\mathrm{\&Delta;}}_{\mathrm{th}}$

[5]记录分类结果：如果收敛，将得到j类ω_j，i ^k+1及其聚类的中心y(ω_j，i ^k+1)，如果j为最大的预设聚类数j_max，整个聚类过程结束，否则执行[6]；

[6]将具有最大类内距离的类分成两类：即首先找到Δ_i ^k为最大的类，然后在该类中找到两个元素，使δ(X_l1，X_l2)≥δ(X_l3，X_l4)；其中，X_l3和X_l4为类中任意两个元素；这样X_l1和X_l2取代原聚类中心，此时j＝j+1，重新设k＝1并重复步骤[2]～[5])。

上述方法就形成了j_max个类，得到的j_max个y(ω_j，i ^k+1)就为训练样本的特征模板；

其中，所述步骤[1]和步骤[3]中，计算聚类中心的方法如下：

在新的分类中找出一个代表，使与到它的距离小于下面所定义的门限值δ_t元素个数最多，其中：

δ_t＝δ+0.5σ_δ

δ、σ_δ分别为δ(X_l，X_m)的均值和方差，即：

$\stackrel{\&OverBar;}{\mathrm{\&delta;}}=\frac{1}{L_{\mathrm{\&omega;}}(L_{\mathrm{\&omega;}}-1)}\underset{l=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(X_l,X_m),m\&NotEqual;l$

${\mathrm{\&sigma;}}_{\mathrm{\&delta;}}=\frac{1}{L_{\mathrm{\&omega;}}(L_{\mathrm{\&omega;}}-1)}\underset{l=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{L_{\mathrm{\&omega;}}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}^2(X_l,X_m)-{\stackrel{\&OverBar;}{\mathrm{\&delta;}}}^2,m\&NotEqual;l$

便可获得在加工不同工件时的特征模板。

3.根据权利要求1所述的一种数控机床在线加工工件的自动识别和监控方法，其特征在于，所述步骤2)中，加工工件时，所述加工功率信息特征向量序列由识别器进行时间规正和匹配距离计算，具体算法如下：

首先，按照动态时间弯折算法，计算加工工件的特征向量序列与存贮的训练特征模板序列之间的匹配距离δ(X_l，X_m)；然后，选取δ(X_l，X_m)值为最小、且小于预设的门限值所对应的模板的类型作为加工工件的类型，并在该类工件统计数据上加1；若没有一个训练模板与之满足上述条件，此时可能是新的加工类型，则进入训练模板的提取，或是报警。

Images