CN109613891A

CN109613891A - 数控加工过程关键参数识别方法、装置及设备

Info

Publication number: CN109613891A
Application number: CN201811314248.XA
Authority: CN
Inventors: 王美清; 卢志远; 戴伟; 孙佳欢; 刘金山; 徐磊
Original assignee: Beihang University; Beijing Satellite Manufacturing Factory Co Ltd
Current assignee: Beihang University; Beijing Satellite Manufacturing Factory Co Ltd
Priority date: 2018-11-06
Filing date: 2018-11-06
Publication date: 2019-04-12
Anticipated expiration: 2038-11-06
Also published as: CN109613891B

Abstract

本发明公开了一种数控加工过程关键参数识别方法、装置及设备，该方法包括：获取数控加工的试验过程中每个阶段对应的过程参数及加工质量信息；根据每个阶段对应的过程参数，获取每个阶段对应的时域统计量特征集；根据每个阶段对应的时域统计量特征集及加工质量信息，识别数控加工对应的关键参数。本发明能够从数控加工过程的动态信息中准确地识别出关键参数，后续在数控加工生产中只根据关键参数即可实现对数控加工过程的状态监测，提高了数控加工状态监测的准确性和效率，避免一些冗余或影响较小的参数掩盖重要参数的作用，使数控监测过程简单、快速，节省大量的计算资源。

Description

数控加工过程关键参数识别方法、装置及设备

技术领域

本发明属于数控加工技术领域，具体涉及一种数控加工过程关键参数识别方法、装置及设备。

背景技术

数控加工过程是一个复杂的、自动化的、高度集中的过程，在数控加工过程中包含着各类过程信息，包括工艺参数、材料特性、设备特性等静态信息，以及主轴振动、扭矩、转速、切削力、温度等高频动态信息，这些过程信息影响着生产线的有效运行。

为了保证数控加工质量，需要对这些过程信息进行感知与控制。近些年传感器技术快速发展，通过传感器采集数控加工过程中的各种动态数据，根据这些动态数据监控数控加工过程。但动态数据种类繁多，表现形式多种多样，信息容量非常巨大，信息关系非常复杂，采集每一种动态数据并依据每种动态数据进行过程监控，导致处理速度慢，无法做到对全部动态数据全时段监控。且一些冗余或者影响较小的参数会掩盖重要参数的作用，增加过程检测的复杂性，并造成一定的计算资源浪费。

发明内容

为解决以上问题，本发明提供一种数控加工过程关键参数识别方法、装置、设备及计算机可读存储介质，识别数控加工过程的关键参数，只根据关键参数即可实现对数控加工过程的状态监测，提高了监测的准确性和效率，避免一些冗余或影响较小的参数掩盖重要参数的作用，节省大量的计算资源。本发明通过以下几个方面来解决以上问题。

第一方面，本发明实施例提供了一种数控加工过程关键参数识别方法，所述方法包括：

获取数控加工的试验过程中每个阶段对应的过程参数及加工质量信息；

根据所述每个阶段对应的过程参数，获取所述每个阶段对应的时域统计量特征集；

根据所述每个阶段对应的时域统计量特征集及加工质量信息，识别所述数控加工对应的关键参数。

结合第一方面，本发明实施例提供了上述第一方面的第一种可能的实现方式，其中，所述根据所述每个阶段对应的过程参数，获取所述每个阶段对应的时域统计量特征集，包括：

分别计算所述每个阶段对应的每个过程参数的各个时域统计量；

根据所述每个过程参数的各个时域统计量，获取所述每个过程参数对应的关系矩阵；

根据所述每个阶段对应的过程参数的关系矩阵，通过贪婪算法获得所述每个阶段对应的时域统计量特征集。

结合第一方面，本发明实施例提供了上述第一方面的第二种可能的实现方式，其中，所述根据所述每个阶段对应的时域统计量特征集及加工质量信息，识别所述数控加工对应的关键参数，包括：

根据所述每个阶段对应的时域统计量特征集及加工质量信息，通过随机森林算法评估每个时域统计量特征的重要度；

将重要度大于预设重要阈值的时域统计量特征确定为所述数控加工对应的关键参数。

结合第一方面的第一种可能的实现方式，本发明实施例提供了上述第一方面的第三种可能的实现方式，其中，所述分别计算所述每个阶段对应的每个过程参数的各个时域统计量之前，还包括：

从所述每个阶段对应的每个过程参数中剔除无效数据，之后执行所述分别计算所述每个阶段对应的每个过程参数的各个时域统计量。

结合第一方面，本发明实施例提供了上述第一方面的第四种可能的实现方式，其中，所述根据所述每个阶段对应的每个过程参数的各个时域统计量，获取所述每个阶段对应的关系矩阵，包括：

计算过程参数的各个时域统计量之间的相关系数，得到所述过程参数对应的相关向量；

分别将每个阶段对应的过程参数的相关向量组成所述每个阶段对应的关系矩阵。

结合第一方面，本发明实施例提供了上述第一方面的第五种可能的实现方式，其中，所述确定所述数控加工过程对应的关键参数之后，还包括：

在所述数控加工的工业生产时，获取所述关键参数；根据所述关键参数控制所述数控加工的工业生产过程。

第二方面，本发明实施例提供了一种数控加工过程关键参数识别装置，所述装置包括：

获取模块，用于获取数控加工过程中每个阶段对应的过程参数及加工质量信息；根据所述每个阶段对应的所述过程参数，获取所述每个阶段对应的时域统计量特征集；

识别模块，用于根据所述每个阶段对应的时域统计量特征集及加工质量信息，识别所述数控加工过程对应的关键参数。

结合第二方面，本发明实施例提供了上述第二方面的第一种可能的实现方式，其中，所述识别模块包括：

评估单元，用于根据所述每个阶段对应的时域统计量特征集及加工质量信息，通过随机森林算法评估每个时域统计量特征的重要度；

确定单元，用于将重要度大于预设重要阈值的时域统计量特征确定为所述数控加工过程对应的关键参数。

第三方面，本发明实施例提供了一种数控加工过程关键参数识别设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述第一方面或第一方面的任一种可能的实现方式所述的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面或第一方面的任一种可能的实现方式所述的方法。

在本发明实施例中，获取数控加工的试验过程中每个阶段对应的过程参数及加工质量信息；根据每个阶段对应的过程参数，获取每个阶段对应的时域统计量特征集；根据每个阶段对应的时域统计量特征集及加工质量信息，识别数控加工对应的关键参数。本发明能够从数控加工过程的动态信息中准确地识别出关键参数，后续在数控加工生产中只根据关键参数即可实现对数控加工过程的状态监测，提高了数控加工状态监测的准确性和效率，避免一些冗余或影响较小的参数掩盖重要参数的作用，使数控监测过程简单、快速，节省大量的计算资源。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例1所提供的一种数控加工过程关键参数识别方法的流程示意图；

图2示出了本发明实施例1所提供的另一种数控加工过程关键参数识别方法的流程示意图；

图3示出了本发明实施例1所提供的时域统计量特征的重要度分布直方图；

图4示出了本发明实施例2所提供的一种数控加工过程关键参数识别装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例1

参见图1，本发明实施例提供了一种数控加工过程关键参数识别方法，该方法具体包括以下步骤：

步骤101：获取数控加工的试验过程中每个阶段对应的过程参数及加工质量信息。

在本发明实施例中，数控加工可以为任何能够在数控机床上进行的零件加工，如铣削加工。设计一次数控加工过程为试验过程，即将加工一个零件的过程设计为一次试验过程，将该试验过程划分为多个阶段。例如，将铣削加工中在一个零件表面上用铣刀削出多个凹槽的过程作为试验过程，则可以将每削出一个凹槽的过程作为该试验过程的一个阶段。

对于试验过程的一个阶段，在该阶段进行过程中，获取该阶段对应的过程参数。其中，过程参数包括主轴振动、扭矩、转速、切削力、温度等。本发明实施例的执行主体可以为控制数控机床的控制终端，且数控机床的生产线上安装有外接传感器。可以通过控制终端及外接传感器获取过程参数。

例如，在铣削加工过程中，在控制终端中设定加工参数为：主轴转速6000r/min，进给速度2000mm/min，切削深度1mm。在铣削一个凹槽的过程中，用外接传感器采集噪声信号及X、Y、Z三个方向的振动信号；以及通过OPC UA(OLE for Process Control UnifiedArchitecture)的方式采集数控机床内部的主轴电流、主轴功率、主轴负载、主轴扭矩等过程参数。

在上述阶段结束时，测量该阶段加工的加工质量信息。例如，对于铣销加工过程中完成一个凹槽的加工后，测量该凹槽的表面粗糙度，将该表面粗糙度作为该凹槽加工阶段对应的加工质量信息。

对于整个数控加工的试验过程包括的其他每个阶段，都同样按照上述方式获取到其他每个阶段对应的过程参数及加工质量信息。

步骤102：根据每个阶段对应的过程参数，获取每个阶段对应的时域统计量特征集。

如图2所示，本步骤通过如下步骤1021-1023的操作来获取每个阶段对应的时域统计特征集，具体包括：

步骤1021：分别计算每个阶段对应的每个过程参数的各个时域统计量。

其中，上述时域统计量包括均值、标准差、均方根值、峰值、峰值因子、峭度、峭度因子、裕度系数、脉冲因子、波形因子、方根幅值、绝对平均幅值、歪度等。

一个阶段对应主轴振动、扭矩、转速、切削力、温度等多个过程参数，对于一个过程参数，步骤101获取的是该过程参数在该阶段持续过程中多个时刻点的取值。对于一个过程参数，对该过程参数在一个阶段持续过程中采集到的多个取值，计算均值、标准差、均方根值、峰值、峰值因子、峭度、峭度因子、裕度系数、脉冲因子、波形因子、方根幅值、绝对平均幅值、歪度等时域统计量。对于每个阶段对应的每个过程参数，都计算每个过程参数的上述各个时域统计量。例如，如表1所示，铣削加工过程中各个凹槽加工阶段获取的X方向上的主轴振动信号的各个时域统计量。其中，样本1、2、3、4分别指一个凹槽加工阶段。

表1

由于在每个阶段开始加工和结束加工时存在参数不稳定的情况，为了提高识别关键参数的精确度，在本发明实施例中，分别计算每个阶段对应的每个过程参数的各个时域统计量之前，还从每个阶段对应的每个过程参数中剔除无效数据，之后再执行步骤1021的操作。具体地，对于一个阶段采集的过程参数，去除该阶段开始加工后第一预设时长内的数据，以及去除该阶段结束加工前第二预设时长内的数据，保留该阶段加工过程中一段稳定的数据。其中，第一预设时长与第二预设时长可以相同，也可以不相同。

步骤1022：根据每个过程参数的各个时域统计量，获取每个过程参数对应的关系矩阵。

具体地，对于一个过程参数，其时域统计量包括均值、标准差、均方根值、峰值、峰值因子、峭度、峭度因子、裕度系数、脉冲因子、波形因子、方根幅值、绝对平均幅值、歪度等，计算该过程参数的各个时域统计量之间的相关系数，即对于每个时域统计量，均计算其与其他每个时域统计量之间的相关系数。例如，分别计算均值与标准差、均方根值、峰值、峰值因子、峭度、峭度因子、裕度系数、脉冲因子、波形因子、方根幅值、绝对平均幅值、歪度之间的相关系数，计算标准差与均值、均方根值、峰值、峰值因子、峭度、峭度因子、裕度系数、脉冲因子、波形因子、方根幅值、绝对平均幅值、歪度之间的相关系数等。

在本发明实施例中，相关系数由如下公式(1)来定义：

在公式(1)中，X_i，X_j为两种时域统计量，cov(X_i,X_j)是X_i与X_j的协方差，D(X_i)与D(X_j)分别为X_i与X_j的方差。ρ(X_i,X_j)为X_i与X_j之间的相关系数，ρ(X_i,X_j)的取值范围为[-1,1],ρ(X_i,X_j)的绝对值越接近1，则表明X_i与X_j的相关性越高。

将各个时域统计量特征之间的相关系数组成该过程参数对应关系矩阵。关系矩阵用如下公式(2)进行表示：

如下所示的矩阵为上述表1所示的X方向上的主轴振动信号对应的关系矩阵。其中，第一列为均值与其他时域统计量特征之间的相关系数，第二列为均方根值与其他时域统计量特征之间的相关系数，第三列为标准差与其他时域统计量特征之间的相关系数，等等。对于每个阶段的每个过程参数，都按照上述方式计算出每个过程参数对应的关系矩阵。

步骤1023：根据每个阶段对应的过程参数的关系矩阵，通过贪婪算法获得每个阶段对应的时域统计量特征集。

贪婪算法指的是求解问题时，总是做出在当前看来是最好的选择。它的基本思路是从问题的某一个初始解出发一步一步地进行，根据某个优化测度，每一步都要确保能获得局部最优解。每一步只考虑一个数据，他的选取应该满足局部优化的条件。若下一个数据和部分最优解连在一起不再是可行解时，就不把该数据添加到部分解中，直到把所有数据枚举完，或者不能再添加算法停止。

对于每个关系矩阵，都按照贪婪算法遍历关系矩阵的每一列数据，从中挑选出相关度最小且相互之间不相关的时域统计量特征。对于一个阶段，将从该阶段对应的每个过程参数的关系矩阵中挑选出的所有时域统计量特征组成该阶段对应的时域统计量特征集。对于其他每个阶段，同样按照上述方式获得其他每个阶段对应的时域统计量特征集。

例如，上述所示的X方向上的主轴振动信号对应的关系矩阵，利用贪婪算法挑选出X方向上的主轴振动信号对应的最优的时域统计量特征，最终选择了均值、标准差、裕度系数作为X方向上振动信号的最优的时域统计量特征。同理，选出其他过程参数的最优的时域统计量特征，假设挑选结果为：Y方向上的振动信号：均值、标准差、裕度系数；Z方向上的振动信号：均值、标准差、裕度系数；噪声信号：均值、标准差、裕度系数；主轴负载信号：均值、标准差；主轴扭矩信号：均值、标准差；主轴电流信号：均值、标准差。将挑选出的所有最优的时域统计量特征组成当前凹槽加工阶段对应的时域统计量特征集。

步骤103：根据每个阶段对应的时域统计量特征集及加工质量信息，识别数控加工对应的关键参数。

在本发明实施例中，具体通过如下步骤S1和S2的操作来识别关键参数，包括：

S1：根据每个阶段对应的时域统计量特征集及加工质量信息，通过随机森林算法评估每个时域统计量特征的重要度。

随机森林算法是一种基于套袋法的集成学习算法，通过自助法重采样技术，从原始的训练样本中有放回地重复随机抽取n个样本生成新的训练集合，然后根据自助样本集生成一颗决策树，在生成的每一个节点上，随机不重复地选择d个特征，并利用这d个特征分别对样本集进行划分，找到最佳的划分特征，可以用信息增益或者基尼系数。重复上面步骤k次，生成k个随机森林中的决策树。结果根据决策树的投票结果形成分数而决定。

在本发明实施例中，时域统计量特征的重要度是通过基尼指数计算节点的不纯度来衡量的。假设有m个时域统计量特征F1，F2,…,Fm，基尼指数用GI表示，计算每个时域统计量特征Fi的基尼指数评分GIi，基尼指数的计算公式如公式(3)所示：

其中，K表示有K个类别，P_mk表示节点m类别k所在的比例。时域统计量特征Fj在节点m的重要度如公式(4)所示：

FI_jm＝GI_m-GI_b-GI_c…(4)

其中，GI_b和GI_c分别表示为节点m分枝后两个新节点b和c的基尼指数。

若时域统计量特征Fj在决策树i中出现的节点在集合M中，则时域统计量特征Fj在第i颗决策树的重要度如公式(5)所示：

FI_ij＝∑FI_jm…(5)

若随机森林共有k颗树，则，

最后，将所求得的FI进行归一化处理得到最终的重要度：

本发明实施例中，将每个阶段对应的时域统计量特征集及加工质量信息输入随机森林算法中，随机森林算法处理后输出每个时域统计量特征的重要度。

S2：将重要度大于预设重要阈值的时域统计量特征确定为数控加工对应的关键参数。

按照从大到小或者从小到大的顺序对每个时域统计量特征的重要度进行排列，选择所有重要度大于预设重要阈值的时域统计量特征作为数控加工对应的关键参数。

为了便于理解上述识别关键参数的过程，下面结合图表进行举例说明。例如，在铣削加工过程中，需要从X、Y、Z三个方向的主轴振动、噪声信号、主轴负载、主轴扭矩、主轴电流等过程参数的时域统计量特征中选出影响表面粗糙度最大的变量作为关键参数。如表2所示的部分凹槽加工阶段的时域统计量特征。其中，X、Y、Z方向上的振动信号分别用Vx、Vy、Vz来表示，噪声信号用Sound表示，主轴负载用Load表示，主轴扭矩用Torque表示，主轴电流用Current表示。表3为为部分凹槽加工阶段对应的表面粗糙度。

表2

表3

样本	表面粗糙度
		1	1.2107
2	2.0897
		3	2.9357
4	1.7483
		5	2.3357
6	3.2027
		7	1.8400
8	2.2730
		…	…

将上述表2中各凹槽加工阶段对应的时域统计量特征及表3中各凹槽加工阶段对应的表面粗糙度输入随机森林算法中，随机森林算法处理后输出表4所示的各时域统计量特征对应的重要度。

表4

假设预设重要度阈值为0.12，对表4中各个时域统计量特征的重要度进行排序，得到如图3所示的直方图，由图3中能够直观地得出铣销加工过程的关键参数包括Y方向振动信号的标准差、Z方向振动信号的标准差、噪声信号的标准差等。

在本发明实施例中，确定出数控加工对应的关键参数之后，将确定的关键参数应用到该数控加工的实际工业生产中。具体地，在该数控加工的工业生产时，通过控制终端和/或外接传感器获取关键参数。根据获取的关键参数实时控制数控加工的工业生产过程。

本发明实施例利用随机森林算法找出影响数控加工过程质量的关键参数，能够准确识别数控加工过程中动态的关键参数，面向的对象是加工过程中的动态信息，包括了机床内部的信息以及外界传感器采集到的信息，使得实时加工过程状态监测能够准确可靠。避免一些冗余或者影响较小的参数占用计算资源，提高数控加工过程状态监测的准确性及效率。

实施例2

参见图4，本发明实施例提供了一种数控加工过程关键参数识别装置，该装置包括：

获取模块20，用于获取数控加工过程中每个阶段对应的过程参数及加工质量信息；根据每个阶段对应的过程参数，获取每个阶段对应的时域统计量特征集；

识别模块21，用于根据每个阶段对应的时域统计量特征集及加工质量信息，识别数控加工过程对应的关键参数。

上述获取模块20包括：

计算单元，用于分别计算每个阶段对应的每个过程参数的各个时域统计量；

获取单元，用于根据每个过程参数的各个时域统计量，获取每个过程参数对应的关系矩阵；根据每个阶段对应的过程参数的关系矩阵，通过贪婪算法获得每个阶段对应的时域统计量特征集。

上述识别模块21包括：

评估单元，用于根据每个阶段对应的时域统计量特征集及加工质量信息，通过随机森林算法评估每个时域统计量特征的重要度；

确定单元，用于将重要度大于预设重要阈值的时域统计量特征确定为数控加工过程对应的关键参数。

在本发明实施例中，该装置还包括：

剔除模块，用于从每个阶段对应的每个过程参数中剔除无效数据，之后通过上述计算单元执行分别计算每个阶段对应的每个过程参数的各个时域统计量。

上述获取单元包括：

计算子单元，用于计算过程参数的各个时域统计量之间的相关系数，得到过程参数对应的相关向量；

组成子单元，用于分别将每个阶段对应的过程参数的相关向量组成每个阶段对应的关系矩阵。

该装置还包括：

控制模块，用于在数控加工的工业生产时，获取关键参数；根据关键参数控制数控加工的工业生产过程。

实施例3

本发明实施例提供一种数控加工过程关键参数识别设备，该设备包括一个或多个处理器，以及存储装置；存储装置用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器加载并执行时，实现上述实施例1所提供的数控加工过程关键参数识别方法。

实施例4

本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器加载并执行时实现上述实施例1所提供的数控加工过程关键参数识别方法。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种数控加工过程关键参数识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述每个阶段对应的过程参数，获取所述每个阶段对应的时域统计量特征集，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述每个阶段对应的时域统计量特征集及加工质量信息，识别所述数控加工对应的关键参数，包括：

4.根据权利要求2所述的方法，其特征在于，所述分别计算所述每个阶段对应的每个过程参数的各个时域统计量之前，还包括：

5.根据权利要求2所述的方法，其特征在于，所述根据所述每个阶段对应的每个过程参数的各个时域统计量，获取所述每个阶段对应的关系矩阵，包括：

6.根据权利要求1-5任一项所述的方法，其特征在于，所述确定所述数控加工过程对应的关键参数之后，还包括：

7.一种数控加工过程关键参数识别装置，其特征在于，所述装置包括：

8.根据权利要求7所述的装置，其特征在于，所述识别模块包括：

9.一种数控加工过程关键参数识别设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。