CN114227378B - 一种夹具状态的检测方法、装置、终端和存储介质 - Google Patents

Abstract

本申请适用于工业检测技术领域，提供了一种夹具状态的检测方法、装置、终端和存储介质。其中，上述夹具状态的检测方法具体包括：获取待测夹具的夹具状态数据、所述待测夹具所处环境的环境数据，以及安装有所述待测夹具的机床的机床设备数据；对所述夹具状态数据和所述环境数据进行融合，得到所述待测夹具的目标融合数据；将所述目标融合数据输入至与所述机床设备数据关联的状态监测模型，得到由所述状态监测模型输出的所述目标融合数据的异常分值；若所述异常分值大于预设的分数阈值，则确认所述待测夹具的夹具状态为异常状态。本申请的实施例可以实现对夹具状态的检测，判断夹具是否处于异常状态，进而避免因夹具异常导致的产品质量下降问题。

Description

一种夹具状态的检测方法、装置、终端和存储介质

技术领域

本申请属于工业检测技术领域，尤其涉及一种夹具状态的检测方法、装置、终端和存储介质。

背景技术

工装夹具是工艺装备的重要组成部分，是工艺过程中最活跃的因素之一，能够影响产品的质量、生产效率及加工成本。随着科学技术的不断进步，数控加工设备已经飞速发展起来，与之相适应的数控机床夹具也在不断发展变化。

机床夹具能够连接机床与工件，其主要任务是根据客户加工零件需求，选择合理定位方式，并夹紧装置。在使用机床夹具时，首先需要分析导致被加工零件所处位置产生误差的因素；然后，根据加工过程中被加工零件所受到的不同力，准确且合理地选择机床夹具的定位方式以及作用方向，以确保被加工零件既定位置的可靠性和安全性；最后，通过校对关键零件的强度以及抵抗能力，完成夹具工作。

随着工业生产对工件加工精度的要求越来越高，在自动化生产线中，由于机床工作的持续性和装夹的频繁性，夹具的作用更加突出，夹具的精度和稳定性将直接影响工件的生产效益。目前，工艺现场上比较缺少对夹具的健康状态及生命周期监控的手段，更多的是针对数控机床主轴或刀具进行监测，导致因夹具问题而导致的产品质量问题被忽视，进而导致工业生产中无法达到最佳的品质控制效果。

发明内容

本申请实施例提供一种夹具状态的检测方法、装置、终端和存储介质，可以实现对夹具状态的检测，判断夹具是否处于异常状态，进而避免因夹具异常导致的产品质量下降问题。

本申请实施例第一方面提供一种夹具状态的检测方法，包括：

获取待测夹具的夹具状态数据、所述待测夹具所处环境的环境数据，以及安装有所述待测夹具的机床的机床设备数据；

对所述夹具状态数据和所述环境数据进行融合，得到所述待测夹具的目标融合数据；

将所述目标融合数据输入至与所述机床设备数据关联的状态监测模型，得到由所述状态监测模型输出的所述目标融合数据的异常分值；

若所述异常分值大于预设的分数阈值，则确认所述待测夹具的夹具状态为异常状态。

本申请实施例第二方面提供的一种夹具状态的检测装置，包括：

数据获取单元，用于获取待测夹具的夹具状态数据、所述待测夹具所处环境的环境数据，以及安装有所述待测夹具的机床的机床设备数据；

特征融合单元，用于对所述夹具状态数据和所述环境数据进行融合，得到所述待测夹具的目标融合数据；

模型处理单元，用于将所述目标融合数据输入至与所述机床设备数据关联的状态监测模型，得到由所述状态监测模型输出的所述目标融合数据的异常分值；

异常检测单元，用于若所述异常分值大于预设的分数阈值，则确认所述待测夹具的夹具状态为异常状态。

本申请实施例第三方面提供一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本申请实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本申请实施例第五方面提供了一种计算机程序产品，当计算机程序产品在终端上运行时，使得终端执行时实现方法的步骤。

本申请的实施方式中，通过获取待测夹具的夹具状态数据、待测夹具所处环境的环境数据，以及安装有待测夹具的机床的机床设备数据，然后对夹具状态数据和环境数据进行融合，得到所述待测夹具的目标融合数据；接着将目标融合数据输入至与机床设备数据关联的状态监测模型，得到由状态监测模型输出的目标融合数据的异常分值，若异常分值大于预设的分数阈值，则确认待测夹具的夹具状态为异常状态，一方面实现了对夹具状态的检测，可以判断夹具是否处于异常状态，进而避免因夹具异常导致的产品质量下降问题；另一方面，通过对夹具状态数据和环境数据进行融合，使得本申请所检测夹具状态能够参考多个维度的综合信息，提高了检测的精度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种夹具状态的检测方法的实现流程示意图；

图2是本申请实施例提供的步骤S102的具体实现流程示意图；

图3是本申请实施例提供的步骤S203的具体实现流程示意图；

图4是本申请实施例提供的对第二二叉树进行训练的具体实现流程示意图；

图5是本申请实施例提供的步骤S103的具体实现流程示意图；

图6是本申请实施例提供的一种夹具状态的检测装置的结构示意图；

图7是本申请实施例提供的终端的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护。

目前，工艺现场上比较缺少对夹具的健康状态及生命周期监控的手段。而研究发现，若夹具精度发生偏差却未能及时发现处理，易因加工失误而产生废品。在加工过程中，切屑大量集中在夹具上，如果切屑积存在定位元件上，则将破坏定位精度，影响加工质量。如果切屑不便从夹具上清除，则工作人员需要花费大量辅助时间进行处理，不仅影响了生产效率，甚至会损坏工具，造成事故。并且，在实际工作环境中，由于油、水和铝屑不断地冲击，机床内部油泥等物质不断累积，油泥阻力的存在缩短了滑座的运动行程，使得定位精度随着时间推移会逐渐降低，导致在加工工件时会出现内/外轮辋偏车、静/动平衡超差和径向跳动超差等一系列问题，进而使工件的废品率升高。同时，加工环境温度的变化也会引起上述问题。最终，以上种种因素将导致夹具振动并进入异常状态，造成刀具与零件接触不符合预期设定，导致废品产生。

因此，需要一种夹具状态的检测方法，能够随时跟踪环境及夹具的情况，及时预测夹具的状态，保证产品的加工质量、保护设备安全、提高机床的智能化水平。

为了说明本申请的技术方案，下面通过具体实施例来进行说明。

图1示出了本申请实施例提供的一种夹具状态的检测方法的实现流程示意图，该方法可以应用于终端上，可适用于需实现对夹具状态的检测，判断夹具是否处于异常状态，进而避免因夹具异常导致的产品质量下降问题的情形。

在本申请的一些实施方式中，上述终端可以是具有一定数据处理能力的数控机床，也可以是用于控制机床的工控机。

例如，上述终端可以是与传感器连接的工业计算机，工业计算机是运行软件的载体，可以通过自身安装的平台软件实现本申请提供的夹具状态的检测方法。为了满足实际工作需求，在本申请的一些实施方式中，工业计算机的硬件接口可以包括满足4个加速度传感器的接口及2个温度传感器的接口、2个RJ45网络接口、1个HDMI显示接口，以及2个USB2.0接口。同时，工业计算机上需搭载满足处理需求的CPU、内存及硬盘。

具体的，上述夹具状态的检测方法可以包括以下步骤S101至步骤S104。

步骤S101，获取待测夹具的夹具状态数据、待测夹具所处环境的环境数据，以及安装有待测夹具的机床的机床设备数据。

其中，待测夹具可以指需要监测健康状态的机床夹具，上述夹具状态数据可以用于表征待测夹具的振动程度，而上述环境数据可以指待测夹具所处环境的温度数据。

在本申请的一些实施方式中，终端可以基于传感器的传感器数据得到上述夹具状态数据和环境数据。具体的，上述传感器可以包括加速度传感器与温度传感器。

其中，加速度传感器可以通过磁座和/或防水粘合剂附着于夹具侧向表面，能用于待测夹具各个方向上的加速度数据，进而表征待测夹具实时的振动程度。实际应用中，加速度传感器的量程可以为16g。温度传感器可以分别安装于机床加工区域的保护罩内和机床所使用的切削液工作区域，分别用于测量保护罩内的环境温度数据，以及切削液的温度数据。实际应用中，温度传感器的测量范围可以为-40℃至85℃。

上述机床设备数据可以表示机床当前的运行情况，可以指当前机床所执行工序的工艺状态、下一工序机床所处的工艺状态等，具体可以以机床的主轴转速、刀具位置、夹具和机床之间的相对位置等参数表示。

步骤S102，对夹具状态数据和环境数据进行融合，得到待测夹具的目标融合数据。

其中，上述目标融合数据可以表征待测夹具在工艺过程中的综合情况。

具体的，如图2所示，上述步骤S102可以具体包括以下步骤S201至步骤S203。

步骤S201，分别确定夹具状态数据和环境数据中的异常值。

其中，上述异常值可以具体包括异变值和缺失值。

在本申请的一些实施方式中，若x_n>a*max(abs(X))，或者x_n<b*min(abs(X))，则可以将x_n确认为异变值。其中，x_n为当前数值，X为全体历史数据。以夹具状态数据为例，若当前的夹具状态数据x_n大于a*max(abs(X))，或者小于b*min(abs(X))，则可以将当前的夹具状态数据x_n确认为异变值。环境数据同理。

需要说明的是，上述a和b的具体取值可以根据实际情况进行设置，一些实施方式中，a可以为10，b可以为-10。

在本申请的另一些实施方式中，若某个采样时刻的数据为空值，则可以将该采样时刻对应的数据确认为缺失值。

步骤S202，对夹具状态数据中的异常值进行修正，得到第一修正数据，并对环境数据中的异常值进行修正，得到第二修正数据。

在本申请的一些实施方式中，终端可以剔除掉夹具状态数据中的异变值，并将夹具状态数据中的缺失值以及被剔除的异变值修正为第一修正数据。具体的，第一修正数据

其中，c可以根据实际情况进行设置，例如可以为10。

同样的，终端可以剔除掉环境数据中的异变值，并将环境数据中的缺失值以及被剔除的异变值修正为第二修正数据。具体的，第二修正数据

同样的，d可以根据实际情况进行设置，例如可以为10。

步骤S203，对第一修正数据和第二修正数据进行融合，得到待测夹具的目标融合数据。

具体的，如图3所示，上述步骤S203可以具体包括以下步骤S301至步骤S303。

步骤S301，对第一修正数据和第二修正数据按对应的采集周期进行划分，得到多个数据组。

其中，每个数据组包含对应的采集周期相同的第一修正数据和第二修正数据。

具体的，终端可以以预设的窗口长度和步长，对数据进行分窗处理，以使对应的采集周期相同的第一修正数据和第二修正数据组成一个数据组。具体的，上述窗口长度可以为5秒，步长可以为1秒。基于分窗处理，每一采样时刻的第一修正数据和第二修正数据均可以得到分析。

步骤S302，分别提取每个数据组中第一修正数据的夹具状态特征，以及每个数据组中第二修正数据的环境特征。

在本申请的一些实施方式中，对于某个数据组中的第一修正数据，可以提取该数据组中第一修正数据的极大值、极小值、均值、均方值、均方根值、峰峰值、峰度系数和偏度、峭度中的一个或多个作为其夹具状态特征。同样的，对于某个数据组中的第二修正数据，可以提取该数据组中第二修正数据的极大值、极小值、均值、均方值、均方根值、峰峰值、峰度系数和偏度、峭度中的一个或多个作为其环境特征。

具体的，均值

均方值

均方根值

标准差

峰峰值P2P＝max(X)-min(X)，偏度

峭度

此时，每个数据组可以有对应的夹具状态特征和对应的环境特征。

步骤S303，分别对每个数据组的夹具状态特征和环境特征进行融合，得到每个数据组的融合特征，并由每个数据组的融合特征组成目标融合数据。

具体的，终端可以通过以下任意一种方式对单个数据组的夹具状态特征和环境特征进行融合，得到该数据组的多个融合特征，并由多个数据组的融合特征组成目标融合数据：

叠加融合：x_new＝x_a+x_b；

指数融合：

对数融合：x_new＝log₁₀(x_ax_b)。

其中，x_a、x_b表示任意不相同的特征，x_new表示融合特征。

结合前述说明，在本申请的一些实施方式中，每个数据组中可以包括属于对应采集周期相同的待测夹具四个方向上的加速度数据、保护罩内的环境温度数据，以及切削液的温度数据；将此六类数据两两进行融合，可以得到不同的融合特征，并由不同的融合特征组成一个完整的目标融合数据。

步骤S103，将目标融合数据输入至与机床设备数据关联的状态监测模型，得到由状态监测模型输出的目标融合数据的异常分值。

具体的，终端可以为不同的机床设备数据赋予唯一标识，并检测模型数据库中是否包含与机床设备数据关联的标识。

若包含，则可以将目标融合数据输入至与机床设备数据关联的状态监测模型。若不包含，则需要利用样本融合数据训练状态监测模型，并将训练好的状态监测模型和与机床设备数据关联的标识关联并存储于模型数据库中。

具体的，终端在将目标融合数据输入至与机床设备数据关联的状态监测模型之前，可以利用与机床设备数据关联的样本融合数据，进行特征二叉树的训练，直至完成训练的特征二叉树的数量满足数量需求，得到多棵特征二叉树，并由多棵特征二叉树组成与机床设备数据关联的状态监测模型。

在本申请的一些实施方式中，终端可以创建训练数据集，该数据集中的样本融合数据可以是以前述图2至图3所示方式处理后得到的数据，当训练集中样本融合数据的数量小于预设数量阈值时，则继续进行收集，直至训练集中样本融合数据的数量大于或等于预设数量阈值，开始进行无监督训练，构建多棵特征二叉树(Isolation Tree，iTree)，直到完成训练的特征二叉树的数量满足数量需求，即得到所需要的状态监测模型。其中，上述预设数量阈值可以根据实际情况进行设置，例如可以为50。

需要说明的是，样本融合数据可以是利用待测夹具获取到的数据，也可以是利用与待测夹具型号相同，且所处环境和所在机床均相同的样本夹具获取到的数据。

具体的，如图4所示，在利用与机床设备数据关联的样本融合数据，进行特征二叉树的训练的步骤中，对第二二叉树的训练过程可以包括以下步骤S401至步骤S403。其中，第二二叉树可以指当前进行训练的单棵特征二叉树。

步骤S401，从样本融合数据中抽取多个当前样本融合数据，并将当前样本融合数据作为第二二叉树的根节点。

具体的，终端可以从样本融合数据中随机抽取特定数量的当前样本融合数据，作为第二二叉树的根节点。

需要说明的是，在对不同的特征二叉树进行训练时，其抽取的当前样本融合数据及数量可以不同。

步骤S402，生成第一切割点，并依据第一切割点，将当前样本融合数据划分为两个子节点。

具体的，终端可以指定通过前述任一一种方式生成的融合特征，随机产生一个第一切割点p，该第一切割点p产生于所指定的融合特征的最大值和最小值之间。

此时，以第一切割点p生成了一个超平面，终端可以将当前样本融合数据的数据空间划分为2个子空间。也即，把当前样本融合数据中所指定的融合特征小于p的当前样本融合数据放入根节点的左孩子，把所指定的融合特征大于或等于p的当前样本融合数据放入当前节点的右孩子，进而将当前样本融合数据划分为两个子节点。

步骤S403，若第二二叉树的叶子结点中存在满足划分条件的节点，则生成第二切割点，并依据第二切割点，将每个满足划分条件的叶子结点分别划分为两个子节点，以此类推，直至第二二叉树的叶子结点中不存在满足划分条件的节点，得到完成训练的第二二叉树。

其中，划分条件可以指节点中只包含一个当前样本融合数据，也即无法再继续分割，或者叶子结点所处的层级已达限定高度。

也就是说，在前述步骤S402中将当前样本融合数据划分为两个子节点之后，可以检测第二二叉树的叶子结点中存在满足划分条件的节点，若存在，则继续对该满足划分条件的节点以步骤S402的相同方式进行分割，若不存在，则不分割，直至第二二叉树的叶子结点中不存在满足划分条件的节点，得到完成训练的第二二叉树。

在本申请的实施方式中，通过图4所示的方式，终端可以依次训练多棵特征二叉树，直至完成训练的特征二叉树的数量满足数量需求，得到与机床设备数据关联的状态监测模型，并存储于模型数据库中，便于后续的检测与使用。

在本申请的另一些实施方式中，若检测模型数据库中不包含与机床设备数据关联的标识，则终端可以将目标融合数据输入至与机床设备数据关联的状态监测模型，得到由状态监测模型输出的目标融合数据的异常分值。

具体的，如图5所示，上述步骤S103可以具体包括以下步骤S501至步骤S503。

步骤S501，分别计算目标融合数据在多棵特征二叉树中每棵特征二叉树上的目标路径长度，并计算目标路径长度的目标均值。

以多棵特征二叉树中的第一二叉树为例，终端可以计算目标融合数据到达第一二叉树的叶子结点的初始路径长度，确定用于训练第一二叉树的样本融合数据中落在目标叶子结点的样本融合数据的样本数量，进而根据样本数量确定修正量。基于修正量，终端可以对初始路径长度进行修正，得到目标融合数据在第一二叉树上的目标路径长度。

其中，目标叶子结点为目标融合数据所在的叶子结点。

具体的，终端可以将目标融合数据x沿着一棵iTree，从根节点开始按目标融合数据中不同融合特征的取值从上往下，直到到达某叶子节点。假设用于训练iTree的样本融合数据中同样落在x所在叶子节点的样本数为T.size，则目标融合数据x在这棵iTree上的目标路径长度h(x)可以用下面这个公式计算：h(x)＝e+C(T.size)。

其中，e表示目标融合数据x从iTree的根节点到叶节点过程中所经过的边的数目，C(T.size)是一个修正值，它表示在一棵用T.size条样本融合数据构建的二叉树的平均路径长度。在一些实施方式中，

其中，H(n-1)可用ln(n-1)+γ估算，γ为欧拉常数。

分别计算目标融合数据在多棵特征二叉树中每棵特征二叉树上的目标路径长度之后，终端可以统计目标路径长度的目标均值E(h(x))。

步骤S502，获取样本融合数据在多棵特征二叉树中每棵特征二叉树上样本路径长度的样本均值。

步骤S503，根据样本均值和目标均值，确定目标融合数据的异常分值。

在本申请的一些实施方式中，目标融合数据的异常分值

其中，E(h(x))表示前述目标均值。ψ表示单棵特征二叉树所使用的样本融合数据的数量。C(ψ)表示用ψ条样本融合数据构建的特征二叉树上样本路径长度的样本均值，样本路径长度的求取方式可以参考目标路径长度的求取方式，它公式中的主要作用为归一化。

步骤S104，若异常分值大于预设的分数阈值，则确认待测夹具的夹具状态为异常状态。

在本申请的实施方式中，分数阈值可以根据实际情况进行设置。若异常分值小于或等于预设的分数阈值，则可以确认待测夹具的夹具状态为健康状态。若异常分值大于预设的分数阈值，则可以确认待测夹具的夹具状态为异常状态。

具体的，从前述异常分值的公式看，如果目标融合数据x在多棵iTree中的目标均值越短，则异常分值越接近1，说明目标融合数据x越异常，也即表示目标融合数据对应的待测夹具当前所处的状态越偏移正常状态；如果目标融合数据x在多棵iTree中的目标均值越长，则异常分值越越接近0，表示目标融合数据x越正常，也即表示目标融合数据对应的待测夹具当前所处的状态越符合正常状态。

进一步地，终端可以获取待测夹具的历史分值，并根据异常分值和历史分值，以时间为横坐标生成待测夹具的状态走势，以帮助工作人员监控夹具的生命周期。

在本申请的另一些实施方式中，上述终端还可以为夹具、机床及其周围环境进行三维模型的构建，具体可以基于three.js技术对夹具的三维模型进行一比一的建模，并利用物联网(Internet of Things，IoT)技术进行模型状态绑定。利用three.js技术，终端可以在待测夹具的夹具状态为异常状态时，在绑定的三维模型中通过强烈振动画面和/或文字提醒的方式，告知工作人员待测夹具状态异常，进而使工作人员及时对异常进行处理，例如由工作人员对夹具进行更换或清理。

本申请的实施方式中，通过获取待测夹具的夹具状态数据、待测夹具所处环境的环境数据，以及安装有待测夹具的机床的机床设备数据，然后对夹具状态数据和环境数据进行融合，得到待测夹具的目标融合数据；接着将目标融合数据输入至与机床设备数据关联的状态监测模型，得到由状态监测模型输出的目标融合数据的异常分值，若异常分值大于预设的分数阈值，则确认待测夹具的夹具状态为异常状态，一方面实现了对夹具状态的检测，可以判断夹具是否处于异常状态，进而避免因夹具异常导致的产品质量下降问题；另一方面，通过对夹具状态数据和环境数据进行融合，使得本申请所检测夹具状态能够参考多个维度的综合信息，提高了检测的精度。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为根据本申请，某些步骤可以采用其它顺序进行。

如图6所示为本申请实施例提供的一种夹具状态的检测装置600的结构示意图，所述夹具状态的检测装置600配置于终端上。

具体的，所述夹具状态的检测装置600可以包括：

数据获取单元601，用于获取待测夹具的夹具状态数据、所述待测夹具所处环境的环境数据，以及安装有所述待测夹具的机床的机床设备数据；

特征融合单元602，用于对所述夹具状态数据和所述环境数据进行融合，得到所述待测夹具的目标融合数据；

模型处理单元603，用于将所述目标融合数据输入至与所述机床设备数据关联的状态监测模型，得到由所述状态监测模型输出的所述目标融合数据的异常分值；

异常检测单元604，用于若所述异常分值大于预设的分数阈值，则确认所述待测夹具的夹具状态为异常状态。

在本申请的一些实施方式中，上述特征融合单元602可以具体用于：分别确定所述夹具状态数据和所述环境数据中的异常值；对所述夹具状态数据中的异常值进行修正，得到第一修正数据，并对所述环境数据中的异常值进行修正，得到第二修正数据；对所述第一修正数据和所述第二修正数据进行融合，得到所述待测夹具的目标融合数据。

在本申请的一些实施方式中，上述特征融合单元602还可以具体用于：对所述第一修正数据和所述第二修正数据按对应的采集周期进行划分，得到多个数据组，每个所述数据组包含对应的采集周期相同的第一修正数据和第二修正数据；分别提取每个所述数据组中第一修正数据的夹具状态特征，以及每个所述数据组中第二修正数据的环境特征；分别对每个所述数据组的所述夹具状态特征和所述环境特征进行融合，得到每个所述数据组的融合特征，并由每个所述数据组的融合特征组成所述目标融合数据。

在本申请的一些实施方式中，上述状态监测模型中包含多棵特征二叉树，上述模型处理单元603还可以具体用于：分别计算所述目标融合数据在所述多棵特征二叉树中每棵特征二叉树上的目标路径长度，并计算所述目标路径长度的目标均值；获取样本融合数据在所述多棵特征二叉树中每棵特征二叉树上样本路径长度的样本均值；根据所述样本均值和所述目标均值，确定所述目标融合数据的异常分值。

在本申请的一些实施方式中，上述模型处理单元603在计算目标融合数据在第一二叉树上的目标路径长度时，可以具体用于：计算所述目标融合数据到达所述第一二叉树的叶子结点的初始路径长度；确定用于训练所述第一二叉树的样本融合数据中落在目标叶子结点的样本融合数据的样本数量，所述目标叶子结点为所述目标融合数据所在的叶子结点；根据所述样本数量确定修正量，并基于所述修正量对所述初始路径长度进行修正，得到所述目标融合数据在所述第一二叉树上的目标路径长度。

在本申请的一些实施方式中，上述夹具状态的检测装置600还可以包括模型训练单元，可以用于：利用与所述机床设备数据关联的所述样本融合数据，进行特征二叉树的训练，直至完成训练的特征二叉树的数量满足数量需求，得到所述多棵特征二叉树；由所述多棵特征二叉树组成与所述机床设备数据关联的状态监测模型。

在本申请的一些实施方式中，上述模型训练单元在对第二二叉树进行训练时，可以具体用于：从所述样本融合数据中抽取多个当前样本融合数据，并将所述当前样本融合数据作为所述第二二叉树的根节点；生成第一切割点，并依据所述第一切割点，将所述当前样本融合数据划分为两个子节点；若所述第二二叉树的叶子结点中存在满足划分条件的节点，则生成第二切割点，并依据所述第二切割点，将每个满足所述划分条件的叶子结点分别划分为两个子节点，以此类推，直至所述第二二叉树的叶子结点中不存在满足划分条件的节点，得到完成训练的所述第二二叉树。

需要说明的是，为描述的方便和简洁，上述夹具状态的检测装置600的具体工作过程，可以参考图1至图5所述方法的对应过程，在此不再赘述。

如图7所示，为本申请实施例提供的一种终端的示意图。该终端7可以包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如夹具状态的检测程序。所述处理器70执行所述计算机程序72时实现上述各个夹具状态的检测方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示的数据获取单元601、特征融合单元602、模型处理单元603和异常检测单元604。

所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端中的执行过程。

例如，所述计算机程序可以被分割成：数据获取单元、特征融合单元、模型处理单元和异常检测单元。各单元具体功能如下：数据获取单元，用于获取待测夹具的夹具状态数据、所述待测夹具所处环境的环境数据，以及安装有所述待测夹具的机床的机床设备数据；特征融合单元，用于对所述夹具状态数据和所述环境数据进行融合，得到所述待测夹具的目标融合数据；模型处理单元，用于将所述目标融合数据输入至与所述机床设备数据关联的状态监测模型，得到由所述状态监测模型输出的所述目标融合数据的异常分值；异常检测单元，用于若所述异常分值大于预设的分数阈值，则确认所述待测夹具的夹具状态为异常状态。

所述终端可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端的示例，并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器71也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对各个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

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精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种夹具状态的检测方法，其特征在于，包括：

获取待测夹具的夹具状态数据、所述待测夹具所处环境的环境数据，以及安装有所述待测夹具的机床的机床设备数据；

对所述夹具状态数据和所述环境数据进行融合，得到所述待测夹具的目标融合数据；

将所述目标融合数据输入至与所述机床设备数据关联的状态监测模型，得到由所述状态监测模型输出的所述目标融合数据的异常分值；

若所述异常分值大于预设的分数阈值，则确认所述待测夹具的夹具状态为异常状态。

2.如权利要求1所述的夹具状态的检测方法，其特征在于，所述对所述夹具状态数据和所述环境数据进行融合，得到所述待测夹具的目标融合数据，包括：

分别确定所述夹具状态数据和所述环境数据中的异常值；

对所述夹具状态数据中的异常值进行修正，得到第一修正数据，并对所述环境数据中的异常值进行修正，得到第二修正数据；

对所述第一修正数据和所述第二修正数据进行融合，得到所述待测夹具的目标融合数据。

3.如权利要求2所述的夹具状态的检测方法，其特征在于，所述对所述第一修正数据和所述第二修正数据进行融合，得到所述待测夹具的目标融合数据，包括：

对所述第一修正数据和所述第二修正数据按对应的采集周期进行划分，得到多个数据组，每个所述数据组包含同一采集周期对应的第一修正数据和第二修正数据；

分别提取每个所述数据组中第一修正数据的夹具状态特征，以及每个所述数据组中第二修正数据的环境特征；

分别对每个所述数据组的所述夹具状态特征和所述环境特征进行融合，得到每个所述数据组的融合特征，并由每个所述数据组的融合特征组成所述目标融合数据。

4.如权利要求1至3任意一项所述的夹具状态的检测方法，其特征在于，所述状态监测模型中包含多棵特征二叉树；

所述将所述目标融合数据输入至与所述机床设备数据关联的状态监测模型，得到由所述状态监测模型输出的所述目标融合数据的异常分值，包括：

分别计算所述目标融合数据在所述多棵特征二叉树中每棵特征二叉树上的目标路径长度，并计算所述目标路径长度的目标均值；

获取样本融合数据在所述多棵特征二叉树中每棵特征二叉树上样本路径长度的样本均值；

根据所述样本均值和所述目标均值，确定所述目标融合数据的异常分值。

5.如权利要求4所述的夹具状态的检测方法，其特征在于，在所述分别计算所述目标融合数据在所述多棵特征二叉树中每棵特征二叉树上的目标路径长度的步骤中，计算所述目标融合数据在第一二叉树上的目标路径长度的步骤，包括：

计算所述目标融合数据到达所述第一二叉树的叶子结点的初始路径长度；

确定用于训练所述第一二叉树的样本融合数据中落在目标叶子结点的样本融合数据的样本数量，所述目标叶子结点为所述目标融合数据所在的叶子结点；

根据所述样本数量确定修正量，并基于所述修正量对所述初始路径长度进行修正，得到所述目标融合数据在所述第一二叉树上的目标路径长度。

6.如权利要求4所述的夹具状态的检测方法，其特征在于，在将所述目标融合数据输入至与所述机床设备数据关联的状态监测模型之前，包括：

利用与所述机床设备数据关联的所述样本融合数据，进行特征二叉树的训练，直至完成训练的特征二叉树的数量满足数量需求，得到所述多棵特征二叉树；

由所述多棵特征二叉树组成与所述机床设备数据关联的状态监测模型。

7.如权利要求6所述的夹具状态的检测方法，其特征在于，在所述利用与所述机床设备数据关联的所述样本融合数据，进行特征二叉树的训练的步骤中，对第二二叉树的训练过程包括：

从所述样本融合数据中抽取多个当前样本融合数据，并将所述当前样本融合数据作为所述第二二叉树的根节点；

生成第一切割点，并依据所述第一切割点，将所述当前样本融合数据划分为两个子节点；

若所述第二二叉树的叶子结点中存在满足划分条件的节点，则生成第二切割点，并依据所述第二切割点，将每个满足所述划分条件的叶子结点分别划分为两个子节点，以此类推，直至所述第二二叉树的叶子结点中不存在满足划分条件的节点，得到完成训练的所述第二二叉树。

8.一种夹具状态的检测装置，其特征在于，包括：

数据获取单元，用于获取待测夹具的夹具状态数据、所述待测夹具所处环境的环境数据，以及安装有所述待测夹具的机床的机床设备数据；

特征融合单元，用于对所述夹具状态数据和所述环境数据进行融合，得到所述待测夹具的目标融合数据；

模型处理单元，用于将所述目标融合数据输入至与所述机床设备数据关联的状态监测模型，得到由所述状态监测模型输出的所述目标融合数据的异常分值；

异常检测单元，用于若所述异常分值大于预设的分数阈值，则确认所述待测夹具的夹具状态为异常状态。

9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7任一项所述方法的步骤。

Images