(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210783682.2 (22)申请日 2022.07.05 (65)同一申请的已公布的文献号 申请公布号 CN 114862283 A (43)申请公布日 2022.08.05 (73)专利权人 和尘自仪 （嘉兴） 科技有限公司 地址 314500 浙江省嘉兴 市桐乡市高桥 街 道(开发区)发展大道13 3号 (72)发明人 王大林　 (74)专利代理 机构 南京佰腾智 信知识产权代理 事务所(普通 合伙) 32509 专利代理师 胡丽华 (51)Int.Cl. G06F 17/00(2019.01) G06Q 10/06(2012.01)G06Q 50/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) B23Q 17/00(2006.01) G01D 21/02(2006.01) (56)对比文件 CN 112613783 A,2021.04.0 6 JP 2006038478 A,20 06.02.09 审查员 王兰云 (54)发明名称 机床加工的质检方法、 质检装置 (57)摘要 本发明涉及机床技术领域， 提供一种机床加 工的质检方法、 质检装置， 所述方法包括： 获取机 床加工过程中的时序数据样本； 采用DTW算法对 工况参数进行切分以获取加工时段； 根据历史时 序数据样 本库选取样本训练孪生循环神经网络， 建立质检时序相似度评价模型； 在产线终检抽检 到不合格产品时， 对抽检不合格产品所在批次的 全部产品的时序数据样本进行提取形成待检测 样本； 获取待检测样本的质检软测量结果； 根据 质检软测量结果定位不合格产品。 本发明通过收 集加工过程中的状态信号， 在抽检次品发生时， 通过计算该批次状态信号对应质检软测量结果， 并将其作为质量评价标准， 从而可以快速确定该 次品批次内存在的全部潜在次品， 减少生产损 失。 权利要求书3页 说明书11页 附图2页 CN 114862283 B 2022.10.11 CN 114862283 B 1.一种机床加工的质检方法， 其特 征在于， 包括以下步骤： 获取机床加工过程中的状态信号并进行基础时频分析， 以生成时序数据样本， 所述状 态信号包括机床的转速和扭矩组成的工况参数以及 振动信息、 电流信息和噪声信息组成的 多维时序特 征样本； 采用DTW算法对工况参数的时序特 征进行工况切分， 以获取加工时段； 获取每个所述加工时段对应的质检结果， 根据所述加工时段对应的工况参数、 多维时 序特征样本、 质检结果形成历史 时序数据样本库， 其中所述质检结果包括： 合格产品和不合 格产品， 所述质检结果 为不合格产品时， 所述质检结果还 包括次品类型分类； 根据所述历史时序数据样本库选取合格产品样本和不合格产品样本， 根据选取的合格 产品样本和不合格产品样本训练孪生循环神经网络， 根据训练后的孪生循环神经网络 建立 质检时序相似度评价模型， 所述质检时序相似度评价模型能够比较任意两个加工时段的时 序数据样本之间的相似度； 通过所述质检时序相似度评价模型获取质检软测量结果指标阈值； 在产线终检抽检到不合格产品时， 对抽检不合格产品所在批次的全部产品加工过程的 时序数据样本进行提取， 形成待检测样本， 并从所述历史时序数据样本库中选取合格产品 样本和不 合格产品样本形成比对基准样本； 通过所述质检时序相似度评价模型获取所述待检测样本和所述比对基准样本的质检 软测量结果； 根据所述质检软测量结果和所述质检软测量结果指标阈值定位 不合格产品； 其中， 通过 所述质检时序相似度评价模型获取质检软测量结果指标阈值， 具体包括： 随机从所述历史时序数据样本库中针对每种次品类型分类选取不合格产品样本j个， 从所述历史时序数据样本库中选取合格产品样本N*j个， 形成测试样本， 其中， N和j为正整 数； 采用所述质检时序相似度模型计算所述测试样本中合格产品样本间的相 似度Y1’和所 述不合格产品样本和合格产品样本间的相似度Y2’； 根据公式Ythr=mean(Y1’)*[1‑mean(Y2’)]‑3*[std(Y1’)+std(Y2’)]获取质检软测量结果 指标阈值Ythr， 其中， mean 为样本平均值 函数， std为标准差函。 2.根据权利要求1所述的机床加工的质检方法， 其特征在于， 还包括： 将定位到的不合 格产品进行质检， 并将质检结果更新到所述历史时序数据样本库中。 3.根据权利要求1所述的机床加工的质检方法， 其特征在于， 所述工况参数具体包括： 机床的转速和机床的扭矩组成的2维工况参数； 所述多维时序特征样本具体包括： 机床的振动的峰峰值、 均方根、 偏度、 峰度、 波峰因 数、 形状因数和脉冲因数； 机床的电流的峰峰值、 均方根、 偏度、 峰度、 波峰因数、 形状因数和 脉冲因数； 机床的噪声的峰峰值、 均方根、 偏度、 峰度、 波峰因数、 形状因数和脉冲因数组成 的21维时序特征样本， 所述机床的转速、 机床的扭矩、 机床的振动、 机床的电流和 机床的噪 声均为秒级数据。 4.根据权利要求1所述的机床加工的质检方法， 其特征在于， 采用DTW算法对工况参数 的时序特 征进行工况切分， 以获取加工时段， 具体包括： 确定起点， 所述起点对应的机床的转速和扭矩均大于 0；权　利　要　求　书 1/3 页 2 CN 114862283 B 2通过滑窗获取待确定加工时段， 滑窗的大小为[T1， T2]， 待确定加工时段的个数为T2 ‑ T1个， 其中， T1为根据机床历史数据统计所得的机床加工单个产品的最短加工秒数， T2 为根 据机床历史数据统计所 得的机床加工单个产品的最长加工秒数； 基于动态时间规整DTW算法计算每一个待确定加工时段的工况参数与历史加工样本的 工况参数之间的工况距离； 针对每个待确定加工时段， 将其与历史加工样本的工况距离的最小值作为工况距离， 从T2‑T1个待确定加工时段内取工况距离最短的作为加工时段。 5.根据权利要求1所述的机床加工的质检方法， 其特征在于， 根据 所述历史时序 数据样 本库选取合格产品样本和不合格产品样本， 根据选取的合格产品样本和不合格产品样本训 练孪生循环神经网络， 根据训练后的孪生循环神经网络 建立合格产品和不合格产品的质检 时序相似度评价模型， 具体包括： 不合格产品的次品类型分类包括N类， 从所述历史时序数据样本库中针对每种次品类 型分类选取不合格产品样本j个， 从所述历史时序数据样本库中选取合格产品样本N*j个， 其中， N和j为 正整数； 针对每个不合格产品样本， 从所述合格产品样本中随机抽选一个合格产品样本作为配 对， 形成N*j对对比样 本对， 将所述对比样 本对的时序相似度标签 设置为0， 从所述合格产品 样本中随机抽取N*j对正常样本对， 所述 正常样本对的时序相似度标签设置为1； 通过两个权 重共享的循环神经网络Rn n1和Rnn2构建孪生循环神经网络； 采用所述对比样本对和所述正常样本对训练所述孪生循环神经网络， 将训练后孪生循 环神经网络作为所述质检时序相似度评价模型， 所述质检时序相似度评价模型能够输出任 意两个加工时段的时序数据样本之间的相似度， 所述相似度的范围为[0， 1]。 6.根据权利要求5所述的机床加工的质检方法， 其特征在于， 抽检不合格产品所在批次 的产品包括t个， 所述待检测样本包括t个， 所述比对基准样本中合格产品样本包括t个， 所 述比对基准样本中每种次品类型分类的不 合格产品样本包括t个， t为 正整数； 通过所述质检时序相似度评价模型获取所述待检测样本和所述比对基准样本的质检 软测量结果， 具体包括： 分别计算t个所述待检测样本 中每一个样本与 所述比对基准样本 中每个合格产品样本 的时序相似度， 取最大值作为待检测样本的质检正常指标Yt1； 分别计算t个所述待检测样本 中每一个样本与 所述比对基准样本 中每个不合格产品样 本的时序相似度， 取最小值作为待检测样本的质检异常指标Yt2； 根据公式Yt  =Yt1×（1‑Yt2） 获取质检软测量结果Yt。 7.根据权利要求6所述的机床加工的质检方法， 其特征在于， 根据 所述质检软测量结果 和所述质检软测量结果指标阈值定位 不合格产品， 具体包括： 如果当前样本的质检软测量结果 为Yt>Ythr， 则判断当前样本为 合格产品； 如果当前样本的质检软测量结果 为Yt≤Ythr， 则判断当前样本为 不合格产品。 8.一种机床加工的质检装置， 其特 征在于， 包括： 第一获取模块， 所述第 一获取模块用于获取机床加工过程中的状态信号并进行基础时 频分析， 以生成时序数据样本， 所述状态信号包括机床的转速和扭矩组成的工况参数以及 振动信息、 电流信息和噪声信息组成的多维时序特 征样本；权　利　要　求　书 2/3 页 3 CN 114862283 B 3