專利名稱：：一種數控機床在線加工工件的自動識別和監控方法
技術領域：
：本發明涉及到機械制造業、信息處理
技術領域：
，屬于制造執行系統中信息采集及信號處理方法，具體涉及到數控機床上在線加工工件的自動識別和加工過程監控方法。
背景技術：
：機械加工車間中工件加工進度信息以及過程監控，是支持車間生產過程管理和優化運行的重要信息之一。加工進度信息以及過程監控包括很多內容，其中最基本的是正在加工的工件信息和已加工完成的數量以及加工過程是否按照工藝加工技術參數要求加工。目前，在部分自動化程度較高的車間中，已有采用條形碼、RFID、PLC、NC代碼中插入宏指令等方式，實現了加工進度信息的自動采集及上報。但在大多數傳統機械切削加工的車間中，由于設備本身的陳舊，生產加工進度信息還是采用"手工上報"等方式與企業管理與設計層進行信息的溝通，存在加工任務信息實時性差、容易出差錯、浪費人力資源等問題。另外，車間中經常會出現多個不同的工件在一段時間內同時在一臺機床上加工的現象，這也給統計帶來一定復雜性。同時由于目前工人的素質問題，調查發現經常出現工人為了加快任務的完成，擅自將加工參數改變，造成了大量廢品的現象，這也為作業車間的管理帶來了較大的難題。中國專利ZL02113585.1公開了一種"網絡化制造系統中多功能信息交互終端"，通過人機交互的方式，定期采集工件的加工進度信息，從一定程度上減輕了上述問題，但這種方式仍然受人為因素的影響。中國專利ZL200710078406.l公開的"基于機床功率信息生產計劃進度狀態的自動采集方法"，該方法依據機床主電動機功率信息及信息特征的變化與重復達到生產計劃狀態進度自動采集的目的，但這種方法只針對單一工件批量加工時，可有效的統計加工工件的件數，不能在混件加工時統計件數，該方法也不能監控加工參數是否被改變。
發明內容針對現有技術存在的上述不足，本發明的目的是針對目前車間工件加工進度信息主要靠人工統計，且在混類加工時經常出現統計出錯，以及對工人為加快加工進度擅自改變加工參數造成浪費等問題提出一種基于動態時間彎折和功率信息的數控機床在線加工工件自動識別和監控方法。本發明的目的是這樣實現的一種數控機床在線加工工件的自動識別和監控方法，其特征在于，包括如下步驟1)建立工件加工特征模板庫根據數控機床主軸加工功率的特性，選取一組反映機床加工狀態的多維功率信息特征向量，基于該向量形成在各種工件加工時的特征向量序列；對同一類工件的特征向量序列計算基于時間規正算法的匹配距離，并采用聚類算法進行處理形成該類別工件的加工功率信息特征模板；多種工件的特征模板形成模板庫；2)自動識別和監控在加工工件時，將采集到的實時功率信息進行處理形成加工功率信息特征向量序列，將該序列與特征模板庫中的模板進行時間規正和匹配距離計算等處理，根據匹配距離的大小以及所設定的閾值，判斷加工工件的類別和監控加工過程加工參數。進一步的特征在于，上述步驟1)中，所述特征向量序列由訓練器采用動態時間彎折法進行時間規正和匹配距離計算，并得到匹配對，采用具有時序關系的聚類算法將特征序列進行聚類處理；設Q為L個加工工件的功率信息訓練序列的集合，Q={Xj，i=1，2，…，L;其中，Xi為第i個加工工件的特征向量序列，Xi={Xn，Xi2，…，XiJ，其中，Xiw為第i個加工工件在N時刻的特征向量；設Q可以聚成NC個不同的類{"i，i=1，2，...，NCh使Q^U",，根據實際情況NC的大小可以通過訓練集中加工工件類型的總數來確定，或者根據聚類的準則自動確定；設"j,,表示一個j個加工工件類集合的第i個類，k為迭代次數，i=1，2，...，j;k=1，2，...，kmax為允許的最大迭代次數；基于K均值聚類算法的加工工件類別訓練器算法如下[1]初始化令i=j=k=1，^^=Q，計算全部工件訓練序列Q的聚類中心；[2]按最小距離進行工件分類對全部訓練序列&，1=1，2，...，L，就每個聚類中心求取匹配距離。對于求得最小距離的標上該類的索引，艮卩X,￡<當且僅當其中y("j,i10為表示一個j類集合的第i個類的中心；計算每類"j,,的類內距離和A^J^(;XO)[3]調整聚類及聚類中心根據[2]中所標出新的索弓l，得出新的工件分類"j,，1，并計算新的聚類中心y("j,f1);[4]收斂性檢驗滿足下面三個條件之一執行[5]，否則轉至[2]A、對所有的i=1，2，...，j，CO:=B、k=kmaxC、平均類心距離變化小于預設的門限值Ath，即[5]記錄分類結果如果收斂，將得到j類"j,iW及其聚類的中心y("j,")，如果j為最大的預設聚類數j,，整個聚類過程結束，否則執行[6];[6]將具有最大類內距離的類分成兩類即首先找到Aik為最大的類，然后在該類中找到兩個元素，使S(VX12)>S(X13，X14);其中，Xu和Xw為類中任意兩個元素；這樣Xu和^取代原聚類中心，此時j=j+l，重新設k二1并重復步驟[2][5])。上述方法就形成了jmax個類，得到的jmax個y("j,就為訓練樣本的特征模板；其中，所述步驟[1]和步驟[3]中，計算聚類中心的方法如下在新的分類中找出一個代表，使與到它的距離小于下面所定義的門限值、元素個數最多，其中St=l"+0.5osT、os分別為S(X丄，Xm)的均值和方差，即:》=,ni;i>(X;,Xm)m-/<formula>formulaseeoriginaldocumentpage6</formula>便可獲得在加工不同工件時的特征模板。進一步的特征在于，步驟2)中，加工工件時，所述加工功率信息特征向量序列由識別器進行時間規正和匹配距離計算，具體算法如下首先，按照動態時間彎折算法，計算加工工件的特征向量序列與存貯的訓練特征模板序列之間的匹配距離S(&，Xm);然后，選取S(&，Xm)值為最小、且小于預設的門限值所對應的模板的類型作為加工工件的類型，并在該類工件統計數據上加1;若沒有一個訓練模板與之滿足上述條件，此時可能是新的加工類型，則進入訓練模板的提取，或是報警。根據時序關系形成特征向量序列送入識別器中；若是利用其自動識別功能，則在識別器中將輸入的特征向量序列與模板庫中的各個模板采用動態時間彎折算法進行比對，確定與哪類模板的匹配距離最近，得到加工工件的類型，若是一個都未匹配則進行未匹配處理；若是利用其監控功能，則在識別器中將輸入的特征向量序列與監控加工的同類型的模板采用動態時間彎折法進行配對計算，若匹配距離在規定的范圍內，認為是正在加工允許的工件，否則認為是非允許的程序在加工。相比現有技術，本發明具有如下優點(I)本發明中，工件加工功率信息是通過功率傳感器采集機床主軸電機加工功率得到，或是根據工件加工工藝參數等計算形成的參考功率曲線(只適用于訓練階段)。信號的獲取簡單可靠，系統安裝實現方便，不影響生產。(II)本發明通過分析數控機床主軸加工功率的特性，從工件加工功率信息中抽取出反映機床加工狀態的多維特征向量序列代替簡單的功率值序列。然后利用動態時間彎折和聚類的方法，從多個工件加工特征向量序列樣本中選取類別參考模板，將在加工工件的相應特征向量序列與多個類別工件的參考模板進行對比來識別和監控，算法更準確、合理，可解決主軸功率信號存在的干擾大，信號敏感性差等缺點。(III)利用該方法采集加工信息，可實現混類加工工件的在線識別及統計，識別準確，節約人力資源。該方法的監控功能可解決非授權加工及修改加工參數問題。經實踐檢驗，該方法是有效且可行的。利用本發明將解決數控機床在線加工工件自動識別和監控的問題，可提高企業的生產控制能力及車間信息化程度。圖1是本發明數控機床在線加工工件自動識別和監控方法的原理框圖；圖2是本發明數控機床在線加工工件自動識別和監控方法的識別流程圖；圖3動態時間規正過程；圖4動態時間彎折法的一種匹配路徑圖；圖5是本發明數控機床在線加工工件自動識別和監控方法的硬件框圖；圖6是一種實例中A、B、C三類工件訓練階段加工樣本的功率曲線；圖7是一種實例中A、B、C三類工件的聚類結果圖；圖8是一種實例中A、B、C三類工件的中心模板特征向量曲線圖；圖9是一種實例中7種工件加工過程功率曲線與A、B、C三類工件的模板功率曲線對應關系圖。具體實施例方式下面結合附圖和具體實施例對本發明作進一步說明。參見圖l，為了解決機械制造車間生產進度信息的采集，本發明基于動態時間彎折和功率信息，通過分析數控機床加工特性，選取一組反映加工過程信息的機床主軸功率信息的特征參數，組成功率特征向量來表征加工工件信息。在此基礎上，本發明的自動識別和監控方法分為兩大步驟，分別建立特征模板庫和識別及監控兩個階段，具體步驟敘述如下第一步，建立特征模板庫獲取多個加工一批同類加工工件時主軸功率信息，或者根據數控機床主軸對象特性得到可能的數控機床主軸功率信息(如參考的功率曲線)，對該信息抽取特征信息，實例化功率特征向量，根據時序關系形成特征向量序列并送入訓練器中；訓練器將這些特征序列采用動態時間規正法進行時間規正和匹配距離計算，并得到匹配對，采用具有時序關系的聚類算法將特征序列進行聚類處理，獲得特征模板，并存入特征模板庫中；對于同一批工件，可以有多個特征模板，不同加工工件，有不同的特征模板。第二步，自動識別和監控采集在實時加工狀態下數控機床主軸功率信息，抽取其特征信息，根據時序關系形成特征向量序列送入識別器中；若是利用其自動識別功能，則在識別器中將輸入的特征向量序列與模板庫中的各個模板采用動態時間規正法進行比對，確定與哪類模板的匹配距離最近，得到加工工件的類型，若是一個都未匹配則進行未匹配處理；若是利用其監控功能，則在識別器中將輸入的特征向量序列與監控加工的同類型的模板采用動態時間規正法進行配對計算，若匹配距離在規定的范圍內，認為是正在加工允許的工件，否則認為是非允許的程序在加工。具體識別流程如圖2所示。其中，本發明涉及的動態時間彎折算法，以及訓練器和識別器的算法如下動態時間彎折算法設Q為L個加工工件的功率信息訓練序列的集合，Q={XJ，i=1，2，...，L，其中&為第i個加工工件的特征向量序列，&={Xn，Xi2，...，XiN}，其中XiN為第i個加工工件在N時刻的特征向量，該向量中特征值的選取根據數控機床加工特性確定。對每兩個特征向量序列進行匹配計算，得到匹配距離S(Xi，Xj)。但由于&={Xn，Xi2，...，XiN}、Xj={XjpXj2，...，XjM}在時間上其特征向量的個數就不相等，即N#M，需要首先將這兩個特征向量序列進行時間規正，為此采用動態時間彎折法進行時間規正(規正的過程見圖3)和匹配距離的計算，其計算方法如下[1.1]初始化g(l，1)=2d(Xi"Xj》<formula>formulaseeoriginaldocumentpage8</formula>其中Reg為約束區域，假定它為定點位于(1，1)和(N，M)，相鄰兩邊的斜率分別為2和1/2的平行四邊形，huge表示很大的實數。g(n，m)表示到匹配點對(n，m)為止前面所有可能的路徑中最佳路徑(匹配距離最短)的累計匹配距離。存在著以下的遞推關系g("，W)=(,,^^>("、,附、)+^(《，^附)^}(2)式(2)中(n—，nT)表示局部路徑(n—，nT)—(n，m)的起點，權Wk的取值與局部路徑有關。n=2，3，...，N;m=2，3，...，M。[1.2]遞推求累計距離g(n，m)=min{g(n_l，m)+d(Xin，X加)*Wk(l);g(n-1，m-1)+d(Xin，X加)Wk(2);(3)g(n，m-1)+d(Xin，X加)Wk(3)}(n，m)GReg式(3)中，采用如圖4所示的局部路徑進行約束，并取加權值Wk(1)=Wk(3)=1，Wk(2)=2。[1.3]求取所有的匹配點對及距離根據(3)式選取每步的上一步最佳局部路徑，由匹配點對(N，M)向前回溯一直到(1，1)，就形成了相應的匹配點序列。所形成的規正的點數不是固定不變的，隨N、M的值而變。a:因此，(3)式可以用Z^作為分母來補償。可寫成如下的計算公式<formula>formulaseeoriginaldocumentpage8</formula>+其中C為時間規正函數C二{c(l)，c(2)，...，c(KM，K為路徑長度，c(k)=(Xi(k)，Xj，)表示第k個匹配點對是由Xi的第i(k)個特征向量與Xj的第j(k)個特征向量構成的匹配點對。采用上述方法就將兩個采樣獲得的功率特征向量序列在時間上進行了規正，得到了它們的匹配點對，并實現了距離的計算。關于訓練器算法根據所述動態時間彎折算法計算出Q中L個訓練序列組成的LXL的距離矩陣D，JVC設Q可以聚成NC個不同的類{"i，i=1，2，...，NCh使Q^U^，根據實際情況NC的大小可以通過訓練集中加工工件類型的總數來確定，也可以根據聚類的準則自動確定。另外，設"j,ik表示一個j類集合的第i個類，k為迭代次數，i=1，2，...，j;k=l，2，...，kmax為允許的最大迭代次數。基于K均值聚類算法的訓練器算法如下[1]初始化令i=j=k=1，ffi^=D，計算整個訓練序列Q的聚類中心(計算方法見后)。[2]最小距離分類對每個訓練序列&，1=1，2，...，L，就每個聚類中心求取距離，對于求得最小距離的標上該類的索引，即X,ecw),當且僅當，=minS(X,,3^co)J)(5)其中y("j,"為表示一個j類集合的第i個類的形心，S(&，y("j,ik))的計算方法同(4)。計算每類"j,ik的類內距離和A^=2^(X,，X《,0)(6)[3]調整聚類及聚類中心根據[2]中所標出新的索弓l，得出新的分類"j,iW，并計算新的聚類中心y("j,，1)(計算方法見后)。[4]收斂性檢驗滿足下面三個條件之一執行[5]，否則轉至[2]A、對所有的i=1，2，...，j，O;，,.=C0，"B、k=kmaxC、平均類心距離變化小于預設的門限值Ath，即[5]記錄分類結果如果收斂，將得到j類"j,iW及其聚類的中心y("j,ik，，如果j為最大的預設聚類數j,，整個聚類過程結束，否則執行[6]。[6]將具有最大類內距離的類分成兩類即首先找到Aik為最大的類，然后在該類中找到兩個元素，使S(VX12)>S(X13，XJ，其中X^和XM為類中任意兩個元素。這樣Xu和^取代原聚類中心，此時j=j+l，重新設k二1并重復[2][5])。上述方法就形成了jmax個類，得到的jmax個y("j,，1)就為訓練樣本的特征模板。其中，所述步驟[1]和步驟[3]中，計算聚類中心的方法如下在新的分類中找出這樣一個代表，使與到它的距離小于下面所定義的門限值St元素個數最多，其中St=5os(8)T、os分別為S(X工，Xm)的均值和方差，即:<table>tableseeoriginaldocumentpage10</column></row><table>通過上述方法，便可獲得在加工不同工件時的特征模板，當訓練序列較多時，加工同一個工件的特征模板不只一個可能多個。上述算法在圖1的訓練器中得以具體的實現，并將得到的特征模板保存在特征模板庫中。關于識別器算法識別器是將實際加工時取得的特征向量序列與特征模板庫中的序列進行匹配距離計算并根據計算結果進行工件類別識別，所采用的方法為首先按照動態時間彎折算法，計算加工工件的特征向量序列與存貯的訓練特征模板序列之間的匹配距離S(&，XJ;然后選取S(&，XJ值為最小、且小于預設的門限值所對應的模板的類型作為加工工件的類型，并在該類工件統計數據上加1;若沒有一個訓練模板與之滿足上述條件，此時可能是新的加工類型，則進入訓練模板的提取，或是報警。圖2中虛線部分為識別器的運行流程及原理。實施例—種數控機床在線加工工件自動識別和監控方法，基于該方法的自動識別和監控硬件由有功功率變送器、串口A/D轉換模塊、信息交互終端等幾個部分組成，系統結構見圖5，有功功率變送器裝在數控機床的主軸電機變頻器的輸入端，負責采集機床主軸輸入功率信號；串口A/D采集模塊，負責將模擬信號轉換為數字信號得到工件加工的功率值信息，并將轉換結果實時發送給信息交互終端，功率值采樣頻率取20Hz，精度為12位；信息交互終端負責對功率信息進行模板提取、工件類別識別等處理并傳送相關數據及結果到上層應用系統。加工設備及加工工件如下加工工件某設備3種軸類工件，記為工件A、工件B、工件C數控機床CKA6140型數控車床傳感器WBQ212P71終端HTKiTouchl21A-T嵌入式信息終端串口A/D采集模塊HTK-NDC1以太網現場測控服務器工件加工工序工件A:①切端面1—②車外圓面一③切端面2—切端面3:①車外圓面1—②車外圓面2:①車外圓面1—②切端面1—③切端面2首先，對待加工的工件建立工件類別模版，對工件A、工件B和工件C進行試加工，每種工件加工7個，共21組。按設定的頻率對主軸電機有功功率進行實時采樣，采集并記錄每次電機啟/停之間的功率值序列，最后得到21組功率值序列樣本，分別記為Pi，i=1，2，...21，所有樣本的功率曲線如圖6所示。每一樣本包含個數不等的功率標稱值樣本點Pij，j=1，2，...，N，對全部樣本按本發明所述方法進行處理以提取待加工工件的類別模工件B工件C板。(1)構建工件加工特征向量序列通過分析加工工藝參數和數控機床加工特性，發現將功率信息作為基礎分析數據時，其功率值、功率變化率以及功率信號小波系數可以有效表征加工過程的特征信息，綜合考慮計算量及區分能力，取機床主軸功率值標量P、功率變化率CR(ChangeRate,CR)、四層DB4小波變換近似部分的小波系數A4和細節部分的小波系數DlD4等共7個特征值組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，Dl，D2，D3，D4)T。計算功率值序列的變化率，并對其進行小波變換得到小波系數A4及DlD4，與功率值標量Pij—起組成加工樣本特征向量序列=(Pij，CRij，A4ij，Dlij，D2wD3ij7D^)1,即每個樣本點包含7個特征屬性值，最終表征工件加工信息的特征向量序列&的結構如表1所示，表2是樣本向量序列X12的一個數據片段。表1特征向量序列&的結構<table>tableseeoriginaldocumentpage11</column></row><table>表2特征向量序列X12的數據片段表<table>tableseeoriginaldocumentpage11</column></row><table><table>tableseeoriginaldocumentpage12</column></row><table>(2)建立工件參考模板采用K均值法的聚類算法對加工樣本特征向量序列進行聚類，序列間的距離使用DTW算法計算，按圖4的方向約束局部路徑，全局路徑取2、1/2斜率平行四邊形區域限制。取最大工件類別數jmax=3，對21組加工樣本特征向量序列進行聚類，表3是聚類計算結果，圖7為3類工件加工樣本特征向量的聚類圖。表3聚類計算結果<table>tableseeoriginaldocumentpage12</column></row><table>保存工件類別參數，并將各類中心樣本特征向量序列組成特征模板庫，作為加工識別的標準模板，三類工件的中心模板WL的特征向量序列曲線如圖8所示。(3)加工識別過程建立好工件類別特征模板庫后，根據經驗及聚類的結果選取合適的類別判定門限值，就可以進行工件批量混件加工的識別和統計。以下是一組加工識別例取6個待加工工件TlT6，分別為B工件3個、C工件2個、未允許加工的工件1個，進行混件加工及識別。識別系統設置為只允許加工A、B、C三類工件，否則報警。類別判定模板及判定標準見表4，其中工件類別判定門限值取類內最大距離。表4類別判定模板及判定門限值<table>tableseeoriginaldocumentpage13</column></row><table>經加工測試，工件TlT5均識別到了正確的工件類別，T6識別時顯示沒有合適的匹配類別，系統報警并提示無法識別加工工件，識別結果與實際情況一致，該算法達到了預期的要求。表5為加工工件與標準類別模板的匹配數據及識別結果對比，加工工件曲線與模板樣本功率曲線的對應關系圖見圖9。表5工件加工匹配數據及識別結果<table>tableseeoriginaldocumentpage13</column></row><table>注huge表示很大的實數由于不同工件間的加工時間不同，因而采集到的功率樣本序列的長度也差距較大，識別時可以采用序列長度優化策略，優先對長度相近的類別進行匹配識別，以提高識別的效率。最后需要說明的是，以上實施例僅用以說明本發明的技術方案而非限制技術方案，盡管申請人參照較佳實施例對本發明進行了詳細說明，本領域的普通技術人員應當理解，那些對本發明的技術方案進行修改或者等同替換，而不脫離本技術方案的宗旨和范圍，均應涵蓋在本發明的權利要求范圍當中。權利要求一種數控機床在線加工工件的自動識別和監控方法，其特征在于，包括如下步驟1)建立工件加工特征模板庫根據數控機床主軸加工功率的特性，選取一組反映機床加工狀態的多維功率信息特征向量，基于該向量形成在各種工件加工時的特征向量序列；對同一類工件的特征向量序列計算基于時間規正算法的匹配距離，并采用聚類算法進行處理形成該類別工件的加工功率信息特征模板；多種工件的特征模板形成模板庫；2)自動識別和監控在加工工件時，將采集到的實時功率信息進行處理形成加工功率信息特征向量序列，將該序列與特征模板庫中的模板進行時間規正和匹配距離計算等處理，根據匹配距離的大小以及所設定的閾值，判斷加工工件的類別和監控加工過程加工參數。2.根據權利要求1所述的一種數控機床在線加工工件的自動識別和監控方法，其特征在于，所述步驟1)中，所述特征向量序列由訓練器采用動態時間彎折法進行時間規正和匹配距離計算，并得到匹配對，然后對具有時序關系的多維特征向量序列采用聚類算法進行聚類處理；設Q為L個待加工工件的功率信息訓練序列的集合，Q={XJ，i=1，2，…，L;其中，&為第i個加工工件的特征向量序列，Xi={Xn，V..，XiN}，其中，XiN為第i個加工工件在N時刻的特征向量；JVC設Q可以聚成NC個不同的類{"i，i=1，2，...，NCh使Q-IJ^，根據實際情況NC!=1的大小可以通過訓練集中加工工件類型的總數來確定，或者根據聚類的準則自動確定；設"j,ik表示一個j個加工工件類集合的第i個類，k為迭代次數，i=1，2，...，j;k=1，`2，...，kmax為允許的最大迭代次數；基于K均值聚類算法的加工工件類別特征模板獲取過程如下[1]初始化令i=j=k=1，=n，計算全部工件訓練序列Q的聚類中心；[2]按最小距離進行工件分類對全部訓練序列&，1=1，`2，...，L，就每個聚類中心求取匹配距離。對于求得最小距離的標上該類的索引，艮卩當且僅當<formula>formulaseeoriginaldocumentpage2</formula>其中y("j,"為表示一個j類集合的第i個類的中心；計算每類(Oj,ik的類內距離和<formula>formulaseeoriginaldocumentpage2</formula>[3]調整聚類及聚類中心根據[2]中所標出新的索引，得出新的工件分類"j,iW，并計算新的聚類中心7(^.,");[4]收斂性檢驗滿足下面三個條件之一執行[5]，否則轉至[2]A.對所有的i=1，2，…，j，W，,.二W，"C.平均類心距離變化小于預設的門限值Ath，即<formula>formulaseeoriginaldocumentpage3</formula>[5]記錄分類結果如果收斂，將得到j類"j,"及其聚類的中心y("j,")，如果j為最大的預設聚類數j^，整個聚類過程結束，否則執行[6];[6]將具有最大類內距離的類分成兩類即首先找到Aik為最大的類，然后在該類中找到兩個元素，使S(X『X12)>S(X13，X14);其中，Xu和XM為類中任意兩個元素；這樣Xu和L取代原聚類中心，此時j=j+l，重新設k二l并重復步驟[2][5])。上述方法就形成了jmax個類，得到的jmax個y("j,就為訓練樣本的特征模板；其中，所述步驟[1]和步驟[3]中，計算聚類中心的方法如下在新的分類中找出一個代表，使與到它的距離小于下面所定義的門限值St元素個數最多，其中<formula>formulaseeoriginaldocumentpage3</formula>j、os分別為S(X丄，Xm)的均值和方差，即:<formula>formulaseeoriginaldocumentpage3</formula>便可獲得在加工不同工件時的特征模板。3.根據權利要求1所述的一種數控機床在線加工工件的自動識別和監控方法，其特征在于，所述步驟2)中，加工工件時，所述加工功率信息特征向量序列由識別器進行時間規正和匹配距離計算，具體算法如下首先，按照動態時間彎折算法，計算加工工件的特征向量序列與存貯的訓練特征模板序列之間的匹配距離S(&，Xm);然后，選取S(&，Xm)值為最小、且小于預設的門限值所對應的模板的類型作為加工工件的類型，并在該類工件統計數據上加1;若沒有一個訓練模板與之滿足上述條件，此時可能是新的加工類型，則進入訓練模板的提取，或是報警。全文摘要本發明公開了一種數控機床在線加工工件自動識別和加工監控方法，該方法首先將各種在加工工件加工時可能的主軸加工功率信息經過加工特征向量的選取、特征模板序列的形成及其時間規正和匹配距離計算，以及對距離進行聚類處理等過程，形成多工件特征模板庫；在工件加工時，對采集到的工件實時加工功率信息進行處理形成特征向量序列，將該序列與特征模板庫中的模板之間進行時間規正和匹配距離計算等處理，根據匹配距離的大小以及所設定的閾值，即可判斷加工工件的類別并累計加工數量或監控加工過程加工參數。文檔編號G05B19/406GK101710235SQ200910191880公開日2010年5月19日申請日期2009年12月11日優先權日2009年12月11日發明者何彥,劉飛,易潤忠,賀曉輝,鄢萍申請人:重慶大學