(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 202210953555.2 (22)申请日 2022.08.10 (65)同一申请的已公布的文献号 申请公布号 CN 115034094 A (43)申请公布日 2022.09.09 (73)专利权人 南通恒强轧 辊有限公司 地址 226000 江苏省南 通市启东市海复镇 蒿枝港桥西侧 (72)发明人 曾章荣　 (74)专利代理 机构 合肥初云专利代理事务所 (普通合伙) 34273 专利代理师 刘囝 (51)Int.Cl. G06F 30/20(2020.01) G06Q 10/04(2012.01)G06F 17/18(2006.01) 审查员 徐金娜 (54)发明名称 一种金属加工机床运行状态预测方法及系 统 (57)摘要 本发明涉及机床运行状态预测领域， 具体涉 及一种金属加工机床运行状态预测方法及系统。 包括： 采集机床多个时刻的历史运行检测参数； 建立预测模型获取每个检测参数未来时刻 的预 测值， 对每个检测参数未来时刻的预测值进行相 空间重构， 得到多个重构向量； 根据每个检测参 数不同重构向量类别的占比计算该参数的预测 特征值； 获取历史 时刻数据中同时出现异常的两 两参数建立参数关联模型， 获取该两两参数的关 联性指标； 对每个参数的预测特征值进行优化， 得到每个参数的优化特征值； 根据每个参数的优 化特征值对机床运行状态进行预测。 本发明通过 对金属加工机床运行的未来数据进行预测， 并获 取对应的预测特征值， 可以实现对机床运行状态 的准确预测评估。 权利要求书3页 说明书8页 附图2页 CN 115034094 B 2022.10.25 CN 115034094 B 1.一种金属 加工机床运行状态预测方法， 其特 征在于， 包括： 采集机床当前时间段和当前时间段的上一时间段形成的正常运行历史时间段内的多 个检测参数， 得到每 个参数在该历史正常运行时间段内每一时刻的运行 数据； 利用每个参数在历史正常运行时间段内每一 时刻的运行数据建立预测模型， 利用所述 预测模型获取每个参数未来多个时刻的预测值， 对每个参数未来时刻的预测值进 行相空间 重构， 得到每 个参数的多个重构向量； 统计每个检测参数重构向量的类别数， 根据每个检测参数不同重构向量类别的占比计 算该检测参数的预测特 征值； 建立参数关联模型， 将每一个参数作为一个目标参数， 采集目标参数在发生异常时的 异常历史数据， 根据该异常历史数据获得目标参数在发生异常时对应的间隔时间； 确定出 该间隔时间内发生异常的其它参数， 利用建立的关联模型及目标参数发生异常时对应的间 隔时间内其它参数发生异常的数据个数获取目标参数与其它参数两 两之间的关联性指标； 参数关联模型的表达式为： 其中， 表示第i个参数和第j个参数的关联性指标， 表示第i个参数发生异常时 的间隔时间内第j个参数发生异常 的数据个数， N表示历史采集最大时刻， 表示第i个参 数与第j个参数 出现异常的时间 间隔； 根据目标参数与其它参数两两之间的关联性指标对该目标参数所对应参数的预测特 征值进行优化， 得到每 个参数的优化特 征值； 根据每个参数的优化特 征值对机床运行状态进行 预测。 2.根据权利要求1所述的一种金属加工机床运行状态预测方法， 其特征在于， 所述预测 模型的表达式为： 其中， 表示第i个参数， N表示最大历史采集时刻， 表示第N个历史采集时刻以 后的第a个未来时刻的采集值， 表示第i个参数在第k个历史采集时刻的影响因子， 表 示第i个数据在第k个历史采集时刻的数据,Q 为最大未来预测时刻。 3.根据权利要求1所述的一种金属加工机床运行状态预测方法， 其特征在于， 获取多个 重构向量的方法为： 将得到的每个检测参数所有未来 时刻的预测值作为一个向量， 利用设定的嵌入维数以 及延迟因子对该向量进行相空间重构， 得到多个重构向量。 4.根据权利要求3所述的一种金属加工机床运行状态预测方法， 其特征在于， 计算每个 参数的预测特 征值的方法为： 获取每个参数的所有重构向量的类别数， 根据每个类别中重构向量的个数占比计算该 参数的预测特 征值， 表达式为：权　利　要　求　书 1/3 页 2 CN 115034094 B 2其中， 表示第i个参数 的预测特征值， 表示第c种重构向量的占比， C为所有重构向 量的类别数。 5.根据权利要求1所述的一种金属加工机床运行状态预测方法， 其特征在于， 对每个参 数的预测特 征值进行优化， 得到每 个参数的优化特 征值的方法为： 其中， 表示第i个参数的优化特征值， 表示第i个参数的预测特征值， 表示第j个 参数的预测特征值， 表示第i个参数和第j个参数的关联性指标， J表示与i互为因果参数 的参数个数。 6.一种金属加工机床运行状态预测系统， 其特征在于， 包括数据采集模块、 参数预测模 块、 预测特 征值计算模块、 关联性指标计算模块、 特 征值优化模块以及状态预测模块； 数据采集模块， 用于采集机床正常运行历史时间段内的多个检测参数， 得到每个参数 在历史正常运行时间段内多个采集时刻的历史数据； 参数预测模块， 用于根据数据采集模块中得到每个参数的正常运行历史时刻数据建立 预测模型， 利用所述预测模型获取每个参数未来多个时刻的预测 值， 对每个参数未来时刻 的预测值进行相空间重构， 得到每 个参数的多个重构向量； 预测特征值计算模块， 用于统计每个检测参数重构向量的类别数， 根据每个检测参数 不同重构向量类别的占比计算该检测参数的预测特 征值； 关联性指标计算模块， 用于建立参数关联模型， 将每一个参数作为一个目标参数， 采集 目标参数在发生异常时的异常历史数据， 根据该异常历史数据获得目标参数在发生异常时 对应的间隔时间； 确定出该间隔时间内发生异常的其它参数， 利用建立的关联模型及目标 参数发生异常时对应的间隔时间内其它参数发生异常的个数获取目标参数与其它参数两 两之间的关联性指标； 获取目标参数与其它参数两 两之间的关联性指标的方法为： 重新采集机床异常运行历史时间段中参数的历史数据， 获得目标参数在发生异常时对 应的间隔时间； 确定出该间隔时间内发生异常的其它参数， 利用建立的关联模型及目标参 数发生异常时对应的间隔时间内其它参数发生异常的数据个数获取目标参数与其它参数 两两之间的关联性指标， 所述 参数关联模型的表达式为： 其中， 表示第i个参数和第j个参数的关联性指标， 表示第i个参数发生异常时 的间隔时间内第j个参数发生异常 的数据个数， N表示历史采集最大时刻， 表示第i个参 数与第j个参数 出现异常的时间 间隔；权　利　要　求　书 2/3 页 3 CN 115034094 B 3