(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111633335.3 (22)申请日 2021.12.2 9 (71)申请人 吉林大学 地址 130025 吉林省长 春市南关区人民大 街5988号 (72)发明人 李国发　李福佳　何佳龙　王继利　 王永志　段佳瑞　赵岩　 (74)专利代理 机构 长春市东师专利事务所 22202 专利代理师 张铁生　刘延军 (51)Int.Cl. G06Q 10/06(2012.01) G06F 30/20(2020.01) G06N 7/02(2006.01) G06N 3/04(2006.01)G06K 9/00(2022.01) G06K 9/62(2022.01) G06F 17/18(2006.01) (54)发明名称 数控机床运输过程 安全性评价方法 (57)摘要 本发明公开了一种数控机床运输过程状态 监测及安全性评价方法， 本发明针对 数控机床运 输前安全性评价提出了五个评价指标分别是人 员质量、 机床包装、 组织管理、 车辆状态和运输 路 线； 将运输前安全特征定义为四个等级： 安全状 态、 较安全状态、 较危险状态和危险状态。 给出标 准之后应用高斯混合模型聚类与模糊层次分析 法相结合的方式对数控机床运输前安全状态进 行综合评价； 针对数控机床运输过程中综合安全 性评估提出了多点检测的方法， 定义了路面状况 标准、 前后向加速度标准以及倾角标准的评级指 标。 通过用随机森林方法对路面状况数据进行分 类统计， 模糊神经网络对 此隶属度向量进行数据 融合处理， 实现数控机床运输阶段的综合安全性 评价。 权利要求书3页 说明书10页 附图4页 CN 114580828 A 2022.06.03 CN 114580828 A 1.基于高斯混合模型聚类理论的数控机床运输前安全性评价方法， 它包括： S1.建立模糊层次结构模型 将要解决的问题、 要考虑的特征、 要评价的属性分为最高、 中、 最低三个层次； 高、 中、 低 有隶属关系； S2.构造判断矩阵 准则层的各准则的权重可能不尽相同， 对某一层的元素， 如果想要确定此层所有元素 各自的权重， 要使此层元素两两比较， 减少比较的复杂性， 最后将所产生的比较结果构 造成 判断矩阵， 则矩阵如下 所示： 上式中， 两个n含义不同， 第一个为列数第二个为层元素数， 元素i对元素j的重要程度 可以用aij来表示；  S3.一致性检验 判断矩阵是通过元素的两两比较建立模糊一致性判断矩阵， 但不一定满足他的一致性 条件； 进行一致性检验， 当判断矩阵具有一 致性之后， 才可进行相应的权 重分配； 定义一致性指标如下： 式中， n为正互反矩阵阶数， 为矩阵的最大特征根， 可以通过CI的取值， 进而判断矩阵 的一致性， 则： CI=0， 判断矩阵有完全的一 致性； CI接近于0， 判断矩阵有满意的一 致性； CI越大， 判断矩阵的不 一致越严重； 定义一致的性比率： 上式中， CI的大小 使用RI衡量的； S4.计算各 元素的权重 当矩阵的一 致性满足后， 确定 本层各元素的权重。 2.根据权利要求1所述的基于 高斯混合模型聚类理论的数控机床运输前安全性评价方 法， 其特征在于： 步骤S2判断矩阵， 判断矩阵中元素的标准为： 1表示两个因素相比； 同等重 要； 3表示两个因素相比， 一个因素比另一个因素稍微重要； 5表示两个因素相比， 一个因素 比另一个因素明显重要； 7表示两个因素相比， 一个因素比另一个因素强烈重要； 9表示两个 因素相比， 一个因素比另一个因素极端重要； 2,4,6,8， 表示两个因素相比， 一个因素比另一 个因素极端重要； 倒数为两个因素影响 之比为上面aij的正反数。 3.根据权利要求1或2所述的基于高斯混合模型聚类理论的数控机床运输前安全性评 价方法， 其特 征在于： 矩阵阶数n对应RI 值如下：权　利　要　求　书 1/3 页 2 CN 114580828 A 2一致性比率CR< 0.1时， 该判断矩阵有满意的一 致性， 可以进行权 重的分配。 4.基于随机森林及模糊神经网络的数控机床运输阶段安全性评价方法， 它包括： 在数控机床运输过程中， 三向振动信号应用三轴加速度传感器进行采集数据， 数控机 床在运输过程中的损坏程度根据振动信号能量空间分布的差异来评价； S1评价标准的确定 （1） 模拟实验数据特 征筛选 将数控机床运输路径大致分为四类： 高级路面对应安全状态， 次高级路面对应较安全 状态， 中级路面对应较危险状态， 低级路面对应危险状态； 在四种不同的路面状况下， 随机 选取12组数样本， 提取出9个时域特征和1个时频域特征， 对原始 额信号进 行三d层小波包分 解得到8个频带能量百分比； 进 行特征筛选， 从中选取四种典型特征作为进行数据分析的基 础， 进行数据分析， 包括： 小波包分解得到8个频带的能量百分比， 裕度因子  ， 均方根， 波形 因子； （2） 在不同路面状况下收集相同数量的数据， 采用小波包分解与重构， 和EMD的特征向 量提取作对比； （3） 进行路面状况能量特 征的提取； （4） 进行路面状态时域特 征的提取； 根据路面状况运输模拟试验数据的获取及特征提取， 得到路面状况对四种安全等级评 价标准； S2运输阶段综合评价 （1） 实际运输数据的获取 采用多点 监测的方式， 数控机床在主轴上、 机箱分别固定一个 检测装置； （2） 小波包数据处 理 （a） 用小波包变换的方法对信号进行分解， 进而提取出每个频率部分的信号特征； 定义 S作为原始信号， 用 （ i, j） 表示第i层第j个节点， 其中 i=0,1,2,…,N, j=0, 1,2,…, 2N‑1； N为分解的层数， 分解系数假设为 Xij； （b） 进行信号重构， 提取 出每个频带范围信号 Sij； （c） 求出每 个频带范围信号的能量 值； 进行定义： Sij的能量值是Eij， 则： 式中，xij(k)为分解重构后信号离 散点的幅值； （d） 构造能量特 征向量； 能量作为元 素所构造的特 征向量T为： 从而对特 征向量归一 化处理， 得到能量特 征百分比；权　利　要　求　书 2/3 页 3 CN 114580828 A 3