CN109048492B

CN109048492B - 基于卷积神经网络的刀具磨损状态检测方法、装置及设备

Info

Publication number: CN109048492B
Application number: CN201810852180.4A
Authority: CN
Inventors: 戴伟; 王玥
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2018-07-30
Filing date: 2018-07-30
Publication date: 2020-04-21
Anticipated expiration: 2038-07-30
Also published as: CN109048492A

Abstract

本发明提供一种基于卷积神经网络的刀具磨损状态检测方法、装置及终端设备。其中，基于卷积神经网络的刀具磨损状态检测方法包括：获取预先训练好的基于卷积神经网络构建的刀具磨损状态预测模型；获取在目标刀具的切割过程中采集的传感数据序列，所述传感数据序列包括按时序采集的传感数据；基于所述传感数据序列，利用所述刀具磨损状态预测模型预测所述目标刀具的磨损状态。本发明提供的基于卷积神经网络的刀具磨损状态检测方法，不需要提取复杂的时频域特征，可以有效简化数据处理过程、提高效率，同时由于所述传感数据序列是按时序采集的传感数据，因此可以基于内在序列特征实现刀具磨损状态的预测，可以有效提高准确性。

Description

基于卷积神经网络的刀具磨损状态检测方法、装置及设备

技术领域

本发明涉及刀具磨损检测技术领域，具体涉及一种基于卷积神经网络的刀具磨损状态检测方法基于卷积神经网络的刀具磨损状态检测方法、装置和终端设备。

背景技术

据统计，机械产品在使用过程中暴露出来的不良，约50％是由加工过程的缺陷造成的，刀具作为机械加工的常用工具，其磨损状态对产品质量、生产效率及成本会产生直接的、巨大的影响，因此，刀具磨损状态的监测对于充分利用刀具寿命、保证生产产品的质量和连续自动化生产非常重要，刀具状态监测技术具有显著的经济和社会效益，为先进制造业奠定了基础，已成为各国公认的重大关键技术。

刀具磨损状态预测的核心步骤是传感器数据的表示学习，传感器数据是自然时间序列数据，由传感器对刀具的状态信号进行采样，并以连续的形式表示。现有技术中，刀具磨损状态预测主要依赖于多域特征(包括方差、频谱偏度、峰度等频域特征和小波系数等时频特征)的提取和分析实现，一方面，不能模拟感官数据背后的内在序列特征，另一方面，处理过程繁琐、效率较低。

发明内容

鉴于上述问题，本发明的目的是通过提供一种基于卷积神经网络的刀具磨损状态检测方法、装置及终端设备，以解决目前开启系统权限通常需要较多步骤的操作，用户根据引导信息开启系统权限操作复杂，且容易产生误操作的问题。

本发明第一方面提供一种基于卷积神经网络的刀具磨损状态检测方法，包括：

获取预先训练好的基于卷积神经网络构建的刀具磨损状态预测模型；

获取在目标刀具的切割过程中采集的传感数据序列，所述传感数据序列包括按时序采集的传感数据；

基于所述传感数据序列，利用所述刀具磨损状态预测模型预测所述目标刀具的磨损状态。

本发明第一方面的一个变更实施方式中，在获取预先训练好的刀具磨损状态预测模型之前，还包括：

基于卷积神经网络构建刀具磨损状态预测模型；

采用样本数据训练所述刀具磨损状态预测模型，确定所述刀具磨损状态预测模型的模型参数，得到训练好的刀具磨损状态预测模型。

本发明第一方面的另一个变更实施方式中，所述采用样本数据训练所述刀具磨损状态预测模型，确定所述刀具磨损状态预测模型的模型参数，包括：

获取样本数据，所述样本数据包括样本刀具的全寿命周期数据；

通过对所述样本数据进行分割，得到多个等长度的子样本数据；

根据分割得到的多个子样本数据构建训练集和测试集；

利用所述训练集对所述刀具磨损状态预测模型进行训练，得到多组模型参数；

利用所述测试集对所述多组模型参数进行验证，并将验证误差最小的一组模型参数确定为所述刀具磨损状态预测模型的模型参数。

本发明第一方面的再一个变更实施方式中，所述获取样本数据，包括：

获取样本刀具在真实切割过程中的原始样本数据，所述原始样本数据包括样本刀具在每一次切割对应的传感数据和刀具磨损量；

采用线性插值的方式对所述原始样本数据进行扩充，得到样本数据。

本发明第一方面的又一个变更实施方式中，所述基于卷积神经网络构建的刀具磨损状态预测模型，包括：输入层、输出层和隐藏层；其中，所述隐藏层包括卷积层和池化层；

所述卷积层用于进行特征提取得到特征矩阵；

所述池化层用于缩小特征矩阵。

本发明第一方面的又一个变更实施方式中，所述隐藏层还包括：归一化层；所述归一化层用于对数据进行白化处理。

本发明第一方面的又一个变更实施方式中，所述隐藏层还包括：修正线性激活函数层；所述修正线性激活函数层用于对特征矩阵进行非线性变换。

本发明第一方面的又一个变更实施方式中，所述隐藏层还包括：舍弃层；所述舍弃层用于按照预设概率对神经元进行置零。

本发明第二方面提供一种基于卷积神经网络的刀具磨损状态检测装置，包括：

模型获取模块，用于获取预先训练好的基于卷积神经网络构建的刀具磨损状态预测模型；

传感数据采集模块，用于获取在目标刀具的切割过程中采集的传感数据序列，所述传感数据序列包括按时序采集的传感数据；

磨损状态预测模块，用于基于所述传感数据序列，利用所述刀具磨损状态预测模型预测所述目标刀具的磨损状态。

本发明第二方面的一个变更实施方式中，所述基于卷积神经网络的刀具磨损状态检测装置，还包括：

模型构建模块，用于基于卷积神经网络构建刀具磨损状态预测模型；

模型训练模块，用于采用样本数据训练所述刀具磨损状态预测模型，确定所述刀具磨损状态预测模型的模型参数，得到训练好的刀具磨损状态预测模型。

本发明第二方面的另一个变更实施方式中，所述模型训练模块，包括：

样本获取单元，用于获取样本数据，所述样本数据包括样本刀具的全寿命周期数据；

样本分割单元，用于通过对所述样本数据进行分割，得到多个等长度的子样本数据；

训练集构建单元，用于根据分割得到的多个子样本数据构建训练集和测试集；

样本训练单元，用于利用所述训练集对所述刀具磨损状态预测模型进行训练，得到多组模型参数；

参数确定单元，用于利用所述测试集对所述多组模型参数进行验证，并将验证误差最小的一组模型参数确定为所述刀具磨损状态预测模型的模型参数。

本发明第二方面的再一个变更实施方式中，所述样本获取单元，包括：

原始样本获取子单元，用于获取样本刀具在真实切割过程中的原始样本数据，所述原始样本数据包括样本刀具在每一次切割对应的传感数据和刀具磨损量；

插值子单元，用于采用线性插值的方式对所述原始样本数据进行扩充，得到样本数据。

本发明第二方面的又一个变更实施方式中，所述模型获取模块中基于卷积神经网络构建的刀具磨损状态预测模型，包括：输入层、输出层和隐藏层；其中，所述隐藏层包括卷积层和池化层；

所述卷积层用于进行特征提取得到特征矩阵；

所述池化层用于缩小特征矩阵。

本发明第二方面的又一个变更实施方式中，所述隐藏层还包括：归一化层；所述归一化层用于对数据进行白化处理。

本发明第二方面的又一个变更实施方式中，所述隐藏层还包括：修正线性激活函数层；所述修正线性激活函数层用于对特征矩阵进行非线性变换。

本发明第二方面的又一个变更实施方式中，所述隐藏层还包括：舍弃层；所述舍弃层用于按照预设概率对神经元进行置零。

本发明第三方面提供一种终端设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本发明提供的基于卷积神经网络的刀具磨损状态检测方法。

本发明第一方面提供的基于卷积神经网络的刀具磨损状态检测方法，包括：获取预先训练好的基于卷积神经网络构建的刀具磨损状态预测模型；获取在目标刀具的切割过程中采集的传感数据序列，所述传感数据序列包括按时序采集的传感数据；基于所述传感数据序列，利用所述刀具磨损状态预测模型预测所述目标刀具的磨损状态。本发明提供的基于卷积神经网络的刀具磨损状态检测方法，通过基于卷积神经网络构建刀具磨损状态预测模型，并获取在目标刀具的切割过程中采集的传感数据序列，从而可以利用所述刀具磨损状态预测模型和所述传感数据序列预测所述目标刀具的磨损状态，相较于现有技术，不需要提取复杂的时频域特征，可以有效简化数据处理过程，提高效率，同时由于所述传感数据序列是按时序采集的传感数据，因此可以基于内在序列特征实现刀具磨损状态的预测，可以有效提高准确性。

本发明第二方面提供的基于卷积神经网络的刀具磨损状态检测装置、第三方面提供的终端设备，与上述第一方面提供的基于卷积神经网络的刀具磨损状态检测方法出于相同的发明构思，具有相同的有益效果。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施方式所提供的一种基于卷积神经网络的刀具磨损状态检测方法的流程图；

图2示出了本发明实施方式所提供的一种具体的刀具磨损状态预测模型的模型结构示意图，；

图3示出了本发明实施方式所提供的一个具体示例中测试集预测值与测试集真实值的对比示意图；

图4示出了本发明实施方式所提供的一种基于卷积神经网络的刀具磨损状态检测装置的示意图；

图5示出了本发明实施方式所提供的一种终端设备的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要注意的是，除非另有说明，本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

本发明实施方式提供了一种基于卷积神经网络的刀具磨损状态检测方法、装置及终端设备。下面结合附图对本发明的实施例进行说明。

请参考图1，其示出了本发明实施方式所提供的一种基于卷积神经网络的刀具磨损状态检测方法的流程图，所述基于卷积神经网络的刀具磨损状态检测方法包括以下步骤：

步骤S101：获取预先训练好的基于卷积神经网络构建的刀具磨损状态预测模型。

本发明实施例中，需首先获取训练好的刀具磨损状态预测模型，所述刀具磨损状态预测模型可以是基于卷积神经网络构建的卷积神经网络模型，并利用样本数据进行训练并确定模型参数，例如，在本发明实施例提供的一种实施方式中，在本步骤S101之前，还可以包括：

基于卷积神经网络构建刀具磨损状态预测模型；

其中，所述采用样本数据训练所述刀具磨损状态预测模型，确定所述刀具磨损状态预测模型的模型参数，可以包括：

根据分割得到的多个子样本数据构建训练集和测试集；

考虑到，训练的样本量越大，训练得到的刀具磨损状态预测模型的鲁棒性越好，因此，对于初始样本量较小的情形，在本发明实施例提供的一种实施方式中，所述获取样本数据，可以包括：

通过上述实施方式，可以对原始样本数据进行扩充，从而得到大量的样本数据进行训练。

本发明实施例中，所述刀具磨损状态预测模型可以参照现有技术提供的卷积神经网络模型实施构建或在其基础上进行变更后实施，在一个典型的示例中，所述基于卷积神经网络构建的刀具磨损状态预测模型，包括：输入层、输出层和隐藏层；其中，所述隐藏层包括卷积层和池化层；

所述卷积层用于进行特征提取得到特征矩阵；

所述池化层用于缩小特征矩阵。

本发明实施例中，可以将所述样本数据中的传感数据(还可以包括与所述传感数据对应的刀具磨损状态)作为输入层的输入数据，将所述样本数据中的刀具磨损量作为输出层的对比输入数据，从而对所述隐藏层中的参数进行训练，并进而确定所述刀具磨损状态预测模型的模型参数。

其中，卷积层是所述刀具磨损状态预测模型的核心，其可以有多个卷积核(又称特征矩阵)，卷积核以随机小数矩阵的形式初始化，在模型的训练过程中卷积核将学习得到合理的权值。卷积神经网络模型的一大特性在于权值的共享，权值的共享可以减少需要训练的参数，使得训练出来的模型的泛化能力更强。共享卷积核中的特征值带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。

池化(pooling)也叫做子采样，通常有均值子采样(mean pooling)和最大值子采样(max pooling)两种形式。子采样可以看作一种特殊的卷积过程，卷积和子采样可以大幅简化模型复杂度、减少模型的参数。

在本发明实施例提供的一种实施方式中，所述隐藏层还可以包括：归一化层；所述归一化层用于对数据进行白化处理。

归一化层也称为BN(Batch Normalization)层，在神经网络的训练过程中，实际上对输入数据进行了白化处理，达到近似正态分布的效果，然而在输入数据经过神经网络的一层或多层运算之后，数据的分布不再服从正态部分，在隐藏层中加入归一化层，可以在层与层之间加入类似的白化数据的效果，使得网络更为鲁棒，具有防止过拟合、加快模型收敛速度等诸多优点。

在本发明实施例提供的一种实施方式中，假设某一层的输入为X，x_k为X中的元素，则BN算法可以表示为：

其中，y_k即为x_k所对应的BN层的输出，γ和β为神经网络需要训练的参数。

在本发明实施例提供的一种实施方式中，所述隐藏层还可以包括：修正线性激活函数层；所述修正线性激活函数层用于对特征矩阵进行非线性变换。

修正线性激活函数层也称为ReLU(Rectified Linear Units)激活层，修正线性激活函数的函数形式为f(x)＝maxf₀(0,x)。运算时使用该函数对特征矩阵中的所有元素单独进行操作，即：

y_k＝ReLU(x_k)＝maxf₀(0,x_k)

其中，{x_k}为输入，{y_k}为输出，经ReLU转换之后特征矩阵的大小保持不变，ReLU中不含可训练的参数。

ReLU表示对特征矩阵进行非线性变换，因为卷积得到的特征不一定是线性可分的，为了解决这个问题，从而引入ReLU这一非线性因素，解决线性模型所不能解决的问题。

在本发明实施例提供的一种实施方式中，所述隐藏层还可以包括：全连接层；所述全连接层用于连接所有的特征，将输出值送给分类器。最后连接一个tanh激活函数，将网络的输出限制在-1到1之间，防止出现极端的异常值。

在本发明实施例提供的一种实施方式中，所述隐藏层还可以包括：舍弃层；所述舍弃层用于按照预设概率对神经元进行置零。所述舍弃层与全连接层连接，可以指定舍弃参数(即预设概率)，可以防止过拟合。

步骤S102：获取在目标刀具的切割过程中采集的传感数据序列，所述传感数据序列包括按时序采集的传感数据。

本发明实施例中，所述刀具可以为用于铣削、切割的铣刀等，容易理解的是，本步骤中的目标刀具应当与前述实施方式中所述的样本刀具为同种、同型号的刀具，如此，通过样本刀具的样本数据训练得到的刀具磨损状态预测模型才可用于对目标刀具的磨损状态进行准确地预测。

由于目标刀具在切割过程中的磨损状态是不可探知的，在实际生产中也不可能频繁的停机对刀具的磨损状态进行检测，因此，本发明实施例提出了利用刀具在切割过程中的传感数据推测刀具磨损状态的方法，所述传感数据可以是刀具的x、y、z三个方向的受力传感信号、加速度、速度以及声发射数据等中的至少一种，传感数据的种类越多，越有利于提高预测的准确性，上述传感数据可以通过安装于切割设备上的对应的传感器采集而得到，具体实施方式可以参照现有技术提供的技术方案实现，此处不再一一赘述。

此外，本步骤中获取的是在目标刀具的切割过程中采集的传感数据序列，所述传感数据序列包括按时序采集的传感数据，能够反映出刀具随时间推进而磨损的内在序列特征，相较于现有技术中利用提取时频域特征再进行分析的方法，一方面可以简化特征提取步骤、提高效率，另一方面可以有效提高预测结果的准确性。

步骤S103：基于所述传感数据序列，利用所述刀具磨损状态预测模型预测所述目标刀具的磨损状态。

本步骤中，将所述传感数据序列输入到预先训练好的所述刀具磨损状态预测模型中，即可对所述目标刀具的磨损状态进行预测，具体实施时，可以输出对应于所述传感数据序列的刀具磨损量来表征所述目标刀具的磨损状态。

在本发明实施例提供的一个实施方式中，所述基于卷积神经网络的刀具磨损状态检测方法，还可以包括：

判断预测得到的所述目标刀具的磨损状态是否超过预设阈值；

若是，则判断所述目标刀具磨损异常，并发出警示信息。

通过上述实施方式，可以及时对目标刀具的切割过程中的异常状态进行预判和识别，并警示作业人员进行应对。

以上，为本发明实施方式提供的一种述基于卷积神经网络的刀具磨损状态检测方法的示例性说明，本发明提供的基于卷积神经网络的刀具磨损状态检测方法，本发明提供的基于卷积神经网络的刀具磨损状态检测方法，通过基于卷积神经网络构建刀具磨损状态预测模型，并获取在目标刀具的切割过程中采集的传感数据序列，从而可以利用所述刀具磨损状态预测模型和所述传感数据序列预测所述目标刀具的磨损状态，相较于现有技术，不需要提取复杂的时频域特征，可以有效简化数据处理过程，提高效率，同时由于所述传感数据序列是按时序采集的传感数据，因此可以基于内在序列特征实现刀具磨损状态的预测，可以有效提高准确性。

为了便于理解，图2给出了本发明实施方式所提供的一种具体的刀具磨损状态预测模型的模型结构示意图，下面结合图1对图2给出的刀具磨损状态预测模型的模型结构及应用示例进一步说明如下：

图2给出的刀具磨损状态预测模型的模型结构如图所示，此处不再赘述，需要说明的是，图2所示的刀具磨损状态预测模型的模型结构仅为本发明实施例所提供的刀具磨损状态预测模型的一个具体示例，在具体实施时，可以在图2所示的模型结构的基础上灵活变更实施，可以根据实际需求灵活设置各隐藏层(卷积层、池化层、归一化层、ReLU层、全连接层、Droupout层等)的数量及连接关系，从而构建出更多种形式的刀具磨损状态预测模型，其均与本发明实施例的发明构思相同，均应在本发明的保护范围之内。

参照图2，在本发明实施例提供的一个具体的实施方式中，构建并训练刀具磨损状态预测模型包括但不限于以下内容1)至10)：

1)、样本数据获取：本实施方式中，采用某铣刀的全寿命周期数据作为样本数据，该刀具共在相同参数相同条件下铣了315刀，对应315个磨损量。每一刀对应约20s的过程数据，包括3个方向力和3个方向加速度以及声发射数据，采样频率为50KHz，为了对比模型的效果同时便于解释模型，在本具体示例中，只使用x方向力信号作为输入的样本数据，来预测刀具的磨损量。

2)、数据分割：

由于刀具磨损量只测量了315个值，315个样本对于训练模型远远不够，因此为了获取更多的训练数据，首先使用线性插值的方式对每次记录的所有数据获取其磨损量值，即记录的x方向力信号的每个测量值都能对应一个刀具磨损量值，这样处理对于精度会有一定影响，但是在可接受的范围内。然后将x方向力信号的数据分割为长度1024的片段，共得到62382组子样本数据。

将全部数据随机分为训练集和测试集，其中训练集占90％，测试集占10％。在训练模型时，测试集的数据只用来测试模型的效果，不用来更新模型的参数。

本步骤中，通过将一维的时序数据(即样本数据)分割成等长度的一维向量(即子样本数据)，可以实现单次处理少量数据，从而有效减少CPU负荷，提升数据处理效率。

3)、卷积层提取特征：

卷积层可以有多个卷积核(又称特征矩阵)，卷积核以随机小数矩阵的形式初始化，在模型的训练过程中卷积核将学习得到合理的权值。卷积神经网络模型的一大特性在于权值的共享，权值的共享可以减少需要训练的参数，使得训练出来的模型的泛化能力更强。共享卷积核中的特征值带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。

在具体示例中，卷积层C1设有32个特征矩阵，卷积核的大小为8×1。并使用边界外补0的操作使得卷积后的特征矩阵的大小维度与输入矩阵的大小保持一致。C1层共含有256(8×1×32)个可训练的参数。

4)、归一化层防止过拟合：

在神经网络的训练过程中，实际上对输入数据进行了白化处理，达到近似正态分布的效果，然而在输入数据经过神经网络的一层或多层运算之后，数据的分布不再服从正态部分，在隐藏层中加入归一化层，可以在层与层之间加入类似的白化数据的效果，使得网络更为鲁棒，具有防止过拟合、加快模型收敛速度等诸多优点，在具体示例中，可以在模型中的各层都加入BN归一化层。

具体实施时，假设某一层的输入为X，x_k为X中的元素，则BN算法可以表示为：

5)、修正线性激活函数层进行非线性变换：

y_k＝ReLU(x_k)＝maxf₀(0,x_k)

6)、池化层缩小特征矩阵：

在一个具体示例中，池化层，特征矩阵的形状为(？,512)，共含有32个等大的特征矩阵。S2中特征矩阵的每个值对应BN归一化层特征矩阵中相邻2个位置中的最大值。因此S2使用的是一维，大小为2的最大池化操作。对BN层中的特征矩阵进行操作时，各区域是不重叠的，因此池化操作后特征矩阵的大小比BN层缩小一倍，输出为32个大小为(？,512)的特征矩阵。下采样层中不含有可训练的参数。

池化(pooling)也叫做子采样，通常有均值子采样(mean pooling)和最大值子采样(max pooling)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。

7)、采用残差结构加快模型收敛速度：

在一个具体示例中，在所述刀具磨损状态预测模型中引入残差结构，具体的，可以将S2采样层的输出经过大小为2的一维下采样后与另一层S5的输出直接相加，这一操作时两个特征矩阵的大小是一致的，与S5的输出一致，为32个大小为(？,256)的特征矩阵。这一结构的引入有助于加快模型的收敛速度防止梯度消失的优点。

本部分，对每层的输入做一个引入，学习形成残差函数，而不是学习一些没有引入的函数。这种残差函数更容易优化，能使网络层数大大加深，这一结构的引入有助于加快模型的收敛速度防止梯度消失的优点。

8)、全连接层限值输出：

在执行完卷积和池化操作后，卷积神经网络的输出部分连接有两个全连接层，连接所有的特征，将输出值送给分类器。最后连接一个tanh激活函数，将网络的输出限制在-1到1之间，防止出现极端的异常值。

9)、Dropout层舍弃神经元：

全连接引入了一个“dropout”层，参数为0.5，即将D12层中的神经元以0.5的概率置零，防止过拟合，网络的输出为一个0-1之间的值，设为s。

10)、计算损失函数：

本示例中，采用均方差计算损失函数如下：

其中，X为输入，共含有62382个样本，s_i为模型的预测值，为一个长度为1024的向量，

为样本对应的真实标签值，即真实的刀具磨损程度。

本模型随着训练集训练次数(epoch)的增加逐渐降低，学习率降低的方式采用验证集上的误差来衡量，当误差随着训练次数增加不再下降时，则将学习率减少为原来的0.5倍，这样能使得模型更好地收敛到终点。

训练过程中记录学习率、训练集误差、测试集误差等值，并保存每次(epoch)训练后的模型参数，在训练结束后取误差最小的一组参数为最终训练结果，保存得到刀具磨损状态预测模型。

11)、模型训练：

在训练模型时，通过多线程队列批量导入的方式将数据输送到模型，即每次只读取一定数量的文件，然后随机选取其中的部分数据导入卷积神经网络模型进行训练。

图3示出了本发明实施方式提供的一个具体示例中测试集预测值与测试集真实值的对比示意图，可以看出，采用所述刀具磨损状态预测模型对测试集进行预测后，模型在测试集上的预测效果非常好，符合预期，说明采用本发明提供的刀具磨损状态预测模型可以比较准确的对刀具的磨损状态进行预测。

基于上述实施例说明，本发明实施例提供的基于卷积神经网络的刀具磨损状态检测方法，以加工过程的多源传感信息为基础，通过卷积神经网络算法的卷积层提取信息特征、BN归一化保留特征、池化层缩小特征矩阵等，得到具有较强的鲁棒性和信息的顺序精密特征；并进而建立刀具磨损状态预测模型，预测刀具磨损程度、并对加工过程的异常状态进行预判和识别。

在上述的实施例中，提供了一种基于卷积神经网络的刀具磨损状态检测方法，与之相对应的，本发明还提供一种基于卷积神经网络的刀具磨损状态检测装置。请参考图4，其为本发明实施方式所提供的一种基于卷积神经网络的刀具磨损状态检测装置的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

如图4所示，本发明实施例提供的一种基于卷积神经网络的刀具磨损状态检测装置2，包括：

模型获取模块21，用于获取预先训练好的基于卷积神经网络构建的刀具磨损状态预测模型；传感数据获取模块22，用于获取在目标刀具的切割过程中采集的传感数据序列，所述传感数据序列包括按时序采集的传感数据；磨损状态预测模块23，用于基于所述传感数据序列，利用所述刀具磨损状态预测模型预测所述目标刀具的磨损状态。

在本发明实施例提供的一个变更实施方式中，所述基于卷积神经网络的刀具磨损状态检测装置2，还包括：

在本发明实施例提供的另一个变更实施方式中，所述模型训练模块，包括：

在本发明实施例提供的再一个变更实施方式中，所述样本获取单元，包括：

在本发明实施例提供的又一个变更实施方式中，所述模型获取模块21中基于卷积神经网络构建的刀具磨损状态预测模型，包括：输入层、输出层和隐藏层；其中，所述隐藏层包括卷积层和池化层；

所述卷积层用于进行特征提取得到特征矩阵；

所述池化层用于缩小特征矩阵。

在本发明实施例提供的又一个变更实施方式中，所述隐藏层还包括：归一化层；所述归一化层用于对数据进行白化处理。

在本发明实施例提供的又一个变更实施方式中，所述隐藏层还包括：修正线性激活函数层；所述修正线性激活函数层用于对特征矩阵进行非线性变换。

在本发明实施例提供的又一个变更实施方式中，所述隐藏层还包括：舍弃层；所述舍弃层用于按照预设概率对神经元进行置零。

本发明实施例提供的基于卷积神经网络的刀具磨损状态检测装置2，与本发明前述实施例提供的基于卷积神经网络的刀具磨损状态检测方法出于相同的发明构思，具有相同的有益效果。

在上述的实施例中，提供了一种基于卷积神经网络的刀具磨损状态检测方法及装置，与之相对应的，本发明还提供一种终端设备，所述终端设备可以是切割设备，也可以是切割设备内置或外接的控制设备如计算机、服务器、可编程逻辑控制器、单片机、微控制器等，亦可以是独立的数据分析设备等等。请参考图5，图5为本发明实施例提供的一种终端设备的示意图。如图5所示，所述终端设备3包括：处理器30，存储器31，总线32、通信接口33、传感器34、调制解调器35和显示器36，所述处理器30、通信接口33、存储器31、传感器34、调制解调器35和显示器36通过总线32连接；所述存储器31中存储有可在所述处理器30上运行的计算机程序，所述处理器30运行所述计算机程序时执行本发明提供的基于卷积神经网络的刀具磨损状态检测方法。

所述传感器34用于采集目标刀具在切割过程中的传感数据序列，所述显示器36用于显示刀具磨损状态检测结果。

其中，存储器31可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口33(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线32可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器31用于存储程序，所述处理器30在接收到执行指令后，执行所述程序，前述本发明实施例任一实施方式揭示的所述基于卷积神经网络的刀具磨损状态检测方法可以应用于处理器30中，或者由处理器30实现。

处理器30可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器30中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器30可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器31，处理器30读取存储器31中的信息，结合其硬件完成上述方法的步骤。

本发明实施例提供的终端设备与本发明实施例提供的基于卷积神经网络的刀具磨损状态检测方法出于相同的发明构思，具有相同的有益效果。

需要说明的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，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，在本发明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。

所述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims

1.一种基于卷积神经网络的刀具磨损状态检测方法，其特征在于，包括以下步骤：

基于卷积神经网络构建刀具磨损状态预测模型；

采用样本数据训练所述刀具磨损状态预测模型，确定所述刀具磨损状态预测模型的模型参数，得到训练好的刀具磨损状态预测模型；

基于所述传感数据序列，利用所述刀具磨损状态预测模型预测所述目标刀具的磨损状态，

其中，所述采用样本数据训练所述刀具磨损状态预测模型，确定所述刀具磨损状态预测模型的模型参数的步骤，包括：

根据分割得到的多个子样本数据构建训练集和测试集；

2.根据权利要求1所述的基于卷积神经网络的刀具磨损状态检测方法，其特征在于，所述获取样本数据，包括：

3.根据权利要求1所述的基于卷积神经网络的刀具磨损状态检测方法，其特征在于，所述基于卷积神经网络构建的刀具磨损状态预测模型，包括：输入层、输出层和隐藏层；其中，所述隐藏层包括卷积层和池化层；

所述卷积层用于进行特征提取得到特征矩阵；

所述池化层用于缩小特征矩阵。

4.根据权利要求3所述的基于卷积神经网络的刀具磨损状态检测方法，其特征在于，所述隐藏层还包括：归一化层；

所述归一化层用于对数据进行白化处理。

5.根据权利要求3所述的基于卷积神经网络的刀具磨损状态检测方法，其特征在于，所述隐藏层还包括：修正线性激活函数层；

所述修正线性激活函数层用于对特征矩阵进行非线性变换。

6.根据权利要求3所述的基于卷积神经网络的刀具磨损状态检测方法，其特征在于，所述隐藏层还包括：舍弃层；

所述舍弃层用于按照预设概率对神经元进行置零。

7.一种基于卷积神经网络的刀具磨损状态检测装置，其特征在于，包括：

8.一种终端设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1-6任一项所述的基于卷积神经网络的刀具磨损状态检测方法。