CN110428020A - 刀具健康评估模型训练方法、装置及电子设备 - Google Patents

Abstract

本申请提出一种刀具健康评估模型训练方法、装置及电子设备，涉及计算机技术领域，通过获取刀具的工况数据集合的第一训练样本集、刀具的传感器数据集合的第二训练样本集、以及表征刀具在不同时间下健康程度的虚拟健康指标序列，进而由第一训练样本集、第二训练样本集和虚拟健康指标序列对刀具健康评估模型进行训练时，使刀具健康评估模型不仅能学习到刀具的健康状况随时间序列的变化情况，还能够学习到刀具的健康状态与工况状态的关联关系，相比于现有技术，使得刀具健康评估模型在训练完成后用于对刀具的健康状况进行评估时，能够结合刀具的时间序列以及刀具的工况信息综合性地对刀具的健康状况进行评估，提升了刀具健康状况评估的准确度。

Description

刀具健康评估模型训练方法、装置及电子设备

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种刀具健康评估模型训练方法、装置及电子设备。

背景技术

在切削加工作业中，刀具的健康状况(即磨耗程度)是影响加工工件质量的关键因子，刀具失效可能会造成工件表面粗糙度和尺寸精度下降，或造成更严重的工件报废甚至是机床受损；若采用过渡的保护策略则有可能造成刀具剩余寿命的浪费以及一些不必要的换刀停机时间浪费；因此，刀具的健康状态是切削加工作业中主要关注的对象，精准预测刀具的剩余寿命，能够有效地优化作业排程以及降低作业成本。

当前针对刀具健康状态的评估模型大多是基于数据驱动的健康模型，其基本的思路是假定刀具处于相同的工况下，基于时间序列，计算新数据距离健康数据的偏移程度，从而估算刀具的健康状况。

但在实际的切削加工作业中，由于刀具可能在不同的工况下作业，且在不同的工况下，走刀路径、主轴负载等参数是不尽相同的，导致当前针对刀具在不同工况下的健康状况评估效果较差。

发明内容

本申请的目的在于提供一种刀具健康评估模型训练方法、装置及电子设备，能够提升刀具健康状况评估的准确度。

为了实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供一种刀具健康评估模型训练方法，所述方法包括：

分别获取第一训练样本集、第二训练样本集和虚拟健康指标序列；

其中，所述第一训练样本集中包含的每一训练样本数据均为刀具的工况数据，且所述第一训练样本集中的每一训练样本数据均对应有样本类别；所述第二训练样本集中包含的每一训练样本数据均为刀具的传感器数据；所述虚拟健康指标序列表征刀具在不同时间下的健康程度；

基于所述第一训练样本集、所述第二训练样本集和所述虚拟健康指标序列，训练所述刀具健康评估模型。

第二方面，本申请实施例提供一种刀具健康评估模型训练装置，所述装置包括：

预处理模块，用于分别获取第一训练样本集、第二训练样本集和虚拟健康指标序列；

其中，所述第一训练样本集中包含的每一训练样本数据均为刀具的工况数据，且所述第一训练样本集中的每一训练样本数据均对应有样本类别；所述第二训练样本集中包含的每一训练样本数据均为刀具的传感器数据；所述虚拟健康指标序列表征刀具在不同时间下的健康程度；

训练模块，用于基于所述第一训练样本集、所述第二训练样本集和所述虚拟健康指标序列，训练所述刀具健康评估模型。

第三方面，本申请实施例提供一种电子设备，所述电子设备包括存储器，用于存储一个或多个程序；处理器。当所述一个或多个程序被所述处理器执行时，实现上述的刀具健康评估模型训练方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的刀具健康评估模型训练方法。

本申请实施例提供的一种刀具健康评估模型训练方法、装置及电子设备，通过获取刀具的工况数据集合的第一训练样本集、刀具的传感器数据集合的第二训练样本集、以及表征刀具在不同时间下健康程度的虚拟健康指标序列，进而由第一训练样本集、第二训练样本集和虚拟健康指标序列对刀具健康评估模型进行训练时，使刀具健康评估模型不仅能学习到刀具的健康状况随时间序列的变化情况，还能够学习到刀具的健康状态与工况状态的关联关系，相比于现有技术，使得刀具健康评估模型在训练完成后用于对刀具的健康状况进行评估时，能够结合刀具的时间序列以及刀具的工况信息综合性地对刀具的健康状况进行评估，提升了刀具健康状况评估的准确度。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本申请实施例提供的电子设备的一种示意性结构框图；

图2为本申请实施例提供的刀具健康评估模型训练方法的一种示意性流程图；

图3为图2中S201的子步骤的一种示意性流程图；

图4为图3中S201-1的子步骤的一种示意性流程图；

图5为图2中S201的子步骤的另一种示意性流程图；

图6为图2中S203的子步骤的一种示意性流程图；

图7为本申请实施例提供的刀具健康评估模型训练装置的一种示意性结构图。

图中：100-电子设备；101-存储器；102-处理器；103-通信接口；300-刀具健康评估模型训练装置；301-预处理模块；302-训练模块。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

如上所述，由于当前针对刀具健康状态的评估模型大多是技术数据驱动的健康模型，评估模型学习的是刀具的健康状况随时间变化的趋势，从而导致当前的评估模型在对不同工况下工作的刀具进行健康状况评估时的效果较差。

发明人在实际的工作中，对当前的评估模型进行分析后发现，出现上述现象的原因在于：当前针对刀具健康评估模型的训练方法中，用于对刀具健康评估模型进行训练的数据未考虑各个刀具不同的作业环境，比如作业强度、走刀路径、主轴负载等参数，而是假定刀具在同一种工作状况下，根据刀具距离健康数据的偏移程度与时间序列的对应关系，对刀具健康评估模型进行训练，从而导致刀具健康评估模型仅能够学习到刀具健康状况与时间序列的关系，而无法学习到刀具健康状况与刀具工况信息之间的关系。

因此，基于上述缺陷，本申请实施例提供的一种可能的实现方式为：获取刀具的工况数据、以及刀具的传感器数据，并结合表征随时间序列变化的健康程度的虚拟健康指标序列对刀具健康评估模型进行训练，使刀具健康评估模型不仅能学习到刀具的健康状况随时间序列的变化情况，还能够学习到刀具的健康状态与工况状态的关联关系。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1为本申请实施例提供的电子设备100的一种示意性结构框图，该电子设备100可作为刀具健康评估模型、以实现本申请实施例提供的刀具健康评估模型训练方法的设备，比如但手机、个人电脑(personal computer，PC)、平板电脑、膝上型便携计算机等等。

电子设备100包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

存储器101可用于存储软件程序及模块，如本申请实施例提供的刀具健康评估模型训练装置300对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，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。

可以理解，图1所示的结构仅为示意，电子设备100还可以包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

下面以图1所示的电子设备100作为执行主体，对本申请实施例提供的一种刀具健康评估模型训练方法进行示意性说明。

请参阅图2，图2为本申请实施例提供的刀具健康评估模型训练方法的一种示意性流程图，包括以下步骤：

S201，分别获取第一训练样本集、第二训练样本集和虚拟健康指标序列；

S203，基于第一训练样本集、第二训练样本集和虚拟健康指标序列，训练刀具健康评估模型。

在本申请实施例中，用于训练刀具健康评估模型的数据包括有第一训练样本集、第二训练样本集和虚拟健康指标序列。

其中，第一训练样本集中包含的每一训练样本数据均为刀具的工况数据，刀具的工况数据表征刀具在不同工况下的位移信息，即刀具在不同工况下xyz三个方向上各自的位移量。

该第一训练样本集中的每一训练样本数据均对应有样本类别，每一训练样本数据对应的样本类别用于表征该训练样本数据所属的工况状态；即：若第一训练样本集中两个不同的训练样本数据各自对应有不同的样本类别，则这两个不同的训练样本数据属于不同工况状态下的数据。

另外，第二训练样本集中包含的每一训练样本数据均为刀具的传感器数据，刀具的传感器数据表征刀具在不同工况下测得的电流电压值，即刀具在不同工况下的电流电流情况。

并且，虚拟健康指标序列表征刀具在不同时间下的健康程度，即刀具的健康状况随时间序列的变化情况。

由此，本申请实施例基于获取的第一训练样本集、第二训练样本集和虚拟健康指标序列，训练该刀具健康评估模型，从而使刀具健康评估模型在被训练时，不仅能学习到刀具健康状况随时间序列的变化情况，还能够学习到刀具健康状态与工况信息之间的关联关系，从而使刀具健康评估模型在被训练完成后用于对刀具的健康状况进行评估时，不仅仅是结合刀具的时间序列对刀具的健康状况进行评估，并且还结合刀具的工况信息对刀具的健康状况进行评估。

可见，基于上述设计，本申请实施例提供的一种刀具健康评估模型训练方法，通过获取刀具的工况数据集合的第一训练样本集、刀具的传感器数据集合的第二训练样本集、以及表征刀具在不同时间下健康程度的虚拟健康指标序列，进而由第一训练样本集、第二训练样本集和虚拟健康指标序列对刀具健康评估模型进行训练时，使刀具健康评估模型不仅能学习到刀具的健康状况随时间序列的变化情况，还能够学习到刀具的健康状态与工况状态的关联关系，相比于现有技术，使得刀具健康评估模型在训练完成后用于对刀具的健康状况进行评估时，能够结合刀具的时间序列以及刀具的工况信息综合性地对刀具的健康状况进行评估，提升了刀具健康状况评估的准确度。

可选地，在一些应用场景中，电子设备100获取第一训练样本集、第二训练样本集和虚拟健康指标序列的方式，可以是接收其他外部设备的输入；而在另外一些可能的应用场景中，电子设备100获取第一训练样本集、第二训练样本集和虚拟健康指标序列的方式，也可以是电子设备100自行对不同的工况数据、传感器数据以及刀具在不同时间下的健康程度数据进行预处理后获得。

示例性地，请参阅图3，图3为图2中S201的子步骤的一种示意性流程图，作为一种可能的实现方式，在获取第一训练样本集时，可以包括以下子步骤：

S201-1，将刀具的多个工况数据分类为多个不同类别的训练样本数据；

S201-2，为每一工况数据分别添加各自对应的样本标签，得到第一训练样本集。

在一些应用场景中，工况数据的类别一般与刀具的工作模式有关，不同工作模式下产生的工况数据一般具有不同的特征；因此，在本申请实施例中，可以采用例如Kmeans(k-means clustering algorithm，K均值聚类算法)等聚类算法，将刀具的多个工况数据分类为多个不同类别的训练样本数据；然后根据聚类分析的结果，将每一工况数据各自所属的样本类别作为样本标签，为每一工况数据分别添加各自对应的样本标签，从而由所有添加了样本标签的工况数据集合为该第一训练样本集。

其中，值得说明的是，在执行S201-1之前，可以先提出刀具数据中的非工作状态数据，比如在xyz三个方向中任一方法数值为0的数据，从而使集合为第一训练样本集的所有数据均为有效的训练数据。

另外，为确保第一训练样本集中的数据量能够使刀具健康评估模型有足够量的数据进行学习，示意性地，请参阅图4，图4为图3中S201-1的子步骤的一种示意性流程图，包括以下子步骤：

S201-1a，提取刀具的每一工况数据的频域特征、时域特征及刀具位移特征中的至少之一作为训练样本数据，得到刀具的中间样本集；

S201-1c，将中间样本集中包含的训练样本数据聚类为多个不同类别的样本子集。

在本申请实施例中，可以基于频域分析的方法，提取刀具的每一工况数据的频域特征、时域特征及刀具位移特征中的至少之一作为训练样本数据，得到刀具的中间样本集。

另外，为使第一训练样本集中包含的数据量最大化，作为一种可能的实现方式，可以提取刀具的每一工况数据的频域特征、时域特征和刀具位移特征，集合后作为刀具的中间样本集。

由此，根据得到的刀具的中间样本集，采用上述例如Kmeans等聚类算法，将中间样本集中包含的训练数据聚类为多个不同类别的样本子集；且在执行S201-2时，为中间样本集中的每一训练样本数据分别添加各自对应的样本标签，从而得到第一训练样本集。

其中，为避免刀具健康评估模型在被训练时，识别到的工况信息较少，作为一种可能可能的实现方式，通过聚类得到的样本子集的数量不低于设定数值。

可见，基于上述设计，本申请实施例提供的一种刀具健康评估模型训练方法，通过提取刀具的每一工况数据的频域特征、时域特征及刀具位移特征中的至少之一作为训练样本数据的方式，尽可能多的扩充第一训练样本集的数据量，并将第一训练样本集聚类为数量不少于设定数值的样本子集，能够使刀具健康评估模型被训练时，学习到足够多的工况信息与刀具健康状况的关联关系。

值得说明的是，在一些应用场景中，若工况数据的数据量足够多，且由S201-1a得到的中间样本集包含的数据量也足够多，则在执行S201-1c聚类时，能够得到的样本子集的数量也可能会满足训练的需要。

但在其他一些可能的应用场景中，若工况数据的数据量不够多，或者是在剔除非工作状态数据后，剩余的工况数据的数据量不够多，则聚类得到的样本子集的数量可能满足不了训练的需求。

因此，作为一种可能的实现方式，在执行S201-1c之前，该刀具健康评估模型训练方法还包括以下步骤：

S201-1b，接收用户输入的设定数值。

在本申请实施例中，可以采用接收用户输入的设定数值的方式，对样本子集的数量进行限定，使得在执行S201-1b时，能够确保聚类得到的样本子集的数量满足训练的要求。

另外，示例性地，请参阅图5，图5为图2中S201的子步骤的另一种示意性流程图，作为一种可能的实现方式，在获取第二训练样本集时，可以包括以下子步骤：

S201-4，利用滑动平均算法将刀具的多个传感器数据中的异常点数据进行剔除；

S201-5，提取多个传感器数据中剩余其他数据的频域特征和/或时域特征作为训练样本数据，得到第二训练样本集。

在本申请实施例中，为保留传感器数据波形的原始形状，可以采用滑动平均算法将传感器数据中的异常点数据剔除。

其中，执行滑动平均算法剔除异常点数据时，可以选取滑动窗口中的10％和90％分位数作为窗口的最小值和最大值再取滑动平均，以去掉滑动窗口中过小和过大的异常值。

比如，示例性地：假定滑动窗口数值组为[1,2,3,4,80,22,10,12,13,14]，分位数窗口大小为10，滑动平均窗口为3，则10％和90％分位数的值分别为2和22，小于2的数值则被2代替，大于22的数值则被22代替；因此，该滑动窗口数值组更新为[2,2,3,4,22,22,10,12,13,14]，然后再以窗口大小3进行滑动平均，得到的数值则为[2,7/3,3,29/3,16,18,44/3,35/3,13,14]，取整数得到的结果为[2,2,3,9,16,18,14,11,13,14]，剔除了数值组中明显异常的值，且更加平滑，适于分析。

可见，采用上述的滑动平均算法，在利用滑动窗口的中值作为均值、滑动窗口的分位数作为标准差的基础上得到滑动平均算法的置信区间，从而剔除传感器数据中的异常点数据，能够保留传感器数据波形的原始形状。

由此，采用滑动平均算法将传感器数据中的异常点数据去除后，为使训练刀具健康评估模型的传感器数据的数据量足够多，同样提取该多个传感器数据中剩余其他数据的频域特征和/或时域特征作为训练样本数据，得到第二训练样本集；其中，具体提取多个传感器数据中剩余其他数据的频域特征和/或时域特征视具体的应用场景或者是用户指定的需求而定，比如在一些应用场景中，可以仅提取多个传感器数据中剩余其他数据频域特征或者是时域特征，作为训练样本数据，从而得到第二训练样本集；而在一些其他的应用场景中，还可以是提取多个传感器数据中剩余其他数据的频域特征和时域特征，作为训练样本数据，从而得到第二训练样本集。

在一些应用场景中，提取频域特征和/或时域特征得到的第二训练样本集中，尽管提取的传感器数据为剔除了异常点数据的传感器数据，但得到的第二训练样本集中包含的数据的单调性可能较差，影响刀具健康评估模型的训练效果。

因此，作为一种可能的实现方式，在执行S201-5之后，该刀具健康评估模型训练方法还可以包括以下步骤：

S201-6，剔除第二训练样本集中特征熵不满足设定条件的数据，以更新第二训练样本集。

在本申请实施例中，以第二训练样本集包含的训练样本数据对应的信息熵和/或二阶排列熵作为特征熵，以设定的条件作为标准，将第二训练样本集中特征熵不满足设定条件的数据进行剔除，从而更新第二训练样本集。

比如，假定该设定的条件为小于设定阈值，则将第二训练样本集中特征熵大于或等于该设定阈值的训练样本数据进行剔除，从而将剩余的其他训练样本数据作为新的第二训练样本数据。

其中，值得说明的是，在更新第二训练样本集时，使用第二训练样本集中包含的训练样本数据对应的信息熵和/或二阶排列熵，取决于具体的应用场景而定，比如若该设定条件限定的是信息熵，则可以使用第二训练样本集中训练样本数据对应的信息熵作为特征熵；或者是若该设定条件限定的是二阶排列熵，则可以使用第二训练样本集中训练样本数据对应的二阶排列熵作为特征熵；或者是在其他一些可能的应用场景中，若该设定条件即限定了信息熵，又限定了二阶排列熵，则需要使用第二训练样本集中训练样本数据对应的信息熵和二阶排列熵作为特征熵。

另外，示例性地，对于S201中获取的虚拟健康指标序列，作为一种可能的实现方式，可以采用接收表征刀具在不同时间下健康程度的时间特征序列，并归一化该接收的时间特征序列的方案，得到该虚拟健康指标序列。

在本申请实施例中，为提高刀具健康状况评估的可靠性，作为一种可能的实现方式，该刀具健康评估模型包括多个子评估模型。

示例性地，在前述实施例的基础上，请参阅图6，图6为图2中S203的子步骤的一种示意性流程图，包括以下子步骤：

S203-1，基于第一训练样本集、第二训练样本集和虚拟健康指标序列，对每一子评估模型进行训练；

S203-2，采用交叉验证，分别确定每一子评估模型各自的加权系数。

本申请实施例中，基于获取的第一训练样本集、第二训练样本集和虚拟健康指标序列，对该刀具健康评估模型包括的多个子评估模型均进行训练；并且在训练结束后，采用交叉验证的方式，分别为每一子评估模型确定各自的加权系统，从而使该刀具健康评估模型在评估刀具的健康状况时，由每一子评估模型均给出各自的健康评估状况，并结合每一子评估模型各自对应的加权系数，加权后得到刀具最终的健康评估状况。

可见，基于上述设计，本申请实施例提供的一种刀具健康评估模型训练方法，通过将获取的第一训练样本集、第二训练样本集和虚拟健康指标序列分别对刀具健康评估模型包含的多个子评估模型进行训练，并在训练结束后，采用交叉验证的方式，分别确定每一子评估模型各自的加权系数，从而使训练完成后的刀具健康评估模型在对刀具的健康状况进行评估时，能够根据每一子评估模型各自给出的健康评估状况，以及每一子评估模型各自对应的加权系数，加权后得到刀具最终的健康评估状况，提升刀具评估的可靠性。

基于与本申请实施例提供的上述刀具健康评估模型训练方法相同的发明构思，请参阅图7，图7为本申请实施例提供的刀具健康评估模型训练装置300的一种示意性结构图，该刀具健康评估模型训练装置300包括预处理模块301及训练模块302。

预处理模块301用于分别获取第一训练样本集、第二训练样本集和虚拟健康指标序列；

其中，第一训练样本集中包含的每一训练样本数据均为刀具的工况数据，且第一训练样本集中的每一训练样本数据均对应有样本类别；第二训练样本集中包含的每一训练样本数据均为刀具的传感器数据；虚拟健康指标序列表征刀具在不同时间下的健康程度；

训练模块302用于基于第一训练样本集、第二训练样本集和虚拟健康指标序列，训练刀具健康评估模型。

可选地，作为一种可能的实现方式，预处理模块301在获取第一训练样本集时，具体用于：

将刀具的多个工况数据分类为多个不同类别的训练样本数据；

为每一工况数据分别添加各自对应的样本标签，得到第一训练样本集，其中，每一工况数据各自添加的对应的样本标签用于表征每一工况数据各自所属的样本类别。

可选地，作为一种可能的实现方式，预处理模块301在将刀具的多个工况数据分类为多个不同类别的训练样本数据时，具体用于：

提取刀具的每一工况数据的频域特征、时域特征及刀具位移特征中的至少之一作为训练样本数据，得到刀具的中间样本集；

将中间样本集中包含的训练样本数据聚类为多个不同类别的样本子集，其中，样本子集的数量不低于设定数值；

为每一工况数据分别添加各自对应的样本标签，得到第一训练样本集的步骤，包括：

为每一训练样本数据分别添加各自对应的样本标签，得到第一训练样本集。

可选地，作为一种可能的实现方式，预处理模块301在将中间样本集中包含的训练样本数据聚类为多个不同类别的样本子集之前，还用于：

接收用户输入的设定数值。

可选地，作为一种可能的实现方式，预处理模块301在获取第二训练样本集时，具体用于：

利用滑动平均算法将刀具的多个传感器数据中的异常点数据进行剔除，其中，滑动平均算法中的置信区间由滑动窗口的中值作为均值、滑动窗口的分位数作为标准差计算获得；

提取多个传感器数据中剩余其他数据的频域特征和/或时域特征作为训练样本数据，得到第二训练样本集。

可选地，作为一种可能的实现方式，在提取多个传感器数据中剩余其他数据的频域特征和/或时域特征作为训练样本数据，得到第二训练样本集的之后，预处理模块301还用于：

剔除第二训练样本集中特征熵不满足设定条件的数据，以更新第二训练样本集，其中，特征熵为第二训练样本集包含的训练样本数据对应的信息熵和/或二阶排列熵。

可选地，作为一种可能的实现方式，预处理模块301在获取虚拟健康指标序列时，具体用于：

归一化接收的时间特征序列，得到虚拟健康指标序列，其中，时间特征序列表征刀具在不同时间下的健康程度。

可选地，作为一种可能的实现方式，刀具健康评估模型包括多个子评估模型；

训练模块302在基于第一训练样本集、第二训练样本集和虚拟健康指标序列，训练刀具健康评估模型时，具体用于：

基于第一训练样本集、第二训练样本集和虚拟健康指标序列，对每一子评估模型进行训练；

采用交叉验证，分别确定每一子评估模型各自的加权系数。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也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，附图中的流程图和框图显示了根据本申请实施例的装置、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方式中，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。

另外，在本申请实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本申请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)执行本申请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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请实施例提供的一种刀具健康评估模型训练方法、装置及电子设备，通过获取刀具的工况数据集合的第一训练样本集、刀具的传感器数据集合的第二训练样本集、以及表征刀具在不同时间下健康程度的虚拟健康指标序列，进而由第一训练样本集、第二训练样本集和虚拟健康指标序列对刀具健康评估模型进行训练时，使刀具健康评估模型不仅能学习到刀具的健康状况随时间序列的变化情况，还能够学习到刀具的健康状态与工况状态的关联关系，相比于现有技术，使得刀具健康评估模型在训练完成后用于对刀具的健康状况进行评估时，能够结合刀具的时间序列以及刀具的工况信息综合性地对刀具的健康状况进行评估，提升了刀具健康状况评估的准确度。

并且，还通过提取刀具的每一工况数据的频域特征、时域特征及刀具位移特征中的至少之一作为训练样本数据的方式，尽可能多的扩充第一训练样本集的数据量，并将第一训练样本集聚类为数量不少于设定数值的样本子集，能够使刀具健康评估模型被训练时，学习到足够多的工况信息与刀具健康状况的关联关系。

并且，通过将获取的第一训练样本集、第二训练样本集和虚拟健康指标序列分别对刀具健康评估模型包含的多个子评估模型进行训练，并在训练结束后，采用交叉验证的方式，分别确定每一子评估模型各自的加权系数，从而使训练完成后的刀具健康评估模型在对刀具的健康状况进行评估时，能够根据每一子评估模型各自给出的健康评估状况，以及每一子评估模型各自对应的加权系数，加权后得到刀具最终的健康评估状况，提升刀具评估的可靠性。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种刀具健康评估模型训练方法，其特征在于，所述方法包括：

分别获取第一训练样本集、第二训练样本集和虚拟健康指标序列；

其中，所述第一训练样本集中包含的每一训练样本数据均为刀具的工况数据，且所述第一训练样本集中的每一训练样本数据均对应有样本类别；所述第二训练样本集中包含的每一训练样本数据均为刀具的传感器数据；所述虚拟健康指标序列表征刀具在不同时间下的健康程度；

基于所述第一训练样本集、所述第二训练样本集和所述虚拟健康指标序列，训练所述刀具健康评估模型。

2.如权利要求1所述的方法，其特征在于，获取第一训练样本集的步骤包括：

将刀具的多个工况数据分类为多个不同类别的训练样本数据；

为每一所述工况数据分别添加各自对应的样本标签，得到所述第一训练样本集，其中，每一所述工况数据各自添加的对应的样本标签用于表征每一工况数据各自所属的样本类别。

3.如权利要求2所述的方法，其特征在于，将刀具的多个工况数据分类为多个不同类别的训练样本数据的步骤，包括：

提取刀具的每一所述工况数据的频域特征、时域特征及刀具位移特征中的至少之一作为训练样本数据，得到刀具的中间样本集；

将所述中间样本集中包含的训练样本数据聚类为多个不同类别的样本子集，其中，所述样本子集的数量不低于设定数值；

为每一所述工况数据分别添加各自对应的样本标签，得到所述第一训练样本集的步骤，包括：

为每一所述训练样本数据分别添加各自对应的样本标签，得到所述第一训练样本集。

4.如权利要求3所述的方法，其特征在于，将所述中间样本集中包含的训练样本数据聚类为多个不同类别的样本子集的步骤之前，所述方法还包括：

接收用户输入的所述设定数值。

5.如权利要求1所述的方法，其特征在于，获取第二训练样本集的步骤，包括：

利用滑动平均算法将刀具的多个传感器数据中的异常点数据进行剔除，其中，所述滑动平均算法中的置信区间由滑动窗口的中值作为均值、所述滑动窗口的分位数作为标准差计算获得；

提取所述多个传感器数据中剩余其他数据的频域特征和/或时域特征作为训练样本数据，得到所述第二训练样本集。

6.如权利要求5所述的方法，其特征在于，在提取所述多个传感器数据中剩余其他数据的频域特征和/或时域特征作为训练样本数据，得到所述第二训练样本集的步骤之后，所述方法还包括：

剔除所述第二训练样本集中特征熵不满足设定条件的数据，以更新所述第二训练样本集，其中，所述特征熵为所述第二训练样本集包含的训练样本数据对应的信息熵和/或二阶排列熵。

7.如权利要求1所述的方法，其特征在于，获取虚拟健康指标序列的步骤，包括：

归一化接收的时间特征序列，得到所述虚拟健康指标序列，其中，所述时间特征序列表征刀具在不同时间下的健康程度。

8.如权利要求1所述的方法，其特征在于，所述刀具健康评估模型包括多个子评估模型；

基于所述第一训练样本集、所述第二训练样本集和所述虚拟健康指标序列，训练所述刀具健康评估模型的步骤，包括：

基于所述第一训练样本集、所述第二训练样本集和所述虚拟健康指标序列，对每一所述子评估模型进行训练；

采用交叉验证，分别确定每一所述子评估模型各自的加权系数。

9.一种刀具健康评估模型训练装置，其特征在于，所述装置包括：

预处理模块，用于分别获取第一训练样本集、第二训练样本集和虚拟健康指标序列；

其中，所述第一训练样本集中包含的每一训练样本数据均为刀具的工况数据，且所述第一训练样本集中的每一训练样本数据均对应有样本类别；所述第二训练样本集中包含的每一训练样本数据均为刀具的传感器数据；所述虚拟健康指标序列表征刀具在不同时间下的健康程度；

训练模块，用于基于所述第一训练样本集、所述第二训练样本集和所述虚拟健康指标序列，训练所述刀具健康评估模型。

10.一种电子设备，其特征在于，包括：

存储器，用于存储一个或多个程序；

处理器；

当所述一个或多个程序被所述处理器执行时，实现如权利要求1-8中任一项所述的方法。