CN111948976B - 刀具状态监控方法、非易失性可读存储介质及电子设备 - Google Patents

Abstract

本发明涉及数控机床技术领域，具体涉及一种刀具状态监控方法、非易失性可读存储介质及电子设备。刀具状态监控方法包括：获取刀具加工目标工件时的目标加工曲线及预设标准曲线；根据目标加工曲线及标准曲线，计算目标相似曲线，目标相似曲线包括用于指示目标加工曲线与标准曲线之间相似程度的若干相似度；根据每个相似度及预设分界线，监控刀具的刀具状态。区别于传统技术，由于本方法全局考虑目标加工曲线及标准曲线之间的相似程度，根据相似结果监控刀具，一方面，其能够快速及时地监控刀具状态，另一方面，其还能够提高监控精准性和监控效果。

Description

刀具状态监控方法、非易失性可读存储介质及电子设备

技术领域

本发明涉及数控机床技术领域，具体涉及一种刀具状态监控方法、非易失性可读存储介质及电子设备。

背景技术

数控机床使用刀具加工物料的过程，刀具经常出现断刀或缺刀等状态，若操作人员未能够及时对数控机床采取相应措施，后续产品报废风险增加，浪费加工时间。

传统技术针对刀具在加工过程中出现的各类刀具状态，为每类刀具状态配置固定分界，根据每类刀具状态的固定分界，监控刀具的刀具状态，若刀具状态为异常状态，数控机床产生报警信息。

然而，由于加工环境比较复杂，不同物料之间差异性比较明显，若使用固定边界监控刀具的刀具状态，监控效果比较差，容易频繁出现误报警现象，极大影响加工效率。

发明内容

本发明实施例的一个目的旨在提供一种刀具状态监控方法、非易失性可读存储介质及电子设备，其监控效果比较好。

在第一方面，本发明实施例提供一种刀具状态监控方法，包括：

获取所述刀具加工目标工件时的目标加工曲线及预设标准曲线；

根据所述目标加工曲线及所述标准曲线，计算目标相似曲线，所述目标相似曲线包括用于指示所述目标加工曲线与所述标准曲线之间相似程度的若干相似度；

根据每个所述相似度及预设分界线，监控所述刀具的刀具状态。

在第二方面，本发明实施例提供一种刀具状态监控装置，包括：

曲线获取模块，用于获取所述刀具加工目标工件时的目标加工曲线及预设标准曲线；

相似度计算模块，用于根据所述目标加工曲线及所述标准曲线，计算目标相似曲线，所述目标相似曲线包括用于指示所述目标加工曲线与所述标准曲线之间相似程度的若干相似度；

监控模块，用于根据每个所述相似度及预设分界线，监控所述刀具的刀具状态。

在第三方面，一种非易失性可读存储介质，所述非易失性可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使电子设备执行任一项所述的刀具状态监控方法。

在第四方面，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使电子设备执行上述刀具状态监控方法。

在第五方面，本发明实施例提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的刀具状态监控方法。

本发明与现有技术相比至少具有以下有益效果：在本发明实施例提供的刀具状态监控方法，首先，获取刀具加工目标工件时的目标加工曲线及预设标准曲线。其次，根据目标加工曲线及标准曲线，计算目标相似曲线，目标相似曲线包括用于指示目标加工曲线与标准曲线之间相似程度的若干相似度。最后，根据每个相似度及预设分界线，监控刀具的刀具状态。区别于传统技术，由于本方法全局考虑目标加工曲线及标准曲线之间的相似程度，根据相似结果监控刀具，一方面，其能够快速及时地监控刀具状态，另一方面，其还能够提高监控精准性和监控效果。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1a是本发明实施例提供的一种刀具监控系统的结构示意图；

图1b是图1a中数控机床与本地监控组件之间的架构示意图；

图2是本发明实施例提供的刀具状态监控方法的流程示意图；

图3a是采用本发明实施例提供的刀具状态监控方法监控工件的加工信号波形图；

图3b是图3a中功率区域31的放大波形图；

图4a及图4b是本发明实施例提供的刀具出现断刀的加工信号波形图；

图4c及图4d是本发明实施例提供的出现功率漂移时且出现断刀时的加工信号波形图；

图5a是本发明实施例提供的一种刀具状态监控装置的结构示意图；

图5b是本发明另一实施例提供的一种刀具状态监控装置的结构示意图；

图6是本发明实施例提供的一种电子设备的电路结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。

需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。再者，本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定，仅是对功能和作用基本相同的相同项或相似项进行区分。

本发明实施例提供一种刀具监控系统。请参阅图1a，刀具监控系统100包括数控机床11及本地监控组件12。

数控机床11用于加工工件，其可以对工件实施铣削、钻削、铰削、镗削、攻丝或车削等加工方式。

在一些实施例中，数控机床11包括任意合适类型机床，例如立式数控机床或卧式数控机床。

本地监控组件12用于监控数控机床11加工工件时的加工信号，例如，本地监控组件12可采集与数控机床11主轴工作的相关信号作为加工信号，其中，主轴用于带动刀具实施加工作业。相关信号包括用于驱动主控工作的电流信号、电压信号、转矩、电机转差率或功率信号等等。

再例如，本地监控组件12还可采集数控机床11加工工件时产生的关联信号作为加工信号，关联信号包括加工区域所产生的振动信号或声音信号等等。

可以理解的是，本领域技术人员可以根据具体业务需求所需的加工信号，自行配置本地监控组件12的硬件架构及软件设计，在此并不限制本地监控组件12的具体构成，例如，若配置加工信号为功率信号，本地监控组件12可以被配置有电流传感器与电压传感器。若配置加工信号为振动信号，本地监控组件12可以被配置有振动传感器，振动传感器可安装在加工区域。

在本实施例中，本地监控组件12根据加工信号，监控数控机床11中刀具的刀具状态。一般的，刀具在加工工件过程中，容易出现断刀或缺刀等现象，如前所述，若操作人员未能够及时对数控机床采取相应措施，后续产品报废风险增加，浪费加工时间。因此，本实施例提供的本地监控组件12能够监控刀具的刀具状态，当刀具处于异常状态时，例如出现断刀现象，本地监控组件12产生报警信息，并控制数控机床11停止工作，为了避免上述问题出现。

可以理解，本实施例涉及的数控机床11或本地监控组件12可被配置成任意合适架构。

参阅图1b，数控机床11包括PLC控制器111(Programmable Logic Controller，可编程逻辑控制器)、驱动器112及主轴电机113。PLC控制器111与驱动器112连接，用于产生控制指令，控制驱动器112工作。驱动器112与主轴电机113连接，用于根据控制指令，驱动主轴电机113工作，主轴电机113进而带动刀具转动。

本地监控组件12包括霍尔传感器121、功率采集器122及主机123。霍尔传感器121与功率采集器122连接，用于采集流经主轴电机113的电流或电压，功率采集器122根据采集的电流或电压，计算功率信号。主机123与功率采集器122连接，用于根据功率信号，监控刀具的刀具状态，其中，功率信号可作为加工信号。

主机123采用下文涉及的刀具状态监控方法，当监控到刀具处于异常状态时，主机123产生报警信息，通过功率采集器122发送至PLC控制器111，PLC控制器111根据报警信息，控制驱动器112停止驱动主轴电机113，于是，主轴电机113停止带动刀具工作。

为此，本发明实施例提供一种刀具状态监控方法。请参阅图2，刀具状态监控方法S200包括：

S21、获取刀具加工目标工件时的目标加工曲线及预设标准曲线；

在本实施例中，目标工件为刀具需加工的工件，不同加工时间对应不同目标工件，亦即，处于不同加工时间的工件皆可作为目标工件。

目标加工曲线包括若干加工信号，加工信号为加工目标工件时所产生的信号，例如，驱动主轴带动刀具加工目标工件的信号作为加工信号，加工信号包括电流信号、电压信号、转矩或功率信号。再例如，主轴带动刀具加工目标工件时所产生的振动信号或声音信号，振动信号或声音信号作为加工信号。

在本实施例中，数控机床安装用于采集加工信号的传感器。数控机床驱动刀具加工目标工件时，通过传感器连续采集目标工件加工过程中不同时刻的加工信号，并将全部时刻的加工信号组合成目标加工曲线。

预设标准曲线为刀具处于正常状态下加工工件时的加工曲线，在监控刀具的刀具状态之前，标准曲线可被预先配置在主机中，后续需要监控刀具的刀具状态时，主机可随时调用标准曲线。

同理可得，标准曲线包括若干基准加工信号，基准加工信号为刀具处于正常状态下加工工件时所产生的信号。

S22、根据目标加工曲线及标准曲线，计算目标相似曲线，目标相似曲线包括用于指示目标加工曲线与标准曲线之间相似程度的若干相似度；

在本实施例中，目标相似曲线用于指示目标加工曲线与标准曲线之间相似程度的变化趋势，其包括若干相似度，每个相似度皆可指示目标加工曲线与标准曲线之间的相似程度，集合若干相似度便可以指示目标加工曲线与标准曲线之间相似程度的变化趋势。

在一些实施例中，主机分别在目标加工曲线及标准曲线两者选择处于相同位置的实时加工信号与基准加工信号，根据相似度算法处理处于相同位置的实时加工信号与基准加工信号，得到每个相似度。

举例而言，目标加工曲线为{a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉……}，标准曲线为{b₁,b₂,b₃,b₄,b₅,b₆,b₇,b₈,b₉……}，其中，(a₁,b₁)、(a₂,b₂)、(a₃,b₃)、(a₄,b₄)、(a₅,b₅)、(a₆,b₆)、(a₇,b₇)、(a₈,b₈)及(a₉,b₉)分别在目标加工曲线及标准曲线中皆处于相同位置，于是，主机根据相似度算法，计算每组加工信号，得到每个相似度。

再举例而言，主机在目标加工曲线选择位置相同的一组实时加工信号{a₁,a₂,a₃,a₄}，在标准曲线选择位置相同的一组基准加工信号{b₁,b₂,b₃,b₄}，再根据相似度算法，计算该组加工信号，得到相似度C₁。接着，主机再在目标加工曲线选择位置相同的另一组实时加工信号{a₂,a₃,a₄,a₅}，在标准曲线选择位置相同的另一组基准加工信号{b₂,b₃,b₄,b₅}，再根据相似度算法，计算该组加工信号，得到相似度C₂。以此类推，直至主机在目标加工曲线选择位置相同的最后一组实时加工信号{a_n-3,a_n-2,a_n-1,a_n}，在标准曲线选择位置相同的一组基准加工信号{b_n-3,b_n-2,b_n-1,bn}，再根据相似度算法，计算该组加工信号，得到相似度C_n-3。最后，主机组合各个相似度{C₁,C₂,C₃,C₄,C₅,C₆,C₇,C₈,C₉……C_n-3}，得到目标相似曲线。

在一些实施例中，相似度的计算方法包括欧氏距离，标准化欧氏距离，曼哈顿距离，切比雪夫距离，闵可夫斯基距离，马氏距离，余弦距离，皮尔森相关系数等。本领域技术人员可以根据设计需要自行选择一种或两种以上的组合来计算相似度。

在一些实施例中，相似度具有多种相似类型，例如，相似度为用于描述两条曲线形状相似程度的形状相似度。其中，形状相似度由采用余弦相似度算法等等相似度算法计算得到，例如，皮尔森相关系数公式如下：

其中，r为形状相似度，Xi为一组数，Yi为另一组数，

r是-1到1之间的数，正1代表两组数完全正相关，0代表完全不相关，-1代表完全负相关，也即是r越小，两条曲线越不相似。

再例如，相似度为用于描述两条曲线高低程度的高度相似度，其中，高度相似度由采用标准化后的欧氏距离算法计算得到。

首先，目标加工曲线包括若干第一滑窗，预设标准曲线包括若干第二滑窗，每个滑窗包括若干加工信号，主机对第一滑窗及第二滑窗中各个加工信号按照升序或降序进行排列，具体如下：令y_max＝1，y_min＝0，Y_i为第一滑窗或第二滑窗中每个加工信号的功率值，Y_min为第一滑窗或第二滑窗中的最小功率值，Y_max为第一滑窗或第二滑窗的最大功率值，每个滑窗包括一组连续的若干加工信号。y_{normalization}为归一化后的功率值，公式如下：

按照上述公式，将加工信号的功率标准化。通过标准化处理，其能够减少曲线高低差异的影响(例如余量变化，刀具磨损)，标准化之后，曲线高低变化就不敏感。

主机对一个滑窗的各个归一化功率值从小到大进行排序。通过排序，其能够防止加工曲线中的滑窗与标准曲线中的滑窗有少许错位而引发后续计算出的欧氏距离过大，从而导致误报警。

最后，主机根据标准化欧氏距离或者欧氏距离算法，计算排列后的第一滑窗及第二滑窗两者的欧氏距离，所述距离为高度相似度。

S23、根据每个相似度及预设分界线，监控刀具的刀具状态。

在本实施例中，分界线用于结合相似度，以区分刀具的刀具状态，其中，刀具状态包括正常状态与异常状态，异常状态包括断刀状态、崩刃状态及缺刀状态。

在监控刀具的刀具状态之前，分界线可被预先配置在主机中，后续需要监控刀具的刀具状态时，主机可随时调用分界线。因此，在一些实施例中，本方法采用下文涉及的相关方法预先训练并迭代出分界线。

举例而言，首先，主机获取刀具处于正常状态下加工第一工件与第二工件时的学习加工曲线。例如，当刀具处于正常状态时，亦即刀具未发生断刀，数控机床控制刀具依序加工第一工件与第二工件，其中，第一工件与第二工件皆有对应的学习加工曲线，学习加工曲线包括若干学习加工信号，此处的学习加工信号同上所述的实时加工信号的解释，在此不赘述。

其次，主机根据两个学习加工曲线，计算第一学习相似曲线。在本实施例中，主机根据相似度算法，处理两个学习加工曲线，得到第一学习相似曲线，其中，处理方式可以参考上述各个实施例所阐述的单点处理加工信号方式或滑窗处理加工信号方式，在此不再赘述。

再次，得到第一学习相似曲线后，主机将第一学习相似曲线转换为第一学习边界线，在一些实施例中，主机可以直接将第一学习相似曲线作为第一学习边界线。在一些实施例中，主机可以根据直线模糊处理方法，将第一学习相似曲线转换为第一学习边界线。

在一些实施例中，将第一学习相似曲线转换为第一学习边界线的过程中，主机可以将第一学习相似曲线划分若干分段曲线，例如，第一学习相似曲线为{e1,e2,e3,e4,e5……e200},主机按照每50个采样点为一组，将第一学习相似曲线划分成4个分段，分别为：

第一分段：{e1,e2,e3……e50}；

第二分段：{e51,e52,e53……e100}；

第三分段：{e101,e102,e103……e150}；

第四分段：{e151,e152,e153……e200}。

接着，主机选择每个分段曲线中的最小相似度减去第一阈值，得到每个分段曲线对应的分段界线，例如，学习加工信号e10的相似度在第一分段中是最小的，于是，选择e10的相似度减去第一阈值，得到的结果作为第一分段{e1,e2,e3……e50}的分段界线，以此类推。

可以理解的是，第一阈值可由用户根据业务需求自行设定，例如，第一阈值设定为0.3，在此不对第一阈值作出任何限定。在本实施例中，通过将每个分段曲线中的最小相似度减去第一阈值，其提供了一定的裕量来兼容刀具处于正常状态下的各种加工信号，避免频繁误报警。

还可以理解的是，当第一阈值为0时，此时也可以将每个分段曲线中的最小相似度作为对应分段曲线的分段界线。

再接着，得到每个分段曲线对应的分段界线后，主机组合全部分段曲线对应的分段界线，得到第一学习边界线。

最后，得到第一学习边界线后，主机根据第一学习边界线，生成预设分界线。因此，本实施例能够通过预先学习刀具处于正常状态下加工两个工件时的加工曲线，以此来生成分界线，从而为后期监控刀具的刀具状态提供基础。

在一些实施例，主机可以直接将第一学习边界线作为分界线。

在一些实施例中，考虑到加工复杂因素以及为了能够绘制更为精准可靠的分界线，主机可以全方位地自动训练数量多于两个工件的加工曲线，以此来生成更为精准可靠的分界线。因此，在根据第一学习边界线生成预设分界线的过程中：

首先，主机按照加工顺序，获取刀具加工第i工件时的学习加工曲线，i＞2，i为正整数，例如，主机加工第一工件及第二工件后，接着按照加工顺序，依序加工第三工件、第四工件……第N工件。

其次，主机根据第i工件及第一工件各自的学习加工曲线，计算第i-1学习相似曲线，例如，按照加工顺序，主机根据第三工件及第一工件各自的学习加工曲线，计算第二学习相似曲线，或者，主机根据第四工件及第一工件各自的学习加工曲线，计算第三学习相似曲线……。

接着，主机将第i-1学习相似曲线与第i-2学习边界线作比对，判断第i-1学习相似曲线是否为合格曲线，例如，主机将第二学习相似曲线与第一学习边界线作比对，若所述第二学习相似曲线中连续超出第一学习分界线的相似度的总数超出误触发阈值，则，第二学习相似曲线为不合格曲线，若不超出，第二学习相似曲线为合格曲线。

再例如，主机将第三学习相似曲线与第二学习边界线作比对，若所述第三学习相似曲线中连续超出第二学习分界线的相似度的总数超出误触发阈值，则，第三学习相似曲线为不合格曲线，若不超出，第三学习相似曲线为合格曲线。

最后，当第i-1学习相似曲线为合格曲线，主机将第i-1学习相似曲线迭代第i-2学习相似曲线，并将第i-1学习相似曲线转换为第i-1学习边界线并赋值i＝i+1,返回获取刀具加工第i工件时的学习加工曲线的步骤，直至得到第N-1学习分界线，所述第N-1学习分界线为预设分界线，i＜N，且N为正整数。

举例而言，N＝10。当i＝3时，主机获取刀具加工第三工件时的学习加工曲线，根据第三工件及第一工件各自的学习加工曲线，计算第二学习相似曲线，将第二学习相似曲线与第一学习边界线作比对，监控到刀具状态为正常状态时，亦即第二学习相似曲线为合格曲线时，将第二学习相似曲线迭代第一学习边界线，并将第二学习相似曲线转换为第二学习边界线，并赋值4＝3+1,返回获取刀具加工第四工件时的学习加工曲线的步骤。

接着，i＝4。主机获取刀具加工第四工件时的学习加工曲线，根据第四工件及第一工件各自的学习加工曲线，计算第三学习相似曲线，将第三学习相似曲线与第二学习边界线作比对，监控到刀具状态为正常状态时，亦即第三学习相似曲线为合格曲线时，将第三学习相似曲线迭代第二学习边界线，并将第三学习相似曲线转换为第三学习边界线，并赋值5＝4+1,返回获取刀具加工第五工件时的学习加工曲线的步骤。

再接着，i＝5。主机获取刀具加工第五工件时的学习加工曲线，根据第五工件及第一工件各自的学习加工曲线，计算第四学习相似曲线，将第四学习相似曲线与第三学习边界线作比对，监控到刀具状态为正常状态时，亦即第四学习相似曲线为合格曲线时，将第四学习相似曲线迭代第三学习边界线，并将第四学习相似曲线转换为第四学习边界线，并赋值6＝5+1,返回获取刀具加工第六工件时的学习加工曲线的步骤。

以此类推，学完第十工件后，主机得到第九学习分界线，第九学习分界线为预设分界线。

在本实施例中，本方法不仅可以仅通过学习第一工件与第二工件的学习加工曲线来生成第一学习边界线，借此来监控刀具的刀具状态，而且还可以在第一学习边界线的基础上，一边学习数量超过两个的工件，一边自动监控在学习“数量超过两个的工件”过程中刀具的刀具状态，以此确保再次学习过程中得到学习边界线的可靠性。并且，由此看出，当学习数量超过两个的工件，由于学习样本多，最终得到学习边界线会更加精确可靠，从而为可靠有效地监控刀具的刀具状态奠定良好的基础。

在本实施例中，将第i-1学习相似曲线转换为第i-1学习边界线的作法可以参考上文涉及“将第一学习相似曲线转换为第一学习边界线”的作法，在此不赘述。

得到边界线后，本方法便可以根据每个相似度及预设分界线，监控刀具的刀具状态。请参阅图3a，图3a是采用本发明实施例提供的刀具状态监控方法监控工件的加工信号波形图，其中，加工信号为功率信号。如图3a所示，数控机床加工4个工件，其中，加工第1个工件至第3个工件时的功率信号曲线是相同的，加工第4个工件时，刀具出现断刀，导致其功率信号曲线相对前面3个工件是不同的。

请参阅图3b，图3b是图3a中功率区域31的放大波形图。如图3b所示，采用本文涉及的监控刀具状态的方法，通过分析功率区域31，便可以针对加工第4个工件时出现的断刀现象产生报警信息。

总体而言，区别于传统技术，由于本方法全局考虑目标加工曲线及标准曲线之间的相似程度，根据相似结果监控刀具，一方面，其能够快速及时地监控刀具状态，另一方面，其还能够提高监控精准性和监控效果。

请一并参阅图4a及图4b，其中，图4a及图4b为刀具出现断刀而换新刀下的加工信号波形图。数控机床加工6个工件，其中，加工第1个工件至第5个工件时的功率信号曲线是相同的，加工第6个工件时，刀具出现断刀，导致其功率信号曲线相对前面6个工件是不同的。采用本文涉及的监控刀具状态的方法，通过分析功率区域40ab，便可以针对加工第6个工件时出现的断刀现象产生报警信息。

请一并参阅图4c及图4d，其中，图4c及图4d为功率漂移下的加工信号波形图。数控机床加工6个工件，其中，加工第1个工件至第5个工件时的功率信号曲线是相同的，加工第6个工件时，刀具出现断刀，导致其功率信号曲线相对前面6个工件是不同的。采用本文涉及的监控刀具状态的方法，通过分析功率区域40cd，便可以针对加工第6个工件时出现的断刀现象产生报警信息。

由此可见，本方法能够兼容刀具出现断刀而换新刀的情况以及驱动刀具的功率出现漂移的情况。

利用目标相似曲线中每个相似度及分界线，监控刀具的刀具状态的方式比较繁多。在一些实施例中，主机统计相似度连续超出预设分界线的实时加工信号的总数，根据总数，监控刀具的刀具状态。

由于若干相邻实时加工信号的相似度连续超出预设分界线，其足以说明刀具处于异常状态。如前所述，相似度具有多种相似类型，可包括形状类型，因此，相应的，目标相似曲线包括具有若干形状相似度的形状相似曲线，预设分界线包括形状分界线。

由于相似类型不同，被视为“相似度连续超出预设分界线”的标准亦不同，但是，对于本领域技术人员而言，其可根据本发明实施例所公开的内容，能够理解“超出”的含义。

举例而言，相似类型为形状类型时，主机统计相似度连续超出预设分界线的实时加工信号的总数时，其可统计形状相似度连续小于或等于形状分界线的分界值的实时加工信号的第一总数，

得到第一总数之后，主机判断第一总数是否大于或等于第一误触发阈值，若是，确定刀具状态为异常状态，并产生报警信息；若否，确定刀具状态为正常状态，并执行预设操作。其中，第一误触发阈值由用户自定义，例如设定25。

再举例而言，相似度包括高度类型，因此，相应的，目标相似曲线包括具有若干高度相似度的高度相似曲线，预设分界线包括高度分界线。

相似类型为高度类型时，主机统计相似度连续超出预设分界线的实时加工信号的总数时，其可统计高度相似度连续大于或等于高度分界线的分界值的实时加工信号的第二总数。

最后，主机判断第二总数是否大于或等于第二误触发阈值，若是，确定刀具状态为异常状态，并产生报警信息；若否，确定刀具状态为正常状态，并执行预设操作。其中，第二误触发阈值由用户自定义，例如设定25。

再举例而言，相似度包括形状类型与高度类型，因此，相应的，目标相似曲线包括具有若干形状相似度的形状相似曲线和具有若干高度相似度的高度相似曲线，预设分界线包括形状分界线和高度分界线。

主机判断第一总数及第二总数是否同时大于或等于第三误触发阈值，若是，确定刀具状态为异常状态，并产生报警信息；若否，确定刀具状态为正常状态，并执行预设操作。其中，第三误触发阈值由用户自定义，例如设定10。

在一些实施例中，由于本方法能够同时考虑形状相似度与高度相似度，其可以避免“形状变化趋势相同但高度不同的两条曲线而导致判断两条曲线相同”的误判断情况，而且还可以避免“高度相同但形状变化趋势不同的两条曲线而导致判断两条曲线相同”的误判断情况，从而使得本方法能够更加精确可靠地实时监控刀具状态。

需要说明的是，在上述各个实施方式中，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施方式的描述可以理解，不同实施方式中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。

作为本发明实施方式的另一方面，本发明实施方式提供一种刀具状态监控装置。其中，刀具状态监控装置可以为软件模块，所述软件模块包括若干指令，其存储在存储器内，处理器可以访问该存储器，调用指令进行执行，以完成上述各个实施方式所阐述的刀具状态监控方法。

在一些实施方式中，刀具状态监控装置亦可以由硬件器件搭建成的，例如，刀具状态监控装置可以由一个或两个以上的芯片搭建而成，各个芯片可以互相协调工作，以完成上述各个实施方式所阐述的刀具状态监控方法。再例如，刀具状态监控装置还可以由各类逻辑器件搭建而成，诸如由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISC Machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合而搭建成。

请参阅图5a，刀具状态监控装置500包括曲线获取模块51、相似度计算模块52及监控模块53。

曲线获取模块51用于获取刀具加工目标工件时的目标加工曲线及预设标准曲线。相似度计算模块52用于根据目标加工曲线及标准曲线，计算目标相似曲线，目标相似曲线包括用于指示目标加工曲线与标准曲线之间相似程度的若干相似度。监控模块53用于根据每个相似度及预设分界线，监控刀具的刀具状态。

区别于传统技术，由于本方法全局考虑目标加工曲线及标准曲线之间的相似程度，根据相似结果监控刀具，一方面，其能够快速及时地监控刀具状态，另一方面，其还能够提高监控精准性和监控效果。

在一些实施例中，请参阅图5b，刀具状态监控装置500还包括学习曲线获取模块54、学习曲线计算模块55、学习边界线计算模块56及边界线生成模块57。

学习曲线获取模块54用于获取刀具处于正常状态下加工第一工件与第二工件时的学习加工曲线，学习加工曲线包括若干学习加工信号。

学习曲线计算模块55用于根据两个学习加工曲线，计算第一学习相似曲线。

学习边界线计算模块56用于将第一学习相似曲线转换为第一学习边界线。

边界线生成模块57用于根据第一学习边界线，生成预设分界线。

在一些实施例中，学习边界线计算模块56具体用于将第一学习相似曲线划分若干分段曲线，选择每个分段曲线中的最小相似度减去第一阈值，得到每个分段曲线对应的分段界线，组合全部分段曲线对应的分段界线，得到第一学习边界线。

在一些实施例中，边界线生成模块57具体用于：按照加工顺序，获取所述刀具加工第i工件时的学习加工曲线，i＞2，i为正整数；根据第i工件及第一工件各自的学习加工曲线，计算第i-1学习相似曲线；将所述第i-1学习相似曲线与所述第i-2学习边界线作比对，判断所述第i-1学习相似曲线是否为合格曲线；若是，将所述第i-1学习相似曲线迭代所述第i-2学习相似曲线，并将所述第i-1学习相似曲线转换为第i-1学习边界线并赋值i＝i+1,返回获取所述刀具加工第i工件时的学习加工曲线的步骤，直至得到第N-1学习分界线，所述第N-1学习分界线为预设分界线，i＜N，且N为正整数。

在一些实施例中，目标加工曲线包括若干实时加工信号，监控模块53具体用于：统计相似度连续超出预设分界线的实时加工信号的总数，根据总数，监控刀具的刀具状态。

在一些实施例中，目标相似曲线包括具有若干形状相似度的形状相似曲线和/或具有若干高度相似度的高度相似曲线，预设分界线包括形状分界线和/或高度分界线。

在一些实施例中，监控模块53还具体用于：统计形状相似度连续小于或等于形状分界线的分界值的实时加工信号的第一总数，和/或，统计高度相似度连续大于或等于高度分界线的分界值的实时加工信号的第二总数。

在一些实施例中，监控模块53还具体用于：判断第一总数是否大于或等于第一误触发阈值，或者，判断第二总数是否大于或等于第二误触发阈值，或者，判断第一总数及第二总数是否同时大于或等于第三误触发阈值，若是，确定刀具状态为异常状态，并产生报警信息；若否，确定刀具状态为正常状态，并执行预设操作。

在一些实施例中，所述形状相似度和所述高度相似度由以下任一算法计算得到：欧氏距离，标准化欧氏距离，曼哈顿距离，切比雪夫距离，闵可夫斯基距离，马氏距离，余弦距离，皮尔森相关系数。

需要说明的是，上述刀具状态监控装置可执行本发明实施方式所提供的刀具状态监控方法，具备执行方法相应的功能模块和有益效果。未在刀具状态监控装置实施方式中详尽描述的技术细节，可参见本发明实施方式所提供的刀具状态监控方法。

请参阅图6，图6是本发明实施例提供的一种电子设备的电路结构示意图，其中，电子设备可以为任意合适类型的设备或电子产品，例如，电子设备包括数控机床、电脑或手机等具有逻辑计算和分析功能的设备或电子产品。如图6所示，电子设备600包括一个或多个处理器61以及存储器62。其中，图6中以一个处理器61为例。

处理器61和存储器62可以通过总线或者其他方式连接，图6中以通过总线连接为例。

存储器62作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的刀具状态监控方法对应的程序指令/模块。处理器91通过运行存储在存储器62中的非易失性软件程序、指令以及模块，从而执行刀具状态监控装置的各种功能应用以及数据处理，即实现上述方法实施例提供的刀具状态监控方法以及上述装置实施例的各个模块或单元的功能。

存储器62可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述程序指令/模块存储在所述存储器62中，当被所述一个或者多个处理器61执行时，执行上述任意方法实施例中的刀具状态监控方法。

本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图6中的一个处理器61，可使得上述一个或多个处理器可执行上述任意方法实施例中的刀具状态监控方法。

本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使所述电子设备执行任一项所述的刀具状态监控方法。

以上所描述的装置或设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的，作为模块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模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述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。

Claims (8)

1.一种刀具状态监控方法，其特征在于，包括：

获取所述刀具加工目标工件时的目标加工曲线及预设标准曲线；

根据所述目标加工曲线及所述预设标准曲线，计算目标相似曲线，所述目标相似曲线包括用于指示所述目标加工曲线与所述预设标准曲线之间相似程度的若干相似度；

根据每个所述相似度及预设分界线，监控所述刀具的刀具状态；

获取刀具处于正常状态下加工第一工件与第二工件时的学习加工曲线；

根据两个学习加工曲线，计算第一学习相似曲线；

将第一学习相似曲线转换为第一学习边界线；

根据所述第一学习边界线，生成预设分界线，其中，所述根据所述第一学习边界线，生成预设分界线包括：

按照加工顺序，获取所述刀具加工第i工件时的学习加工曲线，i＞2，i为正整数；

根据第i工件及第一工件各自的学习加工曲线，计算第i-1学习相似曲线；

将所述第i-1学习相似曲线与第i-2学习边界线作比对，判断所述第i-1学习相似曲线是否为合格曲线；

若是，将所述第i-1学习相似曲线迭代第i-2学习相似曲线，并将所述第i-1学习相似曲线转换为第i-1学习边界线并赋值i＝i+1,返回获取所述刀具加工第i工件时的学习加工曲线的步骤，直至得到第N-1学习分界线，所述第N-1学习分界线为预设分界线，i＜N，且N为正整数。

2.根据权利要求1所述的方法，其特征在于，所述目标加工曲线包括若干实时加工信号，所述根据每个所述相似度及预设分界线，监控所述刀具的刀具状态包括：

统计相似度连续超出所述预设分界线的实时加工信号的总数；

根据所述总数，监控所述刀具的刀具状态。

3.根据权利要求2所述的方法，其特征在于，所述目标相似曲线包括具有若干形状相似度的形状相似曲线和/或具有若干高度相似度的高度相似曲线，所述预设分界线包括形状分界线和/或高度分界线。

4.根据权利要求3所述的方法，其特征在于，所述统计相似度连续超出所述预设分界线的实时加工信号的总数包括：

统计形状相似度连续小于或等于所述形状分界线的分界值的实时加工信号的第一总数，和/或，

统计高度相似度连续大于或等于所述高度分界线的分界值的实时加工信号的第二总数。

5.根据权利要求4所述的方法，其特征在于，所述根据所述总数，监控所述刀具的刀具状态包括：

判断所述第一总数是否大于或等于第一误触发阈值，或者，判断所述第二总数是否大于或等于第二误触发阈值，或者，判断所述第一总数及所述第二总数是否同时大于或等于第三误触发阈值；

若是，确定所述刀具状态为异常状态，并产生报警信息；

若否，确定所述刀具状态为正常状态，并执行预设操作。

6.根据权利要求3所述的方法，其特征在于，所述形状相似度和所述高度相似度由以下任一算法计算得到：欧氏距离，标准化欧氏距离，曼哈顿距离，切比雪夫距离，闵可夫斯基距离，马氏距离，余弦距离，皮尔森相关系数。

7.根据权利要求6所述的方法，其特征在于，所述目标加工曲线包括若干第一滑窗，所述预设标准曲线包括若干第二滑窗，每个滑窗包括若干加工信号，所述高度相似度由采用标准化欧氏距离或者欧氏距离计算得到包括：

对第一滑窗及第二滑窗中各个加工信号按照升序或降序进行排列；

根据标准化欧氏距离或者欧氏距离算法，计算排列后的第一滑窗及第二滑窗两者的距离，所述距离为高度相似度。

8.一种电子设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7任一项所述的刀具状态监控方法。

Images