CN112589535A - 一种刀具状态监测方法及装置、设备、存储介质 - Google Patents

Abstract

本申请实施例公开了一种刀具状态监测方法及装置、设备、存储介质，其中，所述方法包括：响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态；其中，所述待监测刀具的状态是采用预先训练好的至少两种不同类型的分类模型，对所述待监测刀具在运行时产生的冲振波信号进行分类确定的；在第一状态查看界面显示每一所述待监测刀具的状态。

Description

一种刀具状态监测方法及装置、设备、存储介质

技术领域

本申请实施例涉及但不限于数控机床加工领域，尤其涉及一种刀具状态监测方法及装置、设备、存储介质。

背景技术

在数控机床加工过程中，数控刀具并非一直处于理想状态。由于刀具工作环境是不断变化的，而且影响刀具磨损状态的因素很多，例如装夹的稳定性、切削参数的合理性、加工材料的均匀性和一致性等，导致对刀具磨损状态判断的准确性低，进而导致操作人员无法准确把握换刀时机。过早换刀会造成对刀具使用寿命的浪费，反之会影响加工工件的质量，甚至于出现残次品。因此，需要对运行中的刀具磨损状态进行有效地监测，以便工人可以实时了解加工过程中刀具的状态，适时换刀。相关技术中对刀具磨损状态进行监测的方案，通常对刀具磨损状态的描述不够全面，导致监测的准确性并不高，从而会产生一定的虚警情况。

发明内容

有鉴于此，本申请实施例提供一种刀具状态监测方法及装置、设备、存储介质。

本申请实施例的技术方案是这样实现的：

一方面，本申请实施例提供一种刀具状态监测方法，所述方法包括：

响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态；其中，所述待监测刀具的状态是采用预先训练好的至少两种不同类型的分类模型，对所述待监测刀具在运行时产生的冲振波信号进行分类确定的；

在第一状态查看界面显示每一所述待监测刀具的状态。

另一方面，本申请实施例提供一种刀具状态监测装置，所述装置包括：

第一获取模块，用于响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态；其中，所述待监测刀具的状态是采用预先训练好的至少两种不同类型的分类模型，对所述待监测刀具在运行时产生的冲振波信号进行分类确定的；

第一显示模块，用于在第一状态查看界面显示每一所述待监测刀具的状态。

再一方面，本申请实施例提供一种刀具状态监测设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请实施例提供的方法。

又一方面，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本申请实施例提供的方法。

本申请实施例中，首先，通过监测刀具运行过程中产生的冲振波信号来监测刀具的状态，由于冲振波可以更好地描述刀具在磨损、破损和磨钝过程中所产生的弹性波，能够直接反应刀具在加工过程中的实际状态，因此可以提高运行过程中对刀具的状态识别和优劣性评估的准确性；其次，采用多种不同类型的分类模型对冲振波信号进行分类，并通过投票得到最终识别结果，可以从不同角度综合评估刀具的状态，以进一步提高刀具状态识别和优劣性评估的准确性；最后，通过在第一状态查看界面显示每一待监测刀具的状态，可以直观且全面地了解各个待监测刀具的状态。这样，可以有效保证加工过程中刀具的使用寿命得到充分利用，并能有效避免刀具磨损和崩刃后继续加工，从而可以降低加工过程中的次品率和废品率，以及避免刀具损坏后对设备造成的次生灾害。

附图说明

图1A为相关技术中刀具状态监测方法的实现流程示意图；

图1B为本申请实施例提供的一种刀具状态监测方法的实现流程示意图；

图1C为本申请实施例提供的一种第一状态查看界面的显示示意图；

图2为本申请实施例提供的一种刀具状态监测方法的实现流程示意图；

图3A为本申请实施例提供的一种刀具状态监测方法的实现流程示意图；

图3B为本申请实施例提供的一种第二状态查看界面的显示示意图；

图4为本申请实施例提供的一种刀具状态监测方法的实现流程示意图；

图5为本申请实施例提供的一种刀具状态监测方法的实现流程示意图；

图6为本申请实施例提供的一种刀具状态监测方法的实现流程示意图；

图7A为本申请实施例提供的一种刀具状态监测方法的流程模块示意图；

图7B为本申请实施例提供的一种刀具状态监测方法的实现流程示意图；

图7C为本申请实施例提供的一种无线信号采集终端远程配置方法的实现流程示意图；

图8为本申请实施例提供的一种分析诊断软件的技术架构分层体系结构示意图；

图9为本申请实施例提供的一种刀具状态监测装置的组成结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本申请的技术方案进一步详细阐述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

如果申请文件中出现“第一/第二”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

为了更好地理解本申请实施例提供的刀具状态监测方法，首先对相关技术中采用的刀具状态监测方法进行简单说明。

由于机床刀具及部件的状态对加工机床寿命及加工件的精度影响较大，而现阶段刀具缺乏有效的监测，无法为工件质量提供强有力的保障。相关技术中，主要通过对机床本身数据(如机床主轴功率、电流及电压)的监控，基于刀具与工件之间的切削力对机床本身数据的影响进行建模，分析刀具的状态。图1A为相关技术中刀具状态监测方法的实现流程示意图，如图1A所示，该方法包括如下流程模块：机床主轴电流、电压及功率采集模块11、趋势预测模块12、功率分析模块13、机器学习分析模块14和状态判断模块15，机床主轴电流、电压及功率采集模块11可以实现对机床主轴电流、电压及功率的采集，趋势预测模块12、功率分析模块13、机器学习分析模块14可以分别基于机床主轴电流、电压及功率采集模块11采集的机床主轴电流、电压及功率数据进行刀具劣化趋势分析、功率分析及基于机器学习机床数据分析，状态判断模块15可以基于趋势预测模块12、功率分析模块13以及机器学习分析模块14的分析结果对刀具的状态进行判断。

上述相关技术中的刀具状态监测方法中，由于机床主轴电流、电压及功率的变化不能直接反馈刀具自身的问题，且对刀具磨损状态的描述也不够全面，会产生一定的虚警情况。

基于上述相关技术中存在的问题，本申请实施例提供一种基于冲振波技术的刀具状态监测方法，该方法可以由计算机设备的处理器执行。图1B为本申请实施例提供的一种刀具状态监测方法的实现流程示意图，如图1B所示，该方法包括以下步骤：

步骤S101，响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态；其中，所述待监测刀具的状态是采用预先训练好的至少两种不同类型的分类模型，对所述待监测刀具在运行时产生的冲振波信号进行分类确定的；

这里，可以在计算机设备上运行可视化交互界面，用户可以在该可视化交互界面上执行第一状态查看操作。第一状态查看操作可以是查看至少一个待监测刀具中各待监测刀具的状态的操作，例如至少一个待监测刀具的状态概览、状态列表查看操作等。在实施时，第一状态查看操作可以是按钮点击或触摸操作，也可以是页面跳转操作等，这里并不限定。

待监测刀具可以是任意合适的用于切削加工的电动刀具，包括但不限于电动切割机中的切割刀片、数控机床加工过程中使用的数控刀具等。待监测刀具的状态可以表示待监测刀具当前的磨损程度，可以包括但不限于正常状态、磨损状态、崩刃状态等中的一种或多种。在实施时，本领域技术人员可以根据实际需求对刀具的状态进行划分的。在刀具运行过程中，对于不同磨损状态的刀具可以进行不同的维护操作。例如，处于正常状态的刀具，可以进行正常运行，不需要进行置换；处于磨损状态的刀具，已经受到一定程度的磨损，不能继续正常运行，需要进行置换；处于崩刃状态的刀具，也不能正常运行，并可能对加工设备造成次生灾害，需要立即进行置换。

待监测刀具的状态可以是在响应用户的第一状态查看操作的过程中实时确定的，也可以是预先确定并存储在本地存储器或远端后，在响应用户的第一状态查看操作的过程中从本地存储器或远端获取的，这里并不限定。

刀具在运行时会产生大量的冲振波信号，根据冲振波信号能够直接反应刀具在加工过程中的实际状态。冲振波信号的产生机理可以是：材料本身受外力作用时能量快速释放会产生瞬态弹性波，这种弹性波达到材料表面后引起材料振动，该振动属于一种机械波，由于其波形形状类似于冲击和阻尼振荡的形状，故又称冲振波。冲振波产生的源头可以包括：流体介质泄露、氧化层开裂、材料裂纹或摩擦。刀具在加工过程中磨损、破损和磨钝发生时，会释放大量连续型和突发型的冲振波，因此，可以采用冲振波信号作为刀具在线监测的信号。

为了从不同角度对待监测刀具的状态进行综合评估，可以通过采用预先训练好的至少两种不同类型的分类模型，对待监测刀具在运行时产生的冲振波信号进行分类来确定待监测刀具的状态。不同类型的分类模型分别对冲振波信号进行分类，可以得到各分类模型分别对应的分类结果，综合各分类结果可以得到最终识别的待监测刀具的状态。在对各分类结果进行综合时，可以通过对各分类结果进行投票来得到待监测刀具的状态，也可以采用特定的置信度判定策略，根据各分类结果确定各分类模型的置信度，选取置信度最高的分类模型的结果作为待监测刀具的状态。

在实施时，分类模型可以是统计模型，也可以是机器学习模型，本领域技术人员可以根据实际情况选择至少两种不同类型的分类模型；分类模型的分类结果可以是特定的状态，也可以是各状态的置信度得分，本申请实施例对此并不限定。

在一些实施例中，所述至少两种不同类型的分类模型可以包括以下至少两种模型类型：梯度下降树(Gradient Boost Decision Tree，GBDT)模型、自适应增强(AdaptiveBoosting，AdaBoost)分类器、支持向量机(Support Vector Machine，SVM)模型、K最近邻(K-Nearest Neighbor，KNN)模型和逻辑回归(logistics regression，LR)模型。

步骤S102，在第一状态查看界面显示每一所述待监测刀具的状态。

这里，第一状态查看界面可以以任意合适的方式显示每一待监测刀具的状态。在实施时，本领域技术人员可以根据实际情况采用合适的布局方式、视觉效果等显示每一待监测刀具的状态，这里并不限定。例如，可以以文字方式显示每一待监测刀具的状态，也可以采用不同的颜色表示不同的状态。又如，可以采用列表的布局方式显示每一待监测刀具的状态，也可以采用宫格布局方式显示每一待监测刀具的状态。在一些实施例中，第一状态查看界面还可以显示待监测刀具的名称、型号、安装位置等信息。例如，第一状态查看界面可以如图1C所示，第一状态查看界面中可以包括待监测刀具状态显示区域110，在待监测刀具状态显示区域110中可以显示各待监测刀具的状态111。

在一些实施例中，可以利用获取的待监测刀具的冲振波信号和基于该冲振波信号得到的待监测刀具的状态，对训练好的各分类模型进行再次训练，以实现对各分类模型的持续学习。

本申请实施例提供的刀具状态监测方法，首先，通过监测刀具运行过程中产生的冲振波信号来监测刀具的状态，由于冲振波可以更好地描述刀具在磨损、破损和磨钝过程中所产生的弹性波，能够直接反应刀具在加工过程中的实际状态，因此可以提高运行过程中对刀具的状态识别和优劣性评估的准确性；其次，采用多种不同类型的分类模型对冲振波信号进行分类，并通过投票得到最终识别结果，可以从不同角度综合评估刀具的状态，以进一步提高刀具状态识别和优劣性评估的准确性；最后，通过在第一状态查看界面显示每一待监测刀具的状态，用户可以直观且全面地了解各个待监测刀具的状态。这样，可以有效保证加工过程中刀具的使用寿命得到充分利用，并能有效避免刀具磨损和崩刃后继续加工，从而可以降低加工过程中的次品率和废品率，以及避免刀具损坏后对设备造成的次生灾害。

本申请实施例提供一种刀具状态监测方法，如图2所示，该方法可以由计算机设备的处理器执行，包括：

步骤S201，响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的特征数据；其中，所述特征数据是通过对所述待监测刀具在运行时产生的冲振波信号进行特征提取得到的；

这里，待监测刀具的特征数据可以是计算机设备通过对获取的冲振波信号进行特征提取得到的，也可以是其他信号采集终端采集到待监测刀具在运行时产生的冲振波信号后，计算机设备从该信号采集终端获取的。特征数据可以是对冲振波信号进行特征提取后直接得到的，也可以是对提取出的特征进行归一化处理和特征降维处理后得到的。在实施时，本领域技术人员可以根据实际情况采用合适的方式获取待监测刀具的特征数据，这里并不限定。

步骤S202，针对每一待监测刀具，基于所述待监测刀具的特征数据，采用预先训练好的至少两种不同类型的分类模型，分别对所述待监测刀具的冲振波信号进行分类，得到每一所述分类模型的分类结果；

这里，可以预先训练好至少两种不同类型的分类模型，不同类型的分类模型可以基于特征数据，从不同角度评估刀具的状态。不同类型的分类模型对冲振波信号进行分类时可以采用特征数据中相同的特征，也可以分别采用特征数据中不同的特征。

步骤S203，根据各分类模型的权重，分别对每一所述待监测刀具的各分类结果进行投票，得到每一所述待监测刀具的状态。

这里，可以为各分类模型确定一个权重。在对各分类结果进行投票时，权重值越大的分类模型的分类结果所占的权重越重，相应地，该分类结果对最终得到的待检测刀具的状态的影响越大。在实施时，各分类模型的权重可以是相等的，也可以是不同的；各分类模型的权重可以是预先设定的默认值，也可以是根据历史投票结果的准确性动态调整的，本申请实施例对此并不限定。

步骤S204，在第一状态查看界面显示每一所述待监测刀具的状态。

这里，上述步骤S204与前述步骤S102的描述是类似的，在实施时，可以参照前述步骤S102的具体实施方式。

在一些实施例中，上述步骤S201中获取所述待监测刀具的特征数据，可以包括：获取采集终端发送的所述待监测刀具的特征数据；其中，所述特征数据由所述采集终端通过对所述待监测刀具在运行时产生的冲振波信号进行特征提取得到。这里，可以通过有线连接方式或无线连接方式，从采集终端获取待监测刀具的特征数据，例如长期演进第4代移动通信技术(Long Term Evolution-the4th Generation Communication，LTE-4G)、蓝牙连接或工业以太网等。在一些实施例中，考虑到用户使用的便利性，采用LTE-4G的方式从采集终端获取待监测刀具的特征数据。

在一些实施例中，所述特征数据包括冲振波信号的波形特征、小波特征和时频特征。

这里，波形特征表示根据冲振波的产生机理，在具体应用中反应刀具劣化指标的冲振波信号波形特征参数，包括但不限于持续时间、幅值、上升时间、拐点个数、平均频率、有效值、标准差、峭度、峰值频率等中的一种或多种。在实施时，本领域技术人员可以根据要提取的波形特征，基于数字信号处理技术原理，采用任意合适的算法对冲振波信号进行计算，得到相应的波形特征，这里并不限定。

小波特征可以包括冲振波信号的能量特征和信息熵特征等。提取小波特征可以从频域的角度考虑，刀具在不同状态下，弹性波信号会有不同频率的分布。在实施时，本领域技术人员可以采用任意合适的数字信号处理技术对冲振波信号进行小波特征提取，得到小波特征，这里并不限定。在一些实施例中，可以对冲振波信号进行小波分解和重构，得到重构信号，进一步对重构信号进行能量和信息熵特征提取，得到能量特征和信熵特征。例如，可以对冲振波信号进行3层小波分解和重构，得到8个频段的重构信号，并进一步对重构信号进行能量和信息熵特征提取。

时频特征可以包括但不限于冲振波信号的有效值、标准差、峭度、重心频率、均方频率、频率方差等中的一种或多种。在实施时，本领域技术人员可以根据要提取的时频特征，基于数字信号处理技术原理，采用任意合适的算法对冲振波信号进行计算，得到相应的时频特征，这里并不限定。

在一些实施例中，可以基于特定的波形条件，从所述冲振波信号中提取突发型冲振波信号，并分别对所述突发型冲振波信号进行波形特征提取处理、小波特征提取处理和时频特征提取处理，得到所述波形特征、小波特征、时频特征。这里，刀具磨损后本身材料发生变化，会产生突发型的冲振波信号，通过特定的波形条件，可以从刀具在运行时产生的冲振波信号中提取突发型冲振波信号。这里，特定的波形条件为突发型冲振波波形的判定条件，可以包括但不限于幅度超过幅度阈值、持续时长超过持续时长阈值、拐点个数超过拐点个数阈值、上升时间超过上升时间阈值、平均频率超过平均频率阈值等中的一种或多种。在实施时，特定的波形条件可以是默认的，也可以是用户设定的的，还可以是通过机器学习算法基于历史数据自动学习得到的，本领域技术人员可以根据实际情况确定合适的波形条件，这里并不限定。例如，波形条件可以是波形幅度超过特定的幅度阈值，这样，可以确定冲振波信号中幅度超过特定的幅度阈值的时间区间，将冲振波信号在该时间区间对应的信号提取出来，即为突发型冲振波。

本申请实施例提供的刀具状态监测方法，采用多种不同类型的分类模型对冲振波信号进行分类，并根据各分类模型的权重，分别对每一待监测刀具的各分类结果进行投票，得到每一待监测刀具的状态，可以简单快速地综合各分类模型的识别结果，从而可以从不同角度综合评估刀具的状态，以进一步提高刀具状态识别和优劣性评估的准确性。此外，可以采用波形特征、时频特征、小波特征从多个维度描述冲振波信号的特征，从而可以进一步提高各分类模型的分类准确性。进一步地，可以在进行特征提取前先检测并提取冲振波信号中的突发型冲振波信号，并对突发型冲振波信号进行特征提取，可以有效缩小异常刀具状态的识别范围，从而可以进一步提高刀具状态识别和优劣性评估的准确性。

本申请实施例提供一种刀具状态监测方法，如图3A所示，该方法可以由计算机设备的处理器执行，包括：

步骤S301，响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的特征数据；其中，所述特征数据是通过对所述待监测刀具在运行时产生的冲振波信号进行特征提取得到的。

步骤S302，针对每一待监测刀具，基于所述待监测刀具的特征数据，采用预先训练好的至少两种不同类型的分类模型，分别对所述待监测刀具的冲振波信号进行分类，得到每一所述分类模型的分类结果。

步骤S303，根据各分类模型的权重，分别对每一所述待监测刀具的各分类结果进行投票，得到每一所述待监测刀具的状态。

步骤S304，在第一状态查看界面显示每一所述待监测刀具的状态。

这里，上述步骤S301至S304与前述步骤S201至S204的描述是类似的，在实施时，可以参照前述步骤S201至S204的具体实施方式。

步骤S305，响应于针对目标刀具的第二状态查看操作，获取所述目标刀具在运行时产生的冲振波信号的波形数据和特征数据。

这里，第二状态查看操作可以是查看目标刀具的监测数据的操作，例如针对目标刀具的实时监测数据查看操作、历史监测数据查看操作等。在实施时，第二状态查看操作可以是按钮点击或触摸操作，也可以是页面跳转操作等，这里并不限定。

冲振波信号的波形数据可以是采集终端采集的原始冲振波信号数据，也可以是对原始冲振波信号数据进行预处理(如降噪、截断、滤波等)后得到的数据。在实施时，冲振波信号的波形数据可以在响应用户的第二状态查看操作的过程中实时从采集终端获取，也可以是预先由采集终端采集并处理后发送给计算机设备，计算机设备将接收的波形数据存储在本地存储器或远端后，在响应用户的第二状态查看操作的过程中从本地存储器或远端获取。本领域技术人员可以根据实际情况采用合适的方式获取目标刀具在运行时产生的冲振波信号的波形数据和特征数据，这里并不限定。

步骤S306，在第二状态查看界面的特征查看区域，显示所述目标刀具的特征数据。

这里，第二状态查看界面可以包括特征查看区域，特征查看区域可以在第二状态查看界面中的任意合适位置。特征查看区域可以以任意合适的方式显示目标刀具的特征数据。在实施时，本领域技术人员可以根据实际情况采用合适的布局方式、视觉效果等显示目标刀具的每一特征数据，这里并不限定。例如，可以以具体数值方式显示每一特征数据，也可以采用数值区间显示每一特征数据，还可以采用图表等方式显示每一特征数据。例如，第二状态查看界面可以如图3B所示，第二状态查看界面中可以包括特征查看区域310，在特征查看区域310中可以显示目标刀具的特征数据311。

步骤S307，基于所述波形数据，在所述第二状态查看界面的波形查看区域，显示所述目标刀具的冲振波信号波形。

这里，第二状态查看界面还可以包括波形查看区域，波形查看区域可以在第二状态查看界面中的任意合适位置。波形查看区域可以以任意合适的方式显示目标刀具的冲振波信号波形。在实施时，本领域技术人员可以根据实际情况采用合适的布局方式、视觉效果等显示目标刀具的冲振波信号波形，这里并不限定。例如，可以以曲线段连接波形数据中的每一数据点，以曲线方式显示目标刀具的冲振波波形，也可以以线段连接波形数据中的每一数据点，以折线方式来显示目标刀具的冲振波波形。例如，第二状态查看界面可以如图3B所示，第二状态查看界面中可以包括波形查看区域320，在波形查看区域320中可以显示目标刀具的冲振波信号波形321。

在一些实施例中，第二状态查看界面还可以显示待监测刀具的名称、型号、安装位置等信息。

本申请实施例提供的刀具状态监测方法，通过在第二状态查看界面显示目标刀具的特征数据和冲振波信号波形，用户可以清晰直观地了解目标刀具的冲振波信号特征以及冲振波信号的变化趋势，从而可以优化机床加工行业管理运维水平，进而可以进一步避免刀具磨损和崩刃后继续加工，从而可以降低加工过程中的次品率和废品率，以及避免刀具损坏后对设备造成的次生灾害。

本申请实施例提供一种刀具状态监测方法，如图4所示，该方法可以由计算机设备的处理器执行，包括：

步骤S401，响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态；其中，所述待监测刀具的状态是采用预先训练好的至少两种不同类型的分类模型，对所述待监测刀具在运行时产生的冲振波信号进行分类确定的；

步骤S402，在第一状态查看界面显示每一所述待监测刀具的状态。

这里，上述步骤S401至S402与前述步骤S101至S102的描述是类似的，在实施时，可以参照前述步骤S101至S102的具体实施方式。

步骤S403，针对每一待监测刀具，在所述待监测刀具的状态满足告警条件时，对所述待监测刀具进行异常告警；

这里，告警条件可以是默认的，也可以是用户预先设定的。在实施时，本领域技术人员可以根据实际情况设置合适的告警条件，这里并不限定。例如，可以在待监测刀具的状态为特定状态(如磨损状态、崩刃状态等)时，确定满足告警条件；也可以在待监测刀具的状态为特定状态且持续时长达到特定时长阈值时，确定满足告警条件；还可以在监测刀具的状态为特定状态且该特定状态的置信度达到特定的置信度阈值时，确定满足告警条件。

异常告警可以采用任意合适的能够提醒用户刀具异常的告警方式，可以包括但不限于声音告警、指示灯告警、短信告警、电话告警、消息提醒等任意一种或多种方式。

步骤S404，基于针对各待监测刀具的异常告警，确定告警统计信息；

这里，告警统计信息可以包括但不限于当前异常告警的待监测刀具数量、当前各待监测刀具的异常告警率、各待监测刀具异常告警总次数、当日异常告警总次数等中的一种或多种。

步骤S405，在所述第一状态查看界面显示告警统计信息。

这里，第一状态查看界面可以以任意合适的方式显示每一告警统计信息。在实施时，本领域技术人员可以根据实际情况采用合适的布局方式、视觉效果等显示每一告警统计信息，这里并不限定。例如，可以采用列表的布局方式显示每一告警统计信息，也可以采用宫格布局方式显示每一告警统计信息。例如，第一状态查看界面可以如图1C所示，第一状态查看界面中可以包括告警统计信息显示区域120，在告警统计信息显示区域120中可以显示各告警统计信息121。

在一些实施例中，告警条件包括预警条件和报警条件，异常告警可以包括预警和报警，告警统计信息可以包括预警统计信息和报警统计信息。在待监测刀具的状态满足预警条件时，对待监测刀具进行预警；在待监测刀具的状态满足报警条件时，对待监测刀具进行报警。这里，预警条件可以是刀具出现劣化趋势但还未损坏的判断条件，用户在接收到预警时需要对刀具进行故障排查，在确认刀具还能正常使用的情况下，可以继续使用该刀具；报警条件可以是刀具出现损坏的判断条件，此时刀具已无法正常使用，用户在接收到报警时，需要立即对刀具进行更换处理。

本申请实施例提供的刀具状态监测方法，在待监测刀具的状态满足告警条件时，对待监测刀具进行异常告警。这样，可以在刀具处于磨损状态或崩刃状态时，及时提醒用户更换刀具，从而可以有效避免因刀具磨损和崩刃后继续加工造成的废品率增加，进而可以降低企业因废品率过高而产生的损失。此外，在第一状态查看界面显示针对各待监测刀具的告警统计信息。这样，用户可以简单直接地了解各待监测刀具地整体状态，从而可以进一步优化机床加工行业管理运维水平。

本申请实施例提供一种刀具状态监测方法，如图5所示，该方法可以由计算机设备的处理器执行，包括：

步骤S501，响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态；其中，所述待监测刀具的状态是采用预先训练好的至少两种不同类型的分类模型，对所述待监测刀具在运行时产生的冲振波信号进行分类确定的；

步骤S502，在第一状态查看界面显示每一所述待监测刀具的状态。

这里，上述步骤S501至S502与前述步骤S101至S102的描述是类似的，在实施时，可以参照前述步骤S101至S102的具体实施方式。

步骤S503，响应于用户在参数配置界面对系统参数进行的配置操作，更新配置的系统参数；其中，配置的系统参数包括以下至少之一：噪声阈值、冲振波信号采样间隔、特征计算参数、应用部署信息。

这里，噪声阈值为对采集的原始冲振波信号进行降噪处理时的噪声门槛；冲振波信号采用间隔为对冲振波信号进行采样的时间间隔；特征计算参数为进行特征提取时需要用到的计算参数；应用部署信息为应用部署的基础信息和网络状态等配置信息，如采集终端设备标识(Identity，ID)、采集终端设备网际互连网协议(Internet Protocol，IP)地址、服务器IP地址、服务器端口等。

在一些实施例中，更新配置的系统参数可以包括：基于配置的系统参数，生成参数更新指令，向采集终端下发所述参数更新指令，使得所述采集终端根据接收的参数更新指令更新存储器或当前工作寄存器中的参数。

本申请实施例提供的刀具状态监测方法，用户可以在参数配置界面对系统参数进行的配置操作，实现系统参数的更新。这样，用户可以根据实际需要配置合适的信号采集参数和特征计算参数等，从而可以进一步提高刀具状态识别的准确性。

本申请实施例提供一种刀具状态监测方法，如图6所示，该方法包括以下步骤：

步骤S601，分别获取特定数量的处于正常状态、磨损状态和崩刃状态的刀具的冲振波信号作为模型训练数据；

这里，模型训练数据可以是采集的历史数据，也可以是从本地磁盘或互联网获取的标准训练数据，本申请实施例对此并不限定。特定数量可以是根据要训练的模型所确定的任意合适的数量。各模型训练数据中处于正常状态、磨损状态和崩刃状态的刀具的冲振波信号的数量可以是相同的，也可以是不同的，本领域技术人员可以根据实际情况确定各模型训练数据中处于各状态的刀具的冲振波信号的数量。

步骤S602，为每一模型训练数据建立对应的磨损状态标签；

这里，磨损状态标签用于标注各模型训练数据中每一冲振波信号对应的刀具的状态。在实施时，各模型训练数据中对应的磨损状态标签可以是人工标注的，也可以是根据历史数据中的分类结果自动生成的。

步骤S603，基于各模型训练数据和每一所述模型训练数据的磨损状态标签，分别对至少两种不同类型的分类模型进行训练，得到所述预先训练好的至少两种不同类型的分类模型；

这里，可以将各模型训练数据和和每一模型训练数据的磨损状态标签分别输入每一分类模型，对各分类模型分别进行训练，得到训练好的各分类模型。在实施时，本领域技术人员可以根据实际情况采用任意合适的方式对各分类模型进行训练。在一些实施例中，可以将各模型训练数据分为训练数据、验证数据和测试数据，利用训练数据对各分类模型进行模型构建，利用验证数据在模型构建过程中进行模型验证，利用测试数据对构建好的模型进行测试。例如，可以将模型训练数据中的70％的作为训练数据、20％作为测试数据、10％作为验证数据。

步骤S604，响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态；其中，所述待监测刀具的状态是采用预先训练好的至少两种不同类型的分类模型，对所述待监测刀具在运行时产生的冲振波信号进行分类确定的；

步骤S605，在第一状态查看界面显示每一所述待监测刀具的状态。

这里，上述步骤S604至S605与前述步骤S101至S102的描述是类似的，在实施时，可以参照前述步骤S101至S102的具体实施方式。

本申请实施例提供一种刀具状态监测方法，图7A为本申请实施例提供的一种刀具状态监测方法的流程模块示意图，该方法可由计算机设备的处理器执行。如图7A所示，该方法包括如下流程模块：配置参数模块710、波形提取模块720、特征工程模块730、模型训练及模型验证模块740、数据预测模块750和投票输出模块760，其中，在配置参数模块710中可以完成刀具信息、报警阈值、冲振波灵敏度阈值、数据通讯网络参数等的配置；在波形提取模块720中可以根据配置参数模块710中配置的参数从采集的刀具在运行时产生的冲振波信号中提取出突发型冲振波波形；在特征工程模块730中可以根据波形提取模块720中提取的突发型冲振波波形进行特征工程，得到突发型冲振波信号的波形特征、小波特征和时频特征，并对得到的突发型冲振波信号的波形特征、小波特征和时频特征分别进行归一化处理和特征降维处理，得到降维后的波形特征、小波特征和时频特征；在模型训练及模型验证模块740中可以基于历史数据中的突发型冲振波信号降维后的的波形特征、小波特征和时频特征对多种机器学习模型进行训练和验证，得到训练好的多种机器学习模型；在数据预测模块750中可以利用训练好的多种机器学习模型对当前降维后的波形特征、小波特征和时频特征进行分类，得到各机器学模型的分类结果；在投票输出模块760中可以对各机器学模型的分类结果进行投票，得到并输出最终的识别结果。

此外，若是通过远程采集终端进行冲振波信号采集，则在配置参数模块中可以通过计算机设备的数据通讯模块，采用长期演进第4代移动通信技术(Long Term Evolution-the 4th Generation Communication，LTE-4G)或工业以太网等方式将配置的参数传输至采集终端；数据通信模块与采集终端通过4G网络进行连接时，可以采用传输控制协议(Transmission Control Protocol，TCP)协议进行数据通讯，数据通信模块作为TCP服务端，采集终端作为TCP客户端；为了确保数据在网络上传输的时效性、安全性和完整性，可以采用自定义数据协议对数据进行编解码；用户可以通过计算机设备上运行的采集终端参数配置可视化界面，对采集终端进行参数配置，数据通信模块可以将下发参数转变为参数下发指令，然后通过TCP协议发送给采集装置终端。

图7B是本申请实施例提供的一种刀具状态监测方法的实现流程示意图，该方法可由计算机设备的处理器执行。如图7B所示，该方法包括以下步骤：

步骤S701，正常、磨损、崩刃三种刀具冲振波数据采集：分别采集正常的刀具冲振波数据、磨损的刀具冲振波数据和崩刃的刀具冲振波数据，并为每一冲振波数据建立标签；

步骤S702，突发型冲振波信号提取：针对每一刀具冲振波数据，进行突发型冲振波信号的波形提取处理；

步骤S703，特征提取：对提取的每一突发型冲振波信号进行特征提取，得到该突发型冲振波信号的波形特征、小波特征、时频特征；

这里，可以通过以下步骤，实现对提取的每一突发型冲振波信号进行特征提取：

步骤S703a，小波特征提取：对提取的每一突发型冲振波信号进行3层小波分解和重构，得到8个频段的重构信号，并进一步对重构信号进行能量和信息熵特征提取；

步骤S703b，波形特征提取：对提取的每一突发型冲振波信号进行波形特征提取，波形特征主要包括幅度、计数、持续时间、上升时间、能量、平均频率等；

步骤S703c，时频特征提取：对提取的每一突发型冲振波信号进行时频特征提取，时频特征主要包括有效值、标准差、峭度、重心频率、均方频率、频率方差等。

步骤S704，特征归一化：对波形特征、小波特征、时频特征分别进行归一化处理；

步骤S705，特征降维：对归一化后的波形特征、小波特征、时频特征分别进行主成分分析降维处理，得到4个波形特征、4个小波能量特征、4个小波熵特征和4个时频特征，共计16个特征。

步骤S706，训练模型：利用70％的样本数据作为训练数据对5种机器学习模型进行训练，20％的样本数据作为测试数据对各机器学习模型进行测试，10％的样本数据作为验证数据对各机器学习模型进行验证，其中，5种机器学习模型可以是GBDT模型、AdaBoost分类器、SVM模型、KNN模型和逻辑回归模型；

步骤S707，模型预测：利用训练好的5种机器学习模型对需要预测的数据进行分类预测，得到各机器学习模型的分类结果；

步骤S708，投票输出结果：从5种机器学习模型的分类结果中投票选取并输出最终结果，输出的最终结果可以是正常状态、磨损状态或崩刃状态。

本申请实施例提供的刀具状态监测方法，利用刀具在运行时产生的冲振波信号，更好地描述了刀具因磨损、破损和磨钝所产生的弹性波，并通过一系列的波形提取、特征提取，将此描述状态的特征数据量减少、描述维度增大，可以更细致地描述刀具的状态，方便进行后续的模型训练和刀具状态识别。

该刀具状态监测方法在特征提取时，首先，根据刀具磨损后本身材料发生的变化，会产生突发型冲振波信号，通过高于幅度门槛或频率门槛的信号对应的时间去提取突发型冲振波信号的波形，并进一步从突发型冲振波信号的波形提取出6种波形参数作为波形特征，进而结合波形特征、小波特征和时频特征，可以更全面地描述冲振波信号的状态，从而更详尽地将刀具磨损产生材料本身变化的特征加入机器学习过程中，这样可以进一步提高机器学习模型精度、信号的可解释性和预测数据的准确性；其次，增加了特征降维处理过程，选择贡献度高的特征，可以同时减少数据存储、传输及计算的压力；最后，采用多模型投票机制得到最终的分类结果，可以提高刀具状态识别的准确性。

基于上述的刀具监测方法，本申请实施例提供一种刀具状态在线监测实时诊断系统，通过对刀具动态劣化参数的历史数据进行统计分析，可以实现对刀具劣化规律的掌握。通过对机床基本参数(包括零件加工数量、工作状态(工作/待机/报警/关机)等)的在线实时监测，可以对加工进行指导建议，实现对机床整体运行效率的评估，并可以对监测数据和结果进行展示和记录。

本申请实施例提供的刀具状态在线监测实时诊断系统，由无线信号采集终端和云端的分析诊断软件/二次软件开发包组成。

无线信号采集终端包括冲振波探头、信号采集模块、模数转换模块、数据处理模块和数据通讯模块等，可以对数控机床加工过程中刀具激发的冲振波信号进行采集和预处理(如降噪、截断、滤波)。其中，数据处理模块完成数据的预处理(如特征计算(特征包含小波特征、波形特征、时频特征)、数据清洗)和通讯协议的编码功能，并同时采集机床的输入输出(Input/Output，IO)开关状态量信息。数据通讯模块可以通过提供的工业以太网/LTE-4G两种通讯方式，将预处理和编码处理后的数据传输到分析诊断软件。

分析诊断软件实现对刀具的实时状态监测及异常报警、刀具故障诊断、刀具磨损特征趋势(即劣化趋势)的历史统计分析、预警报警历史趋势分析统计等。其中，异常报警的过程可以包括：对多个机器学习模型针对待监测刀具的识别结果进行投票，返回正常、磨损、崩刃三种刀具状态的分类得分情况；将磨损和崩刃的得分的和确定为报警信号；在报警信号得分大于0.7时，实现报警。刀具故障诊断的过程可以包括：在数据发生异常报警后，将磨损和崩刃两种状态中得分高的状态定义为故障类型，实现故障诊断。在分析诊断软件的整个实现流程中，降维后的特征保存在数据库中，可以根据需要观测的特征类别从数据库中获取相应的特征进行趋势分析。同样地，将多个机器学习模型输出的得分结果也保存至数据库，可以根据需要分析的数据从数据库中获取相应的得分结果，对报警的得分及分类情况做趋势分析与统计。此外，可以根据历史数据训练出的刀具状态识别模型，完成对当前刀具的状态地自动识别(即磨损和崩刃的识别)，进而实现报警。并且，还可以根据当前刀具的新数据自动对道具状态识别模型进行训练学习，实现对刀具状态识别模型的修正。

分析诊断软件还提供对无线信号采集终端的远程配置交互接口，可完成刀具信息、报警阈值、冲振波灵敏度阈值、数据通讯网络参数等信息的配置与传输。分析诊断软件与无线信号采集终端通过4G-LTE网络进行连接，采用TCP协议进行数据通讯。如图7C所示，可以通过以下步骤实现对无线信号采集终端的远程配置：

步骤S711，无线信号采集终端上电并连接远程的分析诊断软件服务器，与所述分析诊断软件建立TCP/IP通讯；

步骤S712，分析诊断软件根据无线信号采集终端上传的设备状态信息，进行参数配置；

步骤S713，系统时间同步配置：分析诊断软件通过TCP/IP协议，将打包好的配置指令(即时间同步指令)下发到无线信号采集终端；无线信号采集终端根据下发的时间同步指令更新本体时间万年历模块的初始值，随后基于该时间基础值启动本体时间万年历工作，并将运行的所述本体时间万年历作为无线信号采集终端的数据同步时间。此外，在工作过程中，会进行实时对时，当分析诊断软件与无线信号采集终端的数据同步时间相差大于设定值时，会进行时间校准。配置成功后，无线信号采集终端向分析诊断软件回复完成命令；配置未成功，无线信号采集终端向分析诊断软件回复未完成命令，并重复步骤S713。

步骤S714，信号噪声门槛配置：分析诊断软件在无线信号采集终端处于初始状态时，对无线信号采集终端进行噪声门槛配置；无线信号采集终端将配置好的噪声门槛存储到本体非易失型存储器(供之后工作使用)，并同时更新当前噪声门槛寄存器，更新当前工作状态配置成功后，无线信号采集终端向分析诊断软件回复完成命令；配置未成功，无线信号采集终端向分析诊断软件回复未完成命令，并重复步骤S714。

步骤S715，采样间隔配置：在不同的应用场景和系统运行阶段，可以对无线信号采集终端进行采样间隔(数据频率)的配置；分析诊断软件向无线信号采集终端下发配置命令；无线信号采集终端同时更新非易失型存储器和当前工作寄存器中的采样间隔，并更新系统工作状态。

步骤S716，特征计算参数配置：在不同的应用场景和系统运行阶段，可以对无线信号采集终端进行特征计算参数(如前导波点数、撞击闭锁时间(Hit Lockout Time，HLT)、撞击定义时间(Hit Definition Time，HDT)、峰值定义时间(Peak Definition Time，PDT)等)配置；分析诊断软件向无线信号采集终端下发配置命令，无线信号采集终端同时更新非易失型存储器和当前工作寄存器中的特征计算参数，并更新系统工作状态。

步骤S717，部署信息配置：当系统上线应用时，会根据用户现场要求、基础信息和网络状态对无线信号采集终端进行部署信息(如无线信号采集终端设备ID、无线信号采集终端设备IP地址、分析诊断软件服务器IP地址、端口等)配置：分析诊断软件向无线信号采集终端下发配置命令，无线信号采集终端同时更新非易失型存储器和当前工作寄存器中的部署信息，并更新系统工作状态；配置完后，无线信号采集终端与当前配置的分析诊断软件服务器切断通讯。

本申请实施例提供的刀具状态在线监测实时诊断系统，采用多维特征(包括波形特征、时频特征、小波特征)描述刀具在运行时产生的冲振波信号的信号特点，结合多种不同角度的分类器对刀具的状态进行综合评估，并通过投票输出最终识别结果。该系统可以实现对运行中刀具的磨损和崩刃等动态性的状态进行在线监测、预警、报警及诊断分析，从而可以实现对机床加工刀具的状态识别、优劣性评估、提高机床加工过程中刀具的使用寿命，降低加工过程中的次品率，进而可以优化机床加工行业管理运维水平。此外，冲振波信号数据的筛选运算和特征数据计算由无线信号采集终端完成，并通过4G通讯方式将无线信号采集终端采集的冲振波信号数据和计算的特征数据上传给云端数据分析诊断软件，从而提高了数据上传的有效性和实时性，并提高了用户使用系统的便利性。

本申请实施例提供的在线监测实时诊断系统，具有以下有益效果：

1)实现刀具的状态监测，掌握刀具状态；

2)实时评估刀具状态，避免刀具磨损和崩刃后继续加工，造成废品率增加，从而降低了企业因废品率过高而产生的损失；

3)避免刀具损坏后对设备造成的次生灾害。

图8为本申请实施例提供的一种分析诊断软件的技术架构分层体系结构示意图。如图8所示，该分析诊断软件的技术架构可以包括应用层810、业务层820、数据持久层830、数据接入层840，其中：

应用层810包括个人计算机(Personal Computer，PC)端Web应用、移动端(包括iOS系统或安卓系统)应用、大屏端等，各应用通过超文本传输协议(HyperText TransferProtocol，HTTP)/超文本传输安全协议(Hyper Text Transfer Protocol over SecureSocket Layer，HTTPS)/网络套接字(Web Socket，WebSocket)协议，采用表现层状态变化风格(RESTful)接口与业务层各模块进行数据交互；

业务层820负责业务逻辑的实现，采用微服务架构模式，各业务逻辑模块之间完全分离、各模块独立部署。主要微服务业务逻辑模块包括刀具状态的实时监测模块821、故障诊断模块822、趋势分析模块823、系统管理模块824、异常报警模块(图中未示出)、模型构建模块(图中未示出)和历史统计模块(图中未示出)等，其中，实时监测模块821采用实时流式计算技术，利用原始数据和特征数据进行实时故障、异常和报警分析，将分析结果存放到远程字典服务(Remote Dictionary Server，Redis)中，并通过WebSocket技术推送到微服务应用端；故障诊断模块822将特征数据输入到各故障诊断模型中，分析刀具实时状态，并根据分析结果和报警数值阈值进行报警判断，得出刀具目前最新的状态(如正常/磨损/崩刃)；趋势分析模块823利用特征数据，采用异常检测模型，预测分析刀具的异常状态；系统管理模块824主要负责各种业务基础数据的配置管理，包括工厂、车间、机床、刀具、无线信号采集终端、报警阈值等信息的配置管理；

数据持久层830包括数据存储模块831和数据转发模块832；数据存储模块831实现对数据接入层840接入的原始数据、特征数据、频谱数据、报警数据、诊断结论数据等各类数据进行存储，采用MySQL数据库存储结构化数据，采用MongoDB数据库存储非结构化数据，采用Redis存储实时热点数据，采用消息队列技术存储实时海量数据，并采用分布式存储的方式来存储各类数据，分布式存储系统本身采用数据冗余的方式来保证存储数据的安全性，即为同一份数据存储多个副本；数据转发模块832实现通过标准的数据接口将处理后的数据发送给业务层；

数据接入层840包括实时数据通信模块841和数据处理模块842；实时数据通信模块841实现通过4G网络与无线信号采集终端进行连接，并采用TCP协议进行数据通信，从无线信号采集终端接入数据，接入的数据包括但不限于待监测刀具产生的冲振波信号的原始数据和特征数据；数据处理模块842实现对接入的数据进行解密和编解码处理。

本申请实施例提供的分析诊断软件的技术架构的优点在于：一方面，数据可视化、业务逻辑、数据存储、数据接入逻辑分离，耦合性低，便于二次开发和维护，而且在业务发生变更时能够迅速准确的定位工作重点；另一方面，采用分层体系、模块化设计，使得各个业务模块各司其职，并通过标准化的接口进行业务数据通信，模块可插拔式设计，方便业务模块的接入和卸载，各业务之间侵入性低，从而可以很好地完成各业务之间的协作任务，并能强化数据的统一性和规范性，对于功能的扩展有着很高的灵活性。此外，本申请实施例提供的分析诊断软件部署方式灵活，可部署在Windows或Linux系统上，对服务器硬件配置要求不高，且部署过程简单方便，对技术人员水平要求低，可在短时间内进行部署或者扩容。

本申请实施例提供的分析诊断软件可以实现如下指标：

1)由于用户查询的数据包括原始数据、特征数据、报警数据、诊断数据等，基本都进行了持久化存储，并且系统会将热点数据缓存到Redis，因此，用户进行界面操作时，系统响应时间能够小于3秒，且用户进行查询、汇总数据时，系统响应时间能够小于5秒；

2)采用微服务架构，支持分布式部署，能够支持超过300的并发用户的访问需求，并能够根据应用场景和业务情况进行快速部署或扩容，具备海量数据及高并发用户的业务处理能力；

3)系统保存所有原始数据，数据一致性能达到100％；

4)各种日志文件、历史告警文件至少能保存6个月，且系统有数据可视化管理功能，可以很方便的进行数据的管理；

5)具有分类模型管理功能，可对分类模型进行在线创建、训练、验证和发布。

基于前述的实施例，本申请实施例提供一种刀具状态监测装置，该刀具状态监测包括所包括的各单元、以及各单元所包括的各模块，可以通过计算机设备(可以是个人计算机、服务器、数控设备或者网络设备等)中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。

图9为本申请实施例提供的一种刀具状态监测装置的组成结构示意图，如图9所示，所述刀具状态监测装置900包括：第一获取模块910、第一显示模块920，其中：

第一获取模块910，用于响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态；其中，所述待监测刀具的状态是采用预先训练好的至少两种不同类型的分类模型，对所述待监测刀具在运行时产生的冲振波信号进行分类确定的；

第一显示模块920，用于在第一状态查看界面显示每一所述待监测刀具的状态。

在一些实施例中，所述第一获取模块还用于：获取所述待监测刀具的特征数据；其中，所述特征数据是通过对所述待监测刀具在运行时产生的冲振波信号进行特征提取得到的；基于所述待监测刀具的特征数据，采用预先训练好的至少两种不同类型的分类模型，分别对所述待监测刀具的冲振波信号进行分类，得到每一所述分类模型的分类结果；根据各分类模型的权重，分别对所述待监测刀具的各分类结果进行投票，得到所述待监测刀具的状态。

在一些实施例中，所述第一获取模块还用于：获取采集终端发送的所述待监测刀具的特征数据；其中，所述特征数据由所述采集终端通过对所述待监测刀具在运行时产生的冲振波信号进行特征提取得到。

在一些实施例中，所述特征数据包括冲振波信号的波形特征、小波特征和时频特征。

在一些实施例中，所述装置还包括：第二获取模块，用于响应于针对目标刀具的第二状态查看操作，获取所述目标刀具在运行时产生的冲振波信号的波形数据和特征数据；第二显示模块，用于在第二状态查看界面的特征查看区域，显示所述目标刀具的特征数据；第三显示模块，用于基于所述波形数据，在所述第二状态查看界面的波形查看区域，显示所述目标刀具的冲振波信号波形。

在一些实施例中，所述装置还包括：告警模块，用于针对每一待监测刀具，在所述待监测刀具的状态满足告警条件时，对所述待监测刀具进行异常告警；确定模块，用于基于针对各待监测刀具的异常告警，确定告警统计信息；第四显示模块，用于在所述第一状态查看界面显示告警统计信息。

在一些实施例中，所述装置还包括：配置模块，用于响应于用户在参数配置界面对系统参数进行的配置操作，更新配置的系统参数；其中，配置的系统参数包括以下至少之一：噪声阈值、冲振波信号采样间隔、特征计算参数、应用部署信息。

以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的网络拓扑发现方法，并作为独立的产品销售或使用时，也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，本申请实施例的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，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台刀具状态监测设备(可以是个人计算机、服务器或者数控设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

对应地，本申请实施例提供一种刀具状态监测设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的步骤。

对应地，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方法中的步骤。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元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，也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，本申请实施例的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、服务器或者数控设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种刀具状态监测方法，其特征在于，所述方法包括：

响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态；其中，所述待监测刀具的状态是采用预先训练好的至少两种不同类型的分类模型，对所述待监测刀具在运行时产生的冲振波信号进行分类确定的；

在第一状态查看界面显示每一所述待监测刀具的状态。

2.根据权利要求1所述的方法，其特征在于，所述获取所述待监测刀具的状态，包括：

获取所述待监测刀具的特征数据；其中，所述特征数据是通过对所述待监测刀具在运行时产生的冲振波信号进行特征提取得到的；

基于所述待监测刀具的特征数据，采用预先训练好的至少两种不同类型的分类模型，分别对所述待监测刀具的冲振波信号进行分类，得到每一所述分类模型的分类结果；

根据各分类模型的权重，分别对所述待监测刀具的各分类结果进行投票，得到所述待监测刀具的状态。

3.根据权利要求2所述的方法，其特征在于，所述获取所述待监测刀具的特征数据，包括：

获取采集终端发送的所述待监测刀具的特征数据；其中，所述特征数据由所述采集终端通过对所述待监测刀具在运行时产生的冲振波信号进行特征提取得到。

4.根据权利要求2所述的方法，其特征在于，所述特征数据包括冲振波信号的波形特征、小波特征和时频特征。

5.根据权利要求2所述的方法，其特征在于，所述方法还包括：

响应于针对目标刀具的第二状态查看操作，获取所述目标刀具在运行时产生的冲振波信号的波形数据和特征数据；

在第二状态查看界面的特征查看区域，显示所述目标刀具的特征数据；

基于所述波形数据，在所述第二状态查看界面的波形查看区域，显示所述目标刀具的冲振波信号波形。

6.根据权利要求1至5任一项所述的方法，其特征在于，在所述响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态之后，所述方法还包括：

针对每一待监测刀具，在所述待监测刀具的状态满足告警条件时，对所述待监测刀具进行异常告警；

基于针对各待监测刀具的异常告警，确定告警统计信息；

在所述第一状态查看界面显示告警统计信息。

7.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：

响应于用户在参数配置界面对系统参数进行的配置操作，更新配置的系统参数；其中，配置的系统参数包括以下至少之一：噪声阈值、冲振波信号采样间隔、特征计算参数、应用部署信息。

8.一种刀具状态监测装置，其特征在于，所述装置包括：

第一获取模块，用于响应于用户的第一状态查看操作，针对至少一个待监测刀具中的每一待监测刀具，获取所述待监测刀具的状态；其中，所述待监测刀具的状态是采用预先训练好的至少两种不同类型的分类模型，对所述待监测刀具在运行时产生的冲振波信号进行分类确定的；

第一显示模块，用于在第一状态查看界面显示每一所述待监测刀具的状态。

9.一种刀具状态监测设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述方法中的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述方法中的步骤。

Images