CN112884717A - 实时工件表面检测与刀具寿命预测的系统及方法 - Google Patents

实时工件表面检测与刀具寿命预测的系统及方法 Download PDF

Info

Publication number
CN112884717A
CN112884717A CN202110122855.1A CN202110122855A CN112884717A CN 112884717 A CN112884717 A CN 112884717A CN 202110122855 A CN202110122855 A CN 202110122855A CN 112884717 A CN112884717 A CN 112884717A
Authority
CN
China
Prior art keywords
layer
time
life prediction
real
workpiece surface
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110122855.1A
Other languages
English (en)
Inventor
张绍辉
胡晓增
刘雨成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan Niuzhen Intelligent Technology Co ltd
Original Assignee
Dongguan Niuzhen Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dongguan Niuzhen Intelligent Technology Co ltd filed Critical Dongguan Niuzhen Intelligent Technology Co ltd
Priority to CN202110122855.1A priority Critical patent/CN112884717A/zh
Publication of CN112884717A publication Critical patent/CN112884717A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/048Activation functions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供实时工件表面检测与刀具寿命预测的系统及方法,通过图像采集模块采集到CNC设备加工完成的工件图像数据并传送至边缘网关,边缘网关部署工件表面检测模块和刀具寿命预测模块,工件表面检测模块对采集到的图像数据进行特征提取以及表面检测,刀具寿命预测模块通过特征提取后的图片数据进行实时刀具寿命预测,预测结果传送至云端,并且在运维网页实时显示相关内容。间接利用工件精度实时反映刀具当前的寿命状态,相比于通过检测刀具的工作次数或工作时间的方法更具有准确性与时效性,相比于采集多种刀具的传感器信号进行分析,此方法更简易直观,还可以直接完成对产品的质检,及时挑出加工次品或废品。

Description

实时工件表面检测与刀具寿命预测的系统及方法
技术领域
本发明专利涉及边缘计算和数控机床技术领域,特别是涉及一种基于边缘计算的实时工件表面检测与刀具寿命预测的系统及方法。
背景技术
在金属加工制造中,准确检测刀具状态可以为行业带来巨大的效益,提高加工的安全性和稳定性。如果不能够准确的预测刀具的状态,往往会增加企业加工产品的次品率,浪费大量资金,企业进购刀具的考量也会受到影响。刀具寿命的影响因素非常多,无法从一个方面就判断出。大多数企业都采用计时或计数的方法来预测刀具寿命,但每把刀的真实状态并不都能准确预测,导致刀具寿命减少与次品率上升。
云计算在带给大家便利的同时也可以更节省成本,云端用户也可以轻松获得高质量服务。但云计算也伴随着需要一台设备处理大量数据的问题,导致服务并不理想,当大量的数据都上传云端,数据传输速率会变低,实时性较差,不能满足工业领域对实时性有较高的要求。
发明内容
本发明基于现有的技术缺陷,提出一种实时工件表面检测与刀具寿命预测的系统及方法,基于边缘计算,用于解决工业领域刀具寿命预测准确率低和云端数据实时性不佳的问题,提高工业领域刀具寿命预测准确率,改善云端数据实时性,节省制造刀具的材料,使其适用于工业领域。
为了实现上述目的,本发明提出的实时工件表面检测与刀具寿命预测的系统,该系统包括有图像采集模块、工件表面检测模块、刀具寿命预测模块、边缘网关、云端服务平台及运维网页;图像采集模块实时采集CNC车床刀具加工出来的工件的图像,且图像采集模块将采集到的图像数据传送至边缘网关,边缘网关部署工件表面检测模块和刀具寿命预测模块;工件表面检测模块对采集到的图像数据进行特征提取以及表面检测,刀具寿命预测模块通过特征提取后的图片数据进行实时刀具寿命预测,边缘网关还将实时采集的图片数据、工件检测结果和刀具寿命预测结果上传到云端服务平台,实时显示在运维网页上。
为了实现上述目的,本发明提出的实时工件表面检测与刀具寿命预测的方法,该方法采用上述的基于边缘计算的实时工件表面检测与刀具寿命预测的系统进行实时检测和预测,包括以下步骤:
S1:将图像采集模块在现场实时采集从CNC车床刀具加工出来的工件的图像,并实时将采集到的图像传送至边缘网关;
S2:云端服务平台部署工件表面检测模块和刀具寿命预测模块至边缘网关,并通过云端服务平台控制模块的启停;
S3:图像数据经过边缘网关送入工件表面检测模块进行特征提取以及实时工件表面检测;
S4:图像经过特征提取和检测后所得的数据载入刀具寿命预测模块,对一段时间的图像进行分析推理,对未来一段时间刀具的寿命情况与设定的刀具使用寿命的加工工件精度进行比较,从而预测刀具的剩余使用寿命,由边缘网关将实时采集的图像数据、工件检测结果和刀具寿命预测结果上传云端数据库;
S5:将步骤S3得到的数据显示在设备的物模型属性并存于云端数据库中,云端数据库经过数据筛选与聚合编写成数据分析API,用于运维看板的实时数据分析显示;
S6:运维人员通过运维看板能实时监测各个CNC车床刀具预测寿命的结果,根据数据分析结果对故障或者潜在故障的刀具进行维护。
上述方案中,图像采集模块包括工业相机、镜头与光源,且工业相机、镜头与光源一同安装固定在工业机械手上。
上述方案中,工件表面检测模块利用图像增强算法对采集的图片进行图像增强,结合边缘检测算子对图片进行边缘提取,最后导入深度神经网络CNN模型中进行特征提取与表面检测。
上述方案中,刀具寿命预测模块利用工件表面检测模块所提取的特征,输入到长短期记忆人工神经网络LSTM模型中进行时序刀具寿命预测。
上述方案中,CNN主要包括输入层、卷积层、池化层与全连接层,卷积层使用卷积核对输入数据进行卷积处理,输出特征映射,每个卷积核输出一层神经元矩阵,称为特征映射,卷积的过程描述如下:
Figure 193833DEST_PATH_IMAGE002
其中l表示第l-th层的卷积层,
Figure 100002_DEST_PATH_IMAGE003
是第l层的输出,
Figure 638590DEST_PATH_IMAGE004
是第l-th层的输入;
Figure 100002_DEST_PATH_IMAGE005
表示权重矩阵,
Figure 6117DEST_PATH_IMAGE006
是偏置,
Figure 100002_DEST_PATH_IMAGE007
是特征映射的第j-th次卷积区域,
Figure 369447DEST_PATH_IMAGE008
是激活函数;池层通常在卷积层完成卷积后使用;它通过池核对输入特征向量进行降采样,并在实现数据降维的同时进一步突出提取的特征; 池化操作一般分为两种:最大池化和意义池化;池化的一般表达式是:
Figure 644570DEST_PATH_IMAGE010
其中
Figure 100002_DEST_PATH_IMAGE011
表示输入,
Figure 412675DEST_PATH_IMAGE012
是池函数,
Figure 100002_DEST_PATH_IMAGE013
是乘法偏置,b是加性偏置,
Figure 934792DEST_PATH_IMAGE014
是激活函数。
上述方案中,长短期记忆人工神经网络LSTM模型主要包括了遗忘层、输入层、单元候选层和输出层;遗忘层包括sigmoid激活函数σ在细胞状态 C t-1之前[0,1]的区间内返回一个值,而0表示状态未被激活,所有信息都被遗忘,1表示相反;遗忘层的输入为x t h t-1,所以遗忘层的方程可以表示为:
Figure 100002_DEST_PATH_IMAGE015
其中x t 是当前时刻t的输入,h t-是前一个时刻的隐藏状态;σ是乙状结肠函数;W f 是遗忘层Sigmoid函数的权重;[]表示级联操作; b f 是遗忘层Sigmoid函数的偏置参数;输入层决定单元状态需要吸收一些新的信息; 首先,Sigmoid函数σ层,这意味着一些值需要在输入门中更新;然后,tanh层的双曲正切函数创建一个矩阵作为附加到单元状态的替代;输入层的输入也是x t h t-1,所以输入层的方程可以描述为:
Figure 601397DEST_PATH_IMAGE016
其中 W i 是输入层中Sigmoid函数的权重;W C 是输入层中TANH函数的权重; b i 是输入层中Sigmoid函数的偏置参数; b C 是输入层中TANH函数的偏置参数;第三层为候选层,可将之前的状态C t-1更新为当前状态 C t ,,可表示为:
Figure 100002_DEST_PATH_IMAGE017
最后一层是输出层,它的输出取决于获得新的单元格状态;首先,将确定Sigmoid功能层哪些部分的细胞状态需要更新;然后,可以使用tanh函数处理单元格状态,使值在区间(-1,1)内,乘以Sigmoid层的输出,以确定最终输出;输出层的方程可以描述如下:
Figure 867162DEST_PATH_IMAGE018
Figure 100002_DEST_PATH_IMAGE019
本发明的有益效果在于:间接利用CNC设备加工完成的工件精度实时反映刀具当前的寿命状态,相比于通过检测刀具的工作次数或工作时间的方法更具有准确性与时效性,相比于采集多种刀具的传感器信号进行分析,此方法更简易直观,还可以直接完成对产品的质检,及时挑出加工次品或废品。
附图说明:
图1为本发明提供的实时工件表面检测与刀具寿命预测系统的框架示意图;
图2为本发明提供的实时工件表面检测与刀具寿命预测方法的流程示意图。
具体实施方式:
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
参阅图1所示,是本发明的系统框架示意图。本发明有关一种实时工件表面检测与刀具寿命预测的系统,基于边缘计算,该系统包括有图像采集模块10、工件表面检测模块21、刀具寿命预测模块22、边缘网关20、云端服务平台30及运维网页40。图像采集模块10实时采集CNC车床刀具加工出来的工件的图像,图像采集模块包括工业相机、镜头与光源并一同安装固定在工业机械手上,方便采集图像。图像采集模块10实时将采集到的图像数据传送至边缘网关20,边缘网关20中部署工件表面检测模块21和刀具寿命预测模块22。工件表面检测模块对采集到的图像数据进行特征提取以及表面检测,刀具寿命预测模块通过特征提取后的图片数据进行实时刀具寿命预测,边缘网关20还将实时采集的图片数据、工件检测结果和刀具寿命预测结果上传到云端服务平台30,实时显示在运维网页40上。本发明可实现利用CNC设备加工完成的工件精度实时反映刀具当前的寿命状态,相比于通过检测刀具的工作次数或工作时间的方法更具有准确性与时效性,相比于采集多种刀具的传感器信号进行分析,此方法更简易直观,还可以直接完成对产品的质检,及时挑出加工次品或废品。
参阅图2所示,本发明还提供一种基于边缘计算的实时工件表面检测与刀具寿命预测的方法,该方法采用上述的基于边缘计算的实时工件表面检测与刀具寿命预测的系统进行实时检测和预测,包括以下步骤:
S1:将图像采集模块在现场实时采集从CNC车床刀具加工出来的工件的图像,并实时将采集到的图像传送至边缘网关;
S2:云端服务平台部署工件表面检测模块和刀具寿命预测模块至边缘网关,并通过云端服务平台控制模块的启停;
S3:图像数据经过边缘网关送入工件表面检测模块进行特征提取以及实时工件表面检测;
S4:图像经过特征提取和检测后所得的数据载入刀具寿命预测模块,对一段时间的图像进行分析推理,对未来一段时间刀具的寿命情况与设定的刀具使用寿命的加工工件精度进行比较,从而预测刀具的剩余使用寿命,由边缘网关将实时采集的图像数据、工件检测结果和刀具寿命预测结果上传云端数据库;
S5:将步骤S3得到的数据显示在设备的物模型属性并存于云端数据库中,云端数据库经过数据筛选与聚合编写成数据分析API,用于运维看板的实时数据分析显示;
S6:运维人员通过运维看板能实时监测各个CNC车床刀具预测寿命的结果,根据数据分析结果对故障或者潜在故障的刀具进行维护。
其中,步骤1所述的图像采集模块由工业相机、镜头与光源构成并一同安装固定在工业机械手,可方便采集,获得准确、清晰的工件图像。步骤2所述的工件表面检测模块利用图像增强算法对采集的图片进行图像增强,结合边缘检测算子对图片进行边缘提取,最后导入深度神经网络CNN模型中进行特征提取与表面检测。所述的深度神经网络CNN模型主要包括输入层、卷积层、池化层与全连接层。卷积层使用卷积核对输入数据进行卷积处理,输出特征映射。每个卷积核输出一层神经元矩阵,称为特征映射。卷积的过程描述如下:
Figure DEST_PATH_IMAGE021
其中l表示第l-th层的卷积层,
Figure 492703DEST_PATH_IMAGE003
是第l层的输出,
Figure 264350DEST_PATH_IMAGE004
是第l-th层的输入;
Figure 152671DEST_PATH_IMAGE005
表示权重矩阵,
Figure 222127DEST_PATH_IMAGE006
是偏置,
Figure 574611DEST_PATH_IMAGE007
是特征映射的第j-th次卷积区域,
Figure 454843DEST_PATH_IMAGE008
是激活函数。池层通常在卷积层完成卷积后使用。它通过池核对输入特征向量进行降采样,并在实现数据降维的同时进一步突出提取的特征。 池化操作一般分为两种:最大池化和意义池化。池化的一般表达式是:
Figure DEST_PATH_IMAGE023
其中
Figure 79728DEST_PATH_IMAGE011
表示输入,,
Figure 500345DEST_PATH_IMAGE012
是池函数,
Figure 910598DEST_PATH_IMAGE013
是乘法偏置,b是加性偏置,
Figure 210998DEST_PATH_IMAGE014
是激活函数。步骤2所述的刀具寿命预测模块利用工件表面检测模块所提取的特征,输入到长短期记忆人工神经网络LSTM模型中进行时序刀具寿命预测。所述的长短期记忆人工神经网络LSTM模型主要包括了遗忘层、输入层、单元候选层和输出层。遗忘层包括sigmoid激活函数σ在细胞状态 C t-1之前[0,1]的区间内返回一个值,而0表示状态未被激活,所有信息都被遗忘,1表示相反。遗忘门的输入为x t h t-1,所以遗忘层的方程可以表示为:
Figure 136229DEST_PATH_IMAGE015
其中x t 是当前时刻t的输入,h t-是前一个时刻的隐藏状态。σ是Sigmoid函数;W f 是遗忘层Sigmoid函数的权重;[]表示级联操作; b f 是遗忘层Sigmoid函数的偏置参数。输入层决定单元状态需要吸收一些新的信息。 首先,Sigmoid函数σ层,这意味着一些值需要在输入中更新。然后,tanh层的双曲正切函数创建一个矩阵作为附加到单元状态的替代。输入层的输入也是x t h t-1,所以输入层的方程可以描述为:
Figure 298220DEST_PATH_IMAGE024
其中 W i 是输入层中Sigmoid函数的权重;W C 是输入层中TANH函数的权重; b i 是输入层中Sigmoid函数的偏置参数; b C 是输入层中TANH函数的偏置参数。第三层为候选层,可将之前的状态C t-1更新为当前状态 C t ,,可表示为:
Figure DEST_PATH_IMAGE025
最后一层是输出层,它的输出取决于获得新的单元格状态。首先,将确定Sigmoid功能层哪些部分的细胞状态需要更新。然后,可以使用tanh函数处理单元格状态,使值在区间(-1,1)内,乘以Sigmoid层的输出,以确定最终输出。输出层的方程可以描述如下:
Figure 543738DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
本发明用于对CNC机床设备刀具加工出来的工件进行实时图像采集;通过对图像的处理分析,能够反映出加工工件的精度与刀具设备的寿命状态,从而能够在短期内预测刀具是否会故障,从而发出警告,避免了因为没有及时替换刀具设备而导致加工了而大量残次品的情况;从长期来看,还能预测设备剩余寿命,使得运维人员能够及时更换和维修设备。基于边缘计算,利用深度学习网络对采集到的图像进行处理分析,实时检测工件表面的精度进行质检,同时对设备刀具进行预测性维护。
本发明能做到在相当准确率前提之下,能预测刀具设备未来短期的运行状态,从而针对潜在问题的刀具进行维修与更换,从而避免故障刀具加工出残次品的情况发生,也能够提高对刀具设备的使用率。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.实时工件表面检测与刀具寿命预测的系统,其特征在于,该系统包括有图像采集模块、工件表面检测模块、刀具寿命预测模块、边缘网关、云端服务平台及运维网页;图像采集模块实时采集CNC车床刀具加工出来的工件的图像,且图像采集模块将采集到的图像数据传送至边缘网关,边缘网关部署工件表面检测模块和刀具寿命预测模块;工件表面检测模块对采集到的图像数据进行特征提取以及表面检测,刀具寿命预测模块通过特征提取后的图片数据进行实时刀具寿命预测,边缘网关还将实时采集的图片数据、工件检测结果和刀具寿命预测结果上传到云端服务平台,实时显示在运维网页上。
2.实时工件表面检测与刀具寿命预测的方法,其特征在于,该方法采用上述的基于边缘计算的实时工件表面检测与刀具寿命预测的系统进行实时检测和预测,包括以下步骤:
S1:将图像采集模块在现场实时采集从CNC车床刀具加工出来的工件的图像,并实时将采集到的图像传送至边缘网关;
S2:云端服务平台部署工件表面检测模块和刀具寿命预测模块至边缘网关,并通过云端服务平台控制模块的启停;
S3:图像数据经过边缘网关送入工件表面检测模块进行特征提取以及实时工件表面检测;
S4:图像经过特征提取和检测后所得的数据载入刀具寿命预测模块,对一段时间的图像进行分析推理,对未来一段时间刀具的寿命情况与设定的刀具使用寿命的加工工件精度进行比较,从而预测刀具的剩余使用寿命,由边缘网关将实时采集的图像数据、工件检测结果和刀具寿命预测结果上传云端数据库;
S5:将步骤S3得到的数据显示在设备的物模型属性并存于云端数据库中,云端数据库经过数据筛选与聚合编写成数据分析API,用于运维看板的实时数据分析显示;
S6:运维人员通过运维看板能实时监测各个CNC车床刀具预测寿命的结果,根据数据分析结果对故障或者潜在故障的刀具进行维护。
3.根据权利要求2所述的实时工件表面检测与刀具寿命预测的方法,其特征在于,图像采集模块包括工业相机、镜头与光源,且工业相机、镜头与光源一同安装固定在工业机械手上。
4.根据权利要求2所述的实时工件表面检测与刀具寿命预测的方法,其特征在于,工件表面检测模块利用图像增强算法对采集的图片进行图像增强,结合边缘检测算子对图片进行边缘提取,最后导入深度神经网络CNN模型中进行特征提取与表面检测。
5.根据权利要求2所述的实时工件表面检测与刀具寿命预测的方法,其特征在于,刀具寿命预测模块利用工件表面检测模块所提取的特征,输入到长短期记忆人工神经网络LSTM模型中进行时序刀具寿命预测。
6.根据权利要求4所述的实时工件表面检测与刀具寿命预测的方法,其特征在于,CNN模型主要包括输入层、卷积层、池化层与全连接层,卷积层使用卷积核对输入数据进行卷积处理,输出特征映射,每个卷积核输出一层神经元矩阵,称为特征映射,卷积的过程描述如下:
Figure 257578DEST_PATH_IMAGE002
其中l表示第l-th层的卷积层,
Figure DEST_PATH_IMAGE003
是第l层的输出,
Figure 325897DEST_PATH_IMAGE004
是第l-th层的输入;
Figure DEST_PATH_IMAGE005
表示权重矩阵,
Figure 741179DEST_PATH_IMAGE006
是偏置,
Figure DEST_PATH_IMAGE007
是特征映射的第j-th次卷积区域,
Figure 860444DEST_PATH_IMAGE008
是激活函数;池层通常在卷积层完成卷积后使用;它通过池核对输入特征向量进行降采样,并在实现数据降维的同时进一步突出提取的特征; 池化操作一般分为两种:最大池化和意义池化;池化的一般表达式是:
Figure 237068DEST_PATH_IMAGE010
其中
Figure DEST_PATH_IMAGE011
表示输入,
Figure 543416DEST_PATH_IMAGE012
是池函数,
Figure DEST_PATH_IMAGE013
是乘法偏置,b是加性偏置,
Figure 562056DEST_PATH_IMAGE014
是激活函数。
7.根据权利要求5所述的实时工件表面检测与刀具寿命预测的方法,其特征在于,长短期记忆人工神经网络LSTM模型主要包括了遗忘层、输入层、单元候选层和输出层;遗忘层包括sigmoid激活函数σ在细胞状态 C t-1之前[0,1]的区间内返回一个值,而0表示状态未被激活,所有信息都被遗忘,1表示相反;遗忘层的输入为x t h t-1,所以遗忘层的方程可以表示为:
Figure DEST_PATH_IMAGE015
其中x t 是当前时刻t的输入,h t-是前一个时刻的隐藏状态;σ是乙状结肠函数;W f 是遗忘层Sigmoid函数的权重;[]表示级联操作; b f 是遗忘层Sigmoid函数的偏置参数;输入层决定单元状态需要吸收一些新的信息; 首先,Sigmoid函数σ层,这意味着一些值需要在输入门中更新;然后,tanh层的双曲正切函数创建一个矩阵作为附加到单元状态的替代;输入层的输入也是x t h t-1,所以输入层的方程可以描述为:
Figure 253937DEST_PATH_IMAGE016
其中 W i 是输入层中Sigmoid函数的权重;W C 是输入层中TANH函数的权重; b i 是输入层中Sigmoid函数的偏置参数; b C 是输入层中TANH函数的偏置参数;第三层为候选层,可将之前的状态C t-1更新为当前状态 C t ,,可表示为:
Figure DEST_PATH_IMAGE017
最后一层是输出层,它的输出取决于获得新的单元格状态;首先,将确定Sigmoid功能层哪些部分的细胞状态需要更新;然后,可以使用tanh函数处理单元格状态,使值在区间(-1,1)内,乘以Sigmoid层的输出,以确定最终输出;输出层的方程可以描述如下:
Figure 817774DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE019
CN202110122855.1A 2021-01-29 2021-01-29 实时工件表面检测与刀具寿命预测的系统及方法 Pending CN112884717A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110122855.1A CN112884717A (zh) 2021-01-29 2021-01-29 实时工件表面检测与刀具寿命预测的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110122855.1A CN112884717A (zh) 2021-01-29 2021-01-29 实时工件表面检测与刀具寿命预测的系统及方法

Publications (1)

Publication Number Publication Date
CN112884717A true CN112884717A (zh) 2021-06-01

Family

ID=76053344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110122855.1A Pending CN112884717A (zh) 2021-01-29 2021-01-29 实时工件表面检测与刀具寿命预测的系统及方法

Country Status (1)

Country Link
CN (1) CN112884717A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821875A (zh) * 2021-09-26 2021-12-21 湖南大学 一个基于端云协同的智能车辆故障实时预测方法及系统
CN113909996A (zh) * 2021-09-30 2022-01-11 华中科技大学 一种基于数字孪生的高端装备加工状态监测方法及系统
TWI833347B (zh) * 2022-09-08 2024-02-21 瑞麗刀剪股份有限公司 理髮用剪刀管理系統

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0475854A (ja) * 1990-07-13 1992-03-10 Toshiba Tungaloy Co Ltd 工具寿命の感知センサー
CN101670533A (zh) * 2009-09-25 2010-03-17 南京信息工程大学 基于工件加工表面图像分析的刀具磨损状态评价方法
CN106584209A (zh) * 2016-11-10 2017-04-26 哈尔滨理工大学 基于云制造的刀具磨损实时在线监测方法
CN108620949A (zh) * 2017-03-24 2018-10-09 郑芳田 刀具磨耗监测与预测方法
US20190057307A1 (en) * 2016-10-11 2019-02-21 Hitachi, Ltd. Deep long short term memory network for estimation of remaining useful life of the components
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN110303380A (zh) * 2019-07-05 2019-10-08 重庆邮电大学 一种数控机床刀具剩余寿命预测方法
CN110554657A (zh) * 2019-10-16 2019-12-10 河北工业大学 一种数控机床运行状态健康诊断系统及诊断方法
CN111260626A (zh) * 2020-01-15 2020-06-09 佛山科学技术学院 一种基于深度学习的工件磨损检测方法及系统
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及系统
CN111337234A (zh) * 2020-03-09 2020-06-26 西南交通大学 一种基于实时监测的tbm刮刀寿命预测系统及方法
CN111475921A (zh) * 2020-03-13 2020-07-31 重庆邮电大学 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法
CN111890127A (zh) * 2020-08-06 2020-11-06 南京航空航天大学 基于在线增量磨损演化模型的切削状态边缘智能监控方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0475854A (ja) * 1990-07-13 1992-03-10 Toshiba Tungaloy Co Ltd 工具寿命の感知センサー
CN101670533A (zh) * 2009-09-25 2010-03-17 南京信息工程大学 基于工件加工表面图像分析的刀具磨损状态评价方法
US20190057307A1 (en) * 2016-10-11 2019-02-21 Hitachi, Ltd. Deep long short term memory network for estimation of remaining useful life of the components
CN106584209A (zh) * 2016-11-10 2017-04-26 哈尔滨理工大学 基于云制造的刀具磨损实时在线监测方法
CN108620949A (zh) * 2017-03-24 2018-10-09 郑芳田 刀具磨耗监测与预测方法
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN110303380A (zh) * 2019-07-05 2019-10-08 重庆邮电大学 一种数控机床刀具剩余寿命预测方法
CN110554657A (zh) * 2019-10-16 2019-12-10 河北工业大学 一种数控机床运行状态健康诊断系统及诊断方法
CN111260626A (zh) * 2020-01-15 2020-06-09 佛山科学技术学院 一种基于深度学习的工件磨损检测方法及系统
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及系统
CN111337234A (zh) * 2020-03-09 2020-06-26 西南交通大学 一种基于实时监测的tbm刮刀寿命预测系统及方法
CN111475921A (zh) * 2020-03-13 2020-07-31 重庆邮电大学 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法
CN111890127A (zh) * 2020-08-06 2020-11-06 南京航空航天大学 基于在线增量磨损演化模型的切削状态边缘智能监控方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHANG BIN ET AL: "Bearing performance degradation assessment using long short-term memory recurrent network", 《COMPUTERS IN INDUSTRY》 *
ZHANG BIN ET AL: "Bearing performance degradation assessment using long short-term memory recurrent network", 《COMPUTERS IN INDUSTRY》, vol. 106, 28 March 2019 (2019-03-28), pages 14 - 29, XP085597090, DOI: 10.1016/j.compind.2018.12.016 *
张永峰等: "基于集成神经网络的剩余寿命预测", 《工程科学学报》 *
张永峰等: "基于集成神经网络的剩余寿命预测", 《工程科学学报》, vol. 42, no. 10, 30 September 2020 (2020-09-30), pages 146 - 154 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821875A (zh) * 2021-09-26 2021-12-21 湖南大学 一个基于端云协同的智能车辆故障实时预测方法及系统
CN113821875B (zh) * 2021-09-26 2023-08-29 湖南大学 一个基于端云协同的智能车辆故障实时预测方法及系统
CN113909996A (zh) * 2021-09-30 2022-01-11 华中科技大学 一种基于数字孪生的高端装备加工状态监测方法及系统
TWI833347B (zh) * 2022-09-08 2024-02-21 瑞麗刀剪股份有限公司 理髮用剪刀管理系統

Similar Documents

Publication Publication Date Title
CN112884717A (zh) 实时工件表面检测与刀具寿命预测的系统及方法
Yun et al. Automated defect inspection system for metal surfaces based on deep learning and data augmentation
KR102229594B1 (ko) 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체
Xu et al. Deep learning-based tool wear prediction and its application for machining process using multi-scale feature fusion and channel attention mechanism
CN111259481B (zh) 一种整合空间信息的建筑室内光环境设计评价方法及装置
CN108257114A (zh) 一种基于深度学习的输电设备缺陷自动识别方法
CN112465748A (zh) 基于神经网络的裂缝识别方法、装置、设备及存储介质
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN112085261A (zh) 基于云端融合和数字孪生技术的企业生产现状诊断方法
CN105372581A (zh) 挠性电路板制造过程自动监测和智能分析系统及方法
CN110288017B (zh) 基于动态结构优化的高精度级联目标检测方法与装置
CN113469951B (zh) 一种基于级联区域卷积神经网络的轮毂缺陷检测方法
CN116664846B (zh) 基于语义分割实现3d打印桥面施工质量监测方法及系统
CN117270482A (zh) 基于数字孪生的汽车工厂控制系统
Aksonov et al. Visualization and analysis of technological systems experimental operating results
Zuo et al. Application of YOLO object detection network in weld surface defect detection
CN113111875A (zh) 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法
CN116050678A (zh) 一种基于云计算的压铸产品加工测试系统及方法
CN118293999A (zh) 一种用于试剂瓶的液位检测系统
CN117961646B (zh) 一种重载加工用数控刀片剩余使用寿命预测方法及系统
CN115171045A (zh) 一种基于yolo的电网作业现场违章识别方法及终端
Ly Duc et al. Zero defect manufacturing using digital numerical control
CN115035082A (zh) 一种基于YOLOv4改进算法的航空器透明件缺陷检测方法
CN117649207A (zh) 一种建筑施工管理系统
Kirthiga et al. A survey on crack detection in concrete surface using image processing and machine learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601

RJ01 Rejection of invention patent application after publication