CN113723016A - 冲头剩余寿命预测方法、装置、系统与可读存储介质 - Google Patents

冲头剩余寿命预测方法、装置、系统与可读存储介质 Download PDF

Info

Publication number
CN113723016A
CN113723016A CN202111279516.0A CN202111279516A CN113723016A CN 113723016 A CN113723016 A CN 113723016A CN 202111279516 A CN202111279516 A CN 202111279516A CN 113723016 A CN113723016 A CN 113723016A
Authority
CN
China
Prior art keywords
punch
data
sensor
acquiring
eddy current
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
CN202111279516.0A
Other languages
English (en)
Inventor
张建宇
冯建设
花霖
刘桂芬
王春洲
朱瑜鑫
成建洪
杜冬冬
赵一波
叶佩玉
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.)
Shenzhen Xinrun Fulian Digital Technology Co Ltd
Original Assignee
Shenzhen Xinrun Fulian Digital 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 Shenzhen Xinrun Fulian Digital Technology Co Ltd filed Critical Shenzhen Xinrun Fulian Digital Technology Co Ltd
Priority to CN202111279516.0A priority Critical patent/CN113723016A/zh
Publication of CN113723016A publication Critical patent/CN113723016A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N19/00—Investigating materials by mechanical methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种冲头剩余寿命预测方法、装置、系统和可读存储介质，该方法包括：在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；对所述当前数据集合进行预设操作，得到数据特征集合，并将所述数据特征集合、所述工艺参数和所述监测参数输入预测模型，以得到冲头剩余寿命预测值；将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头，提高了冲头剩余寿命预测的准确率，进而减少了冲头的浪费。

Description

冲头剩余寿命预测方法、装置、系统与可读存储介质
技术领域
本发明涉及机器学习技术领域，尤其涉及冲头剩余寿命预测方法、装置、系统与可读存储介质。
背景技术
传统的冲头剩余寿命预测主要采用冲头累计使用次数的方法和定期检查冲头的方法来评估冲头剩余寿命，采用冲头累计使用次数的方法来评估冲头剩余寿命，往往会根据经验提前更换冲头，会造成大量冲头生命的浪费，采用定期检查冲头的方法，会消耗大量的保养时间，造成人力成本的浪费并且冲头剩余寿命预测的准确率不高，采用以上两种方法对冲头剩余寿命进行预测，往往依靠的是操作人员的经验，容易导致冲头剩余寿命预测的准确率不高，容易造成冲头浪费或造成生产事故；因此，如何提高冲头剩余寿命预测的准确率，减少冲头浪费，是急需解决的问题。
发明内容
本发明的主要目的在于提出一种冲头剩余寿命预测方法、装置、系统与可读存储介质，旨在解决如何提高冲头剩余寿命预测的准确率，减少冲头浪费的问题。
为实现上述目的，本发明提供一种冲头剩余寿命预测方法，所述冲头剩余寿命预测方法包括如下步骤：
在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；
对所述当前数据集合进行预设操作，得到数据特征集合，并将所述数据特征集合、所述工艺参数和所述监测参数输入预测模型，以得到冲头剩余寿命预测值；
将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头。
优选地，在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合的步骤之前，所述冲头剩余寿命预测方法还包括：
获取对应的冲压机的工艺参数和监测参数，结合通过超声传感器、声波传感器、柔性传感器和电涡流传感器分别采集预设数量的冲头的全生命周期对应的超声数据、声波数据、冲压力数据和电涡流数据作为训练样本集，并对所述训练样本集进行训练，得到预测模型。
优选地，对所述训练样本集进行训练，得到预测模型的步骤包括：
对所述训练样本集中的所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据分别进行数据预处理操作，并对经过所述数据预处理的超声数据、声波数据、冲压力数据和电涡流数据分别进行特征构造操作，以得到训练特征集合；
对所述训练特征集合以及所述冲压机的工艺参数和监测参数进行回归操作，以得到初始模型集合，并对所述初始模型集合进行参数调优操作和融合操作，以得到预测模型。
优选地，通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合的步骤包括：
获取冲头进行冲压时的冲压起始时间和冲压终止时间，并通过超声传感器、声波传感器、柔性传感器和电涡流传感器采集所述冲压起始时间和所述冲压终止时间之间冲头对应的超声数据、声波数据、冲压力数据和电涡流数据，以基于所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据得到当前数据集合。
优选地，对所述当前数据集合进行预设操作，得到数据特征集合的步骤包括：
对所述当前数据集合进行异常值去除操作，并对经过所述异常值去除操作的当前数据集合进行时间对齐操作；
对经过所述时间对齐操作的当前数据集合进行滤波操作，并对经过所述滤波操作的当前数据集合进行特征构造操作，以得到数据特征集合。
优选地，将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头的步骤包括：
将所述冲头剩余寿命预测值与预设阈值进行对比，得到对比结果；
若对比结果为所述冲头剩余寿命预测值小于所述预设阈值，则确定需要更换所述冲头，并发出更换冲头提示；
若对比结果为所述冲头剩余寿命预测值不小于所述预设阈值，则确定不需要更换所述冲头，并执行步骤：通过传感器采集冲头对应的当前数据集合。
优选地，将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头的步骤之后，所述冲头剩余寿命预测方法还包括：
检测是否接收到云端服务器发送的预测模型更新指令，若接收到所述预测模型更新指令，则向云端服务器请求新版本预测模型，并将所述预测模型替换为所述新版本预测模型。
此外，为实现上述目的，本发明还提供一种冲头剩余寿命预测装置，所述冲头剩余寿命预测装置包括：
获取模块，用于在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；
计算模块，用于对所述当前数据集合进行预设操作，得到数据特征集合，并将所述数据特征集合、所述工艺参数和所述监测参数输入预测模型，以得到冲头剩余寿命预测值；
对比模块，用于将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头。
进一步地，所述获取模块还包括训练模块，所述训练模块用于：
获取对应的冲压机的工艺参数和监测参数，结合通过超声传感器、声波传感器、柔性传感器和电涡流传感器分别采集预设数量的冲头的全生命周期对应的超声数据、声波数据、冲压力数据和电涡流数据作为训练样本集，并对所述训练样本集进行训练，得到预测模型。
进一步地，所述训练模块还用于：
对所述训练样本集中的所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据分别进行数据预处理操作，并对经过所述数据预处理的超声数据、声波数据、冲压力数据和电涡流数据分别进行特征构造操作，以得到训练特征集合；
对所述训练特征集合以及所述冲压机的工艺参数和监测参数进行回归操作，以得到初始模型集合，并对所述初始模型集合进行参数调优操作和融合操作，以得到预测模型。
进一步地，所述获取模块还用于：
获取冲头进行冲压时的冲压起始时间和冲压终止时间，并通过超声传感器、声波传感器、柔性传感器和电涡流传感器采集所述冲压起始时间和所述冲压终止时间之间冲头对应的超声数据、声波数据、冲压力数据和电涡流数据，以基于所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据得到当前数据集合。
进一步地，所述计算模块还用于：
对所述当前数据集合进行异常值去除操作，并对经过所述异常值去除操作的当前数据集合进行时间对齐操作；
对经过所述时间对齐操作的当前数据集合进行滤波操作，并对经过所述滤波操作的当前数据集合进行特征构造操作，以得到数据特征集合。
进一步地，所述对比模块还用于：
将所述冲头剩余寿命预测值与预设阈值进行对比，得到对比结果；
若对比结果为所述冲头剩余寿命预测值小于所述预设阈值，则确定需要更换所述冲头，并发出更换冲头提示；
若对比结果为所述冲头剩余寿命预测值不小于所述预设阈值，则确定不需要更换所述冲头，并执行步骤：通过传感器采集冲头对应的当前数据集合。
进一步地，所述对比模块还包括更新模块，所述更新模块用于：
检测是否接收到云端服务器发送的预测模型更新指令，若接收到所述预测模型更新指令，则向云端服务器请求新版本预测模型，并将所述预测模型替换为所述新版本预测模型。
此外，为实现上述目的，本发明还提供一种冲头剩余寿命预测系统，所述冲头剩余寿命预测系统包括：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冲头剩余寿命预测程序，所述冲头剩余寿命预测程序被所述处理器执行时实现如上所述的冲头剩余寿命预测方法的步骤。
此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质为计算机可读储存介质，所述计算机可读存储介质上存储有冲头剩余寿命预测程序，所述冲头剩余寿命预测程序被处理器执行时实现如上所述的冲头剩余寿命预测方法的步骤。
本发明提出的冲头剩余寿命预测方法，在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；对所述当前数据集合进行预设操作，得到数据特征集合，并将所述数据特征集合、所述工艺参数和所述监测参数输入预测模型，以得到冲头剩余寿命预测值；将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头；本发明通过将冲压机的工艺参数、监测参数以及通过传感器采集冲头对应的当前数据集合输入预测模型，得到冲头寿命预测值，以确定是否需要更换冲头，提高了冲头剩余寿命预测的准确率，进而减少了冲头的浪费。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明冲头剩余寿命预测方法第一实施例的流程示意图；
图3为本发明传感器安装位置示意图；
图4为本发明冲头对应的冲程示意图；
图5为本发明对数据进行快速傅里叶变换后的波形示意图。
附图标号说明：
标号 名称 标号 名称
31 传感器统一接口 32 AE传感器
33 UE传感器 34 电涡流传感器
35 柔性传感器 36 冲压机床
37 机床立柱 38 上模座
39 上垫板 310 脱料板
311 下打板 312 下垫板
313 下模座
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例设备可以是PC机或服务器设备。
如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及冲头剩余寿命预测程序。
其中，操作系统是管理和控制便携预测设备与软件资源的程序，支持网络通信模块、用户接口模块、冲头剩余寿命预测程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1002；用户接口模块用于管理和控制用户接口1003。
在图1所示的预测设备中，所述预测设备通过处理器1001调用存储器1005中存储的冲头剩余寿命预测程序，并执行下述冲头剩余寿命预测方法各个实施例中的操作。
基于上述硬件结构，提出本发明冲头剩余寿命预测方法实施例。
参照图2，图2为本发明冲头剩余寿命预测方法第一实施例的流程示意图，所述方法包括：
步骤S10，在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；
步骤S20，对所述当前数据集合进行预设操作，得到数据特征集合，并将所述数据特征集合、所述工艺参数和所述监测参数输入预测模型，以得到冲头剩余寿命预测值；
步骤S30，将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头。
本实施例冲头剩余寿命预测方法运用于冲压生产机构的冲头剩余寿命预测设备中，该冲头剩余寿命预测设备可以是终端或PC设备，能与云端服务器进行通信，并能通过多种传感器获取冲头对应的当前数据集合；该冲头剩余寿命预测设备的传感器包括：UE传感器（超声传感器）、AE传感器（声波传感器）、柔性传感器、电涡流传感器；为描述方便，将冲头剩余寿命预测设备简称为预测设备为例进行描述；预测设备在检测到冲压机的启动指令时，获取冲压机的工艺参数和监测参数，并通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；预测设备对当前数据集合进行异常值去除操作，并对经过异常值去除操作的当前数据集合进行时间对齐操作；预测设备对经过时间对齐操作的当前数据集合进行滤波操作，并对经过滤波操作的当前数据集合进行特征构造操作，以得到数据特征集合；预测设备将数据特征集合、工艺参数和监测参数输入预测模型，以得到冲头剩余寿命预测值，并将冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换冲头。需要说明的是，UE传感器采集的是冲压生产中冲头对应的超声数据，AE传感器采集的是冲压生产中冲头对应的声波数据，柔性传感器采集的是冲压生产中冲头对应的冲压力数据，电涡流传感器采集的是冲压生产中冲头对应的电涡流数据；冲压机的工艺参数包括冲压力设定值、加工节拍、冲压速度、下止点停止时间、冲程等，监测参数为监测工艺参数包括冲压力设定值、加工节拍、冲压速度、下止点停止时间、冲程等是否正常的参数。
本实施例的冲头剩余寿命预测方法，在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；对所述当前数据集合进行预设操作，得到数据特征集合，并将所述数据特征集合、所述工艺参数和所述监测参数输入预测模型，以得到冲头剩余寿命预测值；将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头；本发明通过将冲压机的工艺参数、监测参数以及通过传感器采集冲头对应的当前数据集合输入预测模型，得到冲头寿命预测值，以确定是否需要更换冲头，提高冲头剩余寿命预测的准确率，进而减少了冲头的浪费。
以下将对各个步骤进行详细说明：
步骤S10，在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；
在本实施例中，预测设备在检测到冲压机的启动指令时，获取启动指令中对应的冲压机的工艺参数包括：冲压力设定值、加工节拍、冲压速度、下止点停止时间、冲程等，并基于上述工艺参数获取对应的监测参数，再通过UE传感器采集冲压生产中冲头当前的超声数据，通过AE传感器采集冲压生产中冲头当前的声波数据，通过柔性传感器采集冲压生产中冲头当前的冲压力数据，通过电涡流传感器采集冲压生产中冲头当前的电涡流数据；在一实施例中，如图3所示，模具由上模座38、上垫板39、脱料板310、下打板311、下垫板312和下模座313组成，柔性传感器35安装在冲压机床36的机床立柱37，可以测量冲压机床36中冲头的冲压力，安装方式为贴装；UE传感器33安装在模具内部的脱料板310上，可以提供在冲压过程中冲头的超声数据，安装方式为贴装，安装位置需结合实际生产要求，以不影响正常生产为前提设计最优的安放位置；AE传感器32安装在模具的上模座38上，可以提供在冲压过程中冲头的声波数据，安装方式为贴装，安装位置需结合实际生产要求，以不影响正常生产为前提设计最优的安放位置；电涡流传感器34安装在模具的下模座313上，可以提供在冲压过程中冲头的电涡流数据，安装方式为贴装，安装位置需结合实际生产要求，以不影响正常生产为前提设计最优的安放位置，UE传感器33、AE传感器32、电涡流传感器34和柔性传感器35都通过传感器统一接口31与预测设备进行连接。
具体地，通过传感器采集冲头对应的当前数据集合的步骤包括：
步骤a，获取冲头进行冲压时的冲压起始时间和冲压终止时间，并通过超声传感器、声波传感器、柔性传感器和电涡流传感器采集所述冲压起始时间和所述冲压终止时间之间冲头对应的超声数据、声波数据、冲压力数据和电涡流数据，以基于所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据得到当前数据集合。
在该步骤中，预测设备获取冲头进行冲压时的冲压起始时间和冲压终止时间，并通过超声传感器、声波传感器、柔性传感器和电涡流传感器采集所述冲压起始时间和所述冲压终止时间之间冲头对应的超声数据、声波数据、冲压力数据和电涡流数据，以基于所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据得到当前数据集合。在一实施例中，预测设备通过采集PLC参数，获取冲头下冲行程X1及冲头上抬行程X2，则信号采集段对应到冲程Xt即为：Xt=X1*5%~X2*10%，其中，如图4所示，在下冲行程X1的最后部分截取5%，在上抬行程X2的最开始部分截取10%，作为冲头的冲程，根据冲程确定冲压起始时间和冲压终止时间，并通过UE传感器采集冲压生产中冲头当前的超声数据，通过AE传感器采集冲压生产中冲头当前的声波数据，通过柔性传感器采集冲压生产中冲头当前的冲压力数据，通过电涡流传感器采集冲压生产中冲头当前的电涡流数据。
步骤S20，对所述当前数据集合进行预设操作，得到数据特征集合，并将所述数据特征集合、所述工艺参数和所述监测参数输入预测模型，以得到冲头剩余寿命预测值；
在本实施例中，预测设备对当前数据集合进行异常值去除操作，对经过异常值去除操作的当前数据集合进行时间对齐操作，对经过时间对齐操作的当前数据集合进行滤波操作，对经过滤波操作的当前数据集合进行特征构造操作，以得到数据特征集合，并将所述数据特征集合、工艺参数和监测参数输入预测模型，以得到冲头剩余寿命预测值。
具体地，对所述当前数据集合进行预设操作，得到数据特征集合的步骤包括：
步骤b，对所述当前数据集合进行异常值去除操作，并对经过所述异常值去除操作的当前数据集合进行时间对齐操作；
在该步骤中，预测设备分别对通过UE传感器采集冲压生产中冲头当前的超声数据，通过AE传感器采集冲压生产中冲头当前的声波数据，通过柔性传感器采集冲压生产中冲头当前的冲压力数据，通过电涡流传感器采集冲压生产中冲头当前的电涡流数据进行异常值去除操作和时间对齐操作；在一实施例中，预测设备通过三西格玛、箱线图切分等方法，对冲头当前的超声数据、声波数据、冲压力数据和电涡流数据进行异常值的抓取，并利用异常值处理方法包括平均值代替、滑动平均法，去除当前的超声数据、声波数据、冲压力数据和电涡流数据中的异常值；预测设备采用DTW算法，将UE传感器采集的超声数据，AE传感器采集的声波数据，柔性传感器采集的冲压力数据，电涡流传感器采集的电涡流数据，分别与预先设定的超声样本数据、声波样本数据、冲压力样本数据和电涡流样本数据进行时间对齐；需要说明的是，DTW算法用于衡量两个长度不同的时间序列的相似度，把数据序列伸长或缩短(压扩)，直到与预设样本数据序列的长度一致，在这一过程中，数据序列会产生扭曲或弯折，以便其时间特征量与预设样本数据序列对应。
步骤c，对经过所述时间对齐操作的当前数据集合进行滤波操作，并对经过所述滤波操作的当前数据集合进行特征构造操作，以得到数据特征集合。
在该步骤中，预测设备对经过时间对齐操作的当前数据集合进行滤波操作，并对经过滤波操作的当前数据集合进行特征构造操作，以得到数据特征集合；在一实施例中，预测设备将经过时间对齐操作后的超声数据、声波数据、冲压力数据和电涡流数据分别通过高通滤波或小波技术进行滤波操作，将超声数据、声波数据、冲压力数据和电涡流数据中的噪声进行过滤；
预测设备对经过滤波操作后的超声数据、声波数据、冲压力数据和电涡流数据分别进行以下操作，以进行特征构造操作，以得到数据特征集合；
预测设备通过包络线构造方法（积分法）分别构造超声数据、声波数据、冲压力数据和电涡流数据的包络Y~t曲线，设定t1为第一波峰点B对应时间，t2为第二波峰点D时间，ts为冲压起始时间S，tf为冲压终止时间F，ts-1为ts到t1中间点时间A，t1-2为t1到t2中间点时间C，t2-f为t2到tf中间点E时间，将冲压包络曲线的时间区间划分为tSA：ts ~ ts-1，tAB：ts-1 ~ t1，tBC：t1 ~ t1-2，tCD：t1-2 ~ t2，tDE：t2 ~ t2-f，tEF：t2-f~ tf六个区间，分别对六个区间提取包络曲线的斜率dSA、dAB、dBC、dCD、dDE、dEF，峰峰值YBD、峰值YB、YD等时域特征；
预测设备对冲压起始点S到冲压起始点F之间的曲线进行快速傅里叶变换，如图5所示，提取中心频率fc、频谱质心fg、主频段能量的百分比η、fc、-mdB的带宽BW-mdB、-ndB的带宽BW-ndB；
预测设备对冲压起始点S到冲压起始点F之间的曲线进行小波包分解，通过应用相应的的低通和高通滤波器，将信号分解到2N个等长的频带中( N是小波包分解的层数) ；其中小波包分解系数的递推公式为：
Figure 993557DEST_PATH_IMAGE001
其中d为小波包分解系数，j和n为小波包节点号，l和k为分解层数，g和h为分解采用的多分辨率滤波器系数。之后求得频段内系数的平方比上系数总平方和，作为得到频域特征。
预测设备在分别得到冲头对应的当前的超声数据、声波数据、冲压力数据和电涡流数据中的时域特征和频域特征后，利用皮尔逊相关性分析选择合适的时域特征和频域特征，其中特征X与Y之间的皮尔逊相关系数为：
Figure 339088DEST_PATH_IMAGE002
其中，Cov（X,Y）为特征X与Y的协方差，D(X),D(Y)分别为数据X与Y的方差，最终选取相关系数绝对值大于0.7的时域特征和频域特征，得到数据特征集合。
步骤S30，将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头。
具体地，步骤S30包括：
步骤d，将所述冲头剩余寿命预测值与预设阈值进行对比，得到对比结果；
步骤e，若对比结果为所述冲头剩余寿命预测值小于所述预设阈值，则确定需要更换所述冲头，并发出更换冲头提示；
步骤f，若对比结果为所述冲头剩余寿命预测值不小于所述预设阈值，则确定不需要更换所述冲头，并执行步骤：通过传感器采集冲头对应的当前数据集合。
在本实施例中，在本实施例中，预测设备在得到冲头剩余寿命预测值后，将冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头；预测设备将冲头剩余寿命预测值与预设阈值进行对比，得到对比结果；若预测设备得到的对比结果为冲头剩余寿命预测值小于预设阈值，则确定需要更换冲头，并发出更换冲头提示；若预测设备得到的对比结果为冲头剩余寿命预测值不小于预设阈值，则确定不需要更换所述冲头，并重新返回执行步骤：通过传感器采集冲头对应的当前数据集合，以及后续步骤。需要说明的是，预设阈值时由相关研发人员提前设定在预测设备中的。
本实施例的冲头剩余寿命预测方法，预测设备在检测到冲压机的启动指令时，获取冲压机的工艺参数和监测参数，并获取冲头进行冲压时的冲压起始时间和冲压终止时间，再通过超声传感器、声波传感器、柔性传感器和电涡流传感器采集所述冲压起始时间和所述冲压终止时间之间冲头对应的超声数据、声波数据、冲压力数据和电涡流数据，以基于所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据得到当前数据集合；预测设备对当前数据集合进行异常值去除操作，并对经过异常值去除操作的当前数据集合进行时间对齐操作；预测设备对经过时间对齐操作的当前数据集合进行滤波操作，并对经过滤波操作的当前数据集合进行特征构造操作，以得到数据特征集合；预测设备将数据特征集合、工艺参数和监测参数输入预测模型，以得到冲头剩余寿命预测值，并将冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换冲头，提高了冲头剩余寿命预测的准确率，进而减少了冲头的浪费。
进一步地，基于本发明冲头剩余寿命预测方法第一实施例，提出本发明冲头剩余寿命预测方法第二实施例。
冲头剩余寿命预测方法的第二实施例与冲头剩余寿命预测方法的第一实施例的区别在于，在步骤S10之前，冲头剩余寿命预测方法还包括：
步骤f，获取对应的冲压机的工艺参数和监测参数，结合通过超声传感器、声波传感器、柔性传感器和电涡流传感器分别采集预设数量的冲头的全生命周期对应的超声数据、声波数据、冲压力数据和电涡流数据作为训练样本集，并对所述训练样本集进行训练，得到预测模型。
本实施例中，预测设备在冲压生产过程中，通过UE传感器（超声传感器）、AE传感器（声波传感器）、柔性传感器、电涡流传感器，采集预设数量的冲头在全生命周期的超声数据、声波数据、冲压力数据和电涡流数据，获取对应的冲压机的工艺参数和监测参数作为训练样本集，并对训练样本集进行训练，得到预测模型。需要说明的是，在训练预测模型的过程中，相关研发人员可以对预设数量进行调整。
具体地，对训练样本集进行训练，得到预测模型的步骤包括：
步骤g，对所述训练样本集中的所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据分别进行数据预处理操作，并对经过所述数据预处理的超声数据、声波数据、冲压力数据和电涡流数据分别进行特征构造操作，以得到训练特征集合；
在该步骤中，预测设备对通过UE传感器、AE传感器、柔性传感器、电涡流传感器，采集预设数量的冲头在全生命周期的超声数据、声波数据、冲压力数据和电涡流数据分别进行预处理操作，并对经过所述数据预处理的超声数据、声波数据、冲压力数据和电涡流数据进行特征构造操作，以得到训练特征集合；
在一实施例中，预测设备通过三西格玛、箱线图切分等方法，对预设数量冲头对应的超声数据、声波数据、冲压力数据和电涡流数据进行异常值的抓取，并利用异常值处理方法包括平均值代替、滑动平均法，去除超声数据、声波数据、冲压力数据和电涡流数据中的异常值；预测设备采用DTW算法，将UE传感器采集的超声数据，AE传感器采集的声波数据，柔性传感器采集的冲压力数据，电涡流传感器采集的电涡流数据，分别与预先设定的超声样本数据、声波样本数据、冲压力样本数据和电涡流样本数据进行时间对齐；预测设备将经过时间对齐操作后的超声数据、声波数据、冲压力数据和电涡流数据分别通过高通滤波或小波技术进行滤波操作，将超声数据、声波数据、冲压力数据和电涡流数据中的噪声进行过滤；
预测设备对经过滤波操作后的超声数据、声波数据、冲压力数据和电涡流数据分别进行以下操作，以进行特征构造操作，以得到数据特征集合；
预测设备通过包络线构造方法（积分法）分别构造超声数据、声波数据、冲压力数据和电涡流数据的包络Y~t曲线，设定t1为第一波峰点B对应时间，t2为第二波峰点D时间，ts为冲压起始时间S，tf为冲压终止时间F，ts-1为ts到t1中间点时间A，t1-2为t1到t2中间点时间C，t2-f为t2到tf中间点E时间，将冲压包络曲线的时间区间划分为tSA：ts ~ ts-1，tAB：ts-1 ~ t1，tBC：t1 ~ t1-2，tCD：t1-2 ~ t2，tDE：t2 ~ t2-f，tEF：t2-f~ tf六个区间，分别对六个区间提取包络曲线的斜率dSA、dAB、dBC、dCD、dDE、dEF，峰峰值YBD、峰值YB、YD等时域特征；
预测设备对冲压起始点S到冲压起始点F之间的曲线进行快速傅里叶变换，如图5所示，提取中心频率fc、频谱质心fg、主频段能量的百分比η、fc、-mdB的带宽BW-mdB、-ndB的带宽BW-ndB；
预测设备对冲压起始点S到冲压起始点F之间的曲线进行小波包分解，通过应用相应的的低通和高通滤波器，将信号分解到2N个等长的频带中( N是小波包分解的层数) ；其中小波包分解系数的递推公式为：
Figure 427130DEST_PATH_IMAGE003
其中d为小波包分解系数，j和n为小波包节点号，l和k为分解层数，g和h为分解采用的多分辨率滤波器系数。之后求得频段内系数的平方比上系数总平方和，作为得到频域特征。
预测设备在分别得到冲头对应的当前的超声数据、声波数据、冲压力数据和电涡流数据中的时域特征和频域特征后，利用皮尔逊相关性分析选择合适的时域特征和频域特征，其中特征X与Y之间的皮尔逊相关系数为：
Figure 959742DEST_PATH_IMAGE004
其中，Cov（X,Y）为特征X与Y的协方差，D(X),D(Y)分别为数据X与Y的方差，最终选取相关系数绝对值大于0.7的时域特征和频域特征，得到训练特征集合。
步骤h，对所述训练特征集合以及所述冲压机的工艺参数和监测参数进行回归操作，以得到初始模型集合，并对所述初始模型集合进行参数调优操作和融合操作，以得到预测模型。
在该步骤中，预测设备将训练特征集合以及冲压机的工艺参数和监测参数输入回归算法中，以得到初始模型集合，并对初始模型集合进行参数调优操作和融合操作，以得到预测模型；在一实施例中，预测设备将得到的训练特征集合与将特征数据以及冲压机的工艺参数和监测参数输入机器学习回归算法中（回归算法包含：随机树、多项式回归、岭回归、套索回归、最小二乘回归、样条回归、弹性网络回归、高斯过程回归、随机森林、梯度提升树、ARD自相关回归、贝叶斯线性回归、感知器回归、被动攻击回归、SGD随梯度下降回归、正交匹配跟踪回归、神经网络回归），以冲头实时剩余寿命作为标签数据，利用交叉验证技术对训练集进行划分，进而得到初始模型集合；
预测模型通过模型评估函数MRE（Mean Relative Error），计算出最优的模型作为最优解，对初始模型集合参数调优操作，其公式为：
Figure 424222DEST_PATH_IMAGE005
其中，y为测试集中所有样本的剩余寿命真实值，y’为模型对测试集样本剩余寿命的预测值，N为样本个数，yi为测试集第i个样本的剩余寿命，yi’为模型对第i个样本剩余寿命的预测值。
选取以上初始模型中的预设数量个模型进行加权融合，如下：
Figure 358679DEST_PATH_IMAGE006
其中ensemble模型为最终得到的预测模型，权重值例如：m1、m2、mn等是由相关研发人员设定的。
本实施例的预测设备在冲压生产过程中，通过UE传感器、AE传感器、柔性传感器、电涡流传感器，采集预设数量的冲头在全生命周期的超声数据、声波数据、冲压力数据和电涡流数据，获取对应的冲压机的工艺参数和监测参数作为训练样本集，并对训练样本集进行训练，得到预测模型，有助于提高冲头剩余寿命预测的准确率，进而减少了冲头的浪费。
进一步地，基于本发明冲头剩余寿命预测方法第一实施例和第二实施例，提出本发明冲头剩余寿命预测方法第三实施例。
冲头剩余寿命预测方法的第三实施例与冲头剩余寿命预测方法的第一实施例和第二实施例的区别在于，在步骤S30之后，冲头剩余寿命预测方法还包括：
步骤i，检测是否接收到云端服务器发送的预测模型更新指令，若接收到所述预测模型更新指令，则向云端服务器请求新版本预测模型，并将所述预测模型替换为所述新版本预测模型。
在本实施例中，预测设备检测是否接收到云端服务器发送的预测模型更新指令，若接收到预测模型更新指令，则向云端服务器请求新版本预测模型，并将预测模型替换为新版本预测模型；可以理解的是，预测设备在根据训练样本集得到预测模型后，会将预测模型发送到云端服务器中进行保存并通过云端服务器下发到各个不同的冲压机对应的预测设备中，云端服务器会持续获取不同的冲压机对应的预测设备中的预测数据，对预测模型进行更新，在云端服务器通过计算得到需要对预测模型进行更新时，向预测设备发送预测模型更新指令，当预测设备接收到预测模型更新指令时，向云端服务器发送请求更新指令，云端服务器在接收到请求更新指令后，将新版本预测模型发送到预测设备中，预测设备接收到新版本预测模型时，将原本的预测模型替换为新版本预测模型，并使用新版本预测模型对冲头剩余寿命进行预测。
本实施例中的预测设备检测是否接收到云端服务器发送的预测模型更新指令，若接收到预测模型更新指令，则向云端服务器请求新版本预测模型，并将预测模型替换为新版本预测模型，有助于预测模型的及时更新，有助于提高冲头剩余寿命预测的准确率，进而减少了冲头的浪费。
本发明还提供一种冲头剩余寿命预测装置。本发明冲头剩余寿命预测装置包括：
获取模块，用于在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；
计算模块，用于对所述当前数据集合进行预设操作，得到数据特征集合，并将所述数据特征集合、所述工艺参数和所述监测参数输入预测模型，以得到冲头剩余寿命预测值；
对比模块，用于将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头。
进一步地，所述获取模块还包括训练模块，所述训练模块用于：
获取对应的冲压机的工艺参数和监测参数，结合通过超声传感器、声波传感器、柔性传感器和电涡流传感器分别采集预设数量的冲头的全生命周期对应的超声数据、声波数据、冲压力数据和电涡流数据作为训练样本集，并对所述训练样本集进行训练，得到预测模型。
进一步地，所述训练模块还用于：
对所述训练样本集中的所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据分别进行数据预处理操作，并对经过所述数据预处理的超声数据、声波数据、冲压力数据和电涡流数据分别进行特征构造操作，以得到训练特征集合；
对所述训练特征集合以及所述冲压机的工艺参数和监测参数进行回归操作，以得到初始模型集合，并对所述初始模型集合进行参数调优操作和融合操作，以得到预测模型。
进一步地，所述获取模块还用于：
获取冲头进行冲压时的冲压起始时间和冲压终止时间，并通过超声传感器、声波传感器、柔性传感器和电涡流传感器采集所述冲压起始时间和所述冲压终止时间之间冲头对应的超声数据、声波数据、冲压力数据和电涡流数据，以基于所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据得到当前数据集合。
进一步地，所述计算模块还用于：
对所述当前数据集合进行异常值去除操作，并对经过所述异常值去除操作的当前数据集合进行时间对齐操作；
对经过所述时间对齐操作的当前数据集合进行滤波操作，并对经过所述滤波操作的当前数据集合进行特征构造操作，以得到数据特征集合。
进一步地，所述对比模块还用于：
将所述冲头剩余寿命预测值与预设阈值进行对比，得到对比结果；
若对比结果为所述冲头剩余寿命预测值小于所述预设阈值，则确定需要更换所述冲头，并发出更换冲头提示；
若对比结果为所述冲头剩余寿命预测值不小于所述预设阈值，则确定不需要更换所述冲头，并执行步骤：通过传感器采集冲头对应的当前数据集合。
进一步地，所述对比模块还包括更新模块，所述更新模块用于：
检测是否接收到云端服务器发送的预测模型更新指令，若接收到所述预测模型更新指令，则向云端服务器请求新版本预测模型，并将所述预测模型替换为所述新版本预测模型。
本发明还提供一种冲头剩余寿命预测系统。
冲头剩余寿命预测系统包括：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冲头剩余寿命预测程序，所述冲头剩余寿命预测程序被所述处理器执行时实现如上所述的冲头剩余寿命预测方法的步骤。
其中，在所述处理器上运行的冲头剩余寿命预测程序被执行时所实现的方法可参照本发明冲头剩余寿命预测方法各个实施例，此处不再赘述。
本发明还提供一种可读存储介质。
所述可读存储介质为计算机可读储存介质，可读存储介质上存储有冲头剩余寿命预测程序，所述冲头剩余寿命预测程序被处理器执行时实现如上所述的冲头剩余寿命预测方法的步骤。
其中，在所述处理器上运行的冲头剩余寿命预测程序被执行时所实现的方法可参照本发明冲头剩余寿命预测方法各个实施例，此处不再赘述。
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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书与附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种冲头剩余寿命预测方法，其特征在于，所述冲头剩余寿命预测方法包括如下步骤：
在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；
对所述当前数据集合进行预设操作，得到数据特征集合，并将所述数据特征集合、所述工艺参数和所述监测参数输入预测模型，以得到冲头剩余寿命预测值；
将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头。
2.如权利要求1所述的冲头剩余寿命预测方法，其特征在于，所述在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合的步骤之前，所述冲头剩余寿命预测方法还包括：
获取对应的冲压机的工艺参数和监测参数，结合通过超声传感器、声波传感器、柔性传感器和电涡流传感器分别采集预设数量的冲头的全生命周期对应的超声数据、声波数据、冲压力数据和电涡流数据作为训练样本集，并对所述训练样本集进行训练，得到预测模型。
3.如权利要求2所述的冲头剩余寿命预测方法，其特征在于，所述对所述训练样本集进行训练，得到预测模型的步骤包括：
对所述训练样本集中的所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据分别进行数据预处理操作，并对经过所述数据预处理的超声数据、声波数据、冲压力数据和电涡流数据分别进行特征构造操作，以得到训练特征集合；
对所述训练特征集合以及所述冲压机的工艺参数和监测参数进行回归操作，以得到初始模型集合，并对所述初始模型集合进行参数调优操作和融合操作，以得到预测模型。
4.如权利要求1所述的冲头剩余寿命预测方法，其特征在于，所述通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合的步骤包括：
获取冲头进行冲压时的冲压起始时间和冲压终止时间，并通过超声传感器、声波传感器、柔性传感器和电涡流传感器采集所述冲压起始时间和所述冲压终止时间之间冲头对应的超声数据、声波数据、冲压力数据和电涡流数据，以基于所述超声数据、所述声波数据、所述冲压力数据和所述电涡流数据得到当前数据集合。
5.如权利要求1中所述的冲头剩余寿命预测方法，其特征在于，所述对所述当前数据集合进行预设操作，得到数据特征集合的步骤包括：
对所述当前数据集合进行异常值去除操作，并对经过所述异常值去除操作的当前数据集合进行时间对齐操作；
对经过所述时间对齐操作的当前数据集合进行滤波操作，并对经过所述滤波操作的当前数据集合进行特征构造操作，以得到数据特征集合。
6.如权利要求1所述的冲头剩余寿命预测方法，其特征在于，所述将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头的步骤包括：
将所述冲头剩余寿命预测值与预设阈值进行对比，得到对比结果；
若对比结果为所述冲头剩余寿命预测值小于所述预设阈值，则确定需要更换所述冲头，并发出更换冲头提示；
若对比结果为所述冲头剩余寿命预测值不小于所述预设阈值，则确定不需要更换所述冲头，并执行步骤：通过传感器采集冲头对应的当前数据集合。
7.如权利要求1所述的冲头剩余寿命预测方法，其特征在于，所述将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头的步骤之后，所述冲头剩余寿命预测方法还包括：
检测是否接收到云端服务器发送的预测模型更新指令，若接收到所述预测模型更新指令，则向云端服务器请求新版本预测模型，并将所述预测模型替换为所述新版本预测模型。
8.一种冲头剩余寿命预测装置，其特征在于，所述冲头剩余寿命预测装置包括：
获取模块，用于在检测到启动指令时，获取冲压机的工艺参数和监测参数，并通过超声传感器采集冲头的超声数据，通过声波传感器采集冲头的声波数据，通过柔性传感器采集冲头的冲压力数据，通过电涡流传感器采集冲头的电涡流数据，以得到当前数据集合；
计算模块，用于对所述当前数据集合进行预设操作，得到数据特征集合，并将所述数据特征集合、所述工艺参数和所述监测参数输入预测模型，以得到冲头剩余寿命预测值；
对比模块，用于将所述冲头剩余寿命预测值与预设阈值进行对比，以确定是否需要更换所述冲头。
9.一种冲头剩余寿命预测系统，其特征在于，所述冲头剩余寿命预测系统包括：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冲头剩余寿命预测程序，所述冲头剩余寿命预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的冲头剩余寿命预测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质为计算机可读储存介质，所述可读存储介质上存储有冲头剩余寿命预测程序，所述冲头剩余寿命预测程序被处理器执行时实现如权利要求1至7中任一项所述的冲头剩余寿命预测方法的步骤。
CN202111279516.0A 2021-11-01 2021-11-01 冲头剩余寿命预测方法、装置、系统与可读存储介质 Pending CN113723016A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111279516.0A CN113723016A (zh) 2021-11-01 2021-11-01 冲头剩余寿命预测方法、装置、系统与可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111279516.0A CN113723016A (zh) 2021-11-01 2021-11-01 冲头剩余寿命预测方法、装置、系统与可读存储介质

Publications (1)

Publication Number Publication Date
CN113723016A true CN113723016A (zh) 2021-11-30

Family

ID=78686210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111279516.0A Pending CN113723016A (zh) 2021-11-01 2021-11-01 冲头剩余寿命预测方法、装置、系统与可读存储介质

Country Status (1)

Country Link
CN (1) CN113723016A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444231A (zh) * 2022-04-02 2022-05-06 深圳市信润富联数字科技有限公司 模具剩余寿命在线自适应预测方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070239407A1 (en) * 2006-01-12 2007-10-11 Goldfine Neil J Remaining life prediction for individual components from sparse data
WO2017100810A1 (de) * 2015-12-14 2017-06-22 Materials Center Leoben Forschung Gmbh Verfahren und vorrichtung zum trennen eines werkstückes
CN108536938A (zh) * 2018-03-29 2018-09-14 上海交通大学 一种机床刀具寿命预测系统及预测方法
CN109145373A (zh) * 2018-07-17 2019-01-04 清华大学 基于改进esgp与预测区间的剩余寿命预测方法及装置
CN109724785A (zh) * 2018-12-29 2019-05-07 中铁工程装备集团有限公司 一种基于多源信息融合的刀具状态监测及寿命预测系统
CN111476430A (zh) * 2020-04-21 2020-07-31 南京凯奥思数据技术有限公司 一种基于机器学习回归算法的刀具剩余寿命预测方法
CN112668840A (zh) * 2020-12-11 2021-04-16 广州致新电力科技有限公司 一种轨道交通高压电气设备寿命评估方法
CN112749451A (zh) * 2019-10-30 2021-05-04 株式会社捷太格特 工具寿命预测系统
CN113283157A (zh) * 2021-04-02 2021-08-20 殷强 智能冲压压力机部件生命周期预测系统、方法、终端、介质
CN113515849A (zh) * 2021-05-14 2021-10-19 中车青岛四方机车车辆股份有限公司 列车关键结构的寿命预测方法、系统、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070239407A1 (en) * 2006-01-12 2007-10-11 Goldfine Neil J Remaining life prediction for individual components from sparse data
WO2017100810A1 (de) * 2015-12-14 2017-06-22 Materials Center Leoben Forschung Gmbh Verfahren und vorrichtung zum trennen eines werkstückes
CN108536938A (zh) * 2018-03-29 2018-09-14 上海交通大学 一种机床刀具寿命预测系统及预测方法
CN109145373A (zh) * 2018-07-17 2019-01-04 清华大学 基于改进esgp与预测区间的剩余寿命预测方法及装置
CN109724785A (zh) * 2018-12-29 2019-05-07 中铁工程装备集团有限公司 一种基于多源信息融合的刀具状态监测及寿命预测系统
CN112749451A (zh) * 2019-10-30 2021-05-04 株式会社捷太格特 工具寿命预测系统
CN111476430A (zh) * 2020-04-21 2020-07-31 南京凯奥思数据技术有限公司 一种基于机器学习回归算法的刀具剩余寿命预测方法
CN112668840A (zh) * 2020-12-11 2021-04-16 广州致新电力科技有限公司 一种轨道交通高压电气设备寿命评估方法
CN113283157A (zh) * 2021-04-02 2021-08-20 殷强 智能冲压压力机部件生命周期预测系统、方法、终端、介质
CN113515849A (zh) * 2021-05-14 2021-10-19 中车青岛四方机车车辆股份有限公司 列车关键结构的寿命预测方法、系统、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冷建成等: "抽油杆可再制造性检测的研究进展", 《材料导报》 *
韦江宇: "机械零部件表面硬度无损检测的研究", 《黑龙江科技信息》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444231A (zh) * 2022-04-02 2022-05-06 深圳市信润富联数字科技有限公司 模具剩余寿命在线自适应预测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111563521B (zh) 特定于场所的异常检测
US10743819B2 (en) System and method for determining information and outliers from sensor data
US11615344B2 (en) Condition monitoring device, method, and storage medium
CN114011903A (zh) 冲压生产异常监测方法、装置、系统与可读存储介质
US11152016B2 (en) Autonomous intelligent radio
WO2015157013A1 (en) Apparatus, systems and methods for providing blind source separation services
CN107134170A (zh) 一种停车场车位信息的处理方法和装置
JP2019067197A (ja) 故障予兆検知手法
CN113723016A (zh) 冲头剩余寿命预测方法、装置、系统与可读存储介质
US20210272704A1 (en) Condition monitoring device and method
CN116453544A (zh) 一种基于声纹识别的工业设备运行状态监测方法
CN114977176A (zh) 电力负荷分解方法、装置、设备及存储介质
CN117076955A (zh) 一种高压变频器的故障检测方法及系统
CN114151293A (zh) 风机变桨系统的故障预警方法、系统、设备及存储介质
JP2016029516A (ja) データ分析方法、及びデータ分析システム
CN111640450A (zh) 多人声音频处理方法、装置、设备及可读存储介质
CN112132220A (zh) 一种自训练方法、系统、装置、电子设备及存储介质
CN117076941A (zh) 一种光缆鸟害监测方法、系统、电子设备及可读存储介质
CN114252906A (zh) 声音事件的检测方法和装置、计算机设备和存储介质
CN110101398A (zh) 一种检测情绪的方法和系统
CN110459206A (zh) 一种基于双机器识别的语音识别系统及方法
CN112862019A (zh) 一种动态筛选非周期性异常方法
CN113361811A (zh) 运行状态预测方法、系统、设备及计算机可读存储介质
CN112801327A (zh) 预测物流件量与其建模的方法、装置、设备及存储介质
JP7129647B2 (ja) 測定端末、測定システム、測定方法およびプログラム

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: 20211130

RJ01 Rejection of invention patent application after publication