CN114273978A - 刀具的磨损检测方法、电子设备及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种刀具的磨损检测方法、电子设备及计算机可读存储介质，方法包括：获取待检测加工数据；将加工数据输入至磨损检测模型以获取异常度；当异常度大于或等于异常度阈值时，确认待检测刀具具有磨损的风险；确定待检测刀具的磨损程度。本发明利用预设切削工艺下标准加工时采集的加工数据建议分布体系模型，即磨损检测模型，将待检测刀具的加工数据输入至磨损检测模型中，可以有效判断对应的切削工艺下待检测刀具是否具有磨损的风险，在具有磨损风险的情况下，再进一步判断刀具的磨损程度，从而可以避免刀具磨损过度影响加工。本发明中的检测方式，利用了的分布体系模型来建模，数据抽象化程度高，可应应对多种不同的加工的建模需求。

Description

刀具的磨损检测方法、电子设备及计算机可读存储介质

技术领域

本发明涉及刀具检测领域，特别涉及一种刀具的磨损检测方法、电子设备及计算机可读存储介质。

背景技术

刀具是机床切削加工里重要的耗材。持续切削会造成刀具的磨损甚至断裂，影响后续加工工件的质量，因此需要投入大量必要的成本来维护，替换已耗损刀具的。

现阶段，能够实现在线检测的技术手段，往往精度不高；而精度足够高的检测方案，通常需要下机离线操作。磨损后刀具与正常刀具维持着同一种加工模式，表现出相似的数据特征。因此相较于刀具断裂，刀具磨损是一种更加难以被觉察出来的隐患类型。未及时替换掉磨损的刀具，可能批量导致生产的工件表面粗糙，公差过大等问题。

现阶段针对刀具磨损的检测技术主要有以下三种：

第一种是刀具测量仪，它通常需要将待测刀具从机台设备上卸下，放入测量仪中进行观察，再由操作人员进行标定来决定当前刀具的磨损程度。虽然其测量刀具类型范围广，测量精度高，但其设备成本高，需要操作人员全程参与，且无法做到在机检测，因此其使用场景多限于刀具研发相关的实验室，难以在设备产线中大量铺开。

第二种是对刀仪，这种检测手段可将硬件布置在机台设备中，在每一次加工结束后，通过额外增加测量步骤，用激光或物理接触的方式，测量评判刀具当前的几何尺寸。这种测量方式可以布置于机台设备内部，测量结果也稳定可靠，但因其每一次测量都需要增加额外用于测量动作的时间开销，对于加工工序嵌套多，流程复杂，时间成本相应也很高。

第三种是基于机台加工数据进行磨损的识别判断，但机台加工的数据随机性大，受干扰因素多，数据变化差异大，稳定性难以得到保证。

发明内容

本发明要解决的技术问题是为了克服现有技术中刀具磨损检测的成本高且稳定性低缺陷，提供一种降低成本的同时提高检测稳定性的刀具的磨损检测方法、电子设备及计算机可读存储介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供了一种刀具的磨损检测方法，所述磨损检测方法包括以下步骤：

获取待检测刀具的待检测加工数据，所述待检测加工数据表示所述待检测刀具在预设切削工艺下切削目标工件的加工数据；

将所述加工数据输入至磨损检测模型以获取异常度，所述磨损检测模型为通过标准加工数据训练预设分布体系模型所得到的模型；

根据所述磨损检测模型获取异常度阈值；

当所述异常度大于或等于所述异常度阈值时，确认所述待检测刀具具有磨损的风险；

根据所述待检测加工数据确定所述待检测刀具的磨损程度。

较佳地，所述根据所述待检测加工数据确定所述待检测刀具的磨损程度的步骤包括以下步骤：

获取所述待检测加工数据的t统计量；

当所述t统计量小于第一预设值时，获取对应的P值；

根据所述P值确定所述待检测刀具的磨损程度。

较佳地，所述确认所述待检测刀具具有磨损的风险的步骤后还包括以下步骤：

获取所述待检测加工数据的t统计量；

当所述t统计量大于第一预设值时，生成用于提示所述待检测加工数据的数量偏少的提示信息。

较佳地，所述根据所述P值确定所述待检测刀具的磨损程度的步骤包括以下步骤：

根据第一公式或第二公式获取磨损量，所述第一公式为floor(-logP)，所述第二公式为ceil(-logP)；

根据所述预设切削工艺获取磨损级别与磨损量范围的对应关系；

根据所述对应关系获取所述磨损量对应的磨损级别。

较佳地，所述根据第一公式或第二公式获取磨损量的步骤后还包括以下步骤：

当所述磨损量大于或等于预设磨损量时，发送用于提醒更换刀具的提示信息，所述预设磨损量与所述预设切削工艺对应。

较佳地，所述将所述加工数据输入至磨损检测模型以获取异常度的步骤前还包括：

获取若干第一加工数据，所述第一加工数据表示刀具在预设切削工艺下切削目标工件的加工数据；

根据所述若干第一加工数据构建训练集；

通过所述训练集训练预设分布体系模型以获取磨损检测模型。

较佳地，所述根据所述若干第一加工数据构建训练集的步骤包括：

对每一次加工进行预处理，以获取对应的第一加工数据序列；

将所述第一加工数据序列映射为预设长度的向量；

所述训练集为由若干所述预设长度的向量组成的矩阵；

所述将所述加工数据输入至磨损检测模型以获取异常度的步骤包括以下步骤：

对所述加工数据进行预处理，以获取对应第二加工数据序列；

将所述第二加工数据映射为所述预设长度的向量；

将由所述第二加工数据对应的向量输入至磨损检测模型以获取异常度。

较佳地，所述根据所述若干第一加工数据构建训练集的步骤前还包括：

对所述若干第一加工数据进行卡方检验，若未通过卡方检验，则生成用于提示数据源选取出现问题的提示信息；和/或，

对所述若干第一加工数据进行t检验，若未通过t检验，则修正第一加工数据，并根据修正后的第一加工数据构建训练集，所述修正第一加工数据包括增加所述第一加工数据的数量和/或删除所述若干第一加工数据中不符合预设标准的数据。

本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的刀具的磨损检测方法。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的刀具的磨损检测方法。

本发明的积极进步效果在于：本实发明利用预设切削工艺下标准加工时采集的加工数据构建分布体系模型，即磨损检测模型，将待检测刀具的加工数据输入至磨损检测模型中，可以有效判断对应的切削工艺下待检测刀具是否具有磨损的风险，在具有磨损风险的情况下，再进一步判断刀具的磨损程度，从而可以避免刀具磨损过度影响加工。本发明中的检测方式，利用了的分布体系模型来建模，数据抽象化程度高，可应应对多种不同的加工的建模需求。

本发明的数据建模的成本低，通过获取少量标准加工时的加工数据即可以训练模型以构建磨损检测模型，在实际检测的过程中通过将待检测的加工数据输入至磨损检测模型中可以得到数学抽象后的异常度，通过与标准加工时的异常度阈值做比较，则可以有效得到待检测刀具是否具有刀具磨损的风险。相对于传统建机器学习建模的过程要求至少包含几十上百例的样本数据而言，大大降低了数据采集成本。

本发明在确定磨损程度时，根据预设切削工艺获取磨损级别与磨损量范围的对应关系，根据该对应关系来得到磨损程度，可以根据不同的场景来设置不同磨损级别，在提高了磨损定级的灵活性的同时，也使磨损级别的确定更符合实际需求。

附图说明

图1为本发明实施例1中磨损检测方法的流程图。

图2为本发明实施例1中磨损检测模型训练方式的流程图。

图3为本发明实施例1中步骤102的实现方式的示意图。

图4为本发明实施例1中步骤105的实现方式的示意图。

图5为本发明实施例2中电子设备的模块示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

本实施例提供了一种刀具的磨损检测方法，其特征在于，如图1所示，该磨损检测方法包括以下步骤：

步骤101、获取待检测刀具的待检测加工数据。

其中，待检测加工数据表示待检测刀具在预设切削工艺下切削目标工件的加工数据。

如：直接获取的加工数据经过预处理，保留加工区段后得到一个数据序列s_i＝s(N，i|P，T)，其中P，T分别为加工程序号和加工刀具号，N为随机噪音，i代表第i次加工。设F_agg为聚合函数(聚合函数表示将复数元素的对象，如向量、矩阵等，映射为单一实数数值的函数)的泛函(泛函表示用来生成聚合函数的函数，在生成聚合函数的过程中通过超参数进行生成控制)，f为F_agg的生成结果，或任何自定义的可实现函数聚合效果的数据映射方法。根据数据特点构建提取特征的映射操作符F_map＝(f₁，f₂，...，f_n)，可以使加工序列经映射后，变成一个长度为n的向量，即x_i＝F_map(s_i)，x_i∈Rⁿ。对于每一次新的加工，可以得到新的待检测加工数据，即新的数据序列待s_new，经由映射操作可以得到对应向量。

此时原始的加工序列比较的问题，就转化为了在n维空间中的模式创建与比对问题。本实施例中，n的选取原则为，在能代表加工特征的前提下，尽可能地取小以提高数据处理的效率。

步骤102、将加工数据输入至磨损检测模型以获取异常度。

其中，磨损检测模型为通过标准加工数据训练预设分布体系模型所得到的模型。具体而言，如图2所示，本实施例可以通过以下训练方式来得到磨损检测模型：

步骤1021、获取若干第一加工数据。

其中，第一加工数据表示刀具在预设切削工艺下切削目标工件的加工数据。

步骤1022、根据若干第一加工数据构建训练集。

具体而言，对每一次加工进行预处理，以获取对应的加工数据序列，将加工数据序列映射为预设长度的向量，训练集为由若干预设长度的向量组成的矩阵。

对于每一次标准加工，可以得到对应的第一加工数据，即新的数据序列s_i，经由与步骤101中相同的映射操作(参考步骤101中构建的映射操作符F_map＝(f₁，f₂，...，f_n)的方式)。

预设长度可以根据实际情况进行取值，如设定一个不小于n的正整数m，执行m次标准加工，产生m条数据序列S_model＝{s₁，s₂，…，s_m}。考虑成本因素，m在满足不小于n的条件下，可尽量取小。用前述映射操作符F_map对S_model中的元素逐一进行映射，得到模型的特征集合X_model＝{x₁，x₂，…，x_m}。定义M＝(x₁，x₂，…，x_m)^T为加工数据模型，可知M为R^m×n的矩阵，即训练集M。

步骤1023、通过训练集训练预设分布体系模型以获取磨损检测模型。

具体而言，磨损检测模型用于获取待检测刀具的异常度，以及根据异常度及异常度阈值判断待检测刀具是否具有磨损的风险。

本实施例中，该预设分布体系模型具体采用冯·米塞斯·费雪尔分布体系，应当理解，在其它实施方式中也可以采用其它的用于进行分布统计的模型。

下面以冯·米塞斯·费雪尔分布体系为例，对预设分布体系模型的训练过程的原理进行解释说明：

传统的方法一般需要得到正样本与负样本两类数据来对模型进行训练。在刀具磨损检测的场景下，如果没有刀具磨损，得到数据是相似的(因为获取的数据为近似于标准加工的数据)，但是如果刀具发生了磨损，则获取的数据各有各的不同(因为导致刀具磨损的原因可能有很多种、刀具磨损发生的时间、场景、磨损程度等都会有很多种)，实际操作的过程中，难以收集到全面的负样本。因此，如果基于传统的方式来训练磨损检测模型，一方面，收集训练集的成本过高，另一方面，由于收集的负样本不可能涵盖每一种刀具磨损的情况，训练出来的磨损检测模型可能在另一种磨损的情况下就无法检测到刀具磨损的发生，因此训练出来的模型难以准确检测到刀具发生了磨损。

而本实施例中的模型构建的方式与传统刀具检测过程中同时利用正样本和负样本构建机器学习模型的方法不同，本实施例仅需要收集正样本，通过将训练集，即标准加工时的数据(也就是正样本)，输入至冯·米塞斯·费雪尔分布体系中，可以将标准加工数据转化为统计学中的数据分布，即磨损检测模型，以及在该数据分布下，所允许的最大的误差率，即异常度阈值。

在实际进行检测时，只需要将待检测的加工数据输入至磨损检测模型中，则可以得到其数据分布。接着判断该数据分布是否位于标准加工数据的数据分布范围内，如果没有位于该数据分布的范围内，则说明待检测的加工数据与标准加工数据的数据分布具有较大的差异，因此，可能具有刀具磨损的风险，反之，如果位于标准加工数据分布的范围内，则说明待检测的加工数据与标准加工数据的分布近似，没有磨损的风险。

通过本实施例中的模型训练方式，一方面，可以降低训练集的收集成本(因为仅需收集正样本，并且由于正样本为标准加工时的数据，其数据是类似的，因此也不需要收集很多的正样本)，另一方面，由于模型实现的原理是将待检测数据的数据分布与标准加工情况下的数据分布做比较，不会因为磨损发生的原因、发生的场景不同就检测不出刀具磨损的情况，也可以提高磨损检测的准确性。

由于概率统计是允许有一定的误差的，异常度阈值a_th则用于表示这种误差，其具体表示允许待检测数据的数据分布不在标准数据的分布的范围内的上限，如果待检测数据得到的对应的异常度超过了这个上线，则表示其对应的数据分布很大程度上不在标准数据的分布的范围，因此刀具具有磨损的风险。

其中，异常度阈值a_th与检验水平a具有函数关系，具体如下：

检验水平a是可以自行设定的，在训练前，可以根据实际需求设置检验水平a的值，当检验水平a的值设置的比较高的时候，对应训练出来的异常度阈值a_th会比较低，也就是说训练出来的模型对于磨损的检测会更严格。反之，当检验水平a的值设置的比较低的时候，对应训练出来的异常度阈值a_th则会比较高，训练出来的模型对于磨损的检测会相对宽松。本实施例中，相对于断刀，刀具磨损更容易发生，因此可以将检验水平a的值设置的比较低，对应训练出来的异常度阈值a_th则会比较高，训练出来的模型对于断刀的检测会相对宽松，即发生刀具磨损的概率较发生断刀的概率而言更高。

具体的，本实施例中将训练集，即矩阵M，输入至冯·米塞斯·费雪尔分布体系，通过冯·米塞斯·费雪尔分布体系完成下面的流程：对M的所有M_i，：(i∈{1，2，…，m})做标准化处理后得到m_i，：，求出M的平均单位向量μ，用a_i，：＝1-μ^Tm_i，：计算M中各样本的异常度，得到服从卡方分布的集合{a_1，:，a_2，:，…，a_m，：}～χ²(m_mo，s_mo)，其中m_mo和s_mo是该卡方分布两个参数的矩估计，其中，一个参数用于估计数据分布的方向，另一个参数用于估计数据分布的集中度，并依据设计的检验水平a计算出异常度的域值a_th。

由于本实施例具体为通过随机分布的方式来构建模型，因此原则上，理想的数据模型每一类特征应具备iid条件(即独立同分布：指随机过程中，任何时刻的取值都为随机变量，如果这些随机变量服从同一分布，并且互相独立)，即执行的m次标准加工其映射后的同一特征内其本保持数值相似，不同特征间保持独立，为确保模型稳定性，本实施例可以进一步对训练集进行验证，在一种具体的实施方式中，可以对若干第一加工数据进行卡方检验，若未通过卡方检验，则生成用于提示数据源选取出现问题的提示信息。

如，对于训练集M中的对于每一组M_：，a，M_：，b∈M，a，b∈{1，2，…，n}且a≠b，执行卡方检验，在每一个M_：，j∈M，j∈{1，2，…，n}中，分别对i∈{1，2，…，m}的所有对{M_：\i，j，m_i，j}执行t检验，检验水平可根据需要合理选择。对于未通过卡方检验的，工程上认为其数据特征不明显，分辨率无法较好支持模型创建，这种情况多出现在精密加工中，通常需要从数据来源的角度进行考虑，使用辨识度更高的数据采集方式。

又如，在另一种具体的实施方式中，还可以对若干第一加工数据进行t检验，若未通过t检验，则修正第一加工数据，并根据修正后的第一加工数据构建训练集，其中，修正第一加工数据包括增加第一加工数据的数量和/或删除若干第一加工数据中不符合预设标准的数据。

本实施例中，对于未通过t检验的，可认为执行的m次标准加工中存在模式偏移的个例，可以采用部分排除、或增大模型样本数量m的方式，来使模型趋近于更加鲁棒的状态。

本实施例中，优选同时对若干第一加工数据进行卡方检验和t检验以进一步提高模型的鲁棒性，而经过上述检验过程后所形成的训练集则为最终进行模型训练的训练集。

应当理解，工程应用中，因为数据随机性等因素，所有数据均通过上述检验条件苛刻。实践中对于卡方检验和t检验可以设置α，β两个柔性参数，来控制一定的通过率阈值，当检验中存在不通过的个例但整体通过率高于阀值时，仍可认为整体达到鲁棒性标准。

步骤103、根据磨损检测模型获取异常度阈值。

应当理解，步骤103也可以位于步骤102以及步骤101之前。

步骤104、当异常度大于或等于异常度阈值时，确认待检测刀具具有磨损的风险。

如，待检测加工数据对应的映射操作符F_map＝(f₁，f₂，...，f_n)的方式)输入至磨损检测模型后可得到其对应特征数值的向量x_new，标准化后为

对应异常度为

当a_new≤a_th时，认为本次加工与前m次标准加工维持着相同的加工模式，否则可以认为本次加工形式与标准加工形态上存在着较大的区别。即说明待检测刀具具有磨损的风险。

步骤105、根据待检测加工数据确定待检测刀具的磨损程度。

具体而言，如图3所示，步骤105可以通过以下方式来确定待检测刀具的磨损程度：

步骤1051、获取待检测加工数据的t统计量。

具体而言，对于根据步骤102中通过标准加工数据得到的矩阵M，计算所有M_i，：在μ方向上的投影长度μ^TM_i，：，得到样本在μ方向上的投影集合L＝{μ^TM_1，：，μ^TM_2，：，…，μ^TM_m，：}。对于经过步骤101得到的待检测加工数据对应特征数值的向量x_new，相应地其在μ方向上的投影长度为μ^Tx_new。对L和μ^Tx_new执行t检验，得到本次加工所对应的t统计量。

步骤1052、当t统计量小于第一预设值时，获取对应的P值。

本实施例中可以根据实际情况设定第一预设值，在一种具体的实施方式中，将第一预设值设置为0，当t统计量＜0时，说明刀具发生了磨损，可以基于此时的t所对应的P值进行后续计算。

反之，当t大于第一预设值时，可能因为道具具有装夹误差、加工件尺寸公差等因素所致，因此可以生成相关的提示信息以提示相关人员进行处理。

步骤1053、根据P值确定待检测刀具的磨损程度。

P值是根据统计量t计算出的显著性，可以根据P值对磨损程度进行标定。具体而言，如图4所示，步骤1053可以包括以下步骤：

步骤10531、根据第一公式或第二公式获取磨损量。

其中，第一公式为floor(-logP)，第二公式为ceil(-log P)；

其中，floor(x)为地板函数，表示不大于x的最大整数，ceil(x)为天花板函数，表示不小于x的最大整数。由于P值是呈指数变化，因此通过将天花板函数或者地板函数的参数设置为-logP，可以得到P值的数量级，以便于标定磨损级别。

步骤10532、根据预设切削工艺获取磨损级别与磨损量范围的对应关系。

不同的切削工艺对应的磨损级别是不同的，具体来说，比如同样是是通过天花板函数得到的了数值8，若切削工艺是粗加工工艺，则刀具照样能用，但若切削工艺是精切削工艺，则8就不能用了，因此根据不同的切削工艺可以得到更符合实际的预设磨损级别与磨损量范围的对应关系。

步骤10533、根据对应关系获取磨损量对应的磨损级别。

本实施例中，根据对应的切削工艺下的磨损级别与磨损量范围的对应关系以及磨损量可以定量得到待检测刀具的磨损程度。

在一种具体的实施方式中，步骤10531后还可以包括以下步骤：

当磨损量大于或等于预设磨损量时，发送用于提醒更换刀具的提示信息。

通过该种方式可以提醒相关人员及时换刀，而避免无效的切削工艺。同样的，预设磨损量与预设切削工艺对应，比如说，精细加工的预设磨损量相较于粗加工而言，会更为严格。

本实施例中，利用预设切削工艺下标准加工时采集的加工数据构建分布体系模型，即磨损检测模型，将待检测刀具的加工数据输入至磨损检测模型中，可以有效判断对应的切削工艺下待检测刀具是否具有磨损的风险，在具有磨损风险的情况下，再进一步判断刀具的磨损程度，从而可以避免刀具磨损过度影响加工。本实施例中的检测方式，数据抽象化程度高，可应应对多种不同的加工的建模需求。而传统的监测刀具磨损的建模方法一般是采用复杂的深度学习的方式，往往针对某一工艺下各个具体的加工环节利用正样本和负样本进行模型创建，每个模型的创建需要人为地进行模型参数的配置优化，比如说，模型创建过程即使使用参数搜索等手段，其时间开销也极大。而本实施例本质上是一种泛函方法，可以看作一种模型生成器，将预设切削工艺下的标准加工数据输入，可以自动生成出与之相对应的模型，整个过程无需过多的人为干预。并且所生成的模型具备很高的普适性，普遍具备较高的预测性能。并且在构建数据集时，数据的特征映射阶段中还支持自定义，且方法灵活，针对准确性未及预期的模型，能够进行参异化定制，使其预测性能进一步提高。

本实施例数据建模的成本低，本实施例中，在获取到加工数据时，在进行特征提取时，特征提取的维度n的选取原则为，在能代表加工特征的前提下，尽可能地取小。在进行模型训练时，所需要执行的标准加工的次数，m在满足不小于n的条件下，也可尽量取小。这样子就以极少数特征以及样本，实现了模型的创建，这相比于传统机器学习的优势是明显的。传统机器学习的数据要求至少包含几十上百例的样本数据，且对建模数据的分布有比较明显的偏好要求。例如，要训练比较合理的磨损监控模型，理想状态下，需要新刀具加工数据：轻度磨损刀具加工：中度磨损刀具加工数据：重度磨损刀具加工数据大致按照1：1：1：1的比例分配，而实际上对于加工产线而言，专门模拟制作不同阶段刀具磨的对应加工数据是不现实的，即使不考虑成本进行实验测试，其结果可控性也很差。相比之下，本发明所需求的m次加工全部为标准加工，整个过程更容易把控。

本实施例中，在进行磨损检测时运算速度快，搭建环境简单，对环境语言以及算法库没有复杂要求，只要具备基本的向量运算和统计分析模块即可构建，相对于需要调用各种算法库、依赖众多且环境搭建复杂的传统模型(如深度学习模型)而言，大大提高了磨损检测效率，可以迅速、及时地进行刀具磨损判断。

本实施例中，磨损监测预警档位灵活可调，操作弹性大。在选取磨损监测预警档位时，可以根据实际监控需求灵活调整。如，当一段工艺属于精加工时，可以将对应档位进行向下浮动；当一段工艺处于粗加工时，则可以将对就档位适当上浮；如果一段工艺并不需要执行磨损监测的预警，可以将对应档位调至无穷大以屏蔽一切预警。工艺人员可结合自身需求进行灵活设计，以达到在不同加工段，实现不同颗粒度的磨损监控效果。

实施例2

本实施例提供一种电子设备，电子设备可以通过计算设备的形式表现(例如可以为服务器设备)，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行计算机程序时可以实现实施例1中的磨损检测方法。

图5示出了本实施例的硬件结构示意图，如图5所示，电子设备9具体包括：

至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93，其中：

总线93包括数据总线、地址总线和控制总线。

存储器92包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。

存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1中的磨损检测方法。

电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备9使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例3

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1中的磨损检测方法。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实实施例1中磨损检测方法。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种刀具的磨损检测方法，其特征在于，所述磨损检测方法包括以下步骤：

获取待检测刀具的待检测加工数据，所述待检测加工数据表示所述待检测刀具在预设切削工艺下切削目标工件的加工数据；

将所述加工数据输入至磨损检测模型以获取异常度，所述磨损检测模型为通过标准加工数据训练预设分布体系模型所得到的模型；

根据所述磨损检测模型获取异常度阈值；

当所述异常度大于或等于所述异常度阈值时，确认所述待检测刀具具有磨损的风险；

根据所述待检测加工数据确定所述待检测刀具的磨损程度。

2.如权利要求1所述的刀具的磨损检测方法，其特征在于，所述根据所述待检测加工数据确定所述待检测刀具的磨损程度的步骤包括以下步骤：

获取所述待检测加工数据的t统计量；

当所述t统计量小于第一预设值时，获取对应的P值；

根据所述P值确定所述待检测刀具的磨损程度。

3.如权利要求1所述的刀具的磨损检测方法，其特征在于，所述确认所述待检测刀具具有磨损的风险的步骤后还包括以下步骤：

获取所述待检测加工数据的t统计量；

当所述t统计量大于第一预设值时，生成用于提示所述待检测加工数据的数量偏少的提示信息。

4.如权利要求2所述的刀具的磨损检测方法，其特征在于，所述根据所述P值确定所述待检测刀具的磨损程度的步骤包括以下步骤：

根据第一公式或第二公式获取磨损量，所述第一公式为floor(-logP)，所述第二公式为ceil(-logP)；

根据所述预设切削工艺获取磨损级别与磨损量范围的对应关系；

根据所述对应关系获取所述磨损量对应的磨损级别。

5.如权利要求4所述的刀具的磨损检测方法，其特征在于，所述根据第一公式或第二公式获取磨损量的步骤后还包括以下步骤：

当所述磨损量大于或等于预设磨损量时，发送用于提醒更换刀具的提示信息，所述预设磨损量与所述预设切削工艺对应。

6.如权利要求1-5任意一项所述的刀具的磨损检测方法，其特征在于，所述将所述加工数据输入至磨损检测模型以获取异常度的步骤前还包括：

获取若干第一加工数据，所述第一加工数据表示刀具在预设切削工艺下切削目标工件的加工数据；

根据所述若干第一加工数据构建训练集；

通过所述训练集训练预设分布体系模型以获取磨损检测模型。

7.如权利要求6所述的刀具的磨损检测方法，其特征在于，所述根据所述若干第一加工数据构建训练集的步骤包括：

对每一次加工进行预处理，以获取对应的第一加工数据序列；

将所述第一加工数据序列映射为预设长度的向量；

所述训练集为由若干所述预设长度的向量组成的矩阵；

所述将所述加工数据输入至磨损检测模型以获取异常度的步骤包括以下步骤：

对所述加工数据进行预处理，以获取对应第二加工数据序列；

将所述第二加工数据映射为所述预设长度的向量；

将由所述第二加工数据对应的向量输入至磨损检测模型以获取异常度。

8.如权利要求6所述的刀具的磨损检测方法，其特征在于，所述根据所述若干第一加工数据构建训练集的步骤前还包括：

对所述若干第一加工数据进行卡方检验，若未通过卡方检验，则生成用于提示数据源选取出现问题的提示信息；和/或，

对所述若干第一加工数据进行t检验，若未通过t检验，则修正第一加工数据，并根据修正后的第一加工数据构建训练集，所述修正第一加工数据包括增加所述第一加工数据的数量和/或删除所述若干第一加工数据中不符合预设标准的数据。

9.一种电子设备，包括存储器、处理器及存储在存储器上并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计算机程序时实现权利要求1至8任一项所述的刀具的磨损检测方法。

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，所述计算机程序被处理器执行时实现权利要求1至8任一项所述的刀具的磨损检测方法。

Images