CN114378639B - 刀具寿命预测方法及装置、存储介质及电子设备 - Google Patents

Abstract

本公开披露了一种刀具寿命预测方法及装置、存储介质及电子设备，涉及信号处理技术领域，解决了刀具的剩余寿命难以被精准预测的问题。该刀具寿命预测方法包括：基于待测刀具对应的M种刀具图像信号，确定待测刀具对应的图像特征数据，M为正整数；基于待测刀具对应的N种刀具传感器信号，确定待测刀具对应的传感器特征数据，N为正整数；基于图像特征数据和传感器特征数据，预测待测刀具的剩余寿命。本公开能够充分利用针对待测刀具的图像通道信号和传感器通道信号，进而充分利用图像通道信号和传感器通道信号之间的相关性，从而实现了精准地预测待测刀具的剩余寿命的目的。

Description

刀具寿命预测方法及装置、存储介质及电子设备

技术领域

本公开涉及信号处理技术领域，具体涉及一种刀具寿命预测方法及装置、存储介质及电子设备。

背景技术

在机械制造系统中，刀具是机械制造系统中不可或缺的组成部分，比如车刀和铰刀等。刀具的加工状态及其磨损程度能够影响加工效率及加工质量。

然而，若刀具在大于使用寿命时仍在继续加工，则极易出现工件质量明显下降甚至报废的问题，严重时可能引起全加工过程的突然停止甚至系统崩溃的问题。因此，亟需解决如何精准地预测刀具的剩余寿命的问题。

发明内容

有鉴于此，本公开提供一种刀具寿命预测方法及装置、存储介质及电子设备，以解决刀具的剩余寿命难以被精准预测的问题。

第一方面，本公开一实施例提供一种刀具寿命预测方法，该刀具寿命预测方法包括：基于待测刀具对应的M种刀具图像信号，确定待测刀具对应的图像特征数据，M为正整数；基于待测刀具对应的N种刀具传感器信号，确定待测刀具对应的传感器特征数据，N为正整数；基于图像特征数据和传感器特征数据，预测待测刀具的剩余寿命。

结合第一方面，在第一方面的某些实现方式中，基于图像特征数据和传感器特征数据，预测待测刀具的剩余寿命，包括：基于图像特征数据和预设图像注意力机制，确定待测刀具对应的图像注意力特征数据；基于传感器特征数据和预设传感器注意力机制，确定待测刀具对应的传感器注意力特征数据；基于图像注意力特征数据、传感器注意力特征数据、图像特征数据和传感器特征数据，预测待测刀具的剩余寿命。

结合第一方面，在第一方面的某些实现方式中，基于图像注意力特征数据、传感器注意力特征数据、图像特征数据和传感器特征数据，预测待测刀具的剩余寿命，包括：基于图像注意力特征数据和传感器特征数据，确定传感器融合特征数据；基于传感器注意力特征数据和图像特征数据，确定图像融合特征数据；基于传感器融合特征数据和图像融合特征数据，确定综合特征数据；基于综合特征数据、传感器融合特征数据和图像融合特征数据，预测待测刀具的剩余寿命。

结合第一方面，在第一方面的某些实现方式中，基于待测刀具对应的M种刀具图像信号，确定待测刀具对应的图像特征数据，包括：利用图像信号特征提取网络，基于M种刀具图像信号，分别确定M种刀具图像信号各自对应的特征提取数据；融合M种刀具图像信号各自对应的特征提取数据，得到图像特征数据。

结合第一方面，在第一方面的某些实现方式中，基于待测刀具对应的N种刀具传感器信号，确定待测刀具对应的传感器特征数据，包括：利用传感器信号特征提取网络，基于N种刀具传感器信号，分别确定N种刀具传感器信号各自对应的特征提取数据；融合N种刀具传感器信号各自对应的特征提取数据，得到传感器特征数据。

结合第一方面，在第一方面的某些实现方式中，M种刀具图像信号包括刀具磨损图像信号和/或刀具温度图像信号；和/或，N种刀具传感器信号包括刀具电流功率信号、刀具声发射信号、刀具切削力信号、刀具振动信号、刀具切削声音信号和刀具切削温度信号中的至少一种。

结合第一方面，在第一方面的某些实现方式中，待测刀具包括机械制造系统中的刀具，剩余寿命包括剩余加工次数。

第二方面，本公开一实施例提供一种刀具寿命预测装置，该刀具寿命预测装置包括：图像特征确定模块，用于基于待测刀具对应的M种刀具图像信号，确定待测刀具对应的图像特征数据，M为正整数；传感器特征确定模块，用于基于待测刀具对应的N种刀具传感器信号，确定待测刀具对应的传感器特征数据，N为正整数；预测模块，用于基于图像特征数据和传感器特征数据，预测待测刀具的剩余寿命。

第三方面，本公开一实施例提供一种电子设备，该电子设备包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述第一方面所提及的方法。

第四方面，本公开一实施例提供一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序用于执行上述第一方面所提及的方法。

本公开实施例提供的刀具寿命预测方法，能够充分利用针对待测刀具的图像通道信号和传感器通道信号，进而充分利用图像通道信号和传感器通道信号之间的相关性，从而实现了精准地预测待测刀具的剩余寿命的目的。结合本公开实施例，能够有效提高工件加工效率和工件加工质量，从而实现减少废品数量、节约加工成本的目的。

附图说明

通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1所示为本公开一实施例提供的应用场景示意图。

图2所示为本公开一实施例提供的刀具寿命预测方法的流程示意图。

图3所示为本公开一实施例提供的基于图像特征数据和传感器特征数据，预测待测刀具的剩余寿命的流程示意图。

图4所示为本公开一实施例提供的基于图像注意力特征数据、传感器注意力特征数据、图像特征数据和传感器特征数据，预测待测刀具的剩余寿命的流程示意图。

图5所示为本公开一实施例提供的确定待测刀具对应的图像特征数据的流程示意图。

图6所示为本公开一实施例提供的确定待测刀具对应的传感器特征数据的流程示意图。

图7所示为本公开另一实施例提供的刀具寿命预测方法的流程示意图。

图8所示为本公开一实施例提供的刀具寿命预测装置的结构示意图。

图9所示为本公开一实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本公开一部分实施例，而不是全部的实施例。

相关统计数据显示，原材料的不断消耗和突发性的数控机床停机严重影响了加工制造业的经济提升，而数控机床被迫停止工作的主要原因之一为刀具失去加工能力(即刀具失效)。在实际加工过程中，刀具在不同的加工条件下，其状态是不断变化的，刀具一旦出现崩刃或者大于使用寿命还在继续加工的情况，则容易出现工件质量明显下降甚至报废的情况，严重时可能引起全加工过程的突然停止甚至系统崩溃。

目前，主要采取人工抽检加工工件的质量的方式来判断刀具是否处于健康状态，不仅精准度差，人工成本高，而且也降低了加工效率。为了解决上述问题，本公开实施例提供一种刀具寿命预测方法及装置、存储介质及电子设备，以实现精准地预测刀具的剩余寿命的目的。

下面结合图1对本公开实施例的应用场景进行简单的介绍。

图1所示为本公开一实施例提供的应用场景示意图。如图1所示，该应用场景为工件加工场景。具体而言，该工件加工场景包括安装有刀具的机械加工设备110(比如数控机床)、图像拍摄装置120、传感器130和服务器140。服务器140分别与图像拍摄装置120和传感器130通信连接。

具体而言，机械加工设备110用于利用刀具对工件进行加工。图像拍摄装置120用于在机械加工设备110的加工过程中，对刀具进行拍摄，从而得到刀具图像信号，并将拍摄的刀具图像信号发送至服务器140。传感器130用于在机械加工设备110的加工过程中，对刀具进行测量，从而得到刀具传感器信号，并将采集的刀具传感器信号发送至服务器140。服务器140用于基于刀具对应的刀具图像信号，确定刀具对应的图像特征数据，基于刀具对应的刀具传感器信号，确定刀具对应的传感器特征数据，基于图像特征数据和传感器特征数据，预测刀具的剩余寿命(即服务器140用于基于刀具图像信号和刀具传感器信号执行本公开实施例提及的刀具寿命预测方法)。其中，剩余寿命可以为剩余加工次数。

示例性地，在实际应用过程中，服务器140预测刀具的剩余寿命后，将剩余寿命信息发送至相应的用户终端，以便用户及时了解刀具的使用情况。

可以理解，图像拍摄装置120和传感器130的数量均不局限为一个，亦可以为多个。此外，可选地，上述提及的机械加工设备110为数控机床。上述提及的用户终端120为平板电脑、手机等移动终端。

下面结合图2至图6对本公开的刀具寿命预测方法进行简单的介绍。

图2所示为本公开一实施例提供的刀具寿命预测方法的流程示意图。如图2所示，本公开实施例提供的刀具寿命预测方法包括如下步骤。

步骤S210，基于待测刀具对应的M种刀具图像信号，确定待测刀具对应的图像特征数据。其中，M为正整数。

示例性地，待测刀具包括机械制造系统中的刀具，比如数控机床中的车刀和铰刀，本公开实施例对此不进行统一限定。

刀具图像信号指的是，利用图像拍摄装置对刀具进行拍摄后得到的图像信号，比如，刀具磨损图像信号和刀具温度图像信号等。可以理解，刀具磨损图像信号能够表征刀具的磨损情况，刀具温度图像信号能够表征刀具在使用过程中的温度情况。可选地，刀具温度图像信号包括刀具红外成像仪图像信号。可选地，M为大于1的正整数。如此设置，能够进一步提高得到的图像特征数据的丰富程度。

示例性地，对M种刀具图像信号分别进行特征提取，得到M种刀具图像信号各自对应的特征数据，然后融合M种刀具图像信号各自对应的特征数据，得到图像特征数据。

步骤S220，基于待测刀具对应的N种刀具传感器信号，确定待测刀具对应的传感器特征数据。其中，N为正整数。

刀具传感器信号指的是，利用传感器对刀具进行测量后得到的传感器信号。示例性地，N种刀具传感器信号包括刀具电流功率信号、刀具声发射信号、刀具切削力信号、刀具振动信号、刀具切削声音信号和刀具切削温度信号中的至少一种。可选地，N为大于1的正整数。如此设置，能够进一步提高得到的传感器特征数据的丰富程度。

示例性地，对N种刀具传感器信号分别进行特征提取，得到N种刀具传感器信号各自对应的特征数据，然后融合N种刀具传感器信号各自对应的特征数据，得到传感器特征数据。

步骤S230，基于图像特征数据和传感器特征数据，预测待测刀具的剩余寿命。

示例性地，对图像特征数据和传感器特征数据进行融合，并基于得到的融合数据预测待测刀具的剩余寿命。在一些实施例中，待测刀具的剩余寿命即为待测刀具的剩余加工次数。

在实际应用过程中，基于待测刀具对应的M种刀具图像信号，确定待测刀具对应的图像特征数据，然后基于待测刀具对应的N种刀具传感器信号，确定待测刀具对应的传感器特征数据，继而基于图像特征数据和传感器特征数据，预测待测刀具的剩余寿命。

本公开实施例提供的刀具寿命预测方法，能够充分利用针对待测刀具的图像通道信号和传感器通道信号，进而充分利用图像通道信号和传感器通道信号之间的相关性，从而实现了精准地预测待测刀具的剩余寿命的目的。结合本公开实施例，能够有效提高工件加工效率和工件加工质量，从而实现减少废品数量、节约加工成本的目的。此外，本公开实施例能够实现在线实时预测的目的。

下面结合图3举例说明图像特征数据和传感器特征数据的融合方式。

图3所示为本公开一实施例提供的基于图像特征数据和传感器特征数据，预测待测刀具的剩余寿命的流程示意图。在图2所示实施例基础上延伸出图3所示实施例，下面着重叙述图3所示实施例与图2所示实施例的不同之处，相同之处不再赘述。

如图3所示，在本公开实施例中，基于图像特征数据和传感器特征数据，预测待测刀具的剩余寿命步骤，包括如下步骤。

步骤S310，基于图像特征数据和预设图像注意力机制，确定待测刀具对应的图像注意力特征数据。

预设图像注意力机制(attention mechanism)可根据实际情况确定，只要能够对图像特征数据进行处理，得到图像注意力特征数据即可。图像特征数据作为二维数据，其能够一定程度上表征待测刀具的磨损状态，而经过预设图像注意力机制进行处理后，所得到的图像注意力特征数据的表征能力被进一步加强，从而为最终提高预测精准度提供了数据基础。

步骤S320，基于传感器特征数据和预设传感器注意力机制，确定待测刀具对应的传感器注意力特征数据。

预设传感器注意力机制亦可根据实际情况确定，只要能够对传感器特征数据进行处理，得到传感器注意力特征数据即可。传感器特征数据作为一维数据，其能够一定程度上表征待测刀具的磨损状态，而经过预设传感器注意力机制进行处理后，所得到的传感器注意力特征数据的表征能力被进一步加强，从而为最终提高预测精准度提供了数据基础。

可选地，预设图像注意力机制和预设传感器注意力机制为相同的注意力机制。

步骤S330，基于图像注意力特征数据、传感器注意力特征数据、图像特征数据和传感器特征数据，预测待测刀具的剩余寿命。

示例性地，对图像注意力特征数据、传感器注意力特征数据、图像特征数据和传感器特征数据进行融合，得到相应的融合数据，并基于得到的融合数据预测待测刀具的剩余寿命。

由于图像注意力特征数据是利用相应的注意力机制对图像特征数据进行进一步加强后得到的，传感器注意力特征数据是利用相应的注意力机制对传感器特征数据进行进一步加强后得到的，因此，本公开实施例能够结合丰富的刀具表征数据进一步提高预测精准度。

图4所示为本公开一实施例提供的基于图像注意力特征数据、传感器注意力特征数据、图像特征数据和传感器特征数据，预测待测刀具的剩余寿命的流程示意图。在图3所示实施例基础上延伸出图4所示实施例，下面着重叙述图4所示实施例与图3所示实施例的不同之处，相同之处不再赘述。

如图4所示，在本公开实施例中，基于图像注意力特征数据、传感器注意力特征数据、图像特征数据和传感器特征数据，预测待测刀具的剩余寿命步骤，包括如下步骤。

步骤S410，基于图像注意力特征数据和传感器特征数据，确定传感器融合特征数据。

示例性地，对图像注意力特征数据和传感器特征数据进行融合，得到传感器融合特征数据。

步骤S420，基于传感器注意力特征数据和图像特征数据，确定图像融合特征数据。

示例性地，对传感器注意力特征数据和图像特征数据进行融合，得到图像融合特征数据。

步骤S430，基于传感器融合特征数据和图像融合特征数据，确定综合特征数据。

示例性地，对传感器融合特征数据和图像融合特征数据进行融合，得到综合特征数据。更具体地，传感器融合特征数据和图像融合特征数据通过相加的方式进行融合，得到综合特征数据。

步骤S440，基于综合特征数据、传感器融合特征数据和图像融合特征数据，预测待测刀具的剩余寿命。

示例性地，对综合特征数据、传感器融合特征数据和图像融合特征数据进行拼接，得到能够更好地表征待测刀具的实际使用情况的拼接特征，然后基于拼接特征预测待测刀具的剩余寿命。

在一些实施例中，利用神经网络模型实现上述实施例提及的刀具寿命预测方法中的全部步骤或一些步骤。比如，利用寿命预测模型执行上述步骤S440，其中，该寿命预测模型包括全连接(Fully Connected，FC)层，在实际应用过程中，拼接特征输入到FC层，FC层基于拼接特征计算输出剩余寿命。可以理解，除了上述步骤S440之外，寿命预测模型亦可以执行步骤S410至步骤S430。也就是说，寿命预测模型的具体执行步骤可根据实际情况确定，本公开实施例对此不进行统一限定。

由于图像特征数据的关注点和传感器特征数据的关注点不同，而本公开实施例提及的数据融合方式，能够充分利用图像特征数据和传感器特征数据各自的优势，得到表征能力更强的综合特征数据、传感器融合特征数据和图像融合特征数据。由此可见，本公开实施例能够进一步提高预测精准度。

图5所示为本公开一实施例提供的确定待测刀具对应的图像特征数据的流程示意图。在图2所示实施例基础上延伸出图5所示实施例，下面着重叙述图5所示实施例与图2所示实施例的不同之处，相同之处不再赘述。

如图5所示，在本公开实施例中，基于待测刀具对应的N种刀具传感器信号，确定待测刀具对应的传感器特征数据步骤，包括如下步骤。

步骤S510，利用图像信号特征提取网络，基于M种刀具图像信号，分别确定M种刀具图像信号各自对应的特征提取数据。

示例性地，图像信号特征提取网络的输入为刀具图像信号，输出为刀具图像信号对应的特征提取数据。

在一些实施例中，M为大于1的正整数，即待测刀具对应的刀具图像信号具有多种。在此基础上，利用同一图像信号特征提取网络分别对上述多种刀具图像信号进行处理，以便得到上述多种刀具图像信号各自对应的特征提取数据。利用同一图像信号特征提取网络处理多种刀具图像信号的优势在于，多种刀具图像信号能够共享权重，从而有利于后续的融合操作。可以理解，上述提及的多种刀具图像信号亦可以分别采用不同的图像信号特征提取网络进行处理，只要能够确定各自对应的特征提取数据即可。

步骤S520，融合M种刀具图像信号各自对应的特征提取数据，得到图像特征数据。

本公开实施例提及的基于M种刀具图像信号确定图像特征数据的方式，不仅能够充分利用不同的刀具图像信号各自的数据表征优势，而且能够充分保证所得到的图像特征数据的鲁棒性。

图6所示为本公开一实施例提供的确定待测刀具对应的传感器特征数据的流程示意图。在图2所示实施例基础上延伸出图6所示实施例，下面着重叙述图6所示实施例与图2所示实施例的不同之处，相同之处不再赘述。

如图6所示，在本公开实施例中，基于待测刀具对应的N种刀具传感器信号，确定待测刀具对应的传感器特征数据步骤，包括如下步骤。

步骤S610，利用传感器信号特征提取网络，基于N种刀具传感器信号，分别确定N种刀具传感器信号各自对应的特征提取数据。

示例性地，传感器信号特征提取网络的输入为刀具传感器信号，输出为刀具传感器信号对应的特征提取数据。

在一些实施例中，N为大于1的正整数，即待测刀具对应的刀具传感器信号具有多种。在此基础上，利用同一传感器信号特征提取网络分别对上述多种刀具传感器信号进行处理，以便得到上述多种刀具传感器信号各自对应的特征提取数据。利用同一传感器信号特征提取网络处理多种刀具传感器信号的优势在于，多种刀具传感器信号能够共享权重，从而有利于后续的融合操作。可以理解，上述提及的多种刀具传感器信号亦可以分别采用不同的传感器信号特征提取网络进行处理，只要能够确定各自对应的特征提取数据即可。

步骤S620，融合N种刀具传感器信号各自对应的特征提取数据，得到传感器特征数据。

本公开实施例提及的基于N种刀具传感器信号确定传感器特征数据的方式，不仅能够充分利用不同的刀具传感器信号各自的数据表征优势，而且能够充分保证所得到的传感器特征数据的鲁棒性。

下面结合图7进一步举例说明刀具寿命预测方法的具体执行流程。

图7所示为本公开另一实施例提供的刀具寿命预测方法的流程示意图。如图7所示，刀具图像信号包括刀具磨损图像信号和红外成像仪图像信号，刀具多源异构信号包括电流功率信号、声发射信号、切削力信号、振动信号、切削声音信号和切削温度信号。刀具图像信号作为一组信号，被输入到图像信号特征提取网络，得到图像特征数据。刀具多源异构信号作为另一组信号，被输入到传感器信号特征提取网络，得到传感器特征数据。

在此基础上，利用注意力机制对图像特征数据进行处理，得到图像注意力特征数据，并且，利用注意力机制对传感器特征数据进行处理，得到传感器注意力特征数据。继而，将图像注意力特征数据和传感器特征数据进行融合，得到传感器融合特征数据，并且，将传感器注意力特征数据和图像特征数据进行融合，得到图像融合特征数据。然后，将传感器融合特征数据和图像融合特征数据再融合，得到综合特征数据。最后，将综合特征数据、图像融合特征数据和传感器融合特征数据进行拼接，并将拼接后的拼接特征输入到FC层，FC层输出剩余寿命。

示例性地，图7所示实施例提及的具体执行流程，利用相应的神经网络模型实现。比如寿命预测模型。其中，寿命预测模型为卷积神经网络模型，寿命预测模型的输入为刀具图像信号和刀具多源异构信号，寿命预测模型的输出为剩余寿命。

在一些实施例中，在寿命预测模型的训练阶段：输入样本刀具加工完一个产品时产生的图像数据(又称刀具图像信号)及传感器数据(又称刀具传感器信号)，然后利用卷积神经网络模型计算得到对刀具寿命有强表现力的特征数据，最后采用均方误差损失，前向传播得到各支路输出后根据上述损失函数计算梯度，进行反馈训练，直至迭代至模型收敛。对应地，在寿命预测模型的测试阶段：输入样本刀具加工完一个产品时产生的图像数据及传感器数据，输出为剩余加工次数。

本公开实施例提及的基于多通道信号融合的刀具寿命预测模型，能够有效提取、融合多通道信号的信息，建模多通道图像与多通道传感器间的相关性，自动提取与目标任务强相关的高层语义特征，从而实现准确地预测刀具寿命的目的。

上文结合图2至图7，详细描述了本公开的方法实施例，下面结合图8和图9，详细描述本公开的装置实施例。此外，应理解，方法实施例的描述与装置实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。

图8所示为本公开一实施例提供的刀具寿命预测装置的结构示意图。如图8所示，本公开实施例提供的刀具寿命预测装置包括图像特征确定模块810、传感器特征确定模块820和预测模块830。具体地，图像特征确定模块810用于，基于待测刀具对应的M种刀具图像信号，确定待测刀具对应的图像特征数据，M为正整数。传感器特征确定模块820用于，基于待测刀具对应的N种刀具传感器信号，确定待测刀具对应的传感器特征数据，N为正整数。预测模块830用于，基于图像特征数据和传感器特征数据，预测待测刀具的剩余寿命。

在一些实施例中，预测模块830还用于，基于图像特征数据和预设图像注意力机制，确定待测刀具对应的图像注意力特征数据；基于传感器特征数据和预设传感器注意力机制，确定待测刀具对应的传感器注意力特征数据；基于图像注意力特征数据、传感器注意力特征数据、图像特征数据和传感器特征数据，预测待测刀具的剩余寿命。

在一些实施例中，预测模块830还用于，基于图像注意力特征数据和传感器特征数据，确定传感器融合特征数据；基于传感器注意力特征数据和图像特征数据，确定图像融合特征数据；基于传感器融合特征数据和图像融合特征数据，确定综合特征数据；基于综合特征数据、传感器融合特征数据和图像融合特征数据，预测待测刀具的剩余寿命。

在一些实施例中，图像特征确定模块810还用于，利用图像信号特征提取网络，基于M种刀具图像信号，分别确定M种刀具图像信号各自对应的特征提取数据；融合M种刀具图像信号各自对应的特征提取数据，得到图像特征数据。

在一些实施例中，传感器特征确定模块820还用于，利用传感器信号特征提取网络，基于N种刀具传感器信号，分别确定N种刀具传感器信号各自对应的特征提取数据；融合N种刀具传感器信号各自对应的特征提取数据，得到传感器特征数据。

在一些实施例中，M种刀具图像信号包括刀具磨损图像信号和/或刀具温度图像信号；和/或，N种刀具传感器信号包括刀具电流功率信号、刀具声发射信号、刀具切削力信号、刀具振动信号、刀具切削声音信号和刀具切削温度信号中的至少一种。

在一些实施例中，待测刀具包括机械制造系统中的刀具，剩余寿命包括剩余加工次数。

图9所示为本公开一实施例提供的电子设备的结构示意图。图9所示的电子设备900(该电子设备900具体可以是一种计算机设备)包括存储器901、处理器902、通信接口903以及总线904。其中，存储器901、处理器902、通信接口903通过总线904实现彼此之间的通信连接。

存储器901可以是只读存储器(Read Only Memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(Random Access Memory，RAM)。存储器901可以存储程序，当存储器901中存储的程序被处理器902执行时，处理器902和通信接口903用于执行本公开实施例的刀具寿命预测方法的各个步骤。

处理器902可以采用通用的中央处理器(Central Processing Unit，CPU)，微处理器，应用专用集成电路(Application Specific Integrated Circuit，ASIC)，图形处理器(Graphics Processing Unit，GPU)或者一个或多个集成电路，用于执行相关程序，以实现本公开实施例的刀具寿命预测装置中的单元所需执行的功能。

处理器902还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本公开的刀具寿命预测方法的各个步骤可以通过处理器902中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器902还可以是通用处理器、数字信号处理器(DigitalSignal Processing，DSP)、专用集成电路(ASIC)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器901，处理器902读取存储器901中的信息，结合其硬件完成本公开实施例的刀具寿命预测装置中包括的单元所需执行的功能，或者执行本公开方法实施例的刀具寿命预测方法。

通信接口903使用例如但不限于收发器一类的收发装置，来实现电子设备900与其他设备或通信网络之间的通信。例如，可以通过通信接口903获取刀具图像信号。

总线904可包括在电子设备900各个部件(例如，存储器901、处理器902、通信接口903)之间传送信息的通路。

应注意，尽管图9所示的电子设备900仅仅示出了存储器、处理器、通信接口，但是在具体实现过程中，本领域的技术人员应当理解，电子设备900还包括实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当理解，电子设备900还可包括实现其他附加功能的硬件器件。此外，本领域的技术人员应当理解，电子设备900也可仅仅包括实现本公开实施例所必须的器件，而不必包括图9中所示的全部器件。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种刀具寿命预测方法，其特征在于，包括：

基于待测刀具对应的M种刀具图像信号，确定所述待测刀具对应的图像特征数据，M为正整数，其中，所述图像特征数据基于所述M种刀具图像信号各自对应的特征提取数据而被确定；

基于所述待测刀具对应的N种刀具传感器信号，确定所述待测刀具对应的传感器特征数据，N为正整数，其中，所述传感器特征数据基于所述N种刀具传感器信号各自对应的特征提取数据而被确定；

基于所述图像特征数据和所述传感器特征数据，预测所述待测刀具的剩余寿命；

其中，所述基于所述图像特征数据和所述传感器特征数据，预测所述待测刀具的剩余寿命，包括：

基于所述图像特征数据和预设图像注意力机制，确定所述待测刀具对应的图像注意力特征数据；

基于所述传感器特征数据和预设传感器注意力机制，确定所述待测刀具对应的传感器注意力特征数据；

基于所述图像注意力特征数据、所述传感器注意力特征数据、所述图像特征数据和所述传感器特征数据，预测所述待测刀具的剩余寿命；

其中，所述基于所述图像注意力特征数据、所述传感器注意力特征数据、所述图像特征数据和所述传感器特征数据，预测所述待测刀具的剩余寿命，包括：

基于所述图像注意力特征数据和所述传感器特征数据，确定传感器融合特征数据；

基于所述传感器注意力特征数据和所述图像特征数据，确定图像融合特征数据；

基于所述传感器融合特征数据和所述图像融合特征数据，确定综合特征数据；

基于所述综合特征数据、所述传感器融合特征数据和所述图像融合特征数据，预测所述待测刀具的剩余寿命。

2.根据权利要求1所述的刀具寿命预测方法，其特征在于，所述基于待测刀具对应的M种刀具图像信号，确定所述待测刀具对应的图像特征数据，包括：

利用图像信号特征提取网络，基于所述M种刀具图像信号，分别确定所述M种刀具图像信号各自对应的特征提取数据；

融合所述M种刀具图像信号各自对应的特征提取数据，得到所述图像特征数据。

3.根据权利要求1所述的刀具寿命预测方法，其特征在于，所述基于所述待测刀具对应的N种刀具传感器信号，确定所述待测刀具对应的传感器特征数据，包括：

利用传感器信号特征提取网络，基于所述N种刀具传感器信号，分别确定所述N种刀具传感器信号各自对应的特征提取数据；

融合所述N种刀具传感器信号各自对应的特征提取数据，得到所述传感器特征数据。

4.根据权利要求1所述的刀具寿命预测方法，其特征在于，所述M种刀具图像信号包括刀具磨损图像信号和/或刀具温度图像信号；

和/或，所述N种刀具传感器信号包括刀具电流功率信号、刀具声发射信号、刀具切削力信号、刀具振动信号、刀具切削声音信号和刀具切削温度信号中的至少一种。

5.根据权利要求1所述的刀具寿命预测方法，其特征在于，所述待测刀具包括机械制造系统中的刀具，所述剩余寿命包括剩余加工次数。

6.一种刀具寿命预测装置，其特征在于，包括：

图像特征确定模块，用于基于待测刀具对应的M种刀具图像信号，确定所述待测刀具对应的图像特征数据，M为正整数，其中，所述图像特征数据基于所述M种刀具图像信号各自对应的特征提取数据而被确定；

传感器特征确定模块，用于基于所述待测刀具对应的N种刀具传感器信号，确定所述待测刀具对应的传感器特征数据，N为正整数，其中，所述传感器特征数据基于所述N种刀具传感器信号各自对应的特征提取数据而被确定；

预测模块，用于基于所述图像特征数据和所述传感器特征数据，预测所述待测刀具的剩余寿命；

其中，所述基于所述图像特征数据和所述传感器特征数据，预测所述待测刀具的剩余寿命，包括：

基于所述图像特征数据和预设图像注意力机制，确定所述待测刀具对应的图像注意力特征数据；

基于所述传感器特征数据和预设传感器注意力机制，确定所述待测刀具对应的传感器注意力特征数据；

基于所述图像注意力特征数据、所述传感器注意力特征数据、所述图像特征数据和所述传感器特征数据，预测所述待测刀具的剩余寿命；

其中，所述基于所述图像注意力特征数据、所述传感器注意力特征数据、所述图像特征数据和所述传感器特征数据，预测所述待测刀具的剩余寿命，包括：

基于所述图像注意力特征数据和所述传感器特征数据，确定传感器融合特征数据；

基于所述传感器注意力特征数据和所述图像特征数据，确定图像融合特征数据；

基于所述传感器融合特征数据和所述图像融合特征数据，确定综合特征数据；

基于所述综合特征数据、所述传感器融合特征数据和所述图像融合特征数据，预测所述待测刀具的剩余寿命。

7.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器，

其中，所述处理器用于执行上述权利要求1至5任一项所述的方法。

8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至5任一项所述的方法。