CN114523337A - 一种刀具磨损状态识别方法、装置、电子设备及存储介质 - Google Patents
一种刀具磨损状态识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114523337A CN114523337A CN202210096753.1A CN202210096753A CN114523337A CN 114523337 A CN114523337 A CN 114523337A CN 202210096753 A CN202210096753 A CN 202210096753A CN 114523337 A CN114523337 A CN 114523337A
- Authority
- CN
- China
- Prior art keywords
- tool
- neural network
- wear
- wear state
- historical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000005520 cutting process Methods 0.000 claims abstract description 37
- 238000005299 abrasion Methods 0.000 claims abstract description 25
- 238000003754 machining Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 48
- 238000001228 spectrum Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000005236 sound signal Effects 0.000 description 12
- 238000007514 turning Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本申请提供了一种刀具磨损状态识别方法、装置、电子设备及存储介质，其方法包括：获取历史刀具磨损特征值和历史刀削加工参数值；建立初始BP神经网络预测模型，将所述历史刀具磨损特征值和历史刀削加工参数值作为训练集输入到所述初始BP神经网络预测模型进行迭代训练，得到训练完备的BP神经网络预测模型；实时获取当前的刀具磨损特征值和当前刀削加工参数值，基于所述训练完备的BP神经网络预测模型进行刀具磨损状态识别。本发明通过在BP神经网络模型的训练下，能够根据历史信息准确的识别刀具磨损状态，相比于现有仅采用传感器进行实时识别或者人工识别的方式，大大提高了识别的效率和准确度。
Description
技术领域
本发明涉及刀具状态检测技术领域，具体涉及一种刀具磨损状态识别方法、装置、电子设备及存储介质。
背景技术
在现代机械制造业中，由于数控机床高效性和可靠性被广泛引用，刀具在车削加工中扮演着非常重要的角色。在机械加工产品加工精度，表面完整性、车间生产效率、生产成本等方面起着非常关键的作用，同时刀具也是实际加工中耗损最多的部件。在车削加工中，由于刀具需要不断地和工件接触，工件和刀具两者互相作用，会发生磨损和形变，产生高温和超大荷载，导致刀具磨损的发生，所以刀具磨损在车削加工过程中是不可避免的问题，刀具轻微磨损会影响刀具加工工件表面质量，刀具严重磨损可能会导致发生安全事故。
最近今年，很多人也对数控机床刀具磨损状态监测做了一些研究。中国专利《一种基于振动频谱和神经网络的刀具磨损测量方法》(CN108747590A)公开了一种利用振动频谱估算刀具磨损的方法，对采集的振动信号进行数据处理，提取振动频谱输入到神经网络进行训练，从而对刀具磨损进行识别。中国专利《刀具磨损监测方法、装置、电子设备及存储介质》(CN112720069A)公开了一种通过切削振动信号的双谱对角切片特征研究刀具磨损过程方法。首先获取车削过程中刀具的振动数据，基于振动数据计算得到的耦合特征频率峰值指数来计算刀具磨损阈值，从而实现对刀具磨损的监测。
以上都是通过单一传感器信单因素对刀具状态进行判别，其可靠性已经不能满足当今刀具磨损预测的需要，伴随着数据融合技术的发展，多传感器多因素已经成为主流的研究方向。在车削加工中，振动信号只是反映刀具磨损状态的一个因素，音频信号和切削参数与磨损状态也具有非常强的关系。因此将音频信号和加工参数考虑进来，从而提高对刀具磨损预测分析的准确性。
发明内容
有鉴于此，有必要提供一种刀具磨损状态识别方法、装置、电子设备及存储介质，用以解决现有技术中对刀削磨损状态识别时准确性较低的技术问题。
为了解决上述技术问题，本发明提供了一种刀具磨损状态识别方法，包括：
获取历史刀具磨损特征值和历史刀削加工参数值；
建立初始BP神经网络预测模型，将所述历史刀具磨损特征值和历史刀削加工参数值作为训练集输入到所述初始BP神经网络预测模型进行迭代训练，得到训练完备的BP神经网络预测模型；
实时获取当前刀具磨损特征值和当前刀削加工参数值，基于所述训练完备的BP神经网络预测模型进行刀具磨损状态识别。
进一步的，所述获取历史刀具磨损特征值包括：
获取历史刀具磨损检测信号；
根据所述历史刀具磨损检测信号确定所述刀具的磨损状态，根据所述磨损状态确定所述历史刀具磨损特征值。
进一步的，所述历史刀具磨损检测信号确定所述刀具的磨损状态包括：
获取所述历史刀具磨损检测信号中所有频段的磨损检测信号能量谱，基于小波包分解法确定候选的若干个频段的磨损检测信号能量谱；
根据所述候选的若干个频段的磨损检测信号能量谱确定所述刀具的不同磨损状态。
进一步的，在所述刀具的不同磨损状态包括轻度磨损状态、中度磨损状态以及重度磨损状态；根据所述候选的若干个频段的磨损检测信号能量谱确定所述刀具的不同磨损状态，包括：
确定所述候选的若干个频段的磨损检测信号能量谱对应的能量值大小；
按照能量值由小到大在所述候选的频段内分别确定为轻度磨损状态、中度磨损状态以及重度磨损状态。进一步的，所述磨损状态确定刀具磨损特征值，包括：
创建刀具磨损检测三维坐标系，将所述候选的若干个频段的磨损检测信号能量谱沿所述三维坐标系下进行三维分解；
提取所述三维坐标系下任意一轴对应的预设频段的磨损检测信号能量谱，作为所述刀具磨损特征值。
进一步的，所述建立初始BP神经网络预测模型包括：
建立三层神经网络结构，所述三层神经网络结构包括输入层、隐含层以及输出层；
输入层的输入参数为历史刀具磨损特征值和历史刀削加工参数值，输出层为不同的磨损状态；
进一步的，所述建立初始BP神经网络预测模型之后，包括，采取遗传算法对所述初始BP神经网络预测模型进行优化，包括：
对BP神经网络预测模型中各神经元的权值和阈值进行编码，获得初始染色体；
随机初始化各个染色体，产生一个新种群；
确定所述各个染色体的预测值与实际值的均方误差和的倒数，并作为个体适应度函数；
使用轮盘赌方法选择种群中高适应度的染色体进行复制，再执行交叉和变异操作，产生下一代种群；
生成新个体，判断所述新个体的适应度是否符合预设条件，当符合预设条件时，对最优染色体进行解码，得到优化后的BP神经网络预测模型中各神经元的优化权值和优化阈值；
将所述优化权值和优化阈值赋给所述BP神经网络进行网络训练，当训练小于规定的数值或者达到最大迭代次数时，终止神经网络的训练，得到优化后的BP神经网络预测模型。
本发明还提供一种刀具磨损状态识别装置，所述刀具磨损状态识别装置包括：
特征值获取模块，用于获取历史刀具磨损特征值和历史刀削加工参数值；
预测模型确定模块，用于建立初始BP神经网络预测模型，将所述历史刀具磨损特征值和历史刀削加工参数值作为训练集输入到所述初始BP神经网络预测模型进行迭代训练，得到训练完备的BP神经网络预测模型；
磨损状态识别模块，用于实时获取当前的刀具磨损特征值和当前刀削加工参数值，基于所述训练完备的BP神经网络预测模型进行刀具磨损状态识别。
本发明还提供了一种电子设备，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任一种刀具磨损状态识别实现方式中的所述方法中的步骤。
本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述任一种刀具磨损状态识别方法中的步骤。
采用上述实施例的有益效果是：本发明提供的刀具磨损状态识别方法通过获取刀具磨损特征值以及刀削加工参数值的历史数据，并将所有的历史数据作为神经网络训练模型的输入集，且以刀具的不同磨损状态作为输出集合，并利用神经网络的迭代训练来预测实时的刀具磨损状态。
进一步的，本发明通过在BP神经网络模型的训练下，能够根据历史信息准确的识别刀具磨损状态，相比于现有仅采用传感器进行实时识别或者人工识别的方式，大大提高了识别的效率和准确度，使得在实际生产车间中，提高了换刀时间的准确性，避免了刀具严重磨损可能会导致发生安全事故，提高了刀具加工工件表面质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种刀具磨损状态识别方法的一个实施例的流程示意图；
图2为本发明实施例中S101的一个流程示意图；
图3为本发明实施例中S201的一个流程示意图；
图4为本发明实施例中S302的一个流程示意图；
图5为本发明实施例中S302的一个流程示意图；
图6为本发明实施例中的三层小波包结构示意图；
图7为本发明实施例中初始BP神经网络预测模型的结构示意图；
图8为本发明提供的刀具磨损状态识别装置的一个实施例结构示意图；
图9为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种刀具磨损状态识别方法、装置、电子设备以及存储介质，以下分别进行说明。
如图1所示，为本发明提供的刀具磨损状态识别方法的一个实施例流程示意图，该方法包括：
S101、获取历史刀具磨损特征值和历史刀削加工参数值；
S102、建立初始BP神经网络预测模型；
S103、将所述历史刀具磨损特征值和历史刀削加工参数值作为训练集输入到所述初始BP神经网络预测模型进行迭代训练，得到训练完备的BP神经网络预测模型；
S104、实时获取当前的刀具磨损特征值和当前刀削加工参数值，基于所述训练完备的BP神经网络预测模型进行刀具磨损状态识别。
作为具体的实施例，在步骤S101中，刀具磨损特征值为根据实际情况选择特征参数对应的定义值，特征参数可以是音频信号特征参数以及振动信号特征参数；刀削加工参数为刀具在刀削过程时需要考虑的一些功能参数，刀削加工参数一般为切削速度、进给速率和切削深度。历史刀具磨损特征值和历史刀削加工参数值为刀具磨损特征值和刀削加工参数值的历史信息，如车床中刀具工作前三年的相关历史数据信息。
可以理解的是，获取历史刀具磨损特征值和历史刀削加工参数值的获取方法可以在刀具工作系统中存在的历史数据进行抓取，提取等。
作为具体的实施例，在步骤S102中，初始BP神经网络是在输入层与输出层之间增加若干层神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。
作为具体的实施例，在步骤S103中，训练完备的BP神经网络预测模型是对初始BP神经网络进行大量的迭代训练，而得到的一个较为成熟，科学的BP神经网络预测模型。
作为具体的实施例，在步骤S104中，实时获取当前的刀具磨损特征值和当前刀削加工参数值，将实时获取当前的刀具磨损特征值和当前刀削加工参数值输入到所述训练完备的BP神经网络预测模型中，实时对刀具模型状态进行预测。
与现有技术相比，本发明实施例通过在BP神经网络模型的训练下，能够根据历史信息准确的识别刀具磨损状态，相比于现有仅采用传感器进行实时识别或者人工识别的方式，大大提高了识别的效率和准确度，使得在实际生产车间中，提高了换刀时间的准确性，避免了刀具严重磨损可能会导致发生安全事故，提高了刀具加工工件表面质量。
进一步地，如图2所示，在本发明的一些实施例中，S101包括：
S201、获取刀具磨损检测信号；
S202、根据所述刀具磨损检测信号确定所述刀具的磨损状态，根据所述磨损状态确定刀具磨损特征值。
作为优选的实施例，在步骤S201中，刀具磨损检测信号可以为振动信号和或音频信号。
具体的，在采集音频信号时，在整个车削过程中，使用音频传感器采集音频信号，音频传感器可选用46AE型音频传感器。该46AE型音频传感器小巧易安装，且不需要供电，可以很好地适应数控机床噪音监测，其可以实现17-138db的测量范围，灵敏度可达到50mv/pa，音频传感器直接采集的是声压幅值，通过灵敏度可以将其转换成电压幅值，且符合标准达到GB/T3785-1型。
具体的，在采集振动信号时，可以使用DYTRAN3263A2加速度传感器，其灵敏度为100mv/g，在不干扰机床正常车削的情况下，利用磁力座将传感器安装在离刀具很近的刀柄上，以提高传感器的检测灵敏度。
通过传感器采集的都是模拟信号，我们使用采集卡来对信号进行处理，从而转换成数字信号便于计算机进行处理。我们这里使用NI-9250BNC采集卡，量程在-5v到5v之间，可以同时实现8通道同时输入。所以1路音频方向和3路振动信号可以同时采集。然后由小波包分析后得到历史刀具磨损特征值。
作为优选的实施例，在步骤S202中，刀具磨损检测信号可以检测到刀具振动信号，刀具音频信号。振动信号或者音频信号对刀具的磨损程度是不同的。刀具的使用时间的长短，振动信号或者音频信号的强弱最终会影响所确定的刀具磨损状态。不同的刀具磨损状态所确定的刀具磨损特征值不同。
进一步地，如图3所示，在本发明的一些实施例中，根据所述刀具磨损检测信号确定所述刀具的磨损状态，具体包括：
S301、获取所述历史刀具磨损检测信号中所有频段的磨损检测信号能量谱，基于小波包分解法确定候选的若干个频段的磨损检测信号能量谱；
S302、根据所述候选的若干个频段的磨损检测信号能量谱确定所述刀具的不同磨损状态。
作为优选的实施例，在步骤S301中，基于小波包分解，将刀具磨损检测信号能量谱进行分解，得到若干个频段的磨损检测信号能量谱，在本实施例中选取能量值大小排名前八的八个频段的磨损检测信号能量谱。
作为优选的实施例，在步骤S302中，刀具磨损状态有轻度磨损，中度磨损和重度磨损。
进一步地，如图4所示，在本发明的一些实施例中，S302包括：
S401、确定所述候选的若干个频段的磨损检测信号能量谱对应的能量值大小；
S402、按照能量值由小到大在所述候选的频段内分别确定为轻度磨损状态、中度磨损状态以及重度磨损状态。
作为优选的实施例，在步骤S401中，计算出磨损检测信号能量谱的能量值，然后对所述能量值大小进行排序，选取能量值大小排名前八个频段对应的磨损检测信号能量谱。
具体的，在步骤S402中，选取八个频段的磨损检测信号能量谱，不同磨损状态对应的能量谱是不相同的。一般而言，在车削加工过程中，不同车削使用的时间不同，其磨损状态是不一样的，轻度磨损对应的能量谱中的能量值越低，重度磨损对应的能量谱中的能量值越高，中度磨损对应的能量谱中的能量值居于轻度磨损和重度磨损的能量谱中对应的能量值之间。
进一步地，如图5所示，在本发明的一些实施例中，根据所述磨损状态确定所述历史刀具磨损特征值，具体包括：
S501、创建刀具磨损检测三维坐标系，将所述候选的若干个频段的磨损检测信号能量谱沿所述三维坐标系下进行三维分解；
S502、提取所述三维坐标系下任意一轴对应的预设频段的磨损检测信号能量谱，作为所述刀具磨损特征值。
若刀具磨损检测信号为振动信号，作为优选的实施例，在步骤S501中，创建刀具磨损振动信号检测三维坐标系，且所述三维坐标系包括X轴，Y轴，Z轴，具体的，对振动信号沿X轴搜集的信号特征明显，只对X轴进行特征分析。
若刀具磨损检测信号为振动信号，作为优选的实施例，在步骤S502中，在振动信号X轴，Y轴，Z轴分别振动分析发现X轴的信号与刀具磨损状态最为相关，将X轴振动信号分解后得到的8个频段的均方根作为磨损状态识别输入的特征值。
若刀具磨损检测信号为音频信号，对检测到的音频信号进行小波包分析，得到候选的频段的能量谱，将音频信号分解后得到的8个频段的均方根作为磨损状态识别输入法的特征值。
进一步地，在本发明的一些实施例中，建立初始BP神经网络预测模型，具体包括：
输入层的输入参数为历史刀具磨损特征值和历史刀削加工参数值，输出层为不同的磨损状态；将历史刀具磨损特征值和历史刀削加工参数值作为初始BP神经网络的输入层的输入参数，经过BP神经网络的计算，输出层可以得到刀具对应的磨损状态。
神经网络结构，所述三层神经网络结构包括输入层、隐含层以及输出层，三层神经网络结构如图7所示。
作为优选的实施例，建立初始BP神经网络预测模型之后，包括，采取遗传算法对所述初始BP神经网络预测模型进行优化，包括：
设置遗传算法中种群规模大小，交叉概率，变异概率以及遗传进化代数控制参数，初始化种群对BP神经网络中各神经元的权值和阈值进行编码，获得初始染色体；
随机初始化各个个体，产生一个新种群；
选择样本预测值与实际值的均方误差和的倒数作为个体适应度函数；
使用轮盘赌方法去选择种群中高适应度的染色体进行复制，再执行交叉和变异操作，产生下一代种群；
生成新个体，判断所述新个体的适应度是否符合预设条件，当符合条件时，对最优个体进行解码；
将优化后得到的网络的权值和阈值再赋给神经网络进行网络训练，当训练小于规定的数值或者达到最大迭代次数时，终止神经网络的训练。
为了更好实施本发明实施例中的刀具磨损状态识别方法，在刀具磨损状态别方法基础之上，对应的，如图8所示，本发明实施例还提供了一种刀具磨损状态识别装置800，包括：
特征值获取模块801，用于获取历史刀具磨损特征值和历史刀削加工参数值；
预测模型确定模块802，用于建立初始BP神经网络预测模型，将所述历史刀具磨损特征值和历史刀削加工参数值作为训练集输入到所述初始BP神经网络预测模型进行迭代训练，得到训练完备的BP神经网络预测模型；
磨损状态识别模块803，用于实时获取当前的刀具磨损特征值和当前刀削加工参数值，基于所述训练完备的BP神经网络预测模型进行刀具磨损状态识别。
这里需要说明的是：上述实施例提供的刀具磨损状态识别装置800可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
如图9所示，基于上述刀具磨损状态识别方法，本发明还相应提供了一种电子设备900。该电子设备900包括处理器901、存储器902及显示器903。图9仅示出了电子设备900的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器902在一些实施例中可以是所述电子设备900的内部存储单元，例如电子设备900的硬盘或内存。所述存储器902在另一些实施例中也可以是所述电子设备900的外部存储设备，例如所述电子设备900上配备的插接式硬盘，智能存储卡(SmartMediaCard，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(FlashCard)等。
进一步地，所述存储器902还可既包括电子设备900的内部储存单元也包括外部存储设备。所述存储器902用于存储安装所述电子设备900的应用软件及各类数据，
所述处理器901在一些实施例中可以是一中央处理器(CentralProcessingUnit，CPU)，微处理器或其他数据处理芯片，用于运行所述存储902中存储的程序代码或处理数据，例如本发明中的沥青路面隐藏病害识别方法。
所述显示器903在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight-EmittingDiode，有机发光二极管)触摸器等。所述显示器903用于显示在所述电子设备900的信息以及用于显示可视化的用户界面。所述电子设备900的部件901-903通过系统总线相互通信。
在一实施例中，当所述处理器901执行所述存储器902中的刀具磨损状态识别程序904时，可实现以下步骤：
获取历史刀具磨损特征值和历史刀削加工参数值；
建立初始BP神经网络预测模型，将所述历史刀具磨损特征值和历史刀削加工参数值作为训练集输入到所述初始BP神经网络预测模型进行迭代训练，得到训练完备的BP神经网络预测模型；
实时获取当前的刀具磨损特征值和当前刀削加工参数值，基于所述训练完备的BP神经网络预测模型进行刀具磨损状态识别。
应当理解的是：处理器901在执行存储器902中的刀具磨损状态识别程序904时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备900的类型不做具体限定，电子设备900可以为手机、平板电脑、个人数字助理(personaldigitalassistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载iOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备900也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述各方法实施例提供的方法步骤或功能。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的刀具磨损状态识别方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种刀具磨损状态识别方法，其特征在于，包括：
获取历史刀具磨损特征值和历史刀削加工参数值；
建立初始BP神经网络预测模型，将所述历史刀具磨损特征值和历史刀削加工参数值作为训练集输入到所述初始BP神经网络预测模型进行迭代训练，得到训练完备的BP神经网络预测模型；
实时获取当前刀具磨损特征值和当前刀削加工参数值，基于所述训练完备的BP神经网络预测模型进行刀具磨损状态识别。
2.根据权利要求1所述的刀具磨损状态识别方法，其特征在于，获取历史刀具磨损特征值，包括：
获取历史刀具磨损检测信号；
根据所述历史刀具磨损检测信号确定所述刀具的磨损状态，根据所述磨损状态确定所述历史刀具磨损特征值。
3.根据权利要求2所述的刀具磨损状态识别方法，其特征在于，根据所述历史刀具磨损检测信号确定所述刀具的磨损状态，包括：
获取所述历史刀具磨损检测信号中所有频段的磨损检测信号能量谱，基于小波包分解法确定候选的若干个频段的磨损检测信号能量谱；
根据所述候选的若干个频段的磨损检测信号能量谱确定所述刀具的不同磨损状态。
4.根据权利要求3所述的刀具磨损状态识别方法，其特征在于，所述刀具的不同磨损状态包括轻度磨损状态、中度磨损状态以及重度磨损状态；根据所述候选的若干个频段的磨损检测信号能量谱确定所述刀具的不同磨损状态，包括：
确定所述候选的若干个频段的磨损检测信号能量谱对应的能量值大小；
按照能量值由小到大在所述候选的频段内分别确定为轻度磨损状态、中度磨损状态以及重度磨损状态。
5.根据权利要求3所述的刀具磨损状态识别方法，其特征在于，所述根据所述磨损状态确定刀具磨损特征值，包括：
创建刀具磨损检测三维坐标系，将所述候选的若干个频段的磨损检测信号能量谱沿所述三维坐标系下进行三维分解；
提取所述三维坐标系下任意一轴对应的预设频段的磨损检测信号能量谱，作为所述刀具磨损特征值。
6.根据权利要求1述的刀具磨损状态识别方法，其特征在于，建立初始BP神经网络预测模型，包括：
建立三层神经网络结构，所述三层神经网络结构包括输入层、隐含层以及输出层；
输入层的输入参数为历史刀具磨损特征值和历史刀削加工参数值，输出层为不同的磨损状态。
7.根据权利要求6所述的刀具磨损状态识别方法，其特征在于，建立初始BP神经网络预测模型之后，包括，采取遗传算法对所述初始BP神经网络预测模型进行优化，所述优化步骤包括：
对BP神经网络预测模型中各神经元的权值和阈值进行编码，获得初始染色体；
随机初始化各个染色体，产生一个新种群；
确定所述各个染色体的预测值与实际值的均方误差和的倒数，并作为个体适应度函数；
使用轮盘赌方法选择种群中高适应度的染色体进行复制，再执行交叉和变异操作，产生下一代种群；
生成新个体，判断所述新个体的适应度是否符合预设条件，当符合预设条件时，对最优染色体进行解码，得到优化后的BP神经网络预测模型中各神经元的优化权值和优化阈值；
将所述优化权值和优化阈值赋给所述BP神经网络进行网络训练，当训练小于规定的数值或者达到最大迭代次数时，终止神经网络的训练，得到优化后的BP神经网络预测模型。
8.一种刀具磨损状态识别装置，其特征在于，包括：
特征值获取模块，用于获取历史刀具磨损特征值和历史刀削加工参数值；
预测模型确定模块，用于建立初始BP神经网络预测模型，将所述历史刀具磨损特征值和历史刀削加工参数值作为训练集输入到所述初始BP神经网络预测模型进行迭代训练，得到训练完备的BP神经网络预测模型；
磨损状态识别模块，用于实时获取当前的刀具磨损特征值和当前刀削加工参数值，基于所述训练完备的BP神经网络预测模型进行刀具磨损状态识别。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述刀具磨损状态识别方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述刀具磨损状态识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210096753.1A CN114523337A (zh) | 2022-01-26 | 2022-01-26 | 一种刀具磨损状态识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210096753.1A CN114523337A (zh) | 2022-01-26 | 2022-01-26 | 一种刀具磨损状态识别方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114523337A true CN114523337A (zh) | 2022-05-24 |
Family
ID=81622808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210096753.1A Pending CN114523337A (zh) | 2022-01-26 | 2022-01-26 | 一种刀具磨损状态识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114523337A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114965714A (zh) * | 2022-08-01 | 2022-08-30 | 广东省科学院智能制造研究所 | 一种防飞溅声学检测探头、设备及其刀具磨损检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103465107A (zh) * | 2013-09-24 | 2013-12-25 | 沈阳利笙电子科技有限公司 | 一种刀具磨损监测方法 |
| CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
-
2022
- 2022-01-26 CN CN202210096753.1A patent/CN114523337A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103465107A (zh) * | 2013-09-24 | 2013-12-25 | 沈阳利笙电子科技有限公司 | 一种刀具磨损监测方法 |
| CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘然;傅攀;: "基于粗糙集和BP神经网络的刀具状态监测", 机床与液压, no. 05, 15 March 2015 (2015-03-15), pages 49 - 52 * |
| 锁小红;: "基于小波分析和神经网络的刀具磨损预测", 农业开发与装备, no. 10, 31 December 2016 (2016-12-31), pages 67 - 69 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114965714A (zh) * | 2022-08-01 | 2022-08-30 | 广东省科学院智能制造研究所 | 一种防飞溅声学检测探头、设备及其刀具磨损检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112034789B (zh) | 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机 | |
| US11761930B2 (en) | Prediction method of part surface roughness and tool wear based on multi-task learning | |
| CN113560955B (zh) | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 | |
| CN110501169A (zh) | 车辆故障的诊断方法、装置及电子设备 | |
| TWI584134B (zh) | 製程異因分析方法與製程異因分析系統 | |
| CN112328703B (zh) | 一种基于增量学习的数控设备健康状态诊断装置及方法 | |
| US11322147B2 (en) | Voice control system for operating machinery | |
| CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| CN114523337A (zh) | 一种刀具磨损状态识别方法、装置、电子设备及存储介质 | |
| CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
| CN115234220A (zh) | 利用智能钻头实时识别井下粘滑振动的方法及装置 | |
| CN113806889A (zh) | 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备 | |
| CN114559298B (zh) | 基于物理信息融合的刀具磨损监测方法 | |
| CN111881683A (zh) | 关系三元组的生成方法、装置、存储介质和电子设备 | |
| CN114789364A (zh) | 多指标钻孔质量控制方法及其装置、设备 | |
| CN113458873A (zh) | 一种刀具磨损量和剩余寿命预测的方法 | |
| CN116386720A (zh) | 基于深度学习和注意力机制的单细胞转录因子预测方法 | |
| CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
| CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
| CN113435718A (zh) | 玻璃的生成方法、装置、电子设备及存储介质 | |
| CN106919755A (zh) | 一种基于数据的云制造系统不确定性量化分析方法及装置 | |
| CN111428148A (zh) | 一种适于制造过程规划的智能优化算法推荐方法 | |
| Fan et al. | Research on tool wear modeling of superalloy based on evolutionary cluster analysis | |
| CN115859768B (zh) | 一种动态装配作业车间工件完工时间预测方法及装置 |
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 |