CN114952419B - 一种基于多特征融合的断刀监控方法及电子设备 - Google Patents
一种基于多特征融合的断刀监控方法及电子设备 Download PDFInfo
- Publication number
- CN114952419B CN114952419B CN202210506913.5A CN202210506913A CN114952419B CN 114952419 B CN114952419 B CN 114952419B CN 202210506913 A CN202210506913 A CN 202210506913A CN 114952419 B CN114952419 B CN 114952419B
- Authority
- CN
- China
- Prior art keywords
- signal extraction
- extraction model
- signal
- characteristic
- level
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 209
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000000354 decomposition reaction Methods 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000003754 machining Methods 0.000 description 8
- 238000012806 monitoring device Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000007514 turning Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数控机床技术领域，公开了一种基于多特征融合的断刀监控方法及电子设备。断刀监控方法包括：获取刀具的加工信号，根据多个信号提取模型，从加工信号中提取出对应的特征信号，融合多个信号提取模型的特征信号，得到融合特征值，根据融合特征值，监控刀具。本实施例可对多个信号提取模型的特征信号进行融合，得到简单易判的、便于监控刀具是否发生断刀的融合特征值，由于融合特征值综合了多个信号提取模型预测断刀发生的概率，可补偿单一信号提取模型预测断刀发生的概率与实际情况的偏差量，避免单一信号提取模型进行断刀预测的片面性，从而提高断刀预测的准确性，进而可靠监控刀具。
Description
技术领域
本发明涉及数控机床技术领域，特别是涉及一种基于多特征融合的断刀监控方法及电子设备。
背景技术
刀具是自动化加工设备中关键或价值较高零部件，如果刀具在生产过程中出现断刀的情况，将影响产品质量，并且会因此导致设备非计划停产，造成不必要的损失。因此，为了保证产品质量，避免设备非计划停产，对刀具进行断刀监控是非常有必要的。
在传统的刀具断刀监控技术中，一般是根据单一特征信号来对判断刀具是否发生断刀的，由于此种判断机制存在片面性，容易发生误判的风险，因此，传统技术存在断刀判断结果不够准确的不足之处。
发明内容
本发明实施例提供了一种基于多特征融合的断刀监控方法及电子设备，能够改善相关技术中断刀判断结果不够准确的技术问题。
本发明实施例为改善上述技术问题提供了如下技术方案：
在第一方面，本发明实施例提供了一种基于多特征融合的断刀监控方法，包括：
获取刀具的加工信号；
根据多个信号提取模型，从所述加工信号中提取出对应的特征信号；
融合多个所述信号提取模型的特征信号，得到融合特征值；
根据所述融合特征值，监控所述刀具。
可选的，所述融合多个所述信号提取模型的特征信号，得到融合特征值包括：
根据每个所述信号提取模型的各个特征信号，计算每个所述信号提取模型的层级概率特征；
融合每个所述信号提取模型的层级概率特征，得到融合特征值。
可选的，每个所述信号提取模型包括一个或多个层级，每个所述层级对应一个特征信号，所述根据每个所述信号提取模型的各个特征信号，计算每个信号提取模型的层级概率特征包括：
将每个所述信号提取模型的各个特征信号转换成对应的归一化特征值，其中，每个所述层级具有对应的权重系数；
根据各个所述归一化特征值及其对应层级的权重系数，计算每个信号提取模型的层级概率特征。
可选的，所述层级概率特征的计算公式如下：
其中，i表示各个所述信号提取模型的序号，j表示每个所述信号提取模型中各个层级的序号，Pi表示第i个所述信号提取模型的层级概率特征，gij表示根据第i个所述信号提取模型中第j个层级对应的权重系数，Yij表示将第i个所述信号提取模型中第j个层级对应的特征信号进行转换得到的归一化特征值。
可选的，每个所述信号提取模型具有对应的调节系数，所述融合每个所述信号提取模型的层级概率特征，得到融合特征值包括：
根据每个信号提取模型的层级概率特征和对应的调节系数，计算每个信号提取模型初始的断刀预测概率；
将每个信号提取模型初始的断刀预测概率、层级概率特征和对应的调节系数输入神经网络，得到每个信号提取模型更新后的调节系数；
根据每个信号提取模型的层级概率特征和对应的更新后的调节系数，计算每个信号提取模型最终的断刀预测概率；
融合每个信号提取模型最终的断刀预测概率，得到融合特征值。
可选的，所述断刀预测概率的计算公式如下：
Qi＝Ai1Pi 3+Ai2Pi 2+Ai3Pi
其中，Qi表示第i个所述信号提取模型的断刀预测概率，Pi表示第i个所述信号提取模型的层级概率特征，Ai1、Ai2和Ai3表示第i个所述信号提取模型对应的调节系数。
可选的，所述将每个所述信号提取模型的各个特征信号转换成对应的归一化特征值包括：
计算每个所述特征信号与对应的标签特征信号的皮尔森相关系数；
对每个皮尔森相关系数取绝对值，得到每个所述特征信号对应的归一化特征值。
可选的，还包括：
获取每个所述信号提取模型中各个层级对应的断刀特征信号；
根据所述断刀特征信号，更新每个信号提取模型中各个层级对应的权重系数。
可选的，所述根据所述断刀特征信号，更新每个信号提取模型中各个层级对应的权重系数包括：
将每个所述断刀特征信号转换成对应的归一化特征值；
将每个所述信号提取模型中归一化特征值最小的预设数量的层级的权重系数减少，并将减少的权重系数总和转移至对应的所述信号提取模型中归一化特征值最大的预设数量的层级。
可选的，所述信号提取模型包括经验模态分解模型和/或离散小波变换模型和/或带通滤波模型，所述根据多个所述信号提取模型，从加工信号中提取出对应的特征信号包括：
根据所述经验模态分解模型，从所述加工信号中提取出指定分解层的特征信号；和/或，
根据所述离散小波变换模型，从所述加工信号中提取出指定离散层的特征信号；和/或，
根据所述带通滤波模型，从所述加工信号中提取出指定频段的特征信号。
在第二方面，本发明实施例提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
本发明实施例的有益效果包括：提供一种基于多特征融合的断刀监控方法及电子设备。断刀监控方法包括：获取刀具的加工信号，根据多个信号提取模型，从加工信号中提取出对应的特征信号，融合多个信号提取模型的特征信号，得到融合特征值，根据融合特征值，监控刀具。本实施例可对多个信号提取模型的特征信号进行融合，得到简单易判的、便于监控刀具是否发生断刀的融合特征值，由于融合特征值综合了多个信号提取模型预测断刀发生的概率，可补偿单一信号提取模型预测断刀发生的概率与实际情况的偏差量，避免单一信号提取模型进行断刀预测的片面性，从而提高断刀预测的准确性，进而可靠监控刀具。
附图说明
一个或多个实施例通过与之对应的附图中的图片仅作为示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明实施例提供的断刀监控系统的结构示意图；
图2a是本发明实施例提供的一种断刀监控方法的流程示意图；
图2b是图2a所示的S23的流程示意图；
图2c是图2b所示的S231的流程示意图；
图2d是图2b所示的S232的流程示意图；
图2e是本发明另一实施例提供的一种断刀监控方法的流程示意图；
图3是本发明实施例提供的一种经验模态分解模型的算法流程示意图；
图4是本发明实施例根据经验模态分解模型，从加工信号提取出各个分解层的特征信号的示意图；
图5是本发明实施例提供的一种离散小波变换模型的算法流程示意图；
图6是本发明实施例提供的一种离散小波变换模型的原理示意图；
图7a是本发明实施例提供一种断刀监控装置的结构示意图；
图7b是图7a所示的融合模块73的结构示意图；
图7c是本发明另一实施例提供一种断刀监控装置的结构示意图；
图8是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了便于理解本申请，下面结合附图和具体实施方式，对本申请进行更详细的说明。需要说明的是，当一个元件被表述“连接”另一个元件，它可以是直接连接到另一个元件、或者其间可以存在一个或多个居中的元件。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。此外，下面所描述的本申请不同实施例中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种断刀监控系统。请参阅图1，断刀监控系统100包括数控机床10、传感器20、显示模块30、通讯模块40及控制模块50。
数控机床10用于加工零件。在对零件进行加工时，数控机床10可以对零件进行铣削、钻削、铰削、镗削、攻丝或车削等加工操作。在一些实施例中，数控机床10可以为任意合适类型的机床，例如立式数控机机床、卧式数控机床等。
传感器20用于采集数控机床10的零部件(如主轴、进给轴)运动时的各种物理信号，例如，通过功率传感器来采集主轴电机功率、通过电流传感器来采集进给轴电机电流等等。
显示模块30用于显示数控机床10的运行情况，例如，显示模块30显示数控机床10的主轴的转速、刀具的运动坐标等等。
通讯模块40安装于数控机床10，用于与外部设备互相通讯，通讯模块40可将诸如主轴负载、PLC地址信号、总功率等工作数据传输至外部设备，外部设备存储工作数据，并利用工作数据完成大数据分析和处理，从而为一些应用开发做好基础。其中，外部设备可以为上位机，亦可以为其它用户指定的设备。
在一些实施例中，通讯模块40可以包括任意类型的长距离通讯模块或短距离通讯模块，其中，长距离通讯模块可以是4G通讯模块、5G通讯模块等等，短距离通讯模块可以是蓝牙模块、WiFi模块等等。
控制模块50分别与数控机床10、传感器20、显示模块30及通讯模块40电连接。控制模块50作为控制核心，用于执行下文所述的断刀监控方法。
在一些实施例中，控制模块50可以为任意通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISC Machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，控制模块50还可以是任何传统处理器、控制器、微控制器或状态机。控制模块50也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
请参阅图2a，图2为本发明实施例提供的一种基于多特征融合的断刀监控方法的流程示意图。如图2a所示，该断刀监控方法包括：
S21、获取刀具的加工信号；
作为示例但非限定的是，刀具可以为数控机床加工零件所使用的任意类型的刀具，例如车削刀具、铣削刀具、孔加工刀具等。加工信号为数控机床的刀具运动时所产生的信号，例如进给轴电流信号(包括三相电机中任意一相电流或两相以上电流信号)、主轴电压信号、转矩信号、功率信号等。
加工信号作为原始信号，该原始信号往往是杂乱无章的。例如，加工信号为数控机床的零部件运动时所产生振动信号，由于数控机床的零部件运动时可能存在多个振动源，当它们混杂在一起被传感器转换成波形曲线时，振动信号呈现出杂乱无章的形态。若要读懂振动信号，分析故障类型，根本途径是通过各种方法对振动信号进行特征提取。
通过对加工信号进行特征提取，提取出来的特征信号往往能够反映数控机床中某个零部件的健康状况，例如，加工信号为进给轴电流信号时，通过离散小波变换模型对进给轴电流信号进行的分解处理，可在某一离散层或几个离散层中出现具有一定的刀具断刀置信度的简单易判的脉冲型信号。
S22、根据多个信号提取模型，从加工信号中提取出对应的特征信号；
作为示例但非限定的是，信号提取模型用于对加工信号进行处理以提取相应的特征信号，例如对加工信号按自身曲线形状或按预设的基函数进行时频域分解，得到一个或多个分量，每个分量可作为一个特征信号。此处的信号提取模型可以选择任意合适类型的信号提取模型，诸如经验模态分解模型、离散小波变换模型、带通滤波模型等。
每个信号提取模型可包括一个或多个层级，每个层级均对应一个特征信号，例如，信号提取模型为离散小波变换模型，离散小波变换模型可将加工信号按预设的小波基函数进行时频域分解，分解出一个或多个离散层分量，假设该离散小波变换模型分解出五个离散层分量，则每个离散层分量可作为该离散小波变换模型中每个层级对应的特征信号，即该离散小波变换模型包括五个层级，该离散小波变换模型对加工信号进行处理后，可得到五个分别与每个层级对应的特征信号。
特征信号为用于反映数控机床一项或多项特征指标的信号。当某项或多项特征指标上升时，往往预示数控机床的某个零部件已经损坏，若相应特征指标再次上升，则预示更大的故障将要发生。
S23、融合多个信号提取模型的特征信号，得到融合特征值；
作为示例但非限定的是，控制模块可以根据每个信号提取模型的各个特征信号，确定每个信号提取模型预测断刀发生的概率，再对各个信号信号提取模型预测断刀发生的概率进行融合处理，得到融合特征值。
S24、根据融合特征值，监控刀具。
由于融合特征值是一个简单易判的具体数值，而该数值又可以作为刀具断刀的判断指标，因此，只要将该数值与预设的断刀判断阈值进行比较即可确定刀具是否发生断刀，方便对刀具进行监控。并且，由于融合特征值综合了多个信号提取模型预测断刀发生的概率，可补偿单一信号提取模型预测断刀发生的概率与实际情况的偏差量，避免单一信号提取模型进行断刀预测的片面性，从而提高断刀预测的准确性，进而可靠监控刀具。
在一些实施例中，请参阅图2b，S23包括：
S231、根据每个信号提取模型的各个特征信号，计算每个信号提取模型的层级概率特征；
S232、融合每个信号提取模型的层级概率特征，得到融合特征值。
作为示例但非限定的是，层级概率特征用于表示各个信号提取模型对预测刀具断刀发生概率所作贡献大小的特征。虽然，每个信号提取模型的层级概率特征有高有低，但是，哪个信号提取模型的层级概率特征对预测刀具断刀发生概率所作贡献大小尚无法确定，若基于某个信号提取模型的层级概率特征预测刀具是否发生断刀，容易发生误判风险，因此，需要对各个信号提取模型的层级概率特征作融合处理，找到一个可准确预测刀具是否发生断刀的综合指标，并将该综合指标作为简单易判的融合特征值。
在一些实施例中，每个信号提取模型包括一个或多个层级，每个层级对应一个特征信号，请参阅图2c，S231包括：
S2311、将每个信号提取模型的各个特征信号转换成对应的归一化特征值，其中，每个层级具有对应的权重系数；
S2312、根据各个归一化特征值及其对应层级的权重系数，计算每个信号提取模型的层级概率特征。
举例而言，假设一个信号提取模型包括n个层级，根据该信号提取模型，可提取出每个层级对应的特征信号，得到n个特征信号，记为X1，X2，X3，...，Xn，将每个特征信号转换成对应的归一化特征值，得到n个归一化特征值，记为Y1，Y2，Y3，...，Yn，Y1至Yn均为0至1之间的实数，将Y1，Y2，Y3，...，Yn分别乘以对应层级的权重系数，得到n个加权值，累加该n个加权值，得到该信号提取模型的层级概率特征。
在一些实施例中，控制模块对每个特征信号进行归一化处理，得到每个特征信号对应的归一化特征值的过程中，可以计算每个特征信号与对应的标签特征信号的皮尔森相关系数，再对每个皮尔森相关系数取绝对值，得到每个特征信号对应的归一化特征值。
具体的，控制模块根据以下公式计算每个特征信号与对应的标签特征信号的皮尔森相关系数：
其中，Xi表示每个信号提取模型的第i个层级对应的特征信号，Bi表示每个信号提取模型的第i个层级对应的标签特征信号，ρXi，Bi表示每个信号提取模型的第i个层级对应的特征信号与对应的标签特征信号的皮尔森相关系数，cov(Xi，Bi)表示每个信号提取模型的第i个层级对应的特征信号与对应的标签特征信号的协方差，σXi表示每个信号提取模型的第i个层级对应的特征信号的标准差，σBi表示每个信号提取模型的第i个层级对应的标签特征信号的标准差。标签特征信号为预先存储的断刀时刻对应的特征信号。
在一些实施例中，控制模块根据以下公式计算每个信号提取模型的层级概率特征：
其中，i表示各个信号提取模型的序号，j表示每个信号提取模型中各个层级的序号，Pi表示第i个信号提取模型的层级概率特征，gij表示根据第i个信号提取模型中第j个层级对应的权重系数，Yij表示将第i个信号提取模型中第j个层级对应的特征信号进行转换得到的归一化特征值。
举例而言，信号提取模型包括信号提取模型M1、信号提取模型M2和信号提取模型M3，假设每个信号提取模型包括n个层级，信号提取模型M1的层级概率值为P1，信号提取模型M2的层级概率值为P2，信号提取模型M3的层级概率值为P3，则，
信号提取模型M1的层级概率特征P1＝g11*Y11+g12*Y12+...+g1n*Y1n；
信号提取模型M2的层级概率特征P2＝g21*Y21+g22*Y22+...+g2n*Y2n；
信号提取模型M3的层级概率特征P3＝g31*Y31+g32*Y32+...+g3n*Y3n。
在本实施例中，对于每个信号提取模型，各个层级对应的权重系数总和为1，例如，假设信号提取模型M1中各个层级对信号提取模型M1的层级概率特征的贡献是等价的，则信号提取模型M1中各个层级的权重可以表示为g1j＝1/n，(j＝1，2，3，...，n)。
可以理解的是，每个信号提取模型中各个层级的权重系数可以根据实际需求或经验进行自由设置，只要保证单个信号提取模型中所有层级的权重系数总和为1即可。
通过对每个信号提取模型中各个层级赋予权重系数，将每个信号提取模型中各个层级的权重系数分别与对应的归一化特征值相乘，最后再相加得到每个信号提取模型的层级概率特征，因此，只要确定每个信号提取模型中各个层级最优的权重系数，便可以强化对预测刀具断刀发生概率所作贡献较大的特征信号，弱化对预测刀具断刀发生概率所作贡献较小的特征信号，从而有利于找到每个信号提取模型最优的层级概率特征，进而有利于根据每个信号提取模型的层级概率特征，融合得到可准确反映刀具是否发生断刀的融合特征值。
在一些实施例中，每个信号提取模型具有对应的调节系数，请参阅图2d，S232包括：
S2321、根据每个信号提取模型的层级概率特征和对应的调节系数，计算每个信号提取模型初始的断刀预测概率；
在一些实施例中，控制模块根据以下公式计算每个信号提取模型初始的断刀预测概率：
Qi＝Ai1Pi 3+Ai2Pi 2+Ai3Pi
其中，Qi表示第i个信号提取模型的断刀预测概率，Pi表示第i个信号提取模型的层级概率特征，Ai1、Ai2和Ai3表示第i个信号提取模型对应的调节系数。
如前所述，信号提取模型M1的断刀预测概率Q1可以表示为：
信号提取模型M2的断刀预测概率Q2可以表示为：
信号提取模型M3的断刀预测概率Q3可以表示为：
可以理解的是，对于每个信号提取模型，各个调节系数可以相同亦可以不同，后续控制模块可以通过对每个信号提取模型的调节系数进行更新优化，找到每个信号提取模型最优的断刀预测概率。在一些实施例中，在对每个调节系数进行更新优化前，也就是在初始情况下，每个调节系数的值可以设为1。
S2322、将每个信号提取模型初始的断刀预测概率、层级概率特征和对应的调节系数输入神经网络，得到每个信号提取模型更新后的调节系数；
举例而言，神经网络包括输入层、输出层和多个隐藏层，每个隐藏层包括多个神经元，每个隐藏层的各个神经元可以与各个调节系数对应，基于此，调节系数进行更新过程如下：
(1)将每个信号提取模型对应的各个调节系数放入神经网络的指定隐藏层(例如放入多个隐藏层的最后一层)；
(2)将每个信号提取模型的层级概率特征放入神经网络的输入层作为神经网络初始的输入值，将每个信号提取模型的刀预测值放入神经网络的输出层作为神经网络初始的输出值；
(3)采用反向传播算法对神经网络进行指定次迭代运算，得到每个信号提取模型更新后的调节系数。
其中，对神经网络进行迭代运算时，需遵循每个调节系数小于或等于1的约束条件。
可以理解的是，对神经网络进行每次迭代运算后，均得到当前更新后的调节系数，然后根据每个信号提取模型的层级概率特征和对应的当前更新后的调节系数，计算每个信号提取模型当前的断刀预测概率，将每个信号提取模型当前的断刀预测概率重新放入神经网络的输出层，再采用反向传播算法对神经网络进行迭代运算，如此循环指定次，循环指定次后，即对神经网络进行指定次迭代运算后，将每个信号提取模型当前更新后的调节系数作为最终更新后的调节系数。
S2323、根据每个信号提取模型的层级概率特征和对应的更新后的调节系数，计算每个信号提取模型当前的断刀预测概率；
调节系数进行更新完成后，控制模块可以根据每个信号提取模型的层级概率特征和对应的最终更新后的调节系数，计算每个信号提取模型最终的断刀预测概率。由于每个信号提取模型对应的调节系数经过了更新优化，因此，可以找到每个信号提取模型较优的断刀预测概率。
S2324、融合每个信号提取模型最终的断刀预测概率，得到融合特征值。
由于每个信号提取模型最终的断刀预测概率均为每个信号提取模型较优的断刀预测概率，因此，融合每个信号提取模型当前的断刀预测概率得到的融合特征值可更加准确反映刀具是否发生断刀。
在一些实施例中，控制模块根据以下公式计算融合特征值：
其中，R为融合特征值，其值域为0至1，Q1至Qn为各个信号提取模型最终的断刀预测概率。
如前所述，假设信号提取模型M1的断刀预测概率为0.72，信号提取模型M2的断刀预测概率为0.76，信号提取模型M3的断刀预测概率为0.68，则融合特征值R＝(0.74+0.76+0.66)/3＝0.72。
在一些实施例中，控制模块根据融合特征值监控刀具时，可以将融合特征值与预设的断刀判断阈值进行比较，若融合特征值大于或等于预设的断刀判断阈值，例如，融合特征值为0.72，预设的断刀判断阈值为0.7，则确定此时刀具发生断刀的概率极高，并产生报警信息。
如前所述，每个信号提取模型中各个层级的权重系数采用初始化值或者采用用户根据经验给各个层级分配的预设权重系数，采用初始化值的权重系数或预设权重系数往往不是对应层级最优的权重，若每个信号提取模型中各个层级的权重系数分配不合理，将会导致每个信号提取模型的层级概率特征无法真实反映对应信号提取模型的断刀预测能力，从而造成最终的融合特征值与实际情况存在较大偏差，造成误判。在一些实施例中，控制模块可以根据真实断刀时刻的信号反馈，不断更新优化每个信号提取模型中各个层级的权重系数。
在一些实施例中，请参阅图2e，断刀监控方法还包括：
S26、获取每个信号提取模型中各个层级对应的断刀特征信号；
S27、根据断刀特征信号，更新每个信号提取模型中各个层级对应的权重系数。
作为示例但非限定的是，断刀特征信号为真实断刀时刻下每个信号提取模型中各个层级对应的特征信号，断刀特征信号作为后馈的特征信号，其能够更新优化每个信号提取模型中各个层级的权重系数，从而强化对预测刀具断刀发生概率所作贡献较大的特征信号，弱化对预测刀具断刀发生概率所作贡献较小的特征信号，进而提高断刀预测的准确性。
具体而言，将每个断刀特征信号转换成对应的归一化特征值，将每个信号提取模型中归一化特征值最小的预设数量的层级的权重系数减少，并将减少的权重系数总和转移至每个信号提取模型中归一化特征值最大的预设数量的层级。
如前所述，假设信号提取模型M1包括L1至Ln这n个层级，层级L1对应的断刀特征信号为D1，层级L2对应的断刀特征信号为D2……层级Ln对应的断刀特征信号为Dn，根据每个断刀特征信号与预先存储的对应层级的标签特征信号，计算每个断刀特征信号与对应的标签特征信号的皮尔森相关系数，对每个皮尔森相关系数取绝对值，得到每个断刀特征信号的归一化特征值，可以理解，归一化特征值大，说明相应层级对应的特征信号对断刀判断的敏感性高，归一化特征值小，说明相应层级的特征信号对断刀判断的敏感性低，因此，可以相应调高对断刀判断的敏感性高的层级的权重系数，相应调低对断刀判断敏感性低的层级的权重系数，最终趋于收敛，使得最终断刀预测结果与实际情况吻合，后续在刀具发生断刀或将要发生断刀时，可以被准确识别出来。
控制模块在对每个信号提取模型中各个层级的权重系数进行更新的过程中，首先，可以先确定归一化特征值最高的预设数量的层级，以及确定归一化特征值最小的预设数量的层级，如表1所示，信号提取模型M1包括L1至L8这8个层级，预设数量为3，L1至L8这8个层级对应的归一化特征值分别为0.6、0.5、0.2、0.8、0.4、0.7、0.9和0.3，则确定层级L4、层级L6和层级L7为归一化特征值最高的层级，以及确定层级L3、层级L5和层级L8为归一化特征值最低的层级。
接着，控制模块确定层级L4、层级L6、层级L7、层级L3、层级L5和层级L8的权重系数，假设L1至L8这8个层级对应的初始权重系数均为0.125，然后将层级L3、层级L5和层级L8的权重系数分别减少，例如均减少一半，则层级L3、层级L5和层级L8的权重系数均变为0.0625，将层级L3、层级L5和层级L8减少的权重系数总和(0.0625*3＝0.1875)转移至层级L4、层级L6和层级L7，例如，先对层级L3、层级L5和层级L8的权重减少的权重系数总和0.1875求平均，得到平均值0.0625，层级L3、层级L5和层级L8对应的权重系数分别加上平均值0.0625，则层级L4、层级L6和层级L7对应的权重系数均变为0.1875。
再接着，控制模块维持层级L1和层级L2的权重不变并将L1至L8这8个层级对应的权重系数分别更新为0.125、0.125、0.0625、0.1875、0.0625、0.1875、0.1875和0.0625，至此完成一次权重转移。
可以理解的是，其余的信号提取模型中各个层级的权重系数转移过程与上述过程类似，此处不再赘述。
因此，只要后续不断反馈真实的断刀特征信号，每次反馈则更新一次每个信号提取模型中各个层级的权重系数，最后找到各个层级最优的权重系数并稳定下来，使得最终的断刀预测结果稳定且准确。
表1
在一些实施例中，信号提取模型包括经验模态分解模型和/或离散小波变换模型和/或带通滤波模型，S22包括：
根据经验模态分解模型，从加工信号中提取出指定分解层的特征信号；和/或，
根据离散小波变换模型，从加工信号中提取出指定离散层的特征信号；和/或，
根据带通滤波模型，从加工信号中提取出指定频段的特征信号。
其中，经验模态分解模型可以将原始信号按自身曲线形状分解成一个或多个IMF分量(本征模函数)，每个IMF分量可以认为是原始信号的其中一层分量，每个IMF分量对应一个特征信号。请参阅图3，图3本发明实施例提供的一种经验模态分解模型的算法流程示意图。如图3所示，经验模态分解模型的算法流程包括如下步骤：
S31、寻找原始信号中所有极大值和极小值，并记录下所有极值的数值和位置；
S32、根据极大值的数值和位置作出原始信号的上包络线，并根据极小值的数值和位置作出原始信号的下包络线；
S33、求取同一时刻上包络线与下包络线的平均值，得到均值线；
S34、将原始信号的幅值减去均值线的幅值，得到疑似的IMF分量；
S35、判断疑似IMF分量的合法性：条件1、均值线的平均值处于设定区间内；条件2、在整个信号段内，信号的极值点个数与信号过零点个数之差小于或等于1；
S36、若疑似IMF分量同时满足上述两个条件，则将原始信号的幅值减去疑似IMF分量的幅值，得到的信号作为新的原始信号，将该新的原始信号替换成步骤S31的原始信号并返回到步骤S31；
S37、若疑似IMF分量不同时满足上述两个条件，则将该疑似IMF分量作为一个正式IMF分量，将该正式IMF分量作为新的原始信号；
S38、判断步骤S37中得到的新的原始信号的极大值的个数或极小值个数是否为0，若为0，则结束流程，若不为0，则将该新的原始信号替换成步骤S31的原始信号并返回到步骤S31。
上述流程执行结束后，可将最初原始信号分解出一个或多个正式IMF分量，其中，每个正式IMF分量作为最初原始信号的一个分解层分量。例如，请参阅图4，根据经验模态分解模型，可将最初原始信号(加工信号)分解出IMF1(第一分解层分量)、IMF2(第二分解层分量)、IMF3(第三分解层分量)及IMF4(第四分解层分量)这几个分解层分量。
通过经验模态分解模型对最初原始信号进行分解，可在某一个分解层分量或几个分解层分量中出现可具有一定断刀置信度的简单易判的脉冲型信号。
可以理解的是，控制模块根据经验模态分解模型，从加工信号中提取指定分解层的特征信号时，指定加工信号的哪一分解层分量，则从加工信号中提取出指定分解层的特征信号，其中，指定的分解层分量可以为一个，亦可以为多个。例如，如图4所示，若指定加工信号的第一分解层分量，则从加工信号中提取出IMF1的特征信号，若指定加工信号的第二分解层分量和第三分解层分量，则从加工信号中提取出IMF2和IMF3这两个分解层的特征信号。
其中，离散小波变换模型可将原始信号按预设的小波基函数进行时频域分解，分解出一个或多个离散层分量。请参阅图5，图5本发明实施例提供的一种离散小波变换模型的算法流程示意图。如图5所示，离散小波变换模型的算法流程包括如下步骤：
S51、对原始信号分别进行设定的高通滤波和低通滤波，得到两路滤波后的信号(如图6所示，其中，g[n]指的是低通滤波器，其可以将信号的高频部分滤掉而输出低频部分，低频部分即为低通滤波信号，h[n]指的是高通滤波器，其可以将信号的低频部分滤掉而输出高频部分，高频部分即为高通滤波信号)；
S52、对两路滤波后的信号作降采样处理，降采样处理后的低通滤波信号作为当前层的细节系数，降采样处理后的高通滤波信号作为当前层的近似系数；
S53、将每个层的细节系数作为新的原始信号，并将该新的原始信号替换为步骤S51中原始信号，重复步骤S51和S52，以得到各个离散层的细节系数和近似系数，直到达到指定的层数为止；
S54、根据指定的层数，抽取其中的细节系数进行重构(重构是将细节系数进行上抽样后在进行滤波处理)，得到重构后的细节系数，将该重构后的细节系数作为指定离散层的细节系数。例如，指定的层数为第三层，则将第三层的细节系数进行重构，得到第三离散层的细节系数。
通过离散小波变换模型对加工信号进行分解，可在某一离散层或几个离散层中出现具有一定断刀置信度的简单易判的脉冲型信号。
可以理解的是，控制模块根据离散小波变换模型，从加工信号中提取出指定离散层的特征信号时，指定加工信号的哪一离散层，则从加工信号中提取出指定离散层的特征信号，其中，指定离散层的特征信号可以为一个，亦可以为多个。例如，若指定加工信号的第二离散层，则将第二离散层的细节系数作为指定离散层的特征信号，若指定加工信号的第一离散层和第四离散层，则将第一离散层的细节系数和第四离散层的细节系数作为指定离散层的特征信号。
其中，带通滤波模型可以将原始信号按不同的频段进行带通滤波处理，得到各个频段下的带通滤波信号。
通过带通滤波模型对加工信号划分多个不同频段进行带通滤波处理，可在某一频段下的带通滤波信号或多个频段下的带通滤波信号中出现可具有一定断刀置信度的简单易判的脉冲型信号。
可以理解的是，控制模块根据带通滤波模型，从加工信号中提取出指定频段的特征信号时，指定加工信号的哪一频段，则将指定频段下的带通滤波信号作为指定频段的特征信号。其中，指定频段的特征信号可以为一个，亦可以为多个。例如，若指定第三频段，则将第三频段下的带通滤波信号作为指定频段的特征信号，若指定第一频段、第二频段和第四频段，则将第一频段下的带通滤波信号、第二频段下的带通滤波信号和第四频段下的带通滤波信号作为指定频段的特征信号。
需要说明的是，在上述各个实施方式中，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施方式的描述可以理解，不同实施方式中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。
本发明实施例提供了一种基于多特征融合的断刀监控装置。请参阅图7a，断刀监控装置700包括第一获取模块71、提取模块72、融合模块73和监控模块74，第一获取模块71用于获取刀具的加工信号，提取模块72用于根据多个信号提取模型，从加工信号中提取出对应的特征信号，融合模块73用于融合多个信号提取模型的特征信号，得到融合特征值，监控模块74根据融合特征值，监控刀具。
在一些实施例中，请参阅图7b，融合模块73包括计算单元731和融合单元732，计算单元731用于根据每个信号提取模型的各个特征信号，计算每个信号提取模型的层级概率特征，融合单元732用于融合每个信号提取模型的层级概率特征，得到融合特征值。
在一些实施例中，计算单元731具体用于：将每个信号提取模型的各个特征信号转换成对应的归一化特征值，其中，每个层级具有对应的权重系数，根据各个归一化特征值及其对应层级的权重系数，计算每个信号提取模型的层级概率特征。
在一些实施例中，请参阅图7c，断刀监控装置700还包括第二获取模块75和更新模块76，第二获取模块75用于获取每个信号提取模型中各个层级对应的断刀特征信号，更新模块76用于根据断刀特征信号，更新每个信号提取模型中各个层级对应的权重系数。
在一些实施例中，更新模块76具体用于：将每个断刀特征信号转换成对应的归一化特征值；将每个信号提取模型中归一化特征值最小的预设数量的层级的权重系数减少，并将减少的权重系数总和转移至每个信号提取模型中归一化特征值最大的预设数量的层级。
断刀监控装置可执行本发明实施方式所提供的断刀监控方法，具备执行方法相应的功能模块和有益效果。未在断刀监控装置实施方式中详尽描述的技术细节，可参见本发明实施方式所提供的断刀监控方法。
请参阅图8，图8为本发明实施例提供的一种电子设备的电路结构示意图。如图8所示，电子设备800包括一个或多个处理器81以及存储器82。其中，图8中以一个处理器81为例。
处理器81和存储器82可以通过总线或者其他方式连接，图8中以通过总线连接为例。
存储器82作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的断刀监控方法对应的程序指令/模块。处理器81通过运行存储在存储器82中的非易失性软件程序、指令以及模块，从而执行断刀监控装置的各种功能应用以及数据处理，即实现上述方法实施例提供的断刀监控方法以及上述装置实施例的各个模块或单元的功能。
存储器82可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器82可选包括相对于处理器81远程设置的存储器，这些远程存储器可以通过网络连接至处理器81。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器82中，当被所述一个或者多个处理器81执行时，执行上述任意方法实施例中的断刀监控方法。
本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图8中的一个处理器81，可使得上述一个或多个处理器可执行上述任意方法实施例中的断刀监控方法。
本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使所述电子设备执行上述的断刀监控方法。
以上所描述的装置或设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的，作为模块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模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
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各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后要说明的是，本发明可以通过许多不同的形式来实现，并不限于本说明书所描述的实施例，这些实施例不作为对本发明内容的额外限制，提供这些实施方式的目的是使对本发明的公开内容的理解更加透彻全面。并且在本发明的思路下，上述各技术特征继续相互组合，并存在如上所述的本发明不同方面的许多其它变化，均视为本发明说明书记载的范围；进一步地，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于多特征融合的断刀监控方法，其特征在于，包括：
获取刀具的加工信号；
根据多个信号提取模型，从所述加工信号中提取出对应的特征信号，其中，每个所述信号提取模型包括一个或多个层级，每个所述层级对应一个特征信号；
融合多个所述信号提取模型的特征信号，得到融合特征值；
根据所述融合特征值，监控所述刀具；
所述融合多个所述信号提取模型的特征信号，得到融合特征值包括：
根据每个所述信号提取模型的各个特征信号，计算每个所述信号提取模型的层级概率特征；
融合每个所述信号提取模型的层级概率特征，得到融合特征值；
所述根据每个所述信号提取模型的各个特征信号，计算每个信号提取模型的层级概率特征包括：
将每个所述信号提取模型的各个特征信号转换成对应的归一化特征值，其中，每个所述层级具有对应的权重系数；
根据各个所述归一化特征值及其对应层级的权重系数，计算每个信号提取模型的层级概率特征。
2.根据权利要求1所述的方法，其特征在于，所述层级概率特征的计算公式如下：
其中，i表示各个所述信号提取模型的序号，j表示每个所述信号提取模型中各个层级的序号，Pi表示第i个所述信号提取模型的层级概率特征，gij表示根据第i个所述信号提取模型中第j个层级对应的权重系数，Yij表示将第i个所述信号提取模型中第j个层级对应的特征信号进行转换得到的归一化特征值。
3.根据权利要求1所述的方法，其特征在于，每个所述信号提取模型具有对应的调节系数，所述融合每个所述信号提取模型的层级概率特征，得到融合特征值包括：
根据每个所述信号提取模型的层级概率特征和对应的调节系数，计算每个信号提取模型初始的断刀预测概率；
将每个所述信号提取模型初始的断刀预测概率、层级概率特征和对应的调节系数输入神经网络，得到每个所述信号提取模型更新后的调节系数；
根据每个信号提取模型的层级概率特征和对应的更新后的调节系数，计算每个信号提取模型最终的断刀预测概率；
融合每个所述信号提取模型最终的断刀预测概率，得到融合特征值。
4.根据权利要求3所述的方法，其特征在于，所述断刀预测概率的计算公式如下：
其中，Qi表示第i个所述信号提取模型的断刀预测概率，Pi表示第i个所述信号提取模型的层级概率特征，Ai1、Ai2和Ai3表示第i个所述信号提取模型对应的调节系数。
5.根据权利要求1所述的方法，其特征在于，所述将每个所述信号提取模型的各个特征信号转换成对应的归一化特征值包括：
计算每个所述特征信号与对应的标签特征信号的皮尔森相关系数；
对每个皮尔森相关系数取绝对值，得到每个所述特征信号对应的归一化特征值。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取每个所述信号提取模型中各个层级对应的断刀特征信号；
根据所述断刀特征信号，更新每个信号提取模型中各个层级对应的权重系数。
7.根据权利要求6所述的方法，其特征在于，所述根据所述断刀特征信号，更新每个信号提取模型中各个层级对应的权重系数包括：
将每个所述断刀特征信号转换成对应的归一化特征值；
将每个所述信号提取模型中归一化特征值最小的预设数量的层级的权重系数减少，并将减少的权重系数总和转移至对应的所述信号提取模型中归一化特征值最大的预设数量的层级。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述信号提取模型包括经验模态分解模型和/或离散小波变换模型和/或带通滤波模型，所述根据多个所述信号提取模型，从加工信号中提取出对应的特征信号包括：
根据所述经验模态分解模型，从所述加工信号中提取出指定分解层的特征信号；和/或，
根据所述离散小波变换模型，从所述加工信号中提取出指定离散层的特征信号；和/或，
根据所述带通滤波模型，从所述加工信号中提取出指定频段的特征信号。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210506913.5A CN114952419B (zh) | 2022-05-11 | 2022-05-11 | 一种基于多特征融合的断刀监控方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210506913.5A CN114952419B (zh) | 2022-05-11 | 2022-05-11 | 一种基于多特征融合的断刀监控方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114952419A CN114952419A (zh) | 2022-08-30 |
| CN114952419B true CN114952419B (zh) | 2023-12-22 |
Family
ID=82981265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210506913.5A Active CN114952419B (zh) | 2022-05-11 | 2022-05-11 | 一种基于多特征融合的断刀监控方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114952419B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4918427A (en) * | 1989-03-27 | 1990-04-17 | General Electric Company | Multi-level tool break detection using multi-mode sensing |
| CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
| CN110561193A (zh) * | 2019-09-18 | 2019-12-13 | 杭州友机技术有限公司 | 一种基于特征融合的刀具磨损评估及监控的方法与系统 |
| CN110653661A (zh) * | 2019-09-30 | 2020-01-07 | 山东大学 | 基于信号融合和多重分形谱算法的刀具状态监测识别方法 |
| CN111168472A (zh) * | 2020-01-20 | 2020-05-19 | 西安精雕精密机械工程有限公司 | 基于振动的数控机床加工过程断刀实时监测装置及方法 |
| CN112372371A (zh) * | 2020-10-10 | 2021-02-19 | 上海交通大学 | 数控机床刀具磨损状态评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6523379B2 (ja) * | 2017-07-25 | 2019-05-29 | ファナック株式会社 | 情報処理装置 |
-
2022
- 2022-05-11 CN CN202210506913.5A patent/CN114952419B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4918427A (en) * | 1989-03-27 | 1990-04-17 | General Electric Company | Multi-level tool break detection using multi-mode sensing |
| CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
| CN110561193A (zh) * | 2019-09-18 | 2019-12-13 | 杭州友机技术有限公司 | 一种基于特征融合的刀具磨损评估及监控的方法与系统 |
| CN110653661A (zh) * | 2019-09-30 | 2020-01-07 | 山东大学 | 基于信号融合和多重分形谱算法的刀具状态监测识别方法 |
| CN111168472A (zh) * | 2020-01-20 | 2020-05-19 | 西安精雕精密机械工程有限公司 | 基于振动的数控机床加工过程断刀实时监测装置及方法 |
| CN112372371A (zh) * | 2020-10-10 | 2021-02-19 | 上海交通大学 | 数控机床刀具磨损状态评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114952419A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Baur et al. | A review of prognostics and health management of machine tools | |
| Ran et al. | A survey of predictive maintenance: Systems, purposes and approaches | |
| Wen et al. | A new reinforcement learning based learning rate scheduler for convolutional neural network in fault classification | |
| US11783181B2 (en) | Tensorized LSTM with adaptive shared memory for learning trends in multivariate time series | |
| EP3223095B1 (en) | Method and apparatus for optimizing diagnostics of rotating equipment | |
| CN116846987B (zh) | 一种工业互联网的交互界面生成方法及系统 | |
| CN110297469B (zh) | 基于重采样的集成特征选择算法的生产线故障判断方法 | |
| CN114444231B (zh) | 模具剩余寿命在线自适应预测方法、装置、设备及介质 | |
| CN109063818B (zh) | 一种热工过程模型在线辨识方法及装置 | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| Cheng et al. | Predicting the remaining useful life of rolling element bearings using locally linear fusion regression | |
| CN114952419B (zh) | 一种基于多特征融合的断刀监控方法及电子设备 | |
| CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
| Zhang et al. | Stock prediction based on phase space reconstruction and echo state networks | |
| CN116821610B (zh) | 一种利用大数据优化风力发电效率的方法 | |
| CN116457796A (zh) | 基于强化学习的用于调谐存储器接口的方案 | |
| Liao et al. | A Reconfigurable Watchdog Agent® for Machine Health Prognostics. | |
| CN113469263A (zh) | 适于小样本的预测模型训练方法、装置及相关设备 | |
| KR102682115B1 (ko) | Cnc 가공설비를 모니터링 하기 위한 인공지능 기반 클라우드 서비스 제공 방법 | |
| Liu et al. | A milling cutter state recognition method based on multi-source heterogeneous data fusion | |
| Yu et al. | Remaining useful life prognosis for rolling bearings based on Bi-ConvLSTM | |
| CN117644431B (zh) | 基于数字孪生模型的cnc机床加工质量分析方法及系统 | |
| Wei et al. | Remaining Useful Life Prediction of High-Dimensional Kernel Density Estimation with Adaptive Relative Density Window Width Considering Multi-Source Information Fusion | |
| CN117780679B (zh) | 一种离心风机故障诊断方法及在线监测系统 | |
| Zenkov | The organization of vehicles technical condition’s forecasting system based on monitoring and remote diagnostics solutions |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |