CN115062674B - 基于深度学习的刀具排布及换刀方法、设备及存储介质 - Google Patents
基于深度学习的刀具排布及换刀方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115062674B CN115062674B CN202210899436.3A CN202210899436A CN115062674B CN 115062674 B CN115062674 B CN 115062674B CN 202210899436 A CN202210899436 A CN 202210899436A CN 115062674 B CN115062674 B CN 115062674B
- Authority
- CN
- China
- Prior art keywords
- tool
- historical
- cutter
- neural network
- network model
- 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 84
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 230000011664 signaling Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000003754 machining Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 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
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- B23Q1/00—Members which are comprised in the general build-up of a form of machine, particularly relatively large fixed members
- B23Q1/0009—Energy-transferring means or control lines for movable machine parts; Control panels or boxes; Control parts
-
- 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
- B23Q3/00—Devices holding, supporting, or positioning work or tools, of a kind normally removable from the machine
- B23Q3/155—Arrangements for automatic insertion or removal of tools, e.g. combined with manual handling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于深度学习的刀具排布及换刀方法、设备及存储介质。包括：采集数控机床的多工序的目标刀具状态信号，将目标刀具状态信号转换为多维信号张量；利用小波算法对多维信号张量进行保真降噪处理，得到目标多维信号张量；获取本次加工任务的用刀需求，基于目标多维信号张量及用刀需求，利用预训练完成的卷积神经网络模型预测数控机床的刀具排布及换刀策略；将刀具排布及换刀策略转换为电信号，控制数控机床的刀具库进行刀具排布及换刀。本发明可以提高数控机床进行刀具排布及换刀精确度及效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的刀具排布及换刀方法、电子设备及计算机可读存储介质。
背景技术
在切削加工作业中，刀具作为数控机床的直接切削部件会与工件、加工切屑不断发生剧烈摩擦，在持续变热力耦合的作用下会不可避免地产生磨损直至刀具失效，需要及时更换刀具并对刀具重新进行排布，若未及时更换失效刀具，则会造成工件加工质量下降、工件报废或机床故障；但若采用过渡保护的策略频繁更换刀具，则有可能造成刀具剩余寿命的浪费及不必要的换刀停机时间浪费。
当前主要是在停机状态下，利用视觉分析技术监测刀具后刀面磨损带中间部分平均磨损量，并自动分析刀具状态，根据实际的需求人工对刀具重新排布，并根据刀具状态更换刀具，此种方法依赖人工经验进行刀具排布导致换刀精确度不高，且需要停机离线测量，换刀效率低。
发明内容
本发明提供一种基于深度学习的刀具排布及换刀方法、设备及计算机可读存储介质，其主要目的在于解决数控机床进行刀具排布及换刀精确度及效率较低的问题。
为实现上述目的，本发明提供的一种基于深度学习的刀具排布及换刀方法，包括：
采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量；
利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量；
获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略；
将所述刀具排布及换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀。
可选地，所述采集数控机床的多工序的目标刀具状态信号，包括：
选取加工参数恒定或变化小于预设变化值的工序作为目标工序；
在数控机床加工开始前及加工结束时设置信号采集标识；
在所述信号采集标识处，采集所述目标工序的目标刀具状态信号。
可选地，所述利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量，包括：
将所述多维信号张量进行小波变换，得到所述多维信号张量对应的多尺度小波系数；
对所述多尺度小波系数进行阈值量化，得到修正多尺度小波系数；
对所述修正多尺度小波系数进行小波逆变换，得到目标多维信号张量。
可选地，所述利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略之前，所述方法还包括：
步骤A：获取历史刀具状态信号、历史用刀需求、历史刀具排布及换刀策略；
步骤B：将所述历史刀具状态信号转换为历史多维信号张量，并利用小波算法对所述历史多维信号张量进行保真降噪处理，得到标准历史多维信号张量；
步骤C：将所述标准历史多维信号张量及对应的历史用刀需求等分为多个子训练集；
步骤D：利用预构建的卷积神经网络模型预测各子个训练集的刀具排布及换刀策略，得到预测结果集；
步骤E：从所述预测结果集中随机选取两个预测结果进行均方差处理，得到均方差值；
步骤F：根据所述均方差值更新所述预构建的卷积神经网络模型参数，得到更新后的卷积神经网络模型，返回上述的步骤D以利用更新后的卷积神经网络模型预测各子个训练集的刀具排布及换刀策略，得到预测结果集，对所述卷积神经网络模型进行迭代更新，直至所述预测结果集中所有预测结果全部被执行了均方差处理，得到初步卷积神经网络模型；
步骤G：基于所述标准历史多维信号张量及对应的历史用刀需求，利用K折交叉验证算法，构建训练集及测试集；
步骤H：基于所述训练集及所述历史刀具排布及换刀策略，对所述初步卷积神经网络模型进行训练，得到初步训练完成的卷积神经网络模型；
步骤I：利用所述测试集对所述初步训练完成的卷积神经网络模型进行测试，当所述测试未通过时，返回所述步骤H再次对所述卷积神经网络模型进行迭代更新，直至所述测试通过，得到预训练完成的卷积神经网络模型。
可选地，所述基于所述训练集及所述历史刀具排布及换刀策略，对所述初步卷积神经网络模型进行训练，得到初步训练完成的卷积神经网络模型，包括：
步骤H1：利用所述初步卷积神经网络模型中的卷积层分别提取所述训练集中所述标准历史多维信号张量与所述历史用刀需求的历史多维信号特征及历史用刀需求特征；
步骤H2：利用所述初步卷积神经网络模型中激活层中的皮尔逊积矩相关系数算法，提取所述历史多维信号特征及所述历史用刀需求特征的关联特征；
步骤H3：利用所述初步卷积神经网络模型中刀具规范层匹配所述关联特征，得到常用刀具类型及换刀概率；
步骤H4：利用所述初步卷积神经网络模型中的全连接层及输出层分析所述历史用刀需求特征、所述常用刀具类型及所述换刀概率的关联关系，得到预测历史刀具排布及换刀策略；
步骤H5：利用预设的损失函数计算所述预测历史刀具排布及换刀策略与所述历史刀具排布及换刀策略的损失值，根据所述损失值对所述初步卷积神经网络模型进行参数调整，并返回所述步骤H1，直至所述损失值小于预设的损失阈值，得到初步训练完成的卷积神经网络模型。
可选地，所述利用所述初步卷积神经网络模型中激活层中的皮尔逊积矩相关系数算法，提取所述历史多维信号特征及所述历史用刀需求特征的关联特征，包括：
利用皮尔逊积矩相关系数算法计算所述历史多维信号特征及所述历史用刀需求特征中各个特征之间的相关系数；
从所述历史多维信号特征及所述历史用刀需求特征中过滤掉所述相关系数小于预设的系数阈值的特征，得到所述历史多维信号特征及所述历史用刀需求特征的关联特征。
可选地，所述卷积层的层数与标准历史多维信号张量的维度相同，所述卷积层的卷积核通道数为256，大小为10×10，步长为1。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
信号采集模块，用于采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量；
降噪模块，用于利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量；
预测模块，用于获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略；
控制模块，用于将所述刀具排布及换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀；
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计算机程序，所述计算机程序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上述所述的基于深度学习的刀具排布及换刀方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于深度学习的刀具排布及换刀方法。
本发明实施例通过采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量，同步采集多工序的刀具状态信号，无需停机测量，提升换刀效率，而且使得采集得信号更加多元化，有效排除了实际加工过程中因工序变化而带来的信号波动，使得后续根据刀具状态信号预测刀具排布及换刀策略更加精确；进一步地，利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量，剔除异常数据点，使得多维信号张量地数据更加平滑，使得后续数据处理效率更高，提升刀具排布及换刀策略预测的效率；更进一步地，获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略，可以精准提取刀具状态信号的特征，将用刀需求跟刀具状态信号更好的融合，从而精准预测刀具排布及换刀策略；将所述刀具排布及所述换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀，实现了刀具库刀库型号智能排布与换刀，无需依赖人工经验，提升换刀效率。因此，本发明提出的基于深度学习的刀具排布及换刀方法、电子设备及计算机可读存储介质，可以解决数控机床进行刀具排布及换刀精确度及效率较低的问题。
附图说明
图1为本发明一实施例提供的基于深度学习的刀具排布及换刀方法的流程示意图；
图2为图1所示基于深度学习的刀具排布及换刀方法中其中一个步骤的详细实施流程示意图；
图3为图1所示基于深度学习的刀具排布及换刀方法中其中另一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的实现所述基于深度学习的刀具排布及换刀方法的电子设备的结构示意图。
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。
本申请实施例提供一种基于深度学习的刀具排布及换刀方法。所述基于深度学习的刀具排布及换刀方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于深度学习的刀具排布及换刀方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于深度学习的刀具排布及换刀方法的流程示意图。在本实施例中，所述基于深度学习的刀具排布及换刀方法包括：
S1、采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量。
本发明实施例中，可以采用预设在数控机床上的激光扫描装置、传感器等装置采集目标刀具状态信号，其中，所述目标刀具状态信号包括：刀具型号、刀具换刀频率、刀具振动、加工误差、刀具磨损等。
详细地，S1中所述采集数控机床的多工序的目标刀具状态信号，包括：
选取加工参数恒定或变化较小的工序作为目标工序；
选取加工参数恒定或变化小于预设变化值的工序作为目标工序；
在所述信号采集标识处，采集所述目标工序的目标刀具状态信号。
本发明实施例中，所述加工参数为加工误差等主要加工参数。
本发明实施例中，可以采用one-hot编码、transforms工具等将所述目标刀具状态信号转换为多维信号张量，多维信号张量包含刀具振动、刀具磨损、加工误差等各个维度的张量信息。
本发明实施例中，同步采集多工序的刀具状态信号，使得采集得信号更加多元化，有效排除了实际加工过程中因工序变化而带来的信号波动，使得后续根据刀具状态信号预测刀具排布及换刀策略更加精确。
S2、利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量。
本发明实施例中，所述小波算法可以为连续小波变换(Continuous WaveletTransform，CWT)或离散小波变换(Discrete Wavelet Transform ,DWT)。
本发明实施例中，所述小波算法可以根据噪声与信号在不同频带上的小波分解系数具有不同强度分布的特点，将各频带上的噪声对应的小波系数去除，保留原始信号的小波分解系数，然后对处理后的系数进行小波重构，得到纯净的信号，从而实现信号的降噪。
详细地，参阅图2所示，所述S2包括：
S21、将所述多维信号张量进行小波变换，得到所述多维信号张量对应的多尺度小波系数；
S22、对所述多尺度小波系数进行阈值量化，得到修正多尺度小波系数；
S23、对所述修正多尺度小波系数进行小波逆变换，得到目标多维信号张量。
本发明实施例中，所述多维信号张量中有效信号对应的所述多尺度小波系数较大，噪声对应的所述多尺度小波系数较小，将小于预设的阈值的所述多尺度小波系数置为0，得到修正多尺度小波系数，其中所述预设的阈值选择方法可以采用固定阈值估计、极值阈值估计、无偏似然估计以及启发式估计等方法。
本发明实施例中，利用小波算法对所述多维信号张量进行降噪和保真处理，剔除异常数据点，使得多维信号张量地数据更加平滑，便于后续的数据分析。
S3、获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略。
本发明实施例中，所述卷积神经网络模型包含卷积层、激活层、刀具规范层、全连接层及输出层。
本发明实施例中，所述卷积层的层数与标准历史多维信号张量的维度相同，所述卷积层的卷积核通道数为256，大小为10×10，步长为1。 所述卷积神经网络模型的卷积层采用有效方法（VALID）作为卷积核填充策略。
详细地，参阅图3所示，所述S3之前，所述方法还包括：
S31、获取历史刀具状态信号、历史用刀需求、历史刀具排布及换刀策略；
S32、将所述历史刀具状态信号转换为历史多维信号张量，并利用小波算法对所述历史多维信号张量进行保真降噪处理，得到标准历史多维信号张量；
S33、将所述标准历史多维信号张量及对应的历史用刀需求等分为多个子训练集；
S34、利用预构建的卷积神经网络模型预测各子个训练集的刀具排布及换刀策略，得到预测结果集；
S35、从所述预测结果集中随机选取两个预测结果进行均方差处理，得到方差值；
S36、根据所述均方差值更新所述预构建的卷积神经网络模型参数，得到更新后的卷积神经网络模型；
S37、判断所述卷积神经网络模型是否满足预设的迭代次数;
若所述卷积神经网络模型没有满足预设的迭代次数，则返回上述的S34、利用更新后的卷积神经网络模型预测各子个训练集的刀具排布及换刀策略，得到预测结果集，对所述卷积神经网络模型进行迭代更新；
若所述卷积神经网络模型满足了预设的迭代次数，则S38，得到初步卷积神经网络模型;
S39、基于所述标准历史多维信号张量及对应的历史用刀需求，利用K折交叉验证算法，构建训练集及测试集；
S40、基于所述训练集及所述历史刀具排布及换刀策略，对所述初步卷积神经网络模型进行训练，得到初步训练完成的卷积神经网络模型，并利用所述测试集对所述初步训练完成的卷积神经网络模型进行测试，得到测试结果；
S41、判断所述测试结果是否通过；
当所述测试结果为未通过时，返回所述步骤S40;
当所述测试结果为通过时，S42、将所述初步训练完成的卷积神经网络模型作为预训练完成的卷积神经网络模型。
本发明实施例中，所述K折交叉验证（K-fold cross-validation）是一种统计学上将数据样本切割成较小子集的方法，用于将初始采样数据分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。
进一步地，S40中所述基于所述训练集及所述历史刀具排布及换刀策略，对所述初步卷积神经网络模型进行训练，得到初步训练完成的卷积神经网络模型，包括：
步骤H1：利用所述初步卷积神经网络模型中的卷积层分别提取所述训练集中所述标准历史多维信号张量与所述历史用刀需求的历史多维信号特征及历史用刀需求特征；
步骤H2：利用所述初步卷积神经网络模型中激活层中的皮尔逊积矩相关系数算法，提取所述历史多维信号特征及所述历史用刀需求特征的关联特征；
步骤H3：利用所述初步卷积神经网络模型中刀具规范层匹配所述关联特征，得到常用刀具类型及换刀概率；
步骤H4：利用所述初步卷积神经网络模型中的全连接层及输出层分析所述历史用刀需求特征、所述常用刀具类型及所述换刀概率的关联关系，得到预测历史刀具排布及换刀策略；
步骤H5：利用预设的损失函数计算所述预测历史刀具排布及换刀策略与所述历史刀具排布及换刀策略的损失值，根据所述损失值对所述初步卷积神经网络模型进行参数调整，并返回所述步骤H1，直至所述损失值小于预设的损失阈值，得到初步训练完成的卷积神经网络模型。
本发明实施例中，所述预设的损失阈值可以根据经验设为5%，当所述损失值小于5%时，得到初步训练完成的卷积神经网络模型。
进一步地，所述利用所述初步卷积神经网络模型中激活层中的皮尔逊积矩相关系数算法，提取所述历史多维信号特征及所述历史用刀需求特征的关联特征，包括：
利用皮尔逊积矩相关系数算法计算所述历史多维信号特征及所述历史用刀需求特征中各个特征之间的相关系数；
从所述历史多维信号特征及所述历史用刀需求特征中过滤掉所述相关系数小于预设的系数阈值的特征，得到所述历史多维信号特征及所述历史用刀需求特征的关联特征。
本发明实施例中，所述皮尔逊积矩相关系数（Pearson product-momentcorrelation coefficient，简称 PPMCC或PCCs），又称皮尔逊相关系数( Pearsoncorrelation coefficient），是用于度量两个变量X和Y之间的相关性（线性相关），其值介于-1与1之间，绝对值越大表明相关性越强。
本发明实施例中，所述刀具排布及换刀策略包含选用的刀具型号，排布顺序、换刀的次数及换刀时间。
本发明实施例中，首先利用均方差处理方法对所述卷积神经网络进行初步训练，得到初步卷积神经网络模型，再利用K折交叉验证算法构建训练集及测试集，使得模型的特征筛选能力更强，有利于提升刀具排布及换刀策略预测的精确度，进一步地，利用皮尔逊积矩相关系数算法提取与所述目标多维信号张量与所述用刀需求的关联特征，剔除不相关因素，有利于提升刀具排布及换刀策略的准确度，从而提高工件加工精度，更进一步，全程利用卷积神经网络模型进行预测，无需依赖人工经验，提升换刀效率。
S4、将所述刀具排布及换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀。
本发明实施例中，所述数控机床的控制系统将所述刀具排布及换刀策略转换为电信号传输至所述数控机床的刀库系统，所述刀库系统带动所述数控机床的刀库中的刀具根据刀具排布策略进行排布，所述刀库系统中的换刀机构，根据所述换刀策略进行换刀动作。
本发明实施例通过采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量，同步采集多工序的刀具状态信号，无需停机测量，提升换刀效率，而且使得采集得信号更加多元化，有效排除了实际加工过程中因工序变化而带来的信号波动，使得后续根据刀具状态信号预测刀具排布及换刀策略更加精确；进一步地，利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量，剔除异常数据点，使得多维信号张量地数据更加平滑，使得后续数据处理效率更高，提升刀具排布及换刀策略预测的效率；更进一步地， 获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略，可以精准提取刀具状态信号的特征，将用刀需求跟刀具状态信号更好的融合，从而精准预测刀具排布及换刀策略；将所述刀具排布及所述换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀，实现了刀具库刀库型号智能排布与换刀，无需依赖人工经验，提升换刀效率。因此本发明提出的基于深度学习的刀具排布及换刀方法，可以解决数控机床进行刀具排布及换刀精确度及效率较低的问题。
如图4所示，是本发明一实施例提供的实现基于深度学习的刀具排布及换刀方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于深度学习的刀具排布及换刀程序。
根据实现的功能，电子设备可以包括信号采集模块、降噪模块预测模块及控制模块。各个模块可以安装于电子设备中。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
信号采集模块，用于采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量；
降噪模块，用于利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量；
预测模块，用于获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略；
控制模块，用于将所述刀具排布及换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀。
详细地，本发明实施例中所述的各模块在使用时采用与上述图1至图3中所述的基于深度学习的刀具排布及换刀方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于深度学习的刀具排布及换刀程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于深度学习的刀具排布及换刀程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量；
利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量；
获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略；
将所述刀具排布及换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量；
利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量；
获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略；
将所述刀具排布及换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于深度学习的刀具排布及换刀方法，其特征在于，所述方法包括：
步骤A：获取历史刀具状态信号、历史用刀需求、历史刀具排布及换刀策略；
步骤B：将所述历史刀具状态信号转换为历史多维信号张量，并利用小波算法对所述历史多维信号张量进行保真降噪处理，得到标准历史多维信号张量；
步骤C：将所述标准历史多维信号张量及对应的历史用刀需求等分为多个子训练集；
步骤D：利用预构建的卷积神经网络模型预测各子个训练集的刀具排布及换刀策略，得到预测结果集；
步骤E：从所述预测结果集中随机选取两个预测结果进行均方差处理，得到均方差值；
步骤F：根据所述均方差值更新所述预构建的卷积神经网络模型参数，得到更新后的卷积神经网络模型，返回上述的步骤D以利用更新后的卷积神经网络模型预测各子个训练集的刀具排布及换刀策略，得到预测结果集，对所述卷积神经网络模型进行迭代更新，直至所述卷积神经网络模型满足了预设的迭代次数，得到初步卷积神经网络模型；
步骤G：基于所述标准历史多维信号张量及对应的历史用刀需求，利用K折交叉验证算法，构建训练集及测试集；
步骤H：基于所述训练集及所述历史刀具排布及换刀策略，对所述初步卷积神经网络模型进行训练，得到初步训练完成的卷积神经网络模型；
步骤I：利用所述测试集对所述初步训练完成的卷积神经网络模型进行测试，得到测试结果，当所述测试结果为未通过时，返回所述步骤H再次对所述卷积神经网络模型进行迭代更新，直至所述测试结果为通过，得到预训练完成的卷积神经网络模型；
步骤J：采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量；
步骤K：利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量；
步骤L：获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用所述预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略；
步骤M：将所述刀具排布及换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀。
2.如权利要求1所述的基于深度学习的刀具排布及换刀方法，其特征在于，所述采集数控机床的多工序的目标刀具状态信号，包括：
选取加工参数恒定或变化小于预设变化值的工序作为目标工序；
在数控机床加工开始前及加工结束时设置信号采集标识；
在所述信号采集标识处，采集所述目标工序的目标刀具状态信号。
3.如权利要求1所述的基于深度学习的刀具排布及换刀方法，其特征在于，所述利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量，包括：
将所述多维信号张量进行小波变换，得到所述多维信号张量对应的多尺度小波系数；
对所述多尺度小波系数进行阈值量化，得到修正多尺度小波系数；
对所述修正多尺度小波系数进行小波逆变换，得到目标多维信号张量。
4.如权利要求1所述的基于深度学习的刀具排布及换刀方法，其特征在于，所述基于所述训练集及所述历史刀具排布及换刀策略，对所述初步卷积神经网络模型进行训练，得到初步训练完成的卷积神经网络模型，包括：
步骤H1：利用所述初步卷积神经网络模型中的卷积层分别提取所述训练集中所述标准历史多维信号张量与所述历史用刀需求的历史多维信号特征及历史用刀需求特征；
步骤H2：利用所述初步卷积神经网络模型中激活层中的皮尔逊积矩相关系数算法，提取所述历史多维信号特征及所述历史用刀需求特征的关联特征；
步骤H3：利用所述初步卷积神经网络模型中刀具规范层匹配所述关联特征，得到常用刀具类型及换刀概率；
步骤H4：利用所述初步卷积神经网络模型中的全连接层及输出层分析所述历史用刀需求特征、所述常用刀具类型及所述换刀概率的关联关系，得到预测历史刀具排布及换刀策略；
步骤H5：利用预设的损失函数计算所述预测历史刀具排布及换刀策略与所述历史刀具排布及换刀策略的损失值，根据所述损失值对所述初步卷积神经网络模型进行参数调整，并返回所述步骤H1，直至所述损失值小于预设的损失阈值，得到初步训练完成的卷积神经网络模型。
5.如权利要求4所述的基于深度学习的刀具排布及换刀方法，其特征在于，所述利用所述初步卷积神经网络模型中激活层中的皮尔逊积矩相关系数算法，提取所述历史多维信号特征及所述历史用刀需求特征的关联特征，包括：
利用皮尔逊积矩相关系数算法计算所述历史多维信号特征及所述历史用刀需求特征中各个特征之间的相关系数；
从所述历史多维信号特征及所述历史用刀需求特征中过滤掉所述相关系数小于预设的系数阈值的特征，得到所述历史多维信号特征及所述历史用刀需求特征的关联特征。
6.如权利要求4所述的基于深度学习的刀具排布及换刀方法，其特征在于，所述卷积层的层数与标准历史多维信号张量的维度相同，所述卷积层的卷积核通道数为256，大小为10×10，步长为1。
7.一种电子设备，其特征在于，所述电子设备包括：
预测模块，用于获取历史刀具状态信号、历史用刀需求、历史刀具排布及换刀策略，将所述历史刀具状态信号转换为历史多维信号张量，并利用小波算法对所述历史多维信号张量进行保真降噪处理，得到标准历史多维信号张量，将所述标准历史多维信号张量及对应的历史用刀需求等分为多个子训练集，利用预构建的卷积神经网络模型预测各子个训练集的刀具排布及换刀策略，得到预测结果集，从所述预测结果集中随机选取两个预测结果进行均方差处理，得到均方差值,根据所述均方差值更新所述预构建的卷积神经网络模型参数，得到更新后的卷积神经网络模型，并利用更新后的卷积神经网络模型预测各子个训练集的刀具排布及换刀策略，得到预测结果集，对所述卷积神经网络模型进行迭代更新，直至所述卷积神经网络模型满足了预设的迭代次数，得到初步卷积神经网络模型，基于所述标准历史多维信号张量及对应的历史用刀需求，利用K折交叉验证算法，构建训练集及测试集，基于所述训练集及所述历史刀具排布及换刀策略，对所述初步卷积神经网络模型进行训练，得到初步训练完成的卷积神经网络模型，利用所述测试集对所述初步训练完成的卷积神经网络模型进行测试，得到测试结果，当所述测试结果为未通过时，再次对所述卷积神经网络模型进行迭代更新，直至所述测试结果为通过，得到预训练完成的卷积神经网络模型；
信号采集模块，用于采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量；
降噪模块，用于利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量；
预测模块，还用于获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用所述预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略；
控制模块，用于将所述刀具排布及换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀；
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计算机程序，所述计算机程序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6中任意一项所述的基于深度学习的刀具排布及换刀方法。
8.一种计算机可读存储介质，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如权利要求1至6中任意一项所述的基于深度学习的刀具排布及换刀方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210899436.3A CN115062674B (zh) | 2022-07-28 | 2022-07-28 | 基于深度学习的刀具排布及换刀方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210899436.3A CN115062674B (zh) | 2022-07-28 | 2022-07-28 | 基于深度学习的刀具排布及换刀方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115062674A CN115062674A (zh) | 2022-09-16 |
| CN115062674B true CN115062674B (zh) | 2022-11-22 |
Family
ID=83207114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210899436.3A Active CN115062674B (zh) | 2022-07-28 | 2022-07-28 | 基于深度学习的刀具排布及换刀方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115062674B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116372662B (zh) * | 2023-06-06 | 2023-09-29 | 成都飞机工业（集团）有限责任公司 | 数控锪窝尺寸预补偿修正方法 |
| CN118092194A (zh) * | 2024-04-25 | 2024-05-28 | 中科航迈数控软件(深圳)有限公司 | 机床控制策略的调整方法、控制策略的调整装置及介质 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3076548B2 (ja) * | 1998-03-20 | 2000-08-14 | 川崎重工業株式会社 | 工具摩耗検知装置および方法 |
| CN102073300B (zh) * | 2010-12-28 | 2013-04-17 | 华中科技大学 | 一种数控加工状态自学习的刀具磨损监控系统 |
| CN102091972B (zh) * | 2010-12-28 | 2013-06-05 | 华中科技大学 | 一种数控机床刀具磨损监测方法 |
| JP2012200857A (ja) * | 2011-03-28 | 2012-10-22 | Brother Industries Ltd | 工作機械及び工具交換方法 |
| CN108107838A (zh) * | 2017-12-27 | 2018-06-01 | 山东大学 | 一种基于云知识库和机器学习的数控装备刀具磨损检测方法 |
| CN108942409B (zh) * | 2018-08-26 | 2020-05-12 | 西北工业大学 | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 |
| KR20210063902A (ko) * | 2019-11-25 | 2021-06-02 | 두산공작기계 주식회사 | 공작기계 공구매거진과 주축 사이의 공구교환방법 |
| CN111300144B (zh) * | 2019-11-25 | 2022-11-04 | 上海大学 | 基于图像处理的刀具磨损状态自动检测方法 |
| CN113560929B (zh) * | 2021-06-30 | 2023-02-28 | 东风设备制造有限公司 | 一种可自由切换的刀库换刀方法 |
| CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
| CN114202662A (zh) * | 2021-11-24 | 2022-03-18 | 华中科技大学 | 结合相邻刀轨横向几何特征的刀具特征点识别方法及设备 |
| CN114297912A (zh) * | 2021-12-08 | 2022-04-08 | 燕山大学 | 基于深度学习的刀具磨损预测方法 |
-
2022
- 2022-07-28 CN CN202210899436.3A patent/CN115062674B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115062674A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115062674B (zh) | 基于深度学习的刀具排布及换刀方法、设备及存储介质 | |
| CN111144548B (zh) | 抽油机井工况的识别方法及装置 | |
| CN110910982A (zh) | 自编码模型训练方法、装置、设备及存储介质 | |
| CN111652280A (zh) | 基于行为的目标物数据分析方法、装置及存储介质 | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
| CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
| CN112613425B (zh) | 一种面向小样本水下图像的目标识别系统 | |
| CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
| CN112101481B (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
| CN116012019B (zh) | 一种基于大数据分析的金融风控管理系统 | |
| CN115034278A (zh) | 性能指标异常检测方法、装置、电子设备和存储介质 | |
| CN112363465A (zh) | 一种专家规则集训练方法、训练器和工业设备预警系统 | |
| CN115034812B (zh) | 基于大数据的钢铁行业销售量预测方法及装置 | |
| CN113835964B (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
| CN113160987B (zh) | 健康状态预测方法、装置、计算机设备及存储介质 | |
| CN114968336A (zh) | 应用灰度发布方法、装置、计算机设备及存储介质 | |
| CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
| CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
| CN113159419A (zh) | 一种群体特征画像分析方法、装置、设备及可读存储介质 | |
| CN112215336A (zh) | 基于用户行为的数据标注方法、装置、设备及存储介质 | |
| CN113723554B (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230331 Address after: Building 1, Research Office Building, Hunan Xiaoguang Automotive Mold Co., Ltd., No. 218 Zhenhua Road, Yuhua District, Changsha City, Hunan Province, 410116 Patentee after: Hunan Xiaoguang Intelligent Equipment Manufacturing Co.,Ltd. Address before: 410000 No. 218, Zhenhua Road, Changsha City, Hunan Province Patentee before: HUNAN XIAOGUANG CAR MOULD CO.,LTD. Patentee before: Hunan Xiaoguang intelligent molding manufacturing Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230419 Address after: Building 1, Research Office Building, Hunan Xiaoguang Automotive Mold Co., Ltd., No. 218 Zhenhua Road, Yuhua District, Changsha City, Hunan Province, 410000 Patentee after: Hunan Xiaoguang Intelligent Equipment Manufacturing Co.,Ltd. Patentee after: HUNAN XIAOGUANG CAR MOULD CO.,LTD. Patentee after: Hunan Xiaoguang intelligent molding manufacturing Co.,Ltd. Address before: Building 1, Research Office Building, Hunan Xiaoguang Automotive Mold Co., Ltd., No. 218 Zhenhua Road, Yuhua District, Changsha City, Hunan Province, 410116 Patentee before: Hunan Xiaoguang Intelligent Equipment Manufacturing Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Tool layout and tool change methods, equipment, and storage media based on deep learning Effective date of registration: 20230510 Granted publication date: 20221122 Pledgee: Bank of Changsha Co.,Ltd. Jincheng sub branch Pledgor: Hunan Xiaoguang Intelligent Equipment Manufacturing Co.,Ltd.|HUNAN XIAOGUANG CAR MOULD CO.,LTD.|Hunan Xiaoguang intelligent molding manufacturing Co.,Ltd. Registration number: Y2023430000014 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20221122 Pledgee: Bank of Changsha Co.,Ltd. Jincheng sub branch Pledgor: Hunan Xiaoguang Intelligent Equipment Manufacturing Co.,Ltd.|HUNAN XIAOGUANG CAR MOULD CO.,LTD.|Hunan Xiaoguang intelligent molding manufacturing Co.,Ltd. Registration number: Y2023430000014 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Tool arrangement and tool replacement methods, equipment, and storage media based on deep learning Granted publication date: 20221122 Pledgee: Bank of Changsha Co.,Ltd. Jincheng sub branch Pledgor: HUNAN XIAOGUANG CAR MOULD CO.,LTD.|Hunan Xiaoguang intelligent molding manufacturing Co.,Ltd.|Hunan Xiaoguang Intelligent Equipment Manufacturing Co.,Ltd. Registration number: Y2024980018853 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |