CN115410064A - 智能制造下的设备状态监测系统及其监测方法 - Google Patents

智能制造下的设备状态监测系统及其监测方法 Download PDF

Info

Publication number
CN115410064A
CN115410064A CN202211028533.1A CN202211028533A CN115410064A CN 115410064 A CN115410064 A CN 115410064A CN 202211028533 A CN202211028533 A CN 202211028533A CN 115410064 A CN115410064 A CN 115410064A
Authority
CN
China
Prior art keywords
vector
feature vector
eigenvector
matrix
activation
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.)
Withdrawn
Application number
CN202211028533.1A
Other languages
English (en)
Inventor
喻晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenxi Hangzhou Technology Co ltd
Original Assignee
Wenxi Hangzhou Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenxi Hangzhou Technology Co ltd filed Critical Wenxi Hangzhou Technology Co ltd
Priority to CN202211028533.1A priority Critical patent/CN115410064A/zh
Publication of CN115410064A publication Critical patent/CN115410064A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及智能制造的领域，其具体地公开了一种智能制造下的设备状态监测系统及其监测方法，其通过时序编码器来提取出智能设备的刀具的切削力数值在时间维度上的高维关联隐含特征以获得第一特征向量，并使用卷积神经网络模型挖掘出所述刀具的振动信号的波形图和所述声发射信号的波形图的局部特征在高维空间中的特征分布以获得第二特征向量和第三特征向量，这样通过构造所述特征向量之间的关联矩阵，进而以关联插值来产生连续函数近似，再进一步通过逻辑激活，以可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以实现连续函数和离散函数在高维特征空间的分布的融合，进而提高分类的准确性。

Description

智能制造下的设备状态监测系统及其监测方法
技术领域
本发明涉及智能制造的领域，且更为具体地，涉及一种智能制造下的设备状态监测系统及其监测方法。
背景技术
随着现代制造装备精度、可靠性的提高，机床、夹具等对工件加工质量影响较小，刀具磨损状态对加工质量和生产效率至关重要。钛合金作为航空、航天应用最广泛的金属材料之一，但钛合金的低导热性和高的化学反应导致刀具磨损现象严重，提高零件的加工质量和保障相关设备安全具有非常重要的意义。因此，为了对刀具的磨损状态进行监测，期望一种智能制造下的设备状态监测方案。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为智能制造中的设备状态监测提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能制造下的设备状态监测系统及其监测方法，其通过时序编码器来提取出智能设备的刀具的切削力数值在时间维度上的高维关联隐含特征以获得第一特征向量，并使用卷积神经网络模型挖掘出所述刀具的振动信号的波形图和所述声发射信号的波形图的局部特征在高维空间中的特征分布以获得第二特征向量和第三特征向量，这样通过构造所述特征向量之间的关联矩阵，进而以关联插值来产生连续函数近似，再进一步通过逻辑激活，以可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以实现连续函数和离散函数在高维特征空间的分布的融合，进而提高分类的准确性。
根据本申请的一个方面，提供了一种智能制造下的设备状态监测系统，其包括：
源数据采集单元，用于获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号；
时序编码单元，用于将所述刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量；
卷积编码单元，用于将所述刀具的振动信号的波形图和所述声发射信号的波形图分别通过卷积神经网络以生成对应于所述刀具的振动信号的第二特征向量和对应于所述刀具的声发射信号的第三特征向量；
关联单元，用于计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵，其中，所述第一关联矩阵为所述第一特征向量的转置乘以所述第二特征向量，所述第二关联矩阵为所述第一特征向量的转置乘以所述第三特征向量；
第一逻辑激活单元，用于以所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，其中，所述以所述第一关联矩阵对所述第二特征向量进行逻辑激活，包括：计算单位向量与所述第一关联矩阵乘以所述单位向量与所述第二特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第一逻辑激活向量；将所述第一关联矩阵与所述第二特征向量进行矩阵相乘以获得第二逻辑激活向量；以及，计算所述第一逻辑激活向量和所述第二逻辑激活向量之间的按位置加权和以获得所述第四特征向量；
第二逻辑激活单元，用于以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量，其中，所述以所述第二关联矩阵对所述第三特征向量进行逻辑激活，包括：计算单位向量与所述第二关联矩阵乘以所述单位向量与所述第三特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第三逻辑激活向量；将所述第二关联矩阵与所述第三特征向量进行矩阵相乘以获得第四逻辑激活向量；以及，计算所述第三逻辑激活向量和所述第四逻辑激活向量之间的按位置加权和以获得所述第五特征向量；
向量融合单元，用于融合所述第一特征向量、所述第四特征向量和所述第五特征向量以获得分类特征向量；以及
监测结果单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述智能设备的刀具性能是否满足预设要求。
根据本申请的另一方面，一种智能制造下的设备状态监测系统的监测方法，其包括：
获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号；
将所述刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量；
将所述刀具的振动信号的波形图和所述声发射信号的波形图分别通过卷积神经网络以生成对应于所述刀具的振动信号的第二特征向量和对应于所述刀具的声发射信号的第三特征向量；
计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵，其中，所述第一关联矩阵为所述第一特征向量的转置乘以所述第二特征向量，所述第二关联矩阵为所述第一特征向量的转置乘以所述第三特征向量；
以所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，其中，所述以所述第一关联矩阵对所述第二特征向量进行逻辑激活，包括：计算单位向量与所述第一关联矩阵乘以所述单位向量与所述第二特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第一逻辑激活向量；将所述第一关联矩阵与所述第二特征向量进行矩阵相乘以获得第二逻辑激活向量；以及，计算所述第一逻辑激活向量和所述第二逻辑激活向量之间的按位置加权和以获得所述第四特征向量；
以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量，其中，所述以所述第二关联矩阵对所述第三特征向量进行逻辑激活，包括：计算单位向量与所述第二关联矩阵乘以所述单位向量与所述第三特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第三逻辑激活向量；将所述第二关联矩阵与所述第三特征向量进行矩阵相乘以获得第四逻辑激活向量；以及，计算所述第三逻辑激活向量和所述第四逻辑激活向量之间的按位置加权和以获得所述第五特征向量；
融合所述第一特征向量、所述第四特征向量和所述第五特征向量以获得分类特征向量；以及
将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述智能设备的刀具性能是否满足预设要求。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能制造下的设备状态监测系统的监测方法。
与现有技术相比，本申请提供的智能制造下的设备状态监测系统及其监测方法，其通过时序编码器来提取出智能设备的刀具的切削力数值在时间维度上的高维关联隐含特征以获得第一特征向量，并使用卷积神经网络模型挖掘出所述刀具的振动信号的波形图和所述声发射信号的波形图的局部特征在高维空间中的特征分布以获得第二特征向量和第三特征向量，这样通过构造所述特征向量之间的关联矩阵，进而以关联插值来产生连续函数近似，再进一步通过逻辑激活，以可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以实现连续函数和离散函数在高维特征空间的分布的融合，进而提高分类的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的智能制造下的设备状态监测系统的应用场景图。
图2为根据本申请实施例的智能制造下的设备状态监测系统的框图。
图3为根据本申请实施例的智能制造下的设备状态监测系统的监测方法的流程图。
图4为根据本申请实施例的智能制造下的设备状态监测系统的监测方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，随着现代制造装备精度、可靠性的提高，机床、夹具等对工件加工质量影响较小，刀具磨损状态对加工质量和生产效率至关重要。钛合金作为航空、航天应用最广泛的金属材料之一，但钛合金的低导热性和高的化学反应导致刀具磨损现象严重，提高零件的加工质量和保障相关设备安全具有非常重要的意义。因此，为了对刀具的磨损状态进行监测，期望一种智能制造下的设备状态监测方案。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为智能制造中的设备状态监测提供了新的解决思路和方案。
相应地，在本申请的技术方案中，由于刀具磨损状态对加工质量和生产效率至关重要，但是钛合金在使用的过程中其低导热性和高化学反应导致刀具磨损现象严重，因此提高零件的加工质量和保障相关设备安全具有非常重要的意义。这本质上是一个分类的问题，也就是，基于智能设备的刀具在多个时间点的切削力数值以及振动信号和声发射信号来综合对智能设备的刀具磨损状况进行评估，进而得到刀具的性能是否满足要求的分类结果。
基于此，本申请的申请人使用基于卷积神经网络的深度学习技术，来从各项不同数据中挖掘出其在统计学意义上的关联信息，并通过回归分类来判定智能设备的刀具性能是否满足预设要求。
具体地，在本申请的技术方案中，首先通过设置于智能制造设备中的各个传感器分别获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号，这样可以从信号不同方面变化间接反应出刀具状态的变化。
接着，再将智能设备的刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器中进行编码处理，以提取出智能设备的刀具在多个预定时间点的切削力数值在时序维度上的高维隐含关联特征，从而获得第一特征向量v1。并且，将刀具的振动信号的波形图和声发射信号的波形图分别通过卷积神经网络中进行处理，以分别提取出刀具的振动信号的波形图和声发射信号的波形图的局部特征在高维空间中的特征分布，进而生成对应于刀具的振动信号的第二特征向量v2和对应于刀具的声发射信号的第三特征向量v3。
进一步地，由于切削力是离散数据，振动信号和声发射信号是模拟信号，这样源数据在源域的差异会导致两者在高维数据空间的特征分布的差异拉大，因此，还需要通过构造关联矩阵，进而以关联插值来产生连续函数近似，再进一步通过逻辑激活，以可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以实现连续函数和离散函数在高维特征空间的分布的融合。
也就是，具体地，基于第一、第二和第三特征向量v1，v2，v3，首先计算第一关联矩阵
Figure BDA0003816552900000061
和第二关联矩阵
Figure BDA0003816552900000062
再分别以第一关联矩阵和第二关联矩阵对第二特征向量和第三特征向量进行逻辑激活，表示为：
Figure BDA0003816552900000063
Figure BDA0003816552900000064
Figure BDA0003816552900000065
和
Figure BDA0003816552900000066
Figure BDA0003816552900000067
Figure BDA0003816552900000068
Figure BDA0003816552900000069
和⊙分别表示向量的按位置加、减和乘，
Figure BDA00038165529000000610
表示向量乘。
这样，就可以计算第一特征向量、第四特征向量和第五特征向量的按位置的加权和以融合这三者的特征信息，得到分类特征向量，再将分类特征向量通过分类器获得用于表示所述智能设备的刀具性能是否满足预设要求的分类结果。
基于此，本申请提出了一种智能制造下的设备状态监测系统，其包括：源数据采集单元，用于获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号；时序编码单元，用于将所述刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量；卷积编码单元，用于将所述刀具的振动信号的波形图和所述声发射信号的波形图分别通过卷积神经网络以生成对应于所述刀具的振动信号的第二特征向量和对应于所述刀具的声发射信号的第三特征向量；关联单元，用于计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵，其中，所述第一关联矩阵为所述第一特征向量的转置乘以所述第二特征向量，所述第二关联矩阵为所述第一特征向量的转置乘以所述第三特征向量；第一逻辑激活单元，用于以所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，其中，所述以所述第一关联矩阵对所述第二特征向量进行逻辑激活，包括：计算单位向量与所述第一关联矩阵乘以所述单位向量与所述第二特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第一逻辑激活向量；将所述第一关联矩阵与所述第二特征向量进行矩阵相乘以获得第二逻辑激活向量；以及，计算所述第一逻辑激活向量和所述第二逻辑激活向量之间的按位置加权和以获得所述第四特征向量；第二逻辑激活单元，用于以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量，其中，所述以所述第二关联矩阵对所述第三特征向量进行逻辑激活，包括：计算单位向量与所述第二关联矩阵乘以所述单位向量与所述第三特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第三逻辑激活向量；将所述第二关联矩阵与所述第三特征向量进行矩阵相乘以获得第四逻辑激活向量；以及，计算所述第三逻辑激活向量和所述第四逻辑激活向量之间的按位置加权和以获得所述第五特征向量；向量融合单元，用于融合所述第一特征向量、所述第四特征向量和所述第五特征向量以获得分类特征向量；以及，监测结果单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述智能设备的刀具性能是否满足预设要求。
图1图示了根据本申请实施例的智能制造下的设备状态监测系统的应用场景图。如图1所示，在该应用场景中，首先，通过设置于智能制造设备(例如，如图1中所示意的智能切割设备H)中的多个传感器(例如，如图1中所示意的切削力传感器、振动传感器和声发射传感器T1至T3)分别获取智能设备的刀具(例如，如图1中所示意的P)在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号。然后，将获得的所述在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号输入至部署有智能制造下的设备状态监测算法的服务器中(例如，如图1中所示意的服务器S)，其中，所述服务器能够以智能制造下的设备状态监测算法对所述在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号进行处理，以生成用于表示所述智能设备的刀具性能是否满足预设要求的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的智能制造下的设备状态监测系统的框图。如图2所示，根据本申请实施例的智能制造下的设备状态监测系统200，包括：源数据采集单元210，用于获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号；时序编码单元220，用于将所述刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量；卷积编码单元230，用于将所述刀具的振动信号的波形图和所述声发射信号的波形图分别通过卷积神经网络以生成对应于所述刀具的振动信号的第二特征向量和对应于所述刀具的声发射信号的第三特征向量；关联单元240，用于计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵，其中，所述第一关联矩阵为所述第一特征向量的转置乘以所述第二特征向量，所述第二关联矩阵为所述第一特征向量的转置乘以所述第三特征向量；第一逻辑激活单元250，用于以所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，其中，所述以所述第一关联矩阵对所述第二特征向量进行逻辑激活，包括：计算单位向量与所述第一关联矩阵乘以所述单位向量与所述第二特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第一逻辑激活向量；将所述第一关联矩阵与所述第二特征向量进行矩阵相乘以获得第二逻辑激活向量；以及，计算所述第一逻辑激活向量和所述第二逻辑激活向量之间的按位置加权和以获得所述第四特征向量；第二逻辑激活单元260，用于以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量，其中，所述以所述第二关联矩阵对所述第三特征向量进行逻辑激活，包括：计算单位向量与所述第二关联矩阵乘以所述单位向量与所述第三特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第三逻辑激活向量；将所述第二关联矩阵与所述第三特征向量进行矩阵相乘以获得第四逻辑激活向量；以及，计算所述第三逻辑激活向量和所述第四逻辑激活向量之间的按位置加权和以获得所述第五特征向量；向量融合单元270，用于融合所述第一特征向量、所述第四特征向量和所述第五特征向量以获得分类特征向量；以及，监测结果单元280，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述智能设备的刀具性能是否满足预设要求。
具体地，在本申请实施例中，所述源数据采集单元210和所述时序编码单元220，用于获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号，并将所述刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量。应可以理解，由于刀具磨损状态对加工质量和生产效率至关重要，但是钛合金在使用的过程中其低导热性和高化学反应导致刀具磨损现象严重，因此提高零件的加工质量和保障相关设备安全具有非常重要的意义。这本质上是一个分类的问题，也就是，基于所述智能设备的刀具在多个时间点的切削力数值以及振动信号和声发射信号来综合对所述智能设备的刀具磨损状况进行评估，进而得到所述刀具的性能是否满足要求的分类结果。
也就是，具体地，在本申请的技术方案中，首先通过设置于智能制造设备中的各个传感器分别获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号，这样可以从信号不同方面变化间接反应出所述刀具状态的变化。然后，再将所述智能设备的刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器中进行编码处理，以提取出所述智能设备的刀具在多个预定时间点的切削力数值在时序维度上的高维隐含关联特征，从而获得第一特征向量v1。
更具体地，在本申请实施例中，所述时序编码单元，进一步用于：将所述刀具在多个预定时间点的切削力数值按照时间维度排列为输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure BDA0003816552900000101
其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure BDA0003816552900000102
表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure BDA0003816552900000103
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
具体地，在本申请实施例中，所述卷积编码单元230，用于将所述刀具的振动信号的波形图和所述声发射信号的波形图分别通过卷积神经网络以生成对应于所述刀具的振动信号的第二特征向量和对应于所述刀具的声发射信号的第三特征向量。应可以理解，为了根据所述智能设备的刀具在多个时间点的切削力数值以及振动信号和声发射信号来综合对所述智能设备的刀具磨损状况进行评估，以得到更为准确地分类结果。因此，在本申请的技术方案中，进一步将所述刀具的振动信号的波形图和声发射信号的波形图分别通过卷积神经网络中进行处理，以分别提取出所述刀具的振动信号的波形图和声发射信号的波形图的局部特征在高维空间中的特征分布，进而生成对应于所述刀具的振动信号的第二特征向量v2和对应于所述刀具的声发射信号的第三特征向量v3。
更具体地，在本申请实施例中，所述卷积编码单元，进一步用于：所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出对应于所述刀具的振动信号的第二特征向量，其中，所述卷积神经网络的第一层的输入为所述刀具的振动信号的波形图；以及，所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出对应于所述刀具的声发射信号的第三特征向量，其中，所述卷积神经网络的第一层的输入为所述声发射信号的波形图。
具体地，在本申请实施例中，所述关联单元240，用于计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵，其中，所述第一关联矩阵为所述第一特征向量的转置乘以所述第二特征向量，所述第二关联矩阵为所述第一特征向量的转置乘以所述第三特征向量。应可以理解，由于所述切削力是离散数据，所述振动信号和所述声发射信号是模拟信号，这样源数据在源域的差异会导致两者在高维数据空间的特征分布的差异拉大，因此，在本申请的技术方案中，还需要通过构造关联矩阵，进而以关联插值来产生连续函数近似，再进一步通过逻辑激活，以可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以实现连续函数和离散函数在高维特征空间的分布的融合。
也就是，具体地，在本申请的技术方案中，基于所述第一、第二和第三特征向量v1，v2，v3，首先计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵。
更具体地，在本申请实施例中，所述关联单元，进一步用于：以如下公式计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵；
其中，所述公式为：
Figure BDA0003816552900000111
Figure BDA0003816552900000112
其中，v1为所述第一特征向量，v2为所述第二特征向量，v3为所述第三特征向量。
具体地，在本申请实施例中，所述第一逻辑激活单元250，用于以所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，其中，所述以所述第一关联矩阵对所述第二特征向量进行逻辑激活，包括：计算单位向量与所述第一关联矩阵乘以所述单位向量与所述第二特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第一逻辑激活向量；将所述第一关联矩阵与所述第二特征向量进行矩阵相乘以获得第二逻辑激活向量；以及，计算所述第一逻辑激活向量和所述第二逻辑激活向量之间的按位置加权和以获得所述第四特征向量。也就是，在本申请的技术方案中，进一步基于所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，这样，就可以用可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以便于后续的特征融合。
更具体地，在本申请实施例中，所述第一逻辑激活单元，进一步用于：以所述第一关联矩阵以如下公式对所述第二特征向量进行逻辑激活以获得第四特征向量；
其中，所述公式为：
Figure BDA0003816552900000121
Figure BDA0003816552900000122
Figure BDA0003816552900000123
其中
Figure BDA0003816552900000124
和⊙分别表示向量的按位置加、减和乘，
Figure BDA0003816552900000125
表示向量乘。
具体地，在本申请实施例中，所述第二逻辑激活单元260，用于以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量，其中，所述以所述第二关联矩阵对所述第三特征向量进行逻辑激活，包括：计算单位向量与所述第二关联矩阵乘以所述单位向量与所述第三特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第三逻辑激活向量；将所述第二关联矩阵与所述第三特征向量进行矩阵相乘以获得第四逻辑激活向量；以及，计算所述第三逻辑激活向量和所述第四逻辑激活向量之间的按位置加权和以获得所述第五特征向量。也就是，在本申请的技术方案中，进一步还需要以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量。这样，通过获得的所述第四特征向量和所述第五特征向量，就可以以可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以实现连续函数和离散函数在高维特征空间的分布的融合，进而提高后续分类的准确性。
更具体地，在本申请实施例中，所述第二逻辑激活单元，进一步用于：以所述第二关联矩阵以如下公式对所述第三特征向量进行逻辑激活以获得第五特征向量；
其中，所述公式为：
Figure BDA0003816552900000126
Figure BDA0003816552900000127
Figure BDA0003816552900000128
其中
Figure BDA0003816552900000129
和⊙分别表示向量的按位置加、减和乘，
Figure BDA00038165529000001210
表示向量乘。
具体地，在本申请实施例中，所述向量融合单元270和所述监测结果单元280，用于融合所述第一特征向量、所述第四特征向量和所述第五特征向量以获得分类特征向量，并将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述智能设备的刀具性能是否满足预设要求。也就是，在本申请的技术方案中，通过对所述第二特征向量和所述第三特征向量进行激活，以从连续逻辑分布的参数来直接得到离散逻辑分布后，进一步将所述第一特征向量、获得的所述第四特征向量和所述第五特征向量进行特征融合以获得分类特征向量。然后，将所述分类特征向量通过分类器以获得用于表示所述智能设备的刀具性能是否满足预设要求的分类结果。相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果；其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为分类特征向量。
综上，基于本申请实施例的所述智能制造下的设备状态监测系统200被阐明，其通过时序编码器来提取出智能设备的刀具的切削力数值在时间维度上的高维关联隐含特征以获得第一特征向量，并使用卷积神经网络模型挖掘出所述刀具的振动信号的波形图和所述声发射信号的波形图的局部特征在高维空间中的特征分布以获得第二特征向量和第三特征向量，这样通过构造所述特征向量之间的关联矩阵，进而以关联插值来产生连续函数近似，再进一步通过逻辑激活，以可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以实现连续函数和离散函数在高维特征空间的分布的融合，进而提高分类的准确性。
如上所述，根据本申请实施例的智能制造下的设备状态监测系统200可以实现在各种终端设备中，例如智能制造下的设备状态监测算法的服务器等。在一个示例中，根据本申请实施例的智能制造下的设备状态监测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能制造下的设备状态监测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能制造下的设备状态监测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该智能制造下的设备状态监测系统200与该终端设备也可以是分立的设备，并且该智能制造下的设备状态监测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图3图示了智能制造下的设备状态监测系统的监测方法的流程图。如图3所示，根据本申请实施例的智能制造下的设备状态监测系统的监测方法，包括步骤：S110，获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号；S120，将所述刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量；S130，将所述刀具的振动信号的波形图和所述声发射信号的波形图分别通过卷积神经网络以生成对应于所述刀具的振动信号的第二特征向量和对应于所述刀具的声发射信号的第三特征向量；S140，计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵，其中，所述第一关联矩阵为所述第一特征向量的转置乘以所述第二特征向量，所述第二关联矩阵为所述第一特征向量的转置乘以所述第三特征向量；S150，以所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，其中，所述以所述第一关联矩阵对所述第二特征向量进行逻辑激活，包括：计算单位向量与所述第一关联矩阵乘以所述单位向量与所述第二特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第一逻辑激活向量；将所述第一关联矩阵与所述第二特征向量进行矩阵相乘以获得第二逻辑激活向量；以及，计算所述第一逻辑激活向量和所述第二逻辑激活向量之间的按位置加权和以获得所述第四特征向量；S160，以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量，其中，所述以所述第二关联矩阵对所述第三特征向量进行逻辑激活，包括：计算单位向量与所述第二关联矩阵乘以所述单位向量与所述第三特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第三逻辑激活向量；将所述第二关联矩阵与所述第三特征向量进行矩阵相乘以获得第四逻辑激活向量；以及，计算所述第三逻辑激活向量和所述第四逻辑激活向量之间的按位置加权和以获得所述第五特征向量；S170，融合所述第一特征向量、所述第四特征向量和所述第五特征向量以获得分类特征向量；以及，S180，将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述智能设备的刀具性能是否满足预设要求。
图4图示了根据本申请实施例的智能制造下的设备状态监测系统的监测方法的架构示意图。如图4所示，在所述智能制造下的设备状态监测系统的监测方法的网络架构中，首先，将获得的所述刀具在多个预定时间点的切削力数值(例如，如图4中所示意的P1)通过包含一维卷积层和全连接层的时序编码器(例如，如图4中所示意的E)以获得第一特征向量(例如，如图4中所示意的VF1)；接着，将获得的所述刀具的振动信号的波形图(例如，如图4中所示意的P2)和所述声发射信号的波形图(例如，如图4中所示意的P3)分别通过卷积神经网络(例如，如图4中所示意的CNN)以生成对应于所述刀具的振动信号的第二特征向量(例如，如图4中所示意的VF2)和对应于所述刀具的声发射信号的第三特征向量(例如，如图4中所示意的VF3)；然后，计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵(例如，如图4中所示意的MF1)以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵(例如，如图4中所示意的MF2)；接着，以所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量(例如，如图4中所示意的VF4)；然后，以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量(例如，如图4中所示意的VF5)；接着，融合所述第一特征向量、所述第四特征向量和所述第五特征向量以获得分类特征向量(例如，如图4中所示意的VF)；以及，然后，将所述分类特征向量通过分类器(例如，如图4中所示意的圈S)以获得分类结果，所述分类结果用于表示所述智能设备的刀具性能是否满足预设要求。
更具体地，在步骤S110和S120中，获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号，并将所述刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量。应可以理解，由于刀具磨损状态对加工质量和生产效率至关重要，但是钛合金在使用的过程中其低导热性和高化学反应导致刀具磨损现象严重，因此提高零件的加工质量和保障相关设备安全具有非常重要的意义。这本质上是一个分类的问题，也就是，基于所述智能设备的刀具在多个时间点的切削力数值以及振动信号和声发射信号来综合对所述智能设备的刀具磨损状况进行评估，进而得到所述刀具的性能是否满足要求的分类结果。
也就是，具体地，在本申请的技术方案中，首先通过设置于智能制造设备中的各个传感器分别获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号，这样可以从信号不同方面变化间接反应出所述刀具状态的变化。然后，再将所述智能设备的刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器中进行编码处理，以提取出所述智能设备的刀具在多个预定时间点的切削力数值在时序维度上的高维隐含关联特征，从而获得第一特征向量v1。
更具体地，在步骤S130中，将所述刀具的振动信号的波形图和所述声发射信号的波形图分别通过卷积神经网络以生成对应于所述刀具的振动信号的第二特征向量和对应于所述刀具的声发射信号的第三特征向量。应可以理解，为了根据所述智能设备的刀具在多个时间点的切削力数值以及振动信号和声发射信号来综合对所述智能设备的刀具磨损状况进行评估，以得到更为准确地分类结果。因此，在本申请的技术方案中，进一步将所述刀具的振动信号的波形图和声发射信号的波形图分别通过卷积神经网络中进行处理，以分别提取出所述刀具的振动信号的波形图和声发射信号的波形图的局部特征在高维空间中的特征分布，进而生成对应于所述刀具的振动信号的第二特征向量v2和对应于所述刀具的声发射信号的第三特征向量v3。
更具体地，在步骤S140中，计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵，其中，所述第一关联矩阵为所述第一特征向量的转置乘以所述第二特征向量，所述第二关联矩阵为所述第一特征向量的转置乘以所述第三特征向量。应可以理解，由于所述切削力是离散数据，所述振动信号和所述声发射信号是模拟信号，这样源数据在源域的差异会导致两者在高维数据空间的特征分布的差异拉大，因此，在本申请的技术方案中，还需要通过构造关联矩阵，进而以关联插值来产生连续函数近似，再进一步通过逻辑激活，以可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以实现连续函数和离散函数在高维特征空间的分布的融合。也就是，具体地，在本申请的技术方案中，基于所述第一、第二和第三特征向量v1，v2，v3，首先以如下公式计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵。
更具体地，在步骤S150和步骤S160中，以所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，其中，所述以所述第一关联矩阵对所述第二特征向量进行逻辑激活，包括：计算单位向量与所述第一关联矩阵乘以所述单位向量与所述第二特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第一逻辑激活向量；将所述第一关联矩阵与所述第二特征向量进行矩阵相乘以获得第二逻辑激活向量；以及，计算所述第一逻辑激活向量和所述第二逻辑激活向量之间的按位置加权和以获得所述第四特征向量，并以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量，其中，所述以所述第二关联矩阵对所述第三特征向量进行逻辑激活，包括：计算单位向量与所述第二关联矩阵乘以所述单位向量与所述第三特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第三逻辑激活向量；将所述第二关联矩阵与所述第三特征向量进行矩阵相乘以获得第四逻辑激活向量；以及，计算所述第三逻辑激活向量和所述第四逻辑激活向量之间的按位置加权和以获得所述第五特征向量。也就是，在本申请的技术方案中，进一步基于所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，并且以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量。这样，通过获得的所述第四特征向量和所述第五特征向量，就可以以可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以实现连续函数和离散函数在高维特征空间的分布的融合，进而提高后续分类的准确性。
更具体地，在步骤S170和步骤S180中，融合所述第一特征向量、所述第四特征向量和所述第五特征向量以获得分类特征向量，并将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述智能设备的刀具性能是否满足预设要求。也就是，在本申请的技术方案中，通过对所述第二特征向量和所述第三特征向量进行激活，以从连续逻辑分布的参数来直接得到离散逻辑分布后，进一步将所述第一特征向量、获得的所述第四特征向量和所述第五特征向量进行特征融合以获得分类特征向量。然后，将所述分类特征向量通过分类器以获得用于表示所述智能设备的刀具性能是否满足预设要求的分类结果。相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果；其中，所述公式为：softmax{(Wn，Bn)：…：(W1，B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为分类特征向量。
综上，基于本申请实施例的所述智能制造下的设备状态监测系统的监测方法被阐明，其通过时序编码器来提取出智能设备的刀具的切削力数值在时间维度上的高维关联隐含特征以获得第一特征向量，并使用卷积神经网络模型挖掘出所述刀具的振动信号的波形图和所述声发射信号的波形图的局部特征在高维空间中的特征分布以获得第二特征向量和第三特征向量，这样通过构造所述特征向量之间的关联矩阵，进而以关联插值来产生连续函数近似，再进一步通过逻辑激活，以可导的实数运算来模拟逻辑运算，从而从连续逻辑分布的参数来直接得到离散逻辑分布，以实现连续函数和离散函数在高维特征空间的分布的融合，进而提高分类的准确性。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能制造下的设备状态监测系统的监测方法中的功能中的步骤。
所述计算机程序产品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申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的智能制造下的设备状态监测系统的监测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种智能制造下的设备状态监测系统，其特征在于，包括：
源数据采集单元，用于获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号；
时序编码单元，用于将所述刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量；
卷积编码单元，用于将所述刀具的振动信号的波形图和所述声发射信号的波形图分别通过卷积神经网络以生成对应于所述刀具的振动信号的第二特征向量和对应于所述刀具的声发射信号的第三特征向量；
关联单元，用于计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵，其中，所述第一关联矩阵为所述第一特征向量的转置乘以所述第二特征向量，所述第二关联矩阵为所述第一特征向量的转置乘以所述第三特征向量；
第一逻辑激活单元，用于以所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，其中，所述以所述第一关联矩阵对所述第二特征向量进行逻辑激活，包括：计算单位向量与所述第一关联矩阵乘以所述单位向量与所述第二特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第一逻辑激活向量；将所述第一关联矩阵与所述第二特征向量进行矩阵相乘以获得第二逻辑激活向量；以及，计算所述第一逻辑激活向量和所述第二逻辑激活向量之间的按位置加权和以获得所述第四特征向量；
第二逻辑激活单元，用于以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量，其中，所述以所述第二关联矩阵对所述第三特征向量进行逻辑激活，包括：计算单位向量与所述第二关联矩阵乘以所述单位向量与所述第三特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第三逻辑激活向量；将所述第二关联矩阵与所述第三特征向量进行矩阵相乘以获得第四逻辑激活向量；以及，计算所述第三逻辑激活向量和所述第四逻辑激活向量之间的按位置加权和以获得所述第五特征向量；
向量融合单元，用于融合所述第一特征向量、所述第四特征向量和所述第五特征向量以获得分类特征向量；以及
监测结果单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述智能设备的刀具性能是否满足预设要求。
2.根据权利要求1所述的智能制造下的设备状态监测系统，其中，所述时序编码单元，进一步用于：
将所述刀具在多个预定时间点的切削力数值按照时间维度排列为输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure FDA0003816552890000023
其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0003816552890000024
表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure FDA0003816552890000021
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
3.根据权利要求2所述的智能制造下的设备状态监测系统，其中，所述卷积编码单元，进一步用于：
所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出对应于所述刀具的振动信号的第二特征向量，其中，所述卷积神经网络的第一层的输入为所述刀具的振动信号的波形图；以及，所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出对应于所述刀具的声发射信号的第三特征向量，其中，所述卷积神经网络的第一层的输入为所述声发射信号的波形图。
4.根据权利要求3所述的智能制造下的设备状态监测系统，其中，所述关联单元，进一步用于：
以如下公式计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵；
其中，所述公式为：
Figure FDA0003816552890000022
Figure FDA0003816552890000031
其中，v1为所述第一特征向量，v2为所述第二特征向量，v3为所述第三特征向量。
5.根据权利要求4所述的智能制造下的设备状态监测系统，其中，所述第一逻辑激活单元，进一步用于：
以所述第一关联矩阵以如下公式对所述第二特征向量进行逻辑激活以获得第四特征向量；
其中，所述公式为：
Figure FDA0003816552890000032
Figure FDA0003816552890000033
Figure FDA0003816552890000034
其中
Figure FDA0003816552890000035
和⊙分别表示向量的按位置加、减和乘，
Figure FDA0003816552890000036
表示向量乘。
6.根据权利要求5所述的智能制造下的设备状态监测系统，其中，所述第二逻辑激活单元，进一步用于：
以所述第二关联矩阵以如下公式对所述第三特征向量进行逻辑激活以获得第五特征向量；
其中，所述公式为：
Figure FDA0003816552890000037
Figure FDA0003816552890000038
Figure FDA0003816552890000039
其中
Figure FDA00038165528900000310
和⊙分别表示向量的按位置加、减和乘，
Figure FDA00038165528900000311
表示向量乘。
7.根据权利要求6所述的智能制造下的设备状态监测系统，其中，所述监测结果单元，进一步用于：
使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果；其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为分类特征向量。
8.一种智能制造下的设备状态监测系统的监测方法，其特征在于，包括：
获取智能设备的刀具在预定时间段内多个预定时间点的切削力数值、所述刀具在所述预定时间段的振动信号和声发射信号；
将所述刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量；
将所述刀具的振动信号的波形图和所述声发射信号的波形图分别通过卷积神经网络以生成对应于所述刀具的振动信号的第二特征向量和对应于所述刀具的声发射信号的第三特征向量；
计算所述第一特征向量和所述第二特征向量之间的第一关联矩阵以及所述第一特征向量和所述第三特征向量之间的第二关联矩阵，其中，所述第一关联矩阵为所述第一特征向量的转置乘以所述第二特征向量，所述第二关联矩阵为所述第一特征向量的转置乘以所述第三特征向量；
以所述第一关联矩阵对所述第二特征向量进行逻辑激活以获得第四特征向量，其中，所述以所述第一关联矩阵对所述第二特征向量进行逻辑激活，包括：计算单位向量与所述第一关联矩阵乘以所述单位向量与所述第二特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第一逻辑激活向量；将所述第一关联矩阵与所述第二特征向量进行矩阵相乘以获得第二逻辑激活向量；以及，计算所述第一逻辑激活向量和所述第二逻辑激活向量之间的按位置加权和以获得所述第四特征向量；
以所述第二关联矩阵对所述第三特征向量进行逻辑激活以获得第五特征向量，其中，所述以所述第二关联矩阵对所述第三特征向量进行逻辑激活，包括：计算单位向量与所述第二关联矩阵乘以所述单位向量与所述第三特征向量之间的差分向量所生成的特征向量之间的差分向量以获得第三逻辑激活向量；将所述第二关联矩阵与所述第三特征向量进行矩阵相乘以获得第四逻辑激活向量；以及，计算所述第三逻辑激活向量和所述第四逻辑激活向量之间的按位置加权和以获得所述第五特征向量；
融合所述第一特征向量、所述第四特征向量和所述第五特征向量以获得分类特征向量；以及将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示所述智能设备的刀具性能是否满足预设要求。
9.根据权利要求8所述的智能制造下的设备状态监测系统的监测方法，其中，将所述刀具在多个预定时间点的切削力数值通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量，包括：将所述刀具在多个预定时间点的切削力数值按照时间维度排列为输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure FDA0003816552890000052
其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0003816552890000053
表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure FDA0003816552890000051
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
10.根据权利要求8所述的智能制造下的设备状态监测系统的监测方法，其中，将所述刀具的振动信号的波形图和所述声发射信号的波形图分别通过卷积神经网络以生成对应于所述刀具的振动信号的第二特征向量和对应于所述刀具的声发射信号的第三特征向量，包括：所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出对应于所述刀具的振动信号的第二特征向量，其中，所述卷积神经网络的第一层的输入为所述刀具的振动信号的波形图；以及所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出对应于所述刀具的声发射信号的第三特征向量，其中，所述卷积神经网络的第一层的输入为所述声发射信号的波形图。
CN202211028533.1A 2022-08-25 2022-08-25 智能制造下的设备状态监测系统及其监测方法 Withdrawn CN115410064A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211028533.1A CN115410064A (zh) 2022-08-25 2022-08-25 智能制造下的设备状态监测系统及其监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211028533.1A CN115410064A (zh) 2022-08-25 2022-08-25 智能制造下的设备状态监测系统及其监测方法

Publications (1)

Publication Number Publication Date
CN115410064A true CN115410064A (zh) 2022-11-29

Family

ID=84161185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211028533.1A Withdrawn CN115410064A (zh) 2022-08-25 2022-08-25 智能制造下的设备状态监测系统及其监测方法

Country Status (1)

Country Link
CN (1) CN115410064A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116551466A (zh) * 2023-05-24 2023-08-08 深圳市捷辉创科技有限公司 Cnc加工过程中的智能监控系统及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116551466A (zh) * 2023-05-24 2023-08-08 深圳市捷辉创科技有限公司 Cnc加工过程中的智能监控系统及其方法
CN116551466B (zh) * 2023-05-24 2024-05-14 深圳市捷辉创科技有限公司 Cnc加工过程中的智能监控系统及其方法

Similar Documents

Publication Publication Date Title
CN112131383B (zh) 特定目标的情感极性分类方法
CN115235612B (zh) 伺服电机的故障智能诊断系统及其诊断方法
CN115099684B (zh) 企业安全生产管理系统及其管理方法
CN115796173A (zh) 针对监管报送需求的数据处理方法和系统
CN114782882B (zh) 基于多模态特征融合的视频目标行为异常检测方法和系统
CN115759658B (zh) 适用于智慧城市的企业能耗数据管理系统
CN114821169B (zh) 微服务架构下的方法级无侵入调用链路追踪方法
CN110719289B (zh) 一种基于多层特征融合神经网络的工控网络入侵检测方法
CN117124138A (zh) 模具零件自动化加工系统及方法
CN115410064A (zh) 智能制造下的设备状态监测系统及其监测方法
CN115147655A (zh) 油气集输监控系统及其方法
CN113111543B (zh) 物联网服务系统
CN115410069A (zh) 基于多重注意力机制的故障检测方法及其系统
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断系统及其方法
CN117079031A (zh) 铁氟龙线路板钻孔加工系统及其方法
CN116127019B (zh) 动态参数与可视化模型生成web 2d自动建模引擎系统
CN114580520A (zh) 电力系统二次设备的监测系统及其监测方法
CN114881083A (zh) 监测系统的故障诊断方法、系统和电子设备
CN115409018A (zh) 基于大数据的公司舆情监测系统及其方法
CN115205788A (zh) 食材质量监控系统
CN115453976A (zh) 设备状态监测方法及其系统
CN116821745B (zh) 智能线切割慢走丝设备的控制方法及其系统
CN112800217A (zh) 基于向量关联性矩阵的政务事务处理报告的智能评估方法
CN111309770B (zh) 一种基于无监督机器学习的自动生成规则系统及方法
CN112960213A (zh) 使用特征概率分布表示的智能包装质量检测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20221129