CN115509178A - 数字孪生驱动的刀具磨损监测方法及数控机床设备 - Google Patents

Abstract

本发明公开了一种数字孪生驱动的刀具磨损监测方法及数控机床设备，该方法包括：构建数控机床铣削加工过程数字空间，进行实时的铣削加工仿真；建立物理空间与数字空间的连接，获取来自物理空间的多源异构数据；对传感器采集的历史加工数据进行预处理；构建基于卷积神经网络‑长短时记忆的深度学习模型，导入预处理过的历史加工数据进行模型训练，获得优化后的刀具磨损监测模型；将来自传感器的实时加工数据输入到刀具磨损监测模型，得到刀具磨损的监测值，并实现三维可视化；刀具磨损的监测值超过刀具磨损值阈值一定时间后控制机床换刀。本发明可以显著提升对铣削加工过程中刀具磨损状态分析的能力，有效提高刀具使用率、加工效率和加工质量。

Description

数字孪生驱动的刀具磨损监测方法及数控机床设备

技术领域

本发明属于智能制造技术领域，具体涉及一种数字孪生驱动的刀具磨损监测方法及数控机床设备。

背景技术

随着飞速发展的信息技术与传统制造业的全面融合，世界各国纷纷出台了各自的先进制造发展战略，借助新一代信息技术，实现制造的物理世界和信息世界的互联互通、智能化操作，进而实现智能制造。智能制造的核心问题之一就是数字孪生，数字孪生以设备、生产线等物理实体的数字模型为基础，融合采集到的物理单元实时数据，并使用数字模型仿真现实世界中物理实体的行为，在信息世界中重建现实世界的所有要素，形成数字孪生体。

刀具作为数控机床的关键基础部件，是切削加工的执行末端，是保证加工质量、提高生产效率、降低生产能耗与时间成本的关键因素之一，也是最易损伤和浪费最严重的部件，刀具磨损或破损会造成加工工件质量下降，甚至致使整个生产系统瘫痪，造成生产事故。刀具磨损状态监测方法研究在制造过程监测方法的发展、切削工艺的优化、智能制造理论的丰富与完善方面有着重要的理论价值，该技术不仅符合工程实际的迫切需求，同时也在制造过程状态监测技术领域占据有主要位置。

目前大多数的刀具磨损状态监测方法仅仅可以实现对机床加工过程的信号采集与分析处理，但只有数据处理的过程，仅限于显示二维，特别是缺少与物理空间的交互，因此很难更加全面地分析刀具磨损的情况，而三维显示交互界面的添加可以带来更全面的信息。将现有的刀具磨损监测方法与新兴的数字孪生技术相结合，或许可以为全面管控高档数控机床刀具加工状态提供一种新途径、新思路。

发明内容

本发明的目的在于，提供一种数字孪生驱动的刀具磨损监测方法及数控机床设备，对数控机床铣削加工过程中的刀具磨损状态进行监测和预测，实现刀具磨损状态的三维可视化监控。

为实现上述目的，本发明提供了如下技术方案：

一种数字孪生驱动的刀具磨损监测方法，包括：

(1)构建数控机床铣削加工过程数字空间；数字孪生数字空间的搭建主要包括四部分，分别为三维建模、场景搭建、行为逻辑模型构建和人机交互。

(2)建立物理空间与数字空间的连接，获取来自物理空间的静态信息和动态信息，具体包括：连接需要建立物理机床与虚拟机床之间的TCP/IP网络层通讯连接；静态信息包括机床属性数据、刀具属性数据、工件属性数据和工艺属性数据四部分；动态信息由机床状态数据和机床外接传感器数据组成。

(3)对传感器采集的历史加工数据进行数据截取、小波降噪和数据切片等预处理，具体包括：历史加工数据包括三向切削力、三向加速度和声发射三种信号、七个通道的数据，采样频率为50kHz，每个数据样本均有约20万个采样点；数据预处理包括数据截取、小波降噪和数据切片。

(4)根据处理后的数据，建立刀具磨损监测模型，具体包括：构建基于卷积神经网络-长短时记忆(CNN-LSTM)的深度学习模型，调整模型训练阶段的神经网络参数设置，导入预处理过的历史加工数据进行模型训练，获得优化后的刀具磨损监测模型。

(5)将来自传感器的实时加工数据输入刀具磨损监测模型中，得到刀具磨损的监测值，超过刀具磨损值阈值一定时间后可以控制机床停机或自动换刀，具体包括：刀具磨损的监测值是由刀具磨损监测模型得到的，并在Unity3D中实现三维可视化效果。

可选的，数字空间，具体包括：

三维建模：在工业建模软件中按照尺寸比例绘制三维模型并导出STL格式文件，将此文件导入3D建模渲染软件中进行渲染，并在该软件中对模型进行减面优化处理，最后将渲染后的模型以FBX的格式保存；

场景搭建：将上述优化后的模型导入至三维可视化平台Unity3D软件中，为场景中机床模型添加相应材质球，设置粒子特效模拟切屑的生成。对于辅细节呈现要求不高的模型，利用Unity3D中的贴图和GameObject组件创建。设计简洁美观的UGUI界面，使用C#语言编写实现系统功能的程序脚本；

行为逻辑模型构建：完成上述场景搭建后，想要实现虚实交互的功能还需要构建行为逻辑模型，赋予数字空间的虚拟模型运动的具体行为和逻辑关系。根据外部传感器以及机床通讯协议实时采集的数据、关联模型绑定的变量和所预设的行为动作，对数据驱动的数控机床进行铣削加工仿真，构建模型树结构之间的父子关系，进一步完善机床数字空间搭建的内容；

人机交互：设计登录界面保障所述的系统的安全性，主要提供了场景漫游模式、VR交互模式、AR交互模式、离线模拟模式和孪生交互模式等模式实现多维度人机交互方式。

可选的，建立物理空间与数字空间的连接，具体包括：

在数控系统中注册OPC UA服务器，这是实现数据在应用层的传输的基础，也是实现远程访问应用程序的前提条件；

物理机床与虚拟机床通过Socket接口建立TCP/IP的网络层通讯连接；

利用API建立CNC内核和应用程序之间的连接访问，API是由众多COM对象组成，这些对象可以导出与CNC内核通信的函数，CNC的所有变量都可以基于OPC UA传输协议通过API连接到任何接口而进行访问；

物理机床与虚拟机床建立通讯后，通过数控系统访问OPC UA服务器获取机床主轴位置坐标等机床运行状态信息，数字空间接收来自物理空间的多源异构数据并存入MySQL数据库。

可选的，获取来自物理空间的静态信息，具体包括：

静态信息包括机床属性数据、刀具属性数据、工件属性数据和工艺属性数据四部分，机床属性数据包括设备型号和系统型号，刀具属性数据包括刀具名称、刀具材料、刀具参数，工件属性数据包括工件名称、工件材料、工件尺寸，工艺属性数据包括装夹方式和加工参数；其中，加工参数包括切削速度、进给速度、背吃刀量。

可选的，对传感器采集的历史加工数据进行数据截取、小波降噪和数据切片等预处理，具体包括：

截取原始数据中间稳定部分的10万个连续采样点；

对截取的数据片段使用阈值降噪法进行小波降噪滤波，小波基函数为“db5”，分解层数为5层，阈值选择软阈值；

利用窗口滑动函数顺序无重叠分组，并取每一段的均值，为了兼顾计算速度和数据还原度，这里设置窗口数为1000，得到(1000，7)的数据矩阵输入监测模型。

可选的，刀具磨损监测模型，具体包括：

构建基于一维卷积神经网络的深度学习模型，调整模型训练阶段的神经网络参数设置，导入预处理过的历史加工数据进行模型训练，获得优化后的刀具磨损监测模型；

其中，深度学习模型由三层卷积网络结构、两层长短时记忆网络和两层全连接层构成：第一层卷积核的大小为5，卷积核的数量为16，步长为2；后两层卷积核的大小均为3，卷积核的数量分别为32和64，步长为2；每层卷积层之间均采用最大池化层实现降维；两层长短时记忆网络隐藏层的神经元个数分别为50和100；两个全连接层的神经元个数分别为50和1；激活函数为ReLU函数；在LSTM层和全连接层之间加入保留概率为0.5的Dropout层以避免过拟合。模型训练阶段的神经网络参数设置如下：采用Adam梯度下降优化算法，训练迭代次数设为100次，初始学习率为0.001。

可选的，刀具磨损的监测值，具体包括：

根据构建的刀具磨损监测模型，将传感器采集的实时加工数据导入该模型后，得到当前的刀具磨损监测值，并给出刀具磨损监测值的趋势曲线。

可选的，控制机床自动换刀，具体包括：

得到刀具磨损监测值后，与刀具磨损值阈值相比较，若刀具磨损监测值小于等于刀具磨损值阈值，则不发出警告；若刀具磨损监测值大于刀具磨损值阈值并稳定维持一定时间以上，则弹出警示窗口并触发警示音效，操作人员可以通过警示窗口执行停机或自动换刀指令。

本发明还提供一种数控机床设备，该设备采用上述的数字孪生驱动的刀具磨损监测方法。

本发明与现有技术相比，具有以下优点及有益效果：

目前大多数的刀具磨损状态监测方法仅仅可以实现对机床加工过程的信号采集与分析处理，但只有数据处理的过程，很难更加全面地分析刀具磨损的情况。本发明通过建立铣削加工物理空间的数字空间，构造数控机床铣削加工的数字孪生系统，可以进行实时的铣削加工仿真；将物理空间采集的传感器数据输入到数字空间的神经网络模型中，得到当前刀具磨损的监测值，并在三维可视化界面中动态显示。

相比传统方法，数字孪生技术与卷积神经网络预测算法相结合，充分发挥数字孪生的虚实结合、虚实交互的优势，以及卷积神经网络利用传感器数据进行预测分析的优势。因此，本发明可以显著提升对铣削加工过程中刀具磨损状态分析的能力，有效提高刀具使用率、加工效率和加工质量。

附图说明

图1为本发明实施例中铣削加工的刀具磨损监测方法的流程图；

图2为本发明实施例中机床数字空间构建的流程图；

图3为本发明实施例中的通讯连接图；

图4为本发明实施例中的数据分类图；

图5为本发明实施例中的数据预处理的流程图；

图6为本发明实施例中的模型精度验证图；

图7为本发明实施例中数字孪生驱动的刀具磨损监测系统运转的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明的目的是提供一种数字孪生驱动的刀具磨损监测方法，能够实时监测铣削加工的刀具磨损值，利用数字孪生技术对铣削加工过程中采集的传感器数据进行分析，提高工件加工质量以及机床加工效率。

图1为本发明实施例中铣削加工的刀具磨损监测方法流程图，包括：

步骤1：构建数控机床铣削加工过程数字空间中的虚拟模型；

步骤2：获取来自物理空间的静态信息和动态信息，虚拟模型映射加工过程；

步骤3：对传感器采集的历史加工数据进行数据截取、小波降噪和数据切片等预处理；

步骤4：根据处理后的数据，建立刀具磨损监测模型；

步骤5：将来自传感器的实时加工数据输入刀具磨损监测模型中，得到刀具磨损的监测值，超过刀具磨损值阈值一定时间后可以控制机床自动换刀。

图2为本发明实施例中机床数字空间的构建流程图。如图2所示，本发明中数字空间的构建流程主要包括四部分，分别为三维建模、场景搭建、行为逻辑模型构建和人机交互，具体包括：

三维建模：首先要实地测量设备尺寸并记录外形特征，对设备整体及局部特征拍摄高质量图片。随后在工业建模软件中按照尺寸比例绘制三维模型并导出STL格式文件，将此文件导入3D建模渲染软件中进行渲染，并在该软件中对模型进行减面优化处理，最后将渲染后的模型以FBX的格式保存；

场景搭建：将上述优化后的模型导入至三维可视化平台Unity3D软件中，为场景中机床模型环境添加金属、玻璃、木质等相应材质球，并根据前期拍摄的高清照片调整其颜色与物理空间相符，设置粒子特效模拟切屑的生成。对于辅助设施、地板、围墙等一些细节呈现要求不高的模型，利用Unity3D中的贴图和GameObject组件进行创建。设计简洁美观的UGUI交互界面，使用C#语言编写实现系统功能的程序脚本；

行为逻辑模型构建：完成上述场景搭建后，想要实现虚实交互的功能还需要构建行为逻辑模型，赋予数字空间的虚拟模型运动的具体行为和逻辑关系。根据外部传感器以及机床通讯协议实时采集的数据、关联模型绑定的变量和所预设的行为动作，对数据驱动的数控机床进行铣削加工仿真。模型树的结构之间存在一定的父子关系，可以使用C#语言编写SetParent()函数建立两模型间的父子关系，例如刀具、刀柄、主轴的父子关系在换刀阶段有变化。机床模型的运动包括移动和旋转两类，使用Translate()函数和Rotate()函数实现主轴进给、主轴旋转等功能，通过规定主轴的移动限位、旋转速度调节、进给速度调节等规则，进一步完善机床数字空间搭建的内容；

人机交互：在登录界面输入用户的账号、密码进入系统主界面，移动鼠标点击按钮开启相应的功能。在场景漫游模式下，点击“W”、“A”、“S”、“D”键盘按键控制窗口内画面的移动，鼠标滚轮控制窗口内画面的缩放，鼠标右键控制窗口内画面的旋转。在VR交互模式下，利用VR手柄、VR头盔、追踪器和手套动作捕捉等设备实现虚拟场景中的机床加工与装配操作。在AR交互模式下，借助手机或平板设备的摄像头识别机床、刀具、工件等部件，在屏幕中显示这些部件的状态信息和铣削加工的预警信息。

图3为本发明实施例中的通讯连接图。如图3所示，本发明中所建立的物理空间与数字空间的连接，具体包括：

在数控系统中注册OPC UA服务器，这是实现数据在应用层的传输的基础，也是实现远程访问应用程序的前提条件；

物理机床与虚拟机床通过Socket接口建立TCP/IP的网络层通讯连接；

利用API建立CNC内核和应用程序之间的连接访问，API是由众多COM对象组成，这些对象可以导出与CNC内核通信的函数，CNC的所有变量都可以基于OPC UA传输协议通过API连接到任何接口而进行访问；

物理机床与虚拟机床建立通讯后，通过数控系统访问OPC UA服务器获取机床主轴位置坐标等机床运行状态信息，数字空间接收来自物理空间的多源异构数据并存入MySQL数据库。

图4为本发明实施例中的数据分类图。如图4所示，本发明中所用到的多源异构数据分类图，包括静态信息、动态信息和预测信息，具体包括：

静态信息：包括机床属性数据、刀具属性数据、工件属性数据和工艺属性数据四部分，这类信息在机床加工运行过程中是固定不变的，在加工前的准备阶段完成静态信息的录入及管理；

动态信息：由机床状态数据和机床外接传感器数据组成，但基于传感器、数控机床通信模块以及人工采集等多种方式采集加工现场数据会产生空值、重复等错误，因此还需要以尽量减少原始信息损失为原则对数据进行过滤和清洗处理。这类信息会随着工件加工的进行发生变化，同时也会反映实时加工状态以及设备运行状态，而且对数据的准确性和实时性要求更高；

预测信息：由机床状态预测和刀具状态预测构成，以刀具磨损的预测为主体，通过对多传感器采集数据的分析获得预测信息，进一步提高用户对多源异构数据的预测和决策的能力；

静态、动态、预测信息集成构造为孪生系统多源异构数据集成模型，将数据划分为数值型、布尔型和字符串型，并根据类别上传至云端数据库。

图5为本发明实施例中的边缘端数据预处理的流程图。如图5所示，将在边缘端由多传感器采集的加工数据进行数据截取、小波降噪和数据切片等预处理，具体包括：

为了减少输入刀具磨损监测模型的数据量，降低传感器信号的传输时延，提高该系统运行的实时性，在边缘端对采集的信号进行相关预处理如下：

数据截取：由于原始信号均有20万以上的数据量，在数据的两端包含刀具切入、切出的无效数据，将其全部输入刀具磨损监测模型，既会影响模型精度也会影响计算处理速度，故截取原始数据中间稳定部分的10万个连续采样点；

小波降噪：对截取的数据片段使用阈值降噪法进行小波降噪滤波，小波基函数为“db5”，分解层数为5层，阈值选择软阈值；

数据切片：利用窗口滑动函数顺序无重叠分组，并取每一段的均值，为了兼顾计算速度和数据还原度，这里设置窗口数为1000，得到(1000,7)的数据矩阵输入刀具磨损监测模型。

步骤4，为本发明实施例中的刀具磨损监测模型的搭建过程，具体包括：

构建基于一维卷积神经网络的深度学习模型，调整模型训练阶段的神经网络参数设置，导入预处理过的历史加工数据进行模型训练，获得优化后的刀具磨损监测模型；

其中，所述的深度学习模型由三层卷积网络结构、两层长短时记忆网络和两层全连接层构成：第一层卷积核的大小为5，卷积核的数量为16，步长为2；后两层卷积核的大小均为3，卷积核的数量分别为32和64，步长为2；每层卷积层之间均采用最大池化层实现降维；两层长短时记忆网络隐藏层的神经元个数分别为50和100；两个全连接层的神经元个数分别为50和1；激活函数为ReLU函数；在LSTM层和全连接层之间加入保留概率为0.5的Dropout层以避免过拟合。

其中，所述的模型训练阶段的神经网络参数设置如下：采用Adam梯度下降优化算法，训练迭代次数设为100次，初始学习率为0.001。

图6为本发明实施例中的模型精度验证图。如图6所示，将传感器采集的实时加工数据导入上述搭建的刀具磨损监测模型，并验证模型的监测精度，具体包括：

图6横轴表示刀具的走刀次数，纵轴表示刀具的磨损量，横轴上方的柱状图表示磨损监测值与实际值误差的绝对值，该模型测试的均方根误差(RMSE)为4.6914，说明该刀具磨损监测模型能够有效准确的拟合当前刀具实际磨损量。

图7为本发明实施例中数字孪生驱动的刀具磨损监测系统运转的流程图。如图7所示，将来自传感器的实时加工数据输入刀具磨损监测模型中，得到刀具磨损的监测值，完成对刀具磨损的监测、可视化以及报警处理的流程，具体包括：

将来自传感器的实时加工数据输入边缘端进行数据截取、小波降噪和数据切片等预处理，同时利用历史加工数据搭建并训练模型，经过处理的数据输入基于深度学习的刀具磨损监测模型中，模型输出后进行模型精度对比评估，如果误差过大，将会根据物理空间的经验反馈在更新模型参数后继续训练直至满足误差要求。最终该模型会输出刀具磨损的预测值，并给出刀具磨损值的趋势曲线，完成对刀具磨损的监测、可视化以及报警处理的流程。其中，刀具磨损监测值会实时上传至MySQL数据库，并通过SQL语句与Unity3D搭建的数字空间进行对接，同时物理空间在数字空间中实时映射，共同实现刀具磨损监测的可视化动态映射。

得到刀具磨损监测值后，与设定的刀具磨损值阈值(一般铣削精加工的阈值设定为0.2mm)相比较，若刀具磨损监测值小于等于刀具磨损值阈值，则不发出警告，继续进行加工任务；若刀具磨损监测值大于刀具磨损值阈值并稳定维持一定时间以上(例如20秒)，则弹出警示窗口并触发警示音效，用于提示操作人员观察机床加工情况，以便确认如何调整主轴倍率以及是否需要更换刀具，此时操作人员可以通过警示窗口简单的点击相应按钮便可以执行停机或自动换刀指令，该过程实现了数字空间对物理空间的反向控制。

本实施例通过建立铣削加工物理空间的数字空间，构造数控机床铣削加工的数字孪生系统，可以进行实时的铣削加工仿真。将物理空间采集的传感器数据输入到数字空间的神经网络模型中，得到当前刀具磨损的监测值，将刀具磨损的监测值与磨损阈值比较，超过阈值后可以及时提示操作人员并控制机床停机或自动换刀，在三维可视化界面中动态显示。

本发明还提供一种数控机床设备，该设备采用上述的数字孪生驱动的刀具磨损监测方法。

综上所述，本发明提供了一种在数控机床加工过程中对刀具状态进行监测与预警的方法及采用该方法的数控机床设备，能够基于历史与实时加工数据在线管控刀具状态，并及时传递换刀预警信息，提高刀具使用率以及机床加工效率，实现了对刀具磨损状态的三维可视化监控。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种数字孪生驱动的刀具磨损监测方法，其特征在于，该方法包括以下步骤：

(1)构建数控机床铣削加工过程数字空间，进行实时的铣削加工仿真；

(2)建立物理空间与数字空间的连接，获取来自物理空间的多源异构数据；多源异构数据包括静态信息和动态信息；

(3)对传感器采集的历史加工数据进行预处理；历史加工数据包括三向切削力、三向加速度、声发射信号；

(4)构建基于卷积神经网络-长短时记忆的深度学习模型，导入预处理过的历史加工数据进行模型训练，获得优化后的刀具磨损监测模型；

(5)将来自传感器的实时加工数据输入到刀具磨损监测模型，得到刀具磨损的监测值，并实现三维可视化；刀具磨损的监测值超过刀具磨损值阈值一定时间后控制机床换刀。

2.根据权利要求1所述的数字孪生驱动的刀具磨损监测方法，其特征在于，数字空间构建包括：

三维建模：在工业建模软件中，根据实际数控机床建立数字空间内的三维模型，并在3D建模渲染软件中优化该模型；

场景搭建：将优化后的模型导入至三维可视化软件中，进行场景搭建；

行为逻辑模型构建：完成场景搭建后，赋予数字空间的虚拟模型运动的具体行为和逻辑关系；根据外部传感器以及机床通讯协议实时采集的数据、关联模型绑定的变量和所预设的行为动作，对数据驱动的数控机床进行铣削加工仿真，构建模型树结构之间的父子关系，完善机床数字空间搭建；

人机交互：提供多种模式实现多维度的人机交互，实现刀具磨损状态的三维可视化监控；模式包括场景漫游模式、VR交互模式和AR交互模式。

3.根据权利要求1所述的数字孪生驱动的刀具磨损监测方法，其特征在于，建立物理空间与数字空间的连接包括：

在数控系统中注册OPC UA服务器；

物理机床与虚拟机床通过Socket接口建立TCP/IP的网络层通讯连接；

利用API建立CNC内核和应用程序之间的连接访问；

物理机床与虚拟机床建立通讯后，通过数控系统访问OPC UA服务器获取机床运行状态信息，数字空间接收来自物理空间的多源异构数据并存入MySQL数据库。

4.根据权利要求3所述的数字孪生驱动的刀具磨损监测方法，其特征在于，刀具磨损的监测值实时上传至MySQL数据库，并通过SQL语句与Unity3D搭建的数字空间进行对接，同时物理空间在数字空间中实时映射，共同实现刀具磨损监测的可视化动态映射。

5.根据权利要求1所述的数字孪生驱动的刀具磨损监测方法，其特征在于，静态信息包括机床属性数据、刀具属性数据、工件属性数据和工艺属性数据；其中，机床属性数据包括设备型号和系统型号，刀具属性数据包括刀具名称、刀具材料和刀具参数，工件属性数据包括工件名称、工件材料和工件尺寸，工艺属性数据包括装夹方式和加工参数；加工参数包括切削速度、进给速度和背吃刀量；

动态信息包括机床状态数据和机床外接传感器数据。

6.根据权利要求1所述的数字孪生驱动的刀具磨损监测方法，其特征在于，预处理包括数据截取、小波降噪和数据切片。

7.根据权利要求1所述的数字孪生驱动的刀具磨损监测方法，其特征在于，深度学习模型由三层卷积网络结构、两层长短时记忆网络和两层全连接层构成；第一层卷积核的大小为5，卷积核的数量为16，步长为2；后两层卷积核的大小均为3，卷积核的数量分别为32和64，步长为2；每层卷积层之间均采用最大池化层实现降维；两层长短时记忆网络隐藏层的神经元个数分别为50和100；两层全连接层的神经元个数分别为50和1；激活函数为ReLU函数；在长短时记忆网络和全连接层之间加入保留概率为0.5的Dropout层以避免过拟合；

刀具磨损监测模型根据实时加工数据得到当前的刀具磨损的监测值，并给出刀具磨损监测值的趋势曲线。

8.根据权利要求1所述的数字孪生驱动的刀具磨损监测方法，其特征在于，刀具磨损的监测值超过刀具磨损值阈值一定时间后控制机床换刀包括：

得到刀具磨损的监测值后，与刀具磨损值阈值相比较，若刀具磨损的监测值小于等于刀具磨损值阈值，则不发出警告；

若刀具磨损的监测值大于刀具磨损值阈值并稳定维持一定时间，则弹出警示窗口并触发警示音效，操作人员通过警示窗口执行停机或换刀指令，实现数字空间对物理空间的反向控制。

9.一种数控机床设备，其特征在于：该设备采用权利要求1～8中任意一项所述的数字孪生驱动的刀具磨损监测方法。

Images