CN115741475A - 五金件的抛光装置及其抛光方法 - Google Patents
五金件的抛光装置及其抛光方法 Download PDFInfo
- Publication number
- CN115741475A CN115741475A CN202211346346.8A CN202211346346A CN115741475A CN 115741475 A CN115741475 A CN 115741475A CN 202211346346 A CN202211346346 A CN 202211346346A CN 115741475 A CN115741475 A CN 115741475A
- Authority
- CN
- China
- Prior art keywords
- feature
- matrix
- classification
- polishing
- characteristic
- 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- Withdrawn
Links
- 238000005498 polishing Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title abstract description 23
- 230000005236 sound signal Effects 0.000 claims abstract description 67
- 238000007517 polishing process Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 242
- 239000013598 vector Substances 0.000 claims description 143
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000004043 responsiveness Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请涉及五金件抛光技术领域，其具体地公开了一种五金件的抛光装置及其抛光方法，其利用智能检测技术并基于所述抛光设备在抛磨过程中所产生的工作电流信号和声音信号来以进行抛磨头性能检测，从而在检测到抛磨头性能无法满足预定要求后能够及时地被更换，以保证抛磨设备的正常工作。
Description
技术领域
本申请涉及五金件抛光技术领域，且更为具体地，涉及一种五金件的抛光装置及其抛光方法。
背景技术
五金制品加工时，为了保证表面触摸的手感，需要进行打磨抛光，由于每天加工的五金制品数量较大，导致抛光设备的磨损也非常严重，当抛磨头磨损到一定程度后（这个程度一般肉眼不可知），就需要更换，严重影响工作效率，而如果不及时更换会影响五金制品的加工质量。
因此，期待一种五金工具的抛磨设备，其能够基于对其所使用的抛磨头进行性能自查，也就是，基于抛磨过程中所产生的数据进行分析以产生更换抛磨头的提示。
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五金件的抛光装置及其抛光方法，其利用智能检测技术并基于所述抛光设备在抛磨过程中所产生的工作电流信号和声音信号来以进行抛磨头性能检测，从而在检测到抛磨头性能无法满足预定要求后能够及时地被更换，以保证抛磨设备的正常工作。
根据本申请的一个方面，提供了一种五金件的抛光装置，其包括：抛光过程监控模块，用于获取抛光设备在抛磨过程中的工作电流信号和声音信号；频域统计特征提取模块，用于基于傅里叶变换从所述工作电流信号和所述声音信号提取预定数量的多个电流频域特征和多个声音频域特征；频域特征关联模块，用于将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量后，计算所述第一输入向量与所述第二输入向量的转置向量之间的乘积以得到频域关联矩阵；频域关联特征提取模块，用于将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络以得到第一特征矩阵；波信号编码模块，用于将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络以得到电流波形特征向量和声音波形特征向量；波形特征关联编码模块，用于对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵；特征分布融合模块，用于融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵；特征分布校正模块，用于基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及自检结果生成模块，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需更换抛磨头。
根据本申请的另一方面，提供了一种五金件的抛光方法，其包括：获取抛光设备在抛磨过程中的工作电流信号和声音信号；基于傅里叶变换从所述工作电流信号和所述声音信号提取预定数量的多个电流频域特征和多个声音频域特征；将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量后，计算所述第一输入向量与所述第二输入向量的转置向量之间的乘积以得到频域关联矩阵；将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络以得到第一特征矩阵；将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络以得到电流波形特征向量和声音波形特征向量；对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵；融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵；基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需更换抛磨头。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的五金件的抛光方法。
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五金件的抛光方法。
与现有技术相比，本申请提供的一种五金件的抛光装置及其抛光方法，其利用智能检测技术并基于所述抛光设备在抛磨过程中所产生的工作电流信号和声音信号来以进行抛磨头性能检测，从而在检测到抛磨头性能无法满足预定要求后能够及时地被更换，以保证抛磨设备的正常工作。
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图示了根据本申请实施例的五金件的抛光装置及其抛光方法的应用场景图。
图2图示了根据本申请实施例的五金件的抛光装置的框图示意图。
图3图示了根据本申请实施例的五金件的抛光装置中自检结果生成模块的框图。
图4图示了根据本申请实施例的五金件的抛光方法的流程图。
图5图示了根据本申请实施例的五金件的抛光方法的系统架构的示意图。
图6图示了根据本申请实施例的五金件的抛光装置方法中，将所述校正后分类特征矩阵通过分类器以得到分类结果的流程图。
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：
如上所述，五金制品加工时，为了保证表面触摸的手感，需要进行打磨抛光，由于每天加工的五金制品数量较大，导致抛光设备的磨损也非常严重，当抛磨头磨损到一定程度后（这个程度一般肉眼不可知），就需要更换，严重影响工作效率，而如果不及时更换会影响五金制品的加工质量。
因此，期待一种五金工具的抛磨设备，其能够基于对其所使用的抛磨头进行性能自查，也就是，基于抛磨过程中所产生的数据进行分析以产生更换抛磨头的提示。
应可以理解，考虑到抛磨设备在抛磨的过程中，如果遇到阻力大的抛磨之处，因受到的阻力增大，其产生的噪声会增大，同时，工作电流也会增大，反之亦然。也就是，在抛磨设备的工作过程中，工作电流信号与声音信号之间存在协同性，因此，可基于对两者的特征分析来进行抛磨头的性能预警。这本质上也是一个分类问题，具体地，在本申请的技术方案中，使用基于深度学习的人工智能检测技术，通过对于抛光设备在抛磨过程中的工作电流信号和声音信号分别在时域和频域上的隐含关联特征融合来综合进行抛磨头的性能检测，从而对于是否需更换抛磨头进行分类判断。这样，基于抛磨设备在工作过程中产生的多源异质数据来进行分类，能够提高对于所述抛磨头性能检测的精准度，进而保证抛磨设备的正常工作，以提高五金制品的加工质量。
具体地，在本申请的技术方案中，首先，通过各个传感器获取抛光设备在抛磨过程中的工作电流信号和声音信号。接着，为了能够对于所述抛光设备在抛磨过程中的工作电流信号和声音信号进行频域特征分析以结合频域和时域的隐含特征来进行抛磨头的性能检测，需要将所述工作电流信号和所述声音信号进行基于傅里叶变换来提取预定数量的多个电流频域特征和多个声音频域特征。
进一步地，为了构建所述电流信号的频域特征和所述声音信号的频域特征之间的关联性特征，在将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量以整合所述各个电流频域特征信息和所述各个声音频域特征信息后，计算所述第一输入向量与所述第二输入向量的转置向量之间的乘积以得到频域关联矩阵。然后，再将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络中进行隐含的深层关联特征挖掘，以提取出所述频域关联矩阵中各个位置的隐含关联特征信息，也就是，挖掘出所述电流信号和所述声音信号的频域特征之间的隐藏关联性特征，从而得到第一特征矩阵。
接着，对于所述工作电流信号和所述声音信号在时域中的隐藏特征信息提取，需要将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络中进行处理，以分别提取出所述工作电流信号的波形图和所述声音信号的波形图中的局部隐含特征在高维空间中的特征分布信息，从而得到电流波形特征向量和声音波形特征向量。
然后，由于所述工作电流信号和所述声音信号在高维特征空间中的特征尺度不同，并且抛磨设备在抛磨的过程中，如果遇到阻力大的抛磨之处，因受到的阻力增大，其产生的噪声会增大，同时，工作电流也会增大，反之依然，也就是，在工作过程中，所述工作电流信号与所述声音信号之间存在协同性。因此，为了能够更好地融合所述工作电流信号和所述声音信号的特征关联信息来进行抛磨头的性能预警，在本申请的技术方案中，进一步计算所述声音波形特征向量相对于所述电流波形特征向量的响应性估计，以对所述电流波形特征向量和所述声音波形特征向量进行关联编码来得到所述第二特征矩阵。
进一步地，融合所述第一特征矩阵和所述第二特征矩阵，以融合所述工作电流信号和所述声音信号在时域上的特征关联信息和在频域上的特征关联信息来进行分类处理，以得到用于表示是否需更换抛磨头的分类结果。这样，能够基于抛磨设备在工作过程中产生的多源异质数据来进行分类判断，进而提高对于所述抛磨头性能检测的精准度。
特别地，在本申请的技术方案中，这里，无论是所述第一特征矩阵还是所述第二特征矩阵，都是通过计算向量之间的按位置关联而得到的，这就使得所述第一特征矩阵和所述第二特征矩阵的各个位置的特征值具有了位置属性。相应地，在融合所述第一特征矩阵和所述第二特征矩阵获得的分类特征矩阵中，其各个位置的特征值也具有对应的位置属性。
但是，在对所述分类特征矩阵进行分类的过程中，由于分类器进行的是无位置属性的实值分类任务，这就导致了位置信息的忽略，从而可能引起分类归纳的偏差。
基于此，优选地对于所述分类特征矩阵进行相位感知的矩阵按位置聚合，具体为：
其中，
表示所述分类特征矩阵，
表示所述分类特征矩阵的所有位置的特征值的全局均值的倒数，
表示按位置点乘，且
表示校正后分类特征矩阵。
具体地，由于矩阵的相位感知的表征引入了幅值-相位的类实值-虚值表征，通过基于欧拉公式的原理将矩阵进行实值矩阵的按位置拼接展开，来进行相位感知的矩阵按位置聚合，这样就以多层感知的形式补偿了对所述分类特征矩阵
进行无位置属性的实值分类任务时可能导致的分类归纳偏差，提升了所述分类特征矩阵
的分类准确性。这样，能够对于所述抛磨头的性能进行准确地检测，继而及时有效地更换抛磨头，进而保证抛磨设备的正常工作，提高五金制品的加工质量。
基于此，本申请提供了一种五金件的抛光装置，其包括：抛光过程监控模块，用于获取抛光设备在抛磨过程中的工作电流信号和声音信号；频域统计特征提取模块，用于基于傅里叶变换从所述工作电流信号和所述声音信号提取预定数量的多个电流频域特征和多个声音频域特征；频域特征关联模块，用于将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量后，计算所述第一输入向量与所述第二输入向量的转置向量之间的乘积以得到频域关联矩阵；频域关联特征提取模块，用于将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络以得到第一特征矩阵；波信号编码模块，用于将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络以得到电流波形特征向量和声音波形特征向量；波形特征关联编码模块，用于对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵；特征分布融合模块，用于融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵；特征分布校正模块，用于基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及，自检结果生成模块，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需更换抛磨头。
图1图示了根据本申请实施例的五金件的抛光装置及其抛光方法的应用场景图。如图1所示，在该应用场景中，通过部署在抛光设备（例如，图1中所示意的P）的声音传感器（例如，图1中所示意的S1）和电流传感器（例如，图1中所示意的S2）采集所述抛光设备在抛磨过程中的工作电流信号和声音信号。也就是，然后，将采集的所述工作电流信号和所述声音信号输入至部署有五金件的抛光控制算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述五金件的抛光控制算法对所述工作电流信号和所述声音信号进行处理以生成用于表示是否需更换抛磨头的分类结果。
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五金件的抛光装置的框图示意图。如图2所示，根据本申请实施例的所述五金件的抛光装置100，包括：抛光过程监控模块110，用于获取抛光设备在抛磨过程中的工作电流信号和声音信号；频域统计特征提取模块120，用于基于傅里叶变换从所述工作电流信号和所述声音信号提取预定数量的多个电流频域特征和多个声音频域特征；频域特征关联模块130，用于将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量后，计算所述第一输入向量与所述第二输入向量的转置向量之间的乘积以得到频域关联矩阵；频域关联特征提取模块140，用于将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络以得到第一特征矩阵；波信号编码模块150，用于将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络以得到电流波形特征向量和声音波形特征向量；波形特征关联编码模块160，用于对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵；特征分布融合模块170，用于融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵；特征分布校正模块180，用于基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及，自检结果生成模块190，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需更换抛磨头。
在本申请实施例中，所述抛光过程监控模块110，用于获取抛光设备在抛磨过程中的工作电流信号和声音信号。如上所述，五金制品加工时，为了保证表面触摸的手感，需要进行打磨抛光，由于每天加工的五金制品数量较大，导致抛光设备的磨损也非常严重，当抛磨头磨损到一定程度后（这个程度一般肉眼不可知），就需要更换，严重影响工作效率，而如果不及时更换会影响五金制品的加工质量。
因此，期待一种五金工具的抛磨设备，其能够基于对其所使用的抛磨头进行性能自查，也就是，基于抛磨过程中所产生的数据进行分析以产生更换抛磨头的提示。
应可以理解，考虑到抛磨设备在抛磨的过程中，如果遇到阻力大的抛磨之处，因受到的阻力增大，其产生的噪声会增大，同时，工作电流也会增大，反之亦然。也就是，在抛磨设备的工作过程中，工作电流信号与声音信号之间存在协同性，因此，可基于对两者的特征分析来进行抛磨头的性能预警。这本质上也是一个分类问题，具体地，在本申请的技术方案中，使用基于深度学习的人工智能检测技术，通过对于抛光设备在抛磨过程中的工作电流信号和声音信号分别在时域和频域上的隐含关联特征融合来综合进行抛磨头的性能检测，从而对于是否需更换抛磨头进行分类判断。这样，基于抛磨设备在工作过程中产生的多源异质数据来进行分类，能够提高对于所述抛磨头性能检测的精准度，进而保证抛磨设备的正常工作，以提高五金制品的加工质量。
在本申请一个具体的实施例中，通过部署在抛光设备旁的声音传感器和电流传感器采集抛光设备在抛磨过程中的工作电流信号和声音信号。
在本申请实施例中，所述频域统计特征提取模块120，用于基于傅里叶变换从所述工作电流信号和所述声音信号提取预定数量的多个电流频域特征和多个声音频域特征。应可以理解，为了能够对于所述抛光设备在抛磨过程中的工作电流信号和声音信号进行频域特征分析以结合频域和时域的隐含特征来进行抛磨头的性能检测，需要将所述工作电流信号和所述声音信号进行基于傅里叶变换来提取预定数量的多个电流频域特征和多个声音频域特征。
在本申请实施例中，所述频域特征关联模块130，用于将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量后，计算所述第一输入向量与所述第二输入向量的转置向量之间的乘积以得到频域关联矩阵。应可以理解，考虑到在抛磨设备的工作过程中，工作电流信号与声音信号之间存在协同性，也就是抛磨设备在抛磨的过程中，如果遇到阻力大的抛磨之处，因受到的阻力增大，其产生的噪声会增大，同时，工作电流也会增大，反之亦然。因此，在本申请的技术方案中，通过将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量后，并将所述第一输入向量与所述第二输入向量的转置向量进行相乘，从而让所述电流频域信息在高维空间的特征表示和所述声音频域信息在高维空间的特征表示相互约束和调整，以得到包含有电流频域特征信息和声音频域特征信息的频域关联矩阵。
在本申请实施例中，所述频域关联特征提取模块140，用于将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络以得到第一特征矩阵。应可以理解，为了提取出所述频域关联矩阵中各个位置的隐含关联特征信息，因此，将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络中进行隐含的深层关联特征挖掘。也就是，挖掘出所述电流信号和所述声音信号的频域特征之间的隐藏关联性特征，从而得到第一特征矩阵。
具体的，在本申请的一个实施例中，所述频域关联特征提取模块140，进一步用于：所述第一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：基于二维卷积核对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，将所述池化特征图通过非线性激活函数以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征矩阵。
在本申请实施例中，所述波信号编码模块150，用于将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络以得到电流波形特征向量和声音波形特征向量。应可以理解，为了对所述工作电流信号和所述声音信号在时域中的隐藏特征信息提取，需要将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络中进行处理，以分别提取出所述工作电流信号的波形图和所述声音信号的波形图中的局部隐含特征在高维空间中的特征分布信息，从而得到电流波形特征向量和声音波形特征向量。
具体的，在本申请的一个实施例中，所述波信号编码模块150，进一步用于：所述第二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：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行均值池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述第二卷积神经网络的最后一层的输出分别为所述电流波形特征向量和所述声音波形特征向量，所述第二卷积神经网络的输入分别为所述工作电流信号的波形图和所述声音信号的波形图。
在本申请实施例中，所述波形特征关联编码模块160，用于对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵。应可以理解，考虑到所述工作电流信号和所述声音信号在高维特征空间中的特征尺度不同，并且抛磨设备在抛磨的过程中，如果遇到阻力大的抛磨之处，因受到的阻力增大，其产生的噪声会增大，同时，工作电流也会增大，反之依然，也就是，在工作过程中，所述工作电流信号与所述声音信号之间存在协同性。因此，为了能够更好地融合所述工作电流信号和所述声音信号的特征关联信息来进行抛磨头的性能预警，在本申请的技术方案中，进一步计算所述声音波形特征向量相对于所述电流波形特征向量的响应性估计，以对所述电流波形特征向量和所述声音波形特征向量进行关联编码来得到所述第二特征矩阵。
具体的，在本申请的一个实施例中，所述波形特征关联编码模块160，进一步用于计算所述声音波形特征向量相对于所述电流波形特征向量的响应性估计以得到所述第二特征矩阵。
具体的，在本申请的一个实施例中，所述波形特征关联编码模块160，进一步用于：以如下公式计算所述声音波形特征向量相对于所述电流波形特征向量的响应性估计以得到所述第二特征矩阵；其中，所述公式为：
= 
其中
表示所述声音波形特征向量，
表示所述电流波形特征向量，
表示矩阵乘法，
表示所述第二特征矩阵。
在本申请实施例中，所述特征分布融合模块170，用于融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵。也就是，融合所述第一特征矩阵和所述第二特征矩阵，以融合所述工作电流信号和所述声音信号在时域上的特征关联信息和在频域上的特征关联信息以得到包含有工作电流信号和声音信号分别在时域和频域上的隐含关联特征的分类特征矩阵。
具体的，在本申请的一个实施例中，所述特征分布融合模块170，进一步用于：以如下公式融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵；其中，所述公式为：
其中，
为所述分类特征矩阵，
为所述第一特征矩阵，
为所述第二特征矩阵，
和
为用于控制所述分类特征矩阵中所述第一特征矩阵和所述第二特征矩阵之间的平衡的加权参数，
表示矩阵的按位置加法。
特别地，在本申请的技术方案中，这里，无论是所述第一特征矩阵还是所述第二特征矩阵，都是通过计算向量之间的按位置关联而得到的，这就使得所述第一特征矩阵和所述第二特征矩阵的各个位置的特征值具有了位置属性。相应地，在融合所述第一特征矩阵和所述第二特征矩阵获得的分类特征矩阵中，其各个位置的特征值也具有对应的位置属性。
但是，在对所述分类特征矩阵进行分类的过程中，由于分类器进行的是无位置属性的实值分类任务，这就导致了位置信息的忽略，从而可能引起分类归纳的偏差。基于此，优选地对于所述分类特征矩阵进行相位感知的矩阵按位置聚合。
在本申请实施例中，所述特征分布校正模块180，用于基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵。
具体的，在本申请的一个实施例中，所述特征分布校正模块180，进一步用于：基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，以如下公式对所述分类特征矩阵进行特征分布校正以得到所述校正后分类特征矩阵；其中，所述公式为：
其中
表示所述分类特征矩阵，
表示所述分类特征矩阵的所有位置的特征值的全局均值的倒数，
表示按位置点乘，且
表示所述校正后分类特征矩阵。
具体地，由于矩阵的相位感知的表征引入了幅值-相位的类实值-虚值表征，通过基于欧拉公式的原理将矩阵进行实值矩阵的按位置拼接展开，来进行相位感知的矩阵按位置聚合，这样就以多层感知的形式补偿了对所述分类特征矩阵
进行无位置属性的实值分类任务时可能导致的分类归纳偏差，提升了所述分类特征矩阵
的分类准确性。这样，能够对于所述抛磨头的性能进行准确地检测，继而及时有效地更换抛磨头，进而保证抛磨设备的正常工作，提高五金制品的加工质量。
在本申请实施例中，所述自检结果生成模块190，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需更换抛磨头。也就是，将校正后的工作电流信号和声音信号分别在时域和频域上的隐含关联特征通过分类器来进行分类处理，以得到用于表示是否需更换抛磨头的分类结果。通过这样的方式，能够基于抛磨设备在工作过程中产生的多源异质数据来进行分类判断，进而提高对于所述抛磨头性能检测的精准度。
图3图示了根据本申请实施例的五金件的抛光装置中自检结果生成模块的框图。具体的，在本申请的一个实施例中，所述自检结果生成模块190，包括：矩阵展开单元191，用于将所述校正后分类特征矩阵按列展开以得到列向量；全连接编码单元192，用于所述分类器的多个全连接层对所述列向量进行全连接编码以获得分类特征向量；以及，分类单元193，用于将所述分类特征向量输入所述分类器的Softmax分类函数以获得分类结果。
综上，基于本申请实施例的所述五金件的抛光装置，其使用基于深度学习的人工智能检测技术，通过对于抛光设备在抛磨过程中的工作电流信号和声音信号分别在时域和频域上的隐含关联特征融合来综合进行抛磨头的性能检测，从而对于是否需更换抛磨头进行分类判断，通过这样的方式，实现了基于抛磨设备在工作过程中产生的多源异质数据来进行分类，从而提高对于所述抛磨头性能检测的精准度，进而保证抛磨设备的正常工作，以提高五金制品的加工质量。
如上所述，根据本申请实施例的所述五金件的抛光装置100可以实现在各种终端设备中，例如部署有五金件的抛光控制算法的服务器等。在一个示例中，根据五金件的抛光装置100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，该五金件的抛光装置100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，该五金件的抛光装置100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，该五金件的抛光装置100与该终端设备也可以是分立的设备，并且五金件的抛光装置100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4图示了根据本申请实施例的五金件的抛光方法的流程图。如图5所示，根据本申请实施例的所述五金件的抛光方法，包括：S110，获取抛光设备在抛磨过程中的工作电流信号和声音信号；S120，基于傅里叶变换从所述工作电流信号和所述声音信号提取预定数量的多个电流频域特征和多个声音频域特征；S130，将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量后，计算所述第一输入向量与所述第二输入向量的转置向量之间的乘积以得到频域关联矩阵；S140，将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络以得到第一特征矩阵；S150，将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络以得到电流波形特征向量和声音波形特征向量；S160，对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵；S170，融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵；S180，基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及，S190，将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需更换抛磨头。
图5图示了根据本申请实施例的五金件的抛光方法的系统架构的示意图。如图5所示，在本申请实施例的所述五金件的抛光方法的系统架构中，首先，获取抛光设备在抛磨过程中的工作电流信号和声音信号，并基于傅里叶变换从所述工作电流信号和所述声音信号提取预定数量的多个电流频域特征和多个声音频域特征。然后，将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量后，计算所述第一输入向量与所述第二输入向量的转置向量之间的乘积以得到频域关联矩阵。接着，将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络以得到第一特征矩阵。同时，将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络以得到电流波形特征向量和声音波形特征向量，并对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵。再然后，融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵，并基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵。最后，将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需更换抛磨头。
具体的，在本申请的一个实施例中，所述将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络以得到第一特征矩阵，包括：所述第一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：基于二维卷积核对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，将所述池化特征图通过非线性激活函数以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征矩阵。
具体的，在本申请的一个实施例中，所述将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络以得到电流波形特征向量和声音波形特征向量，包括：所述第二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：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行均值池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述第二卷积神经网络的最后一层的输出分别为所述电流波形特征向量和所述声音波形特征向量，所述第二卷积神经网络的输入分别为所述工作电流信号的波形图和所述声音信号的波形图。
具体的，在本申请的一个实施例中，所述对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵，包括：计算所述声音波形特征向量相对于所述电流波形特征向量的响应性估计以得到所述第二特征矩阵。
具体的，在本申请的一个实施例中，所述对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵，包括：以如下公式计算所述声音波形特征向量相对于所述电流波形特征向量的响应性估计以得到所述第二特征矩阵；其中，所述公式为：
其中
表示所述声音波形特征向量，
表示所述电流波形特征向量，
表示矩阵乘法，
表示所述第二特征矩阵。
具体的，在本申请的一个实施例中，所述融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵，包括：以如下公式融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵；其中，所述公式为：
其中，
为所述分类特征矩阵，
为所述第一特征矩阵，
为所述第二特征矩阵，
和
为用于控制所述分类特征矩阵中所述第一特征矩阵和所述第二特征矩阵之间的平衡的加权参数，
表示矩阵的按位置加法。
具体的，在本申请的一个实施例中，所述基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵，包括：基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，以如下公式对所述分类特征矩阵进行特征分布校正以得到所述校正后分类特征矩阵；
其中，所述公式为：
其中
表示所述分类特征矩阵，
表示所述分类特征矩阵的所有位置的特征值的全局均值的倒数，
表示按位置点乘，且
表示所述校正后分类特征矩阵。
具体的，在本申请的一个实施例中，图6图示了根据本申请实施例的五金件的抛光装置方法中，将所述校正后分类特征矩阵通过分类器以得到分类结果的流程图。所述自检结果生成模块，包括：S210，将所述校正后分类特征矩阵按列展开以得到列向量；S220，所述分类器的多个全连接层对所述列向量进行全连接编码以获得分类特征向量；以及，S230，将所述分类特征向量输入所述分类器的Softmax分类函数以获得分类结果。
这里，本领域技术人员可以理解，上述五金件的抛光方法中的各个步骤的具体功能和操作已经在上面参考图1到图3的五金件的抛光装置的描述中得到了详细介绍，并因此，将省略其重复描述。
Claims (10)
1.一种五金件的抛光装置，其特征在于，包括：抛光过程监控模块，用于获取抛光设备在抛磨过程中的工作电流信号和声音信号；频域统计特征提取模块，用于基于傅里叶变换从所述工作电流信号和所述声音信号提取预定数量的多个电流频域特征和多个声音频域特征；频域特征关联模块，用于将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量后，计算所述第一输入向量与所述第二输入向量的转置向量之间的乘积以得到频域关联矩阵；频域关联特征提取模块，用于将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络以得到第一特征矩阵；波信号编码模块，用于将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络以得到电流波形特征向量和声音波形特征向量；波形特征关联编码模块，用于对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵；特征分布融合模块，用于融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵；特征分布校正模块，用于基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及自检结果生成模块，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需更换抛磨头。
2.根据权利要求1所述的五金件的抛光装置，其特征在于，所述频域关联特征提取模块，进一步用于：所述第一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：基于二维卷积核对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及将所述池化特征图通过非线性激活函数以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征矩阵。
3.根据权利要求2所述的五金件的抛光装置，其特征在于，所述波信号编码模块，进一步用于：所述第二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：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行均值池化处理以生成池化特征图；以及对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述第二卷积神经网络的最后一层的输出分别为所述电流波形特征向量和所述声音波形特征向量，所述第二卷积神经网络的输入分别为所述工作电流信号的波形图和所述声音信号的波形图。
4.根据权利要求3所述的五金件的抛光装置，其特征在于，所述波形特征关联编码模块，进一步用于计算所述声音波形特征向量相对于所述电流波形特征向量的响应性估计以得到所述第二特征矩阵。
5.根据权利要求4所述的五金件的抛光装置，其特征在于，所述波形特征关联编码模块，进一步用于：以如下公式计算所述声音波形特征向量相对于所述电流波形特征向量的响应性估计以得到所述第二特征矩阵；其中，所述公式为：
= 
其中
表示所述声音波形特征向量，
表示所述电流波形特征向量，
表示矩阵乘法，
表示所述第二特征矩阵。
6.根据权利要求5所述的五金件的抛光装置，其特征在于，所述特征分布融合模块，进一步用于：以如下公式融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵；其中，所述公式为：
其中，
为所述分类特征矩阵，
为所述第一特征矩阵，
为所述第二特征矩阵，
和
为用于控制所述分类特征矩阵中所述第一特征矩阵和所述第二特征矩阵之间的平衡的加权参数，
表示矩阵的按位置加法。
7.根据权利要求6所述的五金件的抛光装置，其特征在于，所述特征分布校正模块，进一步用于：基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，以如下公式对所述分类特征矩阵进行特征分布校正以得到所述校正后分类特征矩阵；其中，所述公式为：
其中
表示所述分类特征矩阵，
表示所述分类特征矩阵的所有位置的特征值的全局均值的倒数，
表示按位置点乘，且
表示所述校正后分类特征矩阵。
8.根据权利要求7所述的五金件的抛光装置，其特征在于，所述自检结果生成模块，包括：矩阵展开单元，用于将所述校正后分类特征矩阵按列展开为列向量；全连接编码单元，用于所述分类器的多个全连接层对所述列向量进行全连接编码以获得分类特征向量；以及分类单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以获得分类结果。
9.一种五金件的抛光方法，其特征在于，包括：获取抛光设备在抛磨过程中的工作电流信号和声音信号；基于傅里叶变换从所述工作电流信号和所述声音信号提取预定数量的多个电流频域特征和多个声音频域特征；将所述多个电流频域特征和所述多个声音频域特征分别构造为第一输入向量和第二输入向量后，计算所述第一输入向量与所述第二输入向量的转置向量之间的乘积以得到频域关联矩阵；将所述频域关联矩阵通过作为特征提取器的第一卷积神经网络以得到第一特征矩阵；将所述工作电流信号的波形图和所述声音信号的波形图分别通过作为过滤器的第二卷积神经网络以得到电流波形特征向量和声音波形特征向量；对所述电流波形特征向量和所述声音波形特征向量进行关联编码以得到第二特征矩阵；融合所述第一特征矩阵和所述第二特征矩阵以得到分类特征矩阵；基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需更换抛磨头。
10.根据权利要求9所述的五金件的抛光方法，其特征在于，所述基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵，包括：基于所述分类特征矩阵中所有位置的特征值集合的全局均值的倒数，以如下公式对所述分类特征矩阵进行特征分布校正以得到所述校正后分类特征矩阵；
其中，所述公式为：
其中
表示所述分类特征矩阵，
表示所述分类特征矩阵的所有位置的特征值的全局均值的倒数，
表示按位置点乘，且
表示所述校正后分类特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211346346.8A CN115741475A (zh) | 2022-10-31 | 2022-10-31 | 五金件的抛光装置及其抛光方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211346346.8A CN115741475A (zh) | 2022-10-31 | 2022-10-31 | 五金件的抛光装置及其抛光方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115741475A true CN115741475A (zh) | 2023-03-07 |
Family
ID=85354505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211346346.8A Withdrawn CN115741475A (zh) | 2022-10-31 | 2022-10-31 | 五金件的抛光装置及其抛光方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115741475A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118081535A (zh) * | 2024-04-23 | 2024-05-28 | 赣州市国盛卓越光电材料有限公司 | 偏光片的自动加工系统及方法 |
-
2022
- 2022-10-31 CN CN202211346346.8A patent/CN115741475A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118081535A (zh) * | 2024-04-23 | 2024-05-28 | 赣州市国盛卓越光电材料有限公司 | 偏光片的自动加工系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11624731B2 (en) | Method for predicting remaining life of numerical control machine tool | |
| Yang et al. | A control chart pattern recognition system using a statistical correlation coefficient method | |
| Antić et al. | Novel texture-based descriptors for tool wear condition monitoring | |
| CN115741475A (zh) | 五金件的抛光装置及其抛光方法 | |
| CN115328228B (zh) | 一种高频开关电源 | |
| KR20160072676A (ko) | 객체 검출 장치 및 방법과, 컴퓨터 보조 진단 장치 및 방법 | |
| CN117206063A (zh) | 基于深度学习的研磨智能控制系统及方法 | |
| CN116298880A (zh) | 微电机可靠性综合测试系统及其方法 | |
| Zheng et al. | Recursive adaptive algorithms for fast and rapidly time-varying systems | |
| JP2019066339A (ja) | 音による診断装置、診断方法、および診断システム | |
| KR102289212B1 (ko) | 인공지능 기반 고장 진단 장치 및 방법 | |
| Matilainen et al. | On the number of signals in multivariate time series | |
| CN116204821B (zh) | 用于轨道交通车辆的振动评估方法及系统 | |
| US10997493B2 (en) | Information processing device and information processing method | |
| CN117079031A (zh) | 铁氟龙线路板钻孔加工系统及其方法 | |
| CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其系统 | |
| CN115138713A (zh) | 五金工具配件的冲压设备及其冲压方法 | |
| CN114707551A (zh) | 面向工业互联网设备故障诊断的多模态数据融合方法 | |
| JP2019086473A (ja) | 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置 | |
| EP2442258A1 (en) | Method of generating a classification data base for classifying a traffic sign and device and method for classifying a traffic sign | |
| Vemulapalli et al. | Optimally robust extrema filters for time series data | |
| Zehelein et al. | Automotive damper defect detection using novelty detection methods | |
| Palo et al. | Seismic fault identification using graph high-frequency components as input to graph convolutional network | |
| CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
| JP2021125035A (ja) | 検知プログラム、検知方法及び検知装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230307 |
|
| WW01 | Invention patent application withdrawn after publication |