CN116652823B - 磨床的自动监测系统及其方法 - Google Patents
磨床的自动监测系统及其方法 Download PDFInfo
- Publication number
- CN116652823B CN116652823B CN202310762313.XA CN202310762313A CN116652823B CN 116652823 B CN116652823 B CN 116652823B CN 202310762313 A CN202310762313 A CN 202310762313A CN 116652823 B CN116652823 B CN 116652823B
- Authority
- CN
- China
- Prior art keywords
- grinding
- feature
- matrix
- monitoring
- classification
- 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
- 238000000227 grinding Methods 0.000 title claims abstract description 451
- 238000012544 monitoring process Methods 0.000 title claims abstract description 240
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 75
- 230000004044 response Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 207
- 239000011159 matrix material Substances 0.000 claims description 172
- 238000003062 neural network model Methods 0.000 claims description 31
- 230000004043 responsiveness Effects 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 15
- 229940050561 matrix product Drugs 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 230000003247 decreasing effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 24
- 239000000284 extract Substances 0.000 abstract description 9
- 238000009826 distribution Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
Abstract
本申请涉及智能监测领域，其具体地公开了一种磨床的自动监测系统及其方法，其采用基于深度学习的人工智能监控技术，以对于在磨削过程中工件的状态变化特征进行提取，进一步再提取出磨轮的转速在时间维度上的动态关联特征，并计算出这两者之间的响应性估计来表示工件的磨削状态变化特征与磨轮转速特征之间的关联性特征分布信息，以此来进行当前时间点的磨轮转速控制。这样，能够精准地基于工件的磨削情况来进行磨轮转速的自适应控制，以此来提高磨削的质量。
Description
技术领域
本申请涉及智能监测领域，且更为具体地，涉及一种磨床的自动监测系统及其方法。
背景技术
磨床是一种用于加工金属和其他材料的机器，在各个制造业领域广泛应用，它们磨削零件表面，以达到特定的尺寸、形状和表面质量要求。磨床可用于制造汽车、航空航天、医疗器械、电子设备和其他重要的工业产品。
现有的磨削控制中，普遍采用传统的人工磨削方法，操作者需要根据经验调整磨削参数，由于操作者的经验和技能不同或者同一操作者不同时间状态也会出现差异，难以保证磨削的质量。
因此，需要一种优化的磨床的自动监测方案。
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磨床的自动监测系统及其方法，其采用基于深度学习的人工智能监控技术，以对于在磨削过程中工件的状态变化特征进行提取，进一步再提取出磨轮的转速在时间维度上的动态关联特征，并计算出这两者之间的响应性估计来表示工件的磨削状态变化特征与磨轮转速特征之间的关联性特征分布信息，以此来进行当前时间点的磨轮转速控制。这样，能够精准地基于工件的磨削情况来进行磨轮转速的自适应控制，以此来提高磨削的质量。
根据本申请的一个方面，提供了一种磨床的自动监测系统，其包括：
监控模块，用于获取预定时间段内多个预定时间点的磨轮转速值以及由监控摄像头采集的所述预定时间段的磨削监控视频；
采样模块，用于从所述磨削监控视频提取多个磨削监控关键帧；
空间特征提取模块，用于将所述多个磨削监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个磨削监控特征矩阵；
变化特征提取模块，将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到磨削监控变化特征向量；
转速变化感知模块，用于将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量；
响应性估计模块，用于计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵；
控制结果生成模块，用于将所述优化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当前时间点的磨轮转速值应增加或应减小。
在上述磨床的自动监测系统中，所述采样模块，用于：以预定采样频率从所述磨削监控视频提取多个磨削监控关键帧。
在上述磨床的自动监测系统中，所述空间特征提取模块，包括：深度卷积编码单元，用于使用所述第一卷积神经网络模型的卷积编码部分对所述磨削监控关键帧进行深度卷积编码以得到初始卷积特征图；空间注意力图获取单元，用于将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；空间注意力特征图获取单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；位置点乘注意力特征提取单元，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到磨削监控特征图；以及，降维单元，用于对所述磨削监控特征图进行沿通道维度的全局均值池化处理以得到所述磨削监控特征矩阵。
在上述磨床的自动监测系统中，所述变化特征提取模块，包括：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图沿通道维度的各个特征矩阵进行池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述磨削监控变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述磨床的自动监测系统中，所述转速变化感知模块，包括：使用所述时序编码器的全连接层以如下全连接编码公式对输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征；其中，所述全连接编码公式为：
其中X是所述磨轮转速输入向量，W是权重矩阵，B是偏置向量，表示矩阵乘，Y为为输出向量；使用所述时序编码器的一维卷积层以如下一维卷积编码公式对所述磨轮转速输入向量进行一维卷积编码以提取出所述磨轮转速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，所述一维卷积编码公式为：
其中，a为卷积核在x方向上的宽度，F(a)为卷积核参数向量，G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述磨轮转速输入向量，Cov(X)表示对所述磨轮转速输入向量进行一维卷积编码。
在上述磨床的自动监测系统中，所述响应性估计模块，用于：以如下响应性估计公式计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到所述分类特征矩阵；其中，所述响应性估计公式为：
其中Va表示所述磨削监控变化特征向量，Vb表示所述磨轮转速特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在上述磨床的自动监测系统中，所述优化模块，包括：协方差矩阵生成单元，用于计算所述磨削监控变化特征向量和所述磨轮转速特征向量之间的协方差矩阵；特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；联合特征矩阵生成单元，用于将所述多个特征向量排列为核心特征矩阵，并计算所述协方差矩阵与所述核心特征矩阵之间的矩阵乘积以得到联合特征矩阵；以及，优化分类特征矩阵生成单元，用于计算所述联合特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到所述优化分类特征矩阵。
在上述磨床的自动监测系统中，所述控制结果生成模块，包括：展开单元，用于将所述优化分类特征矩阵基于行向量或列向量的展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种磨床的自动监测方法，其包括：
获取预定时间段内多个预定时间点的磨轮转速值以及由监控摄像头采集的所述预定时间段的磨削监控视频；
从所述磨削监控视频提取多个磨削监控关键帧；
将所述多个磨削监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个磨削监控特征矩阵；
将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到磨削监控变化特征向量；
将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量；
计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵；
对所述分类特征矩阵进行优化以得到优化分类特征矩阵；以及
将所述优化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当前时间点的磨轮转速值应增加或应减小。
与现有技术相比，本申请提供的磨床的自动监测系统及其方法，其采用基于深度学习的人工智能监控技术，以对于在磨削过程中工件的状态变化特征进行提取，进一步再提取出磨轮的转速在时间维度上的动态关联特征，并计算出这两者之间的响应性估计来表示工件的磨削状态变化特征与磨轮转速特征之间的关联性特征分布信息，以此来进行当前时间点的磨轮转速控制。这样，能够精准地基于工件的磨削情况来进行磨轮转速的自适应控制，以此来提高磨削的质量。
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。附图用于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磨床的自动监测系统的应用场景图。
图2为根据本申请实施例的磨床的自动监测系统的系统框图。
图3为根据本申请实施例的磨床的自动监测系统的架构图。
图4为根据本申请实施例的磨床的自动监测系统中空间特征提取模块的框图。
图5为根据本申请实施例的磨床的自动监测系统中控制结果生成优化模块的框图。
图6为根据本申请实施例的磨床的自动监测系统中控制结果生成模块的框图。
图7为根据本申请实施例的磨床的自动监测方法的流程图。
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。
申请概述
如上述背景技术而言，现有的磨削技艺中，普遍采用传统的人工磨削方法，操作者需要根据经验调整磨削参数，但是随着操作者的经验不同或者操作者在不同时间的状态不一样，磨削的质量也会受较大影响，因此，需要一种优化的磨削的自动监测系统，它可以基于磨削工件表面情况来进行磨削转速的自适应调整，以提高磨削的质量。
本申请的技术构思为：采用基于深度学习的人工智能监控技术，以对于在磨削过程中工件的状态变化特征进行提取，进一步再提取出磨轮的转速在时间维度上的动态关联特征，并计算出这两者之间的响应性估计来表示工件的磨削状态变化特征与磨轮转速特征之间的关联性特征分布信息，以此来进行当前时间点的磨轮转速控制。这样，能够精准地基于工件的磨削情况来进行磨轮转速的自适应控制，以此来提高磨削的质量。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的磨轮转速值以及由监控摄像头采集的所述预定时间段的磨削监控视频。应可以理解，获取预定时间段内多个预定时间点的磨轮转速值能够对磨削过程进行实时监测，磨轮转速是磨削过程中的一个关键参数，它直接影响加工效率和产品质量，通过获取磨轮转速值，系统可以及时发现磨轮失速、转速偏低或者转速异常等问题并及时采取措施，保证磨削过程的稳定性和安全性。获取预定时间段的磨削监控视频可以帮助系统对磨削过程进行全面的监测和分析，通过监控视频，系统可以实时了解磨削过程中的情况，及时发现异常并采取措施并有助于后期分析和优化，帮助提高生产效率和产品质量。
接着，从所述磨削监控视频提取多个磨削监控关键帧。应可以理解，从所述磨削监控视频中提取多个关键帧可以大大减少数据存储和传输的需求，同时保留了有关整个过程的重要信息，提取多个关键帧可以更准确地监测磨削过程中的变化和异常情况，提高系统的效率性和可靠性，并且值得注意的是提取关键帧是按预定采样频率提取。
然后，将所述多个磨削监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个磨削监控特征矩阵。使用第一卷积神经网络模型可以从每个磨削监控关键帧中提取出对应的特征矩阵。使用空间注意力机制可以使模型更加关注磨削过程中重要的区域，同时减少噪声和无关信息的干扰，从而提高特征提取的准确性和可靠性。通过将多个磨削监控关键帧分别输入到第一卷积神经网络模型中，并使用空间注意力机制得到多个磨削监控特征矩阵，可以更全面、细致地描述磨削过程中的各个方面，并提高磨削自动监测系统的性能和效果。
紧接着，将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到磨削监控变化特征向量。在本申请的技术方案中，将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量的目的是将每个监测特征矩阵的信息组合成一个整体，并为后续的卷积神经网络模型提供一个统一的输入格式。使用三维卷积核的第二卷积神经网络模型可以从三个方向同时学习特征，磨床监测涉及到复杂的信号处理和特征提取工作，卷积神经网络模型能够对这些信号进行有效地特征提取和分类，从而实现更加准确地磨削监测。通过使用三维卷积核的第二卷积神经网络模型，可以从时间序列中提取出更精确地特征向量，使得磨削监控变化的特征能够充分被表示和捕捉，从而提高整个磨床自动监测系统的性能和精度。
同时，将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量。应可以理解，将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量可以捕捉磨轮转速随时间变化得情况，通过包含全连接层和一维卷积层的时序编码器对所述磨轮转速输入向量进行处理，可以提取出其中的特征，从而得到磨轮转速特征向量。具体来说，全连接层可以对输入向量进行线性变换，并引入非线性变换，这有助于将输入向量映射到高维空间中，并且更好地表示输入向量中的信息，而一维卷积层可以检测输入向量中的局部模式，并发现它们之间的关系，从而提取出更加本质的特征。通过这样的处理，可以得到能够更好地表达磨轮转速变化情况的特征向量，进而用于建立监测模型，实现对磨床状态的实时监测。
然后，计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵。计算响应性估计可以帮助确定磨轮转速和磨削监控变化之间的关系，并识别出不同分类特征相关的模式，通过比较磨轮转速特征向量和磨削监控变化特征向量之间的响应性估计，可以得到它们之间的相对重要性，从而更好地优化磨削过程。最后，将所述优化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当前时间点的磨轮转速值应增加或应减小。这样，可以实现对磨轮转速的精确控制，以此来提高磨削的质量。
特别地，在本申请的技术方案中，在计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵时，所述分类特征矩阵用于表示磨削零件的状态特征与所述磨轮转速时序特征之间的相关性逻辑特征表达融合。但是，因所述磨轮转速特征向量通过所述包含全连接层和一维卷积层的时序编码器对磨轮转速值的离散时序分布进行一维卷积编码和全连接编码得到，而所述磨削监控变化特征向量则通过所述第二卷积神经网络模型和所述第一卷积神经网络模型对磨削零件监控视频进行不同模式的组合卷积编码得到，这会导致所述磨削监控变化特征向量和所述磨轮转速特征向量的各子维度之间的数据变化方向和幅度差异较大。在上述前提下，如果直接以转移矩阵来表达所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性逻辑关联，会导致所述分类特征矩阵在特征局部结构发生模糊或者偏差，影响所述分类特征矩阵的分类判断的精准度。
基于此，在本申请的技术方案中，对所述磨削监控变化特征向量和所述磨轮转速特征向量进行基于特征集合的各子维度之间的空间联立投影以得到所述联合特征矩阵。具体地，首先计算所述磨削监控变化特征向量和所述磨轮转速特征向量之间的协方差矩阵；进而，对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；接着，将所述多个特征向量排列为核心特征矩阵，并计算所述协方差矩阵与所述核心特征矩阵之间的矩阵乘积以得到联合特征矩阵。
这样，对所述磨削监控变化特征向量和所述磨轮转速特征向量进行基于特征集合的各子维度之间的空间联立投影，可充分考虑所述磨削监控变化特征向量和所述磨轮转速特征向量的数据变化方向和幅度，使得空间联立投影得到的所述联合特征矩阵能够最大程度地保留所述所述磨削监控变化特征向量和所述磨轮转速特征向量的主要特征信息且减少数据中的噪声和冗余信息，通过这样的方式，可更好地观察和分析数据中的模式和规律。
在得到所述联合特征矩阵后，计算所述联合特征矩阵与所述分类特征矩阵之间的矩阵乘积以将所述分类特征矩阵映射到所述联合特征矩阵所在的高维特征空间中以此来对所述分类特征矩阵的各子维度的特征值进行投影校正和规范以提高所述分类特征矩阵的特征表达的精准度，即，提高所述分类特征矩阵的分类判断的精准度。
图1为根据本申请实施例的磨床的自动监测系统的应用场景图。如图1所示，在该应用场景中，通过旋转速度传感器(例如，如图1中所示意的P)获取预定时间段内多个预定时间点的磨轮转速值(例如，如图1中所示意的U)以及通过摄像头(例如，如图1中所示意的C)获取所述预定时间段的磨削监控视频(例如，如图1中所示意的M)；然后，将获取到的磨轮转速值和磨削监控视频输入至部署有用于磨床的自动监测算法的服务器(例如，如图1所示意的S)中，其中，所述服务器以用于磨床的自动监测算法对所述磨轮转速值和所述磨削监控视频进行处理，以生成用于表示当前时间点的磨轮转速值应增大或者减小的分类结果。
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为根据本申请实施例的磨床的自动监测系统的系统框图。如图2所示，在磨床的自动监测系统100中，包括：监控模块110，用于获取预定时间段内多个预定时间点的磨轮转速值以及由监控摄像头采集的所述预定时间段的磨削监控视频；采样模块120，用于从所述磨削监控视频提取多个磨削监控关键帧；空间特征提取模块130，用于将所述多个磨削监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个磨削监控特征矩阵；变化特征提取模块140，将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到磨削监控变化特征向量；转速变化感知模块150，用于将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量；响应性估计模块160，用于计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵；优化模块170，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵；以及，控制结果生成模块180，用于将所述优化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当前时间点的磨轮转速值应增加或应减小。
图3为根据本申请实施例的磨床的自动监测系统的架构图。如图3所示，在该架构中，首先，获取预定时间段内多个预定时间点的磨轮转速值以及由监控摄像头采集的所述预定时间段的磨削监控视频。接着，从所述磨削监控视频提取多个磨削监控关键帧。然后，将所述多个磨削监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个磨削监控特征矩。接着，将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到磨削监控变化特征向量。然后，将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量。紧接着，计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵。进而，对所述分类特征矩阵进行优化以得到优化分类特征矩阵。最后，将所述优化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当前时间点的磨轮转速值应增加或应减小。
在磨床的自动监测系统100中，所述监控模块110，用于获取预定时间段内多个预定时间点的磨轮转速值以及由监控摄像头采集的所述预定时间段的磨削监控视频。应可以理解，磨轮转速值是磨削过程中的一个关键参数，它直接影响加工效率和产品质量，获取预定时间段内多个预定时间点的磨轮转速值可以对磨削过程进行实时监测，这样系统可以及时发现磨轮一些异常情况并及时采取措施。通过监控视频，系统可以实时了解磨削过程中的情况，及时发现异常并采取措施并有助于后期分析和优化，帮助提高生产效率和产品质量。磨轮的转速值可以通过磨床上安装的旋转速度传感器获得，磨削过程的监控视频可以通过摄像头获取。
在磨床的自动监测系统100中，所述采样模块120，用于从所述磨削监控视频提取多个磨削监控关键帧。
具体地，在磨床的自动监测系统100中，所述采样模块120，用于：以预定采样频率从所述磨削监控视频提取多个磨削监控关键帧。考虑到在所述磨削监控视频中，加工产品的状态变化特征可以通过所述磨削监控视频相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示磨削的变化情况。但是，考虑到所述磨削监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余带来的不良影响，以预定采样频率对所述磨削监控视频进行关键帧采样，以从所述磨削监控视频提取多个磨削监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
在磨床的自动监测系统100中，所述空间特征提取模块130，用于将所述多个磨削监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个磨削监控特征矩阵。空间注意力机制是一种基于卷积神经网络的技术，它能够自适应地对不同空间位置的特征进行加权，从而更好地捕获目标物体的关键特征。使用空间注意力机制可以使模型更加关注磨削过程中重要的区域，同时减少噪声和无关信息的干扰，从而提高特征提取的准确性和可靠性。通过将多个磨削监控关键帧分别输入到第一卷积神经网络模型中，并使用空间注意力机制得到多个磨削监控特征矩阵，可以更全面、细致地描述磨削过程中的各个方面，并提高磨削自动监测系统的性能和效果。
图4为根据本申请实施例的磨床的自动监测系统中空间特征提取模块的框图。如图4所示，所述空间特征提取模块130，包括：深度卷积编码单元131，用于使用所述第一卷积神经网络模型的卷积编码部分对所述磨削监控关键帧进行深度卷积编码以得到初始卷积特征图；空间注意力图获取单元132，用于将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；空间注意力特征图获取单元133，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；位置点乘注意力特征提取单元134，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到磨削监控特征图；以及，降维单元135，用于对所述磨削监控特征图进行沿通道维度的全局均值池化处理以得到所述磨削监控特征矩阵。
在磨床的自动监测系统100中，所述变化特征提取模块140，将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到磨削监控变化特征向量。应可以理解，将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量的目的是将每个监测特征矩阵的信息组合成一个整体，并为后续的卷积神经网络模型提供一个统一的输入格式。三维卷积核被用于对输入张量的三个维度(长、宽、通道)进行卷积操作，以捕捉局部特征，同时保留整体结构信息。通过使用三维卷积核的第二卷积神经网络模型，可以从时间序列中提取出更精确地特征向量，使得磨削监控变化的特征能够充分被表示和捕捉，从而提高整个磨床自动监测系统的性能和精度。
具体地，在磨床的自动监测系统100中，所述变化特征提取模块140，包括：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图沿通道维度的各个特征矩阵进行池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述磨削监控变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
在磨床的自动监测系统100中，所述转速变化感知模块150，用于将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量。由于所述磨轮转速值在时间维度上也具有着动态性的变化特征信息，也就是说，所述各个预定时间点的磨轮转速值具有着时序的关联性。因此，为了能够充分地提取出这种时序动态关联，将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量。特别地，这里，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述各个预定时间点的磨轮转速值在时序维度上的动态关联特征和通过全连接编码提取所述各个预定时间点的磨轮转速值的高维隐含特征。
具体地，在磨床的自动监测系统100中，所述转速变化感知模块150，包括：使用所述时序编码器的全连接层以如下全连接编码公式对所述磨轮转速输入向量进行全连接编码以提取出所述磨轮转速输入向量中各个位置的特征值的高维隐含特征；其中，所述全连接编码公式为：
其中X是所述磨轮转速输入向量，W是权重矩阵，B是偏置向量，表示矩阵乘，Y为输出向量；使用所述时序编码器的一维卷积层以如下一维卷积编码公式对所述磨轮转速输入向量进行一维卷积编码以提取出所述磨轮转速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，所述一维卷积编码公式为：
其中，a为卷积核在x方向上的宽度，F(a)为卷积核参数向量，G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述磨轮转速输入向量，Cov(X)表示对所述磨轮转速输入向量进行一维卷积编码。
在磨床的自动监测系统100中，所述响应性估计模块160，用于计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵。应可以理解，计算响应性估计可以帮助确定磨轮转速和磨削监控变化之间的关系，并识别出不同分类特征相关的模式，通过比较磨轮转速特征向量和磨削监控变化特征向量之间的响应性估计，可以得到它们之间的相对重要性，从而更好地优化磨削过程。
具体地，在磨床的自动监测系统100中，所述响应性估计模块160，用于：以如下响应性估计公式计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到所述分类特征矩阵；其中，所述响应性估计公式为：
其中Va表示所述磨削监控变化特征向量，Vb表示所述磨轮转速特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
特别地，在本申请的技术方案中，在计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵时，所述分类特征矩阵用于表示磨削零件的状态特征与所述磨轮转速时序特征之间的相关性逻辑特征表达融合。但是，因所述磨轮转速特征向量通过所述包含全连接层和一维卷积层的时序编码器对磨轮转速值的离散时序分布进行一维卷积编码和全连接编码得到，而所述磨削监控变化特征向量则通过所述第二卷积神经网络模型和所述第一卷积神经网络模型对磨削零件监控视频进行不同模式的组合卷积编码得到，这会导致所述磨削监控变化特征向量和所述磨轮转速特征向量的各子维度之间的数据变化方向和幅度差异较大。在上述前提下，如果直接以转移矩阵来表达所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性逻辑关联，会导致所述分类特征矩阵在特征局部结构发生模糊或者偏差，影响所述分类特征矩阵的分类判断的精准度。
基于此，在本申请的技术方案中，对所述磨削监控变化特征向量和所述磨轮转速特征向量进行基于特征集合的各子维度之间的空间联立投影以得到所述联合特征矩阵。在得到所述联合特征矩阵后，计算所述联合特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到所述优化分类特征矩阵。
在磨床的自动监测系统100中，所述优化模块170，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵。
图5为根据本申请实施例的磨床的自动监测系统中优化模块的框图。如图5所示，所述优化模块170，包括：协方差矩阵生成单元171，用于计算所述磨削监控变化特征向量和所述磨轮转速特征向量之间的协方差矩阵；特征值分解单元172，用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；联合特征矩阵生成单元173，用于将所述多个特征向量排列为核心特征矩阵，并计算所述协方差矩阵与所述核心特征矩阵之间的矩阵乘积以得到联合特征矩阵；以及，优化分类特征矩阵生成单元174，用于计算所述联合特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到所述优化分类特征矩阵。这样，对所述磨削监控变化特征向量和所述磨轮转速特征向量进行基于特征集合的各子维度之间的空间联立投影，可充分考虑所述磨削监控变化特征向量和所述磨轮转速特征向量的数据变化方向和幅度，使得空间联立投影得到的所述联合特征矩阵能够最大程度地保留所述所述磨削监控变化特征向量和所述磨轮转速特征向量的主要特征信息且减少数据中的噪声和冗余信息，通过这样的方式，可更好地观察和分析数据中的模式和规律。计算所述联合特征矩阵与所述分类特征矩阵之间的矩阵乘积以将所述分类特征矩阵映射到所述联合特征矩阵所在的高维特征空间中以此来对所述分类特征矩阵的各子维度的特征值进行投影校正和规范以提高所述分类特征矩阵的特征表达的精准度，即，提高所述分类特征矩阵的分类判断的精准度。
在磨床的自动监测系统100中，所述控制结果生成模块180，用于将所述优化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当前时间点的磨轮转速值应增加或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的磨轮的转速值应增加(第一标签)和当前时间点的磨轮的转速值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。这样，能够基于工件的磨削情况来进行磨轮转速的自适应控制，以此来提高磨削的质量。
图6为根据本申请实施例的磨床的自动监测系统中控制结果生成模块的框图。如图6所示，所述控制结果生成模块180，包括：展开单元181，用于将所述优化分类特征矩阵基于行向量或列向量的展开为分类特征向量；全连接编码单元182，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元183，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上所述，基于本申请实施例的磨床的自动监测系统100被阐明，其采用基于深度学习的人工智能监控技术，以对于在磨削过程中工件的状态变化特征进行提取，进一步再提取出磨轮的转速在时间维度上的动态关联特征，并计算出这两者之间的响应性估计来表示工件的磨削状态变化特征与磨轮转速特征之间的关联性特征分布信息，以此来进行当前时间点的磨轮转速控制。这样，能够精准地基于工件的磨削情况来进行磨轮转速的自适应控制，以此来提高磨削的质量。
示例性方法
图7为根据本申请实施例的磨床的自动监测方法的流程图。如图7所示，在磨床的自动监测方法中，包括：S110，获取预定时间段内多个预定时间点的磨轮转速值以及由监控摄像头采集的所述预定时间段的磨削监控视频；S120，从所述磨削监控视频提取多个磨削监控关键帧；S130，将所述多个磨削监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个磨削监控特征矩阵；S140，将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到磨削监控变化特征向量；S150，将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量；S160，计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵；S170，对所述分类特征矩阵进行优化以得到优化分类特征矩阵；以及，S180，将所述优化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当前时间点的磨轮转速值应增加或应减小。
在一个示例中，在上述磨床的自动监测方法中，所述从所述磨削监控视频提取多个磨削监控关键帧，用于：以预定采样频率从所述磨削监控视频提取多个磨削监控关键帧。
在一个示例中，在上述磨床的自动监测方法中，所述将所述多个磨削监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个磨削监控特征矩阵，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述磨削监控关键帧进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到磨削监控特征图；以及，对所述磨削监控特征图进行沿通道维度的全局均值池化处理以得到所述磨削监控特征矩阵。
在一个示例中，在上述磨床的自动监测方法中，所述将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到磨削监控变化特征向量，包括：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图沿通道维度的各个特征矩阵进行池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述磨削监控变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
在一个示例中，在上述磨床的自动监测方法中，所述将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量，包括：：使用所述时序编码器的全连接层以如下全连接编码公式对输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征；其中，所述全连接编码公式为：
其中X是所述磨轮转速输入向量，W是权重矩阵，B是偏置向量，表示矩阵乘，Y为输出向量；使用所述时序编码器的一维卷积层以如下一维卷积编码公式对所述磨轮转速输入向量进行一维卷积编码以提取出所述磨轮转速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，所述一维卷积编码公式为：
其中，a为卷积核在x方向上的宽度，F(a)为卷积核参数向量，G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述磨轮转速输入向量，Cov(X)为表示对所述磨轮转速输入向量进行一维卷积编码。
在一个示例中，在上述磨床的自动监测方法中，所述计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵，用于：以如下响应性估计公式计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到所述分类特征矩阵；其中，所述响应性估计公式为：
其中Va表示所述磨削监控变化特征向量，Vb表示所述磨轮转速特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在一个示例中，在上述磨床的自动监测方法中，所述对所述分类特征矩阵进行优化以得到优化分类特征矩阵，包括：计算所述磨削监控变化特征向量和所述磨轮转速特征向量之间的协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；将所述多个特征向量排列为核心特征矩阵，并计算所述协方差矩阵与所述核心特征矩阵之间的矩阵乘积以得到联合特征矩阵；以及，计算所述联合特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到所述优化分类特征矩阵。
在一个示例中，在上述磨床的自动监测方法中，所述将所述优化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当前时间点的磨轮转速值应增加或应减小，包括：将所述优化分类特征矩阵基于行向量或列向量的展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上所述，基于本申请实施例的磨床的自动监测方法被阐明，其采用基于深度学习的人工智能监控技术，以对于在磨削过程中工件的状态变化特征进行提取，进一步再提取出磨轮的转速在时间维度上的动态关联特征，并计算出这两者之间的响应性估计来表示工件的磨削状态变化特征与磨轮转速特征之间的关联性特征分布信息，以此来进行当前时间点的磨轮转速控制。这样，能够精准地基于工件的磨削情况来进行磨轮转速的自适应控制，以此来提高磨削的质量。
Claims (7)
1.一种磨床的自动监测系统，其特征在于，包括：
监控模块，用于获取预定时间段内多个预定时间点的磨轮转速值以及由监控摄像头采集的所述预定时间段的磨削监控视频；
采样模块，用于从所述磨削监控视频提取多个磨削监控关键帧；
空间特征提取模块，用于将所述多个磨削监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个磨削监控特征矩阵；
变化特征提取模块，将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到磨削监控变化特征向量；
转速变化感知模块，用于将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量；
响应性估计模块，用于计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵；
控制结果生成模块，用于将所述优化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当前时间点的磨轮转速值应增加或应减小；
其中，所述优化模块，包括：
协方差矩阵生成单元，用于计算所述磨削监控变化特征向量和所述磨轮转速特征向量之间的协方差矩阵；
特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；
联合特征矩阵生成单元，用于将所述多个特征向量排列为核心特征矩阵，并计算所述协方差矩阵与所述核心特征矩阵之间的矩阵乘积以得到联合特征矩阵；以及
优化分类特征矩阵生成单元，用于计算所述联合特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到所述优化分类特征矩阵；
其中，所述转速变化感知模块，包括：使用所述时序编码器的全连接层以如下全连接编码公式对输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征；
其中，所述全连接编码公式为：其中/>是所述磨轮转速输入向量，/>是权重矩阵，/>是偏置向量，/>表示矩阵乘，/>为输出向量；
使用所述时序编码器的一维卷积层以如下一维卷积编码公式对输入向量进行一维卷积编码以提取出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，所述一维卷积编码公式为：其中，a为卷积核在x方向上的宽度，/>为卷积核参数向量，/>为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述磨轮转速输入向量，/>表示对所述磨轮转速输入向量进行一维卷积编码。
2.根据权利要求1所述的磨床的自动监测系统，其特征在于，所述采样模块，用于：以预定采样频率从所述磨削监控视频提取多个磨削监控关键帧。
3.根据权利要求2所述的磨床的自动监测系统，其特征在于，所述空间特征提取模块，包括：
深度卷积编码单元，用于使用所述第一卷积神经网络模型的卷积编码部分对所述磨削监控关键帧进行深度卷积编码以得到初始卷积特征图；
空间注意力图获取单元，用于将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；
空间注意力特征图获取单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；
位置点乘注意力特征提取单元，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到磨削监控特征图；以及
降维单元，用于对所述磨削监控特征图进行沿通道维度的全局均值池化处理以得到所述磨削监控特征矩阵。
4.根据权利要求3所述的磨床的自动监测系统，其特征在于，所述变化特征提取模块，包括：
使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：
基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；
对所述卷积特征图沿通道维度的各个特征矩阵进行池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络模型的最后一层的输出为所述磨削监控变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
5.根据权利要求4所述的磨床的自动监测系统，其特征在于，所述响应性估计模块，用于：以如下响应性估计公式计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到所述分类特征矩阵；
其中，所述响应性估计公式为：其中/>表示所述磨削监控变化特征向量，/>表示所述磨轮转速特征向量，/>表示所述分类特征矩阵，/>表示矩阵相乘。
6.根据权利要求5所述的磨床的自动监测系统，其特征在于，所述控制结果生成模块，包括：
展开单元，用于将所述优化分类特征矩阵基于行向量或列向量的展开为分类特征向量；
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.一种使用如权利要求1所述的磨床的自动监测系统的自动监测方法，其特征在于，包括：
获取预定时间段内多个预定时间点的磨轮转速值以及由监控摄像头采集的所述预定时间段的磨削监控视频；
从所述磨削监控视频提取多个磨削监控关键帧；
将所述多个磨削监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个磨削监控特征矩阵；
将所述多个磨削监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到磨削监控变化特征向量；
将所述多个预定时间点的磨轮转速值按照时间维度排列为磨轮转速输入向量后通过包含全连接层和一维卷积层的时序编码器以得到磨轮转速特征向量；
计算所述磨削监控变化特征向量相对于所述磨轮转速特征向量的响应性估计以得到分类特征矩阵；
对所述分类特征矩阵进行优化以得到优化分类特征矩阵；以及
将所述优化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当前时间点的磨轮转速值应增加或应减小；
其中，对所述分类特征矩阵进行优化以得到优化分类特征矩阵，包括：
计算所述磨削监控变化特征向量和所述磨轮转速特征向量之间的协方差矩阵；
对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；
将所述多个特征向量排列为核心特征矩阵，并计算所述协方差矩阵与所述核心特征矩阵之间的矩阵乘积以得到联合特征矩阵；以及
计算所述联合特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到所述优化分类特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310762313.XA CN116652823B (zh) | 2023-06-26 | 2023-06-26 | 磨床的自动监测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310762313.XA CN116652823B (zh) | 2023-06-26 | 2023-06-26 | 磨床的自动监测系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116652823A CN116652823A (zh) | 2023-08-29 |
| CN116652823B true CN116652823B (zh) | 2024-03-22 |
Family
ID=87727979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310762313.XA Active CN116652823B (zh) | 2023-06-26 | 2023-06-26 | 磨床的自动监测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116652823B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116858509A (zh) * | 2023-05-24 | 2023-10-10 | 车金喜汽配股份有限公司 | 汽车零部件用加工系统及其方法 |
| CN117065876B (zh) * | 2023-09-05 | 2024-03-22 | 浙江艾领创矿业科技有限公司 | 智能砂磨机的控制方法及控制系统 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001277089A (ja) * | 2000-03-31 | 2001-10-09 | Toyoda Mach Works Ltd | 工作物の加工方法および加工装置 |
| JP2013240871A (ja) * | 2012-05-22 | 2013-12-05 | Honda Motor Co Ltd | 回転砥石のドレッシング方法、回転砥石及び研削加工方法 |
| CN103802023A (zh) * | 2014-03-06 | 2014-05-21 | 吉林大学 | 数控磨床凸轮磨削的速度优化控制方法 |
| CN203894596U (zh) * | 2014-02-27 | 2014-10-22 | 电子科技大学 | 数控机床加工状态多参数在线主动监控系统 |
| CN108426665A (zh) * | 2018-05-15 | 2018-08-21 | 中国工程物理研究院激光聚变研究中心 | 基于磨削阻力矩实时测量的砂轮磨损在线监测与报警装置 |
| CN111230740A (zh) * | 2020-01-14 | 2020-06-05 | 华中科技大学 | 一种航空发动机叶片机器人磨削烧伤预测方法及装置 |
| CN111783544A (zh) * | 2020-06-02 | 2020-10-16 | 华侨大学 | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 |
| JP2021010980A (ja) * | 2019-07-05 | 2021-02-04 | 富士通株式会社 | 研削状態監視方法、研削状態監視プログラムおよび装置 |
| WO2021139251A1 (zh) * | 2020-07-30 | 2021-07-15 | 平安科技（深圳）有限公司 | 服务系统异常检测方法、装置、计算机设备和存储介质 |
| CN113618633A (zh) * | 2020-05-06 | 2021-11-09 | 湖南大学 | 一种干法研磨无心磨床磨削速度优化方法 |
| CN114253219A (zh) * | 2021-12-22 | 2022-03-29 | 温州大学 | 一种基于端面磨削的磨削力自适应控制方法及系统 |
| CN114473870A (zh) * | 2022-03-11 | 2022-05-13 | 新代科技(苏州)有限公司 | 磨床监测系统及监测方法 |
| CN114660940A (zh) * | 2022-03-27 | 2022-06-24 | 聊城大学 | 一种基于深度强化学习ppo算法的磨削恒力控制方法 |
| CN114768986A (zh) * | 2022-06-20 | 2022-07-22 | 江苏中腾石英材料科技股份有限公司 | 高纯熔融石英粉的精细化研磨装置及其研磨方法 |
| CN115647819A (zh) * | 2022-09-20 | 2023-01-31 | 玉环仪表机床制造厂 | 车磨一体复合机及其控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4169923B2 (ja) * | 2000-10-17 | 2008-10-22 | 株式会社トプコン | レンズ研削加工方法及びレンズ研削加工装置 |
| US10695889B2 (en) * | 2016-09-14 | 2020-06-30 | Qingdao Technological University | Multi-angle two-dimensional ultrasonic vibration assisted nanofluid micro-lubrication grinding device |
-
2023
- 2023-06-26 CN CN202310762313.XA patent/CN116652823B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001277089A (ja) * | 2000-03-31 | 2001-10-09 | Toyoda Mach Works Ltd | 工作物の加工方法および加工装置 |
| JP2013240871A (ja) * | 2012-05-22 | 2013-12-05 | Honda Motor Co Ltd | 回転砥石のドレッシング方法、回転砥石及び研削加工方法 |
| CN203894596U (zh) * | 2014-02-27 | 2014-10-22 | 电子科技大学 | 数控机床加工状态多参数在线主动监控系统 |
| CN103802023A (zh) * | 2014-03-06 | 2014-05-21 | 吉林大学 | 数控磨床凸轮磨削的速度优化控制方法 |
| CN108426665A (zh) * | 2018-05-15 | 2018-08-21 | 中国工程物理研究院激光聚变研究中心 | 基于磨削阻力矩实时测量的砂轮磨损在线监测与报警装置 |
| JP2021010980A (ja) * | 2019-07-05 | 2021-02-04 | 富士通株式会社 | 研削状態監視方法、研削状態監視プログラムおよび装置 |
| CN111230740A (zh) * | 2020-01-14 | 2020-06-05 | 华中科技大学 | 一种航空发动机叶片机器人磨削烧伤预测方法及装置 |
| CN113618633A (zh) * | 2020-05-06 | 2021-11-09 | 湖南大学 | 一种干法研磨无心磨床磨削速度优化方法 |
| CN111783544A (zh) * | 2020-06-02 | 2020-10-16 | 华侨大学 | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 |
| WO2021139251A1 (zh) * | 2020-07-30 | 2021-07-15 | 平安科技（深圳）有限公司 | 服务系统异常检测方法、装置、计算机设备和存储介质 |
| CN114253219A (zh) * | 2021-12-22 | 2022-03-29 | 温州大学 | 一种基于端面磨削的磨削力自适应控制方法及系统 |
| CN114473870A (zh) * | 2022-03-11 | 2022-05-13 | 新代科技(苏州)有限公司 | 磨床监测系统及监测方法 |
| CN114660940A (zh) * | 2022-03-27 | 2022-06-24 | 聊城大学 | 一种基于深度强化学习ppo算法的磨削恒力控制方法 |
| CN114768986A (zh) * | 2022-06-20 | 2022-07-22 | 江苏中腾石英材料科技股份有限公司 | 高纯熔融石英粉的精细化研磨装置及其研磨方法 |
| CN115647819A (zh) * | 2022-09-20 | 2023-01-31 | 玉环仪表机床制造厂 | 车磨一体复合机及其控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于CAN现场总线的轴承磨超线监控系统;刘卓，韩小荣;济源职业技术学院学报;20070930;第6卷(第3期);第13-16页 * |
| 磨削智能预测控制系统研究;李晓梅;丁宁;朱喜林;;机床与液压;20060728(第07期);第43-46+51页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116652823A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116652823B (zh) | 磨床的自动监测系统及其方法 | |
| Zhu et al. | A cyber-physical production system framework of smart CNC machining monitoring system | |
| WO2021088377A1 (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
| CN109213753B (zh) | 一种基于在线pca的工业系统监测数据恢复方法 | |
| CN111400040B (zh) | 基于深度学习和边缘计算的工业互联网系统及工作方法 | |
| CN115586757A (zh) | 机械设备的智能控制系统及其方法 | |
| CN107808391B (zh) | 一种基于特征选择与光滑表示聚类的视频动态目标提取方法 | |
| Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
| CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
| CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
| CN112947649B (zh) | 一种基于互信息矩阵投影的多变量过程监控方法 | |
| CN113496261A (zh) | 一种卫星遥测数据的在轨异常监测方法 | |
| CN117093852A (zh) | 工业机器人早期异常监测模型及方法 | |
| KR20210060157A (ko) | 인공지능 기반 고장 진단 장치 및 방법 | |
| CN113639985B (zh) | 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 | |
| TW202324297A (zh) | 影像分析模型建立方法及其影像分析設備 | |
| CN112214006A (zh) | 考虑两维动态特性的间歇过程故障检测方法及系统 | |
| CN107515596B (zh) | 一种基于图像数据变窗口缺陷监控的统计过程控制方法 | |
| CN113034465B (zh) | 一种基于红外图像的电力设备热故障监测方法、装置及介质 | |
| CN117873001A (zh) | 纺粘无纺布生产线的智能控制系统 | |
| Li et al. | Fault detection and diagnosis based on new ensemble kernel principal component analysis | |
| CN107578166A (zh) | 基于异构递归模式的工业生产过程异常状态检测方法 | |
| She et al. | Nonlinear model for condition monitoring and fault detection based on nonlocal kernel orthogonal preserving embedding | |
| CN117671396A (zh) | 施工进度的智能监控预警系统及方法 | |
| CN112486320B (zh) | 一种基于回归神经网络的装配扭矩监测系统及监测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |