CN116821745B - 智能线切割慢走丝设备的控制方法及其系统 - Google Patents
智能线切割慢走丝设备的控制方法及其系统 Download PDFInfo
- Publication number
- CN116821745B CN116821745B CN202310372370.7A CN202310372370A CN116821745B CN 116821745 B CN116821745 B CN 116821745B CN 202310372370 A CN202310372370 A CN 202310372370A CN 116821745 B CN116821745 B CN 116821745B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- vector
- training
- feature vector
- load
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 511
- 238000012549 training Methods 0.000 claims description 168
- 239000011159 matrix material Substances 0.000 claims description 145
- 238000000605 extraction Methods 0.000 claims description 70
- 238000013527 convolutional neural network Methods 0.000 claims description 46
- 238000009826 distribution Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 23
- 230000004043 responsiveness Effects 0.000 claims description 22
- 230000003247 decreasing effect Effects 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000009763 wire-cut EDM Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 42
- 238000013135 deep learning Methods 0.000 abstract description 9
- 238000013507 mapping Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 19
- 238000003860 storage Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请涉及智能控制领域，其具体地公开了一种智能线切割慢走丝设备的控制方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出惯性负载和摩擦负载的时序协同关联变化和所述伺服电机的功率时序变化之间的映射关系，以此来基于所述惯性负载和所述摩擦负载的变化情况来自适应地控制伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。
Description
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种智能线切割慢走丝设备的控制方法及其系统。
背景技术
经过不断的优化改进和长期的实践发展,往复走丝电火花线切割机床实现了多次切割工艺的广泛应用。目前国内市场上通用的该类机床,都是基于人工经验现场调试并确定后的加工工艺数据库控制加工精度,机床的整个加工过程是静态的,对同一加工件中不同材质、不同厚度的放电要求不能实时自动调节,导致部分工件切割面的加工精度和粗糙度达不到要求,需二次或多次加工修正，加工效率低下。
因此，期望一种智能线切割慢走丝设备的控制方案。
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线切割慢走丝设备的控制方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出惯性负载和摩擦负载的时序协同关联变化和所述伺服电机的功率时序变化之间的映射关系，以此来基于所述惯性负载和所述摩擦负载的变化情况来自适应地控制伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。
根据本申请的一个方面，提供了一种智能线切割慢走丝设备的控制方法，其包括：
获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值；
将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量；
将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量；
融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；
将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量；
基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；以及
将所述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伺服电机的功率值应增大或应减小。
在上述智能线切割慢走丝设备的控制方法中，将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量，包括：将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度惯性负载时序特征向量和所述第一邻域尺度摩擦负载时序特征向量分别与所述第二邻域尺度惯性负载时序特征向量和所述第二邻域尺度摩擦负载时序特征向量进行级联以得到所述惯性负载时序特征向量和所述摩擦负载时序特征向量。其中，将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量；其中，所述第一卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述惯性负载输入向量和所述摩擦负载输入向量，Cov(X)表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码；以及，将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量；其中，所述第二卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述惯性负载输入向量和所述摩擦负载输入向量，Cov(X)表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码。
在上述智能线切割慢走丝设备的控制方法中，融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量，包括：以如下级联公式来融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；其中，所述级联公式为：
Vc＝Concat[V1，V2]
其中，V1表示所述惯性负载时序特征向量，V2表示所述摩擦负载时序特征向量，Concat[·,·]表示级联函数，Vc表示所述全负载时序特征向量。
在上述智能线切割慢走丝设备的控制方法中，将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量，包括：使用所述一维卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对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特征矩阵的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，所述一维卷积神经网络的最后一层的输出为所述功率时序特征向量，所述一维卷积神经网络的第一层的输入为所述多个预定时间点的伺服电机的功率值按照时间维度排列的功率输入向量。
在上述智能线切割慢走丝设备的控制方法中，所述基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵，包括：构造所述全负载时序特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
在上述智能线切割慢走丝设备的控制方法中，还包括对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练；其中，对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练，包括：获取预定时间段内多个预定时间点的训练惯性负载和训练摩擦负载，所述多个预定时间点的伺服电机的训练功率值，以及，所述当前时间点的伺服电机的功率值应增大或应减小的真实值；将所述多个预定时间点的训练惯性负载和训练摩擦负载分别按照时间维度排列为训练惯性负载输入向量和训练摩擦负载输入向量；将所述训练惯性负载输入向量和所述训练摩擦负载输入向量分别通过所述多尺度邻域特征提取模块以得到训练惯性负载时序特征向量和训练摩擦负载时序特征向量；融合所述训练惯性负载时序特征向量和所述训练摩擦负载时序特征向量以得到训练全负载时序特征向量；将所述多个预定时间点的伺服电机的训练功率值按照时间维度排列为训练功率输入向量后通过所述一维卷积神经网络模型以得到训练功率时序特征向量；基于高斯密度图，计算所述训练全负载时序特征向量相对于所述训练功率时序特征向量的响应性估计以得到训练分类特征矩阵；对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练。
在上述智能线切割慢走丝设备的控制方法中，对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练分类特征矩阵，包括：以如下强化公式对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化训练分类特征矩阵；其中，所述强化公式为：
其中M是所述训练分类特征矩阵，ve1到ven是所述训练分类特征矩阵进行本征分解后得到的n个本征值，Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵，且M与Me都为对角矩阵，d(Me,M)为所述本征单位化矩阵与所述训练分类特征矩阵之间的距离，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，M'为所述优化训练分类特征矩阵。
在上述智能线切割慢走丝设备的控制方法中，将所述训练分类特征矩阵通过分类器以得到分类损失函数值，包括：将所述训练分类特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个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损失函数值。
根据本申请的另一方面，提供了一种智能线切割慢走丝设备的控制系统，其包括：
数据获取模块，用于获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值；
排列模块，用于将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量；
多尺度邻域特征提取模块，用于将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量；
融合模块，用于融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；
一维卷积模块，用于将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量；
响应性估计模块，用于基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；以及
分类结果生成模块，用于将所述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伺服电机的功率值应增大或应减小。
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智能线切割慢走丝设备的控制方法。
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智能线切割慢走丝设备的控制方法。
与现有技术相比，本申请提供的一种智能线切割慢走丝设备的控制方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出惯性负载和摩擦负载的时序协同关联变化和所述伺服电机的功率时序变化之间的映射关系，以此来基于所述惯性负载和所述摩擦负载的变化情况来自适应地控制伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。
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线切割慢走丝设备的控制方法的场景示意图；
图2为根据本申请实施例的智能线切割慢走丝设备的控制方法中推断阶段的流程图；
图3为根据本申请实施例的智能线切割慢走丝设备的控制方法中训练阶段的流程图；
图4为根据本申请实施例的智能线切割慢走丝设备的控制方法中推断阶段的架构示意图；
图5为根据本申请实施例的智能线切割慢走丝设备的控制方法中训练阶段的架构示意图；
图6为根据本申请实施例的智能线切割慢走丝设备的控制方法中多尺度邻域特征提取过程的流程图；
图7为根据本申请实施例的智能线切割慢走丝设备的控制方法中一维卷积神经网络编码过程的流程图；
图8为根据本申请实施例的智能线切割慢走丝设备的控制方法中响应性估计计算过程的流程图；
图9为根据本申请实施例的智能线切割慢走丝设备的控制系统的框图；
图10为根据本申请实施例的电子设备的框图。
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
如前背景技术所言，目前国内市场上通用的该类机床,都是基于人工经验现场调试并确定后的加工工艺数据库控制加工精度,机床的整个加工过程是静态的,对同一加工件中不同材质、不同厚度的放电要求不能实时自动调节,导致部分工件切割面的加工精度和粗糙度达不到要求,需二次或多次加工修正，加工效率低下。因此，期望一种智能线切割慢走丝设备的控制方案。
相应地，考虑到预设工件厚度的往复走丝电火花线切割机床的控制系统有其先天缺陷，会影响加工件精度和切割面粗糙度，这是因为大部分加工件的材质、形状和厚度不同，其加工过程中会因阶梯突变、缓慢渐变等工况使切割厚度发生变化。而为了使得切割适配于这种加工件的切割厚度变化情况，以提高加工件的切割精度和切割质量，需要实时控制伺服电机的功率值来适配于惯性负载和摩擦负载的变化情况，也就是说，基于惯性负载和摩擦负载的时序变化特征来自适应地控制伺服电机的功率值，此来优化切割的精度和质量。但是，由于所述惯性负载和所述摩擦负载两者在时间维度上具有着时序的协同变化特征信息，而所述伺服电机的功率值也具有着时序动态变化特征，因此，在此过程中，难点在于如何建立所述惯性负载和所述摩擦负载的时序协同关联变化和所述伺服电机的功率时序变化之间的映射关系，以此来基于惯性负载和摩擦负载的变化情况来自适应地控制伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。
近年来，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、文本信号处理等领域。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挖掘所述惯性负载和所述摩擦负载的时序协同关联变化和所述伺服电机的功率时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述惯性负载和所述摩擦负载的时序协同关联变化和所述伺服电机的功率时序变化之间的复杂映射关系。
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惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值。接着，考虑到由于所述惯性负载和所述摩擦负载在时间维度上都具有着时序变化特征信息，并且，所述惯性负载和所述摩擦负载之间也具有着时序的关联特征分布信息。因此，在本申请的技术方案中，为了便于后续对于所述惯性负载和所述摩擦负载间的时序协同关联动态特征信息进行有效地提取，进一步将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量，以此来整合所述惯性负载和所述摩擦负载分别在时间维度上的时序分布信息。
然后，考虑到由于每个加工件的工况不同，导致所述惯性负载和所述摩擦负载在时间维度上都具有着不确定性，其在不同时间周期跨度下具有着不同的时序动态变化特征信息，因此，难以对于所述惯性负载和所述摩擦负载在时间维度上的动态特征进行捕捉提取。基于此，在本申请的技术方案中，为了提高对于所述惯性负载和所述摩擦负载的时序动态特征提取的精准度，将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块中进行特征挖掘，以分别提取出所述惯性负载和所述摩擦负载在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征，从而得到惯性负载时序特征向量和摩擦负载时序特征向量。
进一步地，由于所述惯性负载和所述摩擦负载之间在时间维度上具有着关联关系，也就是说，所述惯性负载和所述摩擦负载之间具有着时序协同动态关联特征信息，因此，进一步融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量，以此来融合所述惯性负载和所述摩擦负载分别在时间维度上的时序多尺度变化特征，从而得到具有所述惯性负载和所述摩擦负载的时序协同动态关联特征分布信息的全负载时序特征向量。相应地，在本申请的一个具体示例中，可以通过级联的方式来融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到所述全负载时序特征向量。
接着，对于所述多个预定时间点的伺服电机的功率值来说，考虑到所述伺服电机的功率值在时间维度上也具有着动态性的变化规律，也就是说，所述各个预定时间点的伺服电机的功率值之间具有着时序的关联关系。因此，在本申请的技术方案中将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型中进行处理，以提取出所述伺服电机的功率值在时间维度上的时序动态关联特征，从而得到功率时序特征向量。
然后，考虑到所述惯性负载、所述摩擦负载和所述伺服电机的功率值在时间维度上都具有着波动性和不确定性，因此，为了提高对于所述伺服电机的功率值的实时控制精准度，需要在高维特征空间中对于所述惯性负载和所述摩擦负载的时序协同多尺度动态关联特征和所述伺服电机的功率时序动态变化特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述惯性负载、所述摩擦负载和所述伺服电机的功率值的先验分布，即高斯分布，来对于所述惯性负载和所述摩擦负载的时序协同多尺度动态关联特征和所述伺服电机的功率时序动态变化特征进行数据增强。
具体地，首先，分别构造所述全负载时序特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图。接着，就可以计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计，以此来表示所述惯性负载和所述摩擦负载的时序协同多尺度动态关联特征和所述伺服电机的功率时序动态变化特征间的关联性特征分布信息，从而得到响应性高斯密度图。然后，再对于所述响应性高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到分类特征矩阵。
进一步地，将所述分类特征矩阵通过分类器以得到用于表示当前时间点的伺服电机的功率值应增大或应减小的分类结果。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伺服电机的功率值应增大(第一标签)，以及，当前时间点的伺服电机的功率值应减小(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矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为伺服电机的功率值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。
特别地，在本申请的技术方案中，这里，在基于高斯密度图计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计得到所述分类特征矩阵时，由于在高斯离散化过程当中的随机性，会在所述分类特征矩阵内引入偏离整体特征分布的异常特征值，从而影响模型的训练效果。
因此，在本申请的技术方案中，优选地首先控制高斯离散化过程中的采样频率以使得所述分类特征矩阵为对角矩阵，例如记为M，再对所述分类特征矩阵M进行本征单位化的逐位位移关联匹配优化，优化后的分类特征矩阵M'表示为：
ve1到ven是所述分类特征矩阵M进行本征分解后得到的n个本征值，Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵，其也为对角矩阵，d(Me,M)为所述本征单位化矩阵Me与所述分类特征矩阵M之间的距离。
也就是，通过基于所述分类特征矩阵M的本征分解获得的所述本征单位化矩阵Me来对所述分类特征矩阵M进行逐位位移关联，并以所述分类特征矩阵M相对本征单位化空间内的投影距离来进行特征关联关系的匹配，可以解决模型参数在反向传播中的由于特征的关联性分布弱而导致的优化方向的不匹配问题，避免优化后的分类特征矩阵M'的处于类目标域边缘的特征值被失配地约束在相反的优化方向，导致训练效果变差。这样，能够实时准确地基于惯性负载和摩擦负载的变化情况来自适应地控制伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。
基于此，本申请提出了一种智能线切割慢走丝设备的控制方法，其包括：获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值；将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量；将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量；融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量；基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；以及，将所述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伺服电机的功率值应增大或应减小。
图1为根据本申请实施例的智能线切割慢走丝设备的控制方法的场景示意图。如图1所示，在该应用场景中，通过摩擦感度仪(例如，如图1中所示意的R)获取预定时间段内多个预定时间点的摩擦负载；通过惯性测量仪(例如，如图1中所示意的I)获取预定时间段内多个预定时间点的惯性负载；以及，通过功率计(例如，如图1中所示意的P)获取多个预定时间点的伺服电机的功率值。接着，将上述数据输入至部署有用于智能线切割慢走丝设备的控制算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述智能线切割慢走丝设备的控制算法对上述输入的数据进行处理，以生成用于表示当前时间点的伺服电机的功率值应增大或应减小的分类结果。
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。
示例性方法
图2为根据本申请实施例的智能线切割慢走丝设备的控制方法中推断阶段的流程图。如图2所示，根据本申请实施例的智能线切割慢走丝设备的控制方法，包括：推断阶段，包括：S110，获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值；S120，将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量；S130，将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量；S140，融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；S150，将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量；S160，基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；以及，S170，将所述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伺服电机的功率值应增大或应减小。
图4为根据本申请实施例的智能线切割慢走丝设备的控制方法中推断阶段的架构示意图。如图4所示，在推断阶段中，在该网络结构中，首先获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值；再将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量；将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量；接着，融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量；然后，基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；进而，将所述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伺服电机的功率值应增大或应减小。
具体地，在步骤S110中，获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值。应可以理解，加工件的材质、形状和厚度的不同，在其加工过程中会因阶梯突变、缓慢渐变等工况使切割厚度发生变化。在本申请的技术方案中，为了使得切割适配于这种加工件的切割厚度变化情况，以提高加工件的切割精度和切割质量，需要实时控制伺服电机的功率值来适配于惯性负载和摩擦负载的变化情况，因此，在本申请的一个具体示例中，首先，可通过摩擦感度仪来获取预定时间段内多个预定时间点的摩擦负载；通过惯性测量仪来获取预定时间段内多个预定时间点的惯性负载；以及，通过功率计来获取多个预定时间点的伺服电机的功率值。
具体地，在步骤S120中，将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量。考虑到由于所述惯性负载和所述摩擦负载在时间维度上都具有着时序变化特征信息，并且，所述惯性负载和所述摩擦负载之间也具有着时序的关联特征分布信息。因此，在本申请的技术方案中，为了便于后续对于所述惯性负载和所述摩擦负载间的时序协同关联动态特征信息进行有效地提取，进一步将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量，以此来整合所述惯性负载和所述摩擦负载分别在时间维度上的时序分布信息。
具体地，在步骤S130中，将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量。应可以理解，由于每个加工件的工况不同，导致所述惯性负载和所述摩擦负载在时间维度上都具有着不确定性，其在不同时间周期跨度下具有着不同的时序动态变化特征信息，因此，难以对于所述惯性负载和所述摩擦负载在时间维度上的动态特征进行捕捉提取。基于此，在本申请的技术方案中，为了提高对于所述惯性负载和所述摩擦负载的时序动态特征提取的精准度，将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块中进行特征挖掘，以分别提取出所述惯性负载和所述摩擦负载在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征，从而得到惯性负载时序特征向量和摩擦负载时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
图6为根据本申请实施例的智能线切割慢走丝设备的控制方法中多尺度邻域特征提取过程的流程图。如图6所示，在所述多尺度邻域特征提取的过程中，包括：S210,将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S220,将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，S230,将所述第一邻域尺度惯性负载时序特征向量和所述第一邻域尺度摩擦负载时序特征向量分别与所述第二邻域尺度惯性负载时序特征向量和所述第二邻域尺度摩擦负载时序特征向量进行级联以得到所述惯性负载时序特征向量和所述摩擦负载时序特征向量。更具体地，所述S210，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量；其中，所述第一卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述惯性负载输入向量和所述摩擦负载输入向量，Cov(X)表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码；以及，所述S220，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量；其中，所述第二卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述惯性负载输入向量和所述摩擦负载输入向量，Cov(X)表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码。
具体地，在步骤S140融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量。在本申请的技术方案中，由于所述惯性负载和所述摩擦负载之间具有着时序协同动态关联特征信息，因此，进一步融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量，以此来融合所述惯性负载和所述摩擦负载分别在时间维度上的时序多尺度变化特征，从而得到具有所述惯性负载和所述摩擦负载的时序协同动态关联特征分布信息的全负载时序特征向量。相应地，在本申请的一个具体示例中，可以通过级联的方式来将两者进行融合，具体地，以如下级联公式来融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；其中，所述级联公式为：
Vc＝Concat[V1，V2]
其中，V1表示所述惯性负载时序特征向量，V2表示所述摩擦负载时序特征向量，Concat[·,·]表示级联函数，Vc表示所述全负载时序特征向量。
具体地，在步骤S150中，将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量。对于所述多个预定时间点的伺服电机的功率值来说，考虑到所述伺服电机的功率值在时间维度上也具有着动态性的变化规律，也就是说，所述各个预定时间点的伺服电机的功率值之间具有着时序的关联关系。因此，在本申请的技术方案中将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型中进行处理，以提取出所述伺服电机的功率值在时间维度上的时序动态关联特征，从而得到功率时序特征向量。在一个具体示例中，所述一维卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述一维卷积神经网络的编码过程中，所述一维卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图7为根据本申请实施例的智能线切割慢走丝设备的控制方法中一维卷积神经网络编码过程的流程图。如图7所示，在所述一维卷积神经网络的编码过程中，包括：使用所述一维卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S310，对输入数据进行卷积处理以得到卷积特征图；S320，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S330，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，所述一维卷积神经网络的最后一层的输出为所述功率时序特征向量，所述一维卷积神经网络的第一层的输入为所述多个预定时间点的伺服电机的功率值按照时间维度排列的功率输入向量。
具体地，在步骤S160中，基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵。也就是，考虑到所述惯性负载、所述摩擦负载和所述伺服电机的功率值在时间维度上都具有着波动性和不确定性，因此，为了提高对于所述伺服电机的功率值的实时控制精准度，需要在高维特征空间中对于所述惯性负载和所述摩擦负载的时序协同多尺度动态关联特征和所述伺服电机的功率时序动态变化特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述惯性负载、所述摩擦负载和所述伺服电机的功率值的先验分布，即高斯分布，来对于所述惯性负载和所述摩擦负载的时序协同多尺度动态关联特征和所述伺服电机的功率时序动态变化特征进行数据增强。在本申请的一个具体示例中，首先，分别构造所述全负载时序特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图，具体地，构造所述全负载时序特征向量和所述功率时序特征向量之间的高斯密度图，所述高斯密度图的均值向量为所述全负载时序特征向量和所述功率时序特征向量之间的按位置均值向量，所述高斯密度图的协方差矩阵为所述全负载时序特征向量和所述功率时序特征向量的按位置方差构成的协方差矩阵。接着，就可以计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计，以此来表示所述惯性负载和所述摩擦负载的时序协同多尺度动态关联特征和所述伺服电机的功率时序动态变化特征间的关联性特征分布信息，从而得到响应性高斯密度图。然后，再对于所述响应性高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到分类特征矩阵。
图8为根据本申请实施例的智能线切割慢走丝设备的控制方法中响应性估计计算过程的流程图。如图8所示，在所述响应性估计计算过程中，包括：S410，构造所述全负载时序特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；S420，计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，S430，对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
具体地，在步骤S170中，将所述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伺服电机的功率值应增大或应减小。也就是，将所述分类特征矩阵通过分类器以得到分类结果，具体地，使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先将所述分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签，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伺服电机的功率值应增大(第一标签)，以及，当前时间点的伺服电机的功率值应减小(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矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为伺服电机的功率值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练。也就是说，在本申请的智能线切割慢走丝设备的控制方法中，还包括训练模块，用于对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练。
图3为根据本申请实施例的智能线切割慢走丝设备的控制方法中训练阶段的流程图。如图3所示，根据本申请实施例的智能线切割慢走丝设备的控制方法，还包括训练阶段，包括步骤：S1110，获取预定时间段内多个预定时间点的训练惯性负载和训练摩擦负载，所述多个预定时间点的伺服电机的训练功率值，以及，所述当前时间点的伺服电机的功率值应增大或应减小的真实值；S1120，将所述多个预定时间点的训练惯性负载和训练摩擦负载分别按照时间维度排列为训练惯性负载输入向量和训练摩擦负载输入向量；S1130，将所述训练惯性负载输入向量和所述训练摩擦负载输入向量分别通过所述多尺度邻域特征提取模块以得到训练惯性负载时序特征向量和训练摩擦负载时序特征向量；S1140，融合所述训练惯性负载时序特征向量和所述训练摩擦负载时序特征向量以得到训练全负载时序特征向量；S1150，将所述多个预定时间点的伺服电机的训练功率值按照时间维度排列为训练功率输入向量后通过所述一维卷积神经网络模型以得到训练功率时序特征向量；S1160，基于高斯密度图，计算所述训练全负载时序特征向量相对于所述训练功率时序特征向量的响应性估计以得到训练分类特征矩阵；S1170，对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练分类特征矩阵；S1180，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；以及，S1190，基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练。
图5为根据本申请实施例的智能线切割慢走丝设备的控制方法中训练阶段的架构示意图。如图5所示，在所述智能线切割慢走丝设备的控制方法中，在训练过程中，首先，获取预定时间段内多个预定时间点的训练惯性负载和训练摩擦负载，所述多个预定时间点的伺服电机的训练功率值，以及，所述当前时间点的伺服电机的功率值应增大或应减小的真实值；再将所述多个预定时间点的训练惯性负载和训练摩擦负载分别按照时间维度排列为训练惯性负载输入向量和训练摩擦负载输入向量；将所述训练惯性负载输入向量和所述训练摩擦负载输入向量分别通过所述多尺度邻域特征提取模块以得到训练惯性负载时序特征向量和训练摩擦负载时序特征向量；接着，融合所述训练惯性负载时序特征向量和所述训练摩擦负载时序特征向量以得到训练全负载时序特征向量；将所述多个预定时间点的伺服电机的训练功率值按照时间维度排列为训练功率输入向量后通过所述一维卷积神经网络模型以得到训练功率时序特征向量；然后，基于高斯密度图，计算所述训练全负载时序特征向量相对于所述训练功率时序特征向量的响应性估计以得到训练分类特征矩阵；对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；进而，基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练。
在本申请的技术方案中，在基于高斯密度图计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计得到所述分类特征矩阵时，由于在高斯离散化过程当中的随机性，会在所述分类特征矩阵内引入偏离整体特征分布的异常特征值，从而影响模型的训练效果。因此，在本申请的技术方案中，优选地首先控制高斯离散化过程中的采样频率以使得所述分类特征矩阵为对角矩阵，例如记为M，再对所述分类特征矩阵M进行本征单位化的逐位位移关联匹配优化，优化后的分类特征矩阵M'表示为：
其中M是所述训练分类特征矩阵，ve1到ven是所述训练分类特征矩阵进行本征分解后得到的n个本征值，Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵，且M与Me都为对角矩阵，d(Me,M)为所述本征单位化矩阵与所述训练分类特征矩阵之间的距离，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，M'为所述优化训练分类特征矩阵。也就是，通过基于所述分类特征矩阵M的本征分解获得的所述本征单位化矩阵Me来对所述分类特征矩阵M进行逐位位移关联，并以所述分类特征矩阵M相对本征单位化空间内的投影距离来进行特征关联关系的匹配，可以解决模型参数在反向传播中的由于特征的关联性分布弱而导致的优化方向的不匹配问题，避免优化后的分类特征矩阵M'的处于类目标域边缘的特征值被失配地约束在相反的优化方向，导致训练效果变差。这样，能够实时准确地基于惯性负载和摩擦负载的变化情况来自适应地控制伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。
综上，根据本申请实施例的智能线切割慢走丝设备的控制方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出惯性负载和摩擦负载的时序协同关联变化和所述伺服电机的功率时序变化之间的映射关系，以此来基于所述惯性负载和所述摩擦负载的变化情况来自适应地控制伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。
示例性系统
图9为根据本申请实施例的智能线切割慢走丝设备的控制系统的框图。如图9所示，根据本申请实施例的智能线切割慢走丝设备的控制系统的框图。如图9所示，根据本申请实施例的智能线切割慢走丝设备的控制系统300，包括：数据获取模块310；排列模块320；多尺度邻域特征提取模块330；融合模块340；一维卷积模块350；响应性估计模块360；以及，分类结果生成模块370。
其中，所述数据获取模块310，用于获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值；所述排列模块320，用于将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量；所述多尺度邻域特征提取模块330，用于将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量；所述融合模块340，用于融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；所述一维卷积模块350，用于将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量；
所述响应性估计模块360，用于基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；以及，所述分类结果生成模块370，用于将所述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伺服电机的功率值应增大或应减小。
在一个示例中，在上述智能线切割慢走丝设备的控制系统300中，所述多尺度邻域特征提取模块330，用于：将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度惯性负载时序特征向量和所述第一邻域尺度摩擦负载时序特征向量分别与所述第二邻域尺度惯性负载时序特征向量和所述第二邻域尺度摩擦负载时序特征向量进行级联以得到所述惯性负载时序特征向量和所述摩擦负载时序特征向量。其中，将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量；其中，所述第一卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述惯性负载输入向量和所述摩擦负载输入向量，Cov(X)表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码；以及，将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量；其中，所述第二卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述惯性负载输入向量和所述摩擦负载输入向量，Cov(X)表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码。
在一个示例中，在上述智能线切割慢走丝设备的控制系统300中，所述融合模块340，用于：以如下级联公式来融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；其中，所述级联公式为：
Vc＝Concat[V1，V2]
其中，V1表示所述惯性负载时序特征向量，V2表示所述摩擦负载时序特征向量，Concat[·,·]表示级联函数，Vc表示所述全负载时序特征向量。
在一个示例中，在上述智能线切割慢走丝设备的控制系统300中，所述一维卷积模块350，用于：使用所述一维卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对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特征矩阵的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，所述一维卷积神经网络的最后一层的输出为所述功率时序特征向量，所述一维卷积神经网络的第一层的输入为所述多个预定时间点的伺服电机的功率值按照时间维度排列的功率输入向量。
在一个示例中，在上述智能线切割慢走丝设备的控制系统300中，所述响应性估计模块360，用于：构造所述全负载时序特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
综上，根据本申请实施例的智能线切割慢走丝设备的控制系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出惯性负载和摩擦负载的时序协同关联变化和所述伺服电机的功率时序变化之间的映射关系，以此来基于所述惯性负载和所述摩擦负载的变化情况来自适应地控制伺服电机的功率值，以使切割设备适配于加工件的实际厚度变化情况，从而优化切割精度和质量。
如上所述，根据本申请实施例的智能线切割慢走丝设备的控制系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的智能线切割慢走丝设备的控制系统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，该智能线切割慢走丝设备的控制系统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，该智能线切割慢走丝设备的控制系统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，该智能线切割慢走丝设备的控制系统与该终端设备也可以是分立的设备，并且该智能线切割慢走丝设备的控制系统可以通过有线和/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。
示例性电子设备
下面，参考图10来描述根据本申请实施例的电子设备。
图10图示了根据本申请实施例的电子设备的框图。
如图10所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的智能线切割慢走丝设备的控制方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如功率时序特征向量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图10中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
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线切割慢走丝设备的控制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”部分中描述的根据本申请各种实施例的智能线切割慢走丝设备的控制方法中的功能中的步骤。
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、装置或器件，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 (9)
1.一种智能线切割慢走丝设备的控制方法，其特征在于，包括：
获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值；
将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量；
将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量；
融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；
将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量；
基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；以及
将所述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伺服电机的功率值应增大或应减小；
其中，将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量，包括：
将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
将所述第一邻域尺度惯性负载时序特征向量和所述第一邻域尺度摩擦负载时序特征向量分别与所述第二邻域尺度惯性负载时序特征向量和所述第二邻域尺度摩擦负载时序特征向量进行级联以得到所述惯性负载时序特征向量和所述摩擦负载时序特征向量；
其中，将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量；
其中，所述第一卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述惯性负载输入向量和所述摩擦负载输入向量，Cov(X)表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码；以及
将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量；
其中，所述第二卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述惯性负载输入向量和所述摩擦负载输入向量，Cov(X)表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码。
2.根据权利要求1所述的智能线切割慢走丝设备的控制方法，其特征在于，融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量，包括：以如下级联公式来融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；
其中，所述级联公式为：
Vc＝Concat[V1，V2]
其中，V1表示所述惯性负载时序特征向量，V2表示所述摩擦负载时序特征向量，Concat[·,·]表示级联函数，Vc表示所述全负载时序特征向量。
3.根据权利要求2所述的智能线切割慢走丝设备的控制方法，其特征在于，将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量，包括：使用所述一维卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对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特征矩阵的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，所述一维卷积神经网络的最后一层的输出为所述功率时序特征向量，所述一维卷积神经网络的第一层的输入为所述多个预定时间点的伺服电机的功率值按照时间维度排列的功率输入向量。
4.根据权利要求3所述的智能线切割慢走丝设备的控制方法，其特征在于，所述基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵，包括：
构造所述全负载时序特征向量和所述功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；
计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及
对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
5.根据权利要求4所述的智能线切割慢走丝设备的控制方法，其特征在于，还包括对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练；
其中，对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练，包括：
获取预定时间段内多个预定时间点的训练惯性负载和训练摩擦负载，所述多个预定时间点的伺服电机的训练功率值，以及，所述当前时间点的伺服电机的功率值应增大或应减小的真实值；
将所述多个预定时间点的训练惯性负载和训练摩擦负载分别按照时间维度排列为训练惯性负载输入向量和训练摩擦负载输入向量；
将所述训练惯性负载输入向量和所述训练摩擦负载输入向量分别通过所述多尺度邻域特征提取模块以得到训练惯性负载时序特征向量和训练摩擦负载时序特征向量；
融合所述训练惯性负载时序特征向量和所述训练摩擦负载时序特征向量以得到训练全负载时序特征向量；
将所述多个预定时间点的伺服电机的训练功率值按照时间维度排列为训练功率输入向量后通过所述一维卷积神经网络模型以得到训练功率时序特征向量；
基于高斯密度图，计算所述训练全负载时序特征向量相对于所述训练功率时序特征向量的响应性估计以得到训练分类特征矩阵；
对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练分类特征矩阵；
将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；以及
基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练。
6.根据权利要求5所述的智能线切割慢走丝设备的控制方法，其特征在于，对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练分类特征矩阵，包括：
以如下强化公式对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化训练分类特征矩阵；
其中，所述强化公式为：
其中M是所述训练分类特征矩阵，ve1到ven是所述训练分类特征矩阵进行本征分解后得到的n个本征值，Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵，且M与Me都为对角矩阵，d(Me,M)为所述本征单位化矩阵与所述训练分类特征矩阵之间的距离，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，M'为所述优化训练分类特征矩阵。
7.根据权利要求6所述的智能线切割慢走丝设备的控制方法，其特征在于，将所述训练分类特征矩阵通过分类器以得到分类损失函数值，包括：
将所述训练分类特征矩阵基于行向量或列向量展开为分类特征向量；
使用所述分类器的多个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损失函数值。
8.一种智能线切割慢走丝设备的控制系统，其特征在于，包括：
数据获取模块，用于获取预定时间段内多个预定时间点的惯性负载和摩擦负载，以及，所述多个预定时间点的伺服电机的功率值；
排列模块，用于将所述多个预定时间点的惯性负载和摩擦负载分别按照时间维度排列为惯性负载输入向量和摩擦负载输入向量；
多尺度邻域特征提取模块，用于将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量；
融合模块，用于融合所述惯性负载时序特征向量和所述摩擦负载时序特征向量以得到全负载时序特征向量；
一维卷积模块，用于将所述多个预定时间点的伺服电机的功率值按照时间维度排列为功率输入向量后通过一维卷积神经网络模型以得到功率时序特征向量；
响应性估计模块，用于基于高斯密度图，计算所述全负载时序特征向量相对于所述功率时序特征向量的响应性估计以得到分类特征矩阵；以及
分类结果生成模块，用于将所述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伺服电机的功率值应增大或应减小；
其中，将所述惯性负载输入向量和所述摩擦负载输入向量分别通过多尺度邻域特征提取模块以得到惯性负载时序特征向量和摩擦负载时序特征向量，包括：
将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
将所述第一邻域尺度惯性负载时序特征向量和所述第一邻域尺度摩擦负载时序特征向量分别与所述第二邻域尺度惯性负载时序特征向量和所述第二邻域尺度摩擦负载时序特征向量进行级联以得到所述惯性负载时序特征向量和所述摩擦负载时序特征向量；
其中，将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第一邻域尺度惯性负载时序特征向量和第一邻域尺度摩擦负载时序特征向量；
其中，所述第一卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述惯性负载输入向量和所述摩擦负载输入向量，Cov(X)表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码；以及
将所述惯性负载输入向量和所述摩擦负载输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述惯性负载输入向量和所述摩擦负载输入向量分别进行一维卷积编码以得到第二邻域尺度惯性负载时序特征向量和第二邻域尺度摩擦负载时序特征向量；
其中，所述第二卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述惯性负载输入向量和所述摩擦负载输入向量，Cov(X)表示对所述惯性负载输入向量和所述摩擦负载输入向量进行一维卷积编码。
9.根据权利要求8所述的一种智能线切割慢走丝设备的控制系统，其特征在于，还包括对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练；
其中，对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练，包括：
获取预定时间段内多个预定时间点的训练惯性负载和训练摩擦负载，所述多个预定时间点的伺服电机的训练功率值，以及，所述当前时间点的伺服电机的功率值应增大或应减小的真实值；
将所述多个预定时间点的训练惯性负载和训练摩擦负载分别按照时间维度排列为训练惯性负载输入向量和训练摩擦负载输入向量；
将所述训练惯性负载输入向量和所述训练摩擦负载输入向量分别通过所述多尺度邻域特征提取模块以得到训练惯性负载时序特征向量和训练摩擦负载时序特征向量；
融合所述训练惯性负载时序特征向量和所述训练摩擦负载时序特征向量以得到训练全负载时序特征向量；
将所述多个预定时间点的伺服电机的训练功率值按照时间维度排列为训练功率输入向量后通过所述一维卷积神经网络模型以得到训练功率时序特征向量；
基于高斯密度图，计算所述训练全负载时序特征向量相对于所述训练功率时序特征向量的响应性估计以得到训练分类特征矩阵；
对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练分类特征矩阵；
将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；以及
基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述一维卷积神经网络模型和所述分类器进行训练
其中，对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练分类特征矩阵，包括：以如下强化公式对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化训练分类特征矩阵；
其中，所述强化公式为：
其中M是所述训练分类特征矩阵，ve1到ven是所述训练分类特征矩阵进行本征分解后得到的n个本征值，Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵，且M与Me都为对角矩阵，d(Me,M)为所述本征单位化矩阵与所述训练分类特征矩阵之间的距离，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，M'为所述优化训练分类特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310372370.7A CN116821745B (zh) | 2023-04-10 | 2023-04-10 | 智能线切割慢走丝设备的控制方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310372370.7A CN116821745B (zh) | 2023-04-10 | 2023-04-10 | 智能线切割慢走丝设备的控制方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116821745A CN116821745A (zh) | 2023-09-29 |
| CN116821745B true CN116821745B (zh) | 2024-04-09 |
Family
ID=88119250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310372370.7A Active CN116821745B (zh) | 2023-04-10 | 2023-04-10 | 智能线切割慢走丝设备的控制方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821745B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB479036A (en) * | 1936-07-28 | 1938-01-28 | Mergenthaler Linotype Gmbh | Improvements in and relating to typographical slug casting machines |
| CN2178579Y (zh) * | 1993-11-03 | 1994-10-05 | 中国科学院电工研究所 | 多功能电火花线电极切割机床 |
| US6409725B1 (en) * | 2000-02-01 | 2002-06-25 | Triad Surgical Technologies, Inc. | Electrosurgical knife |
| CN104992700A (zh) * | 2015-07-08 | 2015-10-21 | 南京常荣声学股份有限公司 | 一种气动发声器及其控制系统 |
| CN106226152A (zh) * | 2016-07-08 | 2016-12-14 | 吉林大学 | 静动态载荷谱下材料力学性能原位测试系统与方法 |
| CN106312210A (zh) * | 2016-09-14 | 2017-01-11 | 沈阳航空航天大学 | 一种曲柄滑块式线切割电极丝自动化控制张紧装置 |
| CN107378159A (zh) * | 2017-09-20 | 2017-11-24 | 四川理工学院 | 一种高速走丝电火花线切割机床压丝装置及压丝方法 |
| CN111295718A (zh) * | 2017-10-30 | 2020-06-16 | 爱惜康有限责任公司 | 基于机械力的电功率输出控制 |
| CN113164230A (zh) * | 2018-09-27 | 2021-07-23 | 阿莱恩技术有限公司 | 对准器损坏的预测和缓解 |
| CN213969396U (zh) * | 2020-11-20 | 2021-08-17 | 浙江万能精机有限公司 | 一种往复走丝线切割机 |
| CN114378978A (zh) * | 2022-01-13 | 2022-04-22 | 海南创佳达生物科技有限公司 | 一种全生物降解塑料再生利用设备及生产工艺 |
| CN115127852A (zh) * | 2021-03-24 | 2022-09-30 | 中国石油化工股份有限公司 | 利用冷冻保形技术制作岩样的线切割装置和切割方法 |
| CN115170662A (zh) * | 2022-07-04 | 2022-10-11 | 南京邮电大学 | 基于yolov3和卷积神经网络的多目标定位方法 |
| CN115202265A (zh) * | 2022-07-29 | 2022-10-18 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 |
| CN115456046A (zh) * | 2022-08-23 | 2022-12-09 | 华能新能源股份有限公司 | 基于自抗扰控制的风力发电机变速变桨控制系统及其方法 |
| CN115481677A (zh) * | 2022-08-25 | 2022-12-16 | 华能新能源股份有限公司 | 海上风机叶片吊装智能控制系统及其方法 |
| CN115657265A (zh) * | 2022-12-20 | 2023-01-31 | 宜昌华鑫智能光学有限公司 | 镜头的变焦控制方法及其系统 |
| CN115759658A (zh) * | 2022-11-24 | 2023-03-07 | 浙江智慧信息产业有限公司 | 适用于智慧城市的企业能耗数据管理系统 |
| CN115936682A (zh) * | 2022-12-21 | 2023-04-07 | 江西有源工业废物回收处理有限公司 | 印制线路板的废料回收系统及其方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150071486A (ko) * | 2013-12-18 | 2015-06-26 | 현대자동차주식회사 | 자동변속기용 전동식 오일펌프 제어장치 및 방법 |
-
2023
- 2023-04-10 CN CN202310372370.7A patent/CN116821745B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB479036A (en) * | 1936-07-28 | 1938-01-28 | Mergenthaler Linotype Gmbh | Improvements in and relating to typographical slug casting machines |
| CN2178579Y (zh) * | 1993-11-03 | 1994-10-05 | 中国科学院电工研究所 | 多功能电火花线电极切割机床 |
| US6409725B1 (en) * | 2000-02-01 | 2002-06-25 | Triad Surgical Technologies, Inc. | Electrosurgical knife |
| CN104992700A (zh) * | 2015-07-08 | 2015-10-21 | 南京常荣声学股份有限公司 | 一种气动发声器及其控制系统 |
| CN106226152A (zh) * | 2016-07-08 | 2016-12-14 | 吉林大学 | 静动态载荷谱下材料力学性能原位测试系统与方法 |
| CN106312210A (zh) * | 2016-09-14 | 2017-01-11 | 沈阳航空航天大学 | 一种曲柄滑块式线切割电极丝自动化控制张紧装置 |
| CN107378159A (zh) * | 2017-09-20 | 2017-11-24 | 四川理工学院 | 一种高速走丝电火花线切割机床压丝装置及压丝方法 |
| CN111295718A (zh) * | 2017-10-30 | 2020-06-16 | 爱惜康有限责任公司 | 基于机械力的电功率输出控制 |
| CN113164230A (zh) * | 2018-09-27 | 2021-07-23 | 阿莱恩技术有限公司 | 对准器损坏的预测和缓解 |
| CN213969396U (zh) * | 2020-11-20 | 2021-08-17 | 浙江万能精机有限公司 | 一种往复走丝线切割机 |
| CN115127852A (zh) * | 2021-03-24 | 2022-09-30 | 中国石油化工股份有限公司 | 利用冷冻保形技术制作岩样的线切割装置和切割方法 |
| CN114378978A (zh) * | 2022-01-13 | 2022-04-22 | 海南创佳达生物科技有限公司 | 一种全生物降解塑料再生利用设备及生产工艺 |
| CN115170662A (zh) * | 2022-07-04 | 2022-10-11 | 南京邮电大学 | 基于yolov3和卷积神经网络的多目标定位方法 |
| CN115202265A (zh) * | 2022-07-29 | 2022-10-18 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 |
| CN115456046A (zh) * | 2022-08-23 | 2022-12-09 | 华能新能源股份有限公司 | 基于自抗扰控制的风力发电机变速变桨控制系统及其方法 |
| CN115481677A (zh) * | 2022-08-25 | 2022-12-16 | 华能新能源股份有限公司 | 海上风机叶片吊装智能控制系统及其方法 |
| CN115759658A (zh) * | 2022-11-24 | 2023-03-07 | 浙江智慧信息产业有限公司 | 适用于智慧城市的企业能耗数据管理系统 |
| CN115657265A (zh) * | 2022-12-20 | 2023-01-31 | 宜昌华鑫智能光学有限公司 | 镜头的变焦控制方法及其系统 |
| CN115936682A (zh) * | 2022-12-21 | 2023-04-07 | 江西有源工业废物回收处理有限公司 | 印制线路板的废料回收系统及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| 木本饲料四倍体刺槐收获机往复切割试验台的设计;陈昕等;《 黑龙江农业科学 》;20101010;第116-120页 * |
| 木本饲料四倍体刺槐收获机往复切割试验台的设计;陈昕等;《黑龙江农业科学》;20101010;第116-120页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116821745A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165664B (zh) | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 | |
| Bucak et al. | Incremental subspace learning via non-negative matrix factorization | |
| CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
| US8595155B2 (en) | Kernel regression system, method, and program | |
| Sun et al. | Long-term spectrum state prediction: An image inference perspective | |
| CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
| CN116308754B (zh) | 一种银行信贷风险预警系统及其方法 | |
| CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
| CN112232426A (zh) | 目标检测模型的训练方法、装置、设备及可读存储介质 | |
| CN116872089A (zh) | 数控磨床的磨削自适应控制系统及其方法 | |
| CN113434699A (zh) | Bert模型的预训练方法、计算机装置和存储介质 | |
| KR101854258B1 (ko) | 딥러닝을 pc에 적용하기 위한 메모리 최적화 방법 | |
| CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
| CN117041017A (zh) | 数据中心的智能运维管理方法及系统 | |
| 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 | |
| Ahn et al. | Dynamic background subtraction with masked RPCA | |
| CN115205788A (zh) | 食材质量监控系统 | |
| CN111611395B (zh) | 一种实体关系的识别方法及装置 | |
| US20210311440A1 (en) | Systems, Methods, and Media for Manufacturing Processes | |
| CN116821745B (zh) | 智能线切割慢走丝设备的控制方法及其系统 | |
| CN116258947B (zh) | 适用于家居定制行业的工业自动化处理方法及系统 | |
| CN109728958B (zh) | 一种网络节点信任预测方法、装置、设备及介质 | |
| CN115091211B (zh) | 数控车磨复合机床及其生产控制方法 | |
| CN116124448A (zh) | 用于风电齿轮箱的故障诊断系统及其方法 | |
| CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 |
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 |