CN116872089A - 数控磨床的磨削自适应控制系统及其方法 - Google Patents
数控磨床的磨削自适应控制系统及其方法 Download PDFInfo
- Publication number
- CN116872089A CN116872089A CN202310847538.5A CN202310847538A CN116872089A CN 116872089 A CN116872089 A CN 116872089A CN 202310847538 A CN202310847538 A CN 202310847538A CN 116872089 A CN116872089 A CN 116872089A
- Authority
- CN
- China
- Prior art keywords
- grinding
- feature
- matrix
- vector
- workpiece
- 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- Withdrawn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
- 238000000227 grinding Methods 0.000 title claims abstract description 446
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 85
- 230000003247 decreasing effect Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 158
- 239000011159 matrix material Substances 0.000 claims description 107
- 238000012544 monitoring process Methods 0.000 claims description 84
- 230000003044 adaptive effect Effects 0.000 claims description 49
- 238000000605 extraction Methods 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 17
- 230000004043 responsiveness Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 229940050561 matrix product Drugs 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 17
- 238000013135 deep learning Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/416—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control of velocity, acceleration or deceleration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本申请涉及智能控制领域，其具体公开了一种数控磨床的磨削自适应控制系统，其能够基于磨削工件的状态特征和不同时间跨度内不同数量的磨削速度值之间的高维隐含特征之间的逻辑关联得到包含磨削速度特征和磨削工件状态变化特征的分类特征表示。这样，基于由分类处理得到的分类结果用于表示当前时间点的磨削速度应增大或应减小。这样，基于磨削工件的状态特征和速度之间的关系，自适应地调整速度，可以使数控磨床系统达到最佳磨削效果和精度。
Description
技术领域
本申请涉及智能控制领域，且更为具体的涉及一种数控磨床的磨削自适应控制系统及其方法。
背景技术
数控磨床的磨削自适应控制系统是一种基于机器学习、人工智能等先进技术的数控磨床控制系统，其目的是通过实时监测与分析磨削过程中的各种参数，利用算法来自适应地调整加工参数，优化磨削效果和精度。传统的数控磨床的磨削自适应控制系统在实际应用中存在以下几个缺点：1)缺乏自适应调整能力：传统的数控磨床的磨削自适应控制系统一般只能通过手动调整加工参数来适应不同的磨削条件，缺乏自适应调整能力；2)无法满足高精度要求：传统的数控磨床的磨削自适应控制系统由于受到机床本身结构和传统控制算法等因素的限制，无法实现高精度的磨削过程控制，精度水平有限；3)磨损较快：由于传统磨削自适应控制系统缺乏智能化的调整和优化能力，往往会导致磨头和工件表面的磨损速度加快，对系统的持续稳定性产生影响；4)难以应对复杂加工过程：对于形状复杂、尺寸精确度要求高的工件的磨削加工，传统数控磨床的控制系统往往难以应对，无法实现高效、精确的自适应控制。
因此，期待期待一种优化的数控磨床的磨削自适应控制方案。
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数控磨床的磨削自适应控制系统及其方法，其能够基于磨削工件的状态特征和不同时间跨度内不同数量的磨削速度值之间的高维隐含特征之间的逻辑关联得到包含磨削速度特征和磨削工件状态变化特征的分类特征表示。这样，基于由分类处理得到的分类结果用于表示当前时间点的磨削速度应增大或应减小。这样，基于磨削工件的状态特征和速度之间的关系，自适应地调整速度，可以使数控磨床系统达到最佳磨削效果和精度。
根据本申请的一个方面，提供了一种数控磨床的磨削自适应控制系统，其包括：
数据获取模块，用于获取预定时间段的磨削工件监控视频、所述预定时间段内多个预定时间点的磨削速度值；
采样模块，用于从所述预定时间段的磨削工件监控视频提取多个磨削工件监控关键帧；
深浅特征编码模块，用于将所述多个磨削工件监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个磨削工件监控特征矩阵；
三维卷积编码模块，用于将所述多个磨削工件监控特征矩阵沿着时间维度聚合为三维特征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工件状态变化特征向量；
多尺度编码模块，用于将所述多个预定时间点的磨削速度值按照时间维度排列为磨削速度输入向量后通过多尺度邻域特征提取模块以得到磨削速度特征向量；
响应性估计模块，用于计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵；
优化模块，用于对分类特征矩阵进行优化得到优化分类特征矩阵；以及
检测结果生成模块，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削速度应增大或应减小。
根据本申请的另一方面，还提供了一种数控磨床的磨削自适应控制方法，其包括：
获取预定时间段的磨削工件监控视频、所述预定时间段内多个预定时间点的磨削速度值；
从所述预定时间段的磨削工件监控视频提取多个磨削工件监控关键帧；
将所述多个磨削工件监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个磨削工件监控特征矩阵；
将所述多个磨削工件监控特征矩阵沿着时间维度聚合为三维特征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工件状态变化特征向量；
将所述多个预定时间点的磨削速度值按照时间维度排列为磨削速度输入向量后通过多尺度邻域特征提取模块以得到磨削速度特征向量；
计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵；
优化模块，用于对分类特征矩阵进行优化得到优化分类特征矩阵；以及
检测结果生成模块，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削速度应增大或应减小。
与现有技术相比，本申请提供的数控磨床的磨削自适应控制系统及其方法，其能够基于磨削工件的状态特征和不同时间跨度内不同数量的磨削速度值之间的高维隐含特征之间的逻辑关联得到包含磨削速度特征和磨削工件状态变化特征的分类特征表示。这样，基于由分类处理得到的分类结果用于表示当前时间点的磨削速度应增大或应减小。这样，基于磨削工件的状态特征和速度之间的关系，自适应地调整速度，可以使数控磨床系统达到最佳磨削效果和精度。
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数控磨床的磨削自适应控制系统的应用场景图。
图2为根据本申请实施例的数控磨床的磨削自适应控制系统的框图。
图3为根据本申请实施例的数控磨床的磨削自适应控制系统的架构图。
图4为根据本申请实施例的数控磨床的磨削自适应控制系统中深浅特征编码模块的框图。
图5为根据本申请实施例的数控磨床的磨削自适应控制方法中多尺度编码模块的框图。
图6为根据本申请实施例的数控磨床的磨削自适应控制方法的流程图。
图7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。
申请概述
如上所述，传统的数控磨床的磨削自适应控制系统在实际应用中存在以下几个缺点：1)缺乏自适应调整能力：传统的数控磨床的磨削自适应控制系统一般只能通过手动调整加工参数来适应不同的磨削条件，缺乏自适应调整能力；2)无法满足高精度要求：传统的数控磨床的磨削自适应控制系统由于受到机床本身结构和传统控制算法等因素的限制，无法实现高精度的磨削过程控制，精度水平有限；3)磨损较快：由于传统磨削自适应控制系统缺乏智能化的调整和优化能力，往往会导致磨头和工件表面的磨损速度加快，对系统的持续稳定性产生影响；4)难以应对复杂加工过程：对于形状复杂、尺寸精确度要求高的工件的磨削加工，传统数控磨床的控制系统往往难以应对，无法实现高效、精确的自适应控制。因此，期待期待一种优化的数控磨床的磨削自适应控制方案。
针对上述技术问题，在本申请的技术方案中，期待基于磨削工件状态变化以及不同时间跨度内不同磨削速度值来自适应地调整磨削速度，通过这样的方式，无需人工控制磨削速度，且因考虑到了磨削工件更多的数据维度和不受场景的局限，因此，本申请提供的数控磨床的磨削自适应控制系统具有更强的适用性和智能性。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、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为数控磨床的磨削自适应控制系统的构建提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先获取预定时间段的磨削工件监控视频以及所述预定时间段内多个预定时间点的磨削速度值。应可以理解，磨削工件中的磨削速度变化会影响磨削工件的状态特征，尤其是颜色特征。特别地，在本申请的技术方案中，随着磨削速度的变化，磨削工件的状态特征也会有明显的变化，所述磨削工件监控视频中磨削工件状态特征的变化特征与磨削速度存在复杂的非线性关系。
为了捕捉和利用上述隐含关联，在本申请的技术方案中，使用基于深度学习的深度神经网络模型对所述磨削工件监控视频进行处理以得到磨削工件状态变化特征向量。具体地，考虑到所述磨削工件监控视频的所有图像帧序列中存在诸多图像帧是高度相似的甚至是重复的，这会造成信息冗余，给特征提取带来干扰。因此，在进行特征提取前，在本申请的技术方案中，首先对所述磨削工件监控视频进行采样处理，在一个具体的示例中，以预定采样频率对从所述预定时间段的磨削工件监控视频提取多个磨削工件监控关键帧。
接着，将多个磨削工件监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个磨削工件监控特征矩阵。也就是，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述多个磨削工件监控关键帧中各个磨削工件监控关键帧的高维局部图像隐含特征。考虑到随着所述卷积神经网络模型的卷积编码深度的增加，其所提取的图像特征会越来越抽象也越来越反应对象的本质，具体地，其浅层特征更多表现颗粒大小变化、纹理，其深层特征更多表现对象类型、对象特征等。考虑到在本申请的技术方案中，在数控磨床中，期待更加关注于磨削工件的形状变化，因此，在本申请的技术方案中，对所述卷积神经网络模型的结构进行调整以将深浅特征融合机制整合入所述卷积神经网络模型的特征提取机制中。
接着，将所述多个磨削工件监控特征矩阵沿着时间维度聚合为三维特征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工件状态变化特征向量。也就是，在高维特征空间中，将所述多个磨削工件监控特征矩阵沿着时间维度进行信息聚合以得到三维特征张量，并以使用三维卷积核的卷积神经网络模型作为特征提取器来捕捉磨削工件状态变化特征。相较于常规的卷积神经网络模型，所述第二卷积神经网络模型使用三维卷积核进行三维卷积编码，其中，所述三维卷积核具有三维维度：宽度维度、高度维度和通道维度，所述宽度维度和所述高度维度对应于各个图像帧的局部空间，而所述通道维度对应于所述三维特征张量的时间维度，因此，在进行三维卷积编码的过程中，能够提取所述磨削工件在空间维度上的状态特征在时间维度上的变化特征。
针对所述多个预定时间点的磨削速度值，在本申请的技术方案中，将多个预定时间点的磨削速度值按照时间维度排列为磨削速度输入向量后通过多尺度领域特征提取模块以得到磨削速度特征向量。也就是，首先将所述多个预定时间点的磨削速度值进行向量化处理以得到磨削速度输入向量，即，磨削速度值的时序分布。接着，使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述磨削速度输入向量进行多尺度一维卷积编码，以捕捉不同时间跨度内不同数量的磨削速度值之间的高维隐含特征，并将不同尺度的关联特征进行特征融合以得到所述磨削速度特征向量。
在本申请的技术方案中，所述磨削速度是导致磨削工件法发生状态变化的因，也就是说，所述磨削速度和所述磨削工件的状态变化在逻辑层面存在相关关系，利用两者之间的逻辑关联得到包含磨削速度特征和磨削工件的状态变化特征的分类特征表示。具体地，计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵。并在得到所述分类特征矩阵后，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磨削速度应增大或应减小。这样，基于磨削工件的状态来调整磨削速度以使得磨削速度达到最佳工作状态。
特别地，在本申请的技术方案中，在计算所述磨削工件状态变化特征向量相对于所述磨削速度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工件的状态特征与所述磨削速度时序特征之间的相关性逻辑特征表达融合。但是，因所述磨削速度特征向量通过所述多尺度邻域特征提取模块对磨削速度值的离散时序分布进行多尺度一维卷积编码得到，而所述磨削工件状态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工件监控视频进行不同模式的组合卷积编码得到，这会导致所述磨削工件状态变化特征向量和所述磨削速度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工件状态变化特征向量相对于所述磨削速度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，对所述磨削工件状态变化特征向量和所述磨削速度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，首先计算所述磨削工件状态变化特征向量和所述磨削速度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，对所述磨削工件状态变化特征向量和所述磨削速度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工件状态变化特征向量和所述磨削速度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工件状态变化特征向量和所述磨削速度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图示了根据本申请实施例的数控磨床的磨削自适应控制系统的应用场景图。如图1所示，在该应用场景中，首先由摄像头(例如，如图1所示意的C)采集磨削工件(例如，如图1所示意的F)在所述预定时间段的磨削监控视频，以及由速度计(例如，如图1所示意的Se)采集的预定时间段内多个预定时间点的磨削速度值。进而，将所述预定时间段的磨削工件监控视频、所述预定时间段内多个预定时间点的磨削速度值输入至部署有用于数控磨床的磨削自适应控制算法的服务器(例如，如图1所示意的S)中所述服务器能够基于所述用于数控磨床的磨削自适应控制算法对所述预定时间段的磨削工件监控视频、所述预定时间段内多个预定时间点的磨削速度值进行处理，以得到用于表示当前时间点的磨削速度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。
示例性系统
图2为根据本申请实施例的数控磨床的磨削自适应控制系统的框图。如图2所示，根据本申请实施例的数控磨床的磨削自适应控制系统100，包括：数据获取模块110，用于获取预定时间段的磨削工件监控视频、所述预定时间段内多个预定时间点的磨削速度值；采样模块120，用于从所述预定时间段的磨削工件监控视频提取多个磨削工件监控关键帧；深浅特征编码模块130，用于将所述多个磨削工件监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个磨削工件监控特征矩阵；三维卷积编码模块140，用于将所述多个磨削工件监控特征矩阵沿着时间维度聚合为三维特征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工件状态变化特征向量；多尺度编码模块150，用于将所述多个预定时间点的磨削速度值按照时间维度排列为磨削速度输入向量后通过多尺度邻域特征提取模块以得到磨削速度特征向量；响应性估计模块160，用于计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵；优化模块170，用于对分类特征矩阵进行优化得到优化分类特征矩阵；以及，检测结果生成模块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削速度应增大或应减小。
图3为根据本申请实施例的数控磨床的磨削自适应控制系统的系统架构图。如图3所示，在该系统架构中，首先，获取预定时间段的磨削工件监控视频、所述预定时间段内多个预定时间点的磨削速度值。然后，从所述预定时间段的磨削工件监控视频提取多个磨削工件监控关键帧。接着，将所述多个磨削工件监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个磨削工件监控特征矩阵。然后，将所述多个磨削工件监控特征矩阵沿着时间维度聚合为三维特征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工件状态变化特征向量。接着，将所述多个预定时间点的磨削速度值按照时间维度排列为磨削速度输入向量后通过多尺度邻域特征提取模块以得到磨削速度特征向量。然后，计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵。接着，对分类特征矩阵进行优化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削速度应增大或应减小。
在上述的数控磨床的磨削自适应控制系统100中，数据获取模块110，用于获取预定时间段的磨削工件监控视频、所述预定时间段内多个预定时间点的磨削速度值。如上所述，在传统的数控磨床中，磨削过程往往需要由操作员手动调整磨削速度和磨削参数，这样会导致磨削效率低下、磨削精度不稳定等缺点。数控磨床的磨削自适应控制系统是一种基于机器学习和人工智能技术的先进控制系统，其目的是提高数控磨床的研磨效率和精度。在这个系统中，自适应控制速度技术是非常重要的一部分。自适应控制速度技术可以根据磨削过程中的实时数据和反馈信息，自动调整磨削速度和磨削参数，以达到最佳磨削效果和精度。这样，数控磨床的磨削自适应控制系统可以使磨削过程更加高效和精确。因此，期待一种优化的数控磨床的磨削自适应控制方案。
针对上述技术问题，在本申请的技术方案中，期待基于磨削工件状态变化以及不同时间跨度内不同磨削速度值来自适应地调整磨削速度，通过这样的方式，无需人工控制磨削功率，且因考虑到了磨削工件更多的数据维度和不受场景的局限，因此，本申请提供的数控磨床的磨削自适应控制系统具有更强的适用性和智能性。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、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为数控磨床的磨削自适应控制系统的构建提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先获取预定时间段的磨削工件监控视频以及所述预定时间段内多个预定时间点的磨削速度值。应可以理解，磨削工件中的磨削速度变化会影响磨削工件的状态特征，尤其是形状特征。特别地，在本申请的技术方案中，随着磨削速度的变化，磨削工件的状态特征也会有明显的变化，所述磨削工件监控视频中磨削工件状态特征的变化特征与磨削速度存在复杂的非线性关系。
在上述的数控磨床的磨削自适应控制系统100中，采样模块120，用于从所述预定时间段的磨削工件监控视频提取多个磨削工件监控关键帧。为了捕捉和利用上述隐含关联，在本申请的技术方案中，使用基于深度学习的深度神经网络模型对所述磨削工件监控视频进行处理以得到磨削工件状态变化特征向量。具体地，考虑到所述磨削工件监控视频的所有图像帧序列中存在诸多图像帧是高度相似的甚至是重复的，这会造成信息冗余，给特征提取带来干扰。因此，在进行特征提取前，在本申请的技术方案中，首先对所述磨削工件监控视频进行采样处理，在一个具体的示例中，以预定采样频率对从所述预定时间段的磨削工件监控视频提取多个磨削工件监控关键帧。
具体地，在本申请实施例中，所述采样模块120，用于：以预定采样频率从所述预定时间段的磨削工件监控视频中提取所述多个磨削工件监控关键帧。
在上述的数控磨床的磨削自适应控制系统100中，深浅特征编码模块130，用于将所述多个磨削工件监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个磨削工件监控特征矩阵。将多个磨削工件监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个磨削工件监控特征矩阵。也就是，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述多个磨削工件监控关键帧中各个磨削工件监控关键帧的高维局部图像隐含特征。考虑到随着所述卷积神经网络模型的卷积编码深度的增加，其所提取的图像特征会越来越抽象也越来越反应对象的本质，具体地，其浅层特征更多表现颗粒大小变化、纹理，其深层特征更多表现对象类型、对象特征等。考虑到在本申请的技术方案中，在数控磨床中，期待更加关注于磨削工件的形状变化，因此，在本申请的技术方案中，对所述卷积神经网络模型的结构进行调整以将深浅特征融合机制整合入所述卷积神经网络模型的特征提取机制中。
图4为根据本申请实施例的数控磨床的磨削自适应控制系统中深浅特征编码模块的框图。如图4所示，所述深浅特征编码模块130，用于：浅层特征提取单元131，用于从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；深层特征提取单元132，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；融合单元133，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及降维单元134，用于对所述融合特征图进行沿通道维度的全局池化以得到所述磨削工件监控特征矩阵。
在上述的数控磨床的磨削自适应控制系统100中，三维卷积编码模块140，用于将所述多个磨削工件监控特征矩阵沿着时间维度聚合为三维特征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工件状态变化特征向量。将所述多个磨削工件监控特征矩阵沿着时间维度聚合为三维特征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工件状态变化特征向量。也就是，在高维特征空间中，将所述多个磨削工件监控特征矩阵沿着时间维度进行信息聚合以得到三维特征张量，并以使用三维卷积核的卷积神经网络模型作为特征提取器来捕捉磨削工件状态变化特征。相较于常规的卷积神经网络模型，所述第二卷积神经网络模型使用三维卷积核进行三维卷积编码，其中，所述三维卷积核具有三维维度：宽度维度、高度维度和通道维度，所述宽度维度和所述高度维度对应于各个图像帧的局部空间，而所述通道维度对应于所述三维特征张量的时间维度，因此，在进行三维卷积编码的过程中，能够提取所述磨削工件在空间维度上的状态特征在时间维度上的变化特征。
具体地，在本申请实施例中，所述三维卷积编码模块140，包括：编码单元，用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到磨削工件状态变化特征图；以及降维单元，用于对所述磨削工件状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述磨削工件状态变化特征向量。
具体地，在本申请实施例中，所述三维卷积编码模块140，用于：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；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；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工件状态变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
在上述的数控磨床的磨削自适应控制系统100中，多尺度编码模块150，用于将所述多个预定时间点的磨削速度值按照时间维度排列为磨削速度输入向量后通过多尺度邻域特征提取模块以得到磨削速度特征向量。针对所述多个预定时间点的磨削速度值，在本申请的技术方案中，将多个预定时间点的磨削速度值按照时间维度排列为磨削速度输入向量后通过多尺度领域特征提取模块以得到磨削速度特征向量。也就是，首先将所述多个预定时间点的磨削速度值进行向量化处理以得到磨削速度输入向量，即，磨削速度值的时序分布。接着，使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述磨削速度输入向量进行多尺度一维卷积编码，以捕捉不同时间跨度内不同数量的磨削速度值之间的高维隐含特征，并将不同尺度的关联特征进行特征融合以得到所述磨削速度特征向量。
图4为根据本申请实施例的数控磨床的磨削自适应控制系统中多尺度编码模块的框图。如图4所示，所述多尺度编码模块150，包括：第一尺度特征提取单元151，用于将所述磨削速度输入向量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尺度磨削速度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元152，用于将所述磨削速度输入向量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尺度磨削速度特征向量，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；以及级联单元153，用于将所述第一尺度磨削速度特征向量和所述第二尺度磨削速度特征向量进行级联以得到所述磨削速度特征向量。
具体地，在本申请实施例中，所述多尺度编码模块150，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述磨削速度输入向量进行一维卷积编码以得到所述第一尺度磨削速度特征向量；其中，所述公式为：
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表示所述磨削速度输入向量，Cov(X)为对所述磨削速度输入向量进行一维卷积编码；所述将所述磨削速度输入向量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尺度磨削速度特征向量，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公式对所述磨削速度输入向量进行一维卷积编码以得到所述第二尺度磨削速度特征向量；其中，所述公式为：
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表示所述磨削速度输入向量，Cov(X)为对所述磨削速度输入向量进行一维卷积编码。
在上述的数控磨床的磨削自适应控制系统100中，响应性估计模块160，用于计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵。在本申请的技术方案中，所述磨削速度是导致磨削工件法发生状态变化的因，也就是说，所述磨削速度和所述磨削工件的状态变化在逻辑层面存在相关关系，利用两者之间的逻辑关联得到包含磨削速度特征和磨削工件的状态变化特征的分类特征表示。具体地，计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵。
具体地，在本申请实施例中，所述响应性估计模块160，用于：以如下公式计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性估计公式为：
其中Va表示所述磨削工件状态变化特征向量，Vb表示所述磨削速度特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在上述的数控磨床的磨削自适应控制系统100中，所述优化模块170，用于对分类特征矩阵进行优化得到优化分类特征矩阵。在本申请的技术方案中，在计算所述磨削工件状态变化特征向量相对于所述磨削速度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工件的状态特征与所述磨削速度时序特征之间的相关性逻辑特征表达融合。但是，因所述磨削速度特征向量通过所述多尺度邻域特征提取模块对磨削速度值的离散时序分布进行多尺度一维卷积编码得到，而所述磨削工件状态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工件监控视频进行不同模式的组合卷积编码得到，这会导致所述磨削工件状态变化特征向量和所述磨削速度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工件状态变化特征向量相对于所述磨削速度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。
具体地，在本申请实施例中，所述优化模块，包括：联合单元，用于对所述磨削工件状态变化特征向量和所述磨削速度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；优化单元，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优化分类特征矩阵。
具体地，在本申请实施例中，所述联合单元，包括：
协方差单元，用于计算所述磨削工件状态变化特征向量和所述磨削速度特征向量之间的协方差矩阵；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；以及，联合单元，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。
这样，对所述磨削工件状态变化特征向量和所述磨削速度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工件状态变化特征向量和所述磨削速度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工件状态变化特征向量和所述磨削速度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。
在上述的数控磨床的磨削自适应控制系统100中，检测结果生成模块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削速度应增大或应减小。
具体地，在本申请实施例中，所述检测结果生成模块180，包括：将所述优化分类特征矩阵按照行向量或者列向量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输入所述分类器的Softmax分类函数以得到所述分类结果。
示例性方法
图5为根据本申请实施例的数控磨床的磨削自适应控制方法的流程图。如图5所示，根据本申请实施例的所述数控磨床的磨削自适应控制方法，包括步骤：S110，获取预定时间段的磨削工件监控视频、所述预定时间段内多个预定时间点的磨削速度值；S120，从所述预定时间段的磨削工件监控视频提取多个磨削工件监控关键帧；S130，将所述多个磨削工件监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个磨削工件监控特征矩阵；S140，将所述多个磨削工件监控特征矩阵沿着时间维度聚合为三维特征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工件状态变化特征向量；S150，将所述多个预定时间点的磨削速度值按照时间维度排列为磨削速度输入向量后通过多尺度邻域特征提取模块以得到磨削速度特征向量；S160，计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵；S170，对分类特征矩阵进行优化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削速度应增大或应减小。
这里，本领域技术人员可以理解，上述数控磨床的磨削自适应控制系统的控制方法中的各个步骤的具体操作已经在上面参考图1到图5的数控磨床的磨削自适应控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的数控磨床的磨削自适应控制系统100可以实现在各种终端设备中，例如数控磨床的磨削自适应控制服务器等。在一个示例中，根据本申请实施例的数控磨床的磨削自适应控制系统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，该数控磨床的磨削自适应控制系统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，该数控磨床的磨削自适应控制系统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，该数控磨床的磨削自适应控制系统100与该终端设备也可以是分立的设备，并且该数控磨床的磨削自适应控制系统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
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。图7为根据本申请实施例的电子设备的框图。如图7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数控磨床的磨削自适应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磨削工件状态变化、磨削速度等各种内容。
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，包括磨削功率应增大或减小等。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7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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种数控磨床的磨削自适应控制系统，其特征在于，包括：
数据获取模块，用于获取预定时间段的磨削工件监控视频、所述预定时间段内多个预定时间点的磨削速度值；
采样模块，用于从所述预定时间段的磨削工件监控视频提取多个磨削工件监控关键帧；
深浅特征编码模块，用于将所述多个磨削工件监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个磨削工件监控特征矩阵；
三维卷积编码模块，用于将所述多个磨削工件监控特征矩阵沿着时间维度聚合为三维特征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工件状态变化特征向量；
多尺度编码模块，用于将所述多个预定时间点的磨削速度值按照时间维度排列为磨削速度输入向量后通过多尺度邻域特征提取模块以得到磨削速度特征向量；
响应性估计模块，用于计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵；
优化模块，用于对分类特征矩阵进行优化得到优化分类特征矩阵；以及
检测结果生成模块，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削速度应增大或应减小。
2.根据权利要求1所述的数控磨床的磨削自适应控制系统，其特征在于，所述采样模块，用于：以预定采样频率从所述预定时间段的磨削工件监控视频中提取所述多个磨削工件监控关键帧。
3.根据权利要求2所述的数控磨床的磨削自适应控制系统，其特征在于，所述深浅特征编码模块，包括：
浅层特征提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；
深层特征提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；
融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及
降维单元，用于对所述融合特征图进行沿通道维度的全局池化以得到所述磨削工件监控特征矩阵。
4.根据权利要求3所述的数控磨床的磨削自适应控制系统，其特征在于，所述三维卷积编码模块，包括：
编码单元，用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到磨削工件状态变化特征图；以及
降维单元，用于对所述磨削工件状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述磨削工件状态变化特征向量。
5.根据权利要求4所述的数控磨床的磨削自适应控制系统，其特征在于，所述多尺度编码模块，包括：
第一尺度特征提取单元，用于将所述磨削速度输入向量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尺度磨削速度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
第二尺度特征提取单元，用于将所述磨削速度输入向量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尺度磨削速度特征向量，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
级联单元，用于将所述第一尺度磨削速度特征向量和所述第二尺度磨削速度特征向量进行级联以得到所述磨削速度特征向量。
6.根据权利要求5所述的数控磨床的磨削自适应控制系统，其特征在于，所述多尺度编码模块，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下卷积公式对所述磨削速度输入向量进行一维卷积编码以得到所述第一尺度磨削速度特征向量；
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表示所述磨削速度输入向量，Cov(X)为对所述磨削速度输入向量进行一维卷积编码；
所述将所述磨削速度输入向量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尺度磨削速度特征向量，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公式对所述磨削速度输入向量进行一维卷积编码以得到所述第二尺度磨削速度特征向量；
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表示所述磨削速度输入向量，Cov(X)为对所述磨削速度输入向量进行一维卷积编码。
7.根据权利要去6所述的数控磨床的磨削自适应控制系统，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工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应性估计公式为：
其中Va表示所述磨削工件状态变化特征向量，Vb表示所述磨削速度特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
8.根据权利要求7所述的数控磨床的磨削自适应控制系统，其特征在于，所述优化模块，包括：
联合单元，用于对所述磨削工件状态变化特征向量和所述磨削速度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；
优化单元，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优化分类特征矩阵。
9.根据权利要求8所述的数控磨床的磨削自适应控制系统，其特征在于，所述联合单元，包括：
协方差单元，用于计算所述磨削工件状态变化特征向量和所述磨削速度特征向量之间的协方差矩阵；
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。
10.一种数控磨床的磨削自适应控制方法，包括：
获取预定时间段的磨削工件监控视频、所述预定时间段内多个预定时间点的磨削速度值；
从所述预定时间段的磨削工件监控视频提取多个磨削工件监控关键帧；
将所述多个磨削工件监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个磨削工件监控特征矩阵；
将所述多个磨削工件监控特征矩阵沿着时间维度聚合为三维特征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工件状态变化特征向量；
将所述多个预定时间点的磨削速度值按照时间维度排列为磨削速度输入向量后通过多尺度邻域特征提取模块以得到磨削速度特征向量；
计算所述磨削工件状态变化特征向量相对于所述磨削速度特征向量的响应性估计以得到分类特征矩阵；对分类特征矩阵进行优化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削速度应增大或应减小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310847538.5A CN116872089A (zh) | 2023-07-11 | 2023-07-11 | 数控磨床的磨削自适应控制系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310847538.5A CN116872089A (zh) | 2023-07-11 | 2023-07-11 | 数控磨床的磨削自适应控制系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116872089A true CN116872089A (zh) | 2023-10-13 |
Family
ID=88258120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310847538.5A Withdrawn CN116872089A (zh) | 2023-07-11 | 2023-07-11 | 数控磨床的磨削自适应控制系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116872089A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117067042A (zh) * | 2023-10-17 | 2023-11-17 | 杭州泓芯微半导体有限公司 | 一种研磨机及其控制方法 |
| CN117067004A (zh) * | 2023-10-16 | 2023-11-17 | 杭州泓芯微半导体有限公司 | 一种平磨机及其控制方法 |
| CN117447068A (zh) * | 2023-10-26 | 2024-01-26 | 浙江欧诗漫晶体纤维有限公司 | 多晶莫来石纤维生产线及方法 |
-
2023
- 2023-07-11 CN CN202310847538.5A patent/CN116872089A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117067004A (zh) * | 2023-10-16 | 2023-11-17 | 杭州泓芯微半导体有限公司 | 一种平磨机及其控制方法 |
| CN117067004B (zh) * | 2023-10-16 | 2024-01-16 | 杭州泓芯微半导体有限公司 | 一种平磨机及其控制方法 |
| CN117067042A (zh) * | 2023-10-17 | 2023-11-17 | 杭州泓芯微半导体有限公司 | 一种研磨机及其控制方法 |
| CN117067042B (zh) * | 2023-10-17 | 2024-01-30 | 杭州泓芯微半导体有限公司 | 一种研磨机及其控制方法 |
| CN117447068A (zh) * | 2023-10-26 | 2024-01-26 | 浙江欧诗漫晶体纤维有限公司 | 多晶莫来石纤维生产线及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116872089A (zh) | 数控磨床的磨削自适应控制系统及其方法 | |
| Kim et al. | Softflow: Probabilistic framework for normalizing flow on manifolds | |
| CN109766934B (zh) | 一种基于深度Gabor网络的图像目标识别方法 | |
| CN115951584A (zh) | 用于滚筒杀青机的温度控制系统及方法 | |
| CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
| Kortylewski et al. | Probabilistic Compositional Active Basis Models for Robust Pattern Recognition. | |
| CN115328228B (zh) | 一种高频开关电源 | |
| CN114871486B (zh) | 龙门刨床及其加工控制方法 | |
| CN115393779A (zh) | 用于激光熔覆金属球制造的控制系统及其控制方法 | |
| CN116627040B (zh) | 烘干器控制系统及其方法 | |
| CN116038854A (zh) | 门加工用成型控制系统及方法 | |
| CN116167989A (zh) | 铝杯的智能化生产方法及其系统 | |
| CN116082863A (zh) | 绿色的铝颜料制备方法及其系统 | |
| CN111401178A (zh) | 一种基于深度特征融合与自适应相关滤波的视频目标实时跟踪方法及系统 | |
| CN112733710A (zh) | 用于灌溉装置的灌溉水压控制的神经网络的训练方法 | |
| Dan et al. | PF‐ViT: Parallel and Fast Vision Transformer for Offline Handwritten Chinese Character Recognition | |
| CN116851856B (zh) | 纯水线切割加工工艺及其系统 | |
| CN117079031A (zh) | 铁氟龙线路板钻孔加工系统及其方法 | |
| CN116258947B (zh) | 适用于家居定制行业的工业自动化处理方法及系统 | |
| CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
| CN115091211B (zh) | 数控车磨复合机床及其生产控制方法 | |
| CN116101958A (zh) | 大桶饮用水智能化灌装方法及其系统 | |
| CN114842178A (zh) | 一种基于电子产品的在线可视化交互系统及方法 | |
| Dwivedi et al. | Color image compression using 2-dimensional principal component analysis (2DPCA) | |
| CN114615505A (zh) | 基于深度熵编码的点云属性压缩方法、装置和存储介质 |
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: 20231013 |
|
| WW01 | Invention patent application withdrawn after publication |