CN117067042A - 一种研磨机及其控制方法 - Google Patents

Abstract

公开了一种研磨机及其控制方法。其首先通过摄像头采集磨削石英工件的表面状态监控视频，接着，对所述表面状态监控视频进行时序特征分析以得到工件表面状态时序特征，然后，基于所述工件表面状态时序特征，确定当前时间点的进给速度应增大或应减小。这样，可以通过感知和分析工件表面的状态变化来实现石英工件磨削过程中的磨削参数自适应控制，增加研磨机在进行石英工件磨削的灵活性和性能，优化磨削效果和提高加工质量。

Description

一种研磨机及其控制方法

技术领域

本公开涉及研磨机领域，且更为具体地，涉及一种研磨机及其控制方法。

背景技术

研磨机是一种用于对工件进行磨削加工的设备，广泛应用于制造业的各个领域，如汽车工业、航空航天工业、模具制造、精密机械加工等。通过研磨机的使用，可以提高工件的尺寸精度、形状精度和表面质量，满足不同行业对产品质量的要求。在半导体行业中，石英是一种硬度高、化学稳定性好的材料，常被用于制造半导体器件的基板和光学元件。研磨机在石英材料加工过程中常用于去除表面缺陷、调整材料厚度和提供平整的表面。

目前，在使用研磨机进行石英材料的加工过程中，通常是基于固定的参数设置，如固定的进给速度等。然而，这种固定参数设置无法适应磨削过程中石英材料的表面变化和不均匀性。也就是说，由于石英材料的特性和加工过程中的不确定性，固定的参数设置可能无法适应实际加工情况，也就无法达到理想的加工效果，导致加工质量的不稳定性或者浪费资源。

此外，现有一些方案可以通过人工干预和调整研磨机的参数。在进行石英材料的磨削加工前，操作员需要根据经验和直觉来判断和调整磨削的参数，使得石英材料能够达到想要的磨削效果。但是，由于每个石英材料的特性不同以及加工过程中每个加工环节的不同，使得加工的参数在加工过程中会发生相应变化，需要根据实际情况灵活地调整磨削参数。然而，现有的控制方案缺乏自适应能力，限制了研磨机的性能和灵活性，使得现有的控制方案难以满足实际的应用需求。

因此，期望一种优化的研磨机的控制方案。

发明内容

有鉴于此，本公开提出了一种研磨机及其控制方法，其可以通过感知和分析工件表面的状态变化来实现石英工件磨削过程中的磨削参数自适应控制，增加研磨机在进行石英工件磨削的灵活性和性能，优化磨削效果和提高加工质量。

根据本公开的一方面，提供了一种研磨机的控制方法，其包括：

通过摄像头采集磨削石英工件的表面状态监控视频；

对所述表面状态监控视频进行时序特征分析以得到工件表面状态时序特征；以及

基于所述工件表面状态时序特征，确定当前时间点的进给速度应增大或应减小。

根据本公开的另一方面，提供了一种研磨机，其中，所述研磨机以如前所述的研磨机的控制方法进行运转。

根据本公开的实施例，其首先通过摄像头采集磨削石英工件的表面状态监控视频，接着，对所述表面状态监控视频进行时序特征分析以得到工件表面状态时序特征，然后，基于所述工件表面状态时序特征，确定当前时间点的进给速度应增大或应减小。这样，可以通过感知和分析工件表面的状态变化来实现石英工件磨削过程中的磨削参数自适应控制，增加研磨机在进行石英工件磨削的灵活性和性能，优化磨削效果和提高加工质量.

与现有技术相比，本申请提供了一种研磨机及其控制方法，其可以通过感知和分析工件表面的状态变化来实现石英工件磨削过程中的磨削参数自适应控制，增加研磨机在进行石英工件磨削的灵活性和性能，优化磨削效果和提高加工质量。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的研磨机的控制方法的流程图。

图2示出根据本公开的实施例的研磨机的控制方法的架构示意图。

图3示出根据本公开的实施例的研磨机的控制方法的子步骤S120的流程图。

图4示出根据本公开的实施例的研磨机的控制方法进一步包括的训练步骤的流程图。

图5示出根据本公开的实施例的研磨机的控制系统的框图。

图6示出根据本公开的实施例的研磨机的控制方法的应用场景图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

实施例1：

针对上述技术问题，本公开的技术构思为通过摄像头采集磨削石英工件的表面状态监控视频，并在后端引入数据处理算法来进行所述表面状态监控视频的分析，以通过感知和分析工件表面的状态变化来实现石英工件磨削过程中的磨削参数自适应控制，通过这样的方式，增加了研磨机在进行石英工件磨削的灵活性和性能，从而优化磨削效果和提高加工质量。

图1示出根据本公开的实施例的研磨机的控制方法的流程图。图2示出根据本公开的实施例的研磨机的控制方法的架构示意图。如图1和图2所示，根据本公开实施例的研磨机的控制方法，包括步骤：S110，通过摄像头采集磨削石英工件的表面状态监控视频；S120，对所述表面状态监控视频进行时序特征分析以得到工件表面状态时序特征；以及，S130，基于所述工件表面状态时序特征，确定当前时间点的进给速度应增大或应减小。

具体地，在本公开的技术方案中，首先，获取由摄像头采集的磨削石英工件的表面状态监控视频。接着，考虑到由于所述表面状态监控视频通常是连续的、高频率的数据流，为了减少数据存储和处理负担，可以通过关键帧采样的方式选择少量关键帧来代表整个视频流。这样可以大大减少数据量，提高数据传输和处理的效率。并且，关键帧采样可以捕捉到所述磨削石英工件在研磨过程中的关键时刻，即表面状态发生显著变化的时刻。这些关键时刻往往与磨削参数的调整和优化密切相关。因此，通过对于所述表面状态监控视频进行关键帧采样能够更好地理解磨削过程中的变化规律，并进行磨削参数的相应控制和调整。

然后，使用在图像的隐含特征提取方面具有优异表现的基于卷积神经网络模型的工件表面状态特征提取器来分别进行所述多个表面状态监控关键帧的特征挖掘，以分别提取出所述各个表面状态监控关键帧中有关于所述磨削石英工件的表面状态隐含特征分布信息，从而得到多个表面状态特征向量。

进一步地，考虑到由于所述磨削石英工件的表面状态在磨削过程中是不断变化的，也就是说，所述各个关键帧中有关于所述磨削石英工件的表面状态特征在时间维度上具有着时序的关联关系。并且，在实际进行该石英工件的磨削过程监测时，应更加关注于每两个关键帧下的有关于石英工件的表面状态变化情况。因此，为了能够更好地捕捉到所述磨削石英工件的表面状态特征在时间维度上的细节变化特征信息，在本公开的技术方案中，进一步计算所述多个表面状态特征向量中每相邻两个表面状态特征向量之间的转移矩阵并计算所述转移矩阵的全局均值以得到由多个状态转移特征值组成的工件表面状态时序状态特征向量。特别地，这里，通过计算每相邻两个所述表面状态特征向量之间的转移矩阵，能够提取出每相邻两个关键帧下的有关于所述磨削石英工件的表面状态特征之间的相对变化特征信息，有助于进行所述磨削石英工件的表面状态变化监测以及磨削参数的控制。

进而，还考虑到由于每相邻两个关键帧下的有关于所述磨削石英工件的表面状态相对变化特征虽然能够对于工件表面状态的细节变化情况进行很好地捕捉，但是对于磨削过程的时间维度上的关联程度较弱，导致难以对于所述磨削石英工件的表面状态时序变化特征进行有效刻画。因此，在本公开的技术方案中，进一步将所述工件表面状态时序状态特征向量通过基于一维卷积层的时序关联强化器中进行特征挖掘，以提取出每相邻两个关键帧下关于所述磨削石英工件的表面状态相对变化特征在时间维度上的时序关联特征信息，从而得到强化工件表面状态时序状态特征向量。

相应地，如图3所示，对所述表面状态监控视频进行时序特征分析以得到工件表面状态时序特征，包括：S121，对所述表面状态监控视频进行关键帧采样以得到多个表面状态监控关键帧；S122，通过基于深度神经网络模型的工件表面状态特征提取器分别对所述多个表面状态监控关键帧进行特征提取以得到多个表面状态特征向量；S123，对所述多个表面状态特征向量进行时序邻域关联编码以得到工件表面状态时序状态特征向量；以及，S124，对所述工件表面状态时序状态特征向量进行时序关联特征强化以得到所述工件表面状态时序特征。应可以理解，步骤S121的目的是从表面状态监控视频中选择一些关键帧，这些关键帧是视频中具有代表性和重要信息的帧，通过关键帧采样，可以减少数据量，提高后续处理的效率；步骤S122中，使用基于深度神经网络模型的特征提取器对每个关键帧进行处理，提取出表面状态的特征向量，深度神经网络模型可以学习到表面状态的抽象表示，这些特征向量可以用于后续的分析和处理；步骤S123中，对多个表面状态特征向量进行时序邻域关联编码，即考虑它们之间的时序关系，通过对特征向量进行编码，可以捕捉到工件表面状态在时间上的演变和变化趋势，得到工件表面状态的时序状态特征向量；步骤S124中，对工件表面状态的时序状态特征向量进行时序关联特征强化，这可能包括使用时序模型、聚类算法或其他方法来进一步分析和处理特征向量，以提取更高级的时序特征，最终得到的工件表面状态时序特征可以用于工件状态监控、故障检测等应用。换言之，这些步骤组合起来完成了对表面状态监控视频的时序特征分析，从而得到了工件表面状态的时序特征，这些特征可以用于工件质量控制和生产过程监测等领域。

更具体地，在步骤S122中，所述深度神经网络模型为卷积神经网络模型。值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，卷积神经网络通过多层卷积层、池化层和全连接层构成，其中卷积层主要用于提取输入数据的局部特征，池化层用于降低特征图的空间维度，全连接层用于将提取到的特征进行分类或回归等任务。卷积神经网络的主要优势在于它能够自动学习输入数据的特征表示。通过卷积操作和非线性激活函数，卷积神经网络能够捕捉到输入数据的空间局部性，并且具有平移不变性，即对于输入数据的不同位置，可以共享学习到的特征。这使得卷积神经网络在处理图像和视频等具有平移不变性的数据时表现出色。在表面状态监控视频的时序特征分析中，卷积神经网络模型可以用于提取每个关键帧的表面状态特征。通过在网络中堆叠多个卷积层和池化层，卷积神经网络可以自动学习到表面状态的抽象特征表示，这些特征向量可以用于后续的时序特征分析和处理。卷积神经网络模型在图像和视频处理任务中具有重要的作用，能够有效地提取输入数据的特征表示，对于表面状态监控视频的时序特征分析也具有很大的应用潜力。

更具体地，在步骤S123中，对所述多个表面状态特征向量进行时序邻域关联编码以得到工件表面状态时序状态特征向量，包括：计算所述多个表面状态特征向量中每相邻两个表面状态特征向量之间的转移矩阵并计算所述转移矩阵的全局均值以得到由多个状态转移特征值组成的所述工件表面状态时序状态特征向量。应可以理解，转移矩阵是指在时序数据中，记录了相邻状态之间的转移关系，在表面状态特征向量的时序邻域关联编码中，转移矩阵用于描述相邻表面状态特征向量之间的转移概率或相似度。具体而言，对于多个表面状态特征向量，可以计算每相邻两个特征向量之间的转移矩阵，转移矩阵的每个元素表示从一个状态到另一个状态的转移概率或相似度，这些转移矩阵可以反映工件表面状态在时间上的演变和变化趋势。计算转移矩阵的全局均值是为了得到由多个状态转移特征值组成的工件表面状态时序状态特征向量。全局均值是对转移矩阵中所有元素取平均值得到的一个值。这个值可以用来表示整个时序数据的状态转移特征的整体趋势。通过计算转移矩阵的全局均值，可以将多个状态转移特征值汇总为一个单一的特征向量，从而减少特征的维度并且保留了时序数据的关键信息。这个工件表面状态时序状态特征向量可以用于后续的分析和处理。总之，转移矩阵用于描述相邻表面状态特征向量之间的转移关系，通过计算转移矩阵的全局均值可以得到工件表面状态的时序状态特征向量，用于表示工件表面状态的时序演变趋势和特征。

更具体地，在步骤S124中，对所述工件表面状态时序状态特征向量进行时序关联特征强化以得到所述工件表面状态时序特征，包括：将所述工件表面状态时序状态特征向量通过基于一维卷积层的时序关联强化器以得到强化工件表面状态时序状态特征向量作为所述工件表面状态时序特征。值得一提的是，一维卷积层是卷积神经网络中的一种层类型，用于处理具有序列结构的数据，如时间序列或一维信号。与二维卷积层用于图像处理不同，一维卷积层在一个维度上进行卷积运算。一维卷积层的输入是一个一维的特征序列，可以是时序数据、文本数据或其他具有序列结构的数据。它通过定义一组卷积核（也称为滤波器）来提取输入序列中的特征。一维卷积层的主要作用是通过卷积操作在输入序列上滑动卷积核，提取局部的特征信息。卷积核可以捕捉到输入序列中的不同模式、趋势或重要的局部结构。通过在一维卷积层中堆叠多个卷积核，并结合非线性激活函数，可以学习到更高级的抽象特征表示。在工件表面状态时序特征的处理中，一维卷积层可以用作时序关联强化器，对工件表面状态时序状态特征向量进行进一步的特征提取和强化。通过将工件表面状态时序状态特征向量输入到一维卷积层中，卷积核可以在时序数据上滑动，捕捉到更复杂的时序关联特征。这样得到的强化工件表面状态时序状态特征向量可以更好地表示工件表面状态的时序特征，包括时序关联、时序模式等。换言之，一维卷积层是一种用于处理一维序列数据的神经网络层。在工件表面状态时序特征的处理中，一维卷积层可以用于时序关联特征的提取和强化，从而得到更具代表性的工件表面状态时序特征。

特别地，在本申请的技术方案中，将所述多个表面状态监控关键帧分别通过基于卷积神经网络模型的工件表面状态特征提取器以得到多个表面状态特征向量时，每个表面状态特征向量表达相应的表面状态监控关键帧的图像语义特征，由此每相邻两个表面状态特征向量之间的转移矩阵表达图像特征语义的域转移特征，但是，考虑到所述多个表面状态监控关键帧在时序方向下的图像源语义分布不均衡，在进行特征提取和域转移计算之后，会进一步放大图像特征语义的域转移特征的特征分布不均衡，且所述转移矩阵的全局均值的计算也会进一步增大数值之间的分布偏差，从而将所述工件表面状态时序状态特征向量通过基于一维卷积层的时序关联强化器，局部时序关联特征的提取会使得所述强化工件表面状态时序状态特征向量的整体特征分布进一步存在时序特征表示偏差，从而在分类场景下，在分类器的权重矩阵迭代过程中导致所述强化工件表面状态时序状态特征向量的类概率映射的时域偏移，影响模型的训练效果，以及训练好的模型得到的所述强化工件表面状态时序状态特征向量的分类结果的准确性。

基于此，本申请通过融合所述工件表面状态时序状态特征向量和所述强化工件表面状态时序状态特征向量来对所述强化工件表面状态时序状态特征向量进行优化，也就是，对于所述工件表面状态时序状态特征向量，例如记为V1和所述强化工件表面状态时序状态特征向量，例如记为V2进行特征插值式融合的目的损失自监督平衡化，以获得优化的强化工件表面状态时序状态特征向量。

相应地，在一个具体示例中，对所述强化工件表面状态时序状态特征向量进行特征分布优化以得到优化的强化工件表面状态时序状态特征向量，包括：以如下平衡化公式对所述工件表面状态时序状态特征向量和所述强化工件表面状态时序状态特征向量进行特征插值式融合的目的损失自监督平衡化以得到优化的强化工件表面状态时序状态特征向量；

其中，所述平衡化公式为：

V2'=(2×V1⊙v1−1⊝I)⊙V2⊕(2×V2⊙v2−1⊝I)⊙V1

其中，V1表示所述工件表面状态时序状态特征向量，V2表示所述强化工件表面状态时序状态特征向量，v1−1和v2−1分别表示所述工件表面状态时序状态特征向量V1和所述强化工件表面状态时序状态特征向量V2的全局均值的倒数，且I是单位向量，⊙表示向量的按位置点乘，⊕和⊝表示向量的按位置相加和按位置相减，V2'表示所述优化的强化工件表面状态时序状态特征向量。

也就是，在考虑到基于时序分布的特征交互式融合的情况下，如果将待融合的所述强化工件表面状态时序状态特征向量V2视为所述工件表面状态时序状态特征向量V1的强特征时序增强输入，则可能损失所述工件表面状态时序状态特征向量V1的目标特征在类空间内的目标分布信息，导致类回归目的损失，因此通过对特征分布相对于彼此的离群分布（outlier distribution）进行交叉惩罚的方式，可以在特征插值式融合时实现特征增强和回归鲁棒的自监督式平衡，以提升所述工件表面状态时序状态特征向量V1和所述强化工件表面状态时序状态特征向量V2的特征融合效果，从而提升优化后的强化工件表面状态时序状态特征向量的时序均衡表达效果，以提升其通过分类器得到的分类结果的准确性。

继而，再将所述优化的强化工件表面状态时序状态特征向量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进给速度应增大或应减小。也就是说，以时间流强化的关于所述磨削石英工件的表面状态时序相对变化特征信息来进行分类处理，从而基于实际石英工件的表面状态变化情况来实时进行给进速度的自适应控制，通过这样的方式，增加了石英工件磨削的灵活性和性能，优化了磨削效果和提高加工质量。

相应地，基于所述工件表面状态时序特征，确定当前时间点的进给速度应增大或应减小，包括：对所述强化工件表面状态时序状态特征向量进行特征分布优化以得到优化的强化工件表面状态时序状态特征向量；将所述优化的强化工件表面状态时序状态特征向量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进给速度应增大或应减小。

更具体地，将所述优化的强化工件表面状态时序状态特征向量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进给速度应增大或应减小，包括：使用所述分类器的全连接层对所述强化工件表面状态时序状态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。

也就是，在本公开的技术方案中，所述分类器的标签包括当前时间点的进给速度应增大 (第一标签)，以及，当前时间点的进给速度应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述强化工件表面状态时序状态特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的进给速度应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，当前时间点的进给速度应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的进给速度应增大或应减小”的语言文本意义。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

值得一提的是，全连接编码（Fully Connected Encoding）是指将输入数据与权重矩阵进行矩阵乘法，并通过激活函数进行非线性转换的过程，在神经网络中，全连接编码通常用于将输入数据映射到更高维的特征空间，以便进行更复杂的特征表示和分类。通过全连接编码，可以将输入的强化工件表面状态时序状态特征向量映射到更高维的特征空间，这种映射可以帮助模型学习到更复杂、更抽象的特征表示，从而提高分类器对工件表面状态的理解和区分能力。全连接编码通过权重矩阵的乘法操作，可以将输入特征之间的关系进行组合，这种组合可以捕捉到输入特征之间的非线性交互，从而提供更全面和丰富的特征表示。全连接编码通常会在映射后的特征上应用非线性激活函数，如ReLU、Sigmoid等，这种非线性转换可以增加模型的表达能力，并引入非线性的决策边界，使得模型能够更好地适应复杂的分类任务。在本公开中，全连接编码用于对强化工件表面状态时序状态特征向量进行编码，将其映射到更高维的特征空间。通过全连接编码，模型可以学习到更丰富、更抽象的特征表示，以便更好地进行分类。编码后的特征向量可以输入到分类器的Softmax分类函数中，得到最终的分类结果，用于表示当前时间点的进给速度应增大或应减小。

进一步地，所述的研磨机的控制方法，其还包括训练步骤：用于对所述基于卷积神经网络模型的工件表面状态特征提取器、所述基于一维卷积层的时序关联强化器和所述分类器进行训练。应可以理解，训练步骤在研磨机的控制方法中起着至关重要的作用。通过训练基于卷积神经网络模型的工件表面状态特征提取器、基于一维卷积层的时序关联强化器和分类器，可以使这些模型具备对工件表面状态的理解和预测能力。训练步骤的主要目的是通过给定的训练数据集来学习模型的参数，使其能够从输入的工件表面状态数据中提取有用的特征，并对工件状态进行准确的分类或预测。具体来说，训练步骤的作用如下：1.特征提取器训练：工件表面状态特征提取器的训练旨在学习提取工件表面状态特征的模型参数，通过训练，特征提取器可以自动学习到对工件表面状态具有区分能力的特征表示，从而将输入的表面状态数据转化为特征向量。2.时序关联强化器训练：基于一维卷积层的时序关联强化器的训练旨在学习对工件表面状态时序特征进行进一步处理和强化的模型参数，通过训练，时序关联强化器可以学习到在时序数据中捕捉关联特征的卷积核权重，从而提高工件表面状态时序特征的表示能力。3.分类器训练：分类器的训练旨在学习将工件表面状态特征与相应质量类别进行关联的模型参数，通过训练，分类器可以学习到在提取和强化后的特征表示上进行分类的决策边界，从而实现对工件质量的准确分类。通过训练步骤，模型可以从大量的标注数据中学习到工件表面状态的特征表示和分类规则，使得在实际应用中能够对新的工件表面状态进行准确的预测和分类。这样的训练过程可以提高研磨机的控制方法的性能和可靠性，实现更精确的质量控制和生产过程监测。

更具体地，如图4所示，所述训练步骤，包括：S210，获取训练数据，所述训练数据包括磨削石英工件的训练表面状态监控视频，以及，所述当前时间点的进给速度应增大或应减小的真实值；S220，对所述训练表面状态监控视频进行关键帧采样以得到多个训练表面状态监控关键帧；S230，将所述多个训练表面状态监控关键帧分别通过所述基于卷积神经网络模型的工件表面状态特征提取器以得到多个训练表面状态特征向量；S240，计算所述多个训练表面状态特征向量中每相邻两个训练表面状态特征向量之间的转移矩阵并计算所述转移矩阵的全局均值以得到由多个训练状态转移特征值组成的训练工件表面状态时序状态特征向量；S250，将所述训练工件表面状态时序状态特征向量通过所述基于一维卷积层的时序关联强化器以得到训练强化工件表面状态时序状态特征向量；S260，将所述训练强化工件表面状态时序状态特征向量通过所述分类器以得到分类损失函数值；以及，S270，基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的工件表面状态特征提取器、所述基于一维卷积层的时序关联强化器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代。

特别地，在本公开的技术方案中，将所述多个表面状态监控关键帧分别通过基于卷积神经网络模型的工件表面状态特征提取器以得到多个表面状态特征向量时，每个表面状态特征向量表达相应的表面状态监控关键帧的图像语义特征，由此每相邻两个表面状态特征向量之间的转移矩阵表达图像特征语义的域转移特征，但是，考虑到所述多个表面状态监控关键帧在时序方向下的图像源语义分布不均衡，在进行特征提取和域转移计算之后，会进一步放大图像特征语义的域转移特征的特征分布不均衡，且所述转移矩阵的全局均值的计算也会进一步增大数值之间的分布偏差，从而将所述工件表面状态时序状态特征向量通过基于一维卷积层的时序关联强化器，局部时序关联特征的提取会使得所述强化工件表面状态时序状态特征向量的整体特征分布进一步存在时序特征表示偏差，从而在分类场景下，在分类器的权重矩阵迭代过程中导致所述强化工件表面状态时序状态特征向量的类概率映射的时域偏移，以及进一步的权重矩阵基于所述强化工件表面状态时序状态特征向量的时序拟合发散，从而影响模型的训练效果，以及训练好的模型得到的所述强化工件表面状态时序状态特征向量的分类结果的准确性。

基于此，本公开的申请人在所述强化工件表面状态时序状态特征向量通过分类器的训练过程中，进行权重矩阵的基于基准注释的外部边界约束。

相应地，在一个具体示例中，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代；其中，所述优化公式为：

M2'=(V1⊗V2T)⊗M2⊕M1

V1=M1⊗Vc

V2=M2⊗Vc

其中，M1和M2分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置M1和M2，（例如，M1设置为单位矩阵而M2设置为待分类特征向量的均值对角矩阵），Vc是所述训练强化工件表面状态时序状态特征向量，且Vc为列向量形式，(·)T表示转置操作，⊗表示矩阵乘法，⊕表示矩阵加法，M2'表示迭代后的所述分类器的权重矩阵。

这里，通过以所述强化工件表面状态时序状态特征向量Vc在权重空间内的迭代关联表示来作为权重矩阵迭代的外部关联边界约束，从而在将前次的权重矩阵作为本次迭代过程中的基准注释（benchmark annotation）的情况下，减小权重空间迭代过程当中以所述强化工件表面状态时序状态特征向量Vc的类概率映射作为锚点的定向不匹配（orientedmismatch），从而进行权重矩阵在迭代过程中相对于所述强化工件表面状态时序状态特征向量Vc的类概率映射的域间偏移的补偿，并进一步增强权重矩阵基于所述强化工件表面状态时序状态特征向量Vc的时序拟合聚合，以提升模型的训练效果，以及训练好的模型得到的所述强化工件表面状态时序状态特征向量的分类结果的准确性。这样，能够基于实际磨削石英工件的表面状态变化情况来进行磨削参数的自适应控制，从而优化磨削效果和提高加工质量。

综上，基于本公开实施例的研磨机的控制方法，其可以通过感知和分析工件表面的状态变化来实现石英工件磨削过程中的磨削参数自适应控制，增加研磨机在进行石英工件磨削的灵活性和性能，优化磨削效果和提高加工质量。

实施例2：

进一步地，在本公开的实施例中，还提供一种研磨机，其中，所述研磨机以如前述任一所述的研磨机的控制方法进行运转。进一步地，所述研磨机，其还包括：工作台；磨削头，由磨石和砂轮组成，用于对工件进行磨削；主轴；进给系统和控制系统。

图5示出根据本公开的实施例的研磨机的控制系统100的框图。如图5所示，根据本公开实施例的研磨机的控制系统100，包括：视频获取模块110，用于通过摄像头采集磨削石英工件的表面状态监控视频；时序特征分析模块120，用于对所述表面状态监控视频进行时序特征分析以得到工件表面状态时序特征；以及，进给速度控制模块130，用于基于所述工件表面状态时序特征，确定当前时间点的进给速度应增大或应减小。

在一种可能的实现方式中，所述时序特征分析模块120，包括：关键帧采样单元，用于对所述表面状态监控视频进行关键帧采样以得到多个表面状态监控关键帧；特征提取单元，用于通过基于深度神经网络模型的工件表面状态特征提取器分别对所述多个表面状态监控关键帧进行特征提取以得到多个表面状态特征向量；时序邻域关联编码单元，用于对所述多个表面状态特征向量进行时序邻域关联编码以得到工件表面状态时序状态特征向量；以及，时序关联特征强化单元，用于对所述工件表面状态时序状态特征向量进行时序关联特征强化以得到所述工件表面状态时序特征。

这里，本领域技术人员可以理解，上述研磨机的控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的研磨机的控制方法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，根据本公开实施例的研磨机的控制系统100可以实现在各种无线终端中，例如具有研磨机的控制算法的服务器等。在一种可能的实现方式中，根据本公开实施例的研磨机的控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该研磨机的控制系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该研磨机的控制系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该研磨机的控制系统100与该无线终端也可以是分立的设备，并且该研磨机的控制系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图6示出根据本公开的实施例的研磨机的控制方法的应用场景图。如图6所示，在该应用场景中，首先，通过摄像头采集磨削石英工件的表面状态监控视频（例如，图6中所示意的D），然后，将所述表面状态监控视频输入至部署有研磨机的控制算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述研磨机的控制算法对所述表面状态监控视频进行处理以得到用于表示当前时间点的进给速度应增大或应减小的分类结果。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种研磨机的控制方法，其特征在于，包括：

通过摄像头采集磨削石英工件的表面状态监控视频；

对所述表面状态监控视频进行时序特征分析以得到工件表面状态时序特征；以及

基于所述工件表面状态时序特征，确定当前时间点的进给速度应增大或应减小；

其中，所述对所述表面状态监控视频进行时序特征分析以得到工件表面状态时序特征，包括：

对所述表面状态监控视频进行关键帧采样以得到多个表面状态监控关键帧；

通过基于深度神经网络模型的工件表面状态特征提取器分别对所述多个表面状态监控关键帧进行特征提取以得到多个表面状态特征向量；

对所述多个表面状态特征向量进行时序邻域关联编码以得到工件表面状态时序状态特征向量；以及

对所述工件表面状态时序状态特征向量进行时序关联特征强化以得到所述工件表面状态时序特征。

2.根据权利要求1所述的研磨机的控制方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。

3.根据权利要求2所述的研磨机的控制方法，其特征在于，对所述多个表面状态特征向量进行时序邻域关联编码以得到工件表面状态时序状态特征向量，包括：

计算所述多个表面状态特征向量中每相邻两个表面状态特征向量之间的转移矩阵并计算所述转移矩阵的全局均值以得到由多个状态转移特征值组成的所述工件表面状态时序状态特征向量。

4.根据权利要求3所述的研磨机的控制方法，其特征在于，对所述工件表面状态时序状态特征向量进行时序关联特征强化以得到所述工件表面状态时序特征，包括：

将所述工件表面状态时序状态特征向量通过基于一维卷积层的时序关联强化器以得到强化工件表面状态时序状态特征向量作为所述工件表面状态时序特征。

5.根据权利要求4所述的研磨机的控制方法，其特征在于，基于所述工件表面状态时序特征，确定当前时间点的进给速度应增大或应减小，包括：

对所述强化工件表面状态时序状态特征向量进行特征分布优化以得到优化的强化工件表面状态时序状态特征向量；

将所述优化的强化工件表面状态时序状态特征向量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进给速度应增大或应减小。

6.根据权利要求5所述的研磨机的控制方法，其特征在于，对所述强化工件表面状态时序状态特征向量进行特征分布优化以得到优化的强化工件表面状态时序状态特征向量，包括：以如下平衡化公式对所述工件表面状态时序状态特征向量和所述强化工件表面状态时序状态特征向量进行特征插值式融合的目的损失自监督平衡化以得到优化的强化工件表面状态时序状态特征向量；

其中，所述平衡化公式为：

V2'=(2×V1⊙v1−1⊝I)⊙V2⊕(2×V2⊙v2−1⊝I)⊙V1

其中，V1表示所述工件表面状态时序状态特征向量，V2表示所述强化工件表面状态时序状态特征向量，v1−1和v2−1分别表示所述工件表面状态时序状态特征向量V1和所述强化工件表面状态时序状态特征向量V2的全局均值的倒数，且I是单位向量，⊙表示向量的按位置点乘，⊕和⊝表示向量的按位置相加和按位置相减，V2'表示所述优化的强化工件表面状态时序状态特征向量。

7.根据权利要求6所述的研磨机的控制方法，其特征在于，还包括训练步骤：用于对所述基于卷积神经网络模型的工件表面状态特征提取器、所述基于一维卷积层的时序关联强化器和所述分类器进行训练。

8.根据权利要求7所述的研磨机的控制方法，其特征在于，所述训练步骤，包括：

获取训练数据，所述训练数据包括磨削石英工件的训练表面状态监控视频，以及，所述当前时间点的进给速度应增大或应减小的真实值；

对所述训练表面状态监控视频进行关键帧采样以得到多个训练表面状态监控关键帧；

将所述多个训练表面状态监控关键帧分别通过所述基于卷积神经网络模型的工件表面状态特征提取器以得到多个训练表面状态特征向量；

计算所述多个训练表面状态特征向量中每相邻两个训练表面状态特征向量之间的转移矩阵并计算所述转移矩阵的全局均值以得到由多个训练状态转移特征值组成的训练工件表面状态时序状态特征向量；

将所述训练工件表面状态时序状态特征向量通过所述基于一维卷积层的时序关联强化器以得到训练强化工件表面状态时序状态特征向量；

将所述训练强化工件表面状态时序状态特征向量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方向传播来对所述基于卷积神经网络模型的工件表面状态特征提取器、所述基于一维卷积层的时序关联强化器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代。

9.根据权利要求8所述的研磨机的控制方法，其特征在于，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代；

其中，所述优化公式为：

M2'=(V1⊗V2T)⊗M2⊕M1

V1=M1⊗Vc

V2=M2⊗Vc

其中，M1和M2分别是上次和本次迭代的权重矩阵，Vc是所述训练强化工件表面状态时序状态特征向量，且Vc为列向量形式，(·)T表示转置操作，⊗表示矩阵乘法，⊕表示矩阵加法，M2'表示迭代后的所述分类器的权重矩阵。

10.一种研磨机，其特征在于，所述研磨机以如权利要求1至9任一所述的研磨机的控制方法进行运转。