CN117862876B - 一种锻钢阀门阀盖多工位自动装夹工装 - Google Patents
一种锻钢阀门阀盖多工位自动装夹工装 Download PDFInfo
- Publication number
- CN117862876B CN117862876B CN202310649517.2A CN202310649517A CN117862876B CN 117862876 B CN117862876 B CN 117862876B CN 202310649517 A CN202310649517 A CN 202310649517A CN 117862876 B CN117862876 B CN 117862876B
- Authority
- CN
- China
- Prior art keywords
- feature
- classification
- matrix
- vector
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 135
- 239000010959 steel Substances 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000003754 machining Methods 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 49
- 230000005236 sound signal Effects 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 183
- 239000013598 vector Substances 0.000 claims description 159
- 238000005553 drilling Methods 0.000 claims description 75
- 238000010586 diagram Methods 0.000 claims description 49
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 34
- 230000004044 response Effects 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 32
- 238000011176 pooling Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 25
- 230000002457 bidirectional effect Effects 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000020347 spindle assembly Effects 0.000 description 27
- 238000003801 milling Methods 0.000 description 24
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 229910001018 Cast iron Inorganic materials 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000005242 forging Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005266 casting Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 241001391944 Commicarpus scandens Species 0.000 description 2
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000010720 hydraulic oil Substances 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
- 230000008707 rearrangement Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
- B23P23/00—Machines or arrangements of machines for performing specified combinations of different metal-working operations not covered by a single other subclass
- B23P23/02—Machine tools for performing different machining operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q3/00—Devices holding, supporting, or positioning work or tools, of a kind normally removable from the machine
- B23Q3/02—Devices holding, supporting, or positioning work or tools, of a kind normally removable from the machine for mounting on a work-table, tool-slide, or analogous part
- B23Q3/06—Work-clamping means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q5/00—Driving or feeding mechanisms; Control arrangements therefor
- B23Q5/22—Feeding members carrying tools or work
- B23Q5/28—Electric drives
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Perforating, Stamping-Out Or Severing By Means Other Than Cutting (AREA)
- General Factory Administration (AREA)
Abstract
本申请涉及机械加工领域，其具体地公开了一种锻钢阀门阀盖多工位自动装夹工装，其通过采用基于深度学习的神经网络模型挖掘出锻钢阀门阀盖多工位自动装夹工装的运行过程中所产生的振动信号和声音信号两者之间的关联性时序变化隐含特征，以对于锻钢阀阀盖自动化多工位机加工设备的工作状态进行实时准确地监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
Description
技术领域
本申请涉及机械加工领域，且更为具体地，涉及一种锻钢阀门阀盖多工位自动装夹工装。
背景技术
锻钢阀门阀盖多工位自动装夹工装是一种应用广泛的机加工设备，用于完成锻钢阀门阀盖等零部件的高效、自动化生产。目前，锻钢阀门阀盖多工位自动装夹工装常常需要完成高强度加工且具有长时间运转的特点，容易出现故障和损坏。然而，传统的监测维修方式依赖于工作人员的经验判断和手工检测，这种方式往往会带来高昂的维修成本和停机时间，不仅效率较低且容易出现漏检、误检的情况，影响锻钢阀门阀盖多工位自动装夹工装的正常工作。
因此，期望一种优化的锻钢阀门阀盖多工位自动装夹工装，其能够对于锻钢阀门阀盖多工位自动装夹工装的工作状态进行实时监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
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锻钢阀门阀盖多工位自动装夹工装，其通过采用基于深度学习的神经网络模型挖掘出锻钢阀门阀盖多工位自动装夹工装的运行过程中所产生的振动信号和声音信号两者之间的关联性时序变化隐含特征，以对于锻钢阀阀盖自动化多工位机加工设备的工作状态进行实时准确地监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
根据本申请的一个方面，提供了一种锻钢阀门阀盖多工位自动装夹工装，其包括：数据采集模块，用于获取由振动传感器和声音传感器采集的钻孔过程中的振动信号和声音信号；振动波形特征提取模块，用于将所述振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量；声音波形特征提取模块，用于将所述声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量；数据时序关联编码模块，用于对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵；注意力增强模块，用于将所述关联特征矩阵通过双向注意力机制模块以得到分类特征矩阵；特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
工作状态检测模块，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锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常。
在上述锻钢阀门阀盖多工位自动装夹工装中，所述振动波形特征提取模块，用于：使用所述作为过滤器的第一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全局均值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，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述振动波形特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述振动信号的波形图。
在上述锻钢阀门阀盖多工位自动装夹工装中，所述声音波形特征提取模块，用于：使用所述作为过滤器的第二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全局均值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，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述声音波形特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为所述声音信号的波形图。
在上述锻钢阀门阀盖多工位自动装夹工装中，所述数据时序关联编码模块，用于：以如下公式对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵；其中，所述公式为：其中 />表示所述振动波形特征向量，表示所述振动波形特征向量的转置向量，/>表示所述声音波形特征向量，/>表示所述关联特征矩阵，/>表示向量相乘。
在上述锻钢阀门阀盖多工位自动装夹工装中，所述注意力增强模块，包括：双向池化单元，用于将所述关联特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；池化关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；矩阵展开单元，用于将所述所述关联特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到关联特征向量和注意力特征向量；优化特征融合单元，用于融合所述关联特征向量和所述注意力特征向量以得到融合关联特征向量；以及，维度重构单元，用于将所述融合关联特征向量进行维度重构以得到所述分类特征矩阵。
在上述锻钢阀门阀盖多工位自动装夹工装中，所述振动波形特征提取模块，包括：优化因数计算单元，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，加权优化单元，用于以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。
在上述锻钢阀门阀盖多工位自动装夹工装中，所述优化因数计算单元，用于：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述优化公式为：其中， />是所述分类特征矩阵中各个位置特征值，/>为所述分类特征矩阵的各个位置特征值的坐标，且是所述分类特征矩阵的所有特征值的全局均值， />和/>代表将二维实数映射为一维实数的函数， />和/>分别是所述分类特征矩阵的宽度和高度，/>表示以2为底的对数函数值，/>表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。
在上述锻钢阀门阀盖多工位自动装夹工装中，所述工作状态检测模块，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，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，提供了一种锻钢阀门阀盖多工位自动装夹工装的使用方法，其包括：获取由振动传感器和声音传感器采集的钻孔过程中的振动信号和声音信号；将所述振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量；将所述声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量；对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵；将所述关联特征矩阵通过双向注意力机制模块以得到分类特征矩阵；对所述分类特征矩阵进行特征分布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锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常。
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锻钢阀门阀盖多工位自动装夹工装的使用方法。
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锻钢阀门阀盖多工位自动装夹工装的使用方法。
与现有技术相比，本申请提供的一种锻钢阀门阀盖多工位自动装夹工装，其通过采用基于深度学习的神经网络模型挖掘出锻钢阀门阀盖多工位自动装夹工装的运行过程中所产生的振动信号和声音信号两者之间的关联性时序变化隐含特征，以对于锻钢阀阀盖自动化多工位机加工设备的工作状态进行实时准确地监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
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锻钢阀门阀盖多工位自动装夹工装的场景示意图。
图2为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装的框图。
图3为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装的系统架构图。
图4为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装中第一卷积神经网络编码流程图。
图5为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装中注意力增强模块的框图。
图6为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装中振动波形特征提取模块的框图。
图7为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装的使用方法的流程图。
图8为无设备外钣金的产品立体结构示意总图；图9为产品立体结构示意总图。
图10为产品前视图。
图11为产品立体结构示意侧图。
图12为产品顶视图。
图13为钻安装孔动力主轴总成示意图。
图14为锪平安装孔动力主轴总成示意图。
图15为铣槽口动力主轴总成、钻销孔动力主轴总成示意图。
图16为阀盖多工装钻、锪、铣自动装夹工装示意图。
图17为阀盖多工装钻、锪、铣自动装夹工装的另一示意图。
图18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，锻钢阀门阀盖多工位自动装夹工装常常需要完成高强度加工且具有长时间运转的特点，容易出现故障和损坏。然而，传统的监测维修方式依赖于工作人员的经验判断和手工检测，这种方式往往会带来高昂的维修成本和停机时间，不仅效率较低且容易出现漏检、误检的情况，影响锻钢阀门阀盖多工位自动装夹工装的正常工作。因此，期望一种优化的锻钢阀门阀盖多工位自动装夹工装，其能够对于锻钢阀门阀盖多工位自动装夹工装的工作状态进行实时监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
相应地，考虑到在实际锻钢阀门阀盖多工位自动装夹工装的运行过程中，在钻孔加工时，钻安装孔动力主轴总成电机启动，带动钻头旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成钻孔加工。在此过程中，如何进行锻钢阀门阀盖多工位自动装夹工装的工作状态监测以保证钻孔的正常安全运行至关重要。并且，还考虑到在实际进行钻孔时，若钻孔的工作状态异常，则在声音和振动信号上有所体现。基于此，在本申请的技术方案中，期望在钻孔过程中，通过监测声音信号和振动信号来判断锻钢阀门阀盖多工位自动装夹工装的工作状态是否正常。但是，由于钻孔过程中的振动信号和声音信号不仅都在时域中有着各自动态性的变化规律，并且这两者之间还具有着时序的协同关联特性，以反映出锻钢阀阀盖自动化多工位机加工设备的工作状态信息。因此，在此过程中，难点在于如何进行所述振动信号的时序变化隐含特征和所述声音信号的时序变化隐含特征的关联性特征分布信息进行充分地刻画，以对于锻钢阀阀盖自动化多工位机加工设备的工作状态进行实时准确地监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
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。深度学习以及神经网络的发展为挖掘所述振动信号的时序变化隐含特征和所述声音信号的时序变化隐含特征的关联性特征分布信息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，获取由振动传感器和声音传感器采集的钻孔过程中的振动信号和声音信号。然后，考虑到由于所述振动信号和所述声音信号在时域中的表现形式都为波形图，因此，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述振动信号的波形图和所述声音信号的波形图的特征挖掘，以分别提取出振动信号的波形图和所述声音信号的波形图中关于钻孔过程中的声音隐含特征分布信息和振动隐含特征分布信息，从而得到振动波形特征向量和声音波形特征向量。
接着，进一步再对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵，以此来表示所述钻孔过程中的声音隐含特征分布信息和振动隐含特征分布信息之间的时序关联特征信息，以便于后续能够利用此特征来进行锻钢阀阀盖自动化多工位机加工设备的工作状态检测。
进一步地，还考虑到由于所述锻钢阀阀盖自动化多工位机加工设备的工作状态特征复杂多样，也就是说，所述钻孔过程中的振动信号和声音信号之间在时间维度上的时序协同关联特征在不同的时间周期跨度下呈现出不同的关联模式。基于此，在本申请的技术方案中，进一步使用双向注意力机制模块来对所述关联特征矩阵进行处理以得到分类特征矩阵。这样，能够充分利用上下文信息来增强所述锻钢阀阀盖自动化多工位机加工设备的工作状态特征响应而抑制背景特征响应。具体地，所述双向注意力模块分别从水平方向和垂直方向对整个关联特征矩阵的注意力权重校准并获取复杂特征关系,从而能够从空间的全局特征中获取局部特征信息。
然后，将所述分类特征矩阵通过分类器中进行分类处理，以得到用于表示锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括锻钢阀阀盖自动化多工位机加工设备的工作状态正常(第一标签)，以及，锻钢阀阀盖自动化多工位机加工设备的工作状态异常(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。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“锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常”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，锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常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“锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常”的语言文本意义。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锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行所述锻钢阀阀盖自动化多工位机加工设备的工作状态监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
特别地，在本申请的技术方案中，无论是作为过滤器的第一卷积神经网络模型还是第二卷积神经网络模型，都是对信号波形图进行图像语义特征提取，从而获得沿卷积神经网络模型的通道维度分布的所述振动波形特征向量和所述声音波形特征向量，因此，在对所述振动波形特征向量和所述声音波形特征向量进行关联编码时，所述关联特征矩阵对应于所述振动波形特征向量和所述声音波形特征向量在预定通道分布位置对应性下的关联值，因此所述关联特征矩阵的各个位置的特征值具有相应的位置属性，而在将所述关联特征矩阵通过双向注意力机制模块时，所述双向注意力机制模块会对所述关联特征矩阵进一步实际行和列方向的注意力权重，从而强化所述关联特征矩阵的预定行空间和列空间分布，也就进一步强化了所述分类特征矩阵的各个位置的特征值的位置属性。
但是，在将所述分类特征矩阵通过分类器进行分类回归时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此为了提升所述分类特征矩阵的各个特征值在排列变换时的特征位置信息表达效果，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为： 和代表将二维实数映射为一维实数的函数，例如，实现为非线性激活函数激活加权和加偏置的表示，/>和/>分别是所述分类特征矩阵的宽度和高度，/>为所述分类特征矩阵的各个特征值/>的坐标，例如，可以是特征矩阵的任意顶点作为坐标原点，且/>是所述分类特征矩阵的所有特征值的全局均值。
这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够对于锻钢阀阀盖自动化多工位机加工设备的工作状态进行实时准确地监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
基于此，本申请提出了一种锻钢阀门阀盖多工位自动装夹工装，其包括：数据采集模块，用于获取由振动传感器和声音传感器采集的钻孔过程中的振动信号和声音信号；振动波形特征提取模块，用于将所述振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量；声音波形特征提取模块，用于将所述声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量；数据时序关联编码模块，用于对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵；注意力增强模块，用于将所述关联特征矩阵通过双向注意力机制模块以得到分类特征矩阵；特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，工作状态检测模块，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锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常。
图1为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装的场景示意图。如图1所示，在该应用场景中，通过振动传感器（例如，如图1中所示意的V1）获取钻孔过程中的振动信号，以及，通过声音传感器（例如，如图1中所示意的V2）获取所述钻孔过程中的声音信号。接着，将上述信号输入至部署有用于锻钢阀门阀盖多工位自动装夹算法的服务器（例如，图1中的S）中，其中，所述服务器能够以所述锻钢阀门阀盖多工位自动装夹算法对上述输入的信号进行处理，以生成用于表示锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常的分类结果。
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锻钢阀门阀盖多工位自动装夹工装的框图。如图2所示，根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装300，包括：数据采集模块310；振动波形特征提取模块320；声音波形特征提取模块330；数据时序关联编码模块340；注意力增强模块350；特征优化模块360；以及，工作状态检测模块370。
其中，所述数据采集模块310，用于获取由振动传感器和声音传感器采集的钻孔过程中的振动信号和声音信号；所述振动波形特征提取模块320，用于将所述振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量；所述声音波形特征提取模块330，用于将所述声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量；所述数据时序关联编码模块340，用于对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵；所述注意力增强模块350，用于将所述关联特征矩阵通过双向注意力机制模块以得到分类特征矩阵；所述特征优化模块360，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，所述工作状态检测模块370，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锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常。
图3为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装的系统架构图。如图3所示，在该网络架构中，首先通过所述数据采集模块310获取由振动传感器和声音传感器采集的钻孔过程中的振动信号和声音信号；接着，所述振动波形特征提取模块320将所述数据采集模块310获取的振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量；所述声音波形特征提取模块330将所述数据采集模块310获取的声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量；所述数据时序关联编码模块340对所述振动波形特征提取模块320得到的振动波形特征向量和所述声音波形特征提取模块330得到的声音波形特征向量进行关联编码以得到关联特征矩阵；然后，所述注意力增强模块350将所述数据时序关联编码模块340得到的关联特征矩阵通过双向注意力机制模块以得到分类特征矩阵；所述特征优化模块360对所述注意力增强模块350得到的分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；进而，所述工作状态检测模块370将所述特征优化模块360得到的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锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常。
具体地，在所述锻钢阀门阀盖多工位自动装夹工装300的运行过程中，所述数据采集模块310，用于获取由振动传感器和声音传感器采集的钻孔过程中的振动信号和声音信号。应可以理解，在实际锻钢阀门阀盖多工位自动装夹工装的运行过程中，若钻孔的工作状态异常，则在声音和振动信号上有所体现。因此，在本申请的技术方案中，可通过对钻孔过程中所产生的振动信号和声音信号的动态特征进行监测分析，以此来判断锻钢阀门阀盖多工位自动装夹工装的工作状态是否正常。首先，通过振动传感器来获取钻孔过程中的振动信号，以及，通过声音传感器来获取所述钻孔过程中的声音信号。
具体地，在所述锻钢阀门阀盖多工位自动装夹工装300的运行过程中，所述振动波形特征提取模块320，用于将所述振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量。考虑到由于所述振动信号在时域中的表现形式为波形图，因此，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来进行所述振动信号的波形图的波形图的特征挖掘，以提取出振动信号的波形图中关于钻孔过程中的振动隐含特征分布信息，从而得到所述振动波形特征向量。在一个具体示例中，所述第一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，在所述第一卷积神经网络的编码过程中，所述第一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4为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装中第一卷积神经网络编码流程图。如图4所示，在所述第一卷积神经网络的编码过程中，包括：使用所述作为过滤器的第一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：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于特征矩阵的全局均值池化以得到池化特征图；以及，S230，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，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述振动波形特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述振动信号的波形图。
具体地，在所述锻钢阀门阀盖多工位自动装夹工装300的运行过程中，所述声音波形特征提取模块330，用于将所述声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量。同样地，考虑到所述声音信号在时域中的表现形式也为波形图，因此，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的第二卷积神经网络模型来进行所述声音信号的波形图的特征挖掘，以提取出所述声音信号的波形图中关于钻孔过程中的声音隐含特征分布信息，从而得到所述声音波形特征向量。更具体地，使用所述作为过滤器的第二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全局均值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，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述声音波形特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为所述声音信号的波形图。
具体地，在所述锻钢阀门阀盖多工位自动装夹工装300的运行过程中，所述数据时序关联编码模块340，用于对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵。也就是，在本申请的技术方案中，在得到所述振动波形特征向量和所述声音波形特征向量后，进一步将两者进行关联编码以此来表示所述钻孔过程中的声音隐含特征分布信息和振动隐含特征分布信息之间的时序关联特征信息，在本申请的一个具体示例中，以如下公式对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵；其中，所述公式为：其中 />表示所述振动波形特征向量，/>表示所述振动波形特征向量的转置向量，/>表示所述声音波形特征向量，/>表示所述关联特征矩阵，/>表示向量相乘。
具体地，在所述锻钢阀门阀盖多工位自动装夹工装300的运行过程中，所述注意力增强模块350，用于将所述关联特征矩阵通过双向注意力机制模块以得到分类特征矩阵。考虑到由于所述锻钢阀阀盖自动化多工位机加工设备的工作状态特征复杂多样，也就是说，所述钻孔过程中的振动信号和声音信号之间在时间维度上的时序协同关联特征在不同的时间周期跨度下呈现出不同的关联模式。基于此，在本申请的技术方案中，进一步使用双向注意力机制模块来对所述关联特征矩阵进行处理以得到分类特征矩阵。这样，能够充分利用上下文信息来增强所述锻钢阀阀盖自动化多工位机加工设备的工作状态特征响应而抑制背景特征响应。具体地，所述双向注意力模块分别从水平方向和垂直方向对整个关联特征矩阵的注意力权重校准并获取复杂特征关系,从而能够从空间的全局特征中获取局部特征信息。
图5为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装中注意力增强模块的框图。如图5所示，所述注意力增强模块350，包括：双向池化单元351，用于将所述关联特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；池化关联编码单元352，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元353，用于将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；矩阵展开单元354，用于将所述所述关联特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到关联特征向量和注意力特征向量；优化特征融合单元355，用于融合所述关联特征向量和所述注意力特征向量以得到融合关联特征向量；以及，维度重构单元356，用于将所述融合关联特征向量进行维度重构以得到所述分类特征矩阵。
具体地，在所述锻钢阀门阀盖多工位自动装夹工装300的运行过程中，所述特征优化模块360，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。在本申请的技术方案中，无论是作为过滤器的第一卷积神经网络模型还是第二卷积神经网络模型，都是对信号波形图进行图像语义特征提取，从而获得沿卷积神经网络模型的通道维度分布的所述振动波形特征向量和所述声音波形特征向量，因此，在对所述振动波形特征向量和所述声音波形特征向量进行关联编码时，所述关联特征矩阵对应于所述振动波形特征向量和所述声音波形特征向量在预定通道分布位置对应性下的关联值，因此所述关联特征矩阵的各个位置的特征值具有相应的位置属性，而在将所述关联特征矩阵通过双向注意力机制模块时，所述双向注意力机制模块会对所述关联特征矩阵进一步实际行和列方向的注意力权重，从而强化所述关联特征矩阵的预定行空间和列空间分布，也就进一步强化了所述分类特征矩阵的各个位置的特征值的位置属性。但是，在将所述分类特征矩阵通过分类器进行分类回归时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此为了提升所述分类特征矩阵的各个特征值在排列变换时的特征位置信息表达效果，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为： 和/>代表将二维实数映射为一维实数的函数，例如，实现为非线性激活函数激活加权和加偏置的表示，/>和/>分别是所述分类特征矩阵的宽度和高度，/>为所述分类特征矩阵的各个特征值/>的坐标，例如，可以是特征矩阵的任意顶点作为坐标原点，且/>是所述分类特征矩阵的所有特征值的全局均值。这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够对于锻钢阀阀盖自动化多工位机加工设备的工作状态进行实时准确地监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
图6为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装中振动波形特征提取模块的框图。如图6所示，所述振动波形特征提取模块360，包括：优化因数计算单元361，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，加权优化单元362，用于以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。
具体地，在所述锻钢阀门阀盖多工位自动装夹工装300的运行过程中，所述工作状态检测模块370，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锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常。也就是，在得到所述优化分类特征矩阵后，进一步将其通过分类器以得到用于表示锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常的分类结果。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，首先将所述优化分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述优化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锻钢阀阀盖自动化多工位机加工设备的工作状态正常(第一标签)，以及，锻钢阀阀盖自动化多工位机加工设备的工作状态异常(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。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“锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常”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，锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常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“锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常”的语言文本意义。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锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行所述锻钢阀阀盖自动化多工位机加工设备的工作状态监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
综上，根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装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锻钢阀门阀盖多工位自动装夹工装的运行过程中所产生的振动信号和声音信号两者之间的关联性时序变化隐含特征，以对于锻钢阀阀盖自动化多工位机加工设备的工作状态进行实时准确地监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
如上所述，根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装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锻钢阀门阀盖多工位自动装夹工装300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，该锻钢阀门阀盖多工位自动装夹工装300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，该锻钢阀门阀盖多工位自动装夹工装300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，该锻钢阀门阀盖多工位自动装夹工装300与该终端设备也可以是分立的设备，并且该锻钢阀门阀盖多工位自动装夹工装300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法：图7为根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装的使用方法的流程图。如图7所示，根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装的使用方法，包括步骤：S110，获取由振动传感器和声音传感器采集的钻孔过程中的振动信号和声音信号；S120，将所述振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量；S130，将所述声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量；S140，对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵；S150，将所述关联特征矩阵通过双向注意力机制模块以得到分类特征矩阵；S160，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，S170，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锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常。
在一个示例中，在上述锻钢阀门阀盖多工位自动装夹工装的使用方法中，所述步骤S120，包括：使用所述作为过滤器的第一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全局均值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，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述振动波形特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述振动信号的波形图。
在一个示例中，在上述锻钢阀门阀盖多工位自动装夹工装的使用方法中，所述步骤S130，包括：使用所述作为过滤器的第二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全局均值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，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述声音波形特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为所述声音信号的波形图。
在一个示例中，在上述锻钢阀门阀盖多工位自动装夹工装的使用方法中，所述步骤S140，包括：以如下公式对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵；其中，所述公式为：其中 />表示所述振动波形特征向量，/>表示所述振动波形特征向量的转置向量，/>表示所述声音波形特征向量，表示所述关联特征矩阵，/>表示向量相乘。
在一个示例中，在上述锻钢阀门阀盖多工位自动装夹工装的使用方法中，所述步骤S150，包括：将所述关联特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；将所述所述关联特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到关联特征向量和注意力特征向量；融合所述关联特征向量和所述注意力特征向量以得到融合关联特征向量；以及，将所述融合关联特征向量进行维度重构以得到所述分类特征矩阵。
在一个示例中，在上述锻钢阀门阀盖多工位自动装夹工装的使用方法中，所述步骤S160，包括：计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。其中，计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数，包括：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述优化公式为：其中， />是所述分类特征矩阵中各个位置特征值，/>为所述分类特征矩阵的各个位置特征值的坐标，且是所述分类特征矩阵的所有特征值的全局均值， />和/>代表将二维实数映射为一维实数的函数， />和/>分别是所述分类特征矩阵的宽度和高度，/>表示以2为底的对数函数值，/>表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。
在一个示例中，在上述锻钢阀门阀盖多工位自动装夹工装的使用方法中，所述步骤S170，包括：将所述优化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结果。
综上，根据本申请实施例的锻钢阀门阀盖多工位自动装夹工装的使用方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出锻钢阀门阀盖多工位自动装夹工装的运行过程中所产生的振动信号和声音信号两者之间的关联性时序变化隐含特征，以对于锻钢阀阀盖自动化多工位机加工设备的工作状态进行实时准确地监测，从而保证锻钢阀门阀盖多工位自动装夹工装的安全稳定运行。
示例性应用：本申请提供了一种锻钢阀门阀盖自动化多工位机加工设备及工艺，以使得使阀门阀盖在生产过程中提高阀盖钻安装孔、锪平安装孔、铣槽口、钻销子孔的生产效率，解决人工操控的劳动强度大，多机位等问题。具体地，本申请提供了一种锻钢阀门阀盖自动化多工位机加工设备及工艺，该设备结构包括：钻安装孔、锪平安装孔、铣槽口、钻销子孔四工位分体机构总成、钻孔工装夹具总成、液压站总成、电气箱总成、触摸屏控制总成、设备外钣金、铸铁机架。其中：所述钻安装孔、锪平安装孔、铣槽口、钻销子孔四工位分体机构总成，包括:燕尾滑台、伺服电机、动力主轴总成组成。动力主轴总成，包括：动力主轴，钻夹头，钻头或铣刀片或锪平钻组成。所述钻孔工装夹具总成，包括：工装夹具体，零件安装夹具座，液压压板，液压缸组成。所述液压站总成，包括：油箱，叶片泵，压力表，换向电磁阀，液压油管，冷却风机，接头等组成。所述电气箱总成，包括：变频器，伺服驱动器，过流保护器，继电器，中间继电器，变压器，开关电源，接线排等组成。所述触摸屏控制总成，包括： 六轴控制系统，触摸屏，伺服手轮，急停，电源开，松紧，启动，停止等按键组成。所述设备外钣金，包括：设备外部的全防护钣金组成。所述铸铁机架，包括：铸铁架，调节底脚组成。
阀门自动多工位钻锪铣复合机是钻安装孔、锪平安装孔、铣槽口、钻销子孔四工位分体机构总成、钻孔工装夹具总成、液压站总成、电气箱总成、触摸屏控制总成、设备外钣金、铸铁机架等零部件组装而成为一个整体机器，所述铸铁机架是一整体浇铸的铸件加工而成，铸铁机架内部是箱体式结构，在机架平板下面分布配置有1个液压基站，所述钻安装孔、锪平安装孔、铣槽口、钻销子孔四工位分体机构都是有独立的安装柱，安装柱分别为十字分布在铸铁机架的四个固定位置，钻孔工装夹具总成配备有液压缸，液压缸与液压基站相连接，由液压站提供液压油来运行液压缸，钻安装孔、锪平安装孔、铣槽口、钻销子孔四工位分体机构安装柱上分别安装有燕尾滑台、动力主轴总成、伺服电机，动力主轴总成上分别安装钻夹头，钻头或铣刀片或锪平钻，伺服电机与动力主轴是由同步带配合来带动主轴转动运行的。
1.所有控制信号都是通过六轴控制系统，通过六轴控制系统程序来启动主轴的伺服电机带动主轴运行，主轴上下运行是靠伺服电机传动丝杆动行，六轴控制系统电磁阀来运行液压缸。控制部分具体原理：工件安装：阀盖法兰上的安装孔是在一个圆上均匀分布的四个孔，工件放上钻孔工装夹具上，通过触摸屏总成上夹紧按键操作让钻孔工装夹具上的液压缸夹紧工件，再按下启动开关，设备进入自动钻锪铣工作。
2.钻安装孔加工：钻安装孔动力主轴总成电机启动，带动钻头旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成钻孔加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。
3.锪平安装孔加工：锪平安装孔动力主轴总成电机启动，带动锪平钻头旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成锪平孔加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。
4.铣槽口加工：铣槽口动力主轴总成电机启动，带动铣刀旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成铣槽口加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。
5.钻销子孔加工：钻销子孔动力主轴总成电机启动，带动钻头旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成钻销子孔加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。
6.工件取出：全部加工完成后，通过触摸屏总成上夹紧按键操作让钻孔工装夹具上的液压缸松开工件，取出完成品。
根据各种型号的预设定了动力头主轴电机的不同转速，伺服电机的进给速度，深度等，以保证加工的尺寸符合要求。所有数据都是可以通过触摸屏控制总成中的显示屏来手动设置调整。
图8和图9是为本申请提供的立体结构示意图，图10是为本申请提供前视图，图11是为本申请提供的立体结构示意侧图，图12是为本申请提供的顶视图。
如图所示一种阀门自动多工位钻锪铣复合机，该自动多工位钻锪铣复合机包括：触摸屏控制总成1、钻孔工装夹具总成2、钻安装孔工位分体机构总成3、锪平安装孔工位分体机构总成4、铣槽口工位分体机构总成5、钻销子孔工位分体机构总成6、电气箱总成7、液压站总成8、设备外钣金9、铸铁机架10零部件组装而成为一个整体机器。
图13是钻安装孔动力主轴总成示意图，图14是锪平安装孔动力主轴总成示意图，图15是铣槽口动力主轴总成、钻销孔动力主轴总成示意图，以及，图16是阀盖多工装钻、锪、铣自动装夹工装示意图。具体地，由触摸屏控制总成1上的松紧按钮松开钻孔工装夹具总成2的液压压板，液压站总成9收到松开指令，电磁阀启动换向，向液压缸松开方向供液压油，使液压缸退回松开，带动液压压板翘起，使钻孔工装夹具2呈现松开状态，工件放钻孔工装夹具总成2上，触摸屏控制总成1上的松紧按钮夹紧钻孔工装夹具总成2的液压压板，夹紧过程与松开为反向过程。由触摸屏控制总成1上的启动按钮启动自动运行，钻安装孔工位分体机构总成3启动加工，钻安装孔动力主轴总成电机启动，带动钻头旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成钻孔加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。锪平安装孔工位分体机构总成4启动加工，锪平安装孔动力主轴总成电机启动，带动锪平钻头旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成锪平孔加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。铣槽口工位分体机构总成5启动加工，铣槽口动力主轴总成电机启动，带动铣刀旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成铣槽口加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。钻销子孔工位分体机构总成6启动加工，钻销子孔动力主轴总成电机启动，带动钻头旋转，伺服电机启动按设定的位置带动动力主轴总成前进，完成钻销孔加工，到达设置深度后，伺服电机反转带动动力主轴总成后退，完成本工位加工后进入到下道工序。全部加工完成后，通过触摸屏总成1上夹紧按键操作让钻孔工装夹具2上的液压压松松开工件，取出完成品。
示例性电子设备：下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8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锻钢阀门阀盖多工位自动装夹工装中的功能以及/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优化分类特征矩阵等各种内容。
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8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“示例性系统”部分中描述的根据本申请各种实施例的锻钢阀门阀盖多工位自动装夹工装的使用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“示例性系统”部分中描述的根据本申请各种实施例的锻钢阀门阀盖多工位自动装夹工装的使用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 (2)
1.一种锻钢阀门阀盖多工位自动装夹工装，其特征在于，包括：
数据采集模块，用于获取由振动传感器和声音传感器采集的钻孔过程中的振动信号和声音信号；
振动波形特征提取模块，用于将所述振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量；
声音波形特征提取模块，用于将所述声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量；
数据时序关联编码模块，用于对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵；
注意力增强模块，用于将所述关联特征矩阵通过双向注意力机制模块以得到分类特征矩阵；
特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
工作状态检测模块，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锻钢阀阀盖自动化多工位机加工设备的工作状态是否正常；
其中，所述振动波形特征提取模块，用于：使用所述作为过滤器的第一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全局均值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，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述振动波形特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述振动信号的波形图；
其中，所述声音波形特征提取模块，用于：使用所述作为过滤器的第二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全局均值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，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述声音波形特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为所述声音信号的波形图；
其中，所述数据时序关联编码模块，用于：以如下公式对所述振动波形特征向量和所述声音波形特征向量进行关联编码以得到关联特征矩阵；其中，所述公式为：
，
其中表示所述振动波形特征向量，/>表示所述振动波形特征向量的转置向量，表示所述声音波形特征向量，/>表示所述关联特征矩阵，/>表示向量相乘；
其中，所述注意力增强模块，包括：
双向池化单元，用于将所述关联特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
池化关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；
矩阵展开单元，用于将所述关联特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到关联特征向量和注意力特征向量；
优化特征融合单元，用于融合所述关联特征向量和所述注意力特征向量以得到融合关联特征向量；以及
维度重构单元，用于将所述融合关联特征向量进行维度重构以得到所述分类特征矩阵；
其中，所述振动波形特征提取模块，包括：
优化因数计算单元，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及
加权优化单元，用于以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵；
其中，所述优化因数计算单元，用于：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述优化公式为：
，
其中，是所述分类特征矩阵中各个位置特征值，/>为所述分类特征矩阵的各个位置特征值的坐标，且/>是所述分类特征矩阵的所有特征值的全局均值，/>和代表将二维实数映射为一维实数的函数，/>和/>分别是所述分类特征矩阵的宽度和高度，/>表示以2为底的对数函数值，/>表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。
2.根据权利要求1所述的锻钢阀门阀盖多工位自动装夹工装，其特征在于，所述工作状态检测模块，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
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310649517.2A CN117862876B (zh) | 2023-06-02 | 2023-06-02 | 一种锻钢阀门阀盖多工位自动装夹工装 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310649517.2A CN117862876B (zh) | 2023-06-02 | 2023-06-02 | 一种锻钢阀门阀盖多工位自动装夹工装 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117862876A CN117862876A (zh) | 2024-04-12 |
| CN117862876B true CN117862876B (zh) | 2024-06-04 |
Family
ID=90590694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310649517.2A Active CN117862876B (zh) | 2023-06-02 | 2023-06-02 | 一种锻钢阀门阀盖多工位自动装夹工装 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117862876B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104772659A (zh) * | 2015-04-20 | 2015-07-15 | 江苏胜德龙机电科技有限公司 | 一种蝶阀阀体数控多工位复合加工专用机床 |
| CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
| US11222217B1 (en) * | 2020-08-14 | 2022-01-11 | Tsinghua University | Detection method using fusion network based on attention mechanism, and terminal device |
| CN115906000A (zh) * | 2022-11-22 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于多传感器融合的挖掘大块检测方法及其系统 |
| CN116101958A (zh) * | 2023-03-22 | 2023-05-12 | 德玛克(浙江)精工科技有限公司 | 大桶饮用水智能化灌装方法及其系统 |
-
2023
- 2023-06-02 CN CN202310649517.2A patent/CN117862876B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104772659A (zh) * | 2015-04-20 | 2015-07-15 | 江苏胜德龙机电科技有限公司 | 一种蝶阀阀体数控多工位复合加工专用机床 |
| CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
| US11222217B1 (en) * | 2020-08-14 | 2022-01-11 | Tsinghua University | Detection method using fusion network based on attention mechanism, and terminal device |
| CN115906000A (zh) * | 2022-11-22 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于多传感器融合的挖掘大块检测方法及其系统 |
| CN116101958A (zh) * | 2023-03-22 | 2023-05-12 | 德玛克(浙江)精工科技有限公司 | 大桶饮用水智能化灌装方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117862876A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lai et al. | Smart augmented reality instructional system for mechanical assembly towards worker-centered intelligent manufacturing | |
| Chen et al. | CPS modeling of CNC machine tool work processes using an instruction-domain based approach | |
| CN106340217B (zh) | 基于增强现实技术的制造装备智能系统及其实现方法 | |
| CN108873830A (zh) | 一种生产现场数据在线采集分析及故障预测系统 | |
| CN107491610A (zh) | 汽车覆盖件模具智能设计系统及设计方法 | |
| CN111931605B (zh) | 一种核电厂高风险操作智能监护系统及方法 | |
| CN107220431A (zh) | 一种基于规范条文和数字模型的数据审查方法及系统 | |
| CN116560327B (zh) | 一种基于物联网的电动工具生产控制方法及系统 | |
| CN107316057A (zh) | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 | |
| Grasso et al. | Using curve-registration information for profile monitoring | |
| GB2599328A (en) | Translating a natural language query into a formal data query | |
| CN103389721A (zh) | 汽车安全气囊生产线折袋工序质量追溯系统 | |
| CN102847767A (zh) | 大型覆盖件的冲压加工质量控制方法 | |
| KR101445973B1 (ko) | 영상 처리 기술을 이용한 블록 제작 공정 진척도 인식 방법 및 그 시스템 | |
| CN104700078A (zh) | 一种基于尺度不变特征极限学习机的机器人场景识别方法 | |
| CN116680557B (zh) | 用于煤层气钻井工程的实时监测系统及其方法 | |
| CN117862876B (zh) | 一种锻钢阀门阀盖多工位自动装夹工装 | |
| CN114418956A (zh) | 一种变电站关键电气设备的变化检测方法及系统 | |
| CN107657135A (zh) | 一种核电站发电机内定子更换方法及系统 | |
| CN117420792A (zh) | 用于复合型加工机床的中控系统 | |
| Yin et al. | Flexible punching system using industrial robots for automotive panels | |
| Li et al. | Scale-invariant wave kernel signature for non-rigid 3d shape retrieval | |
| CN117079031A (zh) | 铁氟龙线路板钻孔加工系统及其方法 | |
| CN116821745B (zh) | 智能线切割慢走丝设备的控制方法及其系统 | |
| CN202332065U (zh) | 数控机床编程教学系统 |
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 |