CN117961110A - 车削机床加工监控系统 - Google Patents
车削机床加工监控系统 Download PDFInfo
- Publication number
- CN117961110A CN117961110A CN202410157846.XA CN202410157846A CN117961110A CN 117961110 A CN117961110 A CN 117961110A CN 202410157846 A CN202410157846 A CN 202410157846A CN 117961110 A CN117961110 A CN 117961110A
- Authority
- CN
- China
- Prior art keywords
- cutter
- feature
- tool
- matrix
- monitoring
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 161
- 238000007514 turning Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 title claims description 26
- 230000005236 sound signal Effects 0.000 claims abstract description 45
- 238000003754 machining Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 148
- 239000013598 vector Substances 0.000 claims description 74
- 230000004927 fusion Effects 0.000 claims description 47
- 238000000605 extraction Methods 0.000 claims description 38
- 238000010586 diagram Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 12
- 238000005520 cutting process Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 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
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005555 metalworking Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及机床加工监控领域,其具体公开了一种车削机床加工监控系统,其使用基于深度学习领域的人工智能技术来对刀具工作时的监控视频、刀具工作的声音信号以及刀具工作的振动信号,判断车削机床的刀具是否磨损过度。这样,通过实时监测车削机床的刀具的工作情况,保证了加工工件的质量,提高了加工效率,并预防事故发生。
Description
技术领域
本申请涉及机床加工监控领域,且更为具体的涉及一种车削机床加工监控系统。
背景技术
车削机床是一种常见的金属加工设备,用于通过旋转工件并使用切削工具将其加工成所需形状和尺寸的机床。车削机床主要用于加工圆柱形、圆锥形、球面和螺纹等工件。车削机床的基本工作原理是将工件固定在主轴上,通过主轴的旋转带动工件转动,同时使用切削工具(刀具)对工件进行切削。切削工具通常由硬质合金材料制成,可以根据需要选择不同类型的刀具来实现不同的车削操作。对于制造业来说,工件的质量是非常重要的。随着科技的发展,越来越多的行业需要高精密设备来工作,例如医学领域,这离不开高精密工件的支持。在车削机床工作时,刀具磨损是影响工件质量的重要因素之一。当刀具磨损过度时,切削力会增加,导致工件尺寸偏差、表面质量下降甚至出现划痕等问题。
因此,期待一种优化的车削机床加工监控系统。
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车削机床加工监控系统,其使用基于深度学习领域的人工智能技术来对刀具工作时的监控视频、刀具工作的声音信号以及刀具工作的振动信号,判断车削机床的刀具是否磨损过度。这样,通过实时监测车削机床的刀具的工作情况,保证了加工工件的质量,提高了加工效率,并预防事故发生。
根据本申请的一个方面,提供了一种车削机床加工监控系统,其包括:刀具工作数据获取模块,用于获取预定时间段的刀具工作时的监控视频、刀具工作时的振动信号和刀具工作时的声音信号;
刀具工作数据分析模块,用于处理所述预定时间段的刀具工作时的监控视频、所述刀具工作时的声音信号和所述刀具工作时的振动信号,得到刀具工作监控语义关联特征矩阵、刀具声音特征矩阵和刀具振动特征矩阵;
刀具磨损情况分析模块,用于分析所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵,得到所述车削机床的刀具是否磨损过度的结果。
综上所述,本申请提供的车削机床加工监控系统,其使用基于深度学习领域的人工智能技术来对刀具工作时的监控视频、刀具工作的声音信号以及刀具工作的振动信号,判断车削机床的刀具是否磨损过度。这样,通过实时监测车削机床的刀具的工作情况,保证了加工工件的质量,提高了加工效率,并预防事故发生。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。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车削机床加工监控系统的框图。
图2为根据本申请实施例的车削机床加工监控系统中刀具工作数据分析模块的框图。
图3为根据本申请实施例的车削机床加工监控系统中刀具工作监控特征提取单元的框图。
图4为根据本申请实施例的车削机床加工监控系统中刀具监控语义关联特征提取子单元的框图。
具体实施方式
下面,为了使本技术领域的人员更好地理解本申请方案,将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1为根据本申请实施例的车削机床加工监控系统的框图。如图1所示,根据本申请实施例的车削机床加工监控系统100,包括:刀具工作数据获取模块110,用于获取预定时间段的刀具工作时的监控视频、刀具工作时的振动信号和刀具工作时的声音信号;刀具工作数据分析模块120,用于处理所述预定时间段的刀具工作时的监控视频、所述刀具工作时的声音信号和所述刀具工作时的振动信号,得到刀具工作监控语义关联特征矩阵、刀具声音特征矩阵和刀具振动特征矩阵;以及,刀具磨损情况分析模块130,用于分析所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵,得到所述车削机床的刀具是否磨损过度的结果。
在上述的车削机床加工监控系统100中,所述刀具工作数据获取模块110,用于获取预定时间段的刀具工作时的监控视频、刀具工作时的振动信号和刀具工作时的声音信号。如上述背景技术所言,在车削机床工作时,刀具磨损是影响工件质量的重要因素之一。当刀具磨损过度时,切削力会增加,导致工件尺寸偏差、表面质量下降甚至出现划痕等问题。因此,期待一种优化的车削机床加工监控系统。
针对上述技术问题,提出了一种车削机床加工监控系统,其使用基于深度学习领域的人工智能技术来对刀具工作时的监控视频、刀具工作的声音信号以及刀具工作的振动信号,判断车削机床的刀具是否磨损过度。这样,通过实时监测车削机床的刀具的工作情况,保证了加工工件的质量,提高了加工效率,并预防事故发生。
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、语音信号处理等领域。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。
近年来,深度学习以及神经网络的发展为车削机床加工监控系统提供了新的解决思路和方案。
具体地,首先,获取预定时间段的刀具工作时的监控视频、刀具工作时的振动信号和刀具工作时的声音信号。监控视频可以提供直观的视觉信息,包括刀具的工作状态、切削过程中的变化和异常情况等。通过分析监控视频,可以观察刀具的磨损情况、工作质量和加工效果,以及检测是否存在异常情况,如刀具断裂、切削过程中的振动等。同时,刀具在工作时会产生振动,振动信号可以反映刀具的工作状态和切削过程中的变化。通过监测和分析刀具的振动信号,可以判断刀具的磨损程度、切削质量以及是否存在异常振动,如振动幅度过大、频率异常等。刀具在工作时也会产生声音,声音信号可以提供关于刀具工作状态和切削过程的信息。通过分析刀具的声音信号,可以判断刀具的磨损程度、工作质量以及是否存在异常声音,如异常噪音、频率异常等。综合使用监控视频、振动信号和声音信号可以获得多维度的信息,更全面地了解刀具的工作情况。通过对这些信号进行分析和处理,可以实时监测刀具的磨损程度,及时预警并采取相应的维护措施,以确保加工质量、提高效率,并预防事故的发生。在上述的车削机床加工监控系统100中,所述刀具工作数据分析模块120,用于处理所述预定时间段的刀具工作时的监控视频、所述刀具工作时的声音信号和所述刀具工作时的振动信号,得到刀具工作监控语义关联特征矩阵、刀具声音特征矩阵和刀具振动特征矩阵。监控视频、声音信号和振动信号包含了大量的原始数据,通过处理和分析这些数据,可以提取出与刀具工作状态和磨损相关的特征。这些特征可以是视频中的图像特征、声音信号的频谱特征、振动信号的频域或时域特征等。通过提取特征,可以将复杂的监控数据转化为高维特征空间中的向量表示,方便后续的分析和处理。
图2为根据本申请实施例的车削机床加工监控系统中刀具工作数据分析模块的框图。如图2所示,所述刀具工作数据分析模块120,包括:刀具工作监控特征提取单元121,用于分析所述刀具工作时的监控视频,得到刀具工作监控语义关联特征矩阵;刀具声音特征提取单元122,用于分析所述刀具工作时的声音信号,得到刀具声音特征矩阵;刀具振动特征提取单元123,用于分析所述刀具工作时的振动信号,得到刀具振动特征矩阵。
图3为根据本申请实施例的车削机床加工监控系统中刀具工作监控特征提取单元的框图。如图3所示,所述刀具工作监控特征提取单元121,包括:刀具工作监控关键帧提取子单元1211,用于以预定的采样频率从所述刀具工作时的监控视频中提取出多个刀具工作监控关键帧;刀具工作监控特征提取子单元1212,用于将所述多个刀具工作监控关键帧通过基于卷积神经网络模型的刀具工作监控特征提取器以得到多个刀具工作监控特征向量;以及,刀具监控语义关联特征提取子单元1213,用于将所述多个刀具工作监控特征向量通过基于转换器的刀具监控特征提取器以得到刀具工作监控语义关联特征矩阵。
更为具体地,为了减少数据量并提取关键信息,从刀具工作时的监控视频中提取多个刀具工作监控关键帧。考虑到监控视频通常是连续的图像序列,包含了大量的冗余信息。通过提取关键帧,可以将视频序列中的重要信息进行抽取,从而减少了数据量,便于后续处理和分析。
进一步地,为了提取关键帧中的特征信息,将多个刀具工作监控关键帧通过基于卷积神经网络模型的刀具工作监控特征提取器以得到多个刀具工作监控特征向量。刀具工作监控关键帧中包含了丰富的视觉信息,如刀具形状、切削过程中的变化、刀具磨损程度等。通过基于卷积神经网络模型的特征提取器,可以自动学习并提取这些关键信息,将其转化为具有表征性的特征向量。同时,通过提取特征向量,可以将原始图像数据的维度降低到更低的维度空间。这样可以减少数据存储和计算的开销,并且有助于提高后续算法的效率和准确性。具体地,在本申请实施例中,所述刀具工作监控特征提取子单元1212,用于:使用所述刀具工作监控特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的局部特征矩阵的均值池化处理和非线性激活处理以由所述刀具工作监控特征提取器的最后一层输出所述多个刀具工作监控特征向量,其中,所述刀具工作监控特征提取器的输入为所述多个刀具工作监控关键帧。
更为具体地,为了捕捉刀具工作监控数据之间的语义关联和上下文信息,将多个刀具工作监控特征向量通过基于转换器的刀具监控特征提取器以得到刀具工作监控语义关联特征矩阵。所述刀具监控特征提取器为基于转换器的上下文编码器模型。考虑到刀具工作监控特征向量中包含了刀具工作状态的信息,而不同特征向量之间可能存在一定的语义关联。通过基于转换器的特征提取器,可以学习到特征向量之间的关联性,从而捕捉到刀具工作监控数据的语义信息。同时刀具工作监控数据通常是时序数据,相邻时间点的数据之间可能存在一定的上下文关系。通过提取特征向量并构建特征矩阵,可以将相邻时间点的特征进行整合,从而获取更全面的上下文信息。
图4为根据本申请实施例的车削机床加工监控系统中刀具监控语义关联特征提取子单元的框图。如图4所示,所述刀具监控语义关联特征提取子单元1213,包括:查询向量构造二级子单元11,用于将所述多个刀具工作监控特征向量排列为输入向量;向量转化二级子单元12,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;自注意二级子单元13,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;标准化二级子单元14,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;关注度计算二级子单元15,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;注意力施加二级子单元16,用于将所述自注意力特征矩阵与所述多个刀具工作监控特征向量中各个刀具工作监控特征向量分别相乘得到所述多个刀具工作监控语义关联特征向量;以及,矩阵化二级子单元17,用于将所述多个刀具工作监控语义关联特征向量进行二维排列以得到刀具工作监控语义关联特征矩阵。
具体地,在本申请实施例中,所述刀具声音特征提取单元122,包括:刀具声音预处理子单元,用于将所述刀具工作时的声音信号进行预处理以得到预处理后刀具工作的声音信号和预处理后刀具工作的振动信号;刀具声音频域特征提取子单元,用于将所述预处理后刀具工作的声音信号进行傅里叶变换以得到多个刀具声音频域统计值;以及,刀具声音特征提取子单元,用于将所述多个刀具声音频域统计值和所述刀具工作时的声音信号的波形图通过基于Clip模型的刀具声音特征提取器以得到刀具声音特征矩阵。
更为具体地,为了提取有用的特征并减少噪音的影响,将刀具工作时的振动信号和声音信号分别进行预处理以得到预处理后的刀具工作声音信号和振动信号。刀具工作时的振动信号和声音信号中包含了丰富的信息,如频率、振幅、能量等。通过预处理,可以提取有用的特征,如频谱特征、时域特征等,以便后续的分析和处理。刀具工作时的振动信号和声音信号可能受到环境噪音的干扰,如机器运行声音、周围环境的声音等。预处理可以帮助去除或减少这些噪音的影响,提高信号的准确性和可靠性。同时,预处理可以对信号进行滤波、增益调整等操作,以增强信号的特征和信息。这有助于提高后续算法的性能和结果的准确性。
更为具体地,将预处理后的刀具工作声音信号和振动信号分别进行傅里叶变换以得到多个刀具声音频域统计值和多个刀具振动频域统计值可以从频域角度分析信号的特征和属性。傅里叶变换可以将时域信号转换为频域表示,将信号分解成不同频率的成分。通过对刀具工作声音信号和振动信号进行傅里叶变换,可以提取频域特征,如频谱形状、频率分布等,从而更全面地描述信号的频域特性。从傅里叶变换后的频域信号中提取多个统计值,可以得到更丰富的特征表示。这些特征可以用于刀具磨损监测、故障诊断和预测等应用。此外,可以根据任务需求选择最具代表性的特征或进行降维处理,以减少数据的维度和计算复杂度。
更为具体地,为了将声音信号转化为可用于机器学习和深度学习算法的特征表示,将多个刀具声音频域统计值和刀具工作时的声音信号的波形图通过基于Clip模型的刀具声音特征提取器以得到刀具声音特征矩阵。同时,声音信号的频域统计值和波形图通常具有较高的维度。通过基于Clip模型的刀具声音特征提取器,可以将高维的声音信号转化为低维的特征向量或特征矩阵,从而减少数据的维度,方便后续的处理和分析。刀具声音特征矩阵能够提供刀具工作时的声音信号的重要特征信息。这些特征可以包括声音的频谱特征、时域特征、能量特征等,能够反映刀具的状态、工作质量、磨损程度等重要信息。
具体地,在本申请实施例中,具体地,在本申请实施例中,所述刀具声音特征提取子单元,包括:频域统计特征编码二级子单元,用于将所述多个刀具声音频域统计值通过所述刀具声音特征提取器的序列编码器以得到刀具声音频域统计特征向量;刀具声音信号波形编码二级子单元,用于将所述刀具工作时的声音信号的波形图通过所述刀具声音特征提取器的图像编码器以得到刀具声音波形特征向量;以及刀具声音特征优化编码二级子单元,用于使用所述刀具声音特征提取器的优化编码器来基于所述刀具声音频域统计特征向量对所述刀具声音波形特征向量进行优化以得到刀具声音特征矩阵。
具体地,在本申请实施例中,所述频域统计特征编码二级子单元,包括:第一尺度刀具声音特征提取三级子单元,用于将所述刀具声音频域特征统计值通过训练完成的刀具声音特征提取器的序列编码器的第一卷积层以得到第一邻域尺度刀具声音频域统计特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度电流特征提取三级子单元,用于将所述刀具声音频域特征统计值通过训练完成的刀具声音特征提取器的序列编码器的第二卷积层以得到第二邻域尺度刀具声音频域统计特征向量,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;以及多尺度级联二级子单元,用于将所述第一邻域尺度刀具声音频域统计特征向量和所述第二邻域尺度刀具声音频域统计特征向量进行级联以得到所述刀具声音频域统计特征向量。
具体地,在本申请实施例中,所述第一尺度刀具声音特征提取三级子单元,用于:使用所述训练完成的刀具声音特征提取器的序列编码器的第一卷积层以如下第一卷积编码公式对所述刀具声音频域特征统计值进行一维卷积编码以得到第一邻域尺度刀具声音频域统计特征向量;其中,所述第一卷积编码公式为:
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表示所述刀具声音频域特征统计值。
具体地,在本申请实施例中,所述第二尺度刀具声音特征提取三级子单元,用于:使用所述训练完成的刀具声音特征提取器的序列编码器的第二卷积层以如下第二卷积编码公式对所述刀具声音频域特征统计值进行一维卷积编码以得到所述第二邻域尺度刀具声音频域统计特征向量;其中,所述第二卷积编码公式为:
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表示所述刀具声音频域特征统计值。
具体地,在本申请实施例中,所述刀具声音波形特征提取二级子单元,进一步用于:使用所述刀具声音特征提取器的图像编码器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,所述刀具声音特征提取器的图像编码器的最后一层的输出为所述刀具声音波形特征向量,所述刀具声音特征提取器的图像编码器的第一层的输入为所述刀具工作时的声音信号的波形图。具体地,在本申请实施例中,所述电流联合编码二级子单元,进一步用于:使用所述刀具声音特征提取器的联合编码器以如下联合编码公式来基于所述刀具声音频域统计特征向量对所述刀具声音波形特征向量的特征编码进行优化以得到刀具声音特征矩阵;其中,所述联合编码公式为:
其中,Vs表示所述刀具声音频域统计特征向量,表示所述刀具声音频域统计特征向量的转置向量,Vb表示所述刀具声音波形特征向量,Mb表示所述刀具声音特征矩阵,/>表示向量相乘。
更为具体地,为了将振动信号转化为可用于机器学习和深度学习算法的特征表示,将多个刀具振动频域统计值和刀具工作时的振动信号的波形图通过基于Clip模型的刀具振动特征提取器以得到刀具振动特征矩阵。具体地,对所述多个刀具振动频域统计值和刀具工作时的振动信号的波形图的处理方法可以参考多个刀具声音频域统计值和刀具工作时的声音信号的波形图的处理步骤。
具体地,在本申请实施例中,所述刀具振动特征提取单元123,包括:刀具振动预处理子单元,用于将所述刀具工作时的振动信号进行预处理以得到预处理后刀具工作的振动信号;刀具振动频域特征提取子单元,用于将所述预处理后刀具工作的振动信号进行傅里叶变换以得到多个刀具振动频域统计值;以及,刀具振动特征提取子单元,用于将所述多个刀具振动频域统计值和所述刀具工作时的振动信号的波形图通过基于Clip模型的刀具振动特征提取器以得到刀具振动特征矩阵。
在上述的车削机床加工监控系统100中,所述刀具磨损情况分析模块130,用于分析所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵,得到所述车削机床的刀具是否磨损过度的结果。通过分析特征矩阵,可以提取出与刀具磨损相关的特征。这些特征可以包括刀具工作时的位置偏移、振动频谱的变化、声音特征的变化等。通过比较这些特征与正常工作状态下的特征差异,可以判断刀具是否磨损过度。
具体地,在本申请实施例中,所述刀具磨损情况分析模块130,包括:刀具特征融合单元,用于将所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵进行融合以得到刀具特征融合矩阵;优化单元,用于对所述刀具特征融合矩阵进行概率密度域相关迁移超凸投影度量以得到优化刀具特征融合矩阵;以及,刀具磨损程度分析单元,用于将所述优化刀具特征融合矩阵通过分类器以得到分类结果,所述分类结果用于表示车削机床的刀具是否磨损过度。
更为具体地,将刀具工作监控语义关联特征矩阵、刀具声音特征矩阵和刀具振动特征矩阵进行融合,可以得到刀具特征融合矩阵。刀具的工作状态和性能通常由多个方面的信息共同决定。刀具工作监控语义关联特征矩阵可以提供与刀具状态相关的语义信息,刀具声音特征矩阵可以提供声音信号的特征表示,刀具振动特征矩阵可以提供振动信号的特征表示。通过将这些不同类型的特征矩阵进行融合,可以综合考虑多个方面的信息,提供更全面、准确的刀具特征描述。
具体地,在本申请实施例中,所述刀具特征融合单元,用于:以如下三项融合公式融合所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵以得到所述刀具特征融合矩阵;其中,所述三项融合公式为:
其中,M1表示所述刀具工作监控语义关联特征矩阵,M2表示所述刀具声音特征矩阵,M3表示刀具振动特征矩阵,M表示所述刀具特征融合矩阵,α1、α2和α3分别表示所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵的加权参数,表示按位置加和。
特别地,在本申请技术方案中,考虑到刀具工作监控语义关联特征矩阵是从刀具工作时的监控视频中提取的,通过基于卷积神经网络模型的刀具工作监控特征提取器得到多个刀具工作监控特征向量,并通过基于转换器的刀具监控特征提取器得到刀具工作监控语义关联特征矩阵。这个特征矩阵可能是基于视频帧的时间序列数据,每个特征向量对应一个视频帧的特征表示,维度可能与视频帧的特征表示维度一致。刀具声音特征矩阵和刀具振动特征矩阵则是从刀具工作时的声音信号和振动信号中提取的。这些信号可能是通过传感器采集的连续时间序列数据,并经过预处理和傅里叶变换得到多个声音频域统计值和振动频域统计值。这些统计值可能具有不同的维度,因为声音信号和振动信号可能具有不同的特征表示方式。当将刀具工作监控语义关联特征矩阵、刀具声音特征矩阵和刀具振动特征矩阵进行融合时,它们会存在维度不对齐。如果没有进行正确的维度对齐操作,融合得到的刀具特征融合矩阵可能会存在分布外特征值,即融合结果中包含了来自不同特征矩阵的不匹配特征,这可能会影响最终的分类结果。为了解决这个问题,对所述刀具特征融合矩阵进行概率密度域相关迁移超凸投影度量。
具体地,在本申请实施例中,所述优化单元,用于:以如下优化公式对所述刀具特征融合矩阵进行概率密度域相关迁移超凸投影度量以得到优化刀具特征融合矩阵;其中,所述优化公式为:
其中,M表示所述刀具特征融合矩阵,mi,j表示所述刀具特征融合矩阵中(i,j)位置的特征值,softmax表示归一化指数函数,log表示以2为底的对数函数值,β表示超参数,mi,j′表示所述刀具特征融合矩阵中(i,j)位置的特征值。
也就是,在通过融合所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵的过程中,所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵之间存在维度不对齐导致融合得到的所述刀具特征融合矩阵存在分布外特征值。
针对上述技术问题,在本申请的技术方案中,对所述刀具特征融合矩阵进行概率密度域相关迁移超凸投影度量,其通过概率密度域相关迁移超凸投影度量函数将所述刀具特征融合矩阵从原始空间映射到一个超凸空间,使得不同数据密度的特征向量在超凸空间中具有相同的维度和分布,通过超凸空间映射可以消除旅游景点全局特征向量和点云坐标关联特征向量之间的维度不对齐和分布不一致的问题,从而使得融合得到的刀具特征融合矩阵不存在分布外特征值,而是具有更加紧凑和鲁棒的特征表示。也就是,利用概率密度域相关迁移超凸投影度量函数对所述刀具特征融合矩阵进行特征的边界约束合成,这可以避免特征值集合由于集合的分布外样本而导致在分类目标域内的决策区域的过度碎片化,提高了所述刀具特征融合矩阵的分类性能。
更为具体地,为了判断车削机床的刀具是否磨损过度,将优化刀具特征融合矩阵通过分类器以得到分类结果。将优化刀具特征融合矩阵输入分类器可以实现自动化的判断和预警。传统的刀具磨损监测通常需要依靠人工经验和观察,而自动化的分类器可以在实时或离线的情况下对刀具进行监测和判定。这样可以节省人力资源,提高刀具磨损监测的效率和准确性。
具体地,在本申请实施例中,所述刀具磨损程度分析单元,用于:使用所述分类器以如下分类公式对所述优化刀具特征融合矩阵进行处理以获得所述分类结果;其中,所述分类公式为:
=softmax{(Wc,Bc)|Project(F)}
其中,Project(F)表示将所述优化刀具特征融合矩阵投影为向量,We为权重矩阵,Bc表示偏置向量,softmax表示归一化指数函数,o表示所述分类结果。
综上,根据本申请实施例的车削机床加工监控系统已被阐明,其使用基于深度学习领域的人工智能技术来对刀具工作时的监控视频、刀具工作的声音信号以及刀具工作的振动信号,判断车削机床的刀具是否磨损过度。这样,通过实时监测车削机床的刀具的工作情况,保证了加工工件的质量,提高了加工效率,并预防事故发生。
如上所述,根据本申请实施例的车削机床加工监控系统100可以实现在各种终端设备中,例如车削机床加工监控服务器等。在一个示例中,根据本申请实施例的车削机床加工监控系统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,该车削机床加工监控系统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,该车削机床加工监控系统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,该车削机床加工监控系统100与该终端设备也可以是分立的设备,并且该车削机床加工监控系统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。
本申请涉及的“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法或设备固有的其它步骤或单元。
需要说明的是,在本申请中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
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)
1.一种车削机床加工监控系统,其特征在于,包括:
刀具工作数据获取模块,用于获取预定时间段的刀具工作时的监控视频、刀具工作时的振动信号和刀具工作时的声音信号;
刀具工作数据分析模块,用于处理所述预定时间段的刀具工作时的监控视频、所述刀具工作时的声音信号和所述刀具工作时的振动信号,得到刀具工作监控语义关联特征矩阵、刀具声音特征矩阵和刀具振动特征矩阵;
刀具磨损情况分析模块,用于分析所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵,得到所述车削机床的刀具是否磨损过度的结果。
2.根据权利要求1所述的车削机床加工监控系统,其特征在于,所述刀具工作数据分析模块,包括:
刀具工作监控特征提取单元,用于分析所述刀具工作时的监控视频,得到刀具工作监控语义关联特征矩阵;
刀具声音特征提取单元,用于分析所述刀具工作时的声音信号,得到刀具声音特征矩阵;
刀具振动特征提取单元,用于分析所述刀具工作时的振动信号,得到刀具振动特征矩阵。
3.根据权利要求2所述的车削机床加工监控系统,其特征在于,所述刀具工作监控特征提取单元,包括:
刀具工作监控关键帧提取子单元,用于以预定的采样频率从所述刀具工作时的监控视频中提取出多个刀具工作监控关键帧;
刀具工作监控特征提取子单元,用于将所述多个刀具工作监控关键帧通过基于卷积神经网络模型的刀具工作监控特征提取器以得到多个刀具工作监控特征向量;
刀具监控语义关联特征提取子单元,用于将所述多个刀具工作监控特征向量通过基于转换器的刀具监控特征提取器以得到刀具工作监控语义关联特征矩阵。
4.根据权利要求3所述的车削机床加工监控系统,其特征在于,所述刀具监控语义关联特征提取子单元,包括:
查询向量构造二级子单元,用于将所述多个刀具工作监控特征向量排列为输入向量;
向量转化二级子单元,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;
自注意二级子单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
标准化二级子单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
关注度计算二级子单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;
注意力施加二级子单元,用于将所述自注意力特征矩阵与所述多个刀具工作监控特征向量中各个刀具工作监控特征向量分别相乘得到所述多个刀具工作监控语义关联特征向量;
矩阵化二级子单元,用于将所述多个刀具工作监控语义关联特征向量进行二维排列以得到刀具工作监控语义关联特征矩阵。
5.根据权利要求4所述的车削机床加工监控系统,其特征在于,所述刀具声音特征提取单元,包括:
刀具声音预处理子单元,用于将所述刀具工作时的声音信号进行预处理以得到预处理后刀具工作的声音信号和预处理后刀具工作的振动信号;
刀具声音频域特征提取子单元,用于将所述预处理后刀具工作的声音信号进行傅里叶变换以得到多个刀具声音频域统计值;
刀具声音特征提取子单元,用于将所述多个刀具声音频域统计值和所述刀具工作时的声音信号的波形图通过基于Clip模型的刀具声音特征提取器以得到刀具声音特征矩阵。
6.根据权利要求5所述的车削机床加工监控系统,其特征在于,所述刀具振动特征提取单元,包括:
刀具振动预处理子单元,用于将所述刀具工作时的振动信号进行预处理以得到预处理后刀具工作的振动信号;
刀具振动频域特征提取子单元,用于将所述预处理后刀具工作的振动信号进行傅里叶变换以得到多个刀具振动频域统计值;
刀具振动特征提取子单元,用于将所述多个刀具振动频域统计值和所述刀具工作时的振动信号的波形图通过基于Clip模型的刀具振动特征提取器以得到刀具振动特征矩阵。
7.根据权利要求6所述的车削机床加工监控系统,其特征在于,所述刀具磨损情况分析模块,包括:
刀具特征融合单元,用于将所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵进行融合以得到刀具特征融合矩阵;
优化单元,用于对所述刀具特征融合矩阵进行概率密度域相关迁移超凸投影度量以得到优化刀具特征融合矩阵;
刀具磨损程度分析单元,用于将所述优化刀具特征融合矩阵通过分类器以得到分类结果,所述分类结果用于表示车削机床的刀具是否磨损过度。
8.根据权利要求7所述的车削机床加工监控系统,其特征在于,所述刀具特征融合单元,用于:
以如下三项融合公式融合所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵以得到所述刀具特征融合矩阵;
其中,所述三项融合公式为:
其中,M1表示所述刀具工作监控语义关联特征矩阵,M2表示所述刀具声音特征矩阵,M3表示刀具振动特征矩阵,M表示所述刀具特征融合矩阵,a1、a2和a3分别表示所述刀具工作监控语义关联特征矩阵、所述刀具声音特征矩阵和所述刀具振动特征矩阵的加权参数,表示按位置加和。
9.根据权利要求8所述的车削机床加工监控系统,其特征在于,所述优化单元,用于:
以如下优化公式对所述刀具特征融合矩阵进行概率密度域相关迁移超凸投影度量以得到优化刀具特征融合矩阵;
其中,所述优化公式为:
其中,M表示所述刀具特征融合矩阵,mi,j表示所述刀具特征融合矩阵中(i,j)位置的特征值,softmax表示归一化指数函数,log表示以2为底的对数函数值,β表示超参数,mi,j′表示所述刀具特征融合矩阵中(i,j)位置的特征值。
10.根据权利要求9所述的车削机床加工监控系统,其特征在于,所述刀具磨损程度分析单元,用于:
使用所述分类器以如下分类公式对所述优化刀具特征融合矩阵进行处理以获得所述分类结果;
其中,所述分类公式为:
O=softmax{(Wc,Bc)|project(F)}
其中,Project(F)表示将所述优化刀具特征融合矩阵投影为向量,Wc为权重矩阵,Bc表示偏置向量,softmax表示归一化指数函数,O表示所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157846.XA CN117961110A (zh) | 2024-02-02 | 2024-02-02 | 车削机床加工监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157846.XA CN117961110A (zh) | 2024-02-02 | 2024-02-02 | 车削机床加工监控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117961110A true CN117961110A (zh) | 2024-05-03 |
Family
ID=90865734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410157846.XA Pending CN117961110A (zh) | 2024-02-02 | 2024-02-02 | 车削机床加工监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117961110A (zh) |
-
2024
- 2024-02-02 CN CN202410157846.XA patent/CN117961110A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tran et al. | Drill fault diagnosis based on the scalogram and mel spectrogram of sound signals using artificial intelligence | |
Lee et al. | An intelligent system for grinding wheel condition monitoring based on machining sound and deep learning | |
Tang et al. | A novel convolutional neural network for low-speed structural fault diagnosis under different operating condition and its understanding via visualization | |
CN106271881B (zh) | 一种基于SAEs和K-means的刀具破损监测方法 | |
CN111242202A (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
Sun et al. | Curvature enhanced bearing fault diagnosis method using 2D vibration signal | |
CN114151293B (zh) | 风机变桨系统的故障预警方法、系统、设备及存储介质 | |
KR102509699B1 (ko) | 사운드 기반 다중 기기 운영 모니터링 방법과 이를 위한 시스템 | |
CN116945258A (zh) | 模切机控制系统及其方法 | |
CN116776647B (zh) | 一种复合镍铜铝散热底板的性能预测方法及系统 | |
CN117315365A (zh) | 一种基于视觉分析的凸轮轴表面损伤检测系统 | |
KR102289212B1 (ko) | 인공지능 기반 고장 진단 장치 및 방법 | |
CN117961110A (zh) | 车削机床加工监控系统 | |
CN115933534B (zh) | 一种基于物联网的数控智能检测系统及方法 | |
CN112699921A (zh) | 一种基于堆栈降噪自编码的电网暂态故障数据聚类清洗方法 | |
CN111428772A (zh) | 基于k-近邻自适应投票的光伏系统深度异常检测方法 | |
CN111695582A (zh) | 一种颤振纹理的检测方法及其装置 | |
KR102152352B1 (ko) | 기계 결함 진단 장치 및 방법 | |
KR102028845B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
CN114764867A (zh) | 基于图像主特征提取的风机故障诊断系统、方法及应用 | |
Zheng et al. | An efficient method based on conditional generative adversarial networks for imbalanced fault diagnosis of rolling bearing | |
CN116842322B (zh) | 一种基于数据处理的电动马达运行优化方法及系统 | |
Rahman et al. | Cyclone Prediction Visualization Tools Using Machine Learning Models and Optical Flow | |
Ramezani et al. | Electric Motor Fault Detection Using Fusion of Acoustic Signal Features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |