[发明专利]基于卷积神经网络的刀具磨损状态检测方法、装置及设备

权利要求书

1.一种基于卷积神经网络的刀具磨损状态检测方法，其特征在于，包括以下步骤：

基于卷积神经网络构建刀具磨损状态预测模型；

采用样本数据训练所述刀具磨损状态预测模型，确定所述刀具磨损状态预测模型的模型参数，得到训练好的刀具磨损状态预测模型；

获取预先训练好的基于卷积神经网络构建的刀具磨损状态预测模型；

获取在目标刀具的切割过程中采集的传感数据序列，所述传感数据序列包括按时序采集的传感数据；

基于所述传感数据序列，利用所述刀具磨损状态预测模型预测所述目标刀具的磨损状态，

其中，所述采用样本数据训练所述刀具磨损状态预测模型，确定所述刀具磨损状态预测模型的模型参数的步骤，包括：

获取样本数据，所述样本数据包括样本刀具的全寿命周期数据；

通过对所述样本数据进行分割，得到多个等长度的子样本数据；

根据分割得到的多个子样本数据构建训练集和测试集；

利用所述训练集对所述刀具磨损状态预测模型进行训练，得到多组模型参数；

利用所述测试集对所述多组模型参数进行验证，并将验证误差最小的一组模型参数确定为所述刀具磨损状态预测模型的模型参数。

2.根据权利要求1所述的基于卷积神经网络的刀具磨损状态检测方法，其特征在于，所述获取样本数据，包括：

获取样本刀具在真实切割过程中的原始样本数据，所述原始样本数据包括样本刀具在每一次切割对应的传感数据和刀具磨损量；

采用线性插值的方式对所述原始样本数据进行扩充，得到样本数据。

3.根据权利要求1所述的基于卷积神经网络的刀具磨损状态检测方法，其特征在于，所述基于卷积神经网络构建的刀具磨损状态预测模型，包括：输入层、输出层和隐藏层；其中，所述隐藏层包括卷积层和池化层；

所述卷积层用于进行特征提取得到特征矩阵；

所述池化层用于缩小特征矩阵。

4.根据权利要求3所述的基于卷积神经网络的刀具磨损状态检测方法，其特征在于，所述隐藏层还包括：归一化层；

所述归一化层用于对数据进行白化处理。

5.根据权利要求3所述的基于卷积神经网络的刀具磨损状态检测方法，其特征在于，所述隐藏层还包括：修正线性激活函数层；

所述修正线性激活函数层用于对特征矩阵进行非线性变换。

6.根据权利要求3所述的基于卷积神经网络的刀具磨损状态检测方法，其特征在于，所述隐藏层还包括：舍弃层；

所述舍弃层用于按照预设概率对神经元进行置零。

7.一种基于卷积神经网络的刀具磨损状态检测装置，其特征在于，包括：

模型获取模块，用于获取预先训练好的基于卷积神经网络构建的刀具磨损状态预测模型；

传感数据采集模块，用于获取在目标刀具的切割过程中采集的传感数据序列，所述传感数据序列包括按时序采集的传感数据；

磨损状态预测模块，用于基于所述传感数据序列，利用所述刀具磨损状态预测模型预测所述目标刀具的磨损状态。

8.一种终端设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1-6任一项所述的基于卷积神经网络的刀具磨损状态检测方法。