[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

说明书

本发明提供一种基于卷积神经网络的刀具磨损状态检测方法、装置及终端设备。其中，基于卷积神经网络的刀具磨损状态检测方法包括：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。本发明提供的基于卷积神经网络的刀具磨损状态检测方法，不需要提取复杂的时频域特征，可以有效简化数据处理过程、提高效率，同时由于所述传感数据序列是按时序采集的传感数据，因此可以基于内在序列特征实现刀具磨损状态的预测，可以有效提高准确性。

技术领域

本发明涉及刀具磨损检测技术领域，具体涉及一种基于卷积神经网络的刀具磨损状态检测方法基于卷积神经网络的刀具磨损状态检测方法、装置和终端设备。

背景技术

据统计，机械产品在使用过程中暴露出来的不良，约50％是由加工过程的缺陷造成的，刀具作为机械加工的常用工具，其磨损状态对产品质量、生产效率及成本会产生直接的、巨大的影响，因此，刀具磨损状态的监测对于充分利用刀具寿命、保证生产产品的质量和连续自动化生产非常重要，刀具状态监测技术具有显著的经济和社会效益，为先进制造业奠定了基础，已成为各国公认的重大关键技术。

刀具磨损状态预测的核心步骤是传感器数据的表示学习，传感器数据是自然时间序列数据，由传感器对刀具的状态信号进行采样，并以连续的形式表示。现有技术中，刀具磨损状态预测主要依赖于多域特征(包括方差、频谱偏度、峰度等频域特征和小波系数等时频特征)的提取和分析实现，一方面，不能模拟感官数据背后的内在序列特征，另一方面，处理过程繁琐、效率较低。

发明内容

鉴于上述问题，本发明的目的是通过提供一种基于卷积神经网络的刀具磨损状态检测方法、装置及终端设备，以解决目前开启系统权限通常需要较多步骤的操作，用户根据引导信息开启系统权限操作复杂，且容易产生误操作的问题。

本发明第一方面提供一种基于卷积神经网络的刀具磨损状态检测方法，包括：

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。

本发明第一方面的一个变更实施方式中，在获取预先训练好的刀具磨损状态预测模型之前，还包括：

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。

本发明第一方面的另一个变更实施方式中，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，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。

本发明第一方面的再一个变更实施方式中，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；