一种基于特征融合的刀具磨损评估及监控的方法与系统与流程

本发明涉及机械加工技术领域，具体地说是涉及一种基于特征融合的刀具磨损评估及监控的方法与系统。

背景技术：

高速机械加工是先进加工制造业的重要组成部分，其优势在于极高的加工精度、极快的加工效率和极好的加工表面质量。在加工设备、加工工艺和工件材料等相对稳定的情况下，加工刀具的状态成为决定高速机械加工过程成本、质量和效率的关键因素。但随着机械加工过程的进行，刀具的磨损不可避免。不合理的磨损、用刀和换刀，首先会直接造成刀具的损失，增加成本；其次，在高速状态下进行机械加工，与工件接触区域的温度会急剧升高，使刀具的磨损加速，进而会降低工件加工精度、劣化工件表面粗糙度，影响加工质量，并会造成相应的工件材料浪费；另外，剧烈磨损的刀具更易破损崩刃，造成产生车削热、减少设备使用寿命、增加停机时间、直接降低生产效率和收益，甚至可能对机床和操作人员造成危险。传统解决刀具磨损问题的策略主要是根据加工经验和刀具平均寿命来替换刀具，这种方式比较固化、死板，常会导致刀具已经磨损但未被换下或磨损并不严重却被换下，难以适应灵活多样的加工场景，所以这种方法并不能有效解决刀具磨损造成的机械加工问题。因此，为在机械加工过程中实现降本、提质、增效，刀具磨损的在线评估与监控势在必行。

针对刀具磨损的在线监测的问题，学界和工业界的研究及应用也越来越多，所采用的思路主要是通过直接测量或间接测量的方法采集机械加工过程中的图像、电阻、放射性、切削力、振动、声发射、电流、功率等信号，并发掘这些信号与刀具磨损的隐藏关系来间接分析出刀具磨损量，评估刀具的磨损状态进而做监控应用。但是，目前的方法普遍存在一定缺陷：(1)大多只单独采集一种信号，如主轴电流信号、振动信号、温度信号、声发射等，用单一信号提取单一特征进行刀具磨损状态识别，所选信号或特征的局限性大；(2)虽采集多种信号，但提取的信号特征对刀具的磨损状态不够敏感、或者对不同的信号采用单一的分析技术提取信号特征，因此，对刀具状态的识别及监测的准确度都不高；(3)对所选信号提取了多种特征，但特征与磨损状态的分析多为单变量、单维度趋势分析，能反映的磨损状态有限，各个特征的多维信息和关联信息没有得到充分应用。使用这些特征直接用于刀具的磨损评估和监控，在复杂多变的工况环境下往往很难反映刀具真实的性能状态和变化规律并全面评估刀具的真实健康状态，所得到的评估结果和监控策略与实际情况也相差较大。

技术实现要素：

本发明的目的是克服了原有技术中的不足，提供了基于特征融合的刀具磨损评估及监控的方法与系统。

一种基于特征融合的刀具磨损评估及监控的方法，其特征如下，包括如下步骤：

步骤(1)，数据柔性采集：基于系统所采用的柔性数据采集接口获取nc系统加工参数数据和用于反映刀具状态的传感器信号数据，并完成多源数据同步，得到完整的用于刀具监控和评估的原始数据集所采用的数据采集接口能充分兼容企业现行的各类nc系统及各种刀具监测传感器信号，从中按需获取分析优化所需数据；

步骤(2)，工况分割：对于步骤(1)中所得原始数据，在每个加工件加工结束后利用相应的nc系统加工参数结合加工过程逻辑及设定的触发点进行工况分割标识，形成分析所需最小粒度的有效信号，提取得到目标刀具、模式下稳定加工过程的原始数据dorig；

步骤(3)，数据预处理：对于步骤(2)中所得目标分析的原始数据dorig，采用数据去重、数据去噪、数据编码、数据滤波算法进行预处理，从而减少或抑制数据中的无效信息，增强数据中有用的特征信息，提高数据的质量，所得预处理后的数据为d；

步骤(4)，特征提取：对于步骤(3)所得的预处理后的数据集d，将其中每个待分析的有效信号通过时域分析、频域分析、时频域分析、波形分析等算法进行特征提取，从而得到能有效描述分析信号特征信息的p维特征向量得到原始特征集n为样本数；可由加工序号进行区分。所述的特征向量涵盖信号的时域特征、频域特征、时频域特征、波形特征，可根据信号选配；

步骤(5)，特征融合：对于步骤(4)所得的原始特征集f0，根据实际需求进行不同层面的特征融合，得到融合后特征集f＝{fi|j＝1，2，...，k}，k为融合后特征维度；特征融合的方法主要包括特征层、信号层、工况层的融合，可根据信号选配；

步骤(6)，评估监控：对于步骤(5)所得的融合特征集f，根据实际需求进行指标转换并结合业务策略用于实际的磨损评估、监控、报警和优化应用。

优选的，所述的步骤(1)中的数据柔性采集步骤如下，

步骤(1.1)，nc系统加工参数获取，通过数采接口从nc系统中依采样频率获取系统加工参数数据所述的加工参数数据含时间戳、程序名、刀具号、机械坐标、剩余加工坐标、主轴速度、主轴温度等反映实时加工状态的数据信息；

步骤(1.2)，多传感器信号数据获取。通过数采接口从内置或外接传感器接口采集各类传感器信号数据所述的各类传感器信号数据包含但不仅限于主轴电流、主轴负载、主轴功率、主轴振动、切削力、声发射、图像、电阻、温度等，用以配合相应传感器直接或间接反映刀具实时状态信息，可根据工厂和业务特点进行选配；

步骤(1.3)，多源数据同步。通过数采接口中的同步模块对由于采样造成的数据缺失进行补齐，并结合标准时钟源对来自不同测量传感器、不同采样频率的传感器信号与(1.1)中所得加工参数通过插值、平移等算法完成同步对齐，得到完整的用于刀具监控和评估的原始数据集

优选的，所述的步骤(2)中的工况分割步骤如下，

步骤(2.1)，加工刀具工况分割，对(1.3)中的原始数据集进行分割提取得到目标刀具原始数据以消除刀具工况引入的传感器信号变化；

步骤(2.2)，加工模式工况分割，对(2.1)中的原始数据集进行分割提取得到目标刀具和模式的原始数据以消除同刀具多用途工况引入的传感器信号变化；

步骤(2.3)，加工过程工况分割，对(2.2)中的原始数据集进行分割提取得到目标刀具、模式下稳定加工过程的原始数据dorig；以消除不同加工过程工况引入的传感器信号变化。

优选的，所述的步骤(3)中的数据预处理步骤如下，

步骤(3.1)，数据去重，基于时间戳、加工序号和分割标识iprocess作为联合索引，对索引重复的数据进行去重删除；

步骤(3.2)，数据去噪，可选用基于距离的检测、基于统计学的检测、基于分布的异常值检测、基于密度聚类检测、基于箱线图检测等方法对原始信号数据进行去噪处理，去除数据中的异常值；

步骤(3.3)，数据编码，按照分析、建模和评估所需的数据格式，对数据进行对应编码，以便于后续步骤处理

步骤(3.4)，数据滤波，选用加权均值滤波、中值滤波、高斯滤波、维纳滤波等方法进行数据滤波处理，识别并消除数据中的噪声，提高数据特征信息的对比度。

优选的，所述的步骤(4)中的特征提取包括如下步骤，

步骤(4.1)，时域特征提取，提取所述的信号时域特征，包括但不仅限于均值、方差、标准差、最大值、最小值、均方根值、峰峰值、偏度、峭度、波形指标、脉冲指标、裕度指标；

步骤(4.2)，频域特征提取。提取所述的信号频域特征，包括但不仅限于均方频率、频率方差、重心频率、频段能量；

步骤(4.3)，时频域特征提取。提取所述的信号时频域特征，包括但不仅限于小波包分解或经验模态分解后信号的频段能量或时域特征；

步骤(4.4)，波形特征提取。提取所述的信号波形特征，包括信但不仅限于号波形下面积、最大导数、最小导数、上升沿、下降沿。

优选的，所述的步骤(5)中的特征融合包括如下步骤，

步骤(5.1)，特征层深度融合，基于距离算法、相似度算法、加权平均算法、主成分分析算法等对原始特征进行降维融合，从特征深度方向上得到可以综合原始特征信息的融合特征，并可视情况进行多次融合；

步骤(5.2)，信号层宽度融合，针对原始特征中分属于不同信号采集所得的原始特征，在特征层融合的基础上将初次融合所得特征在信号维度进行二次融合；从而将各种信号的互补特性融入到特征当中，使其更全面；

步骤(5.3)，工况层宽度融合，针对原始特征中分属于不同子加工过程采集所得的原始特征，可在特征层融合或信号层融合的基础上将融合所得特征在工况维度进行再次融合；从而将难以从加工参数中区分的不同子过程特性融入到特征当中，使所得特征更具有综合性、更能结合实际业务场景进行后续评估。

优选的，所述步骤(6)中评估监控包括如下步骤，

步骤(6.1)，评估指标计算，对于融合特征集f中的各个维度数值，在相应维度进行归一化处理，消除量纲和量级影响，得到标准化的评估指标集s＝{si|j＝1，2，...，k}；

步骤(6.2)，监控策略设定，选定(6.1)中所得一个或多个指标，针对业务所能容许的磨损极限设定判别为严重磨损的阈值tlow与thigh，及容许连续超限次数c1和容许累计超限次数c2；

步骤(6.3)，实时监控报警，对在线所得的指标scurr，当其对tlow超限，且满足容许连续超限次数c1和容许累计超限次数c2，对系统发出黄色预警；当scurr对thigh超限，且满足容许连续超限次数c1和容许累计超限次数c2，对系统发出红色报警；

步骤(6.4)，决策优化，对黄色预警状态，进行磨损预警提醒，以便提前排产和备件；对红色报警状态，进行机床锁定，等待换刀反馈或工艺调整，以完成对磨损问题的优化。

优选的，所述的步骤(6.1)中所述的归一化处理方法采用离差标准化，使数据落在[0,1]区间：

si＝(fi-min)/(max-min)

其中，max和min分别为样本数据的最大值和最小值。指标越接近于0，表示磨损越严重，指标值越接近于1，表示刀具越接近于新刀状态。

基于特征融合的刀具磨损评估及监控的系统，其特征如下，所述的系统包括依次相连的工况分割模块、数据预处理模块、特征提取模块、特征融合模块、评估监控模块、自学习模块。(1)数据柔性采集模块：基于柔性数据采集接口获取nc系统加工参数数据和用于反映刀具状态的传感器信号数据，并完成多源数据同步。(2)工况分割模块：对原始数据，在每个加工件加工结束后利用相应的nc系统加工参数结合加工过程逻辑及设定的触发点进行工况分割标识，形成分析所需最小粒度的有效信号。(3)数据预处理模块：结合所得各类数据特点及目标需求，采用相关算法进行预处理，从而减少或抑制数据中的无效信息，增强数据中有用的特征信息，提高数据的质量。(4)特征提取模块：对于分割和预处理后的数据集，将待分析的有效信号通过时域分析、频域分析、时频域分析、波形分析等算法进行特征提取，形成分析信号原始特征集。(5)特征融合模块：对信号原始特征集根据实际需求进行不同层面的特征融合，得到融合后特征集。(6)评估监控模块：基于融合特征集，根据实际需求进行指标转换并结合业务策略用于实际的磨损评估、监控、报警和优化应用。(7)自学习模块：在加工和磨损数据在线更新的基础上，不断自学习更优的监控阈值、容限等，优化监控策略。

优选的，所述的特征提取模块包括依次并联的时域特征提取模块、频域特征提取模块、时频域特征提取模块、波形特征提取模块。

与现有技术比，本发明的有益效果是：本申请涉及的基于特征融合的刀具磨损评估及监控的方法与系统，可以实现对原始信号的多信号、多工况、多维度融合，得到更能综合反映刀具磨损状态的特征指标，用以评估刀具真实的性能状态和变化规律，进而给出更精准、及时的预警、报警及反馈优化策略。通过对刀具磨损的在线评估和监控性能的提高，逐步解决刀具磨损造成的机械加工问题，最终实现机械加工过程的降本、提质、增效。该方法和系统还可通过在线自学习不断提高评估、监控策略及系统的精度和适应度。

附图说明

图1为本发明提供的基于特征融合的刀具磨损评估及监控的方法的流程图。

图2为本发明加工过程工况分割前均值特征的总体趋势图。

图3为本发明加工过程工况分割前均值特征的细节变化图。

图4为本发明加工过程工况分割后各个子过程均值特征的总体趋势图。

图5为本发明加工过程工况分割后各个子过程距离融合特征的趋势图。

图6为本发明加工过程工况分割后各个子过程相似度融合特征的趋势图。

图7为本发明加工过程工况分割后各个子过程二次深度融合特征的趋势图。

图8为本发明工况层宽度融合特征的趋势图。

图9为本发明计算所得磨损指标的变化趋势图。

图10为本发明使用特征融合监控策略预测所得的换刀点与实际换刀点对比图。

图11为本发明提供的基于特征融合的刀具磨损评估及监控系统的结构原理图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细描述：

如图1，一种基于特征融合的刀具磨损评估及监控的方法，其特征如下，包括如下步骤：步骤(1)，数据柔性采集：基于系统所采用的柔性数据采集接口获取nc系统加工参数数据和用于反映刀具状态的传感器信号数据，并完成多源数据同步，得到完整的用于刀具监控和评估的原始数据集所采用的数据采集接口能充分兼容企业现行的各类nc系统及各种刀具监测传感器信号，从中按需获取分析优化所需数据；步骤(2)，工况分割：对于步骤(1)中所得原始数据，在每个加工件加工结束后利用相应的nc系统加工参数结合加工过程逻辑及设定的触发点进行工况分割标识，形成分析所需最小粒度的有效信号，提取得到目标刀具、模式下稳定加工过程的原始数据dorig；步骤(3)，数据预处理，对于步骤(2)中所得目标分析的原始数据dorig，采用数据去重、数据去燥、数据编码、数据滤波算法进行预处理，从而减少或抑制数据中的无效信息，增强数据中有用的特征信息，提高数据的质量，所得预处理后的数据为d；步骤(4)，特征提取：对于步骤(3)所得的预处理后的数据集d，将其中每个待分析的有效信号通过时域分析、频域分析、时频域分析、波形分析等算法进行特征提取，从而得到能有效描述分析信号特征信息的p维特征向量得到原始特征集n为样本数；可由加工序号进行区分。所述的特征向量涵盖信号的时域特征、频域特征、时频域特征、波形特征，可根据信号选配；步骤(5)，特征融合：对于步骤(4)所得的原始特征集f0，根据实际需求进行不同层面的特征融合，得到融合后特征集f＝{fi|j＝1，2，...，k}，k为融合后特征维度；特征融合的方法主要包括特征层、信号层、工况层的融合，可根据信号选配；步骤(6)，评估监控：对于步骤(5)所得的融合特征集f，根据实际需求进行指标转换并结合业务策略用于实际的磨损评估、监控、报警和优化应用。目标刀具为某柴油发动机生产企业批量机械加工中心用于六孔钻削的某型号刀具，共采集持续加工约230小时的数据，期间共使用35把刀具完成全生命周期加工过程。步骤(1)中所述的nc系统加工参数数据主要包含时间戳、程序名、刀具号、机械坐标、剩余加工坐标、主轴速度、主轴温度等反映实时加工状态的数据信息；所述的传感器信号数据主要为在加工中心主轴采集的扭矩信号，采样频率为100hz。步骤(2)中所述的加工过程分割主要针对6个钻孔子过程，以消除各个子过程加工特点不同导致的负载差异。作为优选，步骤(3)中所述的数据去噪主要选取基于统计学的检测和基于箱线图的检测，所述的数据滤波主要选取中值滤波。作为优选，步骤(4)中所述的原特征提取主要为时域特征提取，并根据信号特点优选均值、标准差、最大值、均方根值和波形指标作为单个过程的原始特征。作为优选，步骤(5)中所述的特征层深度融合含基于距离算法、相似度算法对原始特征的深度融合及基于加权平均算法的二次深度融合；所述的工况层宽度融合完成将6个子加工过程的5个原始特征进行融合提取。作为优选，步骤(6)中所述的评估指标计算可直接将(5)中所得融合特征经离差标准化进行归一处理得到，并用于评估监控。

本实施例中，所述的步骤(1)中的数据柔性采集步骤如下，步骤(1.1)，nc系统加工参数获取，通过数采接口从nc系统中依采样频率获取系统加工参数数据所述的加工参数数据含时间戳、程序名、刀具号、机械坐标、剩余加工坐标、主轴速度、主轴温度等反映实时加工状态的数据信息；步骤(1.2)，多传感器信号数据获取。通过数采接口从内置或外接传感器接口采集各类传感器信号数据所述的各类传感器信号数据包含但不仅限于主轴电流、主轴负载、主轴功率、主轴振动、切削力、声发射、图像、电阻、温度等，用以配合相应传感器直接或间接反映刀具实时状态信息，可根据工厂和业务特点进行选配；步骤(1.3)，多源数据同步。通过数采接口中的同步模块对由于采样造成的数据缺失进行补齐，并结合标准时钟源对来自不同测量传感器、不同采样频率的传感器信号与(1.1)中所得加工参数通过插值、平移等算法完成同步对齐，得到完整的用于刀具监控和评估的原始数据集图2为加工过程工况分割前均值特征的总体趋势图(取其中三组)，可见全部加工过程总体呈周期性变化，每个周期实际表征一把刀具的全生命周期，其信号均值特征总体呈上升趋势。图3为加工过程工况分割前均值特征的细节变化图，由图可见，除总体的上升趋势外，每把刀具的加工过程中均值特征也呈现规律的周期性变化，每6个样本点组成一个周期，表征一次加工过程的6个钻孔，且每个加工过程的6个样本点有固定趋势，依次上升，表征每个加工过程6个孔的负载特征特点。所以，在分析、应用过程中不能将6个孔混在一起做阈值监测等，因为波动过大，因而需要将6个子过程进行切分。图4为步骤(2)所述的加工过程工况分割后各个子过程均值特征的总体趋势图，可见分割后各个刀具周期内的均值特征的波动变小，趋势性更加明显，同时可以看出各个子过程特征值的特点，如6号明显较大。图5为加工过程工况分割后各个子过程距离融合特征的趋势图。具体以新刀时的原始特征向量为基准，计算当前样本点特征向量与基准向量的欧氏距离相似度，由图易见，均值特征在每个工序变化大的情况可在特征融合之后得到很大程度的弥补，距离相似度更能反映磨损的变化趋势；同理可得加工过程工况分割后各个子过程余弦相似度融合特征的趋势图。如图6所示，也看出相比原始均值特征的改进。由于距离相似度更侧重特征绝对值的变化量，而余弦相似度更侧重各个维度的相对变化模式，所以只使用其中一种融合特征，仍然存在不能全面反映特征信息的问题。因此，在深度方向将距离相似度特征和余弦相似度特征进行二次加权融合，得到融合相似度，以更准确地反映刀具变化规律。如图7加工过程工况分割后各个子过程二次深度融合特征的趋势图所示。由于各个加工子过程信号特征差异较大，难以仅用单个子过程就准确评价该把刀具的特征变化。因此，可如步骤(5)进行工况层宽度融合，将6个加工子过程的原始特征共同作为原始特征向量并进行深度方向融合，以增强融合特征对刀具整体的表征能力。

本实施例中，所述的步骤(2)中的工况分割步骤如下，步骤(2.1)，加工刀具工况分割，对(1.3)中的原始数据集进行分割提取得到目标刀具原始数据以消除刀具工况引入的传感器信号变化；步骤(2.2)，加工模式工况分割，对(2.1)中的原始数据集进行分割提取得到目标刀具和模式的原始数据以消除同刀具多用途工况引入的传感器信号变化；步骤(2.3)，加工过程工况分割。对(2.2)中的原始数据集进行分割提取得到目标刀具、模式下稳定加工过程的原始数据dorig；以消除不同加工过程工况引入的传感器信号变化。

本实施例中，所述的步骤(3)中的数据预处理步骤如下，步骤(3.1)，数据去重，基于时间戳、加工序号和分割标识iprocess作为联合索引，对索引重复的数据进行去重删除；步骤(3.2)，数据去噪，可选用基于距离的检测、基于统计学的检测、基于分布的异常值检测、基于密度聚类检测、基于箱线图检测等方法对原始信号数据进行去噪处理，去除数据中的异常值；步骤(3.3)，数据编码，按照分析、建模和评估所需的数据格式，对数据进行对应编码，以便于后续步骤处理；步骤(3.4)，数据滤波，选用加权均值滤波、中值滤波、高斯滤波、维纳滤波等方法进行数据滤波处理，识别并消除数据中的噪声，提高数据特征信息的对比度。

本实施例中，所述的步骤(4)中的特征提取包括如下步骤，步骤(4.1)，时域特征提取，提取所述的信号时域特征，包括均值、方差、标准差、最大值、最小值、均方根值、峰峰值、偏度、峭度、波形指标、脉冲指标、裕度指标；步骤(4.2)，频域特征提取，提取所述的信号频域特征，包括均方频率、频率方差、重心频率、频段能量；步骤(4.3)，时频域特征提取，提取所述的信号时频域特征，包括小波包分解或经验模态分解后信号的频段能量或时域特征；步骤(4.4)，波形特征提取，提取所述的信号波形特征，包括信号波形下面积、最大导数、最小导数、上升沿、下降沿。

本实施例中，如图8工况层宽度融合后距离特征的趋势图所示。所述的步骤(5)中的特征融合包括如下步骤，步骤(5.1)，特征层深度融合，基于距离算法、相似度算法、加权平均算法、主成分分析算法等对原始特征进行降维融合，从特征深度方向上得到可以综合原始特征信息的融合特征，并可视情况进行多次融合；步骤(5.2)，信号层宽度融合，针对原始特征中分属于不同信号采集所得的原始特征，在特征层融合的基础上将初次融合所得特征在信号维度进行二次融合；从而将各种信号的互补特性融入到特征当中，使其更全面；步骤(5.3)，工况层宽度融合，针对原始特征中分属于不同子加工过程采集所得的原始特征，可在特征层融合或信号层融合的基础上将融合所得特征在工况维度进行再次融合；从而将难以从加工参数中区分的不同子过程特性融入到特征当中，使所得特征更具有综合性、更能结合实际业务场景进行后续评估。

本实施例中，所述步骤(6)中评估监控包括如下步骤，步骤(6.1)，评估指标计算，对于融合特征集f中的各个维度数值，在相应维度进行归一化处理，消除量纲和量级影响，标准化的评估指标集s＝{si|j＝1，2，...k}；步骤(6.2)，监控策略设定，选定(6.1)中所得一个或多个指标，针对业务所能容许的磨损极限设定判别为严重磨损的阈值tlow与thigh，及容许连续超限次数c1和容许累计超限次数c2；步骤(6.3)，实时监控报警，对在线所得的指标scurr，当其对tlow超限，且满足容许连续超限次数c1和容许累计超限次数c2，对系统发出黄色预警；当scurr对thigh超限，且满足容许连续超限次数c1和容许累计超限次数c2，对系统发出红色报警；步骤(6.4)，决策优化，对黄色预警状态，进行磨损预警提醒，以便提前排产和备件；对红色报警状态，进行机床锁定，等待换刀反馈或工艺调整，以完成对磨损问题的优化。为评估所述特征的应用效果，进一步将所得特征转换为范围标准化的指标，如图9所示为由融合特征计算所得磨损指标的变化趋势图，由图可见该指标能较好地反映刀具整体在全生命周期的变化趋势，以表征评估其磨损衰退。进一步，基于该指标依步骤(6)设定监控策略，从而在评估值依策略超过监控阈值时实施报警及换刀。如图10所示为使用特征融合监控策略预测所得的换刀点与实际换刀点对比图，易见预测换刀点与实际换刀点基本符合。表明本方案所述基于特征融合的刀具磨损评估及监控方法的可行性及有效性，从而用以评估刀具真实的性能状态和变化规律，进而在线给出更精准、及时的预警、报警及反馈优化策略，优化机械加工过程。

本实施例中，所述的步骤(6.1)中所述的归一化处理方法采用离差标准化，使数据落在[0,1]区间：si＝(fi-min)/(max-min)，其中，max和min分别为样本数据的最大值和最小值。指标越接近于0，表示磨损越严重，指标值越接近于1，表示刀具越接近于新刀状态。

一种基于特征融合的刀具磨损评估及监控的系统，所述的系统包括依次相连的工况分割模块、数据预处理模块、特征提取模块、特征融合模块、评估监控模块、自学习模块。(1)数据柔性采集模块：基于柔性数据采集接口获取nc系统加工参数数据和用于反映刀具状态的传感器信号数据，并完成多源数据同步。数据柔性采集模块包括依次串联的nc加工参数获取模块、传感器数据获取模块、多源数据同步模块，其中多源数据同步模块连接工况分割模块，以传输数据。(2)工况分割模块：对原始数据，在每个加工件加工结束后利用相应的nc系统加工参数结合加工过程逻辑及设定的触发点进行工况分割标识，形成分析所需最小粒度的有效信号。工况分割模块包括依次串联的刀具工况分割模块、模式工况分割模块、过程工况分割模块，其中刀具工况分割模块与多源数据同步模块连接，以获取数据，过程工况分割模块与数据预处理模块连接，以向下级传达数据。(3)数据预处理模块：结合所得各类数据特点及目标需求，采用相关算法进行预处理，从而减少或抑制数据中的无效信息，增强数据中有用的特征信息，提高数据的质量。数据预处理模块包括依次串联的数据去重模块、数据去噪模块、数据编码模块、数据滤波模块。其中数据去重模块与过程工况分割模块连接，以获取数据。(4)特征提取模块：对于分割和预处理后的数据集，将待分析的有效信号通过时域分析、频域分析、时频域分析、波形分析等算法进行特征提取，形成分析信号原始特征集。特征提取模块包括并联的时域特征提取模块、频域特征提取模块、时频域特征提取模块、波形特征提取模块。特征提取模块的数据输入端连接数据滤波模块。(5)特征融合模块：对信号原始特征集根据实际需求进行不同层面的特征融合，得到融合后特征集。特征融合模块包括相互并联的特征层深度融合模块、信号层宽度融合模块、工况层宽度融合模块，特征融合模块的数据输入端连接特征提取模块的数据输出端。(6)评估监控模块：基于融合特征集，根据实际需求进行指标转换并结合业务策略用于实际的磨损评估、监控、报警和优化应用。评估监控模块包括依次串联的指标计算模块、监控策略设定模块、报警模块、决策优化模块。其中，指标计算模块连接特征提取模块的信号输出端，决策优化模块连接自学模块。(7)自学习模块：在加工和磨损数据在线更新的基础上，不断自学习更优的监控阈值、容限等，优化监控策略。

本实施例中，所述的特征提取模块包括依次并联的时域特征提取模块、频域特征提取模块、时频域特征提取模块、波形特征提取模块。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。