一种刀具剩余寿命确定方法及装置、电子设备及存储介质与流程

1.本发明涉及数据处理技术领域，特别涉及一种刀具剩余寿命确定方法。本发明同时还涉及一种刀具剩余寿命确定装置、电子设备及存储介质。


背景技术：

2.在机械加工过程中，刀具的状态直接影响着零部件的加工质量和加工效率。因此，准确识别刀具的磨损状况，实时掌握刀具的剩余寿命，对提高工件加工精度、延长数控机床运行寿命有着重要的意义。近年来，快速发展的人工智能理论为机械装备的智能诊断提供了有力的工具，并在刀具寿命预测领域取得了一定的成果。
3.发明人在实现本发明的过程中发现，虽然现有技术针对刀具寿命预测进行了许多有益探索，然而上述方法的应用过程中，一方面提取的特征数量繁多，且相互之间存在冗余性，使得在构建模型时，模型参数对于特征的敏感度低；另一方面，实际加工环境中难以采集刀具完整的磨损周期数据，无法为常规深度学习算法提供大量训练样本，这就需要提高从有限数据中提取有效信息的能力。
4.由此可见，如何在实际工况下，更加合理有效地选择刀具信号特征并将其充分利用且避免冗余、减少模型的计算量，是亟待解决的技术问题。


技术实现要素：

5.本发明实施例提供一种刀具剩余寿命确定方法及装置、电子设备及存储介质，用以解决当前刀具磨损模型建立及使用过程中信息冗余、模型计算量大的问题。
6.第一方面，提供一种刀具剩余寿命确定方法，所述方法应用于设有加速度传感器以及功率传感器的机床中，该方法包括：
7.采集刀具自安装至所述机床使用至被更换过程中的振动信号以及功率信号，并在针对所述振动信号以及所述功率信号进行特征指标提取后生成指标矩阵，所述指标矩阵包含所述过程包含的工步的数量以及对应所述工步的指标数量；
8.根据所述指标矩阵以及提取后的特征指标生成趋势性序列，并根据所述趋势性序列的趋势性信息获取寿命因子，所述寿命因子基于筛选指标序列生成，所述筛选指标序列根据所述趋势性信息生成；
9.根据所述指标矩阵以及所述寿命因子生成刀具寿命预测模型；
10.当采集到新刀具的振动信号以及功率信号时，根据所述刀具寿命预测模型对所述新刀具的剩余寿命进行获取。
11.在一些实施例中，在针对所述振动信号以及所述功率信号进行特征指标提取后生成指标矩阵，具体为：
12.以每一个工步为单位对所述振动信号以及所述功率信号进行特征指标提取；
13.根据所述特征指标提取后得到的统计指标生成所述指标矩阵。
14.在一些实施例中，根据所述指标矩阵以及提取后的特征指标生成趋势性序列，具
体为：
15.根据所述指标矩阵的每一列生成第一统计量，以及根据所述指标矩阵的每一列的逆序列生成第二统计量；
16.根据所述第一统计量对应的趋势以及所述第二统计量对应的趋势，生成所述特征指标的趋势性信息；
17.基于所述趋势性信息生成所述趋势性序列；
18.将所述趋势性序列内的元素按照数值从大至小的顺序进行排列。
19.在一些实施例中，根据所述趋势性序列的趋势性信息获取寿命因子，具体为：
20.对所述趋势性序列进行一维聚类处理，并确定类的数量；
21.确定各所述类中元素的数值总和，将所述数值综合最大的一类作为趋势性最大的一类；
22.将所述趋势性最大的一类对应的特征指标作为所述筛选指标序列；
23.根据所述筛选指标序列中的所有指标构建寿命矩阵，并基于所述寿命矩阵获取所述寿命因子。
24.在一些实施例中，根据所述指标矩阵以及所述寿命因子生成刀具寿命预测模型，具体为：
25.将所述寿命因子以及所述指标矩阵进行归一化处理；
26.将所述归一化处理后的寿命因子以及指标矩阵输入待学习模型进行参数学习；
27.将所述参数学习后的模型作为所述刀具寿命预测模型。
28.在一些实施例中，根据所述刀具寿命预测模型对所述新刀具的剩余寿命进行获取，具体为：
29.将所述新刀具的振动信号以及功率信号转换为所述新刀具的指标数据集；
30.利用所述刀具寿命预测模型对所述新刀具的指标数据集进行分析，以确定所述新刀具在下一工步对应的寿命因子；
31.基于所述下一工步对应的寿命因子确定所述新刀具在所述下一工步是否满足工作要求。
32.第二方面，提供一种刀具剩余寿命确定装置，所述装置应用于设有加速度传感器以及功率传感器的机床中，该装置包括：
33.采集模块，采集刀具自安装至所述机床使用至被更换过程中的振动信号以及功率信号，并在针对所述振动信号以及所述功率信号进行特征指标提取后生成指标矩阵，所述指标矩阵包含所述过程包含的工步的数量以及对应所述工步的指标数量；
34.第一生成模块，根据所述指标矩阵以及提取后的特征指标生成趋势性序列，并根据所述趋势性序列的趋势性信息获取寿命因子，所述寿命因子基于筛选指标序列生成，所述筛选指标序列根据所述趋势性信息生成；
35.第二生成模块，根据所述指标矩阵以及所述寿命因子生成刀具寿命预测模型；
36.获取模块，当采集到新刀具的振动信号以及功率信号时，根据所述刀具寿命预测模型对所述新刀具的剩余寿命进行获取。
37.在一些实施例中，所述设置模块，具体用于：
38.基于所述各层的样本允许条件选择所述各层的样本集，所述样本允许条件至少包
括数据使用成本；
39.根据所述各数据样本的来源分类、数据性能设置所述各层的特征列表。
40.第三方面，提供一种电子设备，包括：
41.处理器；以及
42.存储器，用于存储所述处理器的可执行指令；
43.其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任意一项所述的光缆形变检测方法。
44.第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中所述的基于风控模型的数据预测处理方法。
附图说明
45.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的一些实施例，对于本领域技术人员来讲，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。
46.图1为本发明提出的一种刀具剩余寿命确定方法的流程示意图；
47.图2为本发明提出的一种刀具剩余寿命确定装置的示意图；
48.图3为本发明提出的一种刀具剩余寿命确定方法流程图；
49.图4为本发明具体实施例提出的实施例试验台传感器安装的示意图；
50.图5为本发明具体实施例提出的实验台结构图；
51.图6为本发明具体实施例提出的p通道能量的uf与ub曲线图；
52.图7为本发明具体实施例提出的实施例一个工步的原始信号图；
53.图8为本发明具体实施例提出的趋势性序列的聚类结果图；
54.图9为本发明具体实施例提出的刀具寿命预测训练结果图；
55.图10为本发明具体实施例提出的刀具寿命预测测试结果图。
具体实施方式
56.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
57.需要说明的是，本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由权利要求部分指出。
58.应当理解的是，本技术并不局限于下面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。
59.针对现有技术中的技术问题，本技术技术方案采集刀具自安装至所述机床使用至
被更换过程中的振动信号以及功率信号，并在针对所述振动信号以及所述功率信号进行特征指标提取后生成指标矩阵，所述指标矩阵包含所述过程包含的工步的数量以及对应所述工步的指标数量；根据所述指标矩阵以及提取后的特征指标生成趋势性序列，并根据所述趋势性序列的趋势性信息获取寿命因子，所述寿命因子基于筛选指标序列生成，所述筛选指标序列根据所述趋势性信息生成；根据所述指标矩阵以及所述寿命因子生成刀具寿命预测模型；当采集到新刀具的振动信号以及功率信号时，根据所述刀具寿命预测模型对所述新刀具的剩余寿命进行获取。本技术充分利用了信号的有效信息，提高了预测的准确度，实现了对刀具寿命的精准预测。
60.下面结合图1来描述本技术示例性实施方式的了一种刀具剩余寿命确定方法。需要注意的是，下述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。相反，本技术的实施方式可以应用于适用的任何场景。
61.本技术实施例提供了一种刀具剩余寿命确定方法，如图1所示，该方法包括以下步骤：
62.s101，采集刀具自安装至所述机床使用至被更换过程中的振动信号以及功率信号，并在针对所述振动信号以及所述功率信号进行特征指标提取后生成指标矩阵，所述指标矩阵包含所述过程包含的工步的数量以及对应所述工步的指标数量；
63.具体的，利用安装在机床主轴附近的加速度传感器与功率传感器，同步采集刀具从新刀到不满足工作要求为止的全寿命过程的振动信号与功率信号{x,y,z,p}。对采集到的信号{x,y,z,p}以每一个工步为单位进行特征指标提取，每个通道得到均值、标准差、偏度、峭度、峰峰值、均方根值、峰值因子、波形因子、脉冲因子、裕度因子、能量、熵、重心频率、均方频率等时域、频域统计指标。得到指标矩阵am×n，其中m为按时间顺序的工步数量，n为对应工步提取的指标数量。
64.s102，根据所述指标矩阵以及提取后的特征指标生成趋势性序列，并根据所述趋势性序列的趋势性信息获取寿命因子，所述寿命因子基于筛选指标序列生成，所述筛选指标序列根据所述趋势性信息生成；
65.具体的，利用mk检验法计算每个特征指标按时间序列的统计量ub和uf值，使用ub和uf值对趋势性进行表征，得到趋势性序列qindex，并将趋势性序列按照数值大小进行排序；
66.在一些实施例中，取指标矩阵a的每一列，利用公式(1)(2)构造序列dk：
[0067][0068][0069]
定义统计量uf：
[0070][0071]
其中e(dk)为序列dk的均值，var(dk)为方差。将每一列生成逆序列，重复上述过程，定义统计量ub：
[0072]
ubk＝-ufkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0073]
若uf＞0并且ub＞0，则计算的指标在当前工步有上升趋势，反之则有下降趋势，计算全寿命过程中有上升或下降趋势工步的个数，以此来表征指标趋势性，定义q
up
与q
down
：
[0074]
ufi＞0且ubi＞0
ꢀꢀ
(5)
[0075]
ufi＜0且ubi＜0
ꢀꢀ
(6)
[0076]
定义趋势性序列qindex
2n
×1为：
[0077]
qindex＝{q
up1
,q
up2
,...,q
upn
,q
down1
,q
down2
,...,q
downn
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0078]
将qindex内元素按照数值大小进行排序。
[0079]
s103，根据所述指标矩阵以及所述寿命因子生成刀具寿命预测模型；
[0080]
具体的，为了将趋势性好的指标筛选出来，利用k均值聚类方法对步骤二得到的趋势性序列进行一维聚类，利用间隔统计量法自动确定类的个数。将趋势性最大的一类提取出来得到筛选指标序列sindex，利用主成分分析方法重构得到寿命因子，以此表征刀具的退化过程；
[0081]
在一些实施例中，所述s103具体方法：
[0082]
利用k均值算法对序列qindex进行一维聚类,利用间隔统计量法自动确定类的个数k。
[0083]
利用公式(8)计算每一类中元素的数值总和l，选择数值总和最大的一类即提取了趋势性最大的一类：
[0084][0085]
其中a为每一类中元素的个数，k为类的个数。取这一类元素对应的指标得到筛选指标序列sindex
x
×1，其中x未知，取决于指标趋势性最大的一类中的元素个数。
[0086]
取筛选指标序列sindex中的所有指标，将这些指标的全寿命序列重构成矩阵ym×
x
。利用主成分分析方法对矩阵y进行降维，得到一维寿命因子序列；
[0087]
s104，当采集到新刀具的振动信号以及功率信号时，根据所述刀具寿命预测模型对所述新刀具的剩余寿命进行获取。
[0088]
具体的，将指标矩阵和寿命因子序列进行归一化后，输入进构建的bi-lstm模型进行参数学习，得到刀具寿命预测模型；
[0089]
在一些实施例中，bi-lstm模型包含3个bi-lstm单元模型层、1个全连接层和1个回归输出层，其中，bi-lstm单元模型层分别包含100、100、75个单元，每个bi-lstm单元模型层后有1个dropout层。
[0090]
bi-lstm单元根据公式(9)(10)(11)更新时刻状态。
[0091][0092][0093]ht
＝go·
tanhm
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0094]
其中为临时状态信息，m
t
为单元细胞状态，h
t
为t时刻单元的输出，由两个相反方向的长短期记忆网络(long short-term memory，lstm)单元的输出组成，这样不仅能利用过去的信息，还能捕捉到后续的信息；x
t
为t时刻的输入向量，wc和bc为待学习的参数，gi为输入门，go为输出门，gf为遗忘门，状态的更新取决于三个门的共同作用；tanh为双曲正切函数来作为状态激活函数，如公式(12)：
[0095][0096]
每个bi-lstm单元模型层后的dropout层使某个神经元以0.5的概率停止工作来有效缓解过拟合。
[0097]
回归输出层的损失函数是预测响应的半均方误差，如公式(13)：
[0098][0099]
其中r是响应的数目，ti是目标输出，yi是网络对响应i的预测。
[0100]
bi-lstm模型利用每个工步的指标序列学习预测下一工步的寿命因子，最终得到用来进行刀具寿命预测的模型；
[0101]
具体而言，本技术中在预测刀具寿命模型时，采集刀具自安装至所述机床使用至被更换过程中的振动信号以及功率信号，并在针对所述振动信号以及所述功率信号进行特征指标提取后生成指标矩阵，所述指标矩阵包含所述过程包含的工步的数量以及对应所述工步的指标数量；根据所述指标矩阵以及提取后的特征指标生成趋势性序列，并根据所述趋势性序列的趋势性信息获取寿命因子，所述寿命因子基于筛选指标序列生成，所述筛选指标序列根据所述趋势性信息生成；根据所述指标矩阵以及所述寿命因子生成刀具寿命预测模型；当采集到新刀具的振动信号以及功率信号时，根据所述刀具寿命预测模型对所述新刀具的剩余寿命进行获取。本技术充分利用了信号的有效信息，提高了预测的准确度，实现了对刀具寿命的精准预测。
[0102]
为了进一步阐述本发明的技术思想，现结合如图3所示流程的一种刀具剩余寿命确定方法，具体的应用场景，对本发明的技术方案进行说明。
[0103]
步骤一：利用安装在机床主轴附近的加速度传感器与功率传感器，同步采集刀具从新刀到不满足工作要求为止的全寿命过程的振动信号与功率信号{x,y,z,p}。对采集到的信号{x,y,z,p}以每一个工步为单位进行特征指标提取，每个通道得到均值、标准差、偏度、峭度、峰峰值、均方根值、峰值因子、波形因子、脉冲因子、裕度因子、能量、熵、重心频率、均方频率等时域、频域统计指标。得到指标矩阵am×n，其中m为按时间顺序的工步数量，n为对应工步提取的指标数量；
[0104]
步骤二：利用mk检验法计算每个特征指标按时间序列的统计量ub和uf值，使用ub和uf值对趋势性进行表征，得到趋势性序列qindex，并将趋势性序列按照数值大小进行排序；
[0105]
在本实施例中，取指标矩阵a的每一列，利用公式(1)(2)构造序列dk：
[0106]
[0107][0108]
定义统计量uf：
[0109][0110]
其中e(dk)为序列dk的均值，var(dk)为方差。将每一列生成逆序列，重复上述过程，定义统计量ub：
[0111]
ubk＝-ufkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0112]
若uf＞0并且ub＞0，则计算的指标在当前工步有上升趋势，反之则有下降趋势，计算全寿命过程中有上升或下降趋势工步的个数，以此来表征指标趋势性，定义q
up
与q
down
：
[0113]
ufi＞0且ubi＞0
ꢀꢀ
(5)
[0114]
ufi＜0且ubi＜0
ꢀꢀ
(6)
[0115]
定义趋势性序列qindex
2n
×1为：
[0116]
qindex＝{q
up1
,q
up2
,...,q
upn
,q
down1
,q
down2
,...,q
downn
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0117]
将qindex内元素按照数值大小进行排序；
[0118]
步骤三：为了将趋势性好的指标筛选出来，利用k均值聚类方法对步骤二得到的趋势性序列进行一维聚类，利用间隔统计量法自动确定类的个数。将趋势性最大的一类提取出来得到筛选指标序列sindex，利用主成分分析方法重构得到寿命因子，以此表征刀具的退化过程；
[0119]
在本实施例中，利用k均值算法对序列qindex进行一维聚类,利用间隔统计量法自动确定类的个数k。
[0120]
利用公式(8)计算每一类中元素的数值总和l，选择数值总和最大的一类即提取了趋势性最大的一类：
[0121][0122]
其中a为每一类中元素的个数，k为类的个数。取这一类元素对应的指标得到筛选指标序列sindex
x
×1，其中x未知，取决于指标趋势性最大的一类中的元素个数。
[0123]
取筛选指标序列sindex中的所有指标，将这些指标的全寿命序列重构成矩阵ym×
x
。利用主成分分析方法对矩阵y进行降维，得到一维寿命因子序列；
[0124]
步骤四：将指标矩阵和寿命因子序列进行归一化后，输入进构建的bi-lstm模型进行参数学习，得到刀具寿命预测模型；
[0125]
在本实施例中，bi-lstm模型包含3个bi-lstm单元模型层、1个全连接层和1个回归输出层，其中，bi-lstm单元模型层分别包含100、100、75个单元，每个bi-lstm单元模型层后有1个dropout层。
[0126]
bi-lstm单元根据公式(9)(10)(11)更新时刻状态。
[0127][0128][0129]ht
＝go·
tanhm
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0130]
其中为临时状态信息，m
t
为单元细胞状态，h
t
为t时刻单元的输出，由两个相反方向的长短期记忆网络(long short-term memory，lstm)单元的输出组成，这样不仅能利用过去的信息，还能捕捉到后续的信息；x
t
为t时刻的输入向量，wc和bc为待学习的参数，gi为输入门，go为输出门，gf为遗忘门，状态的更新取决于三个门的共同作用；tanh为双曲正切函数作为状态激活函数，如公式(12)：
[0131][0132]
每个bi-lstm单元模型层后的dropout层使某个神经元以0.5的概率停止工作来有效缓解过拟合。
[0133]
回归输出层的损失函数是预测响应的半均方误差，如公式(13)：
[0134][0135]
其中r是响应的数目，ti是目标输出，yi是网络对响应i的预测。
[0136]
bi-lstm模型利用每个工步的指标序列学习预测下一工步的寿命因子，最终得到用来进行刀具寿命预测的模型；
[0137]
步骤五：对新采集到的三个通道的振动信号与功率信号经过步骤一得到指标数据集，利用步骤四中得到的预测模型，使用当前工步的一系列特征指标预测下一工步的寿命因子，通过刀具不满足工作要求时的寿命因子与预测的寿命因子的差值来估计刀具剩余寿命。
[0138]
通过应用以上技术方案，采集刀具自安装至所述机床使用至被更换过程中的振动信号以及功率信号，并在针对所述振动信号以及所述功率信号进行特征指标提取后生成指标矩阵，所述指标矩阵包含所述过程包含的工步的数量以及对应所述工步的指标数量；根据所述指标矩阵以及提取后的特征指标生成趋势性序列，并根据所述趋势性序列的趋势性信息获取寿命因子，所述寿命因子基于筛选指标序列生成，所述筛选指标序列根据所述趋势性信息生成；根据所述指标矩阵以及所述寿命因子生成刀具寿命预测模型；当采集到新刀具的振动信号以及功率信号时，根据所述刀具寿命预测模型对所述新刀具的剩余寿命进行获取。本技术充分利用了信号的有效信息，提高了预测的准确度，实现了对刀具寿命的精准预测。
[0139]
相应地，本发明还提出了一种刀具剩余寿命确定装置，如图4所示，所述装置包括：
[0140]
采集模块910，采集刀具自安装至所述机床使用至被更换过程中的振动信号以及功率信号，并在针对所述振动信号以及所述功率信号进行特征指标提取后生成指标矩阵，所述指标矩阵包含所述过程包含的工步的数量以及对应所述工步的指标数量；
[0141]
第一生成模块920，根据所述指标矩阵以及提取后的特征指标生成趋势性序列，并根据所述趋势性序列的趋势性信息获取寿命因子，所述寿命因子基于筛选指标序列生成，
所述筛选指标序列根据所述趋势性信息生成；
[0142]
第二生成模块930，根据所述指标矩阵以及所述寿命因子生成刀具寿命预测模型；
[0143]
获取模块940，当采集到新刀具的振动信号以及功率信号时，根据所述刀具寿命预测模型对所述新刀具的剩余寿命进行获取；
[0144]
可以理解的是，上述基于风控模型的数据预测处理方法及装置具备相同的有益效果，在此不再赘述。
[0145]
相应的，本发明还提出了一种电子设备，包括：
[0146]
处理器；以及
[0147]
存储器，用于存储所述处理器的可执行指令；
[0148]
其中，所述处理器配置为经由执行所述可执行指令来如上任意一项所述的基于风控模型的数据预测处理方法。
[0149]
相应的，本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的基于风控模型的数据预测处理方法。
[0150]
通过应用以上技术方案，采集刀具自安装至所述机床使用至被更换过程中的振动信号以及功率信号，并在针对所述振动信号以及所述功率信号进行特征指标提取后生成指标矩阵，所述指标矩阵包含所述过程包含的工步的数量以及对应所述工步的指标数量；根据所述指标矩阵以及提取后的特征指标生成趋势性序列，并根据所述趋势性序列的趋势性信息获取寿命因子，所述寿命因子基于筛选指标序列生成，所述筛选指标序列根据所述趋势性信息生成；根据所述指标矩阵以及所述寿命因子生成刀具寿命预测模型；当采集到新刀具的振动信号以及功率信号时，根据所述刀具寿命预测模型对所述新刀具的剩余寿命进行获取。本技术充分利用了信号的有效信息，提高了预测的准确度，实现了对刀具寿命的精准预测。
[0151]
上述通信总线可以是pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0152]
通信接口用于上述终端与其他设备之间的通信。
[0153]
存储器可以包括ram(random access memory，随机存取存储器)，也可以包括非易失性存储器，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0154]
上述的处理器可以是通用处理器，包括cpu(central processing unit，中央处理器)、np(network processor，网络处理器)等；还可以是dsp(digital signal processing，数字信号处理器)、asic(application specific integrated circuit，专用集成电路)、fpga(field－programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0155]
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的语音合成方法。
[0156]
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如上所述的语音合成方法。
[0157]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘)等。
[0158]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0159]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0160]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。