本申请涉及状态监测,特别是涉及一种刀具监测模型训练方法、刀具状态监测方法及相关装置。
背景技术:
1、在切削刀具相关领域中,往往十分注重切削加工的稳定性,而刀具健康状态直接关联到切削加工的稳定性,这就需要对于刀具健康状态进行有效监测。
2、现有技术中,一般工业机加工通常通过采集刀具振动、噪声、温度、应力、声发射传感器等信号实现刀具的健康监测,其中,往往采用振动传感器、拾音器、力传感器等设备进行刀具健康状态监测,通过给定的加工操作切削相同工件时切削刀具所提供瞬时的刀具健康状态来监测,此外,还有通过刀具控制的相关电信号进行刀具健康状态监测。
3、然而,刀具加工过程复杂、工况多变,会存在非稳定的加工情况,上述方式在应对不稳定的加工情况时,往往难以对刀具健康状态进行准确稳定的监测。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提高状态监测鲁棒性的刀具监测模型训练方法、刀具状态监测方法及相关装置。
2、第一方面,本申请提供了一种刀具监测模型训练方法,方法包括:
3、获取正常状态下刀具电机的扭矩波形数据,并提取扭矩波形数据的特征,得到原始训练集;
4、基于原始训练集训练预先建立的自联想神经网络模型,得到刀具的初步监测模型;
5、通过主成分分析对原始训练集进行特征重构,得到扩展训练集,并基于扩展训练集训练初步监测模型的局部网络,得到刀具的状态监测模型,其中,局部网络包括初步监测模型的输入层、映射层、瓶颈层。
6、在其中一个实施例中,通过主成分分析对原始训练集进行特征重构,得到扩展训练集包括:
7、基于原始训练集生成协方差矩阵,并计算协方差矩阵的特征值与特征向量;
8、根据特征值的大小,选择最大的前k个特征值对应的特征向量生成特征重构矩阵;
9、通过特征重构矩阵对原始训练集进行特征重构,得到扩展训练集。
10、在其中一个实施例中,基于扩展训练集训练初步监测模型的局部网络,得到刀具的状态监测模型包括:
11、基于原始训练集训练中瓶颈层的输出结果,构建扩展训练集对应的输出结果;
12、在初步监测模型的瓶颈层、解映射层、输出层之间的网络结构参数不变情况下,基于扩展训练集及对应的输出结果训练初步监测模型的局部网络,得到状态监测模型。
13、在其中一个实施例中,基于原始训练集训练预先建立的自联想神经网络模型,得到刀具的初步监测模型包括:
14、对原始训练集进行标准化处理;
15、初始化自联想神经网络模型的网络结构参数,并基于原始训练集训练初始化之后的自联想神经网络模型,得到初步监测模型。
16、在其中一个实施例中,基于扩展训练集训练初步监测模型的局部网络,得到刀具的状态监测模型之后,还包括:
17、通过预设的测试集测试状态监测模型,其中,测试集输入状态监测模型得到对应的模型重构特征或模型预测值,并基于模型重构特征或模型预测值确定状态监测模型是否合格。
18、第二方面,本申请还提供了一种刀具状态监测方法,包括:
19、获取刀具电机的扭矩波形数据,并提取扭矩波形数据的特征,得到刀具特征数据;
20、将刀具特征数据输入至预先训练的状态监测模型,得到对应的模型重构特征或模型预测值,其中,状态监测模型为通过上述任意一种实施例所述的刀具监测模型训练方法训练得到的模型;
21、基于模型重构特征或模型预测值,确定刀具的状态监测结果。
22、第三方面,本申请还提供了一种刀具监测模型训练装置,包括:
23、训练获取模块,用于获取正常状态下刀具电机的扭矩波形数据,并提取扭矩波形数据的特征,得到原始训练集;
24、整体训练模块,用于基于原始训练集训练预先建立的自联想神经网络模型,得到刀具的初步监测模型;
25、局部训练模块,用于通过主成分分析对原始训练集进行特征重构,得到扩展训练集,并基于扩展训练集训练初步监测模型的局部网络,得到刀具的状态监测模型,其中,局部网络包括初步监测模型的输入层、映射层、瓶颈层。
26、第四方面,本申请还提供了一种刀具状态监测装置,包括:
27、数据获取模块,用于获取刀具电机的扭矩波形数据,并提取扭矩波形数据的特征,得到刀具特征数据;
28、数据监测模块,用于将刀具特征数据输入至预先训练的状态监测模型,得到对应的模型重构特征或模型预测值,其中,状态监测模型为通过上述任意一种实施例所述的刀具监测模型训练方法训练得到的模型;
29、状态预测模块,用于基于模型重构特征或模型预测值,确定刀具的状态监测结果。
30、第五方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任意一种实施例所述的刀具监测模型训练方法或刀具状态监测方法的步骤。
31、第六方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任意一种实施例所述的刀具监测模型训练方法或刀具状态监测方法的步骤。
32、上述刀具监测模型训练方法、刀具状态监测方法及相关装置,在原始训练集训练自联想神经网络模型的基础上,通过主成分分析对原始训练集进行特征重构,得到扩展训练集,再基于扩展训练集进一步训练初步监测模型的输入层-映射层-瓶颈层3层局部网络,以得到状态监测模型,如此,第一方面,基于主成分分析重构得到扩展训练集,有效扩展了模型样本,减轻了对于样本量的需求,使得模型预测精度不再受限于样本量,第二方面,在原始训练的基础上,单独重新训练模型的输入层-映射层-瓶颈层3层局部网络,其他网络结构参数不变,不仅保持了自联想神经网络模型的非线性表达能力,而且使得训练完成后状态监测模型具备了线性的表达能力,即同时具备了良好、稳定的线性与非线性表达能力,大大提高了状态监测模型的鲁棒性。
1.一种刀具监测模型训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的刀具监测模型训练方法,其特征在于,所述通过主成分分析对所述原始训练集进行特征重构,得到扩展训练集包括:
3.根据权利要求1所述的刀具监测模型训练方法,其特征在于,所述基于所述扩展训练集训练所述初步监测模型的局部网络,得到刀具的状态监测模型包括:
4.根据权利要求1至权利要求3任意一项所述的刀具监测模型训练方法,其特征在于,所述基于所述原始训练集训练预先建立的自联想神经网络模型,得到刀具的初步监测模型包括:
5.根据权利要求1至权利要求3任意一项所述的刀具监测模型训练方法,其特征在于,所述基于所述扩展训练集训练所述初步监测模型的局部网络,得到刀具的状态监测模型之后,还包括:
6.一种刀具状态监测方法,其特征在于,包括:
7.一种刀具监测模型训练装置,其特征在于,包括:
8.一种刀具状态监测装置,其特征在于,包括:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求6中任一项所述的方法的步骤。
10.一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权利要求1至权利要求6中任一项所述的方法的步骤。