CN111993158B - 刀具检测模型的生成方法、检测方法、系统、设备及介质 - Google Patents

Abstract

本发明公开了一种刀具检测模型的生成方法、检测方法、系统、设备及介质，生成方法包括：获取不同使用状态的刀具在加工过程中的负载值，使用状态为正常使用状态或断刀使用状态；从负载值中提取特征数据；将特征数据作为输入，特征数据对应的使用状态作为输出训练机器学习模型以获取刀具检测模型；刀具检测模型用于检测目标刀具的当前使用状态。本发明配置简单，在刀具实际加工产品的过程中，无需额外配置其它传感器，即可获取刀具产生的负载值，通过训练好的刀具检测模型，即可获取当前刀具的磨损状态，在不影响产品正常生产加工的流程下，可以实现对刀具健康状态的检测，不仅提高了刀具检测效率，也极大的节约了刀具检测成本。

Description

刀具检测模型的生成方法、检测方法、系统、设备及介质

技术领域

本发明涉及刀具状态的检测领域，特别涉及一种刀具检测模型的生成方法、检测方法、系统、设备及介质。

背景技术

CNC(计算机数控)机床通过其配备的刀具对产品进行加工，产品的品质依赖于刀具的健康状态，刀具在加工的过程中会被磨损消耗以至达到健康的加工状态。

目前对刀具的故障诊断一般主要有两种方式，第一种方式为通过定期卸下刀具人为地肉眼进行观察，根据刀具外形和操作人员的经验进行判断刀具是否严重磨损以无法使用；第二种方式为使用昂贵的激光对刀仪进行测量。

在第一种方式下，这刀具的故障诊断不具有在线性和智能性，且如果经常进行刀具诊断还会影响生产效率。

在第二种方式下，需要在CNC机床的CNC端与机床端之间设置PLC(可编程逻辑控制器)，通过PLC获取机床加工过程中产生的若干刀具振动信号，依靠处理和分析振动信号来诊断刀具状态。其不足在于其配置较复杂，PLC通信网络配置和维护成本也较高，安装PLC设备也增加了安装成本。

发明内容

本发明要解决的技术问题是为了克服现有技术中对刀具使用状态诊断效率低、成本高且配置复杂的缺陷，提供一种配置简单的、低成本且高效率的刀具检测模型的生成方法、检测方法、系统、设备及介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供了一种刀具检测模型的生成方法，所述生成方法包括：

获取不同使用状态的刀具在加工过程中的负载值，所述使用状态为正常使用状态或断刀使用状态；

从所述负载值中提取特征数据；

将所述特征数据作为输入，所述特征数据对应的使用状态作为输出训练机器学习模型以获取所述刀具检测模型，所述刀具检测模型用于检测目标刀具的当前使用状态。

较佳地，所述训练机器学习模型以获取所述刀具检测模型的步骤包括：

当训练次数达到预设目标数时，确定训练后的所述机器学习模型为所述刀具检测模型。

较佳地，述机器学习模型包括二分类模型。

较佳地，所述二分类模型包括adaboost(自适应增强)模型。

较佳地，所述将所述特征数据作为输入，所述特征数据对应的使用状态作为输出训练机器学习模型以获取所述刀具检测模型的步骤包括：

初始化每一所述特征数据的权重；

根据初始化的所述权重训练所述二分类模型的学习器，且将训练后的所述学习器加入弱学习器集合中；

根据所述学习器的学习误差率更新所述特征数据的权重，根据更新后的所述特征数据的权重再次训练所述学习器，且将再次训练后的所述学习器加入所述弱学习器集合中；

判断所述弱学习器集合中的学习器的数量是否达到预设目标数：若是，则停止训练，并根据所述弱学习器集合中的所有学习器获取所述刀具检测模型；若否，则执行所述根据所述学习器的学习误差率更新所述特征数据的权重，根据更新后的所述特征数据的权重再次训练所述学习器，且将再次训练后的所述学习器加入所述弱学习器集合中的步骤。

较佳地，所述根据所述弱学习器集合中的所有学习器获取所述刀具检测模型的步骤包括：

根据所述学习误差率确定所述弱学习器集合中的对应的学习器的权重，并根据每一所述学习器的权重获取所述刀具检测模型。

较佳地，所述获取不同使用状态的刀具在加工过程中的负载值的步骤后还包括：

预处理所述负载值；

所述从所述负载值中提取特征数据的步骤包括：从预处理后的所述负载值中提取特征数据。

较佳地，所述获取不同使用状态的刀具在加工过程中的负载值的步骤包括：

在每一次加工刀具的过程中，通过滑动窗口获取不同使用状态的刀具在加工过程中的负载值。

本发明还提供了一种刀具使用状态的检测方法，所述刀具检测方法包括：

获取在当前加工过程中的目标刀具的负载值；

从所述负载值中提取目标特征数据；

将所述目标特征数据输入如上所述的生成方法生成的刀具检测模型中以获取所述目标刀具对应的当前使用状态。

较佳地，所述获取在当前加工过程中的目标刀具的负载值的步骤后包括：

预处理所述负载值；

所述从所述负载值中提取目标特征数据的步骤包括：

从预处理后的所述负载值中提取目标特征数据。

本发明还提供了一种刀具检测模型的生成系统，所述生成系统包括：负载值获取模块、特征数据提取模块及模型训练模块；

所述负载值获取模块用于获取不同使用状态的刀具在加工过程中的负载值，所述使用状态为正常使用状态或断刀使用状态；

所述特征数据提取模块用于从所述负载值中提取特征数据；

所述模型训练模块用于将所述特征数据作为输入，所述特征数据对应的使用状态作为输出训练机器学习模型以获取所述刀具检测模型，所述刀具检测模型用于检测目标刀具的当前使用状态。

较佳地，所述模型训练模块还用于当训练次数达到预设目标数时，确定训练后的所述机器学习模型为所述刀具检测模型。

较佳地，所述机器学习模型包括二分类模型。

较佳地，所述二分类模型包括adaboost模型。

较佳地，所述模型训练模块包括：初始化单元、学习器训练单元、权重更新单元以及判断单元；

所述初始化单元用于初始化每一所述特征数据的权重；

所述学习器训练单元用于根据初始化的所述权重训练所述二分类模型的学习器，且将训练后的所述学习器加入弱学习器集合中；

所述权重更新单元用于根据所述学习器的学习误差率更新所述特征数据的权重，根据更新后的所述特征数据的权重再次训练所述学习器，且将再次训练后的所述学习器加入所述弱学习器集合中；

所述判断单元用于判断所述弱学习器集合中的学习器的数量是否达到预设目标数：若是，则停止训练，并根据所述弱学习器集合中的所有学习器获取所述刀具检测模型；若否，则调用所述权重更新单元。

较佳地，所述判断单元用于根据所述学习误差率确定所述弱学习器集合中的对应的学习器的权重，并根据每一所述学习器的权重获取所述刀具检测模型。

较佳地，所述生成系统还包括第一预处理模块，所述负载值获取模块还用于调用所述第一预处理模块，所述第一预处理模块用于预处理所述负载值；

所述特征数据提取模块用于从预处理后的所述负载值中提取特征数据。

较佳地，所述负载值获取模块用于在每一次加工刀具的过程中，通过滑动窗口获取不同使用状态的刀具在加工过程中的负载值。

本发明还提供了一种刀具使用状态的检测系统，所述检测系统包括：目标数据获取模块、目标特征提取模块及检测模块；

所述目标数据获取模块用于获取在当前加工过程中的目标刀具的负载值；

所述目标特征提取模块用于从所述负载值中提取目标特征数据；

所述检测模块用于将所述目标特征数据输入如上所述的生成系统生成的刀具检测模型中以获取所述目标刀具对应的当前使用状态。

较佳地，所述检测系统还包括第二预处理模块，所述目标数据获取模块还用于调用所述第二预处理模块，所述第二预处理模块用于预处理所述负载值；

所述目标特征提取模块用于从预处理后的所述负载值中提取目标特征数据。

本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的刀具检测模型的生成方法或如上所述的刀具使用状态的检测方法。

本发明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所述计算机程序被处理器执行时实现如上所述的刀具检测模型的生成方法或如上所述的刀具使用状态的检测方法的步骤。

本发明的积极进步效果在于：本发明在无需额外增加其它设备的前提下，通过获取在加工过程中正常使用状态的刀具及故障使用状态的刀具产生的负载值，通过机器学习模型训练获取的负载值，可以得到一用于检测刀具磨损状态的刀具检测模型。本发明配置简单，在刀具实际加工产品的过程中，无需额外配置其它传感器，即可获取刀具产生的负载值，通过训练好的刀具检测模型，即可获取当前刀具的磨损状态，在不影响产品正常生产加工的流程下，可以实现对刀具健康状态的检测，不仅提高了刀具检测效率，也极大的节约了刀具检测成本。

附图说明

图1为本发明实施例1的刀具检测模型的生成方法的流程图。

图2为实施例1的刀具的负载值分布的折线图。

图3为实施例1的预处理步骤的流程图。

图4为实施例1的步骤103的流程图。

图5为本发明实施例2的刀具使用状态的检测方法的流程图。

图6为本发明实施例3的刀具检测模型的生成系统的模块示意图。

图7为实施例3的模型训练模块的单元示意图。

图8为本发明实施例4的刀具使用状态的检测系统的模块示意图。

图9为本发明是合理5的电子设备的模块示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

本实施例提供了一种刀具检测模型的生成方法，如图1所示，生成方法包括：

步骤101、获取不同使用状态的刀具在加工过程中的负载值。

其中，使用状态为正常使用状态或断刀使用状态。本实施例中，获取的负载值为CNC机床在实际加工的过程中产生负载值，由于在一般情况下，CNC机床会带有负载传感器，因此，本实施例在无需增加额外设备的情况下，即可采集前述负载值。具体的，本实施例中可以分别获取正常使用状态下的刀具的负载值，以及断刀使用状态下的刀具的负载值。

步骤102、从负载值中提取特征数据。

由于特征数据的选择是整个建模环节的关键，对应不同的负载值的原始数据可以视情况选择不同的特征。在实际操作中，观察到正常使用状态与断刀使用状态的刀具在加工过程中所表现的负载值存在一定的差异，具体如图2所示，图2为在一次加工过程中刀具的负载值分布的折线图，其中，横坐标为负载值，纵坐标为负载值出现的频数。

L1表示正常使用状态的刀具在加工过程中的负载值的折线图，L2表示断刀使用状态的刀具在加工过程中的负载值的折线图。从图中可以明显看出，L1的局部最大值远远大于L2，具体的，L1的第一局部最大值Max1大于L2的第一局部最大值Max1’，L1的第二局部最大值Max2大于L2的第二局部最大值Max2’，因此，可以利用正常使用状态及断刀使用状态的刀具在加工过程中的局部最大值的差异来训练模型，也就是说，可以将两种使用状态的最大值作为特征数据之一对刀具进行训练。

此外，从图2中还可以看出，L1的分位数Q1与Q3明显与L2的分位数Q1’与Q3’不同，因此，本实施例中，也可以将分为数作为特征数据之一对刀具进行训练。

本实施例中，可以选择正常使用状态及断刀使用状态的刀具在加工过程中负载值的最大值及分位数作为特征数据对模型进行训练。

应当理解，上述对特征值的选取只是作为一个例子对本实施例进行说明，具体选用的特征值可以根据采集的正常使用状态及刀使用状态的负载值的实际情况进行选择，如，还可以包括在一次加工过程中，采集到的负载值的均值、方差等。

在一种具体的实施方式中，步骤101中，在每一次加工刀具的过程中，可以通过滑动窗口获取不同使用状态的刀具在加工过程中的负载值，对应的，步骤102中，也以滑动窗口获取到的负载值为单位来提取特征值。

由于在某些情况下，单条数据记录的负载值有限，不能反映刀具的使用状态，如，在训练的过程中采用负载值的局部极大值作为特征值，但单条数据记录的负载值可能比较小，难以提取到局部极大值，因此，采用一定窗口大小的滑动窗口来统计特征数据即可得到每一窗口内的局部极大值。

在一种具体的实施方式中，为了屏蔽不同型号刀具之间的差异，提高对不同型号刀具进行综合建模的精准率。可以对获取到的原始数据进行预处理以得到更有效的特征数据，因此，如图3所示，步骤102前还可以包括对获取的负载值进行预处理的步骤，该预处理的步骤具体可以包括：

步骤1021、移除停转数据。

由于获取的负载值可能存在个别不是在加工过程中的产生负载值数据，如，在换刀过程中的负载值、刀具停转过程中的负载值等，因此此处通过移出停转数据可以得到更有效的负载值。

步骤1022、数据重采样。

数据重采样的步骤意思为，把数据从不等间隔采样的数据转换为同等间隔采样的数据，从而保证每一次采样得到的负载值的时间间隔相等。

步骤1023、截取数据的加工段。

其中，在刀具进行加工的过程中，可能部分加工段即包括了大部分的负载值数据，通过截取这部分的数据则可以基本反应刀具加工过程中的负载值的特征，通过对加工段的截取可以在获取较少的数据的基础上完成模型的训练。

步骤1024、使用区间最大值截取数据的加工段。

刀具在加工的过程中，在刚开始加工时，以及在加工即将结束时，所产生的负载值均不稳定，因此，在步骤1024中，可以首先将一次加工过程中的前预设时间的加工数据剔除，以及将后预设时间的加工数据剔除，留下的中间段的加工数据中获取最大的负载值，将先前剔除的前预设时间的加工数据以及将后预设时间的加工数据拿回来后，再通过中间段数据的最大负载值来截取前预设时间以及后预设时间的数据，将大于最大负载值的数据剔除，从而使获取的数据更为稳定。

步骤1025、数据偏移至零点。

此步骤的目的在于在时间轴上将获取的数据对齐，从而方便后续对数据的处理，应当理解，步骤1025并不限制与将数据偏移至零点，也可以将数据偏移至任意一可以使数据在时间轴上对齐的位置。

步骤1026、舍弃长度不符合要求的数据。

由于获取负载值的过程中，可能由于网络传输故障导致数据丢失的情况发生，这种情况下获取的数据是不完整的，其无法正确反应刀具的真实加工情况，如，本来需要获取1分钟的数据，由于有20s存在网络故障，因此，只获得了40s的有效数据，因此，该数据的时间长度不符合要求，需要剔除。

应当理解，本实施例中的预处理的具体方式可以选择步骤1021至步骤1026中的一种或者多种，其执行的顺序也可以根据实际情况进行选择，如，可以先执行步骤1026，再执行步骤1024，具体预处理实现方式的种类和顺序都可以根据实际情况及逆行选择。

应当理解，此处仅对预处理的具体实施方式进行举例说明，而具体实施时，并不限于步骤1021至步骤1026，也可以采用其它的预处理的具体实施方式以获取有效数据，

步骤103、将特征数据作为输入，特征数据对应的使用状态作为输出训练机器学习模型以获取刀具检测模型。

本实施例中，为了明显区分正常使用状态与断刀使用状态的两种使用状态，采用二分类模型对特征数据进行训练，在一种具体的实施方式中，通过adaboost模型对特征数据进行训练。应当理解本实施例并不限于采用adaboost模型或者其他的二分类模型，也可以使用其他的机器学习模型，具体的训练模型，可以根据实际情况进行选择。

为了更好的理解步骤103中的训练过程，下面通过adaboost模型，对步骤103进行说明，具体的，如图4所示，步骤103包括：

步骤1031、初始化每一特征数据的权重。

步骤1032、根据初始化的权重训练二分类模型的学习器，且将训练后的学习器加入弱学习器集合中。

步骤1033、根据学习器的学习误差率更新特征数据的权重，根据更新后的特征数据的权重再次训练学习器，且将再次训练后的学习器加入弱学习器集合中。

步骤1034、判断弱学习器集合中的学习器的数量是否达到预设目标数：若是，则执行步骤1035，若否，则返回步骤1033。

步骤1035、据弱学习器集合中的所有学习器获取刀具检测模型。

adboost工作机制是首先从训练集用初始权重训练出第一弱学习器h₁，根据弱学习器的学习误差率表现来更新训练样本的权重，使得之前h₁学习误差率高的训练样本点的权重变高，使得这些误差率高的点在后面的第二弱学习器h₂中得到更多的重视。然后基于调整权重后的训练集来训练第二弱学习器h₂，如此重复进行，直到弱学习器数达到事先指定的数目m，最终将这m个弱学习器通过集合策略进行整合，得到最终的强学习器H(x)。

本实施例中，训练adaboost模型时使用决策树作为adaboost的基学习器，使用网格搜索的方法确定模型的超参数，超参数包括基学习器的个数和学习率

具体的，在步骤1031中，初始化特征数据，将每一特征数据的权重均设置为相等，其中，初始权重

i表示第i个特征数据，N表示样本空间的个数，在步骤1032中，根据初始权重w_i来训练弱学习器h₁，h_k代表第k个弱学习器，本实施例中，弱学习器的具体形式为两层决策树下的基分类器，通过步骤1033及步骤1034可以训练出若干个弱学习器，在步骤1035中通过下述公式可以将若干个弱学习器h_k整合，以得到最终的强学习器H(x)，也就是本实施例中的刀具检测模型：

其中，α_k代表第k个弱学习器的权重，具体的，步骤1035中，根据学习误差率确定弱学习器集合中的对应的学习器的权重，并根据每一学习器的权重获取最终的刀具检测模型，权重α_k可以通过下述公式计算得出：

其中，ε_k是带权的学习误差率，ε_k代表第k个弱学习器的学习误差率，计算公式为：

其中，x_i表示第i个特征数据，而权重w_i会在步骤1033中根据学习器的学习误差率不断更新，具体更新公式如下所示：

其中，y_i表示对应的特征数据所代表的刀具的使用状态，如：1代表断刀使用状态，-1代表正常使用状态。w_k+1,i表示第k+1轮，第i个特征数据的权重，Z_k为规范化因子，具体可以通过下述公式求出：

本实施例中，根据特征数据可以训练出最终的强学习器H(x)，也就是最终的可以用来检测目标刀具的当前使用状态的刀具检测模型。应当理解，在实际使用刀具检测模型时，仅需将根据目标刀具的负载值获取的目标特征数据输入至该模型中，即可得到目标刀具的当前使用状态。

本实施例中，利用刀具本身特性和正常使用状态及断刀使用状态的刀具加工过程产生的负载信号的特征，通过CNC机床本身自带的负载传感器可以获取到负载值，并根据该负载值对机器学习模型进行训练，从而可以得到用于检测目标刀具的当前使用状态的刀具检测模型，本实施例在较小的安装成本下既可以训练出检测目标刀具当前使用状态的模型。

本实施例中，通过对实际加工过程中的正常使用状态或断刀使用状态的特征数据的观察，从而得到能够明显区分正常使用状态或断刀使用状态的特征数据，如最大值、分位数等，通过使用二分类模型来训练该特征数据，从而能够得到用于检测目标刀具的正常使用状态或断刀使用状态的刀具检测模型。

本实施例中，通过预处理负载值的步骤，对初始获得的负载值进行清洗，可以屏蔽不同型号刀具之间的差异，保证数据的完整性和准确性，从而得到有效数据，并通过预处理后的数据来进一步进行特征数据的提取。

本实施例中，通过adaboost模型来训练特征数据，从而可以成功的把原始数据进行分类，而得到可以明显区分正常使用状态及断刀使用状态的刀具检测模型。

实施例2

本实施例提供了一种刀具使用状态的检测方法，如图5所示，所述刀具检测方法包括：

步骤201、获取在当前加工过程中的目标刀具的负载值。

步骤202、从负载值中提取目标特征数据。

步骤203、将目标特征数据输入刀具检测模型中以获取目标刀具对应的使用状态。

其中，步骤203中的刀具检测模型根据实施例1的生成方法生成。

应当理解，步骤201中可以同时采集多个目标刀具的负载值，相应的步骤202及步骤203可以同时对多个目标刀具的负载值进行处理以检测对应的使用状态。

在一种具体的实施方式中，为了屏蔽不同型号刀具之间的差异，提高对不同型号刀具进行检测的精准率。可以对获取到的原始的负载值进行预处理以得到更有效的特征数据，具体的预处理步骤可以参考实施例1中的预处理的步骤，此处便不再赘述。

本实施例中，结合刀具本身特性和刀具加工过程产生负载信号特征，其配置简单，除使用CNC机床的负载数据无需配置其他的传感器，较小的安装配置成本下可以实现刀具使用状态的自动检测。

本实施例中，可以在生产过程中对刀具的使用状态进行实时分析，每一次加工时都可以及时检测到刀具的使用状态，从而可以判断刀具是否为健康状态，极大地避免的因断刀所造成的加工物料报废。

实施例3

本实施例提供了一种刀具检测模型的生成系统，如图6所示，生成系统包括：负载值获取模块301、特征数据提取模块302及模型训练模块303。

负载值获取模块301用于获取不同使用状态的刀具在加工过程中的负载值。

特征数据提取模块302用于从负载值中提取特征数据。

模型训练模块303用于将特征数据作为输入，特征数据对应的使用状态作为输出训练机器学习模型以获取刀具检测模型。

其中，刀具检测模型用于检测目标刀具的当前使用状态。

其中，使用状态为正常使用状态或断刀使用状态。本实施例中，负载值获取模块301获取的负载值为CNC机床在实际加工的过程中产生负载值，由于在一般情况下，CNC机床会带有负载传感器，因此，本实施例在无需增加额外设备的情况下，即可采集前述负载值。具体的，本实施例中可以分别获取正常使用状态下的刀具的负载值，以及断刀使用状态下的刀具的负载值。

由于特征数据的选择是整个建模环节的关键，对应不同的负载值的原始数据可以视情况选择不同的特征。在实际操作中，观察到正常使用状态与断刀使用状态的刀具在加工过程中所表现的负载值存在一定的差异，具体如图2所示，图2为在一次加工过程中刀具的负载值分布的折线图，其中，横坐标为负载值，纵坐标为负载值出现的频数。

L1表示正常使用状态的刀具在加工过程中的负载值的折线图，L2表示断刀使用状态的刀具在加工过程中的负载值的折线图。从图中可以明显看出，L1的局部最大值远远大于L2，具体的，L1的第一局部最大值Max1大于L2的第一局部最大值Max1’，L1的第二局部最大值Max2大于L2的第二局部最大值Max2’，因此，可以利用正常使用状态及断刀使用状态的刀具在加工过程中的局部最大值的差异来训练模型，也就是说，可以将两种使用状态的最大值作为特征数据之一对刀具进行训练。

此外，从图2中还可以看出，L1的分位数Q1与Q3明显与L2的分位数Q1’与Q3’不同，因此，本实施例中，也可以将分为数作为特征数据之一对刀具进行训练。

本实施例中，特征数据提取模块302可以选择正常使用状态及断刀使用状态的刀具在加工过程中负载值的最大值及分位数作为特征数据对模型进行训练。

应当理解，上述特征数据提取模块302对特征值的选取只是作为一个例子对本实施例进行说明，述特征数据提取模块302具体选用的特征值可以根据采集的正常使用状态及刀使用状态的负载值的实际情况进行选择，如，还可以包括在一次加工过程中，采集到的负载值的均值、方差等。

在一种具体的实施方式中，负载值获取模块301可以在每一次加工刀具的过程中通过滑动窗口获取不同使用状态的刀具在加工过程中的负载值，对应的，特征数据提取模块302也以滑动窗口获取到的负载值为单位来提取特征值。

由于在某些情况下，单条数据记录的负载值有限，不能反映刀具的使用状态，如，在训练的过程中采用负载值的局部极大值作为特征值，但单条数据记录的负载值可能比较小，难以提取到局部极大值，因此，负载值获取模块301采用一定窗口大小的滑动窗口来统计特征数据即可得到每一窗口内的局部极大值。

在一种具体的实施方式中，为了屏蔽不同型号刀具之间的差异，提高对不同型号刀具进行综合建模的精准率。可以对获取到的原始数据进行预处理以得到更有效的特征数据，因此，本实施例中的生成系统还包括第一预处理模块，负载值获取模块301还用于调用第一预处理模块，第一预处理模块用于预处理负载值，特征数据提取模块302用于从预处理后的负载值中提取特征数据。

具体的，预处理模块可用于移除停转数据，由于获取的负载值可能存在个别不是在加工过程中的产生负载值数据，如，在换刀过程中的负载值、刀具停转过程中的负载值等，因此此处通过移出停转数据可以得到更有效的负载值。

预处理模块还可以用于数据重采样，即把数据从不等间隔采样的数据转换为同等间隔采样的数据，从而保证每一次采样得到的负载值的时间间隔相等。

预处理模块还可以用于截取数据的加工段。其中，在刀具进行加工的过程中，可能部分加工段即包括了大部分的负载值数据，通过截取这部分的数据则可以基本反应刀具加工过程中的负载值的特征，通过对加工段的截取可以在获取较少的数据的基础上完成模型的训练。

预处理模块还可以用于使用区间最大值截取数据的加工段。由于刀具在加工的过程中，在刚开始加工时，以及在加工即将结束时，所产生的负载值均不稳定，因此，可以首先将一次加工过程中的前预设时间的加工数据剔除，以及将后预设时间的加工数据剔除，留下的中间段的加工数据中获取最大的负载值，将先前剔除的前预设时间的加工数据以及将后预设时间的加工数据拿回来后，再通过中间段数据的最大负载值来截取前预设时间以及后预设时间的数据，将大于最大负载值的数据剔除，从而使获取的数据更为稳定。

预处理模块还可以用于数据偏移至零点，其目的在于在时间轴上将获取的数据对齐，从而方便后续对数据的处理，应当理解，预处理模块并不限制与将数据偏移至零点，也可以将数据偏移至任意一可以使数据在时间轴上对齐的位置。

预处理模块还可以用于舍弃长度不符合要求的数据。由于获取负载值的过程中，可能由于网络传输故障导致数据丢失的情况发生，这种情况下获取的数据是不完整的，其无法正确反应刀具的真实加工情况，如，本来需要获取1分钟的数据，由于有20s存在网络故障，因此，只获得了40s的有效数据，因此，该数据的时间长度不符合要求，预处理模块可用于将该数据剔除。

应当理解，此处仅对预处理模块的预处理的具体实施方式进行举例说明，而具体实施时，上述方式，也可以采用其它的预处理的具体实施方式以获取有效数据。

本实施例中，为了明显区分正常使用状态与断刀使用状态的两种使用状态，模型训练模块303采用二分类模型对特征数据进行训练，在一种具体的实施方式中，模型训练模块303通过adaboost模型对特征数据进行训练。应当理解本实施例并不限于采用adaboost模型或者其他的二分类模型，也可以使用其他的机器学习模型，具体的训练模型，可以根据实际情况进行选择。

为了更好的理解模型训练模块303的训练过程，下面通过adaboost模型，对模型训练模块303的训练过程进行说明，具体的，如图7所示，模型训练模块303包括：初始化单元3031、学习器训练单元3032、权重更新单元3033以及判断单元3034；

初始化单元3031用于初始化每一特征数据的权重；

学习器训练单元3032用于根据初始化的权重训练二分类模型的学习器，且将训练后的学习器加入弱学习器集合中；

权重更新单元3033用于根据学习器的学习误差率更新特征数据的权重，根据更新后的特征数据的权重再次训练学习器，且将再次训练后的学习器加入弱学习器集合中；

判断单元3034用于判断弱学习器集合中的学习器的数量是否达到预设目标数：若是，则停止训练，并根据弱学习器集合中的所有学习器获取刀具检测模型；若否，则调用权重更新单元3033。

adaboost工作机制是首先从训练集用初始权重训练出第一弱学习器h₁，根据弱学习器的学习误差率表现来更新训练样本的权重，使得之前h₁学习误差率高的训练样本点的权重变高，使得这些误差率高的点在后面的第二弱学习器h₂中得到更多的重视。然后基于调整权重后的训练集来训练第二弱学习器h₂，如此重复进行，直到弱学习器数达到事先指定的数目m，最终将这m个弱学习器通过集合策略进行整合，得到最终的强学习器H(x)。

本实施例中，训练adaboost模型时使用决策树作为adaboost的基学习器，使用网格搜索的方法确定模型的超参数，超参数包括基学习器的个数和学习率

具体的，初始化单元3031用于初始化特征数据，即将每一特征数据的权重均设置为相等，其中，初始权重

i表示第i个特征数据，N表示样本空间的个数，在步骤1032中，根据初始权重w_i来训练弱学习器h₁，h_k代表第k个弱学习器，本实施例中，弱学习器的具体形式为两层决策树下的基分类器，通过学习器训练单元3032及权重更新单元3033可以训练出若干个弱学习器，判断单元3034通过下述公式可以将若干个弱学习器h_k整合，以得到最终的强学习器H(x)，也就是本实施例中的刀具检测模型：

其中，α_k代表第k个弱学习器的权重，具体的，判断单元3034根据学习误差率确定弱学习器集合中的对应的学习器的权重，并根据每一学习器的权重获取最终的刀具检测模型，权重α_k可以通过下述公式计算得出：

其中，ε_k是带权的学习误差率，ε_k代表第k个弱学习器的学习误差率，计算公式为：

其中，x_i表示第i个特征数据，而权重w_i会在步骤1033中根据学习器的学习误差率不断更新，具体更新公式如下所示：

其中，y_i表示对应的特征数据所代表的刀具的使用状态，如：-1代表断刀使用状态，1代表正常使用状态。w_k+1,i表示第k+1轮，第i个特征数据的权重，Z_k为规范化因子，具体可以通过下述公式求出：

本实施例中，模型训练模块303根据特征数据可以训练出最终的强学习器H(x)，也就是最终的可以用来检测目标刀具的当前使用状态的刀具检测模型。应当理解，在实际使用刀具检测模型时，仅需将根据目标刀具的负载值获取的目标特征数据输入至该模型中，即可得到目标刀具的当前使用状态。

本实施例中，负载值获取模块利用刀具本身特性和正常使用状态及断刀使用状态的刀具加工过程产生的负载信号的特征，通过CNC机床本身自带的负载传感器可以获取到负载值，模型训练模块根据该负载值对机器学习模型进行训练，从而可以得到用于检测目标刀具的当前使用状态的刀具检测模型，本实施例在较小的安装成本下既可以训练出检测目标刀具当前使用状态的模型。

本实施例中，特征数据提取模块通过对实际加工过程中的正常使用状态或断刀使用状态的特征数据的观察，从而得到能够明显区分正常使用状态或断刀使用状态的特征数据，如最大值、分位数等，通过使用二分类模型来训练该特征数据，从而能够得到用于检测目标刀具的正常使用状态或断刀使用状态的刀具检测模型。

本实施例中，通过预处理模块预处理负载值的步骤，对初始获得的负载值进行清洗，可以屏蔽不同型号刀具之间的差异，保证数据的完整性和准确性，从而得到有效数据，并通过预处理后的数据来进一步进行特征数据的提取。

本实施例中，模型训练模块通过adaboost模型来训练特征数据，从而可以成功的把原始数据进行分类，而得到可以明显区分正常使用状态及断刀使用状态的刀具检测模型。

实施例4

本实施例提供了一种刀具使用状态的检测系统，如图8所示，该检测系统包括：目标数据获取模块401、目标特征提取模块402及检测模块403。

目标数据获取模块401用于获取在当前加工过程中的目标刀具的负载值；

目标特征提取模块402用于从负载值中提取目标特征数据；

检测模块403用于将目标特征数据输入实施例3的生成系统生成的刀具检测模型中以获取目标刀具对应的当前使用状态。

应当理解，目标数据获取模块401可以同时采集多个目标刀具的负载值，具体可以将采集设备与多台CNC机床连接，相应的目标特征提取模块402及检测模块403可以同时对多个目标刀具的负载值进行处理以检测对应的使用状态。

在一种具体的实施方式中，为了屏蔽不同型号刀具之间的差异，提高对不同型号刀具进行检测的精准率。刀具使用状态的检测系统还可以包括第二预处理模块，用于对获取到的原始的负载值进行预处理以得到更有效的特征数据，第二预处理模块的具体预处理方式可以参考实施例3中第一预处理模块进行预处理的方式，此处便不再赘述。

本实施例中，目标数据获取模块结合刀具本身特性和刀具加工过程产生负载信号特征，其配置简单，除使用CNC机床的负载数据无需配置其他的传感器，可以服务大规模的CNC机床，在较小的安装配置成本下可以实现刀具使用状态的自动检测。

本实施例中，检测模块可以在生产过程中对刀具的使用状态进行实时分析，每一次加工时都可以及时检测到刀具的使用状态，从而可以判断刀具是否为健康状态，极大地避免的因断刀所造成的加工物料报废。

实施例5

本发明实施例还提供一种电子设备，电子设备可以通过计算设备的形式表现(例如可以为服务器设备)，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行计算机程序时可以实现本发明实施例1中刀具检测模型的生成方法或实施例2中刀具使用状态的检测方法。

图9示出了本实施例的硬件结构示意图，如图9所示，电子设备9具体包括：

至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93，其中：

总线93包括数据总线、地址总线和控制总线。

存储器92包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。

存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1中刀具检测模型的生成方法或实施例2中刀具使用状态的检测方法。

电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备9使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例6

本发明实施例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，所述程序被处理器执行时实现本发明实施例1中刀具检测模型的生成方法的步骤或实施例2中刀具使用状态的检测方法的步骤。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现本发明实施例1中刀具检测模型的生成方法的步骤或实施例2中刀具使用状态的检测方法的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (16)

1.一种刀具检测模型的生成方法，其特征在于，所述生成方法包括：

获取不同使用状态的刀具在加工过程中的负载值，所述使用状态为正常使用状态或断刀使用状态；

从所述负载值中提取特征数据；

将所述特征数据作为输入，所述特征数据对应的使用状态作为输出训练机器学习模型以获取所述刀具检测模型，所述刀具检测模型用于检测目标刀具的当前使用状态；所述机器学习模型包括二分类模型；

所述将所述特征数据作为输入，所述特征数据对应的使用状态作为输出训练机器学习模型以获取所述刀具检测模型的步骤包括：

初始化每一所述特征数据的权重；

根据初始化的所述权重训练所述二分类模型的学习器，且将训练后的所述学习器加入弱学习器集合中；

根据所述学习器的学习误差率更新所述特征数据的权重，以使得所述学习器的学习误差率高的训练样本点的权重变高，根据更新后的所述特征数据的权重再次训练所述学习器，且将再次训练后的所述学习器加入所述弱学习器集合中；

判断所述弱学习器集合中的学习器的数量是否达到预设目标数：若是，则停止训练，并根据所述弱学习器集合中的所有学习器获取所述刀具检测模型；若否，则执行所述根据所述学习器的学习误差率更新所述特征数据的权重，根据更新后的所述特征数据的权重再次训练所述学习器，且将再次训练后的所述学习器加入所述弱学习器集合中的步骤；

所述根据所述弱学习器集合中的所有学习器获取所述刀具检测模型的步骤包括：

根据所述学习误差率确定所述弱学习器集合中的对应的学习器的权重，并根据每一所述学习器的权重获取所述刀具检测模型。

2.如权利要求1所述的刀具检测模型的生成方法，其特征在于，所述训练机器学习模型以获取所述刀具检测模型的步骤包括：

当训练次数达到预设目标数时，确定训练后的所述机器学习模型为所述刀具检测模型。

3.如权利要求1所述的刀具检测模型的生成方法，其特征在于，所述二分类模型包括adaboost模型。

4.如权利要求1所述的刀具检测模型的生成方法，其特征在于，所述获取不同使用状态的刀具在加工过程中的负载值的步骤后还包括：

预处理所述负载值；

所述从所述负载值中提取特征数据的步骤包括：从预处理后的所述负载值中提取特征数据。

5.如权利要求1所述的刀具检测模型的生成方法，其特征在于，所述获取不同使用状态的刀具在加工过程中的负载值的步骤包括：

在每一次加工刀具的过程中，通过滑动窗口获取不同使用状态的刀具在加工过程中的负载值。

6.一种刀具使用状态的检测方法，其特征在于，所述刀具检测方法包括：

获取在当前加工过程中的目标刀具的负载值；

从所述负载值中提取目标特征数据；

将所述目标特征数据输入如权利要求1-5中任意一项所述的生成方法生成的刀具检测模型中以获取所述目标刀具对应的当前使用状态。

7.如权利要求6所述的刀具使用状态的检测方法，其特征在于，所述获取在当前加工过程中的目标刀具的负载值的步骤后包括：

预处理所述负载值；

所述从所述负载值中提取目标特征数据的步骤包括：

从预处理后的所述负载值中提取目标特征数据。

8.一种刀具检测模型的生成系统，其特征在于，所述生成系统包括：负载值获取模块、特征数据提取模块及模型训练模块；

所述负载值获取模块用于获取不同使用状态的刀具在加工过程中的负载值，所述使用状态为正常使用状态或断刀使用状态；

所述特征数据提取模块用于从所述负载值中提取特征数据；

所述模型训练模块用于将所述特征数据作为输入，所述特征数据对应的使用状态作为输出训练机器学习模型以获取所述刀具检测模型，所述刀具检测模型用于检测目标刀具的当前使用状态；所述机器学习模型包括二分类模型；

所述模型训练模块包括：初始化单元、学习器训练单元、权重更新单元以及判断单元；

所述初始化单元用于初始化每一所述特征数据的权重；

所述学习器训练单元用于根据初始化的所述权重训练所述二分类模型的学习器，且将训练后的所述学习器加入弱学习器集合中；

所述权重更新单元用于根据所述学习器的学习误差率更新所述特征数据的权重，以使得所述学习器的学习误差率高的训练样本点的权重变高，根据更新后的所述特征数据的权重再次训练所述学习器，且将再次训练后的所述学习器加入所述弱学习器集合中；

所述判断单元用于判断所述弱学习器集合中的学习器的数量是否达到预设目标数：若是，则停止训练，并根据所述弱学习器集合中的所有学习器获取所述刀具检测模型；若否，则调用所述权重更新单元；

所述判断单元用于根据所述学习误差率确定所述弱学习器集合中的对应的学习器的权重，并根据每一所述学习器的权重获取所述刀具检测模型。

9.如权利要求8所述的刀具检测模型的生成系统，其特征在于，所述模型训练模块还用于当训练次数达到预设目标数时，确定训练后的所述机器学习模型为所述刀具检测模型。

10.如权利要求8所述的刀具检测模型的生成系统，其特征在于，所述二分类模型包括adaboost模型。

11.如权利要求8所述的刀具检测模型的生成系统，其特征在于，所述生成系统还包括第一预处理模块，所述负载值获取模块还用于调用所述第一预处理模块，所述第一预处理模块用于预处理所述负载值；

所述特征数据提取模块用于从预处理后的所述负载值中提取特征数据。

12.如权利要求8所述的刀具检测模型的生成系统，其特征在于，所述负载值获取模块用于在每一次加工刀具的过程中，通过滑动窗口获取不同使用状态的刀具在加工过程中的负载值。

13.一种刀具使用状态的检测系统，其特征在于，所述检测系统包括：目标数据获取模块、目标特征提取模块及检测模块；

所述目标数据获取模块用于获取在当前加工过程中的目标刀具的负载值；

所述目标特征提取模块用于从所述负载值中提取目标特征数据；

所述检测模块用于将所述目标特征数据输入如权利要求8-12中任意一项所述的生成系统生成的刀具检测模型中以获取所述目标刀具对应的当前使用状态。

14.如权利要求13所述的刀具使用状态的检测系统，其特征在于，所述检测系统还包括第二预处理模块，所述目标数据获取模块还用于调用所述第二预处理模块，所述第二预处理模块用于预处理所述负载值；

所述目标特征提取模块用于从预处理后的所述负载值中提取目标特征数据。

15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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5任一项所述的刀具检测模型的生成方法或权利要求6或权利要求7所述的刀具使用状态的检测方法。

16.一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5任一项所述的刀具检测模型的生成方法或权利要求6或权利要求7所述的刀具使用状态的检测方法的步骤。

Images