CN114986258B - 刀具状态监测方法、装置、计算机设备及系统 - Google Patents

Abstract

本申请提供一种刀具状态监测方法、装置、计算机设备及系统，涉及计算机技术领域。该方法包括：获取刀具在预设时间段内的多个振动信号，对多个振动信号进行多种分析处理，得到刀具的多维磨损特征；采用预设训练的刀具状态监测模型，对多维磨损特征进行处理，确定刀具的磨损状态，所述刀具状态监测模型是预设采用样本振动信号对应的多维样本磨损特征和样本磨损状态进行训练得到的。本申请可以实现及时发现刀具的断刀风险、保证作业安全，提高生产效率。

Description

刀具状态监测方法、装置、计算机设备及系统

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种刀具状态监测方法、装置、计算机设备及系统。

背景技术

随着制造业与新一代信息技术的深度融合，机械设备逐渐变得复杂化、一体化、和自动化。

在高速机床精密加工过程中，由于存在走刀路径不合理、切削力不稳定、工件材质不均匀等因素，导致刀具极易发生断裂现象。

但由于刀具尺寸小、切削用量少、切削液喷淋等因素的影响，刀具在断刀后不能被及时发现和更换，会影响后续加工流程，浪费大量加工时间、降低生产效率。

发明内容

本发明的目的在于，针对上述现有技术中的不足，提供一种刀具状态监测方法、装置、计算机设备及系统，以便及时发现刀具的断刀风险、保证作业安全，提高生产效率。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种刀具状态监测方法，所述方法包括：

获取刀具在预设时间段内的多个振动信号；

对所述多个振动信号进行多种分析处理，得到所述刀具的多维磨损特征；

采用预先训练的刀具状态监测模型，对所述多维磨损特征进行处理，确定所述刀具的磨损状态，所述刀具状态监测模型是预先采用样本振动信号对应的多维样本磨损特征和标注磨损状态进行训练得到的。

可选的，所述对所述多个振动信号进行多种分析处理，得到所述刀具的多维磨损特征，包括：

对所述多个振动信号进行时域分析，确定所述多个振动信号的时域变化特征；

对所述多个振动信号进行频域分析，确定所述多个振动信号的频域变化特征；

对所述多个振动信号进行小波包分析，确定所述多个振动信号对应的信号能量特征；所述多维磨损特征包括：所述时域变化特征、所述频域变化特征和所述信号能量特征。

可选的，所述对所述多个振动信号进行时域分析，确定所述多个振动信号的时域变化特征，包括：

计算所述多个振动信号的方差和最大值；

根据所述方差和所述最大值，计算所述多个振动信号的峰值因子；

根据所述多个振动信号和所述方差，计算所述多个振动信号的峭度；

所述时域变化特征包括：所述峰值因子和所述峭度。

可选的，所述对所述多个振动信号进行频域分析，确定所述多个振动信号的频域变化特征，包括：

对所述多个振动信号进行傅里叶变换，计算所述多个振动信号的功率谱和幅值谱；

所述频域变化特征包括：所述功率谱和所述幅值谱。

可选的，所述对所述多个振动信号进行小波包分析，确定所述多个振动信号对应的信号能量特征，包括：

采用预设小波对所述多个振动信号进行N层小波包分析，得到2^N个所述信号能量特征，其中，N为大于或等于1的整数。

可选的，所述采用预先训练的刀具状态监测模型，对所述多维磨损特征矩阵进行处理，确定所述刀具的磨损状态之前，所述方法还包括：

获取多个样本刀具在预设时间段内的多组样本振动信号和每组样本振动信号对应的标注磨损状态，所述每组样本振动信号包含：多个样本振动信号；

对所述每组样本振动信号进行多种分析处理，得到所述每组样本振动信号对应的多维样本磨损特征；

根据多组所述多维样本磨损特征以及所述多组样本振动信号对应的标注磨损状态对反向传播神经网络进行训练，得到所述刀具状态监测模型。

可选的，所述根据多组所述多维样本磨损特征以及所述多组样本振动信号对应的标注磨损状态对反向传播神经网络进行训练，得到所述刀具状态监测模型，包括：

采用所述反向传播神经网络，对多组所述多维样本磨损特征进行处理，得到所述多组样本振动信号对应的检测磨损状态；

根据所述多组样本振动信号对应的标注磨损状态和所述多组样本振动信号对应的检测磨损状态，计算所述反向传播神经网络的传播误差；

根据所述传播误差，更新所述反向传播神经网络的权重，直至达到预设停止迭代条件，得到所述刀具状态监测模型。

第二方面，本申请实施例还提供一种刀具状态监测装置，所述装置包括：

信号获取模块，用于获取刀具在预设时间段内的多个振动信号；

信号处理模块，用于对所述多个振动信号进行多种分析处理，得到所述刀具的多维磨损特征；

特征处理模块，用于采用预先训练的刀具状态监测模型，对所述多维磨损特征进行处理，确定所述刀具的磨损状态，所述刀具状态监测模型是预先采用样本振动信号对应的多维样本磨损特征和标注磨损状态进行训练得到的。

可选的，所述信号处理模块，包括：

时域分析单元，用于对所述多个振动信号进行时域分析，确定所述多个振动信号的时域变化特征；

频域分析单元，用于对所述多个振动信号进行频域分析，确定所述多个振动信号的频域变化特征；

小波包分析单元，用于对所述多个振动信号进行小波包分析，确定所述多个振动信号对应的信号能量特征；所述多维磨损特征包括：所述时域变化特征、所述频域变化特征和所述信号能量特征。

可选的，所述时域分析单元，包括：

振动信号计算子单元，用于计算所述多个振动信号的方差和最大值；

峰值因子计算子单元，用于根据所述方差和所述最大值，计算所述多个振动信号的峰值因子；

峭度计算子单元，用于根据所述多个振动信号和所述方差，计算所述多个振动信号的峭度；所述时域变化特征包括：所述峰值因子和所述峭度。

可选的，所述频域分析单元，具体用于对所述多个振动信号进行傅里叶变换，计算所述多个振动信号的功率谱和幅值谱；所述频域变化特征包括：所述功率谱和所述幅值谱。

可选的，所述小波包分析单元，具体用于采用预设小波对所述多个振动信号进行N层小波包分析，得到2^N个所述信号能量特征，其中，N为大于或等于1的整数。

可选的，所述装置还包括：

样本数据获取模块，用于获取多个样本刀具在预设时间段内的多组样本振动信号和每组样本振动信号对应的标注磨损状态，所述每组样本振动信号包含：多个样本振动信号；

样本信号处理模块，用于对所述每组样本振动信号进行多种分析处理，得到所述每组样本振动信号对应的多维样本磨损特征；

神经网络训练模块，用于根据多组所述多维样本磨损特征以及所述多组样本振动信号对应的标注磨损状态对反向传播神经网络进行训练，得到所述刀具状态监测模型。

可选的，所述神经网络训练模块，包括：

样本特征处理单元，用于采用所述反向传播神经网络，对多组所述多维样本磨损特征进行处理，得到所述多组样本振动信号对应的检测磨损状态；

传播误差计算单元，用于根据所述多组样本振动信号对应的标注磨损状态和所述多组样本振动信号对应的检测磨损状态，计算所述反向传播神经网络的传播误差；

权重更新单元，用于根据所述传播误差，更新所述反向传播神经网络的权重，直至达到预设停止迭代条件，得到所述刀具状态监测模型。

第三方面，本申请实施例还提供一种计算机设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当计算机设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行如第一方面任一实施例所述的刀具状态监测方法的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面任一实施例所述的刀具状态监测方法的步骤。

第五方面，本申请实施例还提供一种刀具状态监测系统，包括：刀具监测模块和服务器，所述刀具监测模块设置在待检测刀具的主轴、所述待检测刀具所加工的工件上，或者，所述待检测刀具的夹具上；

所述刀具监测模块和所述服务器通信连接，以获取刀具在预设时间段内的多个振动信号，所述服务器用于执行如第一方面任一实施例所述的刀具状态监测方法的步骤。

本申请的有益效果是：

本申请提供一种刀具状态监测方法、装置、计算机设备及系统，获取刀具在预设时间段内的多个振动信号，对多个振动信号进行多种分析处理，得到刀具的多维磨损特征；采用预设训练的刀具状态监测模型，对多维磨损特征进行处理，确定刀具的磨损状态，所述刀具状态监测模型是预设采用样本振动信号对应的多维样本磨损特征和样本磨损状态进行训练得到的。本申请通过采用预先训练好的刀具状态监测模型对刀具的振动情况进行实时监测，以便实时发现刀具的断刀风险，并在确定刀具的磨损状态较为严重有发生断刀风险的情况下，及时更新刀具，保证作业安全，避免因断刀影响生产进度，提高生产效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1为本申请实施例提供的刀具状态监测系统的结构示意图；

图2为本申请实施例提供的一种刀具监测模块的结构示意图；

图3为本申请实施例提供的一种数据显示模块的示意图；

图4为本申请实施例提供的一种刀具状态监测方法的流程示意图；

图5为本申请实施例提供的另一种刀具状态监测方法的流程示意图；

图6为本申请实施例提供的又一种刀具状态监测方法的流程示意图；

图7为本申请实施例提供的一种小波包分析的示意图；

图8为本申请实施例提供的一种训练刀具状态监测模型的流程示意图；

图9为本申请实施例提供的另一种训练刀具状态监测模型的流程示意图；

图10为本申请实施例提供的一种刀具状态监测装置的结构示意图；

图11为本申请实施例提供的一种计算机设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，需要说明的是，若出现术语“上”、“下”、等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

此外，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。

在对本申请的实施例提供的刀具状态监测方法进行介绍之前，先对本申请所应用的刀具状态监测系统进行详细说明。

请参考图1，为本申请实施例提供的刀具状态监测系统的结构示意图，如图1所示，该系统包括：刀具监测模块10和服务器20，刀具监测模块10设置在待检测刀具的主轴、待检测刀具所加工的工件上，或者，待检测刀具的夹具上；刀具监测模块10和服务器20通信连接，以获取刀具在预设时间段内的多个振动信号，服务器20通过执行刀具状态监测方法，以根据多个振动信号确定刀具的磨损状态。

本实施例中，在高速精密加工机床上设置有主轴和夹具，夹具设置在主轴上，夹具用于固定待检测刀具，工件设置在机床的操作台上，启动高速精密加工机床，通过主轴带动待检测刀具在工件上移动进行作业，在待检测刀具进行作业的工程中，在主轴、工件和夹具上都会产生因为刀具作业而引起的振动，因此，可以将刀具监测模块10设置在待检测刀具的主轴、待检测刀具所加工的工件上，或者，待检测刀具的夹具上，通过刀具监测模块10获取刀具在预设时间段内的多个振动信号。

服务器20可以为云平台服务器或者设置在计算机设备中，刀具监测模块10和服务器20通过无线通信或者有线通信的方式连接，以将获取的刀具在预设时间段内的多个振动信号发送给服务器20，并执行刀具状态监测方法，对预设时间段内的多个振动信号进行分析处理，判断刀具的磨损状态。

服务器20中具有存储单元，用于对刀具监测模块10发送的刀具的运行状态数据进行存储，服务器20还用于在确定刀具存在断刀风险时对断刀风险的发生次数进行记录。

示例的，刀具监测模块10和服务器20采用有线通信连接，连接方式可以为：RS485连接、CAN总线连接或者以太网连接等；刀具监测模块10和服务器20采用无线通信连接，连接方式可以为：无线保真(Wireless Fidelity，WIFI)通信连接、远距离(Long Range，Lora)通信连接、4G通信连接和5G通信连接等，具体可以根据实际需要选择通信连接方式，本实施例对此不做限制。

在一种可选实施例中，如图1所示，刀具状态监测系统还包括：数据显示模块30和软件应用程序(software applications，APP)40，数据显示模块30和软件应用程序40分别与服务器20通信连接。

具体的，数据显示模块30可以为服务器20所在的计算机设备的显示器，也可以为与服务器20所在的计算机设备相互独立的其他计算机设备的显示器，数据显示模块30可以接收服务器20发送的刀具监测模块10采集到的多种运行状态数据并实时显示。

软件应用程序40可以安装在任意一台对刀具状态进行监控的电子设备中，例如机床操作人员和管理人员的手机，服务器20与软件应用程序40通信连接，在服务器20的后台配置机床操作人员和管理人员的身份信息，以将多种运行状态数据发送至软件应用程序40，机床操作人员和管理人员可以通过软件应用程序40查看刀具实时的运行状态数据。服务器20还用于在根据多个振动信号确定刀具的磨损程度较高，存在断刀风险时，通过软件应用程序40、短信和/或电话的形式向机床操作人员和管理人员推送断刀风险的警示信息。

在上述刀具状态监测系统的基础上，请参考图2，为本申请实施例提供的一种刀具监测模块的结构示意图，如图2所示，该刀具监测模块10包括：电源模块11、振动传感器12、控制器13和通信模块14；电源模块11、振动传感器12和通信模块14分别与控制器13连接，电源模块11用于为控制器13供电，振动传感器12用于获取刀具的振动信号，并发送给控制器13，控制器13通过通信模块14连接服务器20，以将获取到的振动信号发送给服务器20，刀具的运行状态数据包括：振动信号。其中，通信模块14可以为有线通信模块或无线通信模块。

更进一步地，如图2所示，该刀具监测模块10还包括：温度传感器15和/或转速传感器16，温度传感器15与控制器13连接，以将采集到的刀具的温度信号发送给控制器13；转速传感器16与控制器13连接，以将采集到的刀具的转速信号发送给控制器13，控制器13可以通过通信模块14将温度信号和/或转速信号发送给服务器20，刀具的运行状态信号还包括：温度信号和/或转速信号。

更进一步地，如图2所示，该刀具监测模块10还包括：存储模块17，存储模块17与控制器13连接，以对控制器13获取的振动信号、温度信号和/或转速信号进行存储。

更进一步地，如图2所示，该刀具监测模块10还包括：时钟模块18和复位模块19，时钟模块18和复位模块19与控制器13连接，时钟模块18用于设置控制器13发送振动信号的时间周期，在预设的时间周期内，控制器13接收振动传感器12发送的振动信号、温度信号和/转速信号通过通信模块14发送给服务器20。

请参考图3，为本申请实施例提供的一种数据显示模块的示意图，如图3所示，数据显示模块30显示的内容至少可以包括：机床设置参数、刀具的温度状态、振动状态、转速状态、控制器与服务器的设备连接状态以及断刀记录，所有的显示内容均是通过服务器20发送至数据显示模块30进行显示的。其中，机床设置参数是服务器20设置的用于控制机床工作的相关参数，在服务器20中设置机床设置参数后，将机床设置参数发送给机床，以使得机床按照机床设置参数进行工作。振动状态可以为服务器20根据振动状态信号分析得到的磨损状态。

另外，服务器20还将上述内容发送给软件应用程序40，以通过软件应用程序40所在的电子设备的显示器进行显示，当服务器20根据振动信号确定刀具的磨损状态存在断刀风险、根据温度信号确定刀具工作温度过高、根据转速信号确定刀具工作转速过快时，通过软件应用程序40、短信和/或电话的形式向机床操作人员和管理人员推送对应的警示信息。

在上述刀具状态监测系统的基础上，本申请实施例提供一种应用于刀具状态监测系统中服务器的刀具状态监测方法。请参考图4，为本申请实施例提供的一种刀具状态监测方法的流程示意图，如图4所示，该方法包括：

S10：获取刀具在预设时间段内的多个振动信号。

本实施例中，通过设置在刀具的主轴、刀具所加工的工件上，或者，刀具的夹具上的刀具监测模块，对刀具在作业过程中的振动信号进行采集，并将采集到的预设时间段内的多个振动信号发送给服务器。其中，由于刀具在作业过程中的振动频率非常快，在单位时间内就会产生较多的振动信号，因此，预设时间段可能为几秒的时间，具体可能根据实际情况定义预设时间段的长度。

在一种可选实施例中，通过刀具监测模块中的振动传感器对刀具在作业过程中的振动信号进行采集，通过刀具监测模块中的时钟模块设置发送振动信号的预设周期，该预设周期所对应的高电平持续时间即为预设时间段，由刀具监测模块中的控制器通过通信模块在预设周期内向服务器发送多个振动信号。

S20：对多个振动信号进行多种分析处理，得到刀具的多维磨损特征。

本实施例中，服务器根据预设的多种分析方法，从不同的角度对多个振动信号进行分析处理，每种分析方法均得到至少一个特征，每个特征均可以从一个角度表征振动信号的变化特点，多种分析方法得到的特征共同构成了刀具的多维磨损特征，其中，多种分析方法得到的特征所构成的多维磨损特征以特征矩阵的形式表示。

S30：采用预先训练的刀具状态监测模型，对多维磨损特征进行处理，确定刀具的磨损状态，刀具状态监测模型是预先采用样本振动信号对应的多维样本磨损特征和标注磨损状态进行训练得到的。

本实施例中，对样本振动信号进行多种分析处理，得到多维样本磨损特征，对样本振动信号对应的磨损状态进行批注，得到标注磨损状态，根据多维样本磨损特征和标注磨损状态进行模型训练，得到刀具状态监测模型。采用训练好的刀具状态监测模型，对多维磨损特征进行处理，刀具状态监测模型输出多个振动信号对应的磨损状态为刀具当前的磨损状态。

上述实施例提供的刀具状态监测方法，获取刀具在预设时间段内的多个振动信号，对多个振动信号进行多种分析处理，得到刀具的多维磨损特征；采用预设训练的刀具状态监测模型，对多维磨损特征进行处理，确定刀具的磨损状态，所述刀具状态监测模型是预设采用样本振动信号对应的多维样本磨损特征和样本磨损状态进行训练得到的。上述实施例通过采用预先训练好的刀具状态监测模型对刀具的振动情况进行实时监测，以便实时发现刀具的断刀风险，并在确定刀具的磨损状态较为严重有发生断刀风险的情况下，及时更新刀具，保证作业安全，避免因断刀影响生产进度，提高生产效率。

在上述实施例的基础上，本申请实施例还提供另一种刀具状态监测方法。请参考图5，为本申请实施例提供的另一种刀具状态监测方法的流程示意图，如图5所示，上述S20中对多个振动信号进行多种分析处理，得到刀具的多维磨损特征，可以包括：

S21：对多个振动信号进行时域分析，确定多个振动信号的时域变化特征。

本实施例中，时域分析是用于分析多个振动信号在时间域上的变化情况。采用预设的时域分析方法，在时间域内对多个振动信号自身随时间变化的情况进行分析，确定多个振动信号在时间域内的变化特征即为时域变化特征。

S22：对多个振动信号进行频域分析，确定多个振动信号的频域变化特征。

本实施例中，频域分析是用于分析多个振动信号在频率域上的变化情况。采用预设的频域分析方法，在频率域内对多个振动信号的频率随时间变化的情况进行分析，确定多个振动信号在频率域内变化特征即为频域变化特征。

S23：对多个振动信号进行小波包分析，确定多个振动信号对应的信号能量特征；多维磨损特征包括：时域变化特征、频域变化特征和信号能量特征。

本实施例中，小波包分析为时频分析方法，用于对振动信号进行分解，并在不同的频带内确定振动信号的能量。采用预设的小波包分析方法，对多个振动信号进行小波包分解，分解完成后，提取各个频带的能量，将各个频带的能量用一向量表示，每个向量作为一个信号能量特征。

上述实施例提供的刀具状态监测方法，通过对振动信号进行时域分析、频域分析和小波包分析，以得到时域变化特征、频域变化特征和信号能量特征，通过多个维度的特征构成的多维磨损特征，采用刀具状态监测模型预测刀具的磨损状态的结果更加准确，提高判断刀具状态的准确度，以便实时发现刀具的断刀风险，并在确定刀具的磨损状态较为严重有发生断刀风险的情况下，及时更新刀具，保证作业安全，避免因断刀影响生产进度，提高生产效率。

在上述实施例的基础上，本申请实施例还提供又一种刀具状态监测方法。请参考图6，为本申请实施例提供的又一种刀具状态监测方法的流程示意图，如图6所示，上述S21中对多个振动信号进行时域分析，确定多个振动信号的时域变化特征，可以包括：

S211：计算多个振动信号的方差和最大值。

本实施例中，通过计算多个振动信号的方差，以确定多个振动信号的离散程度，方差的计算方法为：对多个振动信号的平方求和再进行平均。最大值为多个振动信号中振动值最大的信号。

在一种可选实施例中，在计算多个振动信号的方差和最大值之前，先对多个振动信号进行均值滤波、去均值和归一化。

其中，均值滤波是对多个振动信号求取均值，去均值是对每个振动信号减去所有振动信号的均值，归一化是根据去均值后的最大值，对去均值后的多个振动信号进行归一化处理，使得每个振动信号的取值在0～1范围内。

示例的，将多个振动信号放在数组x(n)内，其中，n＝0～N-1，计算每个振动信号的均值，均值计算公式为：

对多个振动信号进行去均值处理的计算公式可以为：

x(n)＝x(n)-m_x

根据去均值后的最大值|x(n)_max，对去均值后的多个振动信号进行归一化处理的公式可以为：

方差的计算公式可以为：

S212：根据方差和最大值，计算多个振动信号的峰值因子。

本实施例中，峰值因子为振动信号的脉动性度量，常用来发现由损伤的刀具所产生的脉冲振动，根据方差和最大值，计算多个振动信号的峰值因子的公式可以为：

S213：根据多个振动信号和方差，计算多个振动信号的峭度；时域变化特征包括：峰值因子和峭度。

本实施例中，峭度用于发现振动信号的脉动，常用来检测刀具的离散性和冲击性故障，根据归一化后的多个振动信号和方差，计算多个振动信号的峭度的公式可以为：

上述实施例提供的刀具状态监测方法，计算多个振动信号的方差和最大值，根据方差和最大值，计算多个振动信号的峰值因子，根据多个振动信号和方差，计算多个振动信号的峭度，通过在时域内以峰值因子和峭度作为时域变化特征，以更好地表示刀具磨损状态对刀具的振动情况的影响，使得采用刀具状态监测模型预测刀具的磨损状态的结果更加准确，提高判断刀具状态的准确度，以便实时发现刀具的断刀风险，并在确定刀具的磨损状态较为严重有发生断刀风险的情况下，及时更新刀具，保证作业安全，避免因断刀影响生产进度，提高生产效率。

在一种可选实施例中，上述S22中对多个振动信号进行频域分析，确定多个振动信号的频域变化特征，可以包括：

对多个振动信号进行傅里叶变换，计算多个振动信号的功率谱和幅值谱；频域变化特征包括：功率谱和幅值谱。

本实施例中，频域分析的主要手段为傅里叶变换，傅里叶变换可以分析信号在频域内的功率谱、相位谱、中心频率、幅值谱、均方根频率、功率谱密度、能量谱密度、幅值谱密度等特征，本实施例通过计算多个振动信号的功率谱和幅值谱，以表示多个振动信号在频域下的变化特征。

示例的，由于多个振动信号的长度是有限且离散的，本实施例采用的傅里叶变换为离散的傅里叶变换，通过对多个振动信号进行离散的傅里叶变换后进行频谱分析，得到幅值谱，在通过对幅值谱的模求平方除于预设时间段即可得到功率谱。离散傅里叶变换的公式为：

其中，f(n)为振动信号，F(k)为经过离散的傅里叶变换后的数据，通过对F(k)进行频谱分析，得到幅值谱。

上述实施例提供的刀具状态监测方法，通过在频域内以功率谱和幅值谱作为频域变化特征，以更好地表示刀具磨损状态对刀具的频谱的影响，使得采用刀具状态监测模型预测刀具的磨损状态的结果更加准确，提高判断刀具状态的准确度，以便实时发现刀具的断刀风险，并在确定刀具的磨损状态较为严重有发生断刀风险的情况下，及时更新刀具，保证作业安全，避免因断刀影响生产进度，提高生产效率。

在一种可选实施例中，上述S23中对多个振动信号进行小波包分析，确定多个振动信号对应的信号能量特征，可以包括：

采用预设小波对多个振动信号进行N层小波包分析，得到2^N个信号能量特征，其中，N为大于或等于1的整数。

本实施例中，预设小波为小波包分析中的一种小波基函数，采用该小波基函数对多个振动信号进行N层分解，在每一层中将振动信号分别为低频信号L和高频信号H，直至到第N层，得到2^N个不同频带的能量，对每个频带的能量向量化，得到2^N个信号能量特征。

示例的，请参考图7，为本申请实施例提供的一种小波包分析的示意图，如图7所示，本实施例完成了3层分解，S表示振动信号，L表示低频带信号，H表示高频带信号，末尾的序号数表示小波分解的层数(即尺度数)。在第一层分解中将振动信号S分解为低频信号L1和高频信号H1，然后对第一层的低频信号L1再次进行第二层分解为相对的低频信号LL2和高频信号HL2，同理对第一层的高频信号H1再次进行第二层分解为相对的低频信号LH2和高频信号HH2，此类推分解到第三层。

上述实施例提供的刀具状态监测方法，通过在时频域内得到2^N个信号能量特征，以更好地表示刀具磨损状态对振动信号能量的影响，使得采用刀具状态监测模型预测刀具的磨损状态的结果更加准确，提高判断刀具状态的准确度，以便实时发现刀具的断刀风险，并在确定刀具的磨损状态较为严重有发生断刀风险的情况下，及时更新刀具，保证作业安全，避免因断刀影响生产进度，提高生产效率。

在上述实施例的基础上，本申请实施例还提供一种刀具状态监测模型的训练过程。请参考图8，为本申请实施例提供的一种训练刀具状态监测模型的流程示意图，如图8所示，该过程包括：

S40：获取多个样本刀具在预设时间段内的多组样本振动信号和每组样本振动信号对应的标注磨损状态，每组样本振动信号包含：多个样本振动信号。

本实施例中，样本刀具与待检测刀具为同一型号的刀具，多个样本刀具的磨损状态可能相同，也可能不同，多个样本刀具包含了所有类型的磨损状态，服务器从刀具监测模块的存储模块中获取多个样本刀具在预设时间段内的多组样本振动信号，根据每组样本振动状态对应的样本刀具的磨损状态，分别标注多组样本状态信号对应的磨损状态。

S50：对每组样本振动信号进行多种分析处理，得到每组样本振动信号对应的多维样本磨损特征。

本实施例中，服务器根据预设的多种分析方法，从不同的角度对每组样本振动信号进行分析处理，每种分析方法均得到至少一个样本特征，每个样本特征均可以从一个角度表征样本振动信号的变化特点，多种分析方法得到的样本特征共同构成了样本刀具的多维样本磨损特征，其中，多种分析方法得到的样本特征所构成的多维样本磨损特征以特征矩阵的形式表示。

在一种可选实施例中，可以分别采用时域分析、频域分析和小波包分析，对多组样本振动信号进行分析，得到多组样本振动信号分别对应的多维样本磨损特征。

S60：根据多组多维样本磨损特征以及多组样本振动信号对应的标注磨损状态对反向传播神经网络进行训练，得到刀具状态监测模型。

本实施例中，反向传播(Back Propagation，BP)神经网络包括输入层、隐含层和输出层，根据输入的多维样本磨损特征的特征数量，确定输入层的节点个数，根据磨损状态的类型数量，确定输出层的节点个数，隐含层的节点个数可以根据情况设置。示例的，当多维样本磨损特征包括：峰值因子、峭度、功率谱、幅值谱和8个信号能量特征时，输入层的节点个数为12个；当磨损状态的类型分为：初期磨损、正常磨损和正常磨损时，输出层的节点个数为3个。

将多组多维样本磨损特征以及多组样本振动信号对应的标注磨损状态输入至BP神经网络，对BP神经网络进行训练，根据BP神经网络的输出结果，通过不断调整输入层的各个节点与隐含层的各个节点之间的权重，以完成对BP神经网络的训练，得到刀具状态监测模型。

在一种可选实施例中，隐含层可以为单隐含层，也可以为多隐含层，关于隐含层的节点个数的确定方式可以为：

依据柯尔莫哥洛夫(Kolmogorov)定理，确定采用单隐含层的BP神经网络就能实现任何高维输入到低维输出，因而，先把隐含层的层数设为1层。经过研究发现，如果隐含层的节点个数过少的话，会造成整个BP神经网络的容错性过低，识别能力下降；如果隐含层的节点个数过多的话，将使整个BP神经网络的训练时间延长，也会导致该BP神经网络收敛速度变慢或者无法收敛。本实施例中，根据经验公式得到一个大致的节点数目值，然后在大致值的附近取值进行试验，最后确定使BP神经网络输出误差值最小的那个值为网络的隐含层节点个数。该实验公式为：

其中，p表示隐含层的节点个数，n表示输入层的节点个数，m表示输出层的节点个数，a为10以内的常数。

为了确定该BP神经网络隐含层的节点个数，按上述公式在7到15间进行取值试验。示例的，表1为不同的隐含层节点个数对应的BP神经网络所需要的训练次数以及训练误差的结果，如表1所示，当隐含层的节点数目为12个时，该BP神经网络的训练误差最小，且该BP神经网络的训练次数也较小，满足试验要求，所以本实施例的BP神经网络的隐含层节点数目设定为12个。

表1不同的隐含层节点个数对应的BP神经网络所需要的训练次数以及训练误差的结果

上述实施例提供刀具状态监测方法，采用与待检测刀具为同一型号的样本刀具对应的样本振动信号和标注磨损状态对BP神经网络进行训练得到，相比于采用样本数据库中的数据进行训练，本实施例的训练方式训练得到的刀具状态监测模型对刀具状态的预测更加准确，通过提高判断刀具状态的准确度，以便实时发现刀具的断刀风险，并在确定刀具的磨损状态较为严重有发生断刀风险的情况下，及时更新刀具，保证作业安全，避免因断刀影响生产进度，提高生产效率。

在上述实施例的基础上，本申请实施例还提供另一种刀具状态监测模型的训练过程。请参考图9，为本申请实施例提供的另一种训练刀具状态监测模型的流程示意图，如图9所示，上述S60中根据多组多维样本磨损特征以及多组样本振动信号对应的标注磨损状态对反向传播神经网络进行训练，得到刀具状态监测模型，可以包括：

S61：采用反向传播神经网络，对多组多维样本磨损特征进行处理，得到多组样本振动信号对应的检测磨损状态。

本实施例中，将多组多维样本磨损特征输入至BP神经网络，BP神经网络分别对多组多维样本磨损特征进行分析，以输出多组多维样本磨损特征对应的检测磨损状态。

S62：根据多组样本振动信号对应的标注磨损状态和多组样本振动信号对应的检测磨损状态，计算反向传播神经网络的传播误差。

本实施例中，对标注磨损状态和检测磨损状态之间的差异进行计算，确定BP神经网络的传播误差。

示例的，假设有m组训练样本{(x(1),d(1)),(x(2),d(2)),…,(x(m),d(m))}，其中d(i)为对应输入x(i)的期望输出，BP算法通过最优化各层节点的输入权值以及偏置，使得BP神经网络的输出结果尽可能地接近期望输出，以达到训练的目的。采用批量更新方法，对于给定的m组训练样本，定义误差函数为：

其中，E(i)为单个样本的训练误差：

因此，

根据误差函数计算得到传播误差，BP算法每一次迭代都是按照以下方式对权值以及偏置进行更新：

其中，α为学习速率，取值范围是(0，1)。

S63：根据传播误差，更新反向传播神经网络的权重，直至达到预设停止迭代条件，得到刀具状态监测模型。

本实施例中，根据传播误差，计算BP神经网络各个权重，对各个权重进行更新后，在将多组多维样本磨损特征和多个标注磨损状态输入至更新后的BP神经网络继续进行训练，直至达到预设停止迭代条件，得到刀具状态监测模型，其中，预设停止迭代条件可以为：检测磨损状态和样本磨损状态之间的磨损误差小于预设值，或者，迭代次数达到预设次数限制。

示例的，本实施例的BP神经网络的结构是三层神经网络，输入层的节点个数为12个，隐含层的节点的数为12个，输出层的节点个数为3个，最大迭代次数为1000，参数性能为0.01，目标误差为0.03。

具体的，根据传播误差，更新BP神经网络的权重的关键在于如何求解和/>的偏导数。

对于单个训练样本，输出层的权值偏导数计算过程：

同理可得，

令：

则：

对隐含层L-1层，同理可得：

同理,

令：

则，

由上可知，第l层隐含层(2<l<L-1)的权值和偏置的偏导数可以表示为：

更进一步地，刀具状态监测模型训练完成后，将多组测试振动信号输入至刀具状态监测模型，确定输出的刀具磨损状态，完成对刀具状态监测模型的测试，测试结果显示，本实施例训练得到的刀具状态监测模型的平均监测准确度在98％以上。

上述实施例提供的刀具状态监测方法，利用传播误差更新BP神经网络的权重，直至达到预设停止迭代条件，得到刀具状态监测模型，该刀具状态监测模型提高了判断刀具状态的准确度，以便实时发现刀具的断刀风险，并在确定刀具的磨损状态较为严重有发生断刀风险的情况下，及时更新刀具，保证作业安全，避免因断刀影响生产进度，提高生产效率。

在上述实施例的基础上，本申请实施例还提供一种刀具状态监测装置。请参考图10，为本申请实施例提供的一种刀具状态监测装置的结构示意图，如图10所示，该装置包括：

信号获取模块101，用于获取刀具在预设时间段内的多个振动信号；

信号处理模块102，用于对多个振动信号进行多种分析处理，得到刀具的多维磨损特征；

特征处理模块103，用于采用预先训练的刀具状态监测模型，对多维磨损特征进行处理，确定刀具的磨损状态，刀具状态监测模型是预先采用样本振动信号对应的多维样本磨损特征和标注磨损状态进行训练得到的。

可选的，信号处理模块102，包括：

时域分析单元，用于对多个振动信号进行时域分析，确定多个振动信号的时域变化特征；

频域分析单元，用于对多个振动信号进行频域分析，确定多个振动信号的频域变化特征；

小波包分析单元，用于对多个振动信号进行小波包分析，确定多个振动信号对应的信号能量特征；多维磨损特征包括：时域变化特征、频域变化特征和信号能量特征。

可选的，时域分析单元，包括：

振动信号计算子单元，用于计算多个振动信号的方差和最大值；

峰值因子计算子单元，用于根据方差和最大值，计算多个振动信号的峰值因子；

峭度计算子单元，用于根据多个振动信号和方差，计算多个振动信号的峭度；时域变化特征包括：峰值因子和峭度。

可选的，频域分析单元，具体用于对多个振动信号进行傅里叶变换，计算多个振动信号的功率谱和幅值谱；频域变化特征包括：功率谱和幅值谱。

可选的，小波包分析单元，具体用于采用预设小波对多个振动信号进行N层小波包分析，得到2^N个信号能量特征，其中，N为大于或等于1的整数。

可选的，该装置还包括：

样本数据获取模块，用于获取多个样本刀具在预设时间段内的多组样本振动信号和每组样本振动信号对应的标注磨损状态，每组样本振动信号包含：多个样本振动信号；

样本信号处理模块，用于对每组样本振动信号进行多种分析处理，得到每组样本振动信号对应的多维样本磨损特征；

神经网络训练模块，用于根据多组多维样本磨损特征以及多组样本振动信号对应的标注磨损状态对反向传播神经网络进行训练，得到刀具状态监测模型。

可选的，神经网络训练模块，包括：

样本特征处理单元，用于采用反向传播神经网络，对多组多维样本磨损特征进行处理，得到多组样本振动信号对应的检测磨损状态；

传播误差计算单元，用于根据多组样本振动信号对应的标注磨损状态和多组样本振动信号对应的检测磨损状态，计算反向传播神经网络的传播误差；

权重更新单元，用于根据传播误差，更新反向传播神经网络的权重，直至达到预设停止迭代条件，得到刀具状态监测模型。

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。

请参考图11，为本申请实施例提供的一种计算机设备的示意图，如图11所示，该计算机设备200包括：包括：处理器201、存储介质202和总线，存储介质202存储有处理器201可执行的程序指令，当计算机设备200运行时，处理器201与存储介质202之间通过总线通信，处理器201执行程序指令，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。

可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种刀具状态监测方法，其特征在于，所述方法包括：

获取刀具在预设时间段内的多个振动信号；

对所述多个振动信号进行多种分析处理，得到所述刀具的多维磨损特征；

采用预先训练的刀具状态监测模型，对所述多维磨损特征进行处理，确定所述刀具的磨损状态，所述刀具状态监测模型是预先采用样本振动信号对应的多维样本磨损特征和标注磨损状态进行训练得到的；

所述采用预先训练的刀具状态监测模型，对所述多维磨损特征矩阵进行处理，确定所述刀具的磨损状态之前，所述方法还包括：

获取多个样本刀具在预设时间段内的多组样本振动信号和每组样本振动信号对应的标注磨损状态，所述每组样本振动信号包含：多个样本振动信号；

对所述每组样本振动信号进行多种分析处理，得到所述每组样本振动信号对应的多维样本磨损特征；

根据多组所述多维样本磨损特征以及所述多组样本振动信号对应的标注磨损状态对反向传播神经网络进行训练，得到所述刀具状态监测模型；

其中，所述反向传播神经网络包括：输入层、隐含层和输出层，所述隐含层的节点个数根据所述多维样本磨损特征的特征数量和磨损状态类型数量确定。

2.如权利要求1所述的方法，其特征在于，所述对所述多个振动信号进行多种分析处理，得到所述刀具的多维磨损特征，包括：

对所述多个振动信号进行时域分析，确定所述多个振动信号的时域变化特征；

对所述多个振动信号进行频域分析，确定所述多个振动信号的频域变化特征；

对所述多个振动信号进行小波包分析，确定所述多个振动信号对应的信号能量特征；所述多维磨损特征包括：所述时域变化特征、所述频域变化特征和所述信号能量特征。

3.如权利要求2所述的方法，其特征在于，所述对所述多个振动信号进行时域分析，确定所述多个振动信号的时域变化特征，包括：

计算所述多个振动信号的方差和最大值；

根据所述方差和所述最大值，计算所述多个振动信号的峰值因子；

根据所述多个振动信号和所述方差，计算所述多个振动信号的峭度；

所述时域变化特征包括：所述峰值因子和所述峭度。

4.如权利要求2所述的方法，其特征在于，所述对所述多个振动信号进行频域分析，确定所述多个振动信号的频域变化特征，包括：

对所述多个振动信号进行傅里叶变换，计算所述多个振动信号的功率谱和幅值谱；

所述频域变化特征包括：所述功率谱和所述幅值谱。

5.如权利要求2所述的方法，其特征在于，所述对所述多个振动信号进行小波包分析，确定所述多个振动信号对应的信号能量特征，包括：

采用预设小波对所述多个振动信号进行N层小波包分析，得到2^N个所述信号能量特征，其中，N为大于或等于1的整数。

6.如权利要求1所述的方法，其特征在于，所述根据多组所述多维样本磨损特征以及所述多组样本振动信号对应的标注磨损状态对反向传播神经网络进行训练，得到所述刀具状态监测模型，包括：

采用所述反向传播神经网络，对多组所述多维样本磨损特征进行处理，得到所述多组样本振动信号对应的检测磨损状态；

根据所述多组样本振动信号对应的标注磨损状态和所述多组样本振动信号对应的检测磨损状态，计算所述反向传播神经网络的传播误差；

根据所述传播误差，更新所述反向传播神经网络的权重，直至达到预设停止迭代条件，得到所述刀具状态监测模型。

7.一种刀具状态监测装置，其特征在于，所述装置包括：

信号获取模块，用于获取刀具在预设时间段内的多个振动信号；

信号处理模块，用于对所述多个振动信号进行多种分析处理，得到所述刀具的多维磨损特征；

特征处理模块，用于采用预先训练的刀具状态监测模型，对所述多维磨损特征进行处理，确定所述刀具的磨损状态，所述刀具状态监测模型是预先采用样本振动信号对应的多维样本磨损特征和标注磨损状态进行训练得到的；

所述装置还包括：

样本数据获取模块，用于获取多个样本刀具在预设时间段内的多组样本振动信号和每组样本振动信号对应的标注磨损状态，所述每组样本振动信号包含：多个样本振动信号；

样本信号处理模块，用于对所述每组样本振动信号进行多种分析处理，得到所述每组样本振动信号对应的多维样本磨损特征；

神经网络训练模块，用于根据多组所述多维样本磨损特征以及所述多组样本振动信号对应的标注磨损状态对反向传播神经网络进行训练，得到所述刀具状态监测模型；

其中，所述反向传播神经网络包括：输入层、隐含层和输出层，所述隐含层的节点个数根据所述多维样本磨损特征的特征数量和磨损状态类型数量确定。

8.一种计算机设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当计算机设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行如权利要求1至6任一所述的刀具状态监测方法的步骤。

9.一种刀具状态监测系统，其特征在于，包括：刀具监测模块和服务器，所述刀具监测模块设置在待检测刀具的主轴、所述待检测刀具所加工的工件上，或者，所述待检测刀具的夹具上；

所述刀具监测模块和所述服务器通信连接，以获取刀具在预设时间段内的多个振动信号，所述服务器用于执行如权利要求1-6任一所述的刀具状态监测方法的步骤。