[發明專利]基于卷積神經網絡的刀具磨損狀態檢測方法、裝置及設備

有效

• 申請號: 201810852180.4
• 申請日: 2018-07-30
• 公開（公告）號: CN109048492B
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 戴偉;王玥
• 申請（專利權）人: 北京航空航天大學
• 主分類號: B23Q17/09
• 分類號: B23Q17/09;B23Q17/00
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 劉廣達

1.一種基于卷積神經網絡的刀具磨損狀態檢測方法，其特征在于，包括以下步驟：

基于卷積神經網絡構建刀具磨損狀態預測模型；

采用樣本數據訓練所述刀具磨損狀態預測模型，確定所述刀具磨損狀態預測模型的模型參數，得到訓練好的刀具磨損狀態預測模型；

獲取預先訓練好的基于卷積神經網絡構建的刀具磨損狀態預測模型；

獲取在目標刀具的切割過程中采集的傳感數據序列，所述傳感數據序列包括按時序采集的傳感數據；

基于所述傳感數據序列，利用所述刀具磨損狀態預測模型預測所述目標刀具的磨損狀態，

其中，所述采用樣本數據訓練所述刀具磨損狀態預測模型，確定所述刀具磨損狀態預測模型的模型參數的步驟，包括：

獲取樣本數據，所述樣本數據包括樣本刀具的全壽命周期數據；

通過對所述樣本數據進行分割，得到多個等長度的子樣本數據；

根據分割得到的多個子樣本數據構建訓練集和測試集；

利用所述訓練集對所述刀具磨損狀態預測模型進行訓練，得到多組模型參數；

利用所述測試集對所述多組模型參數進行驗證，并將驗證誤差最小的一組模型參數確定為所述刀具磨損狀態預測模型的模型參數。

2.根據權利要求1所述的基于卷積神經網絡的刀具磨損狀態檢測方法，其特征在于，所述獲取樣本數據，包括：

獲取樣本刀具在真實切割過程中的原始樣本數據，所述原始樣本數據包括樣本刀具在每一次切割對應的傳感數據和刀具磨損量；

采用線性插值的方式對所述原始樣本數據進行擴充，得到樣本數據。

3.根據權利要求1所述的基于卷積神經網絡的刀具磨損狀態檢測方法，其特征在于，所述基于卷積神經網絡構建的刀具磨損狀態預測模型，包括：輸入層、輸出層和隱藏層；其中，所述隱藏層包括卷積層和池化層；

所述卷積層用于進行特征提取得到特征矩陣；

所述池化層用于縮小特征矩陣。

4.根據權利要求3所述的基于卷積神經網絡的刀具磨損狀態檢測方法，其特征在于，所述隱藏層還包括：歸一化層；

所述歸一化層用于對數據進行白化處理。

5.根據權利要求3所述的基于卷積神經網絡的刀具磨損狀態檢測方法，其特征在于，所述隱藏層還包括：修正線性激活函數層；

所述修正線性激活函數層用于對特征矩陣進行非線性變換。

6.根據權利要求3所述的基于卷積神經網絡的刀具磨損狀態檢測方法，其特征在于，所述隱藏層還包括：舍棄層；

所述舍棄層用于按照預設概率對神經元進行置零。

7.一種基于卷積神經網絡的刀具磨損狀態檢測裝置，其特征在于，包括：

模型獲取模塊，用于獲取預先訓練好的基于卷積神經網絡構建的刀具磨損狀態預測模型；

傳感數據采集模塊，用于獲取在目標刀具的切割過程中采集的傳感數據序列，所述傳感數據序列包括按時序采集的傳感數據；

磨損狀態預測模塊，用于基于所述傳感數據序列，利用所述刀具磨損狀態預測模型預測所述目標刀具的磨損狀態。

8.一種終端設備，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器運行所述計算機程序時執行權利要求1-6任一項所述的基于卷積神經網絡的刀具磨損狀態檢測方法。