[發明專利]機加工刀具狀態監控方法和系統

有效

• 申請號: 202011037075.9
• 申請日: 2020-09-28
• 公開（公告）號: CN112192318B
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 趙男;路瑤;晉文靜;金超
• 申請（專利權）人: 北京天澤智云科技有限公司
• 主分類號: B23Q17/09
• 分類號: B23Q17/09
• 代理公司: 北京華圣典睿知識產權代理有限公司 11510
• 代理人: 趙景平

本發明公開了一種機加工刀具狀態監測方法和系統，該方法包括：在機加工系統參數發生變化后，實時采集少量當前數據并將采集的數據存入目標域數據集；計算目標域數據集與源域數據集之間各特征參數的分布差異；判斷目標域數據集與源域數據集之間各特征參數的分布差異是否均小于所述特征參數的分布差異閾值；如果是，則通過遷移學習得到目標域遷移模型，并將目標域遷移模型作為當前監測模型；否則，繼續采集當前數據并將采集的數據存入目標域數據集，并在目標域數據集的數據量達到設定要求后，利用目標域數據集中的數據訓練得到當前監測模型；利用當前監測模型對刀具狀態進行在線監測。利用本發明，可以快速、高效地提升監控系統的適應性。

技術領域

本發明涉及機加工刀具領域，具體涉及一種機加工刀具狀態監控方法和系統。

背景技術

刀具是機械制造中用于切削加工的工具，又稱切削工具。刀具狀態是影響零部件精密切削加工質量與效率的關鍵因素，準確可靠的刀具狀態在線監測系統可以為用戶節省大量的物料和人力成本。為了保證高度自動化加工系統能持續、高效地進行正常生產，避免因切削刀具的磨損、破損等因素造成加工零件的精度下降，甚至損害機床設備，需要在加工過程中對刀具狀態進行有效監控。

在現有技術中，機加工刀具狀態監控系統的通常采用離線訓練的監測模型對刀具狀態進行監測，為保證監測模型性能，需要收集足夠數量的訓練數據。但在機加工刀具的應用場景中，不同機臺的物理狀態，或刀具的類型、尺寸、刃數，工件材質，加工工藝等系統變量不盡相同，而且經常會發生變化。而當應用場景中系統參數發生變化時，訓練數據的分布也會隨之發生變化，已有監測模型無法滿足要求，此時需要收集新場景下的數據重新訓練監測模型。但重新收集足夠的新數據不但意味著監控系統在此期間無法使用，而且用戶在正常的生產活動外，還需要額外的人力來配合數據標簽的記錄和檢查等工作。可見，這種方式對用戶來說增加了使用系統的負擔，降低了刀具狀態監控系統適配的靈活性。

發明內容

本發明實施例提供一種機加工刀具狀態監控方法和系統，以在應用場景發生變化后，減少模型重訓練對新場景下帶標簽訓練數據數量的依賴性，快速、高效地得到與變化后的場景相適配的模型，提升監控系統的適應性。

為此，本發明提供如下技術方案：

一種機加工刀具狀態監測方法，所述方法包括：

在機加工系統參數發生變化后，實時采集少量當前數據并將采集的數據存入目標域數據集；

計算所述目標域數據集與源域數據集之間各特征參數的分布差異；所述源域數據集包括所述機加工系統參數發生變化前采集的數據；

判斷所述目標域數據集與源域數據集之間各特征參數的分布差異是否均小于所述特征參數的分布差異閾值；

如果是，則通過遷移學習得到目標域遷移模型，并將所述目標域遷移模型作為當前監測模型；

否則，繼續采集當前數據并將采集的數據存入目標域數據集，并在所述目標域數據集的數據量達到設定要求后，利用所述目標域數據集中的數據訓練得到當前監測模型；

利用所述當前監測模型對刀具狀態進行在線監測。

可選地，所述方法還包括：確定各特征參數的重要度；

在繼續采集當前數據并將采集的數據存入目標域數據集之前，確定所有分布差異大于等于對應的分布差異閾值的特征參數的重要度；

如果所有特征參數的重要度均為低，則從所述目標域數據集與源域數據集中刪除所述特征參數，然后通過遷移學習得到目標域遷移模型，并將所述目標域遷移模型作為當前監測模型；

否則，執行繼續采集當前數據并將采集的數據存入目標域數據集的步驟。

可選地，所述計算所述目標域數據集與源域數據集之間各特征參數的分布差異包括：