【技术实现步骤摘要】
基于深度学习的刀具排布及换刀方法、设备及存储介质
[0001]本专利技术涉及人工智能
，尤其涉及一种基于深度学习的刀具排布及换刀方法、电子设备及计算机可读存储介质。
技术介绍
[0002]在切削加工作业中，刀具作为数控机床的直接切削部件会与工件、加工切屑不断发生剧烈摩擦，在持续变热力耦合的作用下会不可避免地产生磨损直至刀具失效，需要及时更换刀具并对刀具重新进行排布，若未及时更换失效刀具，则会造成工件加工质量下降、工件报废或机床故障；但若采用过渡保护的策略频繁更换刀具，则有可能造成刀具剩余寿命的浪费及不必要的换刀停机时间浪费。
[0003]当前主要是在停机状态下，利用视觉分析技术监测刀具后刀面磨损带中间部分平均磨损量，并自动分析刀具状态，根据实际的需求人工对刀具重新排布，并根据刀具状态更换刀具，此种方法依赖人工经验进行刀具排布导致换刀精确度不高，且需要停机离线测量，换刀效率低。
技术实现思路
[0004]本专利技术提供一种基于深度学习的刀具排布及换刀方法、设备及计算机可读存储介质，其主要目的在于解...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的刀具排布及换刀方法，其特征在于，所述方法包括：采集数控机床的多工序的目标刀具状态信号，将所述目标刀具状态信号转换为多维信号张量；利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量；获取本次加工任务的用刀需求，基于所述目标多维信号张量及所述用刀需求，利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略；将所述刀具排布及换刀策略转换为电信号，控制所述数控机床的刀具库进行刀具排布及换刀。2.如权利要求1所述的基于深度学习的刀具排布及换刀方法，其特征在于，所述采集数控机床的多工序的目标刀具状态信号，包括：选取加工参数恒定或变化小于预设变化值的工序作为目标工序；在数控机床加工开始前及加工结束时设置信号采集标识；在所述信号采集标识处，采集所述目标工序的目标刀具状态信号。3.如权利要求1所述的基于深度学习的刀具排布及换刀方法，其特征在于，所述利用小波算法对所述多维信号张量进行保真降噪处理，得到目标多维信号张量，包括：将所述多维信号张量进行小波变换，得到所述多维信号张量对应的多尺度小波系数；对所述多尺度小波系数进行阈值量化，得到修正多尺度小波系数；对所述修正多尺度小波系数进行小波逆变换，得到目标多维信号张量。4.如权利要求1所述的基于深度学习的刀具排布及换刀方法，其特征在于，所述利用预训练完成的卷积神经网络模型预测所述数控机床的刀具排布及换刀策略之前，所述方法还包括：步骤A：获取历史刀具状态信号、历史用刀需求、历史刀具排布及换刀策略；步骤B：将所述历史刀具状态信号转换为历史多维信号张量，并利用小波算法对所述历史多维信号张量进行保真降噪处理，得到标准历史多维信号张量；步骤C：将所述标准历史多维信号张量及对应的历史用刀需求等分为多个子训练集；步骤D：利用预构建的卷积神经网络模型预测各子个训练集的刀具排布及换刀策略，得到预测结果集；步骤E：从所述预测结果集中随机选取两个预测结果进行均方差处理，得到均方差值；步骤F：根据所述均方差值更新所述预构建的卷积神经网络模型参数，得到更新后的卷积神经网络模型，返回上述的步骤D以利用更新后的卷积神经网络模型预测各子个训练集的刀具排布及换刀策略，得到预测结果集，对所述卷积神经网络模型进行迭代更新，直至所述卷积神经网络模型满足了预设的迭代次数，得到初步卷积神经网络模型；步骤G：基于所述标准历史多维信号张量及对应的历史用刀需求，利用K折交叉验证算法，构建训练集及测试集；步骤H：基于所述训练集及所述历史刀具排布及换刀策略，对所述初步卷积神经网络模型进行训练，得到初步训练完成的卷积神经网络模型；步骤I：利用所述测试集对所述初步训练完成的卷积神经网络模型进行测试，得到测试结果，当所述测试结果为未通过时，返回所述步骤H再次对所述卷积神经网络模型进行迭代更新，直至所述测试结果为通过，得到预训练完成的卷积神经网络模型。
5.如权利要求4所述的基于深度学习的刀具排布及换刀方法，其特...
【专利技术属性】
技术研发人员：朱歆，戴宏亮，杜俊鸿，邓皓志，李志健，朱栋梁，
申请(专利权)人：湖南晓光智能成型制造有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。