模具零件自动化加工系统及方法技术方案

本申请涉及模具零件的自动化加工领域，其具体地公开了一种模具零件自动化加工系统及方法，其首先采集待监测卷缘机模具零件切削过程中多个预定时间点的切削状态以及通过摄像头采集待监测卷缘机模具零件切削过程中的多个预定时间点的刀具监控图像，其中，所述切削状态包括切削力

【技术实现步骤摘要】
模具零件自动化加工系统及方法


[0001]本申请涉及模具零件的自动化加工领域，且更为具体地，涉及一种模具零件自动化加工系统及方法
。

技术介绍

[0002]卷缘机模具是用于在卷缘机上完成卷边加工的工具或装置
。
卷缘机模具通常由多个零件组成，这些零件的组合和形状取决于具体的卷缘机和加工要求
。
模具的设计和制造旨在实现对工件的卷边加工，以获得所需的形状和尺寸
。
卷缘机模具零件的加工操作主要有切削
、
铣削
、
车削
、
钻孔
、
磨削等工艺步骤
。
然而，切削过程中刀具的磨损较大
。
当刀具磨损严重时，可能会造成零件出现粗糙度增加
、
尺寸偏差
、
形状不准确等问题
。
[0003]因此，期望一种模具零件自动化加工系统及方法，对卷缘机模具零件切削过程中的刀具外观和切削状态进行实时监测，从而确保卷缘机模具零件切削过程的稳定性和零件加工的质量
。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种模具零件自动化加工系统及方法，其首先采集待监测卷缘机模具零件切削过程中多个预定时间点的切削状态以及通过摄像头采集待监测卷缘机模具零件切削过程中的多个预定时间点的刀具监控图像，其中，所述切削状态包括切削力
、
刀具温度
、
>振动信号以及噪音信号，然后通过卷积神经网络模型对其分别进行特征提取和分析以得到分类结果
。
这样，通过切削状态可以了解到刀具磨损的情况，从而能够判断出刀具是否需要更换
。
这样，通过及时更换磨损刀具，能够有效确保卷缘机模具零件切削过程的稳定性和零件加工的质量
。
[0005]根据本申请的第一方面，提供了一种模具零件自动化加工系统，其包括：数据采集单元，用于采集待监测卷缘机模具零件切削过程中多个预定时间点的切削状态以及通过摄像头采集待监测卷缘机模具零件切削过程中的多个预定时间点的刀具监控图像，其中，所述切削状态包括切削力
、
刀具温度
、
振动信号以及噪音信号；第一卷积编码单元，用于将所述待监测卷缘机模具零件切削过程中的多个预定时间点的刀具监控图像排列为输入张量后通过使用空间注意力机制的第一卷积神经网络模型以得到刀具表面状态特征图；降维单元，用于将所述刀具表面状态特征图进行沿通道维度的均值池化处理以得到刀具表面状态特征向量；第二卷积编码单元，用于将所述待监测卷缘机模具零件切削过程中多个预定时间点的切削状态排列为多个输入向量后通过作为特征提取器的第二卷积神经网络模型以得到多个参数特征向量；上下文编码单元，用于将所述多个参数特征向量通过基于转换器的上下文编码器以得到切削状态特征向量；
特征融合单元，用于对所述刀具表面状态特征向量和所述切削状态特征向量进行参数化特征的几何先验约束性融合以得到分类特征向量；结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测卷缘机模具零件切削过程中的刀具是否应更换
。
[0006]结合本申请的第一方面，在本申请的第一方面的一种模具零件自动化加工系统中，所述第一卷积编码单元，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述输入张量进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过
Softmax
激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述刀具表面状态特征图
。
[0007]结合本申请的第一方面，在本申请的第一方面的一种模具零件自动化加工系统中，所述第二卷积编码单元，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的第一层的输入为所述多个输入向量，所述第二卷积神经网络模型的最后一层的输出为所述多个参数特征向量
。
[0008]根据本申请的第二方面，提供了一种模具零件自动化加工方法，其包括：采集待监测卷缘机模具零件切削过程中多个预定时间点的切削状态以及通过摄像头采集待监测卷缘机模具零件切削过程中的多个预定时间点的刀具监控图像，其中，所述切削状态包括切削力
、
刀具温度
、
振动信号以及噪音信号；将所述待监测卷缘机模具零件切削过程中的多个预定时间点的刀具监控图像排列为输入张量后通过使用空间注意力机制的第一卷积神经网络模型以得到刀具表面状态特征图；将所述刀具表面状态特征图进行沿通道维度的均值池化处理以得到刀具表面状态特征向量；将所述待监测卷缘机模具零件切削过程中多个预定时间点的切削状态排列为多个输入向量后通过作为特征提取器的第二卷积神经网络模型以得到多个参数特征向量；将所述多个参数特征向量通过基于转换器的上下文编码器以得到切削状态特征向量；对所述刀具表面状态特征向量和所述切削状态特征向量进行参数化特征的几何先验约束性融合以得到分类特征向量；将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测卷缘机模具零件切削过程中的刀具是否应更换
。
[0009]与现有技术相比，本申请提供的一种模具零件自动化加工系统及方法，其首先采集待监测卷缘机模具零件切削过程中多个预定时间点的切削状态以及通过摄像头采集待监测卷缘机模具零件切削过程中的多个预定时间点的刀具监控图像，其中，所述切削状态包括切削力
、
刀具温度
、
振动信号以及噪音信号，然后通过卷积神经网络模型对其分别进行特征提取和分析以得到分类结果
。
这样，通过切削状态可以了解到刀具磨损的情况，从而能
够判断出刀具是否需要更换
。
这样，通过及时更换磨损刀具，能够有效确保卷缘机模具零件切削过程的稳定性和零件加工的质量
。
附图说明
[0010]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的
、
特征和优势将变得更加明显
。
附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制
。
在附图中，相同的参考标号通常代表相同部件或步骤
。
[0011]图1图示了根据本申请实施例的模具零件自动化加工系统的示意性框图
。
[0012]图2图示了根据本申请实施例的模具零件自动化加工系统中特征融合单元的示意性框图...

【技术保护点】

【技术特征摘要】
1.
一种模具零件自动化加工系统，其特征在于，包括：数据采集单元，用于采集待监测卷缘机模具零件切削过程中多个预定时间点的切削状态以及通过摄像头采集待监测卷缘机模具零件切削过程中的多个预定时间点的刀具监控图像，其中，所述切削状态包括切削力
、
刀具温度
、
振动信号以及噪音信号；第一卷积编码单元，用于将所述待监测卷缘机模具零件切削过程中的多个预定时间点的刀具监控图像排列为输入张量后通过使用空间注意力机制的第一卷积神经网络模型以得到刀具表面状态特征图；降维单元，用于将所述刀具表面状态特征图进行沿通道维度的均值池化处理以得到刀具表面状态特征向量；第二卷积编码单元，用于将所述待监测卷缘机模具零件切削过程中多个预定时间点的切削状态排列为多个输入向量后通过作为特征提取器的第二卷积神经网络模型以得到多个参数特征向量；上下文编码单元，用于将所述多个参数特征向量通过基于转换器的上下文编码器以得到切削状态特征向量；特征融合单元，用于对所述刀具表面状态特征向量和所述切削状态特征向量进行参数化特征的几何先验约束性融合以得到分类特征向量；结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测卷缘机模具零件切削过程中的刀具是否应更换
。2.
根据权利要求1所述的模具零件自动化加工系统，其特征在于，所述第一卷积编码单元，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述输入张量进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过
Softmax
激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述刀具表面状态特征图
。3.
根据权利要求2所述的模具零件自动化加工系统，其特征在于，所述降维单元，用于：将所述刀具表面状态特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述刀具表面状态特征向量
。4.
根据权利要求3所述的模具零件自动化加工系统，其特征在于，所述第二卷积编码单元，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的第一层的输入为所述多个输入向量，所述第二卷积神经网络模型的最后一层的输出为所述多个参数特征向量
。5.
根据权利要求4所述的模具零件自动化加工系统，其特征在于，所述上下文编码单元，包括：
将所述多个参数特征向量输入所述基于转换器的上下文编码器以得到多个上下文特征向量；以及将所述多个上下文特征向量进行级联以得到所述切削状态特征向量
。6.
根据权利要求5所述的模具零件自动化加工系统，其特征在于，所述特征融合单元，包括：形式转换子单元，用于将所述刀具表面状态特征向量和所述切削状态特征向量分别表示为矩阵形式以得到刀具表面状态特征矩阵和切削状态特征矩阵，其中，所述刀具表面状态特征矩阵中每一列向量对应于所述刀具表面状态特征向量中一...

【专利技术属性】
技术研发人员：黄茂盈，
申请(专利权)人：宁波言成模具制造有限公司，
类型：发明
国别省市：