基于多任务学习的刀具健康情况评估方法技术

本发明专利技术涉及刀具检测技术领域，尤其涉及基于多任务学习的刀具健康情况评估方法

【技术实现步骤摘要】
基于多任务学习的刀具健康情况评估方法


[0001]本申请涉及刀具检测
，特别涉及一种基于多任务学习的刀具健康情况评估方法
。

技术介绍

[0002]在汽车制造
、
模具生产
、
航空航天等行业中，刀具是关键的加工工具
。
刀具的磨损程度直接影响着加工效率和精度
。
如果在加工过程中提前更换刀具，会增加成本；而等到刀具损坏后再进行更换，则可能导致工件损坏
。
因此，实际生产中通常会在刀具损坏之前提前更换，但往往只使用了预期寿命的
50%
至
80%。
若不能及时更换刀具，将影响零件质量，从而导致巨大的资源浪费
。
为确保设备的安全性和降低运维成本，准确的健康状态评估和合理的运维方案是必要的
。
刀具健康状态评估包括健康阶段划分
、
磨损值预测以及可靠性评估
。
然而，由于设备运行的复杂多变的工况以及技术的快速更新，精准的设备健康状态评估变得困难
。
因此，对设备进行准确的健康状态评估，制定合理运维方案，保障设备安全性的同时花费较低的运维成本成为设备运维的核心挑战
。
[0003]目前，刀具健康状态评估的研究主要集中在三个方面：健康阶段划分
、
可靠性评估和磨损值预测
。
相关技术中，采用独立的模型进行三方面的刀具健康状态评估
。
之后通过量化汇总的方式，生成对于刀具健康情况的结果
。
[0004]然而，现有技术中对于刀具健康的分布式评估方式，忽视了这三个任务之间的内在联系，使得研究人员仅能够从单维度对于刀具的健康状态进行确认，无法对于刀具的完整状态进行确定，使得相关技术对于刀具健康状态的检测不够全面
。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足与缺陷，提供了一种基于多任务学习的刀具健康情况评估方法，多维度提供对于刀具健康状态检测的准确结果，该方法包括：获取与目标刀具对应的刀具数据集，所述刀具数据集为所述目标刀具工作过程中传感器接收到的数据；对所述刀具数据集进行特征提取，得到与所述目标刀具对应的至少两个刀具特征；通过卷积自编码器对所述刀具特征进行特征融合，得到刀具融合特征；将所述刀具融合特征输入刀具健康情况评估模型，输出得到与所述目标刀具在刀具健康情况评估结果，所述刀具健康情况评估结果包括刀具健康状态子结果，刀具可靠性子结果以及刀具磨损值子结果，所述刀具健康状态子结果用于指示刀具的健康阶段，所述刀具磨损值子结果用于指示所述目标刀具的磨损情况，所述刀具可靠性子结果用于指示所述目标刀具的可靠程度，所述刀具健康状态子结果
、
所述刀具可靠性子结果以及所述刀具磨损值子结果均实现为标签形式
。
[0006]在一个可选的实施例中，所述刀具特征包括最大值特征
、
最小值特征
、
均值特征
、
峰峰值特征
、
绝对平均值特征
、
均方根值特征
、
方根幅值特征
、
标准差特征
、
峭度特征
、
偏度特征
、
裕度指标特征
、
峭度指标特征
、
频率中心特征
、
平均频率特征
、
频域均方根特征以及频率方差特征
。
[0007]在一个可选的实施例中，所述刀具数据集是以目标刀具的工作时刻为采集基准得到的
。
[0008]在一个可选的实施例中，所述通过卷积自编码器对所述刀具特征进行特征融合，得到刀具融合特征，包括：基于所述刀具特征的单调性和相关性确定与所述刀具特征对应的重要性参数；基于所述重要性参数对所述刀具特征进行筛选，得到参考刀具特征；通过所述卷积自编码器，对所述参考刀具特征进行特征融合，得到所述刀具融合特征
。
[0009]在一个可选的实施例中，所述刀具健康状况评估模型为基于时间卷积神经网络（
Temporal Convolutional Network
，
TCN
）与
PLE
（
Progressive Layered Extraction
）模型结合的神经网络模型；所述方法还包括：获取与所述刀具健康状态子结果对应的至少三个健康状态标签以及健康状态对应关系，所述健康状态标签用于表征不同的刀具健康状态；获取与所述刀具可靠性子结果对应的至少两个可靠性标签以及可靠性对应关系，所述可靠性标签用于对目标刀具的可靠性进行评价；获取与所述刀具磨损值子结果对应的至少两个磨损值标签，所述磨损值标签用于对目标刀具的磨损程度进行量化评价；以所述健康状态标签
、
所述可靠性标签
、
所述磨损值标签作为所述刀具健康状况评估模型的输出结果，对所述刀具健康状态评估模型进行调整
。
[0010]在一个可选的实施例中，所述刀具健康情况评估模型为主动学习模型；所述刀具健康情况评估模型具有基于损失函数主动调整自身模型参数的功能
。
[0011]在一个可选的实施例中，该方法还包括：获取第一刀具融合特征样本集，所述第一刀具融合特征样本集标注有样本刀具健康状态子结果；通过所述第一刀具融合特征样本集对高斯混合模型进行训练，以构建至少两个所述健康状态标签，以及所述健康状态对应关系
。
[0012]在一个可选的实施例中，该方法还包括：获取第二刀具融合特征样本集，所述第二刀具数据样本集标注有样本刀具可靠性子结果；通过所述第二刀具融合特征样本集对逻辑回归模型进行训练，以构建至少两个所述可靠性标签，以及所述可靠性对应关系
。
[0013]本申请至少包括如下有益效果：在进行对于目标刀具的健康情况进行评估的过程当中，对于目标刀具的工作数据进行获取后，通过特征提取以及特征融合的方式获取与目标刀具对应的融合特征，之后将融合特征输入健康情况评估模型中，输出对应刀具可靠程度
、
磨损情况以及健康阶段的三
个子结果，实现对于刀具健康状态的多维评估
。
附图说明
[0014]附图是用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术，但并不构成对本专利技术的限制
。
在附图中：图1示出了本申请一个示例性实施例提供的一种基于多任务学习的刀具健康情况评估方法的流程示意图
。
[0015]图2示出了本申请一个示例性实施例提供的另一种基于多任务学习的刀具健康情况评估方法的流程示意图
。
[0016]图3示出了本申请一个示例性实施例提供的一种刀具健康情况评估模型的调整过程示意图
。
具体实施方式
[0017]需要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多任务学习的刀具健康情况评估方法，其特征在于，所述方法应用于计算机设备中，所述方法包括：获取与目标刀具对应的刀具数据集，所述刀具数据集为所述目标刀具工作过程中传感器接收到的数据；对所述刀具数据集进行特征提取，得到与所述目标刀具对应的至少两个刀具特征；通过卷积自编码器对所述刀具特征进行特征融合，得到刀具融合特征；将所述刀具融合特征输入刀具健康情况评估模型，输出得到与所述目标刀具在刀具健康情况评估结果，所述刀具健康情况评估结果包括刀具健康状态子结果，刀具可靠性子结果以及刀具磨损值子结果，所述刀具健康状态子结果用于指示刀具的健康阶段，所述刀具磨损值子结果用于指示所述目标刀具的磨损情况，所述刀具可靠性子结果用于指示所述目标刀具的可靠程度，所述刀具健康状态子结果
、
所述刀具可靠性子结果以及所述刀具磨损值子结果均实现为标签形式
。2.
根据权利要求1所述的方法，其特征在于，所述刀具特征包括最大值特征
、
最小值特征
、
均值特征
、
峰峰值特征
、
绝对平均值特征
、
均方根值特征
、
方根幅值特征
、
标准差特征
、
峭度特征
、
偏度特征
、
裕度指标特征
、
峭度指标特征
、
频率中心特征
、
平均频率特征
、
频域均方根特征以及频率方差特征
。3.
根据权利要求1所述的方法，其特征在于，所述刀具数据集是以目标刀具的工作时刻为采集基准得到的
。4.
根据权利要求1所述的方法，其特征在于，所述通过卷积自编码器对所述刀具特征进行特征融合，得到刀具融合特征，包...

【专利技术属性】
技术研发人员：袁烨，丁珈，尹晓宇，程骋，张永，
申请(专利权)人：华中科技大学无锡研究院，
类型：发明
国别省市：