全自动机械加工设备制造技术

本申请涉及智能监测领域，其具体地公开了一种全自动机械加工设备，其采用基于深度神经网络模型的人工智能技术，获取由振动传感器和声音传感器采集的全自动机械加工设备工作过程中的振动信号和声音信号，通过作为特征提取器的卷积神经网络模型分别得到振动和声音特征向量，联合后再通过包含混合卷积层的卷积神经网络进行特征提取，以得到用于表示全自动机械加工设备工作状态是否正常的分类结果

【技术实现步骤摘要】
全自动机械加工设备


[0001]本申请涉及智能监测领域，且更为具体地，涉及一种全自动机械加工设备
。

技术介绍

[0002]加工设备的好坏影响着加工产品
。
若是机械加工设备工作状态不正常会导致加工的质量下降，设备长时间不正常的运转会导致设备发生故障和损坏，加工进度变慢甚至一些情况下可能会导致零件的脱落，发生人身事故，维修设备的成本也相应的增加
。
但由于现有技术没有在机械加工设备工作时进行一个实时监测，进而就会导致生产的效率下降，安全事故的发生
。
[0003]因此，期待一种优化的全自动机械加工监测方案
。

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全自动机械加工设备，其采用基于深度神经网络模型的人工智能技术，获取由振动传感器和声音传感器采集的全自动机械加工设备工作过程中的振动信号和声音信号，通过作为特征提取器的卷积神经网络模型分别得到振动和声音特征向量，联合后再通过包含混合卷积层的卷积神经网络进行特征提取，以得到用于表示全自动机械加工设备工作状态是否正常的分类结果
。
进而，可以及时发现设备的异常情况，提高设备的可靠性
、
加工质量和生产效率
。
[0005]根据本申请的一个方面，提供了一种全自动机械加工设备，其包括：
[0006]信号采集模块，用于获取由振动传感器和声音传感器采集的全自动机械加工设备工作过程中的振动信号和声音信号；
[0007]振动特征提取模块，用于将所述振动信号的波形图通过作为特征提取器的第一卷积神经网络模型以得到振动波形特征向量；
[0008]声音特征提取模块，用于将所述声音信号的波形图通过作为特征提取器的第二卷积神经网络模型以得到声音波形特征向量；
[0009]联合模块，用于对构造所述振动波形特征向量和所述声音波形特征向量的概率密度域表示以得到工作状态特征矩阵；
[0010]混合卷积模块，用于将所述工作状态特征矩阵通过包含混合卷积层的第三卷积神经网络模型以得到分类特征向量；
[0011]结果生成模块，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全自动机械加工设备工作状态是否正常
。
[0012]在上述全自动机械加工设备中，所述振动特征提取模块，用于：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的池化以得到池化特征图；以及，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，所述作为特征提取器的第一卷积神经网络模型的最后一层的输出为所述振动波形特征
向量，所述作为特征提取器的第一卷积神经网络模型的第一层的输入为所述振动信号波形图
。
[0013]在上述全自动机械加工设备中，所述声音特征提取模块，用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的全局均值池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述作为特征提取器的第二卷积神经网络模型的最后一层的输出分别为所述声音波形特征向量，所述作为特征提取器的第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述作为特征提取器的第二卷积神经网络模型的输入分别为所述声音信号波形图
。
[0014]在上述全自动机械加工设备中，所述联合模块，包括：高斯归一化单元，用于对所述振动波形特征向量和所述声音波形特征向量进行高斯归一化处理以得到归一化振动波形特征向量和归一化声音波形特征向量；振动概率密度函数计算单元，用于计算所述归一化振动波形特征向量的概率密度函数值以得到第一特征概率密度分布；声音概率密度函数计算单元，用于计算所述归一化声音波形特征向量的概率密度函数值以得到第二特征概率密度分布；以及，概率密度域图构造单元，用于构造所述第一特征概率密度分布和所述第二特征概率密度分布之间的概率密度域图以得到所述工作状态特征矩阵，其中，所述工作状态特征矩阵中各个位置的特征值等于所述第一特征概率密度分布和所述第二特征概率密度分布中相应两个位置的概率密度函数值之间的乘积
。
[0015]在上述全自动机械加工设备中，所述混合卷积模块，用于：使用所述包含混合卷积层的第三卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：对输入数据进行多尺度卷积编码以得到多尺度卷积特征图；将所述多尺度卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行激活处理以得到激活特征图；其中，所述包含混合卷积层的第三卷积神经网络模型的最后一个混合卷积层的输出为所述分类特征向量
。
[0016]在上述全自动机械加工设备中，所述多尺度卷积编码，用于：基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图；基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图，其中，所述第二卷积核为具有第一空洞率的空洞卷积核；基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图，其中，所述第三卷积核为具有第二空洞率的空洞卷积核；基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图，其中，所述第四卷积核为具有第三空洞率的空洞卷积核；以及，将所述第一尺度特征图
、
所述第二尺度特征图
、
所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度卷积特征图
。
[0017]在上述全自动机械加工设备中，所述结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的
Softmax
分类函数以得到所述分类结果
。
[0018]与现有技术相比，本申请提供的一种全自动机械加工设备，其采用基于深度神经网络模型的人工智能技术，获取由振动传感器和声音传感器采集的全自动机械加工设备工
作过程中的振动信号和声音信号，通过作为特征提取器的卷积神经网络模型分别得到振动和声音特征向量，联合后再通过包含混合卷积层的卷积神经网络进行特征提取，以得到用于表示全自动机械加工设备工作状态是否正常的分类结果
。
进而，可以及时发现设备的异常情况，提高设备的可靠性
、
加工质量和生产效率
。
附图说明
[0019]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种全自动机械加工设备，其特征在于，包括：信号采集模块，用于获取由振动传感器和声音传感器采集的全自动机械加工设备工作过程中的振动信号和声音信号；振动特征提取模块，用于将所述振动信号的波形图通过作为特征提取器的第一卷积神经网络模型以得到振动波形特征向量；声音特征提取模块，用于将所述声音信号的波形图通过作为特征提取器的第二卷积神经网络模型以得到声音波形特征向量；联合模块，用于对构造所述振动波形特征向量和所述声音波形特征向量的概率密度域表示以得到工作状态特征矩阵；混合卷积模块，用于将所述工作状态特征矩阵通过包含混合卷积层的第三卷积神经网络模型以得到分类特征向量；结果生成模块，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全自动机械加工设备工作状态是否正常
。2.
根据权利要求1所述的全自动机械加工设备，其特征在于，所述振动特征提取模块，用于：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的池化以得到池化特征图；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，所述作为特征提取器的第一卷积神经网络模型的最后一层的输出为所述振动波形特征向量，所述作为特征提取器的第一卷积神经网络模型的第一层的输入为所述振动信号波形图
。3.
根据权利要求2所述的全自动机械加工设备，其特征在于，所述声音特征提取模块，用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的全局均值池化处理以生成池化特征图；对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述作为特征提取器的第二卷积神经网络模型的最后一层的输出分别为所述声音波形特征向量，所述作为特征提取器的第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述作为特征提取器的第二卷积神经网络模型的输入分别为所述声音信号波形图
。4.
根据权利要求3所述的全自动机械加工设备，其特征在于，所述联合模块，包括：高斯归一化单元，用于对所述振动波形特征向量和所述声音波形特征向量进行高斯...

【专利技术属性】
技术研发人员：吴志华，万光松，王娟，
申请(专利权)人：安徽佳顿自动化设备股份有限公司，
类型：发明
国别省市：