[发明专利]基于深度学习的刀具排布及换刀方法、设备及存储介质

权利要求书

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：

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；

步骤J：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；

步骤K：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；

步骤L：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，利用所述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；

步骤M：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，包括：

步骤H1：利用所述初步卷积神经网络模型中的卷积层分别提取所述训练集中所述标准历史多维信号张量与所述历史用刀需求的历史多维信号特征及历史用刀需求特征；

步骤H2：利用所述初步卷积神经网络模型中激活层中的皮尔逊积矩相关系数算法，提取所述历史多维信号特征及所述历史用刀需求特征的关联特征；

步骤H3：利用所述初步卷积神经网络模型中刀具规范层匹配所述关联特征，得到常用刀具类型及换刀概率；

步骤H4：利用所述初步卷积神经网络模型中的全连接层及输出层分析所述历史用刀需求特征、所述常用刀具类型及所述换刀概率的关联关系，得到预测历史刀具排布及换刀策略；

步骤H5：利用预设的损失函数计算所述预测历史刀具排布及换刀策略与所述历史刀具排布及换刀策略的损失值，根据所述损失值对所述初步卷积神经网络模型进行参数调整，并返回所述步骤H1，直至所述损失值小于预设的损失阈值，得到初步训练完成的卷积神经网络模型。