[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

说明书

本发明公开了基于深度学习的刀具排布及换刀方法、设备及存储介质。包括：采集数控机床的多工序的目标刀具状态信号，将目标刀具状态信号转换为多维信号张量；利用小波算法对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，基于目标多维信号张量及用刀需求，利用预训练完成的卷积神经网络模型预测数控机床的刀具排布及换刀策略；将刀具排布及换刀策略转换为电信号，控制数控机床的刀具库进行刀具排布及换刀。本发明可以提高数控机床进行刀具排布及换刀精确度及效率。

技术领域

本发明涉及人工智能技术领域，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。

背景技术

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。

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。

发明内容

本发明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，其主要目的在于解决数控机床进行刀具排布及换刀精确度及效率较低的问题。

为实现上述目的，本发明提供的一种基于深度学习的刀具排布及换刀方法，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。

可选地，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。

可选地，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。

可选地，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；