CN119439876A 多轴联动数控加工的状态监测方法及系统 （深圳市盈德精密制造有限公司）

道田寮社区第二工业区59栋401,1楼,开了一种多轴联动数控加工的状态监测方法及个分支网络的深度学习模型，得到状态评估模2对多轴联动数控加工过程中的振动、声发射和切削力信号进根据所述状态空间模型，对所述第一多源传感器数据进行特征提取和压缩计算所述低维特征子集的重构误差和欧氏距离，并进行融根据所述异常状态检测结果和所述低维特征子集训练包含主干网络和多个分支网络将实时采集的第二多源传感器数据输入所述状态评估模型进行状通过振动传感器采集多轴联动数控加工过程中的振动信号，并进行对所述滤波后的振动信号进行时域分析，得到振动信号时域特征；对所对所述滤波后的振动信号、所述滤波后的声发射信号和所述滤波后的切削力将所述振动信号时域特征、所述声发射信号时域特征、所述切削力对所述第一多源传感器数据进行自相关分析和互相关分析，得到基于所述时间相关性特征和所述相关性特征，对所述第一多源传对所述对齐后的多源传感器数据序列进行滑动窗口分割，得到多基于所述降维后的状态表示，构建初始状态转移矩阵，并将所述初始的状态空间模型和所述对齐后的多源传感器数据序列输入无迹卡尔曼滤3基于所述优化后的状态转移矩阵和观测矩阵，构建非线性状态方将所述第一多源传感器数据输入所述状态空间模型，进行状态估程动态特性的状态估计序列；对所述状态估计序列进行多尺度分解，构建层次化特征结构，得到包构建特征相关性网络，对所述初步筛选的特征子集基于加工工艺知识的特征增强机制，对所述优化后的特征组基于特征重要性评估机制，并结合加工质量指标和状态监测将所述归一化特征向量输入预先训练的自编码器网络，得到重计算所述归一化特征向量与所述重构特征向量之间的均方基于模糊逻辑的多指标融合规则，将所述重构误差和所述欧氏距离将所述融合后的异常度指标与所述实时更新的检测阈值进行比较述异常状态检测结果和所述低维特征子集训练包含主干网络和多个分支网络的深度学习4将所述异常状态检测结果划分为正常状态样本集和异常状态样本将所述扩充训练数据集中的低维特征子集输入所述主干网络，得到第一主干特征图，构建多任务学习头，包含状态分类任务和参数回归采用加权损失函数进行模型训练，所述加权损失函数包含状态分对实时采集的第二多源传感器数据进行实时采集和预处理，得到预对所述实时状态序列进行特征提取和压缩感知处理，得到实时特征将所述预处理后的实时传感器数据中的各类传感器信号分别输入将所述第二融合特征图输入多任务学习头，通过状态分类任务得到加工状态分类结将所述加工状态分类结果和所述参数估计值映射到所述数字孪生模5采集模块，用于对多轴联动数控加工过程中的振动、声发射和切削力处理模块，用于将所述第一多源传感器数据输入状态空间模型构建器进行处压缩模块，用于根据所述状态空间模型，对所述第一多源传感训练模块，用于根据所述异常状态检测结果和所述低评估模块，用于将实时采集的第二多源传感器数据输入所述状态评估模9.一种多轴联动数控加工的状态监测设备，其特所述至少一个处理器调用所述存储器中的所述指令，以使得所述多状态监测设备执行如权利要求1_7中任一项所述的多轴联动数控加工所述指令被处理器执行时实现如权利要求1_7中任一项所述的多轴联动数控加工的状态监6[0002]多轴联动数控加工技术因其高效率、高精度和灵活性而在现代制造业中广泛应根据所述状态空间模型，对所述第一多源传感器数据进行特征提取和压缩感知，根据所述异常状态检测结果和所述低维特征子集训练包含主干网络和多个分支7处理模块，用于将所述第一多源传感器数据输入状态空间模型构建器进行处理，8101、对多轴联动数控加工过程中的振动、声发射和切削力信号进行采集和预处9得到各传感器信号的时间相关性特征，从而理解每个信号在时间上的变化模式和内在规多源传感器数据进行动态时间规整。动态时间规整是一种用于对齐时间序列数据的技术，曼滤波器进行参数的迭代优化。无迹卡尔曼滤波器是一种用于非线性系统状态估计的工能够全面反映加工过程中的动态行为，有利于捕捉不同时间尺度上潜在的异常或状态变络的结构由编码器和解码器组成，其中编码器的作用是将输入特征映射到一个潜在空间，[0020]105、根据异常状态检测结果和低维特征子集训练包含主干网络和多个分支网络;;基于时间相关性特征和相关性特征，对第一多源传感器数据进行动态时间规整，得到对齐后的多源传感器数据序列；将初始的状态空间模型和对齐后的多源传感器数据序列输入无迹卡尔曼滤波器，;;其中，表示信号x(t)和信号y(t)在时间延迟τ处的互相关值，x(t)和;i和v分别为左奇异向量矩阵和右奇异向量矩阵，Σ为对;;转移和观测过程中引入非线性效应，并通过迭代优化对状态转移矩阵和观测矩阵进行更模型能够有效描述多轴联动数控加工过程中各个传感器信号的动态变化以及它们之间的态特性的状态估计序列；;;定性，H(YIr,)表示在给定特征fi条件下目标变量的条件熵，信息增;;;;;;其中，d(x,,x1)表示在时间t和t+1时刻之间特征向量的欧氏距离，X1.i和分别为特征向量在第个分量上的取值。欧氏距离能够反映特征向量在时间上的变逻辑能够处理系统的不确定性和模糊性，将均方误差和欧氏距离的数值映射为模糊集合，查和处理。是一种通过密集连接来实现特征重用和梯度高效传递的卷积神经网络。在构建主干网络每个分支网络对应一种传感器信号类型，如振动、声发射和切削力信号。分支网络采用表达能力和状态监测的精度。将扩充后的训练数据集中的低维特征子集输入到主干网络，;其中，P(y=CIX)表示输入特征向量x被分类为类别c的概率，Wc为与类别c相关;;签，P(y;=clx)为第i个样本属于类别c的预测概率。均方误差损失用于衡量回归结果;i个样本的真实值，$,为第i个样本的预测值。;状态序列；将第二融合特征图输入多任务学习头，通过状态分类任务得到加工状态分类结得到预处理后的实时传感器数据。将预处理后的实时传感器数据输入到状态空间模型中，;;述了系统状态在相邻时刻之间的变化关系，为观测矩阵，用于将系统状态映射到观测空实时特征子集输入状态评估模型的主干网络，通过主干网络的计算得到第二主干特征图，;其中，P(y=CIX)表示输入特征向量x被分类为类别c的概率，Wc为与类别c相关的权重向量为状态类别的总数。参数回归任务则通过全连接层和线性激活函数对加工过;果和参数估计值构建一个数字孪生模型用于对物理加工系统进行数字化映射和实时仿真。训练模块205，用于根据异常状态检测结果和低维特征子集训练包含主干网络和评估模块206，用于将实时采集的第二多源传感器数据输入状态评估模型进行状[0038]上面图2从模块化功能实体的角度对本发明实施例中的中多轴联动数控加工的状[0039]图3是本发明实施例提供的一种多轴联动数控加工的状态监测设备的结构示意310可以设置为与存储介质330通信，在多轴联动数控加工的状态监测设备300上执行存储术人员可以理解，图3示出的多轴联动数控加工的状态监测设备结构并不构成对本发明提[0043]