本技術(shù)涉及數(shù)控車床刀具磨損監(jiān)測，尤其是涉及一種數(shù)控車床刀具磨損監(jiān)測方法及系統(tǒng)。

背景技術(shù)：

1、數(shù)控車床作為一種重要的機(jī)床設(shè)備，在現(xiàn)代制造業(yè)中扮演著至關(guān)重要的角色。隨著工業(yè)自動化水平的不斷提高，數(shù)控車床的應(yīng)用范圍越來越廣泛，不僅提高了生產(chǎn)效率，還能顯著提升了產(chǎn)品質(zhì)量和穩(wěn)定性。然而，數(shù)控車床刀具的磨損問題一直是制約其性能的重要因素之一。刀具磨損會導(dǎo)致加工精度降低、表面質(zhì)量變差，甚至可能引發(fā)安全事故，因此及時(shí)準(zhǔn)確地監(jiān)測刀具磨損狀態(tài)顯得尤為重要。

2、在現(xiàn)有的技術(shù)中，為了應(yīng)對數(shù)控車床刀具磨損問題，通常采用以下幾種方法：第一定期檢查法，即通過人工目視檢查或使用測量工具定期檢測刀具的尺寸變化來判斷磨損情況；二是振動/溫度/發(fā)射監(jiān)測法，通過傳感器監(jiān)測刀具在工作過程中的振動信號/刀具在切削過程中的溫升情況/捕捉刀具在切削過程中產(chǎn)生的微小聲波信號，分析這些信號的變化規(guī)律來評估刀具的磨損程度；三是利用智能化的數(shù)據(jù)處理手段，充分利用大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)進(jìn)行刀具損失的預(yù)測和預(yù)警。

3、盡管上述方法在一定程度上能夠有效監(jiān)測刀具的磨損狀態(tài)，但仍存在一些不足之處。如：定期檢查法依賴于操作人員的經(jīng)驗(yàn)和技術(shù)水平，容易受人為因素的影響，且無法實(shí)現(xiàn)實(shí)時(shí)監(jiān)測；單一的振動/溫度/發(fā)射監(jiān)測法雖然可以實(shí)現(xiàn)在線監(jiān)測，但在復(fù)雜工況下信號干擾較大，單一信號處理在測量精度上仍存在缺陷；智能化的數(shù)據(jù)處理手段雖能一定程度上實(shí)現(xiàn)實(shí)時(shí)、全面的監(jiān)測，但現(xiàn)有技術(shù)中預(yù)測方法大多缺乏對不同刀具類型、不同加工材料、不同加工工況等更為細(xì)致化監(jiān)測，導(dǎo)致預(yù)測精度仍有待提高，而細(xì)致化監(jiān)測往往會增加大量計(jì)算量，數(shù)控機(jī)床端內(nèi)置的輕量型模型無法滿足計(jì)算力，從而在實(shí)現(xiàn)及時(shí)、準(zhǔn)確監(jiān)測上仍存在缺陷。

4、綜上所述，需要提供一種實(shí)現(xiàn)高效、準(zhǔn)確、實(shí)時(shí)的刀具磨損監(jiān)測，特別是在復(fù)雜工況下的適應(yīng)性和可靠性的刀具磨損監(jiān)測。

技術(shù)實(shí)現(xiàn)思路

1、為了實(shí)現(xiàn)在復(fù)雜工況下高效、準(zhǔn)確、實(shí)時(shí)的刀具磨損監(jiān)測，及時(shí)更換刀具，本技術(shù)提供一種數(shù)控車床刀具磨損監(jiān)測方法及系統(tǒng)。

2、第一方面，本技術(shù)提供一種數(shù)控車床刀具磨損監(jiān)測方法，包括：

3、實(shí)時(shí)監(jiān)測數(shù)控車床刀具運(yùn)行過程數(shù)據(jù)，包括：刀具類型、加工材料、加工工況以及運(yùn)行參數(shù)；

4、根據(jù)刀具類型、加工材料、加工工況匹配對應(yīng)預(yù)設(shè)運(yùn)行參數(shù)閾值，于監(jiān)測到實(shí)時(shí)運(yùn)行參數(shù)超出預(yù)設(shè)運(yùn)行參數(shù)閾值時(shí)，將當(dāng)前時(shí)刻的數(shù)控車床刀具運(yùn)行過程數(shù)據(jù)一并傳輸至邊緣計(jì)算節(jié)點(diǎn)；

5、利用邊緣計(jì)算節(jié)點(diǎn)，根據(jù)刀具類型、加工材料、加工工況匹配對應(yīng)預(yù)設(shè)運(yùn)行參數(shù)組合并根據(jù)匹配的預(yù)設(shè)運(yùn)行參數(shù)組合完成運(yùn)行參數(shù)篩選；基于篩選的運(yùn)行參數(shù)，利用特征選擇算法進(jìn)行關(guān)鍵特征選擇與提取，獲取最優(yōu)特征集并將其與對應(yīng)刀具類型、加工材料、加工工況上傳至云端平臺；

6、于云端平臺，根據(jù)刀具類型、加工材料、加工工況匹配對應(yīng)預(yù)構(gòu)建的刀具磨損預(yù)測模型，將最優(yōu)特征集輸入匹配的刀具磨損預(yù)測模型，獲取磨損值、磨損程度與壽命預(yù)測結(jié)果；

7、根據(jù)獲取的磨損值、磨損程度與壽命預(yù)測結(jié)果，進(jìn)行預(yù)警決策并生成預(yù)警提示。

8、通過采用上述方案，實(shí)時(shí)監(jiān)測復(fù)雜工況下刀具運(yùn)行參數(shù)并對應(yīng)動態(tài)匹配預(yù)設(shè)的運(yùn)行參數(shù)閾值，有效識別異常磨損情況并將相關(guān)數(shù)據(jù)傳輸至邊緣計(jì)算節(jié)點(diǎn)；利用邊緣計(jì)算節(jié)點(diǎn)對運(yùn)行參數(shù)進(jìn)行篩選和特征選擇，獲取最優(yōu)特征集并上傳至云端平臺，保障數(shù)據(jù)質(zhì)量并減少數(shù)據(jù)傳輸量，提高響應(yīng)速度；且在云端平臺上，通過適應(yīng)性匹配刀具磨損預(yù)測模型，準(zhǔn)確預(yù)測刀具的磨損程度和壽命，提升預(yù)測精度，從而根據(jù)預(yù)測結(jié)果進(jìn)行有效預(yù)警決策，輔助及時(shí)更換刀具，提高生產(chǎn)效率和設(shè)備利用率。

9、優(yōu)選的，所述根據(jù)刀具類型、加工材料、加工工況匹配對應(yīng)預(yù)設(shè)運(yùn)行參數(shù)閾值包括：

10、采集歷史不同刀具類型、不同加工材料、不同加工工況組合條件下刀具運(yùn)行過程對應(yīng)的運(yùn)行參數(shù)與刀具磨損值，利用深度學(xué)習(xí)算法分別獲取單一刀具、單一加工材料與單一或組合加工工況條件下刀具運(yùn)行過程中運(yùn)行參數(shù)-磨損值的映射關(guān)系；

11、根據(jù)構(gòu)建的映射關(guān)系，分析獲取已知刀具類型、已知加工材料和已知加工工況條件下處于不同磨損階段的運(yùn)行參數(shù)的閾值范圍；所述處于不同磨損階段根據(jù)刀具運(yùn)行過程中運(yùn)行時(shí)長與磨損值計(jì)算生成的關(guān)聯(lián)曲線確定；不同磨損階段包括輕度磨損階段、中度磨損階段以及重度磨損階段；

12、接收用戶對于刀具磨損監(jiān)測需求，根據(jù)用戶對于刀具磨損監(jiān)測需求匹配預(yù)設(shè)處于具體磨損階段的運(yùn)行參數(shù)的閾值范圍；根據(jù)匹配的處于具體磨損階段的運(yùn)行參數(shù)的閾值范圍對應(yīng)確定預(yù)設(shè)運(yùn)行參數(shù)閾值，從而完成根據(jù)實(shí)時(shí)采集的刀具類型、加工材料和加工工況匹配對應(yīng)預(yù)設(shè)運(yùn)行參數(shù)閾值。

13、通過采用上述方案，采集歷史數(shù)據(jù)并利用深度學(xué)習(xí)算法建立運(yùn)行參數(shù)與刀具磨損值之間的映射關(guān)系，進(jìn)而根據(jù)不同磨損階段的運(yùn)行參數(shù)閾值范圍，并綜合用戶的監(jiān)測需求來確定預(yù)設(shè)運(yùn)行參數(shù)閾值，避免因固定閾值導(dǎo)致的磨損監(jiān)測的誤報(bào)或漏報(bào)問題，并提升用戶體驗(yàn)。

14、優(yōu)選的，所述根據(jù)刀具類型、加工材料、加工工況匹配對應(yīng)預(yù)設(shè)運(yùn)行參數(shù)組合包括：

15、遍歷不同的刀具類型、加工材料以及加工工況組合條件，分別統(tǒng)計(jì)對應(yīng)采集的歷史單個(gè)刀具類型、單個(gè)加工材料與單一或組合加工工況條件下刀具運(yùn)行過程對應(yīng)的運(yùn)行參數(shù)，設(shè)置基于不同運(yùn)行參數(shù)生成的預(yù)設(shè)運(yùn)行參數(shù)組合；

16、按照設(shè)置的每一組預(yù)設(shè)運(yùn)行參數(shù)組合篩選出歷史運(yùn)行參數(shù)與對應(yīng)磨損值并劃分訓(xùn)練集與測試集，根據(jù)測試集獲取利用訓(xùn)練集訓(xùn)練生成的刀具磨損預(yù)測模型預(yù)測結(jié)果的精確度，按照精確度大小順序排列生成預(yù)設(shè)運(yùn)行參數(shù)組合排序；

17、根據(jù)刀具類型、加工材料、加工工況匹配相同組合條件下生成的預(yù)設(shè)運(yùn)行參數(shù)組合排序，按照預(yù)設(shè)運(yùn)行參數(shù)組合排序?qū)⒕_度最高的刀具磨損預(yù)測模型對應(yīng)的一組預(yù)設(shè)運(yùn)行參數(shù)組合作為匹配的預(yù)設(shè)運(yùn)行參數(shù)組合，于進(jìn)行實(shí)際運(yùn)行參數(shù)選擇時(shí)，存在實(shí)時(shí)運(yùn)行參數(shù)中缺失當(dāng)前匹配的預(yù)設(shè)運(yùn)行參數(shù)組合中部分運(yùn)行參數(shù)，則按照預(yù)設(shè)運(yùn)行參數(shù)組合排序，選擇下一順位且精確度大于預(yù)設(shè)精確度的預(yù)設(shè)運(yùn)行參數(shù)組合作為重新匹配的預(yù)設(shè)運(yùn)行參數(shù)組合，若按照順位無法查詢獲取精確度大于預(yù)設(shè)精確度的預(yù)設(shè)運(yùn)行參數(shù)組合，則在全部精確度大于預(yù)設(shè)精確度的預(yù)設(shè)運(yùn)行參數(shù)組合中選擇綜合評分最高的預(yù)設(shè)運(yùn)行參數(shù)組合作為最終匹配的預(yù)設(shè)運(yùn)行參數(shù)組合，從而完成根據(jù)刀具類型、加工材料、加工工況匹配對應(yīng)預(yù)設(shè)運(yùn)行參數(shù)組合并進(jìn)行對應(yīng)運(yùn)行參數(shù)選擇；所述綜合評分根據(jù)與實(shí)時(shí)運(yùn)行參數(shù)相似度評分和根據(jù)缺失的運(yùn)行參數(shù)完成實(shí)時(shí)運(yùn)行參數(shù)映射補(bǔ)充的準(zhǔn)確度評分加權(quán)計(jì)算獲得。

18、通過采用上述方案，對歷史數(shù)據(jù)的全面分析，完成訓(xùn)練與測試，確定最佳預(yù)設(shè)運(yùn)行參數(shù)組合以最大限度地反映實(shí)際工況下的刀具性能，并考慮到實(shí)際采集的數(shù)據(jù)可能無法適配最佳預(yù)設(shè)運(yùn)行參數(shù)組合的情況，順位選擇符合精確度要求的預(yù)設(shè)運(yùn)行參數(shù)組合，并設(shè)置在無法獲得滿足要求的預(yù)設(shè)運(yùn)行參數(shù)組合情況下，選擇補(bǔ)充缺失數(shù)據(jù)的準(zhǔn)確度和與實(shí)際運(yùn)行參數(shù)相似度評分等角度綜合判斷獲取評分最高的預(yù)設(shè)運(yùn)行參數(shù)組合，適應(yīng)性篩選出當(dāng)前工況下能夠體現(xiàn)刀具磨損的最佳運(yùn)行參數(shù)，提高了后續(xù)預(yù)測的精度。

19、優(yōu)選的，所述基于篩選的運(yùn)行參數(shù)，利用特征選擇算法進(jìn)行關(guān)鍵特征選擇與提取，獲取最優(yōu)特征集包括：

20、當(dāng)根據(jù)處于輕度磨損階段或中度磨損階段的運(yùn)行參數(shù)的閾值范圍對應(yīng)確定預(yù)設(shè)運(yùn)行參數(shù)閾值時(shí)，對應(yīng)特征選擇算法采用集成特征選擇算法；所述集成特征選擇算法包括：預(yù)先采用方差閾值或互信息算法完成對于目標(biāo)特征的初步篩選，再利用隨機(jī)森林特征重要性排序技術(shù)完成特征的二次篩選；于利用集成特征選擇算法進(jìn)行關(guān)鍵特征選擇與提取后，根據(jù)與輕度磨損階段或中度磨損階段匹配的第一預(yù)設(shè)特征數(shù)量，按照篩選后的特征排序?qū)?yīng)保留相同數(shù)量的特征；

21、當(dāng)根據(jù)處于重度磨損階段的運(yùn)行參數(shù)的閾值范圍對應(yīng)確定預(yù)設(shè)運(yùn)行參數(shù)閾值時(shí)，對應(yīng)特征選擇算法采用單一特征選擇算法；所述單一特征選擇算法包括：采用方差閾值或互信息算法對于目標(biāo)特征的重要性篩選并排序；于利用特征選擇算法進(jìn)行關(guān)鍵特征選擇后，根據(jù)與重度磨損階段匹配的第二預(yù)設(shè)特征數(shù)量，按照篩選后的特征排序?qū)?yīng)保留相同數(shù)量的特征。

22、通過上述方案，根據(jù)不同磨損階段的運(yùn)行參數(shù)閾值范圍選擇合適的特征選擇算法，對于輕度磨損階段或中度磨損階段的運(yùn)行參數(shù)閾值選擇的運(yùn)行參數(shù)進(jìn)行多次篩選，僅保留最重要的一定數(shù)量的特征，提高關(guān)鍵特征的選擇精度，提升模型的準(zhǔn)確性和魯棒性；對于重度磨損階段的運(yùn)行參數(shù)閾值選擇的運(yùn)行參數(shù)進(jìn)行單次篩選以保留相當(dāng)數(shù)量的特征，保證了選取的關(guān)鍵特征的有效性，確保模型在重度磨損情況下的預(yù)測性能。。

23、優(yōu)選的，所述根據(jù)刀具類型、加工材料、加工工況匹配對應(yīng)預(yù)構(gòu)建的刀具磨損預(yù)測模型包括：

24、所述刀具磨損預(yù)測模型包括多種預(yù)測模型，每一種預(yù)測模型均包括：多分支特征輸入層、多分支特征融合層以及多分支預(yù)測結(jié)果輸出層，其中設(shè)置有將輸出為磨損值的分支與輸出為磨損程度的分支對應(yīng)的輸出作為輸出為壽命預(yù)測結(jié)果的分支的輸入，且通過一組單個(gè)刀具類型、單個(gè)加工材料與單一或組合加工工況條件下歷史最優(yōu)特征集、刀具磨損值、刀具磨損程度與刀具剩余壽命訓(xùn)練生成。

25、通過上述方案，利用多分支特征輸入層、多分支特征融合層以及多分支預(yù)測結(jié)果輸出層的設(shè)計(jì)，使得模型能夠更全面地捕捉和融合不同類型的特征，且將磨損程度的輸出作為壽命預(yù)測結(jié)果的特征輸入，更有效的傳遞特征信息，保障輸出結(jié)果的有效性。

26、優(yōu)選的，所述根據(jù)獲取的磨損值、磨損程度與壽命預(yù)測結(jié)果，進(jìn)行預(yù)警決策包括：

27、設(shè)定不同級別的預(yù)警規(guī)則，每種級別的預(yù)警規(guī)則對應(yīng)磨損值達(dá)到磨損值預(yù)設(shè)數(shù)值或刀具磨損程度達(dá)到預(yù)設(shè)程度或刀具剩余壽命處于剩余壽命預(yù)設(shè)閾值范圍內(nèi)；

28、獲取數(shù)控車床生產(chǎn)計(jì)劃的緊迫程度，針對不同緊迫程度對應(yīng)調(diào)整設(shè)定的預(yù)警規(guī)則，調(diào)整設(shè)定的預(yù)警規(guī)則包括：同級別的預(yù)警規(guī)則中，生產(chǎn)計(jì)劃緊迫程度越高，刀具磨損程度達(dá)到預(yù)設(shè)程度越高或刀具磨損值達(dá)到磨損值預(yù)設(shè)數(shù)值越高或刀具剩余壽命預(yù)設(shè)閾值越低；

29、根據(jù)預(yù)警規(guī)則，確定獲取的磨損值、磨損程度與壽命預(yù)測結(jié)果對應(yīng)的預(yù)警級別，以實(shí)現(xiàn)預(yù)警決策。

30、通過上述方案，根據(jù)數(shù)控車床生產(chǎn)計(jì)劃的緊迫程度動態(tài)調(diào)整預(yù)警閾值，進(jìn)而細(xì)化預(yù)警規(guī)則并根據(jù)細(xì)化預(yù)警規(guī)則完成預(yù)警決策。

31、優(yōu)選的，還包括：

32、在實(shí)時(shí)監(jiān)測數(shù)控車床刀具運(yùn)行過程數(shù)據(jù)時(shí)，同步采集數(shù)控車床刀具運(yùn)行過程圖像；

33、統(tǒng)計(jì)獲取的磨損值、磨損程度與壽命預(yù)測結(jié)果，并按照時(shí)間順序?qū)崟r(shí)繪制處于不同磨損階段對應(yīng)的磨損斜率-運(yùn)行時(shí)間曲線或壽命變化率-運(yùn)行時(shí)間曲線；

34、實(shí)時(shí)查詢磨損斜率-運(yùn)行時(shí)間曲線是否不符合所處磨損階段的變化趨勢或壽命變化率-運(yùn)行時(shí)間曲線是否不符合所處磨損階段的變化趨勢，若不符合，將同步獲取的數(shù)控車床刀具運(yùn)行過程圖像傳輸至于云端平臺，并通過查詢刀具運(yùn)行過程數(shù)據(jù)或分析刀具運(yùn)行圖像判斷是否存在預(yù)設(shè)事件發(fā)生，所述預(yù)設(shè)事件包括刀具保養(yǎng)事件或加工材料空載事件；若存在，則不進(jìn)行處理，若不存在，則認(rèn)定刀具磨損預(yù)測模型的預(yù)測結(jié)果待驗(yàn)證；

35、利用云端平臺的圖像識別技術(shù)對于數(shù)控車床刀具運(yùn)行過程圖像進(jìn)行分析，確定刀具磨損值、刀具磨損程度與刀具剩余壽命以驗(yàn)證刀具磨損預(yù)測模型的預(yù)測結(jié)果的準(zhǔn)確性。

36、通過上述方案，對磨損變化與壽命變化進(jìn)行時(shí)間序列分析，結(jié)合預(yù)設(shè)事件的排查，及時(shí)發(fā)現(xiàn)異常趨勢，基于刀具運(yùn)行過程圖像并利用獲取圖像識別技術(shù)確認(rèn)當(dāng)前刀具的實(shí)際磨損情況，提升預(yù)測結(jié)果的準(zhǔn)確性和可信度。

37、優(yōu)選的，還包括：

38、實(shí)時(shí)監(jiān)測并獲取同批次刀具運(yùn)行過程數(shù)據(jù)，所述同批次刀具是指采用相同刀具類型在相同加工工況條件下加工相同加工材料的刀具；

39、獲取同批次刀具中每個(gè)刀具對應(yīng)的刀具磨損預(yù)測輸出，并獲取用戶對于同批次刀具中每個(gè)刀具對應(yīng)的刀具磨損預(yù)測輸出滿意度，篩選并保留預(yù)測輸出滿意度大于預(yù)設(shè)滿意度的若干刀具的預(yù)測輸出；分別獲取保留的同批次刀具中單個(gè)刀具的刀具磨損預(yù)測輸出并對應(yīng)構(gòu)建磨損曲線，采用動態(tài)時(shí)間規(guī)整算法計(jì)算同批次刀具預(yù)測輸出的磨損曲線的相似度；

40、獲取磨損曲線的相似度大于磨損曲線預(yù)設(shè)相似度的同批次刀具對應(yīng)提取的特征構(gòu)建特征矩陣，計(jì)算協(xié)方差矩陣，并通過特征值分解篩選方差貢獻(xiàn)率大于預(yù)設(shè)貢獻(xiàn)率的主成分特征并根據(jù)貢獻(xiàn)率動態(tài)分配各特征值的權(quán)重并反饋至刀具磨損預(yù)測模型以調(diào)整下一時(shí)刻刀具磨損預(yù)測模型中特征權(quán)重比例。

41、通過上述方案，引入批次量刀具關(guān)聯(lián)反饋機(jī)制與用戶滿意度反饋機(jī)制，完成刀具磨損預(yù)測模型中各特征權(quán)重參數(shù)的動態(tài)調(diào)整，從而輔助獲取預(yù)測準(zhǔn)確度高且滿足用戶需求的預(yù)測輸出。

42、優(yōu)選的，根據(jù)刀具類型、加工材料、加工工況對應(yīng)匹配的預(yù)構(gòu)建的刀具磨損預(yù)測模型生成過程包括：

43、針對單一刀具類型、單一加工材料、單一或組合加工工況組合條件，對應(yīng)設(shè)計(jì)待訓(xùn)練的若干刀具磨損預(yù)測模型，并根據(jù)同批次刀具數(shù)量n確定待訓(xùn)練的若干刀具磨損預(yù)測模型的數(shù)量為n+1，并預(yù)先區(qū)分每個(gè)待訓(xùn)練的刀具磨損預(yù)測模型中特征權(quán)重參數(shù)；

44、以其中一個(gè)待訓(xùn)練的刀具磨損預(yù)測模型作為全局模型，剩余每個(gè)待訓(xùn)練的刀具磨損預(yù)測模型作為子模型并預(yù)先匹配同批次刀具中一個(gè)刀具；

45、將根據(jù)同批次刀具中每個(gè)刀具的歷史運(yùn)行數(shù)據(jù)提取的歷史最優(yōu)特征集，對應(yīng)輸入匹配的子模型以完成匹配的子模型訓(xùn)練；訓(xùn)練完成后，將每個(gè)子模型的特征權(quán)重與梯度上傳至全局模型，結(jié)合聯(lián)邦學(xué)習(xí)算法，聚合各個(gè)子模型特征權(quán)重獲得聚合特征權(quán)重，并將聚合特征權(quán)重下發(fā)至每個(gè)子模型，進(jìn)行迭代更新直至全局模型收斂，獲得收斂的全局模型作為訓(xùn)練完成的刀具磨損預(yù)測模型，生成單一刀具類型、單一加工材料、單一或組合加工工況組合條件下對應(yīng)的預(yù)構(gòu)建的刀具磨損預(yù)測模型。

46、通過上述方案，為了更準(zhǔn)確的獲取單一刀具類型、單一加工材料、單一或組合加工工況組合條件下刀具磨損預(yù)測結(jié)果，結(jié)合聯(lián)邦學(xué)習(xí)算法，根據(jù)同批次刀具去匹配設(shè)計(jì)多個(gè)特征權(quán)重參數(shù)不同的模型完成全局最優(yōu)刀具預(yù)測模型的獲取，提高預(yù)測準(zhǔn)確性。

47、第二方面，本技術(shù)提供一種數(shù)控車床刀具磨損監(jiān)測系統(tǒng)，包括：

48、運(yùn)行數(shù)據(jù)采集模塊，用于實(shí)時(shí)監(jiān)測數(shù)控車床刀具運(yùn)行過程數(shù)據(jù)；

49、運(yùn)行數(shù)據(jù)處理模塊，用于根據(jù)刀具類型、加工材料、加工工況匹配對應(yīng)預(yù)設(shè)運(yùn)行參數(shù)閾值，于監(jiān)測到實(shí)時(shí)運(yùn)行參數(shù)超出預(yù)設(shè)運(yùn)行參數(shù)閾值時(shí)，將當(dāng)前時(shí)刻的數(shù)控車床刀具運(yùn)行過程數(shù)據(jù)一并傳輸至邊緣計(jì)算節(jié)點(diǎn)；

50、最優(yōu)特征集獲取模塊，用于利用邊緣計(jì)算節(jié)點(diǎn)，根據(jù)刀具類型、加工材料、加工工況匹配對應(yīng)預(yù)設(shè)運(yùn)行參數(shù)組合并根據(jù)匹配的預(yù)設(shè)運(yùn)行參數(shù)組合完成運(yùn)行參數(shù)篩選；基于篩選的運(yùn)行參數(shù)，利用特征選擇算法進(jìn)行關(guān)鍵特征選擇與提取，獲取最優(yōu)特征集并將其與對應(yīng)刀具類型、加工材料、加工工況上傳至云端平臺上傳至云端平臺；

51、磨損與壽命預(yù)測模塊，用于于云端平臺，根據(jù)刀具類型、加工材料、加工工況匹配對應(yīng)預(yù)構(gòu)建的刀具磨損預(yù)測模型，將最優(yōu)特征集輸入匹配的刀具磨損預(yù)測模型，獲取磨損值、磨損程度與壽命預(yù)測結(jié)果；

52、預(yù)警決策與提示生成模塊，用于結(jié)合生產(chǎn)計(jì)劃，根據(jù)獲取的磨損值、磨損程度與壽命預(yù)測結(jié)果，進(jìn)行預(yù)警決策并生成預(yù)警提示。

53、通過采用上述方案，結(jié)合邊緣計(jì)算技術(shù)、云端平臺技術(shù)完成不同工況下運(yùn)行參數(shù)的適應(yīng)性篩選、最優(yōu)特征集的獲取，實(shí)現(xiàn)對數(shù)控車床刀具磨損狀態(tài)的實(shí)時(shí)、準(zhǔn)確預(yù)測。

54、綜上，本技術(shù)具有以下有益效果：

55、1、實(shí)時(shí)采集刀具運(yùn)行過程數(shù)據(jù)并結(jié)合預(yù)設(shè)運(yùn)行參數(shù)閾值進(jìn)行智能判斷，確保在復(fù)雜工況下也能快速響應(yīng)；利用邊緣計(jì)算節(jié)點(diǎn)和云端平臺相結(jié)合的方式，實(shí)現(xiàn)了從運(yùn)行參數(shù)到運(yùn)行參數(shù)特征的適應(yīng)性篩選，進(jìn)而獲得最優(yōu)的特征集，并適應(yīng)性的匹配刀具磨損預(yù)測模型，完成實(shí)時(shí)、高效、準(zhǔn)確的預(yù)測；

56、2、通過多層次的預(yù)警機(jī)制，結(jié)合生產(chǎn)計(jì)劃的緊迫程度動態(tài)調(diào)整預(yù)警規(guī)則，結(jié)合預(yù)測的磨損值、磨損程度與剩余壽命生成預(yù)警決策，提升了生產(chǎn)的穩(wěn)定性和安全性；

57、3、通過時(shí)間序列分析，觀察到刀具磨損的變化趨勢，于識別異常趨勢時(shí)同步采集數(shù)控車床刀具運(yùn)行過程圖像，通過對圖像的分析驗(yàn)證刀具磨損預(yù)測模型的準(zhǔn)確性，增強(qiáng)了系統(tǒng)的可信度和魯棒性。