CN111890127B - 基于在线增量磨损演化模型的切削状态边缘智能监控方法 - Google Patents

基于在线增量磨损演化模型的切削状态边缘智能监控方法 Download PDF

Info

Publication number
CN111890127B
CN111890127B CN202010784204.4A CN202010784204A CN111890127B CN 111890127 B CN111890127 B CN 111890127B CN 202010784204 A CN202010784204 A CN 202010784204A CN 111890127 B CN111890127 B CN 111890127B
Authority
CN
China
Prior art keywords
layer
module
data
edge
learning machine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010784204.4A
Other languages
English (en)
Other versions
CN111890127A (zh
Inventor
杨文安
刘学为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010784204.4A priority Critical patent/CN111890127B/zh
Publication of CN111890127A publication Critical patent/CN111890127A/zh
Application granted granted Critical
Publication of CN111890127B publication Critical patent/CN111890127B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0957—Detection of tool breakage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0966—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring a force on parts of the machine other than a motor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0971—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring mechanical vibrations of parts of the machine
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/098—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Numerical Control (AREA)

Abstract

本技术公开了一种基于在线增量磨损演化模型的切削状态边缘智能监控方法，利用刀具边缘智能监控***实时采集加工装备加工过程中的切削力信号、振动信号及声发射信号；建立无线数据传输网络，并利用域控制器控制数据传输的路径，最后将数据从感知层传输到边缘计算层；利用边缘计算层的现场可编程逻辑门阵列(Field Programmable Gate Array，FPGA)硬件***对数据进行预处理得到训练样本，并结合训练样本的特征数和样本数确定在线序贯增量极限学习机的内部拓扑结构，最后在同一工况下将传感器采集的数据传输到训练完成的边缘计算层；利用刀具边缘智能监控***中的SDN技术层将实时监控结果发送到云计算层；利用云计算层中的应用服务对刀具磨损监控结果进行应用。本技术实时性高、准确性好、数据处理能力强。

Description

基于在线增量磨损演化模型的切削状态边缘智能监控方法
技术领域
本技术涉及加工装备刀具磨损监控领域，尤其涉及基于在线增量磨损演化模型的切削状态边缘智能监控方法。
背景技术
在机械加工领域，刀具磨损量有着重要的意义，其直接影响着刀具的剩余寿命及加工工件的尺寸、表面粗糙度等，但在切削加工过程中，刀具不可避免的存在着磨损现象。到目前为止，监控刀具磨损的方式主要分为直接法和间接法，其中直接法是指接触法和光学图像法，但由于测试条件的限制，直接法需分不同时间阶段将加工装备停机，且需要的基础设施较复杂，不易操作；间接法是指通过监控切削力信号、刀具振动信号、声发射信号、噪声信号等，并对其进行预处理之后再提取刀具切削过程中的特征信息，来判断刀具的磨损状态，其监控结果的准确程度主要取决于使用者的智能学***及经验。
智能学***有着很大影响。当前技术用于刀具磨损量监控的智能学习工具均采用批量学习方法与离线训练方式，为了满足在线监控的要求，需要放弃以前的学习成果，而且需要根据新增加的数据和过去所有数据一起重新学习和训练。重新学习全部数据，会导致消耗大量的时间和空间资源。随着线上监控数据规模不断增加，对时间和空间的需求也会迅速增加，最终甚至将导致学习的速度赶不上数据更新的速度。另外，当前技术用于刀具磨损量监控的智能学习工具的应用也都假设切削过程中刀具磨损状态是事先已知的模式下来做监控。然而，在实际应用中，训练样本通常不可能一次全部得到，各种的刀具磨损模式往往都是随着时间逐步得到的，并且样本反映的信息也可能随着时间产生了变化。因此，为了使刀具磨损量监控的智能学习工具不仅具有强大学习能力，能够对足够多的刀具磨损模式进行学习，融会贯通；还具有持续的自我改进和更新能力，能够不断地对切削过程中新出现的刀具磨损模式进行再学习，逐渐提高对切削过程刀具磨损状态的认识和理解；同时还具有对切削过程刀具磨损状态做出足够快的侦测与分析行为的能力；本技术基于边缘智能的思想，采用在线增量学习策略，以单层前馈神经网络为基，建立快速在线序贯神经网络模型，将其用作智能学习工具来对切削过程刀具磨损的在线实时监控。
发明专利“一种加工装备刀具磨损监控方法”(CN102091972B)，提出了通过检测切削加工中的驱动电机的三相输出电流，并利用小波分解及多项式拟合的方法来判断刀具的磨损程度。但该方法利用小波分解来进行特征提取，提取的结果经验性成份高，其应用效果主要取决于应用人员的计算水平，且当多项式拟合的精度要求高时，需要大量的时间完成拟合，导致实时性及精确度不足。
发明专利“基于小波包分析与RBF神经网络的刀具磨损在线监控方法”(CN108356606A)，提出了通过检测切削加工过程中的切削力信号及加工后刀具的后刀面磨损量，并通过小波包分析处理信号，利用RBF神经网络监控信号。但该方法利用小波包分析提取隐含特征，提取的结果不能很好的体现切削力信号与刀具磨损量之间的隐含关系，且利用RBF神经网络进行刀具磨损监控，学习速度慢、泛化能力差，导致监控结果的实时性不足，且准确率不高。
发明专利“Tool monitor”(EP0334341A2)，将至少一个声发射传感器安装在加工装备附近并与之不接触，并利用声发射传感器采集加工装备刀具的声发射信号，将另外的声发射传感器的位置设置成当刀具断裂时检测来自所述加工装备工具的声发射信号，结合带通滤波器对信号进行预处理，通过将实时采集的加工装备刀具的声发射信号与当刀具断裂时的声发射信号进行对比，得到刀具状态。但由于带通滤波器不能完全消除干扰因素的影响，且带通滤波器不能获取声发射信号与刀具状态的隐含特征，导致滤波后的声发射信号不能完全体现刀具的实时状态，且简单的对比判定需离线判定，不能判断刀具的实时状态，导致监控结果的实时性不够。
发明专利“Cutting tool wear monitor”(EP0165745A2)，基于在切割过程中工件上产生的短路电流、开路电压和功率来监控旋转切割刀具的磨损，随着刀具的磨损，所产生的电流、电压和功率逐渐增加，直到急剧增加表示由于过度磨损或破损导致了刀具损坏。但由于电流及电压易受到外界因素的影响，导致监控结果不能准确表示刀具的实时磨损状态，且通过电流、电压的变化只能判断刀具是否已经磨损，而不能判断刀具的实时磨损量。
目前，间接法的现有技术均采用批量学习方法与离线训练方式，为了满足在线监控的要求，需要放弃以前的学习成果，而且需要根据新增加的数据和过去所有数据一起重新学习和训练，重新学习全部数据，会导致消耗大量的时间和空间资源；随着数据规模不断增加，对时间和空间的需求也会迅速增加，最终甚至将导致学习的速度赶不上数据更新的速度；在实际应用中，训练样本通常不可能一次全部得到，各种表征刀具磨损状态的传感数据往往都是随着时间逐步得到的，并且样本反映的信息也可能随着时间产生了变化；这些问题严重影响了加工过程中刀具磨损监控***的在线性需求。
此外，间接法的现有技术对加工过程中的数据处理都是在服务器或数据中心中完成的，由于加工过程中产生的数据量较大，导致传输的数据较慢，且影响数据中心的计算速度，增加了数据处理的时间，未能较好的满足加工过程中刀具磨损监控***的实时性需求。针对这个问题，本技术拟设计基于在线增量磨损演化模型的切削状态边缘智能监控方法，该***利用在线序贯增量极限学习机模型及边缘计算方法，有效解决了目前加工过程中刀具磨损监控***实时性不高、准确性不足的问题。
发明内容
为了解决上述技术问题，本技术的目的在于提供一种能够实现实时性高、准确性好、数据处理能力强的基于在线增量磨损演化模型的切削状态边缘智能监控方法。
为解决上述技术问题，本技术采用如下技术方案：
本技术一种基于边缘计算的刀具磨损智能监控方法，包括如下步骤：
S1：建立刀具边缘智能监控***；
S2：利用刀具边缘智能监控***中的感知层的三向切削力传感器实时采集加工装备加工过程中X轴、Y轴、Z轴的切削力信号，同时利用三向振动传感器及声发射传感器分别采集加工装备加工过程中的振动信号及声发射信号；
S3：利用边缘网关中的ZigBee模块、Wi-Fi模块、蓝牙模块构成无线数据传输网络，并利用域控制器控制数据传输的路径，最后将数据从感知层传输到边缘计算层；
S4：利用边缘计算层的FPGA硬件***对数据进行预处理得到训练样本，并结合训练样本的特征数和样本数确定在线序贯增量极限学习机的内部拓扑结构，最后在同一工况下将传感器采集的数据传输到训练完成的边缘计算层；
S5：利用刀具边缘智能监控***中的SDN技术层将实时监控结果发送到云计算层；
S6：利用云计算层中的应用服务对刀具磨损监控结果进行应用。
进一步的，所述S1中，刀具边缘智能监控***包括：
感知层，所述感知层包括三向切削力传感器、三向振动传感器、声发射传感器，利用三向切削力传感器实时采集加工装备加工过程中X轴、Y轴、Z轴的切削力信号，利用三向振动传感器采集加工装备加工过程中的振动信号，利用发射传感器采集加工装备加工过程的声发射信号；
数据传输层，所述数据传输层包括多个边缘网关和域控制器，其中所述边缘网关包括ZigBee模块、Wi-Fi模块、蓝牙模块，利用ZigBee模块、Wi-Fi模块、蓝牙模块构成无线数据传输网络，并利用域控制器控制数据传输的路径；
边缘计算层，所述边缘计算层包括可编程逻辑门阵列硬件***，硬件功能模块包括自编码器特征提取模块、在线序贯增量极限学习机模块，利用自编码器特征提取模块对数据进行预处理得到训练样本，并结合训练样本的特征数和样本数确定在线序贯增量极限学习机模块的内部拓扑结构，最后在同一工况下将传感器采集的数据传输到训练完成的边缘计算层；
软件定义网络技术层，包括多个SND控制器，利用SND控制器实时调整边缘计算层与云计算层之间的传输路径，将实时监控结果以最优路径发送到云计算层；
云计算层，所述云计算层面向用户和行业完成各种不同的具体应用，包括实时预警、可视化显示、决策辅助。
所述S3中，利用域控制器控制数据的传输路径，利用边缘传输及内部传输的方法对传输路径进行优化，实现对感知层与边缘计算层之间的数据传输路径的调整。
进一步的，所述S4中，利用FPGA硬件***中的自编码器特征提取模块对传感器实时采集的信息进行特征提取，利用FPGA硬件***中的在线序贯增量极限学习机模块对特征提取后的信息进行在线序贯增量学习。
进一步的，所述S5中，SND控制器使用运行在运输层安全协议之上的OpenFlow协议与兼容OpenFlow的交换机通信，并利用SND应用定义的规则将接收到的刀具磨损量数据沿着指定的数据转发路径转发到云计算层。
进一步的，所述S6中，应用服务包括可视化显示功能，利用可视化显示将实时刀具磨损量在液晶显示屏上显示为波形图形；还包括实时预警功能，利用实时预警功能将实施刀具磨损量用于提前设置固定参数的警告触发器，当磨损量不在正常范围时，警告触发；以及包括决策辅助功能，利用决策辅助功能，结合刀具磨损量对加工装备加工参数进行辅助调整，使得加工装备加工参数的调整更加合理。
再进一步的，S2中感知层的实现方法如下：感知层包括切削力、振动、声发射、噪声等传感器，利用三向振动传感器、三向切削力传感器、声发射传感器分别采集加工过程中加工装备加工过程中的振动信号、切削力及声发射信号等。
再进一步的，S2中传感器通过ZigBee向RAM1中传输数据，传输时先低位后高位，现场可编程逻辑门阵列(Field Programmable Gate Array，FPGA)利用串口程序接受数据时，先将第一次接收到的8位数据暂存于存储器中，当再次接受到数据时，将此次的数据左移8位与上次存储的数据相加，得到代表着刀具磨损原始信息的16位数据，其中首位代表符号位，2位-6位代表整数位，后10位代表小数位。
再进一步的，S3中数据传输层的实现方法如下：
ZigBee模块：ZigBee模块与域控制器形成星型网络拓扑结构，能够实现ZigBee与域控制器之间的数据转换，使域控制器能实时控制ZigBee模块的数据传输路径；
Wi-Fi模块：通过路由器建立Wi-Fi无线传输网络，并利用不同无线传输协议，形成感知层与边缘计算层之间的多种传输路径，通过域控制器控制传输协议来调整Wi-Fi传输路径；
蓝牙模块：利用多个蓝牙模块建立感知层与边缘计算层之间的传输链接，并给不同的设备分配不同的配对信息，通过域控制器调整配对设备来改变传输路径。
再进一步的，S4中边缘计算层的FPGA实现方法如下：该设施包括：
自编码器特征提取模块，包括8×128输入双口随机存取存储器(Random AccessMemory，RAM)模块、数据转换模块、特征提取模块、16×128输入双口RAM模块，其中8×128输入双口RAM模块用于存储从ZigBee接收的原始8位数据信息，数据转换模块用于将两个8位数据合并为16位数据，特征提取模块用于对一系列包含刀具磨损量信息的16位数据进行特征提取、最后将提取后的数据存入16×128输入双口RAM模块中；
在线序贯增量极限学习机模块，包含4个16×128输入双口RAM模块，激活函数运算模块、乘加模块，逆矩阵运算模块、广义逆矩阵运算模块，其中5个16×128输入双口RAM模块分别存储在线序贯增量极限学习机输入层与隐含层的连接权值、在线序贯增量极限学习机输入层与隐含层的连接阈值、归一化处理后的后刀面磨损量、在线序贯增量极限学习机隐含层与输出层的连接权值、在线序贯增量极限学习机实时监控数据的输出，激活函数运算模块采用Sigmoid函数，利用查找表的形式对隐含层数据进行函数运算，广义逆矩阵模块对激活函数运算之后的值进行广义逆矩阵运算，得到在线序贯增量极限学习机隐含层与输出层的连接权值。
再进一步的，S4中自编码器的计算方法如下：
给定一个无标签的力传感器采集的数据样本集{xm}M 1，编码网络通过编码函数fθ将每一个训练样本xm变换为编码矢量hm：
hm＝fθ(xm)＝sf(Wxm+b) (1)
式中，sf为编码网络的激活函数；θ为编码网络的参数集合，且θ＝{W,b}；然后编码矢量hm通过解码函数
Figure BDA0002621342060000051
反向变换为xm的一种重构表示
Figure BDA0002621342060000052
Figure BDA0002621342060000053
式中，sg为解码网络的激活函数；θ'为解码网络的参数集合，且θ'＝{W',d}；AE通过最小化xm与
Figure BDA0002621342060000054
的重构误差
Figure BDA0002621342060000055
完成整个网络的训练：
Figure BDA0002621342060000056
如果编码矢量hm能很好地重构xm，那么认为它提取出了训练样本数据中所含有的能表征样本数据的大部分特征信息；但只保留xm的信息，并不足以使自编码器获得一种有用的特征表示，因为加工装备所处的加工环境复杂，样本数据易于受到各种因素的干扰，再加上复杂任务带来的加工条件及工况的不断变化，导致相同加工状况下的样本的参数及性质会有所波动，因此需要给予自编码器一定的条件约束，使它学习到一种鲁棒性好的特征表示；去噪自编码器通过重构含有噪声的样本数据解决了这一问题；其核心思想是：编码网络将含有一定统计特性的噪声加入样本数据，然后对加入噪声后的样本进行编码，解码网络再根据噪声统计特性从未受到干扰的数据中估计出受干扰样本的原始形式，从而使去噪自编码器从含噪样本中学习到更具鲁棒性的特征，降低去噪自编码器对微小随机扰动的敏感性；
首先对样本xm按照qD分布加入随机噪声，使其变成含噪样本
Figure BDA0002621342060000057
即
Figure BDA0002621342060000058
式中，qD为二项随机隐藏噪声；
然后通过优化以下目标函数完成去噪自编码器的训练
Figure BDA0002621342060000059
再进一步的，S4中自编码器特征提取模块的FPGA实现方法如下：
由式(1)确定自编码器特征提取模块的内部实现结构，采用流水线的方式完成运算，分为加法、乘法、对比三个步骤，三个步骤循环实现，完成运算，当时钟上升沿来临时，数据从数据转换模块及RAMW存储模块同时输入到乘法模块，运算的结果暂存于存储器中，当下一个时钟上升沿来临时，存储器中的数据及RAMb中的数据同时输送到加法模块，并将结果存入下一个存储器，当下一个时钟上升沿来临时，存储器中的数据及RAMj中的数据同时输送到乘法模块，结果存入下一个存储器，当下一个时钟上升沿来临时，存储器中的数据及RAMd中的数据同时输送到加法模块，并将结果存储到
Figure BDA0002621342060000061
最后将
Figure BDA0002621342060000062
中的数据与数据转换模块中的数据同时输入对比模块，并对W及B进行调整，将调整后的数据分别存储到RAMw及RAMb中，等待下一次训练。
再进一步的，S4中在线序贯增量极限学习机的计算方法如下：
在线序贯增量极限学习机算法对于单隐层神经网络的输出权重的学习过程主要分为两部分，第一部分是初始阶段，即通过少量样本得到单隐层前馈神经网络的输出权重β，第二部分是在线学习部分，即利用单个样本或者样本数据块更新在初始阶段学习到的单隐层前馈神经网络的输出权重β，在初始阶段，假设有N0个任意的训练样本(Xi,ti)，其中Xi＝[xi1,xi2,…,xin]T∈Rn，ti＝[ti1,ti2,…,tim]T∈Rm；利用基本的极限学习机算法的思想，希望求得使满足||H0β-T0||最小的β0，其：
Figure BDA0002621342060000063
Figure BDA0002621342060000064
此时，根据广义逆的计算方法，可以计算出β0：
Figure BDA0002621342060000065
式中
Figure BDA0002621342060000066
当有新的样本进入模型时，假设有N1个样本进入模型，此时利用基本的极限学习机算法的思想，希望求得使满足下面的β(1)：
Figure BDA0002621342060000067
根据广义逆的计算方法，β(1)的值为：
Figure BDA0002621342060000068
式中
Figure BDA0002621342060000069
对于在线学习，我们希望把β(1)表示成β(0)，K1，H1和T1的函数，K1可以表示为：
Figure BDA0002621342060000071
而
Figure BDA0002621342060000072
由此可知，β(1)即为：
Figure BDA0002621342060000073
由此，我们可以得到在线学习的递推公式：
Figure BDA0002621342060000074
而
Figure BDA0002621342060000075
可以由Woodbury公式得到：
Figure BDA0002621342060000076
令
Figure BDA0002621342060000077
则式(15)可表示为：
Figure BDA0002621342060000078
如果在线的方式是以一条一条数据进入***，则更新公式(17)有以下的简单形式：
Figure BDA0002621342060000079
再进一步的，S4中在线序贯增量极限学习机训练过程的FPGA实现方法如下：
由式(18)可得在线序贯增量极限学习机模块训练部分的FPGA实现方法，采用流水线的方式实现，分为乘加、加法、减法、激活函数计算、矩阵转置计算、广义逆矩阵求解四个步骤；当时钟上升沿来临时，RAM(OSELM)中的数据及RAMw中的数据同时输送到乘加模块中，并暂存于16位存储器中，当下一个时钟上升沿来临时，存储器中数据及RAMb中的数据同时输送到加法模块，将计算结果直接输入激活函数求解模块，得到式(6)中的H矩阵，并将矩阵存于RAMH存储器中，当时钟上升沿来临时，存储器中的数据输入到转置计算模块，并将结果存储到RAMHT存储器中，并将RAMH存储器中的数据RAMHT存储器中的数据同时输送到乘法模块中，得到训练部分参数K，并将结果存于RAMk存储器中；当时钟上升沿来临时，将RAMk中的数据、RAMHT中的数据及RAMT中的数据同时输送到乘法模块中，并将结果存于RAMβ存储器中，当下一个时钟上升沿来临时，将RAMβ中的数据及RAMT中的数据同时输送到减法模块，并将结果存储到存储器中，当下一个时钟上升沿来临时，将RAMk中的数据输入到求逆模块后的数据、RAMHT中的数据及存储器中的数据同时输入到乘法模块，并将结果与RAMβ存储器中的数据同时输入到加法模块中，得到计算后的β(2)，循环上述步骤，最终得到训练之后的输出权值β。
再进一步的，S4中在线序贯增量极限学习机监控过程的FPGA实现方法如下：
由式(6)可得在线序贯增量极限学习机模块监控部分的FPGA实现方法，采用流水线的方式实现，分为乘加、求和、激活函数计算，乘加、求和5个步骤；当时钟上升沿来临时，RAM1中的数据输送到乘加模块中，并暂存于16位存储器中，当数据量达到输入层神经元数量时，从权值存储器RAMw中读取对应的权值，将多组数据同时进行计算，并将计算结果暂存于存储器中，当下一个时钟上升沿来临时，存储器中数据输送到求和模块，同时从阈值存储器RAMb中读取对应的阈值，进行求和计算，将计算结果直接输入激活函数求解模块，并将求解结果存于存储器，当时钟上升沿来临时，将存储器中的结果与存储在输出权值存储器RAMβ中对应的输出权值β同时输送入乘加模块，并当下一个时钟上升沿来临时，将所有结果进行求和，得到刀具在线磨损量。
再进一步的，S4中在线序贯增量极限学习机激活函数计算的FPGA实现方法如下：
采用查表法实现激活函数求解，对于激活函数为y＝1/(1+e-x)，当x取值为-5时，y取值为0.0067，当x取值为5时，y取值为0.9933，由于在计算激活函数时只需将最终结果保留两位小数，因此，可设定当x取值大于5时，y取值为1，当x取值小于-5时，y取值为0，将[-5,5]区间平均分为100等分，间隔为0.1，利用MATLAB计算出每个点对应的函数值，并将该点±0.05的函数值认定为该点的函数值，例如，将[-4.95,-4.85]的函数值认定为x＝-4.9的函数值，将[-4.85，-4.75]的函数值认定为x＝-4.8的函数值，并将所有区间及其对应的函数值利用查找表的形式储存在FPGA中，当输入的值在固定范围时，即可输出该点对应的函数值。
优选地，S4中广义逆矩阵求解的计算方法如下：
设n维矩阵An×n，对An×n进行LU分解得到：
Figure BDA0002621342060000091
由式(20)可得：
u1j＝a1j,j＝1,2,…,n，li1＝ai1/u11,i＝2,3,…,n (21)
进一步由矩阵的乘法得
Figure BDA0002621342060000092
即可求得U的第i行元素
Figure BDA0002621342060000093
由
Figure BDA0002621342060000094
若uij≠0，可得：
Figure BDA0002621342060000095
利用递推求解的方式求得L及U矩阵，如
Figure BDA0002621342060000096
Figure BDA0002621342060000097
Figure BDA0002621342060000098
Figure BDA0002621342060000099
Figure BDA00026213420600000910
最终得到L及U矩阵的所有元素；
根据A-1＝(LU)-1＝U-1L-1，则需求得U-1、L-1即可，
设U的逆矩阵为V，则
Figure BDA00026213420600000911
可得，
Figure BDA00026213420600000912
利用递推法计算出V矩阵的所有元素，计算L的逆矩阵时只需将L矩阵先转置，之后按照上述方法计算即可。
再进一步的，S4中广义逆矩阵求解模块的FPGA实现方法如下：
由式(21)可得，首先将储存在RAMa中的对应于a1j,j＝1,2,…,n的元素直接转存到RAMu相对应于u1j,j＝1,2,…,n的地址内，将储存在RAMa中的对应于ai1,i＝2,3,…,n的元素与储存于RAMu中的u11相除得到li1，并将其存入RAMl的对应的地址内，然后，利用更新之后的RAMu及RAMl中已知的元素进行乘积运算，并将运算结果与RAMa中相应的元素相减，得到相对应的uii，将结果存入RAMu对应的地址中；最后，利用存储器中不同的元素，重复上述步骤，直到得出RAMu与RAMl中相对应的全部元素；
由式(22)可得，利用FPGA求上三角矩阵的逆矩阵的步骤为：将存储在RAMu中的上三角矩阵U利用求倒模块作倒数变换，求得V矩阵中的vii元素，并将其存储在RAMv中，将存储在RAMu中对应于uik的元素与存储在RAMv中对应于vkj的元素做乘加运算，最后与vii做乘积运算即可得到V矩阵，将存储在RAMl中对应的下三角矩阵L先进行转置运算，再重复上述步骤即可。
再进一步的，S5中SDN技术层的实现方法如下：该设施包括含有OpenFlow(一种网络通信协议)软件的SND控制器及OpenFlow交换机，其中SND控制器使用运行在运输层安全协议之上的OpenFlow协议与兼容OpenFlow的交换机通信，并利用SND应用定义的规则将接收到的刀具磨损量数据沿着指定的数据转发路径转发到云计算层。
再进一步的，S6中云计算层的实现方法如下：该层主要利用云服务***将监控数据存储在云空间，并建立云服务标准访问协议，其中包括的应用程序主要包括可视化显示、实时预警及决策辅助3个应用功能，其中可视化显示是指将实时刀具磨损量在液晶显示屏上显示为波形图形等；实时预警是指将实施刀具磨损量用于提前设置固定参数的警告触发器，当磨损量不在正常范围时，警告触发；决策辅助是指利用刀具磨损量对加工装备加工参数进行辅助调整，使得加工装备加工参数的调整更加合理。
与现有技术相比，本技术的有益技术效果：
1、在加工装备附近的边缘计算层的边缘节点上对实时监控数据进行处理，而不是在云计算层上进行数据处理，其具有如下优点：(1)边缘节点更接近加工装备的位置，这一优点显著提高了数据处理速度与传输速度，极大的降低延时；(2)边缘计算处理的感知层传感器采集的数据是小数据，从数据计算、存储上都具有成本优势；(3)通过边缘计算节点的边缘分析能力，极大的降低了需要上传到云计算层的数据量，从而降低上传到云计算层的带宽压力；(4)通过边缘节点来保护刀具边缘智能监控***的网络不受攻击，提升网络安全性。
2、本技术采用的在线序贯增量极限学习机模型，具有如下优点：使刀具磨损量监控的智能学习工具不仅具有强大学习能力，能够对足够多的刀具磨损模式进行学习，融会贯通；(2)使刀具边缘智能监控***具有持续的自我改进和更新能力，能够不断地对切削过程中新出现的刀具磨损模式进行再学习，逐渐提高对切削过程刀具磨损状态的认识和理解；(3)使刀具边缘智能监控***具有对切削过程刀具磨损状态做出足够快的侦测与分析行为的能力。
基于边缘智能的思想，本技术将监控数据在加工装备的边缘侧进行处理，减少数据传输的固定延时，并减少主服务器的数据处理时间，且该***在实现过程中采用最小延时思想、流水线编程思想、并行计算思想，使其可以在保持较高的吞吐率及传输速率的前提下，有效的节省硬件及网络资源，提高资源的利用率。在边缘计算层中采用现场可编程逻辑门阵列(Field Programmable Gate Array，FPGA)实现多通道数据并行计算，可以有效提高***的效率，而自编码器可以通过对原始数据特征不断的学习得到高层次的数据特征来表征原始数据，不但可以很好的去除数据中的噪声提取出原始数据最核心的特征，还能降低数据的维度；在线序贯增量极限学习机网络结构简单、泛化性能优异，且训练速度快，预测结果准确率高。
附图说明
下面结合附图说明对本技术作进一步说明。
图1是本技术基于在线增量式磨损演化模型的刀具边缘智能监控***框图；
图2是本技术基于FPGA实现边缘计算层的内部模块连接图；
图3是本技术自编码器特征提取模块的FPGA实现原理图；
图4是本技术在线序贯增量极限学习机训练部分的FPGA实现原理图；
图5是本技术在线序贯增量极限学习机监控部分的FPGA实现原理图；
图6是本技术在线序贯增量极限学习机广义逆矩阵计算的FPGA实现原理图。
具体实施方式
为了使本技术所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图，对本技术进行进一步详细说明。
如图1所示，本技术所述方法中涉及到的基于在线增量磨损演化模型的切削状态边缘智能监控方法，包括以下步骤：
S1：构造刀具边缘智能监控***，如图1所示；
具体地，在S1中，构建刀具边缘智能监控***，分为感知层、数据传输层、边缘计算层、SDN技术层和云计算层五层逻辑实体。其中感知层由切削力、振动、声发射、噪声等传感器组成，利用三向切削力传感器实时采集加工装备加工过程中X轴、Y轴、Z轴的切削力信号，利用三向振动传感器采集加工装备加工过程中的振动信号，利用发射传感器采集加工装备加工过程的声发射信号，噪声传感器采集加工装备加工过程的噪声；数据传输层由多个边缘网关和域控制器组成，其中边缘网关包括ZigBee模块、Wi-Fi模块、蓝牙模块，利用ZigBee模块、Wi-Fi模块、蓝牙模块构成无线数据传输网络，并利用域控制器控制数据传输的路径；边缘计算层由FPGA硬件***组成，硬件功能模块包括自编码器特征提取模块、在线序贯增量极限学习机模块，利用自编码器特征提取模块对数据进行预处理得到训练样本，并结合训练样本的特征数和样本数确定在线序贯增量极限学习机模块的内部拓扑结构，最后在同一工况下将传感器采集的数据传输到训练完成的边缘计算层；SND技术层由多个SND控制器组成，利用SND控制器实时调整边缘计算层与云计算层之间的传输路径，将实时监控结果以最优路径发送到云计算层；云计算层面向用户和行业完成各种不同的具体应用，本技术中的应用包括实时预警、可视化显示、决策辅助，其中可视化显示是指将实时刀具磨损量在液晶显示屏上显示为波形图形等；实时预警是指将实施刀具磨损量用于提前设置固定参数的警告触发器，当磨损量不在正常范围时，警告触发；决策辅助是指利用刀具磨损量对加工装备加工参数进行辅助调整，使得加工装备加工参数的调整更加合理。
S2：感知层包括切削力、振动、声发射、噪声等传感器，利用感知层的三向切削力传感器实时采集加工装备加工过程中X轴、Y轴、Z轴的切削力信号，同时利用三向振动传感器及声发射传感器分别采集加工装备加工过程中的振动信号及声发射信号。
S3：利用边缘网关中的ZigBee模块、Wi-Fi模块、蓝牙模块构成无线数据传输网络，并利用域控制器控制数据传输的路径，包括以下：
S3.1：利用ZigBee模块与域控制器形成星型网络拓扑结构，能够实现ZigBee与域控制器之间的数据转换，使域控制器能实时控制ZigBee模块的数据传输路径；
S3.2：通过路由器建立Wi-Fi无线传输网络，并利用不同无线传输协议，形成感知层与边缘计算层之间的多种传输路径，通过域控制器控制传输协议来调整Wi-Fi传输路径；
S3.3：利用多个蓝牙模块建立感知层与边缘计算层之间的传输链接，并给不同的设备分配不同的配对信息，通过域控制器调整配对设备来改变传输路径。
S4：利用边缘计算层的FPGA硬件***对数据进行预处理得到训练样本，并结合训练样本的特征数和样本数确定在线序贯增量极限学习机的内部拓扑结构，最后在同一工况下将传感器采集的数据传输到训练完成的边缘计算层。
具体地，S4中的边缘计算层的FPGA实现的内部模块连接图，如图2所示，其中包括：
自编码器特征提取模块，包括8×128输入双口RAM模块、数据转换模块、特征提取模块、16×128输入双口RAM模块，其中8×128输入双口RAM模块用于存储从ZigBee接收的原始8位数据信息，数据转换模块用于将两个8位数据合并为16位数据，特征提取模块用于对一系列包含刀具磨损量信息的16位数据进行特征提取、最后将提取后的数据存入16×128输入双口RAM模块中；
在线序贯增量极限学习机模块，包含4个16×128输入双口RAM模块，激活函数运算模块、乘加模块，逆矩阵运算模块、广义逆矩阵运算模块，其中5个16×128输入双口RAM模块分别存储在线序贯增量极限学习机输入层与隐含层的连接权值、在线序贯增量极限学习机输入层与隐含层的连接阈值、归一化处理后的后刀面磨损量、在线序贯增量极限学习机隐含层与输出层的连接权值、在线序贯增量极限学习机实时监控数据的输出，激活函数运算模块采用Sigmoid函数，利用查找表的形式对隐含层数据进行函数运算，广义逆矩阵模块对激活函数运算之后的值进行广义逆矩阵运算，得到在线序贯增量极限学习机隐含层与输出层的连接权值。
本技术将对如何利用FPGA实现自编码器特征提取模块和在线序贯增量极限学***台为Quartus II13.0，使用的FPGA芯片型号为EP4SGX230。
具体地，S4中自编码器模块的实现：给定一个无标签的力传感器采集的数据样本集{xm}M 1，编码网络通过编码函数fθ将每一个训练样本xm变换为编码矢量hm：
hm＝fθ(xm)＝sf(Wxm+b) (1)
式中，sf为编码网络的激活函数；θ为编码网络的参数集合，且θ＝{W,b}；然后编码矢量hm通过解码函数
Figure BDA0002621342060000131
反向变换为xm的一种重构表示
Figure BDA0002621342060000132
Figure BDA0002621342060000133
式中，sg为解码网络的激活函数；θ'为解码网络的参数集合，且θ'＝{W',d}，AE通过最小化xm与
Figure BDA0002621342060000134
的重构误差
Figure BDA0002621342060000135
完成整个网络的训练：
Figure BDA0002621342060000136
如果编码矢量hm能很好地重构xm，那么认为它提取出了训练样本数据中所含有的能表征样本数据的大部分特征信息，但只保留xm的信息，并不足以使自编码器获得一种有用的特征表示，因为加工装备所处的加工环境复杂，样本数据易于受到各种因素的干扰，再加上复杂任务带来的加工条件及工况的不断变化，导致相同加工状况下的样本的参数及性质会有所波动，因此需要给予自编码器一定的条件约束，使它学习到一种鲁棒性好的特征表示；去噪自编码器通过重构含有噪声的样本数据解决了这一问题；其核心思想是：编码网络将含有一定统计特性的噪声加入样本数据，然后对加入噪声后的样本进行编码，解码网络再根据噪声统计特性从未受到干扰的数据中估计出受干扰样本的原始形式，从而使去噪自编码器从含噪样本中学习到更具鲁棒性的特征，降低去噪自编码器对微小随机扰动的敏感性；
首先对样本xm按照qD分布加入随机噪声，使其变成含噪样本
Figure BDA0002621342060000137
即
Figure BDA0002621342060000138
式中qD为二项随机隐藏噪声；
然后通过优化以下目标函数完成DAE的训练
Figure BDA0002621342060000139
具体地，S4中，自编码器特征提取模块的FPGA实现如下，如图3所示，由式(1)确定自编码器特征提取模块的内部实现结构，采用流水线的方式完成运算，分为加法、乘法、对比三个步骤，三个步骤循环实现，完成运算，包括以下：
S4.1：当时钟上升沿来临时，数据从数据转换模块及RAMw存储模块同时输入到乘法模块，运算的结果暂存于存储器中；
S4.2：当下一个时钟上升沿来临时，存储器中的数据及RAMb中的数据同时输送到加法模块，并将结果存入下一个存储器；
S4.3：当下一个时钟上升沿来临时，存储器中的数据及RAMj中的数据同时输送到乘法模块，结果存入下一个存储器；
S4.4：当下一个时钟上升沿来临时，存储器中的数据及RAMd中的数据同时输送到加法模块，并将结果存储到
Figure BDA0002621342060000141
S4.5：最将
Figure BDA0002621342060000142
中的数据与数据转换模块中的数据同时输入对比模块，并对w及b进行调整，将调整后的数据分别存储到RAMw及RAMb中，等待下一次训练。
具体地，S4中在线序贯极限学习机的计算方法如下：
在线序贯增量极限学习机算法对于单隐层神经网络的输出权重的学习过程主要分为两部分，第一部分是初始阶段，即通过少量样本得到单隐层前馈神经网络的输出权重β，第二部分是在线学习部分，即利用单个样本或者样本数据块更新在初始阶段学习到的单隐层前馈神经网络的输出权重β，在初始阶段，假设有N0个任意的训练样本(Xi,ti)，其中Xi＝[xi1,xi2,…,xin]T∈Rn，ti＝[ti1,ti2,…,tim]T∈Rm；利用基本的极限学习机算法的思想，希望求得使满足||H0β-T0||最小的β0，其中：
Figure BDA0002621342060000143
Figure BDA0002621342060000144
此时，根据广义逆的计算方法，可以计算出β0：
Figure BDA0002621342060000145
其中
Figure BDA0002621342060000146
当有新的样本进入模型时，假设有N1个样本进入模型，此时利用基本的极限学习机算法的思想，希望求得使满足下面的β(1)：
Figure BDA0002621342060000147
根据广义逆的计算方法，β(1)的值为：
Figure BDA0002621342060000148
其中，
Figure BDA0002621342060000149
对于在线学习，我们希望把β(1)表示成β(0)，K1，H1和T1的函数，K1可以表示为：
Figure BDA0002621342060000159
而
Figure BDA0002621342060000151
由此可知，β(1)即为：
Figure BDA0002621342060000152
由此，我们可以得到在线学习的递推公式：
Figure BDA0002621342060000153
而
Figure BDA0002621342060000154
可以由Woodbury公式得到：
Figure BDA0002621342060000155
令
Figure BDA0002621342060000156
则式(15)可表示为：
Figure BDA0002621342060000157
如果在线的方式是以一条一条数据进入***，则更新公式(17)有以下的简单形式：
Figure BDA0002621342060000158
具体地，S4中在线序贯增量极限学习机模块的FPGA实现方法如下，如图4所示，由式(18)可得在线序贯增量极限学习机模块训练部分的FPGA实现方法，采用流水线的方式实现，分为乘加、加法、减法、激活函数计算、矩阵转置计算、广义逆矩阵求解四个步骤，包括以下：
S4.6：当时钟上升沿来临时，RAM(OSELM)中的数据及RAMw中的数据同时输送到乘加模块中，并暂存于16位存储器中；
S4.7：当下一个时钟上升沿来临时，存储器中数据及RAMb中的数据同时输送到加法模块，将计算结果直接输入激活函数求解模块，得到式(6)中的H矩阵，并将矩阵存于RAMH存储器中；
S4.8：当时钟上升沿来临时，存储器中的数据输入到转置计算模块，并将结果存储到RAMHT存储器中，并将RAMH存储器中的数据RAMHT存储器中的数据同时输送到乘法模块中，得到训练部分参数K，并将结果存于RAMk存储器中；
S4.9：当时钟上升沿来临时，将RAMk中的数据、RAMHT中的数据及RAMT中的数据同时输送到乘法模块中，并将结果存于RAMβ存储器中；
S4.10：当下一个时钟上升沿来临时，将RAMβ中的数据及RAMT中的数据同时输送到减法模块，并将结果存储到存储器中；
S4.11：当下一个时钟上升沿来临时，将RAMk中的数据输入到求逆模块后的数据、RAMHT中的数据及存储器中的数据同时输入到乘法模块，并将结果与RAMβ存储器中的数据同时输入到加法模块中，得到计算后的β(2)；
S4.12：循环上述，最终得到训练之后的输出权值β。
具体地，S4中在线序贯增量极限学习机模块监控部分的FPGA实现方法如下，如图5所示，采用流水线的方式实现，分为乘加、求和、激活函数计算，乘加、求和5个步骤，包括以下：
S4.13：当时钟上升沿来临时，RAM1中的数据输送到乘加模块中，并暂存于16位存储器中，当数据量达到输入层神经元数量时，从权值存储器RAMw中读取对应的权值，将多组数据同时进行计算，并将计算结果暂存于存储器中；
S4.14：当下一个时钟上升沿来临时，存储器中数据输送到求和模块，同时从阈值存储器RAMb中读取对应的阈值，进行求和计算，将计算结果直接输入激活函数求解模块，并将求解结果存于存储器；
S4.15：当时钟上升沿来临时，将存储器中的结果与存储在输出权值存储器RAMβ中对应的输出权值β同时输送入乘加模块；
S4.16：当下一个时钟上升沿来临时，将所有结果进行求和，得到刀具在线磨损量。
具体地，S4中在线序贯增量极限学习机激活函数计算的FPGA实现方法如下：
采用查表法实现激活函数求解，对于激活函数为y＝1/(1+e-x)，当x取值为-5时，y取值为0.0067，当x取值为5时，y取值为0.9933，由于在计算激活函数时只需将最终结果保留两位小数，因此，可设定当x取值大于5时，y取值为1，当x取值小于-5时，y取值为0，将[-5,5]区间平均分为100等分，间隔为0.1，利用MATLAB计算出每个点对应的函数值，并将该点±0.05的函数值认定为该点的函数值，例如，将[-4.95,-4.85]的函数值认定为x＝-4.9的函数值，将[-4.85，-4.75]的函数值认定为x＝-4.8的函数值。并将所有区间及其对应的函数值利用查找表的形式储存在FPGA中，当输入的值在固定范围时，即可输出该点对应的函数值。
具体地，S4中逆矩阵求解的计算方法如下：设n维矩阵An×n，对An×n进行LU分解得到：
Figure BDA0002621342060000171
由式(19)可得
u1j＝a1j,j＝1,2,…,n，li1＝ai1/u11,i＝2,3,…,n (20)
进一步由矩阵的乘法得
Figure BDA0002621342060000172
即可求得U的第i行元素
Figure BDA0002621342060000173
由
Figure BDA0002621342060000174
若uij≠0，可得
Figure BDA0002621342060000175
利用递推求解的方式求得L及U矩阵，如
Figure BDA0002621342060000176
Figure BDA0002621342060000177
Figure BDA0002621342060000178
Figure BDA0002621342060000179
Figure BDA00026213420600001710
最终得到L及U矩阵的所有元素。
根据A-1＝(LU)-1＝U-1L-1，则需求得U-1，L-1即可，
设U的逆矩阵为V，则
Figure BDA0002621342060000181
可得
Figure BDA0002621342060000182
利用递推法计算出V矩阵的所有元素，计算L的逆矩阵时只需将L矩阵先转置，之后按照上述方法计算即可。
具体地，S4中逆矩阵求解的FPGA实现方法如下，如图6所示，包括以下：
S4.17：将储存在RAMa中的对应于a1j,j＝1,2,…,n的元素直接转存到RAMu相对应于u1j,j＝1,2,…,n的地址内，将储存在RAMa中的对应于ai1,i＝2,3,…,n的元素与储存于RAMu中的u11相除得到li1，并将其存入RAMl的对应的地址内；
S4.18：利用更新之后的RAMu及RAMl中已知的元素进行乘积运算，并将运算结果与RAMa中相应的元素相减，得到相对应的uii，将结果存入RAMu对应的地址中；
S4.19：利用存储器中不同的元素，重复上述，直到得出RAMu与RAMl中相对应的全部元素。
由式(21)可得，利用FPGA就上三角矩阵的逆矩阵的为：
S4.20：将存储在RAMu中的上三角矩阵U利用求倒模块作倒数变换，求得V矩阵中的vii元素，并将其存储在RAMv中；
S4.21：将存储在RAMu中对应于uik的元素与存储在RAMv中对应于vkj的元素做乘加运算，最后与vii做乘积运算即可得到V矩阵；
S4.22：将存储在RAMl中对应的下三角矩阵L先进行转置运算；
S4.23：重复上述。
S5：SDN技术层的实现方法如下，该设施包括含有OpenFlow软件的SND控制器及OpenFlow交换机，其中SND控制器使用运行在运输层安全协议之上的OpenFlow协议与兼容OpenFlow的交换机通信，并利用SND应用定义的规则将接收到的刀具磨损量数据沿着指定的数据转发路径转发到云计算层。
S6：云计算层的实现方法如下，该层主要利用云服务***将监控数据存储在云空间，并建立云服务标准访问协议，其中应用程序主要包括可视化显示、实时预警及决策辅助3个应用功能，其中可视化显示是指将实时刀具磨损量在液晶显示屏上显示为波形图形等；实时预警是指将实施刀具磨损量用于提前设置固定参数的警告触发器，当磨损量不在正常范围时，警告触发；决策辅助是指利用刀具磨损量对加工装备加工参数进行辅助调整，使得加工装备加工参数的调整更加合理。
智能学***有着很大影响。当前技术用于刀具磨损量监控的智能学习工具均采用批量学习方法与离线训练方式，为了满足在线监控的要求，需要放弃以前的学习成果，而且需要根据新增加的数据和过去所有数据一起重新学习和训练。重新学习全部数据，会导致消耗大量的时间和空间资源。随着线上监控数据规模不断增加，对时间和空间的需求也会迅速增加，最终甚至将导致学习的速度赶不上数据更新的速度。另外，当前技术用于刀具磨损量监控的智能学习工具的应用也都假设切削过程中刀具磨损状态是事先已知的模式下来做监控。然而，在实际应用中，训练样本通常不可能一次全部得到，各种的刀具磨损模式往往都是随着时间逐步得到的，并且样本反映的信息也可能随着时间产生了变化。因此，为了使刀具磨损量监控的智能学习工具不仅具有强大学习能力，能够对足够多的刀具磨损模式进行学习，融会贯通；还具有持续的自我改进和更新能力，能够不断地对切削过程中新出现的刀具磨损模式进行再学习，逐渐提高对切削过程刀具磨损状态的认识和理解；同时还具有对切削过程刀具磨损状态做出足够快的侦测与分析行为的能力；本技术基于边缘智能的思想，采用在线增量学习策略，以单层前馈神经网络为基，建立快速在线序贯神经网络模型，将其用作智能学习工具来对切削过程刀具磨损的在线实时监控，从而提高学习速度和预测结果准确率。
以上所述的实施例仅是对本技术的优选方式进行描述，并非对本技术的范围进行限定，在不脱离本技术设计精神的前提下，本领域普通技术人员对本技术的技术方案做出的各种变形和改进，均应落入本技术权利要求书确定的保护范围内。

Claims (8)

1.一种基于边缘计算的刀具磨损智能监控方法，其特征在于，包括如下：
S1：建立刀具边缘智能监控***,所述刀具边缘智能监控***包括：
感知层，所述感知层包括三向切削力传感器、三向振动传感器、声发射传感器，利用三向切削力传感器实时采集加工装备加工过程中X轴、Y轴、Z轴的切削力信号，利用三向振动传感器采集加工装备加工过程中的振动信号，利用发射传感器采集加工装备加工过程的声发射信号；
数据传输层，所述数据传输层包括多个边缘网关和域控制器，其中所述边缘网关包括ZigBee模块、Wi-Fi模块、蓝牙模块，利用ZigBee模块、Wi-Fi模块、蓝牙模块构成无线数据传输网络，并利用域控制器控制数据传输的路径；
边缘计算层，所述边缘计算层包括可编程逻辑门阵列硬件***，硬件功能模块包括自编码器特征提取模块、在线序贯增量极限学习机模块，利用自编码器特征提取模块对数据进行预处理得到训练样本，并结合训练样本的特征数和样本数确定在线序贯增量极限学习机模块的内部拓扑结构，最后在同一工况下将传感器采集的数据传输到训练完成的边缘计算层；
软件定义网络技术层，包括多个SND控制器，利用SND控制器实时调整边缘计算层与云计算层之间的传输路径，将实时监控结果以最优路径发送到云计算层；
云计算层，所述云计算层面向用户和行业完成各种不同的具体应用，包括实时预警、可视化显示、决策辅助；
S2：利用刀具边缘智能监控***中的感知层的三向切削力传感器实时采集加工装备加工过程中X轴、Y轴、Z轴的切削力信号，同时利用三向振动传感器及声发射传感器分别采集加工装备加工过程中的振动信号及声发射信号；
S3：利用边缘网关中的ZigBee模块、Wi-Fi模块、蓝牙模块构成无线数据传输网络，并利用域控制器控制数据传输的路径，最后将数据从感知层传输到边缘计算层；
S4：利用边缘计算层的FPGA硬件***对数据进行预处理得到训练样本，并结合训练样本的特征数和样本数确定在线序贯增量极限学习机的内部拓扑结构，最后在同一工况下将传感器采集的数据传输到训练完成的边缘计算层；
其中所述在线序贯增量极限学习机包含5个16×128输入双口RAM模块，激活函数运算模块、乘加模块，逆矩阵运算模块、广义逆矩阵运算模块，其中5个16×128输入双口RAM模块分别存储在线序贯增量极限学习机输入层与隐含层的连接权值、在线序贯增量极限学习机输入层与隐含层的连接阈值、归一化处理后的后刀面磨损量、在线序贯增量极限学习机隐含层与输出层的连接权值、在线序贯增量极限学习机实时监控数据的输出，激活函数运算模块采用Sigmoid函数，利用查找表的形式对隐含层数据进行函数运算，广义逆矩阵模块对激活函数运算之后的值进行广义逆矩阵运算，得到在线序贯增量极限学习机隐含层与输出层的连接权值；
S5：利用刀具边缘智能监控***中的SND控制器将实时监控结果发送到云计算层；
S6：利用云计算层中的应用服务对刀具磨损监控结果进行应用。
2.根据权利要求1所述的基于边缘计算的刀具磨损智能监控方法，其特征在于，所述S3中，利用域控制器控制数据的传输路径，利用边缘传输及内部传输的方法对传输路径进行优化，实现对感知层与边缘计算层之间的数据传输路径的调整。
3.根据权利要求1所述的基于边缘计算的刀具磨损智能监控方法，其特征在于，所述S4中，利用FPGA硬件***中的自编码器特征提取模块对传感器实时采集的信息进行特征提取。
4.根据权利要求1所述的基于边缘计算的刀具磨损智能监控方法，其特征在于，所述S4中，利用FPGA硬件***中的在线序贯增量极限学习机模块对特征提取后的信息进行在线序贯增量学习。
5.根据权利要求1所述的基于边缘计算的刀具磨损智能监控方法，其特征在于，所述S5中，SND控制器使用运行在运输层安全协议之上的OpenFlow协议与兼容OpenFlow的交换机通信，并利用SND应用定义的规则将接收到的刀具磨损量数据沿着指定的数据转发路径转发到云计算层。
6.根据权利要求1所述的基于边缘计算的刀具磨损智能监控方法，其特征在于，所述S6中，应用服务包括可视化显示功能，利用可视化显示将实时刀具磨损量在液晶显示屏上显示为波形图形。
7.根据权利要求1所述的基于边缘计算的刀具磨损智能监控方法，其特征在于，所述S6中，应用服务包括实时预警功能，利用实时预警功能将实施刀具磨损量用于提前设置固定参数的警告触发器，当磨损量不在正常范围时，警告触发。
8.根据权利要求1所述的基于边缘计算的刀具磨损智能监控方法，其特征在于，所述S6中，应用服务包括决策辅助功能，利用决策辅助功能，结合刀具磨损量对加工装备加工参数进行辅助调整，使得加工装备加工参数的调整更加合理。
CN202010784204.4A 2020-08-06 2020-08-06 基于在线增量磨损演化模型的切削状态边缘智能监控方法 Active CN111890127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010784204.4A CN111890127B (zh) 2020-08-06 2020-08-06 基于在线增量磨损演化模型的切削状态边缘智能监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010784204.4A CN111890127B (zh) 2020-08-06 2020-08-06 基于在线增量磨损演化模型的切削状态边缘智能监控方法

Publications (2)

Publication Number Publication Date
CN111890127A CN111890127A (zh) 2020-11-06
CN111890127B true CN111890127B (zh) 2022-09-20

Family

ID=73246015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010784204.4A Active CN111890127B (zh) 2020-08-06 2020-08-06 基于在线增量磨损演化模型的切削状态边缘智能监控方法

Country Status (1)

Country Link
CN (1) CN111890127B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112705766B (zh) * 2020-12-18 2022-02-11 成都航空职业技术学院 一种刀具非均匀磨损状态监测方法
CN112884717A (zh) * 2021-01-29 2021-06-01 东莞市牛犇智能科技有限公司 实时工件表面检测与刀具寿命预测的***及方法
CN112887412B (zh) * 2021-02-01 2023-01-17 国网安徽省电力有限公司淮南供电公司 基于sdn与边缘计算技术的分布式网络控制***及控制方法
CN113469257B (zh) * 2021-07-07 2023-02-07 云南大学 一种配电变压器故障检测方法和***
CN113703394A (zh) * 2021-08-26 2021-11-26 浙江九州云信息科技有限公司 一种基于边缘计算的刀具监测管理方法及***
CN114905334B (zh) * 2022-05-17 2023-10-20 北京理工大学 一种智能实时清洁切削监控***和方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014116861A1 (de) * 2014-11-18 2016-05-19 Mimatic Gmbh Vorrichtung zum Erfassen von Indikatoren für eine vorbeugende Instandhaltung
CN107584334A (zh) * 2017-08-25 2018-01-16 南京航空航天大学 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法
CN109158953A (zh) * 2018-09-04 2019-01-08 温州大学激光与光电智能制造研究院 一种刀具磨损状态在线监测方法及***
CN208374883U (zh) * 2018-04-11 2019-01-15 温州大学 一种刀具状态多传感监测***
CN109822399A (zh) * 2019-04-08 2019-05-31 浙江大学 基于并行深度神经网络的数控机床刀具磨损状态预测方法
CN209157874U (zh) * 2018-09-27 2019-07-26 富华科精密工业（深圳）有限公司 刀具受损状态监控***
CN110394688A (zh) * 2019-09-02 2019-11-01 太原科技大学 基于边缘计算的机床状态监测方法
CN110554657A (zh) * 2019-10-16 2019-12-10 河北工业大学 一种数控机床运行状态健康诊断***及诊断方法
CN110561192A (zh) * 2019-09-11 2019-12-13 大连理工大学 一种基于堆叠自编码器的深孔镗刀状态监测方法
CN111085898A (zh) * 2019-12-30 2020-05-01 南京航空航天大学 一种工况自适应的高速铣削加工过程刀具监测方法及***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014116861A1 (de) * 2014-11-18 2016-05-19 Mimatic Gmbh Vorrichtung zum Erfassen von Indikatoren für eine vorbeugende Instandhaltung
CN107584334A (zh) * 2017-08-25 2018-01-16 南京航空航天大学 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法
CN208374883U (zh) * 2018-04-11 2019-01-15 温州大学 一种刀具状态多传感监测***
CN109158953A (zh) * 2018-09-04 2019-01-08 温州大学激光与光电智能制造研究院 一种刀具磨损状态在线监测方法及***
CN209157874U (zh) * 2018-09-27 2019-07-26 富华科精密工业（深圳）有限公司 刀具受损状态监控***
CN109822399A (zh) * 2019-04-08 2019-05-31 浙江大学 基于并行深度神经网络的数控机床刀具磨损状态预测方法
CN110394688A (zh) * 2019-09-02 2019-11-01 太原科技大学 基于边缘计算的机床状态监测方法
CN110561192A (zh) * 2019-09-11 2019-12-13 大连理工大学 一种基于堆叠自编码器的深孔镗刀状态监测方法
CN110554657A (zh) * 2019-10-16 2019-12-10 河北工业大学 一种数控机床运行状态健康诊断***及诊断方法
CN111085898A (zh) * 2019-12-30 2020-05-01 南京航空航天大学 一种工况自适应的高速铣削加工过程刀具监测方法及***

Also Published As

Publication number Publication date
CN111890127A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN111890127B (zh) 基于在线增量磨损演化模型的切削状态边缘智能监控方法
US11036191B2 (en) Machine learning device, industrial machine cell, manufacturing system, and machine learning method for learning task sharing among plurality of industrial machines
CN108197773A (zh) 电力负荷预测方法、电力负荷预测装置及终端设备
CN108584592A (zh) 一种基于时间序列预测模型的电梯轿厢振动异常预警方法
CN112053560B (zh) 基于神经网络的短时交通流量预测方法、***和存储介质
CN111832825B (zh) 融合长短期记忆网络和极限学习机的风电预测方法及***
CN115586757A (zh) 机械设备的智能控制***及其方法
CN102024178A (zh) 时序预测神经网络装置
CN116010900A (zh) 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法
CN114385614A (zh) 基于Informer模型的水质预警方法
CN114021811B (zh) 基于注意力改进的交通预测方法及计算机介质
CN113343587A (zh) 用于电力工控网络的流量异常检测方法
CN113218598B (zh) 一种气密性检测***
CN111898799B (zh) 一种基于BFA-Elman的电力负荷预测方法
WO2020185207A1 (en) Computerized system and method for generative circuit design with machine-learned networks
Yan et al. Tool wear prediction based on edge data processing and deep learning model
CN116403054A (zh) 基于类脑网络模型的图像优化分类方法
Santiago Context discerning multifunction networks: Reformulating fixed weight neural networks
WO2018224649A1 (en) Method and distributed control system for carrying out an automated industrial process
Geng et al. A LSTM based campus network traffic prediction system
CN114995248A (zh) 智能养护与环境参数大数据物联网***
CN114818813A (zh) 一种基于自注意力卷积神经网络的刀具磨损值预测算法
CN113779724A (zh) 一种充填包装机故障智能预测方法及其***
Yuanyuan et al. Artificial intelligence and learning techniques in intelligent fault diagnosis
Sapozhnikova et al. Nonlinear filtering algorithms of acoustic signals in oil producing wells

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant