基于声振温多模态感知的纵剪刀具在线磨刀决策方法与流程

本发明涉及纵剪设备刀具状态监测与维护，具体为基于声振温多模态感知的纵剪刀具在线磨刀决策方法。

背景技术：

1、在纵剪设备带材剪切生产过程中，纵剪刀具的刃口状态直接影响带材切口质量、生产效率和设备运行稳定性。随着纵剪设备向高速化、连续化方向发展，刀具在长时间剪切作业中会逐渐产生磨损、崩刃或钝化，若不能及时进行磨刀维护，将导致带材切口毛刺增大、尺寸精度下降，甚至引发断带、停机等故障。

2、目前，现有纵剪刀具磨刀决策多依赖操作人员经验或单一信号监测。例如，仅通过振动信号幅值变化判断刀具状态，或仅通过温度升高程度推测磨损程度。然而，单一信号所反映的信息有限，易受工况波动、环境噪声和材料差异干扰，难以准确区分刀具正常磨损与异常磨损，容易造成误判。同时，现有人工决策方式缺乏统一标准，磨刀进给量、磨刀持续时长和磨刀往复次数等参数往往凭经验设定，易出现过磨或欠磨现象：过磨会缩短刀具使用寿命，增加成本；欠磨则无法恢复刃口锋利度，影响后续剪切质量。此外，现有技术难以在剪切运行过程中实现在线决策，通常需要停机检查或离线检测，影响连续生产效率。

3、因此，如何设计一种能够融合声发射、振动和温度多模态信息、在纵剪设备运行过程中在线判断刀具状态并自动输出磨刀决策的方法，成为本领域亟需解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于声振温多模态感知的纵剪刀具在线磨刀决策方法，具有多模态融合感知、在线实时决策、磨刀参数精准、减少人工干预、提高刀具使用寿命等优点，解决了现有技术中的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于声振温多模态感知的纵剪刀具在线磨刀决策方法，方法在配置有声发射传感器、振动传感器、温度传感器、磨刀执行机构和数据处理单元的纵剪设备上执行，其特征在于，数据处理单元执行以下步骤：

4、s1、在纵剪设备带材剪切运行过程中，通过声发射传感器采集纵剪刀具的原始声发射信号，通过振动传感器采集纵剪刀具的原始振动信号，通过温度传感器采集纵剪刀具的原始温度信号；

5、s2、对原始声发射信号、原始振动信号、原始温度信号分别执行数字滤波、异常片段剔除、时间轴对齐处理，得到时间维度对齐的声发射预处理序列、振动预处理序列、温度预处理序列；

6、s3、分别从声发射预处理序列、振动预处理序列中提取时频域特征，从温度预处理序列中提取时序统计特征，得到多模态原始特征集合；

7、s4、对多模态原始特征集合执行特征归一化处理，得到归一化多模态特征向量；

8、s5、将归一化多模态特征向量输入预构建并完成离线训练的决策模型，输出离散化磨刀决策编码；

9、s6、读取磨刀决策编码对应的预设参数组，输出电信号至磨刀执行机构，预设参数组包括磨刀进给量、磨刀持续时长和磨刀往复次数。

10、优选的，在步骤s1的采集过程中，所采用的声发射传感器为压电式声发射传感器，谐振频率为100khz～400khz，通过耦合剂固定安装于纵剪刀具的刀轴端面或轴承座上；所采用的振动传感器为压电加速度传感器，固定安装于纵剪刀具的轴承座径向方向；所采用的温度传感器为红外温度传感器，其探测方向对准纵剪刀具的刃口剪切区域；声发射传感器、振动传感器和温度传感器通过同一数据采集卡以同一触发信号同步启动采集。

11、值得注意的是，通过采用同一数据采集卡以同一触发信号同步启动采集，保证了声发射信号、振动信号和温度信号在时间基准上的一致性，避免了因异步采集导致的多模态数据时间偏差，为后续时间轴对齐和特征融合提供了可靠的数据基础。

12、优选的，步骤s2中，数字滤波处理包括：对原始声发射信号施加100khz～1mhz的带通滤波，对原始振动信号施加1hz～20khz的带通滤波，对原始温度信号施加一阶低通滤波。

13、值得注意的是，针对声发射信号、振动信号和温度信号分别设置不同的滤波频段，能够有效滤除各模态信号中的工频干扰、环境噪声和高频杂波，保留与刀具磨损状态相关的有效频率成分，提高后续特征提取的信噪比。

14、优选的，步骤s2中，异常片段剔除处理包括：分别设定声发射信号幅值阈值、振动信号幅值阈值和温度信号幅值阈值，将超出对应幅值阈值的信号片段从原始声发射信号、原始振动信号、原始温度信号中剔除。

15、值得注意的是，通过设置幅值阈值剔除异常片段，可避免因带材接头、异物冲击或传感器瞬时干扰产生的大幅值异常信号进入后续处理流程，防止这些非刀具磨损因素导致的误判，提高决策模型的输入数据质量。

16、优选的，步骤s2中，时间轴对齐处理包括：以声发射预处理序列、振动预处理序列和温度预处理序列中最低采样频率对应的采样时间步长为统一采样时间步长，将声发射预处理序列、振动预处理序列和温度预处理序列分别重采样至统一采样时间步长。

17、值得注意的是，以最低采样频率对应的采样时间步长作为统一采样时间步长，能够在不丢失关键信息的前提下，将不同采样率的多模态信号统一到同一时间维度，便于后续特征拼接和决策模型处理，保证多模态特征在时间上的一一对应关系。

18、优选的，步骤s3中，对声发射预处理序列和振动预处理序列分别执行连续小波变换，提取小波系数的能量均值和小波系数的能量方差作为时频域特征；对温度预处理序列采用滑动窗口计算窗口内温度均值和温度变化斜率作为时序统计特征。

19、值得注意的是，连续小波变换能够同时在时域和频域上表征声发射信号和振动信号的局部特征，提取能量均值和能量方差可有效反映刀具磨损过程中的能量分布变化；温度均值和温度变化斜率则能反映刀具刃口剪切区域的热状态变化趋势，三者共同构成对刀具磨损状态的多维度描述。

20、优选的，步骤s4中，特征归一化处理采用最大-最小归一化，将多模态原始特征集合中的各特征映射至[0,1]数值区间，并将映射后的各特征按预设顺序拼接为一维归一化多模态特征向量。

21、值得注意的是，最大-最小归一化能够消除不同特征量纲和数值范围差异对决策模型的影响，使各模态特征在相同尺度下参与训练和决策；按预设顺序拼接为一维向量，便于直接输入多层全连接神经网络，简化数据处理流程。

22、优选的，步骤s5中，决策模型为多层全连接神经网络，包括输入层、至少两个隐藏层和输出层，各隐藏层的神经元数量逐层递减，相邻层之间通过全连接权重矩阵连接，每层之后配置激活函数；决策模型的离线训练为该方法执行前的预构建过程，离线训练包括：获取带标签的历史样本数据集，历史样本数据集的标签为与磨刀动作对应的离散化磨刀决策编码；将历史样本数据集划分为训练子集和验证子集；采用交叉熵损失函数对多层全连接神经网络执行迭代训练；当验证子集的识别准确率达到预设准确率阈值，或连续预设轮次迭代中验证子集的识别准确率不再上升时，停止迭代；保存训练后的网络权重参数，得到决策模型。

23、值得注意的是，采用多层全连接神经网络并以逐层递减的隐藏层结构，能够在保证分类能力的同时控制模型复杂度；交叉熵损失函数适合离散化磨刀决策编码的分类任务；通过验证子集准确率阈值和早停条件，可避免过拟合，提高决策模型在线运行时的泛化能力和稳定性。

24、优选的，离散化磨刀决策编码包括第一编码、第二编码和第三编码；第一编码对应磨刀进给量为零、磨刀持续时长为零、磨刀往复次数为零的预设参数组；第二编码对应磨刀进给量为第一预设值、磨刀持续时长为第二预设值、磨刀往复次数为第三预设值的预设参数组；第三编码对应磨刀进给量为第四预设值、磨刀持续时长为第五预设值、磨刀往复次数为第六预设值的预设参数组；第四预设值大于第一预设值，第五预设值大于第二预设值，第六预设值大于第三预设值。

25、值得注意的是，将磨刀决策离散化为第一编码、第二编码和第三编码，分别对应不磨刀、轻度磨刀和重度磨刀三种决策状态，使决策模型输出结果直接对应磨刀执行机构的预设参数组，无需人工二次换算，提高了在线决策的响应速度和执行一致性。

26、优选的，还包括步骤s7：磨刀执行机构执行完对应预设参数组的物理磨刀动作之后，通过声发射传感器、振动传感器和温度传感器采集新一轮的原始声发射信号、原始振动信号和原始温度信号，重复执行步骤s2至s6，直至新输出的磨刀决策编码为第一编码，则结束循环。

27、值得注意的是，通过步骤s7在磨刀执行机构完成磨刀动作后再次采集多模态信号并重复决策流程，形成闭环控制，直至决策模型输出第一编码即不磨刀状态，从而确认刀具已恢复至正常状态，避免过磨或欠磨，提高磨刀维护的精准性和自动化程度。

28、与现有技术相比，本发明的有益效果如下：

29、1、本发明通过声发射传感器、振动传感器和温度传感器同步采集纵剪刀具的多模态信号，并经过数字滤波、异常片段剔除和时间轴对齐处理，解决了单一信号监测信息有限、易受工况干扰的问题，显著提高了刀具磨损状态判断的准确性和可靠性；

30、2、本发明通过提取声发射和振动信号的时频域特征以及温度信号的时序统计特征，并进行归一化处理和特征拼接，构建了能够全面反映刀具磨损状态的多模态特征向量，为决策模型提供了丰富且规范的输入数据；

31、3、本发明通过预构建并完成离线训练的多层全连接神经网络输出离散化磨刀决策编码，并读取编码对应的磨刀进给量、磨刀持续时长和磨刀往复次数等预设参数组，实现了纵剪刀具磨刀决策的在线化、自动化，减少了人工经验依赖，提高了磨刀参数的一致性和执行效率；

32、4、本发明通过步骤s7在磨刀动作后再次采集多模态信号并循环决策，直至输出第一编码，形成闭环控制，有效避免了过磨和欠磨现象，延长了纵剪刀具的使用寿命，降低了生产维护成本。