基于信息熵的部件磨损检测方法、装置、终端及存储介质与流程

1.本发明涉及磨损检测领域，尤其涉及的是一种基于信息熵的部件磨损检测方法、装置、终端及存储介质。


背景技术：

2.加工部件的磨损将造成工件的精度及粗糙度变差，甚至造成工件的保费、昂贵设备的损伤、机床停机等故障，直接影响着机械加工的精度、效率及经济效益。因此在加工过程中进行加工部件的磨损检测是很有必要的。现有技术中通常采用的是人工检测方法，即采用专业人员对加工部件的外观、表面质量或者几何形状的变化进行检测，需要停机检测，且受主观因素影响容易出现误差。
3.因此，现有技术还有待改进和发展。


技术实现要素：

4.本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于信息熵的部件磨损检测方法、装置、终端及存储介质，旨在解决现有技术中采用人工检测的方法来确定加工部件的磨损量，需要停机检测，且受主观因素影响容易出现误差的问题。
5.本发明解决问题所采用的技术方案如下：第一方面，本发明实施例提供一种基于信息熵的部件磨损检测方法，其中，所述方法包括：获取目标部件对应的加速度信号和铣削力信号；对所述加速度信号和所述铣削力信号进行融合，得到融合信号；获取所述融合信号对应的时频域图像，根据所述时频域图像确定所述目标部件对应的磨损量。
6.在一种实施方式中，所述获取目标部件对应的加速度信号和铣削力信号，包括：获取声发射信号对应的信号波形，根据所述信号波形确定若干局部信号波形，其中，各所述局部信号波形之间的相似度高于相似度阈值；根据各所述局部信号波形与所述信号波形的波长比值，确定所述声发射信号对应的信息熵；当所述信息熵大于熵阈值时，获取所述加速度信号和所述铣削力信号。
7.在一种实施方式中，所述对所述加速度信号和所述铣削力信号进行融合，得到融合信号，包括：分别对所述加速度信号和所述铣削力信号进行归一化处理，得到标准加速度信号和标准铣削力信号；对所述标准加速度信号和所述标准铣削力信号进行叠加，得到所述融合信号。
8.在一种实施方式中，所述根据所述时频域图像确定所述目标部件对应的磨损量，包括：
获取所述时频域图像对应的边缘点分布图，其中，所述边缘点分布图用于反映所述时频域图像中边缘点的分布情况，所述边缘点为两侧亮度偏差值大于偏差阈值的点；获取所述时频域图像对应的目标点分布图，其中，所述目标点分布图用于反映所述时频域图像中目标点的分布情况，所述目标点为所述时频域图像中亮度大于亮度阈值的点；根据所述边缘点分布图和所述目标点分布图，确定所述时频域图像对应的明暗变化信息；根据所述明暗变化信息，确定所述磨损量。
9.在一种实施方式中，所述根据所述边缘点分布图和所述目标点分布图，确定所述时频域图像对应的明暗变化信息，包括：根据所述边缘点分布图和所述目标点分布图，确定融合图像；对所述融合图像中的点进行聚类，得到若干点簇，其中，每一所述点簇中每一点与该点对应的最近点之间的距离小于距离阈值；获取各所述点簇对应的分布信息，根据所述分布信息确定所述明暗变化信息。
10.在一种实施方式中，所述根据所述明暗变化信息，确定所述磨损量，包括：将所述明暗变化信息输入已训练的第一预测模型，得到所述磨损量。
11.在一种实施方式中，所述方法还包括：将所述明暗变化信息输入所述第一预测模型，得到第一磨损量；获取所述融合信号对应的幅值概率分布特征，将所述幅值概率分布特征输入第二预测模型，得到第二磨损量；根据所述第一磨损量和所述第二磨损量的加权平均值，确定所述磨损量。
12.第二方面，本发明实施例还提供一种基于信息熵的部件磨损检测装置，其中，所述装置包括：数据获取模块，用于获取目标部件对应的声发射信号的信息熵，当所述信息熵大于熵阈值时，获取所述目标部件对应的加速度信号和铣削力信号；信号融合模块，用于对所述加速度信号和所述铣削力信号进行融合，得到融合信号；图像分析模块，用于获取所述融合信号对应的时频域图像，根据所述时频域图像确定所述目标部件对应的磨损量。
13.第三方面，本发明实施例还提供一种终端，其中，所述终端包括有存储器和一个以上处理器；所述存储器存储有一个以上的程序；所述程序包含用于执行如上述任一所述的基于信息熵的部件磨损检测方法的指令；所述处理器用于执行所述程序。
14.第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的基于信息熵的部件磨损检测方法的步骤。
15.本发明的有益效果：本发明实施例通过获取目标部件对应的声发射信号的信息熵，当所述信息熵大于熵阈值时，获取所述目标部件对应的加速度信号和铣削力信号；对所述加速度信号和所述铣削力信号进行融合，得到融合信号；获取所述融合信号对应的时频域图像，根据所述时频域图像确定所述目标部件对应的磨损量。本发明通过采集目标部件
加工过程中的相关信号，来评估目标部件的磨损量，无需停机检测，且有效降低了主观因素的影响。解决了现有技术中采用人工检测的方法来确定加工部件的磨损量，需要停机检测，且受主观因素影响容易出现误差的问题。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明实施例提供的基于信息熵的部件磨损检测方法的流程示意图。
18.图2是本发明实施例提供的基于信息熵的部件磨损检测装置的模块示意图。
19.图3是本发明实施例提供的终端的原理框图。
具体实施方式
20.本发明公开了基于信息熵的部件磨损检测方法、装置、终端及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
21.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
22.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
23.加工部件的磨损将造成工件的精度及粗糙度变差，甚至造成工件的保费、昂贵设备的损伤、机床停机等故障，直接影响着机械加工的精度、效率及经济效益。因此在加工过程中进行加工部件的磨损检测是很有必要的。现有技术中通常采用的是人工检测方法，即采用专业人员对加工部件的外观、表面质量或者几何形状的变化进行检测，需要停机检测，且受主观因素影响容易出现误差。
24.针对现有技术的上述缺陷，本发明提供一种基于信息熵的部件磨损检测方法，所述方法通过获取目标部件对应的声发射信号的信息熵，当所述信息熵大于熵阈值时，获取所述目标部件对应的加速度信号和铣削力信号；对所述加速度信号和所述铣削力信号进行融合，得到融合信号；获取所述融合信号对应的时频域图像，根据所述时频域图像确定所述目标部件对应的磨损量。本发明通过采集目标部件加工过程中的相关信号，来评估目标部
件的磨损量，无需停机检测，且有效降低了主观因素的影响。解决了现有技术中采用人工检测的方法来确定加工部件的磨损量，需要停机检测，且受主观因素影响容易出现误差的问题。
25.如图1所示，所述方法包括：步骤s100、获取目标部件对应的加速度信号和铣削力信号。
26.具体地，本实施例中的目标部件可以为任意一个需要进行磨损量监测的加工部件，例如机床刀具。由于目标部件在不同的磨损状态下其加速度信号和铣削力信号分别对应的信号特征存在差异，因此可以实时获取并分析目标部件的加速度信号和铣削力信号，以达到对其进行磨损量监测的目的。
27.在一种实现方式中，所述步骤s100具体包括：步骤s101、获取目标部件对应的声发射信号的信息熵；步骤s102、当所述信息熵大于熵阈值时，获取所述加速度信号和所述铣削力信号。
28.具体地，声发射信号的产生是由于在金属加工中分子的晶格发生畸变、裂纹加剧以及材料在塑性变形时释放出的一种超高频应力波脉冲信号。信息熵的大小可以反映声发射信号的信号平均不确定性和复杂性，当信息熵大于预设的熵阈值时，表示当前采集到的声发射信号的声源的无序性强，则目标部件可能受损。为了进一步确定目标部件当前的状态，需要获取目标部件当前的加速度信号和铣削力信号，以准确判断目标部件的受损情况。
29.在一种实现方式中，所述信息熵的获取过程包括：获取所述声发射信号对应的信号波形；根据所述信号波形，确定若干局部信号波形，其中，各所述局部信号波形之间的相似度高于相似度阈值；根据各所述局部信号波形与所述信号波形的波长比值，确定所述信息熵。
30.简单来说，信息熵越低，表示信号的有序程度越高，则声发射信号的波形变化越规律；信息熵越高，表示信号的无序程度越高，则声发射信号的波形变化越不规律。因此本实施例可以通过声发射信号对应的信号波形中相似的局部信号波形的占比，确定声发射信号对应的信息熵。相似的局部信号波形的占比越高，表示声发射信号的有序程度越高，则信息熵越低；相似的局部信号波形的占比越低，表示声发射信号的无序程度越高，则信息熵越高。
31.如图1所示，所述方法还包括：步骤s200、对所述加速度信号和所述铣削力信号进行融合，得到融合信号。
32.具体地，由于加速度信号和铣削力信号是两种不同类型的信号，分别从不同维度反映目标部件的运动状态变化。所以将加速度信号和铣削力信号进行信号融合得到的融合信号，可以同时反映目标部件的加速度变化和铣削力变化。因此采用融合信号进行后续的信号分析，可以得到更为准确的磨损量。
33.在一种实现方式中，所述步骤s200具体包括：步骤s201、分别对所述加速度信号和所述铣削力信号进行归一化处理，得到标准加速度信号和标准铣削力信号；步骤s202、对所述标准加速度信号和所述标准铣削力信号进行叠加，得到所述融合信号。
34.具体地，由于加速度信号和铣削力信号分别对应不同的度量单位，因此需要先分别对二者进行归一化处理，统一它们的度量单位。然后再采用信号叠加的方式将二者融合为一个信号，即得到融合信号。其中，融合信号中每一时间点对应的数值，基于加速度信号和铣削力信号分别对应的该时间点的数值综合确定。
35.如图1所示，所述方法还包括：步骤s300、获取所述融合信号对应的时频域图像，根据所述时频域图像确定所述目标部件对应的磨损量。
36.具体地，时域分析只能体现信号幅值随时间的变化，缺少频段信息。频域分析仅能查看频段能量的分布，不能体现特定频段能量随时间的变化，即缺少时间信息，只适合稳态数据分析。因此本实施例采用时频域分析的方法得到融合信号对应的时频域图像，由于时频域图像中既包含时域，又包含了频域的信息，因此采用时频域图像可以准确分析目标部件当前的磨损量。
37.在一种实现方式中，时频域分析的方法可以通过对融合信号进行加窗处理，然后进行傅里叶变换，提取该时间窗内的频域信息。将窗口沿着时间轴向前滑动，并对每个时间窗内的数据进行同样的处理，从而得到随时间变化的频率的信息，即得到时频域图像。时频域图像的横轴代表的是时间，纵轴代表的是频率，每个时间频率所对应的点代表的就是能量值。在另一种实现方式中，时频域分析的方式还可以通过小波变换的方式进行。
38.在一种实现方式中，所述步骤s300具体包括：步骤s301、获取所述时频域图像对应的边缘点分布图，其中，所述边缘点分布图用于反映所述时频域图像中各区域的边缘点分布情况，所述边缘点为两侧亮度偏差值大于偏差阈值的点；步骤s302、获取所述时频域图像对应的目标点分布图，其中，所述目标点分布图用于反映所述时频域图像中各所述区域的明暗分布情况，每一所述区域的所述极值点为该区域对应的最亮点或者最暗点；步骤s303、根据所述边缘点分布图和所述目标点分布图，确定所述时频域图像对应的明暗变化信息；步骤s304、根据所述明暗变化信息，确定所述磨损量。
39.简单来说，时频域图像中的明暗变化信息是其主要的图像信息之一。由于边缘点分布图可以反映时频域图像中明暗的边界，目标点分布图可以反映时频域图像中的亮点的分布情况，因此将边缘点分布图和目标点分布图结合分析即可得到时频域图像中的明暗变化信息。由于目标部件在不同磨损状态下生成的时频域图像，其明暗变化信息存在较大差异，因此可以通过明暗变化信息确定目标部件当前的磨损量。
40.在一种实现方式中，所述步骤s303具体包括：步骤s3031、根据所述边缘点分布图和所述目标点分布图，确定融合图像；步骤s3032、对所述融合图像中的点进行聚类，得到若干点簇，其中，每一所述点簇中每一点与该点对应的最近点之间的距离小于距离阈值；步骤s3033、获取各所述点簇对应的分布信息，根据所述分布信息确定所述明暗变化信息。
41.具体地，本实施例根据距离对融合图像中的数据点进行聚类，得到多个点簇，各点
簇的分布信息即可反映时频域图像中亮点的分布区域，进而间接反映时频域图像中暗点的分布区域，因此根据各点簇的分布信息可以确定时频域图像的明暗变化信息。
42.在一种实现方式中，所述步骤s304具体包括：步骤s3041、将所述明暗变化信息输入已训练的第一预测模型，得到所述磨损量。
43.具体地，本实施例预先采用大量的训练数据对第一预测模型进行模型训练，使得第一预测模型学习到不同的明暗变化信息与不同磨损量之间的复杂映射关系。因此将当前获取的明暗变化信息输入已训练的第一预测模型，即可得到目标部件当前的磨损量。
44.在一种实现方式中，当所述目标部件为刀具时，所述磨损量用于反映刀具的前刀面或后刀面磨损区域均匀带的宽度（vb值），由于vb值的概率密度函数呈现非高斯特征，因此第一预测模型使用广义互熵代替以往的损失函数（均方差，平均绝对误差）。
45.在另一种实现方式中，所述步骤s304具体包括：步骤s3042、将所述明暗变化信息输入所述第一预测模型，得到第一磨损量；步骤s3043、获取所述融合信号对应的幅值概率分布特征，将所述幅值概率分布特征输入第二预测模型，得到第二磨损量；步骤s3044、根据所述第一磨损量和所述第二磨损量的加权平均值，确定所述磨损量。
46.具体地，由于目标部件在不同磨损状态下生成的融合信号的幅值概率分布特征不同，因此本实施例还另外采用大量的训练数据训练得到了第二预测模型，已训练的第二预测模型学了不同的幅值概率分布特征与不同的磨损量之间的复杂映射关系，因此将融合信号的幅值概率分布特征输入第二预测模型，第二预测模型也可以预测目标部件的磨损量。本实施例将第一预测模型输出的磨损量定义为第一磨损量，将第二预测模型输出的磨损量定义为第二磨损量。最后采用第一磨损量和第二磨损量综合判定目标部件当前的磨损量，从而提高了磨损量的可靠性和准确性。例如采用第一磨损量和第二磨损量的加权平均值作为最终的磨损量。
47.基于上述实施例，本发明还提供了一种基于信息熵的部件磨损检测装置，如图2所示，所述装置包括：数据获取模块01，用于获取目标部件对应的声发射信号的信息熵，当所述信息熵大于熵阈值时，获取所述目标部件对应的加速度信号和铣削力信号；信号融合模块02，用于对所述加速度信号和所述铣削力信号进行融合，得到融合信号；图像分析模块03，用于获取所述融合信号对应的时频域图像，根据所述时频域图像确定所述目标部件对应的磨损量。
48.基于上述实施例，本发明还提供了一种终端，其原理框图可以如图3所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于信息熵的部件磨损检测方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
49.本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
50.在一种实现方式中，所述终端的存储器中存储有一个以上的程序，且经配置以由一个以上处理器执行所述一个以上程序包含用于进行基于信息熵的部件磨损检测方法的指令。
51.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
52.综上所述，本发明公开了基于信息熵的部件磨损检测方法、装置、终端及存储介质，所述方法通过获取目标部件对应的声发射信号的信息熵，当所述信息熵大于熵阈值时，获取所述目标部件对应的加速度信号和铣削力信号；对所述加速度信号和所述铣削力信号进行融合，得到融合信号；获取所述融合信号对应的时频域图像，根据所述时频域图像确定所述目标部件对应的磨损量。本发明通过采集目标部件加工过程中的相关信号，来评估目标部件的磨损量，无需停机检测，且有效降低了主观因素的影响。解决了现有技术中采用人工检测的方法来确定加工部件的磨损量，需要停机检测，且受主观因素影响容易出现误差的问题。
53.应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。