技术领域
[0001] 本发明涉及动态表面测量技术领域，尤其涉及应用于切削件的切削面动态检测方法及系统。
相关背景技术
[0002] 动态表面测量技术主要关注在生产和加工过程中实时监控和评估对象表面的技术。这种技术广泛应用于精密制造、自动化生产线、以及机械加工等领域，其中表面质量直接影响到最终产品的性能和质量。动态表面测量技术包括使用各种传感器和测量设备，如
激光扫描仪、光学传感器、触觉探头等，以实时捕捉表面的几何形状和粗糙度等关键参数。
此技术的发展使得能够在加工过程中及时发现问题，并进行调整，从而提高生产效率和降
低废品率。
[0003] 其中，应用于切削件的切削面动态检测方法涉及一种特定的动态表面测量应用，即在切削过程中实时监控切削面的状态和质量。这种方法的主要用途是确保切削加工的精
度和效率，避免加工错误，同时减少需要后续修正的工件数量。通过动态检测切削面，可以即时调整切削参数(如切削速度、进给率、切削深度等)，以优化加工过程，确保工件达到设计规格。这种技术特别适用于高精度要求的领域，如航空、汽车制造和高端机械设备生产，其中一点小的加工误差都可能导致重大的性能问题。
[0004] 虽然现有动态表面测量技术能够捕捉表面特性，但在处理复杂数据和实时反馈方面仍有局限。传统方法在高速生产环境中往往因数据处理延迟而无法提供即时的反馈，这
在精密制造中可能导致错误的累积和产品质量问题。特别是在处理不规则或复杂表面时，
这些技术可能无法准确反映实际切削状态，增加了生产过程中的不确定性。这种延迟和不
准确性限制了其在需要即时反馈和高精度控制的现代制造业中的应用，导致了对人工检验
的依赖和潜在的安全风险，尤其在航空和精密设备制造等关键领域。此外，现有技术缺乏足够的适应性以应对快速变化的生产需求，这在高效率和高质量要求的现代制造环境中显得
尤为突出。
具体实施方式
[0091] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0092] 在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限
制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0093] 实施例一
[0094] 请参阅图1，本发明提供一种技术方案：应用于切削件的切削面动态检测方法，包括以下步骤：
[0095] S1：收集实时的切削面数据，输入到部署的变分自编码器模型中，得到编码数据，使用编码数据对表面粗糙度进行学习，调整和确定模型参数，建立训练模型；
[0096] S2：利用训练模型对当前切削面数据进行重构，计算并记录重构数据与原始输入数据之间的差异，获取重构误差，基于统计分析，判断重构误差是否与工具磨损关联，确定异常检测结果；
[0097] S3：分析异常检测结果，识别并记录被标记为异常的数据点，收集标记异常数据，结合切削参数和工具磨损数据对标记异常数据进行根因分析，验证问题源分析结果；
[0098] S4：基于问题源分析结果，更新变分自编码器模型的参数，实施在线学习匹配生产环境的变化，更新训练模型，并继续进行切削面的监测，获取动态监测结果。
[0099] 训练模型包括潜在特征提取、解码器精度、编码器效率，异常检测结果具体为误差级别、异常频次、敏感度指标，问题源分析结果包括问题类型、影响程度、紧急响应级别，动态监测结果具体指更新频率、系统稳定性、误差反馈。
[0100] 请参阅图2，建立训练模型的步骤具体为：
[0101] S111：收集实时的切削面数据，输入到已部署的变分自编码器模型中，采用公式：
[0102] z＝σ(W·x+b+∈·norm(x))
[0103] 计算得到编码数据；
[0104] 其中，x代表输入的切削面数据，W代表模型权重，b代表模型偏置，∈代表噪声抵抗系数，norm(x)代表输入数据的范数，z代表编码数据；
[0105] S112：使用编码数据，进行表面粗糙度的学习，采用公式：
[0106]
[0107] 计算表面粗糙度预测值，得到粗糙度学习结果；
[0108] 其中，β1、β0代表回归系数，max(z)代表编码数据的最大值，y代表粗糙度学习结果；
[0109] S113：根据粗糙度学习结果，优化模型参数，采用公式：
[0110]
[0111] 得到更新后的模型参数；
[0112] 其中，φ代表原模型参数，λ代表学习率，L代表损失函数， 代表损失函数对参数φ的梯度，α代表正则化系数，φnew代表更新后的模型参数；
[0113] S114：使用更新后的模型参数，重建训练模型，采用公式：
[0114]
[0115] 建立训练模型；
[0116] 其中，X代表训练数据集，M代表训练模型。
[0117] 步骤1的公式详解与推导
[0118] 公式：
[0119] z＝σ(W·x+b+∈·norm(x))
[0120] 参数说明：
[0121] W：模型权重，假设为[0.5,‑0.2]
[0122] x：输入的切削面数据，假设为[10,20]
[0123] b：模型偏置，假设为0.1
[0124] ∈：噪声抵抗系数，假设为0.01
[0125] norm(x)：输入数据的范数，这里使用欧几里得范数计算σ：激活函数，这里使用sigmoid函数
[0126] 计算过程：
[0127] 计算norm(x)：
[0128]
[0129] 计算W·x：
[0130] W·x＝0.5×10+(‑0.2)×20＝5‑4＝1加入噪声和偏置进行激活：
[0131] z＝σ(1+0.1+0.01×22.36)＝σ(1.1+0.2236)＝σ(1.3236)使用sigmoid函数：
[0132]
[0133] 算例结果：
[0134] z＝0.79表示经过变分自编码器编码后的数据特征值。
[0135] 步骤2的公式详解与推导
[0136] 公式：
[0137]
[0138] 参数说明：
[0139] β1：回归系数，假设为2
[0140] β0：回归偏置，假设为0.5
[0141] z：从步骤1得到的编码数据，为0.79
[0142] max(z)：编码数据的最大值，假设当前批次的最大编码值为1计算过程：
[0143] 计算
[0144]
[0145] 应用回归公式：
[0146] y＝2×0.79+0.5＝1.58+0.5＝2.08算例结果：
[0147] y＝2.08表示预测的表面粗糙度值。
[0148] 步骤3的公式详解与推导
[0149] 公式：
[0150]
[0151] 参数说明：
[0152] φ：原模型参数，假设为1.5
[0153] λ：学习率，假设为0.01
[0154] 损失函数的梯度，假设为0.05
[0155] α：正则化系数，假设为0.1
[0156] |φ|：参数的绝对值，为1.5
[0157] 计算过程：
[0158] 计算梯度调整项：
[0159]
[0160] 更新参数：
[0161] φnew＝1.5‑0.01×0.2＝1.5‑0.002＝1.498
[0162] 算例结果：
[0163] φnew＝1.498表示更新后的模型参数。
[0164] 步骤4的公式详解与推导
[0165] 公式：
[0166]
[0167] 参数说明：
[0168] φnew：步骤3中更新的模型参数，为1.498
[0169] X：训练数据集，假设包含多个样本数据
[0170] 计算过程：
[0171] 由于 是模型函数的计算过程，具体依赖于模型结构，这里简化说明为模型在新参数下重新训练或应用。
[0172] 算例结果：
[0173] M表示重建的训练模型。
[0174] 请参阅图3，重构误差的获取步骤具体为：
[0175] S211：对当前切削面数据，使用训练模型进行重构，采用公式：
[0176] Rd＝M(W,Xcur+ΔX)
[0177] 计算并生成重构数据；
[0178] 其中，Xcur代表当前切削面数据，W代表模型参数，ΔX代表微扰项，Rd代表重构数据；
[0179] S212：计算重构数据与当前切削面数据之间的差异，采用公式：
[0180]
[0181] 计算得到重构误差；
[0182] 其中，n代表数据点总数，∈代表重构误差。
[0183] 步骤1的公式详解和推导
[0184] 公式：
[0185] Rd＝M(W,Xcur+ΔX)
[0186] Xcur：当前切削面数据，设为切削力测量结果，假设当前的数据是150N(牛顿)。
[0187] ΔX：微扰项，用以模拟预估的数据波动或噪声，假设为5N。
[0188] W：模型参数，这里假设是一个简单的系数，为1.2，意味着模型对输入数据有1.2倍的放大作用。|
[0189] M：训练模型函数，此处假定简单地将参数和输入数据相乘。
[0190] 计算流程：
[0191] 输入数据处理：将当前切削面数据与微扰项相加，Xcur+ΔX＝150+5＝155N。
[0192] 模型应用：使用模型参数W放大处理后的数据，Rd＝1.2×155＝186N。
[0193] 结果解释：
[0194] 生成的重构数据Rd是186N，表示模型预测切削力的输出，包含了原始数据和微扰项的综合影响。
[0195] 步骤2的公式详解和推导
[0196] 公式：
[0197]
[0198] Rd：从步骤1得到的重构数据，为186N。
[0199] Xcur：当前切削面数据，为150N。
[0200] n：数据点总数，这里假设只有一个数据点。
[0201] 计算流程：
[0202] 差异计算：计算重构数据和原始数据之间的差异，Rd‑Xcur＝186‑150＝36N。
[0203] 误差计算：将差异平方后除以数据点数，然后取平方根得到误差，
[0204] 结果解释：
[0205] 计算得到的重构误差∈为36N，表示模型与实际数据之间的偏差程度。
[0206] 请参阅图4，确定异常检测结果的步骤具体为：
[0207] S221：对重构误差进行统计分析，采用公式：
[0208]
[0209] 计算并生成重构误差的标准差；
[0210] 其中，∈i代表第i个重构误差值，μ∈代表重构误差的均值，N代表样本数量，σ∈代表重构误差的标准差，κ、γ为调整系数；
[0211] S222：将重构误差的标准差预设的工具磨损阈值θ进行比较，采用公式：
[0212]
[0213] 计算得到差值，用于初步判断工具磨损情况，生成初步判断结果；
[0214] 其中，D代表与阈值的比较结果，α为平滑参数，规避除零错误；
[0215] S223：根据初步判断结果，使用逻辑函数确定是否存在异常，采用公式：
[0216] R＝max(0,sign(D))
[0217] 若D大于零则R返回1表示存在异常，否则返回0表示正常，生成异常检测结果；
[0218] 其中，R代表异常检测结果，sign函数用于返回D的符号，max函数保证输出非负。
[0219] 假设的情景
[0220] 假设正在监测一个工具的磨损状态，通过测量其在特定操作条件下的重构误差来评估。将采用以下参数和数据点来进行演示：
[0221] N(样本总数)：10
[0222] ∈i(重构误差的观测值)：[0.1,0.2,0.1,0.3,0.2,0.1,0.2,0.3,0.1,0.2]
[0223] μ∈(重构误差的平均值)：通过计算∈i的平均得到
[0224] θ(预设的工具磨损阈值)：0.15
[0225] α(平滑参数)：0.01用以规避除零错误
[0226] 公式详解与推导
[0227] 步骤1：计算重构误差的标准差σ∈
[0228] 计算平均值μ∈
[0229]
[0230] 应用公式计算标准差
[0231]
[0232] 步骤2：比较重构误差的标准差与阈值
[0233]
[0234] 结果解释
[0235] D的计算结果为‑0.467，这意味着重构误差的标准差小于预设的阈值(考虑到平滑参数)，因此判断为没有异常磨损。
[0236] 步骤3：判断异常
[0237] R＝max(0,sign(D))＝max(0,‑1)＝0
[0238] R的值为0，表示检测结果为正常，没有检测到异常。
[0239] 请参阅图5，验证问题源分析结果的步骤具体为：
[0240] S311：分析异常检测结果，标记异常的数据点，采用公式：
[0241] A＝{xi∈X∣R(xi)>δ+∈·σR}
[0242] 生成标记异常的数据点集合A；
[0243] 其中，X是数据集，xi是数据点，R(xi)是异常评分，δ、∈、σR分别为阈值，调整系数和异常分数的标准偏差；
[0244] S312：收集标记的异常数据点集合和关联切削参数pi，采用公式：
[0245] B＝{(xi,pi)∣xi∈A∧pi>τ×mean(P)
[0246] 生成数据和参数集合B；
[0247] 其中，τ是切削参数的敏感阈值，mean(P)是切削参数的平均值；
[0248] S313：利用数据和参数集合进行根因分析，结合工具磨损数据W，采用公式：
[0249] C＝analyze(B,W,λ·var(W))
[0250] 分析预估的问题源，验证问题源分析结果C；
[0251] 其中，λ是分析的敏感度参数，var(W)是工具磨损数据的方差。
[0252] 步骤1：异常数据点标记
[0253] 公式：
[0254] A＝{xi∈X∣R(xi)>δ+∈·σR}
[0255] 参数解释与推导
[0256] X是所有数据点的集合。
[0257] xi是单个数据点。
[0258] R(xi)是数据点xi的异常评分。
[0259] δ是基础阈值，假设为0.5。
[0260] ∈是调整系数，设定为0.1。
[0261] σR是异常评分的标准偏差，假设评分集中在0.5，标准偏差为0.05。
[0262] 算例
[0263] 假设有一个数据点xi，其异常评分R(xi)＝0.56。计算δ+∈·σR：
[0264] 0.5+0.1×0.05＝0.505
[0265] 因为R(xi)＝0.56>0.505，这个数据点xi被标记为异常。
[0266] 步骤2：异常参数集合
[0267] 公式：
[0268] B＝{(xi,pi)∣xi∈A∧pi>τ×mean(P)}
[0269] 参数解释与推导
[0270] pi是与xi关联的切削参数。
[0271] τ是敏感阈值，设定为1.2。
[0272] mean(P)是所有切削参数的平均值，假设平均值为100。
[0273] 算例
[0274] 假设对于上面标记的异常数据点xi，其切削参数pi＝125。计算τ×mean(P)
[0275] 1.2×100＝120
[0276] 因为pi＝125>120，所以这对(xi,pi)被包含在集合B中。
[0277] 步骤3：问题源分析
[0278] 公式：
[0279] C＝analyze(B,W,λ·var(W))
[0280] 参数解释与推导
[0281] W是工具磨损数据，设定为一个数组[0.1,0.2,0.15,0.18]。
[0282] λ是敏感度参数，设定为1.5。
[0283] var(W)是W的方差，计算如下：
[0284] 算例
[0285] 计算W的方差：
[0286]
[0287] λ·var(W)＝1.5×0.0015375＝0.00230625
[0288] 使用这些参数，可以进行进一步分析B与W的关系，并确定问题源。
[0289] 请参阅图6，动态监测结果的获取步骤具体为：
[0290] S411：基于问题源分析结果，更新变分自编码器模型的参数，采用公式：
[0291]
[0292] 生成更新后的模型参数；
[0293] 其中，θold代表当前模型参数，L代表损失函数， 代表损失函数的梯度，α代表学习率，β代表正则化系数，κ代表周期性调整强度，ω代表调整频率，t代表时间变量，θnew代表更新后的模型参数；
[0294] S412：使用更新后的模型参数，实施在线学习匹配生产环境的变化，采用公式：
[0295] θadapt＝θnew+γ·Δθenv·e‑λ·t
[0296] 生成匹配后的模型参数θadapt；
[0297] 其中，Δθenv是根据环境变化得出的参数调整量，γ是调整因子，λ是衰减因子，t是时间变量；
[0298] S413：基于匹配后的模型参数，继续对切削面进行监测，采用公式：
[0299] Mresult＝monitor(S,θadapt,ξ)
[0300] 生成动态监测结果；
[0301] 其中，S代表切削面状态数据，ξ代表监测灵敏度参数，Mresult代表动态监测结果。
[0302] 步骤1公式详解和推导
[0303] 公式：
[0304]
[0305] 参数解释：
[0306] θold：当前模型参数，假设为0.5。
[0307] α：学习率，假设为0.01。
[0308] 损失函数L关于参数θ的梯度，假设损失函数为L(θ)＝(θ‑1)2，则
[0309] β：正则化系数，用于避免过拟合，假设为0.001。
[0310] re gul ari za tio n(θ) ：正 则化 项，假设 简单使 用θ 2，因 此
[0311] κ：周期性调整强度，假设为0.05。
[0312] ω：调整频率，假设为π(弧度/秒)。
[0313] t：时间变量，假设当前时间为1秒。
[0314] 计算过程：
[0315] 计算梯度：
[0316] 计算正则化项：regularization(θold)＝0.52＝0.25
[0317] 计算周期性调整：κ·sin(ω·t)＝0.05·sin(π·1)＝0.05·0
[0318] 更新模型参数：θnew＝0.5+0.01·(‑1)‑0.001·0.25+0＝0.5‑0.01‑0.00025＝0.48975
[0319] 算例结果解释：
[0320] 更新后的模型参数θnew为0.48975，这表示模型参数经过一次更新后略微减少，考虑到梯度的负方向和正则化影响。
[0321] 步骤2公式详解和推导
[0322] 公式：
[0323] θadapt＝θnew+γ·Δθenv·e‑λ·t
[0324] 参数解释：
[0325] θnew：从步骤1获得，为0.48975。
[0326] γ：调整因子，假设为0.02。
[0327] Δθenv：环境变化导致的参数调整量，假设为0.1。
[0328] λ：衰减因子，假设为0.5。
[0329] t：时间变量，仍为1秒。
[0330] 计算过程：
[0331] 参数解释：
[0332] θnew：从步骤1获得，为0.48975。
[0333] γ：调整因子，假设为0.02。
[0334] Δθenv：环境变化导致的参数调整量，假设为0.1。
[0335] λ：衰减因子，假设为0.5。
[0336] t：时间变量，仍为1秒。
[0337] 计算过程：
[0338] 计算环境影响：
[0339] γ·Δθenv·e‑λ·t＝0.02·0.1·e‑0.5·1＝0.002·0.60653≈0.001213
[0340] 更新适应参数：θadapt＝0.48975+0.001213＝0.490963
[0341] 算例结果解释：
[0342] 适应后的模型参数θadapt为0.490963，这表示参数在考虑环境变化后略微增加。
[0343] 步骤3公式详解和推导
[0344] 公式：
[0345] Mresult＝monitor(S,θadapt,ξ)
[0346] 参数解释：
[0347] S：切削面状态数据，假设为一系列测量值，这里假设S＝0.8。
[0348] θadapt：从上述计算获得，为0.490963。
[0349] ξ：监测灵敏度参数，假设为0.1。
[0350] 计算过程和结果解释：
[0351] 监测函数可以假设为Mresult＝S·θadapt·ξ，则Mresult＝0.8·0.490963.0.1＝0.039277。
[0352] 这个结果Mresult＝0.039277代表根据当前的模型参数和切削面状态，经过调整的监测结果，用于评估切削效率或预测切削面质量。
[0353] 应用于切削件的切削面动态检测系统，应用于切削件的切削面动态检测系统用于执行上述应用于切削件的切削面动态检测方法，系统包括：
[0354] 数据采集模块收集实时的切削面数据，进行标准化处理，并将标准化数据用于后续模块输入，建立数据接口；
[0355] 编码训练模块基于数据接口，应用变分自编码器对切削面特性进行学习，调整模型参数，获取训练模型，利用训练模型进行模型的初始化，建立模型参数；
[0356] 数据重构模块基于训练模型，对新收集的切削面数据进行重构，分析重构数据与原数据的差异，识别差异的数据点，得到重构误差，将重构误差用于异常检测，建立异常指标；
[0357] 异常检测模块基于异常指标，进行统计分析，判断重构误差是否表明存在工具磨损，标记异常数据点，建立异常检测结果；
[0358] 问题分析模块基于异常检测结果，结合切削参数和工具磨损数据进行的根因分析，识别问题源，将问题源用于模型更新和系统调整，建立问题源分析结果；
[0359] 在线学习模块基于问题源分析结果，更新变分自编码器的训练参数匹配生产环境的变化，获取更新后的训练模型，使用更新后的训练模型继续进行动态监测，获取动态监测结果。
[0360] 以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上
实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
