一种基于数字孪生的刀具多工况状态监测方法及系统

专利主权项内容

1.一种基于数字孪生的刀具多工况状态监测方法，其特征在于，包括：获取多种工况下待监测刀具的属性信息以及机床切削加工时所述待监测刀具的传感信息；将所述传感信息输入至孪生数据模型，输出所述待监测刀具每次走刀的磨损量；对多种工况下所述待监测刀具的属性信息进行有限元仿真，生成与所述待监测刀具的切削工况匹配的孪生机理模型并存储至孪生机理数据库；将所述孪生数据模型输出的磨损量与所述孪生机理模型进行融合，获得所述待监测刀具的磨损状态信息；所述监测方法还包括：基于深度可分离卷积神经网络和微调迁移学习策略构建所述孪生数据模型：获取历史工况数据信号和目标工况数据信号，并将所述目标工况数据信号与所述历史工况数据信号共同输入至所述深度可分离卷积神经网络，获得深度可分离卷积神经网络总损失；若所述深度可分离卷积神经网络总损失符合预设收敛值，则获得初始孪生数据模型；基于所述目标工况数据信号对所述初始孪生数据模型进行修正，获得所述孪生数据模型；其中，所述获取历史工况数据信号和目标工况数据信号，并将所述目标工况数据信号与所述历史工况数据信号共同输入至所述深度可分离卷积神经网络，获得深度可分离卷积神经网络总损失，包括：将所述历史工况数据信号和所述目标工况数据信号输入至所述深度可分离卷积神经网络中的特征提取层，获得特征信号；将所述特征信号输入至所述深度可分离卷积神经网络的域适配层，输出历史工况数据信号与所述目标工况数据信号的域适配损失；将所述域适配层输出的所述特征信号输入至所述深度可分离卷积神经网络的回归器，获得所述历史工况数据信号的回归损失；结合所述域适配损失和所述回归损失，获得所述深度可分离卷积神经网络总损失；其中，所述基于所述目标工况数据信号对所述初始孪生数据模型进行修正，获得所述孪生数据模型，包括：删除所述初始孪生数据模型中的域适配层；将所述目标工况数据信号输入至删除了所述域适配层的孪生数据模型中，获得最优修正参数，并基于所述最优修正参数对所述初始孪生数据模型进行修正，获得所述孪生数据模型。 微信公众号马克数据网