基于CNC的模具切割加工控制系统及其方法与流程

基于cnc的模具切割加工控制系统及其方法
技术领域
1.本技术涉及智能控制领域，且更为具体地，涉及一种基于cnc的模具切割加工控制系统及其方法。


背景技术：

2.模具切割加工是制造业中非常重要的一个环节，其质量和效率直接影响到整个生产线的稳定性和经济效益。近年来，随着工业自动化水平的不断提高，基于cnc的模具切割加工控制系统得到了越来越广泛的应用。而模具加工需要高精度的切割操作，传统的模具切割加工常常依赖于人工的经验控制操作，不仅使得效率较低，且切割的精准度也难以保证。
3.因此，期望一种优化的基于cnc的模具切割加工控制系统，以提高模具切割加工的效率和准确性，优化制造工艺和产品品质。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于cnc的模具切割加工控制系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出模具切割加工过程中切割机床的位置、温度和压力的时序协同隐含关联特征，以此来对于故障进行准确预警，进而提高模具切割加工的效率和准确性，优化制造工艺和产品品质。
5.根据本技术的一个方面，提供了一种基于cnc的模具切割加工控制系统，其包括：数据采集模块，用于获取预定时间段内多个预定时间点的被监测切割机床的位置数据、温度数据和压力数据；位置时序变化特征提取模块，用于将所述被监测切割机床的位置数据按照时间排列为位置时序输入向量后通过多尺度邻域特征提取模块以得到位置时序间关联特征向量；温度-压力时序关联模块，用于将所述多个预定时间点的被监测切割机床的温度数据和压力数据分别按照时间维度排列为温度时序输入向量和压力时序输入向量后，对所述温度时序输入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵；特征关联编码模块，用于将所述温度-压力全时序关联矩阵进行特征矩阵划分为特征子矩阵的序列后通过包含嵌入层的上下文编码器以得到温度-压力全局上下文关联特征向量；特征融合模块，用于融合所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量以得到分类特征向量；以及故障预警模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生故障报警提示。
6.根据本技术的另一方面，提供了一种基于cnc的模具切割加工控制方法，其包括：获取预定时间段内多个预定时间点的被监测切割机床的位置数据、温度数据和压力数据；将所述被监测切割机床的位置数据按照时间排列为位置时序输入向量后通过多尺度邻域特征提取模块以得到位置时序间关联特征向量；将所述多个预定时间点的被监测切割机床的温度数据和压力数据分别按照时间维度排列为温度时序输入向量和压力时序输入向量
后，对所述温度时序输入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵；将所述温度-压力全时序关联矩阵进行特征矩阵划分为特征子矩阵的序列后通过包含嵌入层的上下文编码器以得到温度-压力全局上下文关联特征向量；融合所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生故障报警提示。
7.与现有技术相比，本技术提供的一种基于cnc的模具切割加工控制系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出模具切割加工过程中切割机床的位置、温度和压力的时序协同隐含关联特征，以此来对于故障进行准确预警，进而提高模具切割加工的效率和准确性，优化制造工艺和产品品质。
8.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
9.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
10.图1为根据本技术实施例的基于cnc的模具切割加工控制系统的框图。
11.图2为根据本技术实施例的基于cnc的模具切割加工控制系统的系统架构图。
12.图3为根据本技术实施例的基于cnc的模具切割加工控制系统中位置时序变化特征提取模块的框图。
13.图4为根据本技术实施例的基于cnc的模具切割加工控制系统中故障预警模块的框图。
14.图5为根据本技术实施例的基于cnc的模具切割加工控制方法的流程图。
15.图6为根据本技术实施例的基于cnc的模具切割加工控制系统的场景示意图。
具体实施方式
16.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
17.图1为根据本技术实施例的基于cnc的模具切割加工控制系统的框图。图2为根据本技术实施例的基于cnc的模具切割加工控制系统的系统架构图。如图1和图2所示，根据本技术实施例的基于cnc的模具切割加工控制系统的300，包括：数据采集模块310，用于获取预定时间段内多个预定时间点的被监测切割机床的位置数据、温度数据和压力数据；位置时序变化特征提取模块320，用于将所述被监测切割机床的位置数据按照时间排列为位置时序输入向量后通过多尺度邻域特征提取模块以得到位置时序间关联特征向量；温度-压力时序关联模块330，用于将所述多个预定时间点的被监测切割机床的温度数据和压力数据分别按照时间维度排列为温度时序输入向量和压力时序输入向量后，对所述温度时序输
入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵；特征关联编码模块340，用于将所述温度-压力全时序关联矩阵进行特征矩阵划分为特征子矩阵的序列后通过包含嵌入层的上下文编码器以得到温度-压力全局上下文关联特征向量；特征融合模块350，用于融合所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量以得到分类特征向量；以及，故障预警模块360，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生故障报警提示。
18.具体地，在所述基于cnc的模具切割加工控制系统300的运行过程中，所述数据采集模块310，用于获取预定时间段内多个预定时间点的被监测切割机床的位置数据、温度数据和压力数据。考虑到在实际进行模具切割加工过程中，为了保证模具的切割加工质量，需要对于切割加工过程中的各项参数进行实时监控。在模具切割加工中，机床的位置、温度和压力等参数都会影响切割精度和效率，并且这些参数之间存在着协同作用。在一个具体示例中，所述被监测切割机床的位置数据、温度数据和压力数据在时序上的变化信息可以反映所述被监测切割机床在该时间段内的运行状态和性能变化。具体来说，通过监测刀具在空间中的位置变化，可以了解刀具的移动轨迹、加工路径、速度、精度等信息，从而推断出切割机床的运行情况。例如，如果存在异常的刀具运动轨迹或者过大的偏差角度，则可能表明刀具损坏或者机床误差太大。并且，正常运行的切割机床应该保持在合适的温度范围内，以免造成刀具变形、材料膨胀等问题。同时，切割机床的压力数据可以反映刀具和工件之间的接触状态和加工质量等。压力过大或过小都可能会影响工件表面的光洁度和精度，而适当的切割压力有助于提高加工效率、减少能耗。因此，通过采集这些数据并进行处理和分析，可以实现对切割机床运行状态的实时监测和分类识别，进而实现故障预警和及时修正。更具体地，首先，通过位置传感器来获取预定时间段内多个预定时间点的被监测切割机床的位置数据，通过温度传感器来获取预定时间段内多个预定时间点的被监测切割机床的温度数据，以及，通过压力传感器来获取预定时间段内多个预定时间点的被监测切割机床的压力数据。
19.其中，所述位置传感器是一种用于测量物体位置或位置变化的传感器。它们通常使用电磁、光学或机械原理来测量物体的位置。所述位置传感器的工作原理可以归纳为利用不同的物理原理来测量物体位置或位置变化。不同的传感器适用于不同的应用场景，需要根据具体的需求来选择合适的传感器。
20.所述温度传感器是一种用于测量温度的传感器。常见的温度传感器包括热电偶、热敏电阻、半导体温度传感器等。所述温度传感器的工作原理可以归纳为利用不同的物理原理来测量物体的温度。不同的传感器适用于不同的应用场景，需要根据具体的需求来选择合适的传感器。
21.所述压力传感器是一种测量压力的装置，它的工作原理基于被测介质对传感器内部感应元件的作用力。一般来说，压力传感器的感应元件是通过电阻、电容、电感等方式实现的，当感应元件受到压力作用时，其内部的电阻、电容或电感等物理量会发生变化，这个变化可以被转化为电信号输出，从而实现对压力的测量。总之，压力传感器的工作原理就是将被测介质对感应元件的作用力转化为电信号输出，从而实现对压力的测量。
22.具体地，在所述基于cnc的模具切割加工控制系统300的运行过程中，所述位置时序变化特征提取模块320，用于将所述被监测切割机床的位置数据按照时间排列为位置时
序输入向量后通过多尺度邻域特征提取模块以得到位置时序间关联特征向量。考虑到由于所述被监测切割机床的位置数据在时间维度上有着动态性的变化规律，并且其在时间维度上具有着波动性和不确定性，导致所述位置数据在不同的时间周期跨度下呈现出不同的时序动态特征信息。因此，在本技术的技术方案中，为了能够进行所述被监测切割机床的位置数据的时序变化特征的充分表达，需要将所述被监测切割机床的位置数据按照时间排列为位置时序输入向量后通过多尺度邻域特征提取模块中进行处理，以提取出所述被监测切割机床的位置数据在不同时间跨度下的动态多尺度邻域关联特征，从而得到位置时序间关联特征向量。多尺度邻域特征提取模块是一种用于图像处理和计算机视觉领域的算法，主要用于提取图像中不同尺度的邻域特征。该算法通常包括以下几个步骤：首先，将原始图像按照不同的尺度进行缩放，得到一系列不同尺度的图像；接着，对于每个尺度的图像，使用卷积神经网络（cnn）等算法提取图像中的特征；对于每个特征图，使用不同的卷积核大小和步长提取不同尺度的邻域特征；然后，将不同尺度的邻域特征进行融合，得到更全面、更准确的特征表示；进而，将特征表示输入到分类器或回归器中，进行分类或回归等任务。所述多尺度邻域特征提取模块的优点是可以充分利用图像中不同尺度的信息，提高图像处理和计算机视觉任务的准确性和鲁棒性。常见的应用包括图像分类、目标检测、人脸识别等领域。在本技术的一个具体示例中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
23.更具体地，如图3所示，所述位置时序变化特征提取模块320，包括：第一邻域尺度特征提取单元321，用于将所述位置时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度位置时序间关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元322，用于将所述位置时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度位置时序间关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元323，用于将所述第一邻域尺度位置时序间关联特征向量和所述第二邻域尺度位置时序间关联特征向量进行级联以得到所述位置时序间关联特征向量。其中，所述第一邻域尺度特征提取单元321，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述位置时序输入向量进行一维卷积编码以得到第一邻域尺度位置时序间关联特征向量；其中，所述公式为：，其中，为第一卷积核在方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一一维卷积核的尺寸，
ꢀꢀ
表示所述位置时序输入向量，表示对所述位置时序输入向量进行一维卷积编码；所述第二邻域尺度特征提取单元322，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述位置时序输入向量进行一维卷积编码以得到所述第二邻域尺度位置时序间关联特征向量；其中，所述公式为：，其中，为第二卷积核在 方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量
矩阵，为第二一维卷积核的尺寸， 表示所述位置时序输入向量，表示对所述位置时序输入向量进行一维卷积编码。
24.具体地，在所述基于cnc的模具切割加工控制系统300的运行过程中，所述温度-压力时序关联模块330，用于将所述多个预定时间点的被监测切割机床的温度数据和压力数据分别按照时间维度排列为温度时序输入向量和压力时序输入向量后，对所述温度时序输入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵。也就是，对于所述被监测切割机床的温度数据和压力数据来说，考虑到由于温度和压力之间在时序上有着相当程度的关联关系，也就是说，所述被监测切割机床的温度数据和压力数据之间的时序变化特征相互影响。因此，需要进行这两者数据的关联特征提取。具体地，首先，将所述多个预定时间点的被监测切割机床的温度数据和压力数据分别按照时间维度排列为温度时序输入向量和压力时序输入向量后，对所述温度时序输入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵。在一个具体示例中，对所述温度时序输入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵，包括：以如下公式对所述温度时序输入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵；其中，所述公式为：，其中表示所述温度时序输入向量，表示所述温度时序输入向量的转置向量，表示所述压力时序输入向量，表示所述温度-压力全时序关联矩阵，表示向量相乘。
25.所述关联编码（associative encoding）是一种无监督学习方法，其原理是将输入数据映射到低维空间中的码字（code）上，使得相似的输入数据在码字空间中距离较近，而不相似的输入数据在码字空间中距离较远。关联编码的主要思想是通过自适应的学习过程，使得码字能够有效地表示输入数据的结构信息，从而实现数据的压缩和降维。所述关联编码的实现过程可以分为两个阶段：学习阶段和编码阶段。在学习阶段，通过最小化重构误差的方式，学习出一个线性变换矩阵，将输入数据映射到码字空间中。在编码阶段，通过将输入数据乘以学习得到的线性变换矩阵，得到对应的码字表示。可以使用欧氏距离或余弦相似度等度量方式来度量码字之间的距离。所述关联编码可以应用于多个领域，例如图像处理、自然语言处理、推荐系统等。在图像处理中，关联编码可以用于图像的压缩和降维；在自然语言处理中，关联编码可以用于词向量的学习和文本分类；在推荐系统中，关联编码可以用于用户和物品的表示和推荐。
26.具体地，在所述基于cnc的模具切割加工控制系统300的运行过程中，所述特征关联编码模块340，用于将所述温度-压力全时序关联矩阵进行特征矩阵划分为特征子矩阵的序列后通过包含嵌入层的上下文编码器以得到温度-压力全局上下文关联特征向量。在本技术的技术方案中，使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述温度-压力全时序关联矩阵的特征挖掘，但是由于卷积运算的固有局限性，纯cnn的方法很难学习明确的全局和远程语义信息交互。因此，为了能够提高所述温度数据和所述压力数据的时序协同隐含小尺度关联特征的表达能力，在本技术的技术方案中，将所述温度-压力全时序关联矩阵进行特征矩阵划分为特征子矩阵的序列后通过包含嵌入层的上下文编码器中进行编码，以提取出所述温度数据和所述压力数据之间在时间维度上基于
全局的上下文时序协同关联特征信息，从而得到温度-压力全局上下文关联特征向量。
27.相应地，在一种可能的实现方式中，将所述温度-压力全时序关联矩阵进行特征矩阵划分为特征子矩阵的序列后通过包含嵌入层的上下文编码器以得到温度-压力全局上下文关联特征向量，包括：使用所述包含嵌入层的上下文编码器的嵌入层分别将所述特征子矩阵的序列中各个特征子矩阵映射为嵌入向量以得到嵌入向量的序列；使用所述包含嵌入层的上下文编码器的转换器对所述嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述温度-压力全局上下文关联特征向量。
28.其中，所述上下文语义编码器（contextual semantic encoder）是一种用于自然语言处理的技术，它可以将输入的文本转化为一个向量表示，以便进行后续的处理。其原理是基于深度学习中的循环神经网络（rnn）或者是变种的长短时记忆网络（lstm）等模型，通过对输入文本进行逐个词语的编码，从而得到一个向量表示。在这个过程中，模型会考虑到上下文信息，即前面和后面的词语对当前词语的影响，从而更好地捕捉文本的语义信息。具体来说，所述上下文语义编码器会将输入文本中的每个词语转化为一个向量表示，然后通过循环神经网络或者长短时记忆网络等模型进行处理，最终得到一个整体的向量表示。这个向量表示可以用于文本分类、情感分析、机器翻译等任务中。总的来说，所述上下文语义编码器是一种能够将自然语言转化为向量表示的技术，它可以帮助计算机更好地理解和处理自然语言。嵌入层是上下文语义编码器的一部分，用于将输入的文本转化为向量表示。下面是嵌入层的原理。
29.所述嵌入层的主要作用是将输入的离散化文本转化为连续的向量表示，以便于后续的处理和分析。具体来说，嵌入层将每个单词映射到一个向量表示，这个向量表示可以看作是该单词在语义空间中的位置。总的来说，所述嵌入层的目的是将单词的one-hot向量表示转化为连续的向量表示，以便于后续的处理和分析。通过嵌入层，我们可以将输入的文本表示成一个矩阵，其中每一行代表一个单词的嵌入向量表示。这个矩阵可以作为上下文语义编码器的输入，用于后续的处理和分析。
30.具体地，在所述基于cnc的模具切割加工控制系统300的运行过程中，所述特征融合模块350，用于融合所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量以得到分类特征向量。也就是，融合所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量，以此来融合所述温度和压力的基于时序全局的上下文协同关联特征信息与所述位置数据的时序多尺度动态变化特征信息，以此来得到融合了温度-压力的时序协同关联特征和位置多尺度动态特征的分类特征向量。特别地，在本技术的技术方案中，所述温度-压力全局上下文关联特征向量表达温度-压力全时序关联值在各个进程-远程关联局部下的上下文语义关联特征，而所述位置时序间关联特征向量表达位置数据的多尺度时序邻域关联特征，因此，两者虽然源数据均为时序数据，但在时序语义特征提取方向上存在差别，因此其特征语义分布也存在差别。由此，在融合所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量得到所述分类特征向量时，期望能够提升所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量在特征语义层面上的融合效果。
31.相应地，在一种可能的实现方式中，对所述温度-压力全局上下文关联特征向量
和所述位置时序间关联特征向量进行深层空间封装语义匹配融合，以得到所述分类特征向量，例如记为，其中，所述分类特征向量具体表示为：，其中，是所述温度-压力全局上下文关联特征向量，是所述位置时序间关联特征向量，是所述分类特征向量，和分别表示向量的一范数和二范数，和分别为权重和偏置超参数，表示所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量之间的按位置距离矩阵，且为单位矩阵，、 、分别表示按位置加法、按位置减法和按位置点乘。这里，对于深度特征空间中的所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量，其语义表达被封装到了深层空间内，这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布，由此，通过所述深层空间封装语义匹配融合，可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配，以实现特征在特征空间内的语义受控的编译融合，从而获得所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量在特征融合空间内的语义协同，提升了优化后的分类特征向量对所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量的语义融合效果，也就提升了所述分类特征向量的表达效果，从而提升了所述分类特征向量通过分类器获得的分类结果的准确性。这样，能够对于故障进行准确预警，进而提高模具切割加工的效率和准确性，优化制造工艺和产品品质。
32.具体地，在所述基于cnc的模具切割加工控制系统300的运行过程中，所述故障预警模块360，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生故障报警提示。也就是，将所述分类特征向量通过分类器以得到用于表示是否产生故障报警提示的分类结果。具体地，在所述分类器的分类处理中，如图4所示，所述故障预警模块360，包括：全连接编码单元361，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元362，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。在本技术的一个具体示例中，所述分类器的标签包括产生故障报警提示(第一标签)，以及，不产生故障报警提示(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否产生故障报警提示”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，是否产生故障报警提示的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否产生故障报警提示”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为是否产生故障报警提示的控制策略标签，因此，在得到所述分类结果后，可基于所述分
类结果来对于故障进行准确预警，进而提高模具切割加工的效率和准确性。
33.其中，所述分类器是一种机器学习模型，用于将数据分为不同的类别。分类器的原理是基于训练数据集中的样本特征和类别标签，学习出一种分类函数或决策规则，用于对新的数据进行分类。分类器的训练过程是通过对训练数据集进行学习和优化，得到最优的分类函数或决策规则，以最大程度地准确地预测新数据的类别。总之，分类器是一种基于训练数据学习的模型，可以用于将新数据分类到已知的类别中。不同的分类器有不同的原理和实现方式，可以根据具体的应用场景选择合适的分类器。
34.综上，根据本技术实施例的基于cnc的模具切割加工控制系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出模具切割加工过程中切割机床的位置、温度和压力的时序协同隐含关联特征，以此来对于故障进行准确预警，进而提高模具切割加工的效率和准确性，优化制造工艺和产品品质。
35.如上所述，根据本技术实施例的基于cnc的模具切割加工控制系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的基于cnc的模具切割加工控制系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于cnc的模具切割加工控制系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于cnc的模具切割加工控制系统300同样可以是该终端设备的众多硬件模块之一。
36.替换地，在另一示例中，该基于cnc的模具切割加工控制系统300与该终端设备也可以是分立的设备，并且该基于cnc的模具切割加工控制系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
37.进一步地，还提供一种基于cnc的模具切割加工控制方法。
38.图5为根据本技术实施例的基于cnc的模具切割加工控制方法的流程图。如图5所示，根据本技术实施例的基于cnc的模具切割加工控制方法，包括：s110，获取预定时间段内多个预定时间点的被监测切割机床的位置数据、温度数据和压力数据；s120，将所述被监测切割机床的位置数据按照时间排列为位置时序输入向量后通过多尺度邻域特征提取模块以得到位置时序间关联特征向量；s130，将所述多个预定时间点的被监测切割机床的温度数据和压力数据分别按照时间维度排列为温度时序输入向量和压力时序输入向量后，对所述温度时序输入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵；s140，将所述温度-压力全时序关联矩阵进行特征矩阵划分为特征子矩阵的序列后通过包含嵌入层的上下文编码器以得到温度-压力全局上下文关联特征向量；s150，融合所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量以得到分类特征向量；以及，s160，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生故障报警提示。
39.图6为根据本技术实施例的基于cnc的模具切割加工控制系统的场景示意图。如图6所示，在该应用场景中，通过位置传感器（例如，如图1中所示意的v1）获取预定时间段内多个预定时间点的被监测切割机床的位置数据，通过温度传感器（例如，如图1中所示意的v2）获取预定时间段内多个预定时间点的被监测切割机床的温度数据，以及，通过压力传感器（例如，如图1中所示意的v3）获取预定时间段内多个预定时间点的被监测切割机床的压力数据。接着，将上述数据输入至部署有用于基于cnc的模具切割加工控制算法的服务器（例
如，图1中的s）中，其中，所述服务器能够以所述基于cnc的模具切割加工控制算法对上述输入的数据进行处理，以生成用于表示是否产生故障报警提示的分类结果。
40.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种基于cnc的模具切割加工控制系统，其特征在于，包括：数据采集模块，用于获取预定时间段内多个预定时间点的被监测切割机床的位置数据、温度数据和压力数据；位置时序变化特征提取模块，用于将所述被监测切割机床的位置数据按照时间排列为位置时序输入向量后通过多尺度邻域特征提取模块以得到位置时序间关联特征向量；温度-压力时序关联模块，用于将所述多个预定时间点的被监测切割机床的温度数据和压力数据分别按照时间维度排列为温度时序输入向量和压力时序输入向量后，对所述温度时序输入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵；特征关联编码模块，用于将所述温度-压力全时序关联矩阵进行特征矩阵划分为特征子矩阵的序列后通过包含嵌入层的上下文编码器以得到温度-压力全局上下文关联特征向量；特征融合模块，用于融合所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量以得到分类特征向量；以及故障预警模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生故障报警提示。2.根据权利要求1所述的基于cnc的模具切割加工控制系统，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。3.根据权利要求2所述的基于cnc的模具切割加工控制系统，其特征在于，所述位置时序变化特征提取模块，包括：第一邻域尺度特征提取单元，用于将所述位置时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度位置时序间关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元，用于将所述位置时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度位置时序间关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度级联单元，用于将所述第一邻域尺度位置时序间关联特征向量和所述第二邻域尺度位置时序间关联特征向量进行级联以得到所述位置时序间关联特征向量;其中，所述第一邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述位置时序输入向量进行一维卷积编码以得到第一邻域尺度位置时序间关联特征向量；其中，所述公式为： ，其中，为第一卷积核在方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一一维卷积核的尺寸， 表示所述位置时序输入向量，表示对所述位置时序输入向量进行一维卷积编码；所述第二邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述位置时序输入向量进行一维卷积编码以得到所述第二邻域尺度位置时序间关联特征向量；其中，所述公式为：，其中，为第二卷积核在 方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二一维卷积核的尺寸， 表示所述位置时序输入向量，表示对所述位置时序输入向量进行一维
卷积编码。4.根据权利要求3所述的基于cnc的模具切割加工控制系统，其特征在于，所述温度-压力时序关联模块，用于：以如下公式对所述温度时序输入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵；其中，所述公式为：，其中表示所述温度时序输入向量，表示所述温度时序输入向量的转置向量，表示所述压力时序输入向量，表示所述温度-压力全时序关联矩阵，表示向量相乘。5.根据权利要求4所述的基于cnc的模具切割加工控制系统，其特征在于，所述特征关联编码模块，包括：矩阵嵌入单元，用于使用所述包含嵌入层的上下文编码器的嵌入层分别将所述特征子矩阵的序列中各个特征子矩阵映射为嵌入向量以得到嵌入向量的序列；上下文编码单元，用于使用所述包含嵌入层的上下文编码器的转换器对所述嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述温度-压力全局上下文关联特征向量。6.根据权利要求5所述的基于cnc的模具切割加工控制系统，其特征在于，所述上下文编码单元，包括：查询向量构造子单元，用于将所述嵌入向量的序列进行一维排列以得到全局特征向量；自注意子单元，用于计算所述全局特征向量与所述嵌入向量的序列中各个嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述嵌入向量的序列中各个嵌入向量进行加权以得到所述多个上下文语义特征向量；以及级联子单元，用于将所述多个上下文语义特征向量进行级联以得到所述全局上下文语义特征向量。7.根据权利要求6所述的基于cnc的模具切割加工控制系统，其特征在于，所述特征融合模块，用于：以如下融合公式对所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量进行深层空间封装语义匹配融合以得到所述分类特征向量；其中，所述融合公式为：，其中，是所述温度-压力全局上下文关联特征向量，是所述位置时序间关联特征向量，是所述分类特征向量，和分别表示向量的一范数和二范数，和分别为权重和偏置超参数，表示所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量之间的按位置距离矩阵，且为单位矩阵，、 、分别表示按位置加法、按位置减法和按位置点乘。8.根据权利要求7所述的基于cnc的模具切割加工控制系统，其特征在于，所述故障预警模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类
特征向量通过所述分类器的softmax分类函数以得到所述分类结果。9.一种基于cnc的模具切割加工控制方法，其特征在于，包括：获取预定时间段内多个预定时间点的被监测切割机床的位置数据、温度数据和压力数据；将所述被监测切割机床的位置数据按照时间排列为位置时序输入向量后通过多尺度邻域特征提取模块以得到位置时序间关联特征向量；将所述多个预定时间点的被监测切割机床的温度数据和压力数据分别按照时间维度排列为温度时序输入向量和压力时序输入向量后，对所述温度时序输入向量和压力时序输入向量进行关联编码以得到温度-压力全时序关联矩阵；将所述温度-压力全时序关联矩阵进行特征矩阵划分为特征子矩阵的序列后通过包含嵌入层的上下文编码器以得到温度-压力全局上下文关联特征向量；融合所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生故障报警提示。10.根据权利要求9所述的一种基于cnc的模具切割加工控制方法，其特征在于，融合所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量以得到分类特征向量，包括：以如下融合公式对所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量进行深层空间封装语义匹配融合以得到所述分类特征向量；其中，所述融合公式为：，其中，是所述温度-压力全局上下文关联特征向量，是所述位置时序间关联特征向量，是所述分类特征向量，和分别表示向量的一范数和二范数，和分别为权重和偏置超参数，表示所述温度-压力全局上下文关联特征向量和所述位置时序间关联特征向量之间的按位置距离矩阵，且为单位矩阵，、 、分别表示按位置加法、按位置减法和按位置点乘。

技术总结
本申请涉及智能控制领域，其具体地公开了一种基于CNC的模具切割加工控制系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出模具切割加工过程中切割机床的位置、温度和压力的时序协同隐含关联特征，以此来对于故障进行准确预警，进而提高模具切割加工的效率和准确性，优化制造工艺和产品品质。优化制造工艺和产品品质。优化制造工艺和产品品质。


技术研发人员：杨大辉 茹平 谭玲玲
受保护的技术使用者：深圳市捷辉创科技有限公司
技术研发日：2023.06.12
技术公布日：2023/9/20