【技术实现步骤摘要】
本申请实施例涉及智能检测领域，尤其涉及一种基于场景智能感知的异常检测方法及系统。
技术介绍
1、随着机械领域的不断发展，越来越多的自动化技术运用到机械设备的生产制造环节中，例如机械组件之间的焊接、机械组件的运输、机械组件的抓取等，这些环节使用自动化技术之后，不但在精准度上达到要求，而且在效率上也远远超过人工。
2、尤其是机械零件的生产制造领域，这类机械零件通常需要由一块经过预先处理的机械原件进行加工，加工的工具有各式各样的刀具、摩擦搅拌棒等，本申请中主要针对使用刀具加工的机械零件的生产制造。通过数控刀具对机械原件进行加工，通常需要设置多种加工参数，例如刀具的位置参数、时间节点参数、变化指令、机械原件的位置参数、旋转参数和压力参数等等。通过智能化的自动化生产制造，使得数控刀具加工机械原件在精准度和效率上远远超过人工加工。
3、但是，随着数控机床的自动化程度不断提高，针对刀具和机械原件加工环节就进行监控就变得非常有必要。如果不设计针对刀具和机械原件加工环节的监控，就有可能出现刀具损坏而未及时察觉的情况发生，这个时候，如果继续加工，不但会出现大量的不合格产品，严重时会引起刀具进一步发生损毁，导致影响数控机床的其他部件的损坏。现有的针对数控机床在制造生产过程中监控的方法有人工实时检查，人工实时检查主要针对成品或者半成品进行，通过观察成品和半成品的状态来判断刀具是否存在缺陷，这种方式对于生产少量的产品的确有效，但是一旦需要生产大量的产品，则很容易造成疲劳，增加人工成本的同时，针对刀具细微的损坏缺陷来说，人工观测对于
4、为了解决上述问题，人们开始使用人工智能进行生产制造过程的监控，通过深度学习模型对刀具的外形进行缺陷分析，进而判断刀具是否存在缺陷。目前，针对深度学习模型有一定的检测缺陷，在刀具加工机械原件的过程中，如果需要进行检测，通过深度学习模型检测需要检测刀具的实时拍摄图像，这期间需要暂停加工设备，并且使用高分辨率镜头和相机进行近距离拍摄。但是，由于刀具和机械原件之间进行的切割锉削会产生大量的热量，且刀具的损坏通常会非常细微，在一定程度上会影响拍摄图像的质量，导致后续的模型检测结果出现误差。这时，为了保证检测精准，需要等待加工设备的刀具降温再进行拍摄，这就使得每隔一段时间，或者是每加工完一个机械原件，就需要暂停设备进行冷却采集图像，单个机械原件的加工时间大大增加，进而降低了机械原件制造生产过程的效率。
技术实现思路
1、本申请公开了一种基于场景智能感知的异常检测方法及系统，用于提高在机械原件制造生产过程的效率。
2、本申请第一方面公开了一种基于场景智能感知的异常检测方法，包括：
3、采集加工设备在使用目标刀具加工机械原件时的加工音频信号，加工音频信号为目标刀具加工机械原件的音频信号；
4、采集加工设备在使用目标刀具加工机械原件时的加工音频信号，包括：
5、在加工设备的刀具控制臂上设置双口音频采集器，双口音频采集器的加工音频采集口朝向目标刀具的刀尖区域，双口音频采集器的环境音频采集口背向目标刀具的刀尖区域；
6、通过加工音频采集口采集第一音频信号；
7、通过环境音频采集口采集第二音频信号；
8、根据第一距离、第二距离和第三距离将所述第二音频信号进行缩放，所述第一距离为所述加工音频采集口和所述环境音频采集口的相对距离，所述第二距离包括转子平面与所述加工音频采集口和所述环境音频采集口相对距离，所述第三距离为所述加工音频采集口与刀具的相对距离；
9、使用缩放后的第二音频信号为第一音频信号进行降噪处理，生成加工音频信号；
10、将加工音频信号转换为目标频谱数据；
11、根据刀具加工阶段对目标频谱数据进行区域划分，刀具加工阶段包括初接触段、持平位移加工段、深入位移加工段和/或抽离加工段；
12、将划分后的目标频谱数据分别输入频谱异常检测模型中，生成频谱分析结果，频谱异常检测模型用于识别目标频谱数据中存在的异常加工特征；
13、当频谱分析结果显示存在频谱异常之后，停止加工设备，对目标刀具进行拍摄，生成刀具实时图像；
14、将刀具实时图像输入刀具缺陷检测卷积模型，生成刀具缺陷分布概率，刀具缺陷检测卷积模型用于识别刀具上出现的异常缺陷特征；
15、根据刀具缺陷分布概率生成刀具状态结果。
16、可选的，在停止加工设备，对目标刀具进行拍摄，生成刀具实时图像之后，将刀具实时图像输入刀具缺陷检测卷积模型，生成刀具缺陷分布概率之前，异常检测方法还包括：
17、获取目标刀具的至少一张刀具缺陷图像，刀具缺陷图像为目标刀具同型号的存在不同类型缺陷的刀具的拍摄图像；
18、将至少一张刀具缺陷图像和刀具实时图像输入缺陷特征融合生成器中进行缺陷特征融合处理，缺陷特征融合生成器用于将刀具缺陷图像的缺陷特征融合到刀具实时图像中。
19、可选的，将至少一张刀具缺陷图像和刀具实时图像输入缺陷特征融合生成器中进行缺陷特征融合处理，包括：
20、使用3*3卷积核对刀具实时图像进行卷积操作，生成刀具特征；
21、使用3*3卷积核对刀具缺陷图像进行卷积操作，生成缺陷特征；
22、对刀具特征进行区域像素权重生成处理,生成权重特征；
23、将刀具特征和权重特征根据通道进行相乘，生成第一叠加特征；
24、通过一个全局平均池为第一叠加特征生成通道向量；
25、对通道向量进行通道压缩处理；
26、为通道向量中的各个特征通道生成注意力权重参数；
27、根据注意力权重参数对缺陷特征和刀具特征进行通道叠加，生成第二叠加特征；
28、通过第一反卷积模块将第二叠加特征进行特征长宽重构，生成重构特征；
29、为重构特征进行注意力矩阵的生成，并根据注意力矩阵将注意力小于预设阈值的特征进行置零；
30、将重构特征通过输出模块conv_out进行还原输出，重新生成刀具实时图像。
31、可选的，在获取目标刀具的至少一张刀具缺陷图像之后，将至少一张刀具缺陷图像和刀具实时图像输入缺陷特征融合生成器中进行缺陷特征融合处理之前，异常检测方法还包括：
32、根据频谱异常分析结果确定异常加工阶段；
33、根据异常加工阶段确定机械原件的异常加工区域，使用拍摄设备对机械原件的异常加工区域进行拍摄，生成机械原件实时图像；
34、将机械原件实时图像输入机械原件异常检测模型中，生成产品缺陷分布概率，机械原件异常检测模型用于识别机械原件上的加工缺陷；
35、根据产品缺陷分布概率确定大于预设阈值的产品缺陷类型；
36、根据大于预设阈值的产品缺陷类型反向推导刀具缺陷分布概率；
37本文档来自技高网...
【技术保护点】
1.一种基于场景智能感知的异常检测方法，其特征在于，包括：
2.根据权利要求1所述的异常检测方法，其特征在于，在停止所述加工设备，对所述目标刀具进行拍摄，生成刀具实时图像之后，将所述刀具实时图像输入所述刀具缺陷检测卷积模型，生成刀具缺陷分布概率之前，所述异常检测方法还包括：
3.根据权利要求2所述的异常检测方法，其特征在于，将至少一张所述刀具缺陷图像和所述刀具实时图像输入缺陷特征融合生成器中进行缺陷特征融合处理，包括：
4.根据权利要求3所述的异常检测方法，其特征在于，在获取所述目标刀具的至少一张刀具缺陷图像之后，将至少一张所述刀具缺陷图像和所述刀具实时图像输入缺陷特征融合生成器中进行缺陷特征融合处理之前，所述异常检测方法还包括：
5.根据权利要求1至4中任一项所述的异常检测方法，其特征在于，将所述加工音频信号转换为目标频谱数据，包括：
6.一种基于场景智能感知的异常检测系统，其特征在于，包括：
7.根据权利要求6所述的异常检测系统，其特征在于，在第二生成单元之后，第三生成单元之前，所述异常检测系统还包括：<...
【技术特征摘要】
1.一种基于场景智能感知的异常检测方法，其特征在于，包括：
2.根据权利要求1所述的异常检测方法，其特征在于，在停止所述加工设备，对所述目标刀具进行拍摄，生成刀具实时图像之后，将所述刀具实时图像输入所述刀具缺陷检测卷积模型，生成刀具缺陷分布概率之前，所述异常检测方法还包括：
3.根据权利要求2所述的异常检测方法，其特征在于，将至少一张所述刀具缺陷图像和所述刀具实时图像输入缺陷特征融合生成器中进行缺陷特征融合处理，包括：
4.根据权利要求3所述的异常检测方法，其特征在于，在获取所述目标刀具的至少一张刀具缺陷图像之后，将至少一张所述刀具缺陷图像和所述刀具实时图像...
【专利技术属性】
技术研发人员：肖书芹，姚登越，谢伟伟，杨永鑫，董俊杰，董厚泽，余楷，
申请(专利权)人：中电科大数据研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。