一种基于数字孪生的刀具多工况状态监测方法及系统

摘要

本发明实施例提供一种基于数字孪生的刀具多工况状态监测方法及系统，属于数字孪生技术领域。该方法包括：获取多种工况下待监测刀具的属性信息和机床切削加工时待监测刀具的传感信息，将传感信息输入至孪生数据模型输出待监测刀具每次走刀的磨损量；对属性信息进行有限元仿真生成切削工况匹配的孪生机理模型；将孪生数据模型输出的磨损量与孪生机理模型进行融合，获得待监测刀具的磨损状态信息。这样根据孪生数据模型确定的加工过程中待监测刀具的磨损量，并结合孪生机理模型确定的不同切削任务下对应的孪生机理模型类别，可以满足

权利要求

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。

2.根据权利要求1所述的刀具多工况状态监测方法，其特征在于，通过以下公式获得所述深度可分离卷积神经网络总损失：式中， 为所述深度可分离卷积神经网络总损失， 为历史工况数据信号上的回归损失； 为多源领域适配损失；λ为惩罚系数。

3.根据权利要求2所述的刀具多工况状态监测方法，其特征在于，根据以下公式计算所述域适配损失：式中，MMD是度量两个数据集之间特征分布差异的非参数距离度量准则， 为特征映射函数构成的函数集，表示数据集 的分布，表示数据集 的分布，n为数据集 的样本数量，m为数据集 的样本数量， 表示非线性特征映射函数， 为再生希尔伯特空间。

4.根据权利要求2所述的刀具多工况状态监测方法，其特征在于，根据以下公式计算所述回归损失：式中， 是回归损失函数，n是样本数量， 是第i个样本的真实值， 是孪生数据模型对第i个样本的预测值。

5.根据权利要求1所述的刀具多工况状态监测方法，其特征在于，所述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，包括：将所述待监测刀具的属性信息进行有限元仿真，建立所述孪生机理模型，以机理模型结果确定初始粒子分布信息；

分别将所述孪生数据模型输出的磨损量作为观测值和所述机理模型结果确定的初始粒子分布信息进行融合，获得所述待监测刀具的磨损状态信息。

6.根据权利要求1所述的刀具多工况状态监测方法，其特征在于，根据以下公式，对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：式中， 为k时刻所述孪生数据模型预测的刀具磨损状态信息； 为切削过程中的走刀时间间隔； 为k时刻所述待监测刀具的磨损量； 为孪生机理模型误差； 为孪生数据模型误差； 为上一时刻的所述待监测刀具的磨损量，为所述孪生机理模型中磨损退化规则演化成的常数。

7.一种应用于权利要求1‑6任一项所述的基于数字孪生的刀具多工况状态监测方法的监测系统，其特征在于，包括：获取单元，用于获取多种工况下待监测刀具的属性信息和机床切削加工时待监测刀具的传感信息；

输出单元，用于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；

生成单元，用于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；

融合单元，用于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。

说明书

一种基于数字孪生的刀具多工况状态监测方法及系统

技术领域

[0001] 本发明涉及数字孪生技术领域，具体地涉及一种基于数字孪生的刀具多工况状态监测方法及系统。

背景技术

[0002] 刀具磨损是影响切削质量的重要因素，也是刀具的主要损耗形式。刀具的磨损不仅会导致切削力的波动和增大、加工精度下降、表面粗糙度降低，严重的情况甚至会引起设备故障或刀具的破坏。

[0003] 目前的研究多集中在基于数据驱动的刀具磨损状态分类问题，属于定性监测。而在实际加工过程中，新工况下短时间内难以获得足够刀具磨损数据来支撑模型训练，基于单一历史工况数据构建的模型又无法准确预测新工况下的刀具磨损量，伴随着传统深度学习监测算法计算量大、操作内存占用大、实时性差的问题逐渐显露，在生产现场计算能力、存储能力有限的条件下，更难以完成刀具磨损的实时监测。再者，基于物理模型的刀具磨损监测方法不能真实反映加工状态，难以满足切削工况复杂多变的实际生产环境。

发明内容

[0004] 本发明实施例的目的是提供一种基于数字孪生的刀具多工况状态监测方法及系统，用于全部或至少部分的解决上述现有技术中存在的技术问题。

[0005] 为了实现上述目的，本发明实施例提供一种基于数字孪生的刀具多工况状态监测方法，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；

[0006] 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；

[0007] 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。

[0008] 可选的，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：

[0009] 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；

[0010] 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；

[0011] 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。

[0012] 可选的，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：

[0013] 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；

[0014] 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；

[0015] 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；

[0016] 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。

[0017] 可选的，通过以下公式获得所述深度可分离卷积神经网络总损失：

[0018]

[0019] 式中， 为所述深度可分离卷积神经网络总损失， 为历史工况数据信号上的回归损失； 为多源领域适配损失；λ为惩罚系数。

[0020] 可选的，根据以下公式计算所述域适配损失：

[0021]

[0022] 式中，MMD是度量两个数据集之间特征分布差异的非参数距离度量准则，为特征映射函数构成的函数集，表示数据集 的分布，表示数据集 的分布，n为数据集 的样本数量，m为数据集 的样本数量， 表示非线性特征映射函数，为再生希尔伯特空间。

[0023] 可选的，根据以下公式计算所述回归损失：

[0024]

[0025] 式中， 是回归损失函数，n是样本数量，是第i个样本的真实值， 是孪生数据模型对第i个样本的预测值。

[0026] 可选的，所述获取目标工况数据信号，并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：

[0027] 删除所述初始孪生数据模型中的域适配层；

[0028] 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。

[0029] 可选的，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，包括：

[0030] 将所述待监测刀具的属性信息进行有限元仿真，建立所述孪生机理模型以机理模型结果确定初始粒子分布信息；

[0031] 分别将所述孪生数据模型输出的磨损量和所述机理模型结果确定的初始粒子分布信息进行融合，获得所述待监测刀具的磨损状态信息。

[0032] 可选的，根据以下公式，对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：

[0033] 式中， 为k时刻所述孪生数据模型预测的刀具磨损状态信息；为切削过程中的走刀时间间隔；为k时刻所述待监测刀具的磨损量； 为孪生机理模型误差；为孪生数据模型误差； 为上一时刻的所述待监测刀具的磨损量，为所述孪生机理模型中磨损退化规则演化成的常数。

[0034] 另一方面，本发明提供一种基于数字孪生的刀具多工况状态监测系统，包括：

[0035] 获取单元，用于获取多种工况下待监测刀具的属性信息和机床切削加工时所述待监测刀具的传感信息；

[0036] 输出单元，用于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；

[0037] 生成单元，用于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；

[0038] 融合单元，用于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。

[0039] 通过上述技术方案，根据孪生数据模型确定加工过程中待监测刀具的磨损量，以及结合孪生机理模型可以确定不同切削任务下对应的孪生机理模型类别，并将其存储，进而可以满足在切削工况复杂多变的实际生产环境下，能够对待监测刀具的磨损量进行实时监测，进而反映不同工况下真实的刀具磨损状态。

[0040] 本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

[0041] 附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

[0042] 图1是本发明实施例提供的一种基于数字孪生的刀具多工况状态监测方法实施流程图；

[0043] 图2是本发明实施例提供的一种初始孪生数据模型的结构示意图；

[0044] 图3是本发明实施例提供的一种初始孪生数据模型处于预训练阶段时的模型结构；

[0045] 图4是本发明实施例提供的一种初始孪生数据模型的微调阶段示意图；

[0046] 图5是本发明实施例提供的一种融合磨损量与孪生机理模型获得磨损状态信息的结构示意图；

[0047] 图6是本发明实施例提供的一种基于数字孪生的刀具多工况状态监测方法的详细实施流程图；

[0048] 图7是本发明实施例提供的一种基于数字孪生的刀具多工况状态监测系统的结构示意图。

具体实施方式

[0049] 以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

[0050] 参阅图1所示，为本发明实施例提供的一种基于数字孪生的刀具多工况状态监测方法实施流程图，具体包括以下执行步骤：

[0051] 步骤100：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工件时的传感信息。

[0052] 在一些实施方式中，待监测刀具的属性信息可以选取为刀具的几何特征、磨损演化规则、材料特性以及物理行为等维度的属性参数；机床切削加工时所述待监测刀具的传感信息可以选取为声发射信号、切削力信号和振动信号等传感信号。

[0053] 步骤101：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。

[0054] 步骤102：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，生成切削工况匹配的孪生机理模型并存储至孪生机理数据库。

[0055] 步骤103：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。

[0056] 在一些实施方式中，在执行步骤101之前，还执行以下步骤：

[0057] 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。

[0058] 具体的，可以通过以下步骤构建所述孪生数据模型：

[0059] S1：获取历史工况数据信号和目标工况数据信号，并将20%目标工况数据信号与两种历史工况数据信号共同输入至所述三条支路的深度可分离卷积神经网络，获得三条支路的深度可分离卷积神经网络总损失。

[0060] 在一些实施方式中，在执行步骤S1时，可以具体执行以下步骤：

[0061] 步骤1：将所述历史工况数据信号和20%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。

[0062] 步骤2：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20%目标工况数据信号的域适配损失。

[0063] 在一些实施方式中，根据以下公式计算所述域适配损失：

[0064]

[0065] 式中，MMD是度量两个数据集之间特征分布差异的非参数距离度量准则，为特征映射函数构成的函数集，表示数据集 的分布，表示数据集 的分布，n为数据集 的样本数量，m为数据集 的样本数量， 表示非线性特征映射函数，为再生希尔伯特空间。

[0066] 步骤3：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。

[0067] 在一些实施方式中，根据以下公式计算回归损失：

[0068]

[0069] 式中， 是回归损失函数，n是样本数量，是第i个样本的真实值， 是孪生数据模型对第i个样本的预测值。

[0070] 步骤4：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。

[0071] 在一些实施方式中，可以通过以下公式获得所述深度可分离卷积神经网络总损失：

[0072]

[0073] 式中， 为所述深度可分离卷积神经网络总损失， 为历史工况数据信号上的回归损失； 为多源领域适配损失；λ为惩罚系数。

[0074] S2：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。

[0075] 在一些实施方式中，所述孪生数据模型由预训练阶段、微调两阶段构成，参阅图2所示，所述初始孪生数据模型中的主干网络为七通道一维深度可分离卷积神经网络（1D‑DSCNN）（即深度可分离卷积神经网络），将切削过程中采集的XYZ三向振动、XYZ三向切削力、声发射共七种传感数据作为七通道1D‑DSCNN网络的输入，输入层将7个通道的信号分别按照采样点数为3000的长度进行截取，构建3000×7×n的数据集，n为训练样本数量，对样本数据进行归一化处理，输入数据(3000×1@7)依次通过3个叠加的深度可分离卷积层（1个深度可分离卷积层由1个深度卷积层（DWConv）+1个逐点卷积层（PWConv）组成）、1个最大池化层、1个展平层运算，可对加工过程中传感器采集的七种时域信号进行降维与特征融合，自适应提取传感数据中隐藏的特征信息，学习到最优特征表达，并将学习到的特征传递到网络最后3个全连接层获得高维表示，进而预测待监测刀具的磨损状态。三个叠加的深度可分离卷积层中深度卷积核尺寸分别为16×1、8×1、3×1，点卷积核尺寸都为1×1，最大池化层的卷积核尺寸5×1，为增强模型非线性表达能力和加速模型训练，在最大池化层后加入Relu激活函数：为保证网络稀疏性和防止训练过拟合，在全连接层前加入dropout随机丢弃层，丢弃概率p=0.2。

[0076] 在一些实施方式中，在所述初始孪生数据模型的预训练阶段解决了多个源域（即多种历史工况数据信号），例如，图2中的源域1和源域2和部分目标域样本（即目标工况数据信号）例如，图2中的目标域数据集，特征之间的领域适配问题，并学习多个域不变特征表示，拉近不同域边缘概率分布和特征分布，利用多源领域适配的方法，构建了预训练模型（即初始孪生数据模型），该模型共包含三条网络支路四个部分，参阅图2所示，共享特征提取层、域适配层、回归器、损失函数；在三条深度可分离卷积神经网络支路中，前两条支路的DSCNN输入为两种历史工况下带标签的源域刀具磨损数据，第三条支路DSCNN的输入是新工况下带有少量标签的目标域磨损数据，三条深度可分离卷积神经网络（DSCNN）支路共享权值。

[0077] 在一些实施方式中，共享特征提取层先通过三条支路权值共享的深度可分离卷积神经网络（DSCNN）分别对不同工况的刀具磨损数据进行特征训练和初步提取，并利用MMD算法将源域与20%目标域的原始特征空间映射到公共特征空间‑再生希尔伯特空间 (RKHS)中。

[0078] 在一些实施方式中，域适配层是在预训练网络中的全连接层前加入最大均值差异(MMD)度量准则，将源域数据集和20%目标域数据集样本经过特征映射到再生希尔伯特空间中学习域不变表示，拉近再生希尔伯特空间 中不同领域之间的特征分布差异，并通过比较经验核平均嵌入之间的平方距离来评估领域分布差异的大小，最后输出两个源域样本（即两种历史工况数据信号）与20%目标域样本（即目标工况数据信号）之间的域适配损失，完成多源领域适配任务。

[0079] 在一些实施方式中，回归器由三层全连接层构成，三层全连接层解决了网络非线性表达问题,提高了模型学习能力，全连接层对学习到的刀具磨损特征进行降维操作并整合，完成回归预测任务，输出此刻预测的刀具磨损量，在预训练网络迭代过程中，选择均方误差（MSE）作为损失函数进行网络参数优化，以真实值和预测值误差的平方和作为差距，作为预训练网络总损失的一项。

[0080] S3：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。

[0081] 在一些实施方式中，在执行步骤S3时，可以执行以下步骤：首先删除所述初始孪生数据模型中的域适配层；

[0082] 再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。

[0083] 在一些实施方式中，参阅图3所示，将获取到的历史工况数据信号（即源域1，源域2）和20%目标工况数据信号分别输入至初始孪生数据模型的特征提取层，其中，特征提取层为三个叠加的深度可分离卷积层，其深度卷积核尺寸分别为16×1、8×1、3×1，点卷积核尺寸都为1×1，最大池化层的卷积核尺寸5×1，三个叠加的深度可分离卷积层权值共享，最终经展平层输出特征信息至域适配层，得到多个域适配损失（即MMDloss1、MMDloss2和MMDloss3），再传输至回归器中的全连接层，各全连接层之间的权值共享，输出回归损失至损失函数，通过计算总损失函数，判断损失函数是否收敛最小，若否，则返回训练阶段继续迭代，若收敛最小，则进行模型迁移，进而进入初始孪生数据模型微调阶段。

[0084] 在一些实施方式中，参阅图4所示，为本发明实施例提供的一种初始孪生数据模型的微调阶段示意图，该孪生数据模型结构沿袭预训练阶段的基本框架（DSCNN），加载由预训练阶段冻结并传输过来的网络结构（即初始孪生数据模型）和初始孪生数据模型参数，在微调过程中将预训练模型（即孪生数据模型）的域适配层删除，保留预训练模型的特征提取层与全连接层，网络层之间的排列方式、网络深度、卷积核尺寸和数量、激活函数不变，其深度卷积核尺寸分别为16×1×1@7、8×1×1@16、3×1×1@32，点卷积核尺寸分别为1×1×7@16、1×1×16@32、1×1×32@8，最大池化层的卷积核尺寸5×1，来完成网络结构的迁移。并将预训练网络学习到的权重（w）和偏置（b）冻结并传递到目标网络，使得目标网络具备预训练网络的基本能力。再利用全部目标工况样本对目标网络进行训练，选择最优的神经网络配置和超参组合，最小化损失函数，使得目标网络能够快速预测目标工况当前时刻的刀具磨损量，满足监测系统的实时性需求。

[0085] 这样，通过将轻量化模型思想引入刀具磨损监测领域，设计了一维七通道的深度可分离卷积神经网络作为模型主干网络，用轻量化卷积操作替换传统的卷积方式，从模型底层设计上提升了网络计算效率，并结合多源领域适配方法和微调迁移学习策略构建了具有良好泛化性和鲁棒性的模型，缩小了历史工况与目标工况间的数据差异，实现了借助多个历史工况的知识信息来快速完成目标工况监测任务，从数据驱动层面提高了系统对小样本目标工况的监测实时性和多工况泛化能力。

[0086] 在一些实施方式中，在执行步骤103时，可以具体执行以下步骤：

[0087] S1010：将所述待监测刀具的属性信息进行有限元仿真，建立所述孪生机理模型，以机理模型结果确定初始粒子分布信息。

[0088] 在一些实施方式中，基于面向切削过程的原则，考虑刀具几何特征、磨损演化规则、材料特性、物理行为等维度，建立不同工况下的孪生机理模型，并构建关系型数据库MySQL来作为孪生机理模型储存平台，存储并持续完善不同工件材料、不同切削参数下的孪生机理模型种类，从切削机理层面提高了监测系统的泛化能力，同时为粒子滤波融合平台提供了丰富的的结果选择，实现了不同工况物理模型的管理和调用。

[0089] 这样，通过以关系型数据库MySQL作为机理模型储存平台，实现不同切削工况物理模型的管理和调用。完善了不同工件材料、不同切削参数下的机理模型种类，扩充了粒子滤波融合平台可调用的结果选择，从机理层面提升了刀具磨损状态监测系统对不同工况的适应能力，提高了刀具磨损监测的准确性。

[0090] S1011：分别将所述孪生数据模型输出的磨损量和所述机理模型结果确定的初始粒子分布信息进行融合，获得所述待监测刀具的磨损状态信息。

[0091] 在一些实施方式中，可以根据以下公式，对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：

[0092]

[0093] 式中， 为k时刻所述孪生数据模型预测的磨损状态信息；为切削过程中的走刀时间间隔；为k时刻所述待监测刀具的磨损量； 为孪生机理模型误差；为孪生数据模型误差； 为上一时刻的所述待监测刀具的磨损量，为所述孪生机理模型中磨损退化规则演化成的常数。

[0094] 在一些实施方式中，参阅图5所示，基于数据驱动和模型融合理念，利用粒子滤波算法自动调用孪生机理数据库中的孪生机理模型结果与孪生数据模型进行融合，实现了与刀具实体的交互映射。基于统计学的粒子滤波算法将刀具磨损过程看作是状态方程，结合真实车削加工工况，对多种工况下的刀具属性信息进行有限元仿真建立工况匹配的孪生机理模型，并构建孪生机理数据库存储孪生机理模型，并将其孪生机理模型结果作为状态方程中的初始粒子分布，孪生数据模型基于传感数据（声发射信号、切削力信号以及振动信号）预测的刀具磨损预测结果作为粒子滤波状态方程中的观测值，根据状态方程计算出当前时刻的粒子权重，并将重采样算法过滤后的大权重粒子进行加权输出，得到最终刀具磨损状态。

[0095] 参阅图6所示，为本发明实施例提供的一种基于数字孪生的刀具多工况状态监测方法的详细实施流程图，具体包括以下执行步骤：

[0096] S600：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。

[0097] S601：将所述历史工况数据信号和20%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。

[0098] S602：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20%目标工况数据信号的域适配损失。

[0099] S603：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。

[0100] S604：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。

[0101] S605：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。

[0102] S606：获取目标工况数据信号，并删除所述初始孪生数据模型中的域适配层。

[0103] S607：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。

[0104] S608：将所述待监测刀具的传感信息，输入至所述孪生数据模型，获得所述待监测刀具每次走刀的磨损量。

[0105] S609：将所述待监测刀具的属性信息进行有限元仿真，建立所述孪生机理模型，以机理模型结果确定初始粒子分布信息。

[0106] S610：分别将所述孪生数据模型输出的磨损量和所述机理模型结果确定的初始粒子分布信息进行融合，获得所述待监测刀具的磨损状态信息。

[0107] 另一方面，本发明实施例还提供一种基于数字孪生的刀具多工况状态监测系统，该监测系统的结构示意图参阅图7所示，包括：

[0108] 获取单元700，用于获取多种工况下待监测刀具的属性信息和机床切削时所述待监测刀具的传感信息；

[0109] 输出单元701：用于对多种工况下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。

[0110] 生成单元702，用于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。

[0111] 融合单元703，用于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。

[0112] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

[0113] 以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。