CN116551466B - Cnc加工过程中的智能监控系统及其方法 - Google Patents

Abstract

一种CNC加工过程中的智能监控系统及其方法，其获取在机床运行过程中的预定时间段的电流信号和噪声信号；采用基于深度学习的人工智能技术，进行所述电流信号和所述噪声信号的时序动态协同关联变化特征信息进行充分表达，以基于电流信号和噪声信号的时序变化情况实时准确地进行刀具状态监测，进而提升数控加工质量和效率，减少不必要的成本和工作量。

Description

CNC加工过程中的智能监控系统及其方法

技术领域

本申请涉及智能化监控技术领域，并且更具体地，涉及一种CNC加工过程中的智能监控系统及其方法。

背景技术

数控加工技术已经成为现代制造业重要的加工方法之一。然而，由于刀具使用寿命限制和操作错误等原因，刀具在使用过程中容易出现磨损或损坏，导致加工过程中出现问题，严重影响加工质量和生产效率，同时还增加了加工设备维护成本。

然而，传统的刀具检测方式往往是通过人工巡检或周期性更换刀具来保证加工的可靠性，但这种方法存在一定缺陷，例如刀具更换周期不够准确，且巡检难以覆盖所有的刀具等问题。

因此，期望一种优化的CNC加工过程中的智能监控系统，以提高对于刀具缺陷检测的准确性，进而提升数控加工质量和效率，减少生产成本。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种CNC加工过程中的智能监控系统及其方法，其获取在机床运行过程中的预定时间段的电流信号和噪声信号；采用基于深度学习的人工智能技术，进行所述电流信号和所述噪声信号的时序动态协同关联变化特征信息进行充分表达，以基于电流信号和噪声信号的时序变化情况实时准确地进行刀具状态监测，进而提升数控加工质量和效率，减少不必要的成本和工作量。

第一方面，提供了一种CNC加工过程中的智能监控系统，其包括：信号采集模块，用于获取在机床运行过程中的预定时间段的电流信号和噪声信号；电流离散化采样模块，用于对所述电流信号进行离散化采样以得到电流值的序列；电流时序动态变化特征提取模块，用于将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块以得到电流时序特征向量；噪声离散化采样模块，用于对所述噪声信号进行离散化采样以得到噪声值的序列；噪声时序动态变化特征提取模块，用于将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块以得到噪声值时序特征向量；关联编码模块，用于对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及刀具状态检测模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示刀具状态是否正常。

在上述CNC加工过程中的智能监控系统中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在上述CNC加工过程中的智能监控系统中，所述电流时序动态变化特征提取模块，包括：第一尺度电流特征提取单元，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第一卷积公式对电流时序输入向量进行一维卷积编码以得到第一尺度电流特征向量；其中，所述第一卷积公式为：，其中，/>为第一一维卷积核在/> 方向上的宽度、/> 为第一一维卷积核参数向量、/> 为与第一一维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，/>表示电流时序输入向量，/>表示对电流时序输入向量进行一维卷积编码；第二尺度电流特征提取单元，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第二卷积公式对电流时序输入向量进行一维卷积编码以得到第二尺度电流特征向量；其中，所述第二卷积公式为：/>其中，/>为第二一维卷积核在/> 方向上的宽度、 />为第二一维卷积核参数向量、/>为与第二一维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，/>表示电流时序输入向量，/>表示对电流时序输入向量进行一维卷积编码；以及，电流级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度电流特征向量和所述第二尺度电流特征向量进行级联以得到所述电流时序特征向量。

在上述CNC加工过程中的智能监控系统中，所述噪声时序动态变化特征提取模块，包括：第一尺度噪声值特征提取单元，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第一卷积公式对噪声值时序输入向量进行一维卷积编码以得到第一尺度噪声值特征向量；其中，所述第一卷积公式为：其中，/>为第三一维卷积核在/>方向上的宽度、/>为第三一维卷积核参数向量、/>为与第三一维卷积核函数运算的局部向量矩阵，/>为第三一维卷积核的尺寸，/>表示噪声值时序输入向量，/>表示对噪声值时序输入向量进行一维卷积编码；第二尺度噪声值特征提取单元，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第二卷积公式对噪声值时序输入向量进行一维卷积编码以得到第二尺度噪声值特征向量；其中，所述第二卷积公式为：/>其中，/>为第四一维卷积核在/>方向上的宽度、/>为第四一维卷积核参数向量、/>为与第四一维卷积核函数运算的局部向量矩阵，/>为第四一维卷积核的尺寸，/>表示噪声值时序输入向量，表示对噪声值时序输入向量进行一维卷积编码；以及，噪声值级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度噪声值特征向量和所述第二尺度噪声值特征向量进行级联以得到所述噪声值时序特征向量。

在上述CNC加工过程中的智能监控系统中，所述关联编码模块，用于：以如下编码公式对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；其中，所述编码公式为：其中，/>表示所述电流时序特征向量，表示所述电流时序特征向量的转置向量，/> 表示所述噪声值时序特征向量，/>表示所述分类特征矩阵，/>表示矩阵相乘。

在上述CNC加工过程中的智能监控系统中，所述特征优化模块，包括：优化因数计算单元，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，加权优化单元，用于以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。

在上述CNC加工过程中的智能监控系统中，所述优化因数计算单元，用于：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述优化公式为：其中，/>是所述分类特征矩阵中各个位置特征值，/>为所述分类特征矩阵的各个位置特征值的坐标，且/>是所述分类特征矩阵的所有特征值的全局均值，/>和/>代表将二维实数映射为一维实数的函数，/>和/>分别是所述分类特征矩阵的宽度和高度，表示以2为底的对数函数，/>表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。

在上述CNC加工过程中的智能监控系统中，所述刀具状态检测模块，包括：矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；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。

第二方面，提供了一种CNC加工过程中的智能监控方法，其包括：获取在机床运行过程中的预定时间段的电流信号和噪声信号；对所述电流信号进行离散化采样以得到电流值的序列；将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块以得到电流时序特征向量；对所述噪声信号进行离散化采样以得到噪声值的序列；将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块以得到噪声值时序特征向量；对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示刀具状态是否正常。

在上述CNC加工过程中的智能监控方法中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

与现有技术相比，本申请提供的CNC加工过程中的智能监控系统及其方法，其获取在机床运行过程中的预定时间段的电流信号和噪声信号；采用基于深度学习的人工智能技术，进行所述电流信号和所述噪声信号的时序动态协同关联变化特征信息进行充分表达，以基于电流信号和噪声信号的时序变化情况实时准确地进行刀具状态监测，进而提升数控加工质量和效率，减少不必要的成本和工作量。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的CNC加工过程中的智能监控系统的应用场景图。

图2为根据本申请实施例的CNC加工过程中的智能监控系统的框图。

图3为根据本申请实施例的CNC加工过程中的智能监控系统中所述电流时序动态变化特征提取模块的框图。

图4为根据本申请实施例的CNC加工过程中的智能监控系统中所述噪声时序动态变化特征提取模块的框图。

图5为根据本申请实施例的CNC加工过程中的智能监控系统中所述特征优化模块的框图。

图6为根据本申请实施例的CNC加工过程中的智能监控系统中所述刀具状态检测模块的框图。

图7为根据本申请实施例的CNC加工过程中的智能监控方法的流程图。

图8为根据本申请实施例的CNC加工过程中的智能监控方法的系统架构的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

如上所述，传统的刀具检测方式往往是通过人工巡检或周期性更换刀具来保证加工的可靠性，但这种方法存在一定缺陷，例如刀具更换周期不够准确，且巡检难以覆盖所有的刀具等问题。因此，期望一种优化的CNC加工过程中的智能监控系统，以提高对于刀具缺陷检测的准确性，进而提升数控加工质量和效率，减少生产成本。

相应地，考虑到在CNC加工中，刀具的状态不同会对电流和噪声信号产生特定的影响。因此，在本申请的技术方案中，期望通过对CNC加工过程中的电流信号和噪声信号进行分析来判断刀具状态是否正常。但是，由于所述电流信号和所述噪声信号中会存在有大量的信息量，而关于刀具的状态特征为小尺度的隐含细微特征信息，难以进行有效地捕捉获取，导致对于刀具状态检测的精准度较低。因此，在此过程中，难点在于如何进行所述电流信号和所述噪声信号的时序动态协同关联变化特征信息进行充分表达，以基于电流信号和噪声信号的时序变化情况来实时准确地进行刀具状态监测，进而提升数控加工质量和效率，减少了不必要的成本和工作量。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述电流信号和所述噪声信号的时序动态协同关联变化特征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取在机床运行过程中的预定时间段的电流信号和噪声信号。应可以理解，在CNC加工过程中，刀具处于高速旋转和切削状态下时，对机床电机等设备产生较大负载，这也导致在机床中观察到很强的电流和噪声信号。因此，对电流信号进行分析，可以获得包括初始加工状态、磨损、断刃等状态下的动态电流特征；对噪声信号进行分析，则可以探测出机床加工状态及刀具变化时所引起的振动和声学信号等特征。综合分析电流信号和噪声信号，则可以更全面地了解刀具在加工过程中的状态变化情况。

接着，对于所述电流信号来说，其在时域中的表现形式为波形图，并且所述电流信号为连续的模拟信号，为了方便计算和处理，需要将连续的模拟信号进行离散化采样后转换为离散的数字信号，以得到电流信号的离散采样序列，即所述电流值的序列。特别地，在本申请的技术方案中，对所述机床运行过程中的电流信号进行离散化采样，可以将连续的所述电流信号转换为一个包含一系列离散时间点的电流值序列，便于后续对这个离散采样序列进行特征提取的处理和分析。并且，由于电流信号存在着许多高频噪声或者杂波干扰，因此离散化采样可以在一定程度上减少这些噪声的影响。

进一步地，考虑到所述电流信号在时间维度上具有着波动性和不确定性，因而使得所述电流信号在不同时间周期跨度下呈现出不同的动态变化特征信息。因此，在本申请的技术方案中，将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述电流信号在不同时间跨度下的动态多尺度邻域关联特征，从而得到电流时序特征向量。

然后，同样地，对于在机床运行过程中的预定时间段的噪声信号来说，考虑到所述噪声信号也具有着波动性和不确定性，因此，在本申请的技术方案中，对所述噪声信号进行离散化采样以得到噪声值的序列后，将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块中进行特征挖掘，以提取出所述噪声信号在不同时间跨度下的动态多尺度邻域关联特征，从而得到噪声值时序特征向量。

接着，进一步再对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码，以此来表示所述电流信号的时序多尺度动态变化特征和所述噪声信号的时序多尺度动态变化特征之间的关联性特征分布信息，从而得到分类特征矩阵。然后，将所述分类特征矩阵通过分类器中进行分类处理以得到分类结果，所述分类结果用于表示刀具状态是否正常。

也就是，在本申请的技术方案中，所述分类器的标签包括刀具状态正常(第一标签)，以及，刀具状态不正常(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矩阵属于哪个分类标签。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“刀具状态是否正常”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，刀具状态是否正常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“刀具状态是否正常”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为刀具状态是否正常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行刀具状态监测，进而提升数控加工质量和效率。

特别地，在本申请的技术方案中，考虑到所述电流时序特征向量和所述噪声值时序特征向量分别表达电流值和噪声值的多尺度时序邻域关联特征，因此，所述电流时序特征向量和所述噪声值时序特征向量均遵循特征的时序方向分布，因此，在对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码时，由于所述分类特征矩阵的每个位置的特征值为所述电流时序特征向量和所述噪声值时序特征向量的沿时序方向上的相应时序位置的特征值之间的乘积，因此所述分类特征矩阵的各个位置的特征值具有用于表达时序位置关联性的位置属性。但是，在将所述分类特征矩阵通过分类器进行分类时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此为了提升所述分类特征矩阵的各个特征值在排列变换时的特征位置信息表达效果，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为： 代表将二维实数映射为一维实数的函数，例如，实现为非线性激活函数激活加权和加偏置的表示，/>和/>分别是所述分类特征矩阵的宽度和高度，/>为所述分类特征矩阵的各个特征值/>的坐标，例如，可以特征矩阵的任意顶点作为坐标原点，且/>是所述分类特征矩阵的所有特征值的全局均值。

这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够基于实际的电流信号和噪声信号的时序变化情况来准确地进行刀具状态的实时监测，进而提升数控加工质量和效率，减少不必要的成本和工作量。

图1为根据本申请实施例的CNC加工过程中的智能监控系统的应用场景图。如图1所示，在该应用场景中，首先，获取在机床（例如，如图1中所示意的M）运行过程中的预定时间段的电流信号（例如，如图1中所示意的C1）和噪声信号（例如，如图1中所示意的C2）；然后，将获取的电流信号和噪声信号输入至部署有CNC加工过程中的智能监控算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于CNC加工过程中的智能监控算法对所述电流信号和所述噪声信号进行处理，以生成用于表示刀具状态是否正常的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

在本申请的一个实施例中，图2为根据本申请实施例的CNC加工过程中的智能监控系统的框图。如图2所示，根据本申请实施例的CNC加工过程中的智能监控系统100，包括：信号采集模块110，用于获取在机床运行过程中的预定时间段的电流信号和噪声信号；电流离散化采样模块120，用于对所述电流信号进行离散化采样以得到电流值的序列；电流时序动态变化特征提取模块130，用于将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块以得到电流时序特征向量；噪声离散化采样模块140，用于对所述噪声信号进行离散化采样以得到噪声值的序列；噪声时序动态变化特征提取模块150，用于将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块以得到噪声值时序特征向量；关联编码模块160，用于对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；特征优化模块170，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，刀具状态检测模块180，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示刀具状态是否正常。

具体地，在本申请实施例中，所述信号采集模块110，用于获取在机床运行过程中的预定时间段的电流信号和噪声信号。如上所述，传统的刀具检测方式往往是通过人工巡检或周期性更换刀具来保证加工的可靠性，但这种方法存在一定缺陷，例如刀具更换周期不够准确，且巡检难以覆盖所有的刀具等问题。因此，期望一种优化的CNC加工过程中的智能监控系统，以提高对于刀具缺陷检测的准确性，进而提升数控加工质量和效率，减少生产成本。

相应地，考虑到在CNC加工中，刀具的状态不同会对电流和噪声信号产生特定的影响。因此，在本申请的技术方案中，期望通过对CNC加工过程中的电流信号和噪声信号进行分析来判断刀具状态是否正常。但是，由于所述电流信号和所述噪声信号中会存在有大量的信息量，而关于刀具的状态特征为小尺度的隐含细微特征信息，难以进行有效地捕捉获取，导致对于刀具状态检测的精准度较低。因此，在此过程中，难点在于如何进行所述电流信号和所述噪声信号的时序动态协同关联变化特征信息进行充分表达，以基于电流信号和噪声信号的时序变化情况来实时准确地进行刀具状态监测，进而提升数控加工质量和效率，减少了不必要的成本和工作量。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述电流信号和所述噪声信号的时序动态协同关联变化特征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取在机床运行过程中的预定时间段的电流信号和噪声信号。应可以理解，在CNC加工过程中，刀具处于高速旋转和切削状态下时，对机床电机等设备产生较大负载，这也导致在机床中观察到很强的电流和噪声信号。因此，对电流信号进行分析，可以获得包括初始加工状态、磨损、断刃等状态下的动态电流特征；对噪声信号进行分析，则可以探测出机床加工状态及刀具变化时所引起的振动和声学信号等特征。综合分析电流信号和噪声信号，则可以更全面地了解刀具在加工过程中的状态变化情况。

具体地，在本申请实施例中，所述电流离散化采样模块120，用于对所述电流信号进行离散化采样以得到电流值的序列。接着，对于所述电流信号来说，其在时域中的表现形式为波形图，并且所述电流信号为连续的模拟信号，为了方便计算和处理，需要将连续的模拟信号进行离散化采样后转换为离散的数字信号，以得到电流信号的离散采样序列，即所述电流值的序列。

特别地，在本申请的技术方案中，对所述机床运行过程中的电流信号进行离散化采样，可以将连续的所述电流信号转换为一个包含一系列离散时间点的电流值序列，便于后续对这个离散采样序列进行特征提取的处理和分析。并且，由于电流信号存在着许多高频噪声或者杂波干扰，因此离散化采样可以在一定程度上减少这些噪声的影响。

具体地，在本申请实施例中，所述电流时序动态变化特征提取模块130，用于将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块以得到电流时序特征向量。进一步地，考虑到所述电流信号在时间维度上具有着波动性和不确定性，因而使得所述电流信号在不同时间周期跨度下呈现出不同的动态变化特征信息。因此，在本申请的技术方案中，将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述电流信号在不同时间跨度下的动态多尺度邻域关联特征，从而得到电流时序特征向量。

所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

图3为根据本申请实施例的CNC加工过程中的智能监控系统中所述电流时序动态变化特征提取模块的框图，如图3所示，所述电流时序动态变化特征提取模块130，包括：第一尺度电流特征提取单元131，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第一卷积公式对电流时序输入向量进行一维卷积编码以得到第一尺度电流特征向量；其中，所述第一卷积公式为：，其中，/>为第一一维卷积核在/> 方向上的宽度、/> 为第一一维卷积核参数向量、/> 为与第一一维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，/>表示电流时序输入向量，/>表示对电流时序输入向量进行一维卷积编码；第二尺度电流特征提取单元132，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第二卷积公式对电流时序输入向量进行一维卷积编码以得到第二尺度电流特征向量；其中，所述第二卷积公式为：/>其中，/>为第二一维卷积核在/> 方向上的宽度、 />为第二一维卷积核参数向量、/>为与第二一维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，/>表示电流时序输入向量，/>表示对电流时序输入向量进行一维卷积编码；以及，电流级联单元133，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度电流特征向量和所述第二尺度电流特征向量进行级联以得到所述电流时序特征向量。

值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。

所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。

具体地，在本申请实施例中，所述噪声离散化采样模块140和所述噪声时序动态变化特征提取模块150，用于对所述噪声信号进行离散化采样以得到噪声值的序列；以及，用于将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块以得到噪声值时序特征向量。

然后，同样地，对于在机床运行过程中的预定时间段的噪声信号来说，考虑到所述噪声信号也具有着波动性和不确定性，因此，在本申请的技术方案中，对所述噪声信号进行离散化采样以得到噪声值的序列后，将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块中进行特征挖掘，以提取出所述噪声信号在不同时间跨度下的动态多尺度邻域关联特征，从而得到噪声值时序特征向量。

图4为根据本申请实施例的CNC加工过程中的智能监控系统中所述噪声时序动态变化特征提取模块的框图，如图4所示，所述噪声时序动态变化特征提取模块150，包括：第一尺度噪声值特征提取单元151，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第一卷积公式对噪声值时序输入向量进行一维卷积编码以得到第一尺度噪声值特征向量；其中，所述第一卷积公式为：其中，/>为第三一维卷积核在/>方向上的宽度、/>为第三一维卷积核参数向量、/>为与第三一维卷积核函数运算的局部向量矩阵，/>为第三一维卷积核的尺寸，/>表示噪声值时序输入向量，/>表示对噪声值时序输入向量进行一维卷积编码；第二尺度噪声值特征提取单元152，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第二卷积公式对噪声值时序输入向量进行一维卷积编码以得到第二尺度噪声值特征向量；其中，所述第二卷积公式为：/>其中，/>为第四一维卷积核在/>方向上的宽度、/>为第四一维卷积核参数向量、/>为与第四一维卷积核函数运算的局部向量矩阵，/>为第四一维卷积核的尺寸，/>表示噪声值时序输入向量，表示对噪声值时序输入向量进行一维卷积编码；以及，噪声值级联单元153，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度噪声值特征向量和所述第二尺度噪声值特征向量进行级联以得到所述噪声值时序特征向量。

具体地，在本申请实施例中，所述关联编码模块160，用于对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵。接着，进一步再对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码，以此来表示所述电流信号的时序多尺度动态变化特征和所述噪声信号的时序多尺度动态变化特征之间的关联性特征分布信息，从而得到分类特征矩阵。

其中，所述关联编码模块160，用于：以如下编码公式对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；其中，所述编码公式为：其中，/>表示所述电流时序特征向量，/>表示所述电流时序特征向量的转置向量，/> 表示所述噪声值时序特征向量，/>表示所述分类特征矩阵，/>表示矩阵相乘。

具体地，在本申请实施例中，所述特征优化模块170，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。图5为根据本申请实施例的CNC加工过程中的智能监控系统中所述特征优化模块的框图，如图5所示，所述特征优化模块170，包括：优化因数计算单元171，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，加权优化单元172，用于以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。

特别地，在本申请的技术方案中，考虑到所述电流时序特征向量和所述噪声值时序特征向量分别表达电流值和噪声值的多尺度时序邻域关联特征，因此，所述电流时序特征向量和所述噪声值时序特征向量均遵循特征的时序方向分布，因此，在对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码时，由于所述分类特征矩阵的每个位置的特征值为所述电流时序特征向量和所述噪声值时序特征向量的沿时序方向上的相应时序位置的特征值之间的乘积，因此所述分类特征矩阵的各个位置的特征值具有用于表达时序位置关联性的位置属性。

但是，在将所述分类特征矩阵通过分类器进行分类时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此为了提升所述分类特征矩阵的各个特征值在排列变换时的特征位置信息表达效果，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述优化公式为：其中，/>是所述分类特征矩阵中各个位置特征值，/>为所述分类特征矩阵的各个位置特征值的坐标，且/>是所述分类特征矩阵的所有特征值的全局均值，/>和/>代表将二维实数映射为一维实数的函数，/>和/>分别是所述分类特征矩阵的宽度和高度，表示以2为底的对数函数，/>表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。

这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够基于实际的电流信号和噪声信号的时序变化情况来准确地进行刀具状态的实时监测，进而提升数控加工质量和效率，减少不必要的成本和工作量。

具体地，在本申请实施例中，所述刀具状态检测模块180，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示刀具状态是否正常。然后，将所述分类特征矩阵通过分类器中进行分类处理以得到分类结果，所述分类结果用于表示刀具状态是否正常。

也就是，在本申请的技术方案中，所述分类器的标签包括刀具状态正常(第一标签)，以及，刀具状态不正常(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矩阵属于哪个分类标签。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“刀具状态是否正常”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，刀具状态是否正常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“刀具状态是否正常”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为刀具状态是否正常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行刀具状态监测，进而提升数控加工质量和效率。

图6为根据本申请实施例的CNC加工过程中的智能监控系统中所述刀具状态检测模块的框图，如图6所示，所述刀具状态检测模块180，包括：矩阵展开单元181，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元182，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，分类单元183，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。

综上，基于本申请实施例的CNC加工过程中的智能监控系统100被阐明，其获取在机床运行过程中的预定时间段的电流信号和噪声信号；采用基于深度学习的人工智能技术，进行所述电流信号和所述噪声信号的时序动态协同关联变化特征信息进行充分表达，以基于电流信号和噪声信号的时序变化情况实时准确地进行刀具状态监测，进而提升数控加工质量和效率，减少不必要的成本和工作量。

如上所述，根据本申请实施例的CNC加工过程中的智能监控系统100可以实现在各种终端设备中，例如用于CNC加工过程中的智能监控的服务器等。在一个示例中，根据本申请实施例的CNC加工过程中的智能监控系统100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CNC加工过程中的智能监控系统100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CNC加工过程中的智能监控系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该CNC加工过程中的智能监控系统100与该终端设备也可以是分立的设备，并且该CNC加工过程中的智能监控系统100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。

在本申请的一个实施例中，图7为根据本申请实施例的CNC加工过程中的智能监控方法的流程图。如图7所示，根据本申请实施例的CNC加工过程中的智能监控方法，其包括：210，获取在机床运行过程中的预定时间段的电流信号和噪声信号；220，对所述电流信号进行离散化采样以得到电流值的序列；230，将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块以得到电流时序特征向量；240，对所述噪声信号进行离散化采样以得到噪声值的序列；250，将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块以得到噪声值时序特征向量；260，对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；270，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，280，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示刀具状态是否正常。

图8为根据本申请实施例的CNC加工过程中的智能监控方法的系统架构的示意图。如图8所示，在所述CNC加工过程中的智能监控方法的系统架构中，首先，获取在机床运行过程中的预定时间段的电流信号和噪声信号；然后，对所述电流信号进行离散化采样以得到电流值的序列；接着，将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块以得到电流时序特征向量；然后，对所述噪声信号进行离散化采样以得到噪声值的序列；接着，将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块以得到噪声值时序特征向量；然后，对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；接着，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，最后，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示刀具状态是否正常。

在一个具体示例中，在上述CNC加工过程中的智能监控方法中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在一个具体示例中，在上述CNC加工过程中的智能监控方法中，将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块以得到电流时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对电流时序输入向量进行一维卷积编码以得到第一尺度电流特征向量；其中，所述第一卷积公式为：，其中，/>为第一一维卷积核在/> 方向上的宽度、/> 为第一一维卷积核参数向量、/> 为与第一一维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，/>表示电流时序输入向量，表示对电流时序输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对电流时序输入向量进行一维卷积编码以得到第二尺度电流特征向量；其中，所述第二卷积公式为：其中，/>为第二一维卷积核在/> 方向上的宽度、 />为第二一维卷积核参数向量、/>为与第二一维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，/>表示电流时序输入向量，/>表示对电流时序输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的融合层对所述第一尺度电流特征向量和所述第二尺度电流特征向量进行级联以得到所述电流时序特征向量。

在一个具体示例中，在上述CNC加工过程中的智能监控方法中，将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块以得到噪声值时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对噪声值时序输入向量进行一维卷积编码以得到第一尺度噪声值特征向量；其中，所述第一卷积公式为：其中，/>为第三一维卷积核在/>方向上的宽度、/>为第三一维卷积核参数向量、/>为与第三一维卷积核函数运算的局部向量矩阵，/>为第三一维卷积核的尺寸，/>表示噪声值时序输入向量，/>表示对噪声值时序输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对噪声值时序输入向量进行一维卷积编码以得到第二尺度噪声值特征向量；其中，所述第二卷积公式为：其中，/>为第四一维卷积核在/>方向上的宽度、/>为第四一维卷积核参数向量、/>为与第四一维卷积核函数运算的局部向量矩阵，/>为第四一维卷积核的尺寸，/>表示噪声值时序输入向量，/>表示对噪声值时序输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的融合层对所述第一尺度噪声值特征向量和所述第二尺度噪声值特征向量进行级联以得到所述噪声值时序特征向量。

在一个具体示例中，在上述CNC加工过程中的智能监控方法中，对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵，包括：以如下编码公式对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；其中，所述编码公式为：其中，/>表示所述电流时序特征向量，表示所述电流时序特征向量的转置向量，/> 表示所述噪声值时序特征向量，/>表示所述分类特征矩阵，/>表示矩阵相乘。

在一个具体示例中，在上述CNC加工过程中的智能监控方法中，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。

在一个具体示例中，在上述CNC加工过程中的智能监控方法中，计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数，包括：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述优化公式为：其中，/>是所述分类特征矩阵中各个位置特征值，/>为所述分类特征矩阵的各个位置特征值的坐标，且/>是所述分类特征矩阵的所有特征值的全局均值，/>和/>代表将二维实数映射为一维实数的函数，/>和/>分别是所述分类特征矩阵的宽度和高度，表示以2为底的对数函数，/>表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。

在一个具体示例中，在上述CNC加工过程中的智能监控方法中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示刀具状态是否正常，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；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，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。

本领域技术人员可以理解，上述CNC加工过程中的智能监控方法中的各个步骤的具体操作已经在上面参考图1到图6的CNC加工过程中的智能监控系统的描述中得到了详细介绍，并因此，将省略其重复描述。

本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。

在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。

应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。

本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种CNC加工过程中的智能监控系统，其特征在于，包括：

信号采集模块，用于获取在机床运行过程中的预定时间段的电流信号和噪声信号；

电流离散化采样模块，用于对所述电流信号进行离散化采样以得到电流值的序列；

电流时序动态变化特征提取模块，用于将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块以得到电流时序特征向量；

噪声离散化采样模块，用于对所述噪声信号进行离散化采样以得到噪声值的序列；

噪声时序动态变化特征提取模块，用于将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块以得到噪声值时序特征向量；

关联编码模块，用于对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；

特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及

刀具状态检测模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示刀具状态是否正常；

其中，所述特征优化模块，包括：

优化因数计算单元，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及

加权优化单元，用于以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵；

其中，所述优化因数计算单元，用于：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；

其中，所述优化公式为：

，

其中，是所述分类特征矩阵中各个位置特征值，/>为所述分类特征矩阵的各个位置特征值的坐标，且/>是所述分类特征矩阵的所有特征值的全局均值，/>和代表将二维实数映射为一维实数的函数，/>和/>分别是所述分类特征矩阵的宽度和高度，/>表示以2为底的对数函数，/>表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。

2.根据权利要求1所述的CNC加工过程中的智能监控系统，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

3.根据权利要求2所述的CNC加工过程中的智能监控系统，其特征在于，所述电流时序动态变化特征提取模块，包括：

第一尺度电流特征提取单元，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第一卷积公式对电流时序输入向量进行一维卷积编码以得到第一尺度电流特征向量；

其中，所述第一卷积公式为：

，

其中，为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、为与第一一维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，表示电流时序输入向量，/>表示对电流时序输入向量进行一维卷积编码；

第二尺度电流特征提取单元，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第二卷积公式对电流时序输入向量进行一维卷积编码以得到第二尺度电流特征向量；

其中，所述第二卷积公式为：

，

其中，为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、为与第二一维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，表示电流时序输入向量，/>表示对电流时序输入向量进行一维卷积编码；以及

电流级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度电流特征向量和所述第二尺度电流特征向量进行级联以得到所述电流时序特征向量。

4.根据权利要求3所述的CNC加工过程中的智能监控系统，其特征在于，所述噪声时序动态变化特征提取模块，包括：

第一尺度噪声值特征提取单元，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第一卷积公式对噪声值时序输入向量进行一维卷积编码以得到第一尺度噪声值特征向量；

其中，所述第一卷积公式为：

，

其中，为第三一维卷积核在/>方向上的宽度、/>为第三一维卷积核参数向量、为与第三一维卷积核函数运算的局部向量矩阵，/>为第三一维卷积核的尺寸，表示噪声值时序输入向量，/>表示对噪声值时序输入向量进行一维卷积编码；

第二尺度噪声值特征提取单元，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第二卷积公式对噪声值时序输入向量进行一维卷积编码以得到第二尺度噪声值特征向量；

其中，所述第二卷积公式为：

，

其中，为第四一维卷积核在/>方向上的宽度、/>为第四一维卷积核参数向量、为与第四一维卷积核函数运算的局部向量矩阵，/>为第四一维卷积核的尺寸，表示噪声值时序输入向量，/>表示对噪声值时序输入向量进行一维卷积编码；以及

噪声值级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度噪声值特征向量和所述第二尺度噪声值特征向量进行级联以得到所述噪声值时序特征向量。

5.根据权利要求4所述的CNC加工过程中的智能监控系统，其特征在于，所述关联编码模块，用于：以如下编码公式对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；

其中，所述编码公式为：

，

其中，表示所述电流时序特征向量，/>表示所述电流时序特征向量的转置向量，表示所述噪声值时序特征向量，/>表示所述分类特征矩阵，/>表示矩阵相乘。

6.根据权利要求5所述的CNC加工过程中的智能监控系统，其特征在于，所述刀具状态检测模块，包括：

矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；

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。

7.一种CNC加工过程中的智能监控方法，使用如根据权利要求1所述的CNC加工过程中的智能监控系统，其特征在于，包括：

获取在机床运行过程中的预定时间段的电流信号和噪声信号；

对所述电流信号进行离散化采样以得到电流值的序列；

将所述电流值的序列按照时间维度排列为电流时序输入向量后通过多尺度邻域特征提取模块以得到电流时序特征向量；

对所述噪声信号进行离散化采样以得到噪声值的序列；

将所述噪声值的序列按照时间维度排列为噪声值时序输入向量后通过所述多尺度邻域特征提取模块以得到噪声值时序特征向量；

对所述电流时序特征向量和所述噪声值时序特征向量进行关联编码以得到分类特征矩阵；

对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及

将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示刀具状态是否正常。

8.根据权利要求7所述的CNC加工过程中的智能监控方法，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。