(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211092921.6 (22)申请日 2022.09.08 (65)同一申请的已公布的文献号 申请公布号 CN 115169617 A (43)申请公布日 2022.10.11 (73)专利权人 合肥中科迪宏自动化有限公司 地址 230088 安徽省合肥市高新区长江西 路687号拓 基城市广场金座B423 -428 (72)发明人 令狐彬　胡炳彰　周璠　许鹏　 鲍江宏　高磊　 (74)专利代理 机构 合肥和瑞知识产权代理事务 所(普通合伙) 34118 专利代理师 金宇平 (51)Int.Cl. G06Q 10/00(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06F 30/27(2020.01)G06Q 50/04(2012.01) G06T 7/00(2017.01) G06T 7/60(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06F 119/04(2020.01) (56)对比文件 CN 103492834 A,2014.01.01 CN 111260212 A,2020.0 6.09 CN 110889633 A,2020.0 3.17 US 2022134562 A1,202 2.05.05 JP 2011221898 A,201 1.11.04 JP 2002321032 A,2002.11.05 CN 113642414 A,2021.1 1.12 CN 113469260 A,2021.10.01 陈启鹏等.基 于深度门控循环单 元神经网络 的刀具磨损状态实时监测方法. 《计算机集成制 造系统》 .2020,(第07期), 审查员 戴琳曼 (54)发明名称 模具保养预测模 型训练方法、 模具保养预测 方法和系统 (57)摘要 模具保养预测模 型训练方法、 模具保养预测 方法和系统。 本发明提出的一种模 具保养预测模 型训练方法可训练出一种基于产品质量数据精 确预测模具保养动态的模具保养预测模型， 该模 具保养预测模型将模具生产的产品的产品图像 数据和尺寸数据组成的多模态特征共同作为产 品的模具保养预测模型的输入， 在特征上起到相 互补充的作用； 采用多尺度循环神经网络预测产 品特征向量的走向， 采用深度前馈网络预测未来 时刻模具磨损状态量， 绘制模具磨损状态量变化 曲线图； 然后根据事先设定好的模 具磨损状态量 阈值， 算出当前时刻的模具剩余寿命， 实现模具保养预测。 权利要求书3页 说明书8页 附图4页 CN 115169617 B 2022.11.11 CN 115169617 B 1.一种模具保养预测模型训练方法， 其特征在于， 所述模具保养预测模型用于预测模 具的剩余寿命， 所述训练方法包括以下步骤： S1、 获取产品质量数据， 产品质量数据包括同一产品不同角度的产品图像和多项产品 尺寸数据， 产品尺 寸数据为展示产品形状特征的尺寸数据； 构建标注样本， 标注样本包括某 一时刻上模具生产的产品的产品质量数据以及该时刻上模具 的剩余寿命， 令 i表示标注样 本序号，yi表示模具生产第 i个标注样本对 应的产品时的剩余寿命， yi记作第i个标注样本的 真实标注； S2、 构建初始模型， 初始模型包括预处理模块、 自注意力机制模块、 多尺度循环神经网 络和模具保养预测模块； 预处理模块用于对不同角度的产品图像进行预处理， 以获取各个角度的产品图像的特 征向量并构建产品图像特征集合 F； 预处理模块用于对各项产品尺寸数据进行预 处理， 以获 取产品尺寸特征集合 S’ ’； 预处理模块还用于对产品图像特征集合 F和产品尺寸特征集合 S’ ’加权求和作为样本数据 X并输出； 令 Xi表示第i个标注样本对应的样本数据； F={f(1),f(2), …,f(rf),…,f(nf)}； S’ ’={s’ ’(1),s’ ’(2),…,s’ ’(rs),…,s’ ’(ns)}； 其中，nf表示图像采集角度的数量， f(rf)表示从第 rf个角度采集的产品图像对应的特 征向量；ns表示产品尺寸数据的数量， s’ ’(rs)表示产品的第 rs个尺寸特征； ns=nf； 1≤rf≤ nf； 1≤rs≤ns； 自注意力机制模块的输入为样本数据 X， 输出为X经过自注意力机制后的特 征向量X’； 多尺度循环神经网络包括多个循环神经网络， 每一个循环神经网络用于提取不同尺度 上的特征向量， 循环神经网络的输入为特征向量 X’或者自身的输出； 令当前时刻为 t时刻， 第r个循环神经网络的输入为 X’时， 其输出为当前时刻特征向量 X’ ’(r,t)； 第r个循环神经 网络的输入为 X’ ’(r,t’)时， 其输出为下一 时刻特征向量 X’ ’(r,t’+1)；t≤t’≤t+N‑1，N为 设定的循环次数； 1 ≤r≤R，R为循环神经网络的数量； 模具保养预测模块包括深度 前馈网络和模具寿命预测模块； 深度 前馈网络根据 各时刻 上的特征 向量X’ ’(r,t+n)预测该时刻 t+n上模具的磨损状态量， 0≤n≤N； 模具寿命预测 模 块根据模具的磨损状态量曲线 预测模具的剩余寿命， 模具的磨损状态量曲线 结合模具各时 刻上的磨损状态量绘制； 初始模型的输入为预处理模块的输入， 初始模型的输出为模具寿命预测模块  的输出， 即模具的剩余寿命； S3、 令初始模型自主学习标注样本以迭代参数， 直至达到设定的迭代条件， 则固定参 数， 并将固定参数的初始模型作为模具保养预测模型。 2.如权利要求1所述的模具保养预测模型训练方法， 其特征在于， 预处理模块和自注意 力机制模块均采用固定模型， S3中首先令预处理模块、 自注意力机制模块和多尺度循环神 经网络构成预学习模型， 令预学习模型自主 学习标注样本以对多尺度循环神经网络进 行参 数迭代， 直至固定多尺度循环神经网络； 然后令多尺度循环神经网络参数固定的初始模型 对标注样本进行 学习， 以迭代模具保养预测模块的参数； 多尺度循环神经网络进行参数迭代包括以下步骤： SA31、 设置过渡参数 X’ ’ ’， 令：权　利　要　求　书 1/3 页 2 CN 115169617 B 2X’ ’ ’=w1×X’ ’(1,t)+w2×X’ ’(2,t)+…+wr×X’ ’(r,t)+…+wR×X’ ’(R,t)； 其中，wr表示权重， 1 ≤r≤R，w1+w2+…+wr+…+wR=1；wr在预学习模型自主学习标注样本 的过程中通过反向传播自适应调整； SA32、 令预学习模型对标注样本进行学习， 并在学习过程中采用Adam优化器对预学习 模型中的多尺度循环神经网络进 行参数迭代， 直至预学习模型的损失达到最小时固定多尺 度循环神经网络； 预学习模型的损失采用以下第一损失函数计算： ； 其中，L表示预学习模型的损失， M表示预学习模型学习的最近一组标注样本的集合， m 为M中的标注样本数量， i表示标注样本序号， Xi’表示第i个标注样本对 应的样本数据 Xi经过 自注意力 机制后的特征向量； 令样本数据 Xi对应的过渡参数记作 Xi’ ’ ’， 当多尺度循环神经 网络的输入 X’=Xi’时，Xi’ ’ ’=X’ ’ ’；λ表示第一损失函数中权重衰减项的权重， λ为设定值； E (W,b)表示预学习模型中的多尺度循环神经网络中所有权值和偏置的权重衰减项， W和b分 别表示预 学习模型中的多尺度循环神经网络的权值向量和偏置向量。 3.如权利要求2所述的模具保养预测模型训练方法， 其特征在于， 模具保养预测模块的 参数迭代方法为： 将参数固定的多尺度循环神经网络代入初始模型， 令该初始模型学习标 注样本， 并在学习过程中采用Adam优化器对初始模型中的深度前馈网络进行参数迭代， 直 至初始模型的损失达到最小时固定深度前馈网络的参数， 并保存此时的初始模型作为模具 保养预测模型； 所述的初始模型的损失函数采用以下第二损失函数计算： ； 其中，L’表示初始模型的损失， M’表示初始模型学习的最近一组标注样本的集合， m’为 M’中的标注样 本数量，i表示标注样 本序号，yi为样本数据Xi对应的真实标注， ŷi表示样本数 据Xi对应的模型标注， 当初始模型的输入为 Xi时， 其输出记作 ŷi；λ’表示第二损失函数中权 重衰减项的权重， λ’为设定值； E’(W’,b’)表示初始模 型中的深度前馈网络的所有权值和偏 置的权重衰减项，W’和b’分别表示初始模型中的深度前馈网络的权值向量和偏置向量。 4.如权利要求1所述的模具保养预测模型训练方法， 其特征在于， 产品尺寸特征集合 S’ ’通过以下步骤获取： SD1、 获取 ns项产品尺寸数据， 分别计算各项尺寸数据与标准产品的该项尺寸数据之间 的误差， 构建尺寸误差集合 S={s(1),s(2), …,s(rs),…,s(ns)}；s(rs)表示产品的第 rs项尺 寸数据对应的误差； SD2、 对尺寸误差集合 S中的各项误差进行归一化处理， 得到归一化后的尺寸误差集合 S’={s’(1),s’(2),…,s’(rs),…,s’(ns)}，s’(rs)∈[0,1] ； SD3、 对集合S’进行embedding处理， 得到产品尺寸特