一种铁芯智能冲剪监测方法与流程

1.本发明涉及材料的物理性能检测技术领域，具体涉及一种铁芯智能冲剪监测方法。


背景技术：

2.目前，铁芯自动剪切生产线所剪切出的铁芯质量参差不齐，主要问题体现在加工精度、剪切速度与自动化程度等方面的差距。铁芯冲剪过程中冲剪刀具随着使用时间的增加是会不断磨损的，磨损会导致所冲剪出的铁芯不仅有毛边而且可能出现形状不规则发生扭曲，以及铁芯片的片形不达标的问题出现。故如果不能及时对冲剪刀具进行更换，会导致出现生产质量问题。
3.目前，常见的对铁芯冲剪过程进行异常监测的方法为将实施采集到的冲剪数据与数据库中正常冲剪时的数据进行对比，以实现冲剪过程的异常监测。仅采用正常冲剪时的数据进行对比，未考虑其他因素的影响，对冲剪异常的容错率较低。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种铁芯智能冲剪监测方法，所采用的技术方案具体如下：获取铁芯的翘曲度、剪切时的声音频率和升降导轨的震动幅度；基于所述翘曲度在不同时刻的差异得到第一磨损因子；基于所述声音频率在不同时刻的差异得到第二磨损因子；基于所述震动幅度在不同时刻的差异得到第三磨损因子；根据所述翘曲度和初始翘曲度的差异、所述声音频率和初始声音频率的差异、所述震动幅度和初始震动幅度的差异，得到剪切质量下降因子；由多个时刻的所述第一磨损因子、所述第二磨损因子、所述第三磨损因子和所述剪切质量下降因子构建刀具磨损矩阵；基于所述刀具磨损矩阵对多个冲剪机床进行分类，得到多个类别；基于所述第一磨损因子和所述第三磨损因子计算刀具磨损状态指数，将刀具磨损状态指数序列输入所属类别对应的预测磨损状态网络得到预测刀具磨损状态指数；根据所述预测刀具磨损状态指数对铁芯的冲剪刀具监测。
5.优选的，所述基于所述翘曲度在不同时刻的差异得到第一磨损因子，包括：所述第一磨损因子的计算公式为：其中，为第时刻的第一磨损因子；为第时刻的翘曲度；为第时刻的翘曲度；为绝对值函数。
6.优选的，所述根据所述翘曲度和初始翘曲度的差异、所述声音频率和初始声音频率的差异、所述震动幅度和初始震动幅度的差异，得到剪切质量下降因子，包括：
所述剪切质量下降因子的计算公式为：其中，为第时刻的剪切质量下降因子；为第时刻的翘曲度；为第时刻的声音频率；为第时刻的震动幅度；为初始翘曲度；为初始声音频率；为初始震动幅度；为自然常数。
7.优选的，所述基于所述刀具磨损矩阵对多个冲剪机床进行分类，得到多个类别，包括：计算两两刀具磨损矩阵对应的明氏距离；基于所述明氏距离，利用k-m算法将多个冲剪机床进行分类，得到多个类别。
8.优选的，所述基于所述第一磨损因子和所述第三磨损因子计算刀具磨损状态指数，包括：所述刀具磨损状态指数的计算公式为：其中，为第时刻的所述刀具磨损状态指数；为第时刻的第一磨损因子；为第时刻的第三磨损因子；为绝对值函数；为自然常数。
9.优选的，所述基于所述声音频率在不同时刻的差异得到第二磨损因子，包括：所述第二磨损因子的计算公式为：其中，为第时刻的第二磨损因子；为第时刻的声音频率；为第时刻的声音频率；为绝对值函数。
10.优选的，所述基于所述震动幅度在不同时刻的差异得到第三磨损因子，包括：所述第三磨损因子的计算公式为：其中，为第时刻的第三磨损因子；为第时刻的声音频率；为第时刻的声音频率；为绝对值函数。
11.优选的，所述将刀具磨损状态指数序列输入所属类别对应的预测磨损状态网络得到预测刀具磨损状态指数，包括：获取第一个小于等于预设最低阈值的刀具磨损状态指数作为初始刀具磨损状态指数，获取以所述初始刀具磨损状态指数为起始元素的刀具磨损状态指数序列，作为目标
刀具磨损状态指数序列，将所述目标刀具磨损状态指数序列输入所属类别对应的预测磨损状态网络中，得到预测刀具磨损状态指数。
12.本发明实施例至少具有如下有益效果：本发明涉及材料的物理性能检测技术领域。该方法获取铁芯的翘曲度、剪切时的声音频率和升降导轨的震动幅度；分别基于翘曲度、声音频率和震动幅度在不同时刻的差异得到第一磨损因子、第二磨损因子和第三磨损因子；分别根据翘曲度、声音频率、震动幅度与对应的初始数据的差异计算得到剪切质量下降因子；由多个时刻的第一磨损因子、第二磨损因子、第三磨损因子和剪切质量下降因子构建刀具磨损矩阵；基于刀具磨损矩阵对多个冲剪机床进行分类，得到多个类别；基于第一磨损因子和第三磨损因子计算刀具磨损状态指数。通过对铁芯的三个磨损评价指标翘曲度、声音频率和震动幅度进行获取，进而计算得到对应的刀具磨损状态指数，实现对冲剪刀具的磨损情况的实时监控。
13.将刀具磨损状态指数输入所属类别对应的预测磨损状态网络得到预测刀具磨损状态指数，实现对冲剪刀具的磨损情况的预测。并根据预测刀具磨损状态指数对铁芯的冲剪刀具的状态进行预测。
附图说明
14.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
15.图1为本发明一个实施例所提供的一种铁芯智能冲剪监测方法的方法流程图。
具体实施方式
16.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种铁芯智能冲剪监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
17.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
18.本发明实施例提供了一种铁芯智能冲剪监测方法的具体实施方法，该方法适用于冲剪机床自动化冲剪铁芯的场景。该场景下原始铁芯片的长方形，冲剪后的铁芯片为梯形。该冲剪机床后方的加工完成后的后输送带上方安装有光电反射式传感器，用于采集冲剪后的铁芯的翘曲度；在不影响正常冲剪加工的情况下，在冲剪刀具旁安装微型的音频传感器，用于采集声音频率；在不影响正常冲剪加工的情况下，在升降滑轨上安装震动传感器，用于采集震动幅度。该升降滑轨为冲剪刀具剪切铁芯片时的升降滑轨，每个升降一次为一次剪切工作。为了解决仅采用正常冲剪时的数据进行对比，未考虑其他因素的影响，对冲剪异常的容错率较低的问题。本发明通过对铁芯的三个磨损评价指标翘曲度、声音频率和震动幅度进行获取，进而得到对应的刀具磨损状态指数，实现对冲剪刀具的磨损情况的实时检测。
19.下面结合附图具体的说明本发明所提供的一种铁芯智能冲剪监测方法的具体方案。
20.请参阅图1，其示出了本发明一个实施例提供的一种铁芯智能冲剪监测方法的步骤流程图，该方法包括以下步骤：步骤s100，获取铁芯的翘曲度、剪切时的声音频率和升降导轨的震动幅度。
21.首先采集冲剪过程中铁芯及冲剪刀具信息。需要说明的是，该冲剪刀具用于剪切铁芯。
22.剪切工艺中当冲剪刀具出现磨损，最明显的特征是铁芯会出现毛边，但铁芯的毛边在生产线上难以直接通过仪器测量出来。故寻找一种其他的数据信息能够反映出冲剪刀具的磨损信息。通过对冲剪过程的观察，可以发现当冲剪刀具出现磨损、刀具不锋利的情况时，在剪切过程中，冲剪刀具对铁芯的冲压会使铁芯出现翘曲不平的情况，故可以通过检测剪切出的铁芯片的翘曲度来判断冲剪刀具是否出现磨损情况。其中，对铁芯进行剪切也即为对铁芯进行冲剪。
23.获取铁芯的翘曲度的方法为，利用光电反射式传感器放置到加工完成的后输送带上方，测量经过的铁芯，检测铁芯的三个边的中点，每个点的传感器测量值传输到工业处理器中计算得到翘曲度，光电反射式传感器如cmos激光位移传感器和cmos模拟激光传感器。需要说明的是，本发明中铁芯未冲剪前是长方形的铁片，冲剪后铁芯为近似梯形，即铁芯的冲剪位置为梯形的上低，梯形的两个腰。三个中点得到的距离值和翘曲度分别为，每加工完成一个铁芯就得到一个翘曲度。需要说明的是传感器测量值为三个边的中点至传感器的距离。
24.在得到铁芯的翘曲度之后，测量剪切时的声音频率：因翘曲度不能完全保证是由冲剪刀具磨损造成的，也有可能是压边力不足，或是冲剪时下面有铁屑造成不平整，而产生的翘曲。故为了提高其刀具磨损的评估准确性，引入冲剪刀具剪切铁芯时的声音频率。冲剪刀具正常非磨损情况下和磨损情况下对铁芯片进行剪切所时所发出的声音频率是不同的，当冲剪刀具磨损越来越严重时，声音不再清脆。因此可以采集每次剪切时的音频，进一步判断冲剪刀具是否出现了磨损。
25.在冲剪刀具旁安装一个微型的音频传感器，该音频传感器的安装位置不影响正常冲剪加工，采集每次冲剪时的音频，为了体现其音频的差距，将最终采集到的声音频率分别乘以10，得到对应的声音频率序列，将其记作为，t为不同的剪切时刻。需要说明的是，即为第t时刻真实声音频率的十倍，也即第t次剪切的声音频率。
26.在得到剪切时的声音频率之后，进一步测量剪切过程中升降滑轨的振动情况：因冲剪刀具磨损会造成冲剪刀具在冲剪时发生错位倾向，进而会导致升降滑轨产生异常震动，将微型振动传感器放置到其对应的升降滑轨上，该微型振动传感器不影响正常的冲剪加工，采集每次冲剪前后的震动情况，得到震动幅度序列。
27.为了能够更准确的评估出冲剪刀具的磨损情况，通过采集剪切完成后的铁芯的翘曲度、剪切时的声音频率和升降滑轨震动幅度，对冲剪刀具的磨损情况进行后续的计算和分析，得到刀具磨损的趋势。
28.步骤s200，基于所述翘曲度在不同时刻的差异得到第一磨损因子；基于所述声音频率在不同时刻的差异得到第二磨损因子；基于所述震动幅度在不同时刻的差异得到第三磨损因子；根据所述翘曲度和初始翘曲度的差异、所述声音频率和初始声音频率的差异、所述震动幅度和初始震动幅度的差异，得到剪切质量下降因子；由多个时刻的所述第一磨损因子、所述第二磨损因子、所述第三磨损因子和所述剪切质量下降因子构建刀具磨损矩阵；基于所述刀具磨损矩阵对多个冲剪机床进行分类，得到多个类别。
29.冲剪机床长时间的剪切会造成冲剪刀具磨损，使得其翘曲度、声音频率和震动幅度发生较大的变化，因此剪切的刀具磨损因子可以通过翘曲度、声音频率和震动幅度这三项指标的变化情况来计算得到。
30.首先基于翘曲度在不同时刻的差异得到第一磨损因子，也即基于翘曲度在不同时刻的变化情况得到第一磨损因子。当前时刻t的翘曲度与前t-10时刻的翘曲度的差异越大，则反映该冲剪刀具的磨损越严重；反之，当前时刻t的翘曲度与前t-10时刻的翘曲度的差异越小，则反映该冲剪刀具的磨损程度较轻。
31.该第时刻的第一磨损因子的计算公式为：其中，为第时刻的翘曲度；为第时刻的翘曲度；为绝对值函数。
32.该基于翘曲度的变化程度得到第一磨损因子，该第一磨损因子越大，则反映冲剪刀具的磨损越严重；反之，第一磨损因子越小，则反映冲剪刀具的磨损越轻。
33.然后基于声音频率在不同时刻的差异得到第二磨损因子，也即基于声音频率在不同时刻的变化情况得到第二磨损因子。当前时刻t的声音频率与前t-10时刻的声音频率的差异越大，则反映该冲剪刀具的磨损越严重；反之，当前时刻t的声音频率与前t-10时刻的声音频率的差异越小，则反映该冲剪刀具的磨损程度较轻。
34.该第时刻的第二磨损因子的计算公式为：其中，为第时刻的声音频率；为第时刻的声音频率；为绝对值函数。
35.该基于声音频率的变化程度得到第二磨损因子，该第二磨损因子越大，则反映冲剪刀具的磨损越严重；反之，第二磨损因子越小，则反映冲剪刀具的磨损越轻。
36.最后，基于震动幅度在不同时刻的差异得到第三磨损因子，也即基于震动幅度在不同时刻的变化情况得到第三磨损因子。当前时刻t的震动幅度与前t-10时刻的震动幅度的差异越大，则反映该冲剪刀具的磨损越严重；反之，当前时刻t的震动幅度与前t-10时刻的震动幅度的差异越小，则反映该冲剪刀具的磨损程度较轻。
37.该第时刻的第三磨损因子的计算公式为：
其中，为第时刻的声音频率；为第时刻的声音频率；为绝对值函数。
38.该基于震动幅度的变化程度得到第三磨损因子，该第三磨损因子越大，则反映冲剪刀具的磨损越严重；反之，第三磨损因子越小，则反映冲剪刀具的磨损越轻。
39.为第x个冲剪机床的第t次剪切时对应的翘曲度与第t次对应的从后往前数第10次差值次方；同理，、分别是声音频率和震动幅度的情况，因为刀具在使用过程中是不断磨损的，其磨损因子是不断发生变化的。当出现磨损后，三个不同的磨损因子是不断增大的，t从第10次开始计算。因前期刀具不会出现磨损，为减少计算量，前10次剪切不再计算，直至第10次剪切才开始计算冲剪刀具所对应的三个磨损因子。各磨损因子通过采集一天的数据集计算得到。
40.因随着剪切次数的不断增加，冲剪刀具的磨损程度也不断增加，则剪切出的铁芯质量下降，因为翘曲度、声音频率和震动幅度的变化差异从一定程度上均能反映铁芯质量的变化，故进一步根据翘曲度对应的第一磨损因子、声音频率对应的第二磨损因子和震动幅度对应的第三磨损因子对剪切的剪切质量进行评价，计算剪切质量下降因子。
41.根据翘曲度和初始翘曲度的差异、声音频率和初始声音频率的差异、震动幅度和初始震动幅度的差异，得到剪切质量下降因子。
42.该第时刻的剪切质量下降因子的计算公式为：其中，为第时刻的翘曲度；为第时刻的声音频率；为第时刻的震动幅度；为初始翘曲度；为初始声音频率；为初始震动幅度；为自然常数。需要说明的是，该初始翘曲度，也即第1时刻所对应的翘曲度；初始声音频率，也即第1时刻所对应的声音频率；初始震动幅度，也即第1时刻所对应的震动幅度。该第1时刻也冲剪机床开始工作的初始时刻。
43.当前时刻t的翘曲度与初始时刻对应的初始翘曲度的差异越大，则反映冲剪刀具的磨损程度越严重，冲剪刀具的磨损程度越严重，进一步的会影响剪切时的铁芯的剪切质量，剪切质量越差，剪切质量下降因子越大；反之，当前时刻t的翘曲度与初始时刻对应的初始翘曲度的差异越小，则反映冲剪刀具的磨损程度越轻，对应剪切出的铁芯的剪切质量越好。当前时刻t的声音频率与初始时刻对应的初始声音频率的差异越大，则反映冲剪刀具的磨损程度越严重，冲剪刀具的磨损程度越严重，进一步的会影响剪切时的铁芯的剪切质量，剪切质量越差，剪切质量下降因子越大；反之，当前时刻t的声音频率与初始时刻对应的初始声音频率的差异越小，则反映冲剪刀具的磨损程度越轻，对应剪切出的铁芯的剪切质量
越好。当前时刻t的振动幅度与初始时刻对应的初始振动幅度的差异越大，则反映冲剪刀具的磨损程度越严重，冲剪刀具的磨损程度越严重，进一步的会影响剪切时的铁芯的剪切质量，剪切质量越差，剪切质量下降因子越大；反之，当前时刻t的振动幅度与初始时刻对应的初始振动幅度的差异越小，则反映冲剪刀具的磨损程度越轻，对应剪切出的铁芯的剪切质量越好。
44.该剪切质量下降因子为每次剪切时计算得到的三个指标与第一次冲剪完整时的差异，当实时的指标与第一次冲剪时差异过大，则对应的剪切质量下降因子越大；反之，当实时的三个指标与第一次冲剪时差异较小，则对应的剪切质量下降因子越小。
45.基于翘曲度、声音频率和震动幅度三个指标所对应的磨损因子，以及计算得到的剪切质量下降因子四个方面来反映刀具的磨损矩阵指数。刀具磨损质量的评价需要多方面的数据来支撑，单一方面的数据不能得到有力的支持，因此需要一个刀具磨损矩阵。
46.该矩阵包括翘曲度、声音频率、震动幅度对应的三个磨损因子和剪切质量下降因子。该刀具磨损矩阵的表达式为：，该刀具磨损矩阵包括四行：第一磨损因子、第二磨损因子、第三磨损因子和剪切质量下降因子，刀具磨损矩阵包括t列，也即进行了t次冲剪机床剪切。该矩阵更能综合体现出该冲剪机床的刀具磨损质量变化情况。
47.由于智能冲剪系统面向的是全部的冲剪车间的所有冲剪机床，在总控制系统中能够看到所有的冲剪机床的刀具磨损情况，得到不同冲剪机床所对应的刀具磨损矩阵。因为车间中不同的机床更换冲剪刀具的时间都是不同的，故会出现在相同时间段内其对应的刀具磨损矩阵之间的数据值不同的情况，所有每个刀具磨损矩阵之间会存在距离。进一步计算不同刀具磨损矩阵之间的刀具磨损矩阵指数距离。需要说明的是，刀具磨损矩阵是由多个不同方面的因素构成的，存在量纲，故在计算刀具磨损矩阵之间的距离时，采用明可夫斯基距离，也即明氏距离，明可夫斯基距离是欧式距离的推广，是对多个距离度量公式的概括性的表述。
48.明氏距离的计算公式为：其中，为欧式距离加权函数，为车间内第x个冲剪机床对应的刀具磨损矩阵；为车间内第y个冲剪机床对应的刀具磨损矩阵；表示n维，在本发明实施例中由于共有四个指标，故n的取值为4；i为不同的数据点；p为一个变参数。当p=1时，明氏距离即为曼哈顿距离；当p=2时，明氏距离即为欧式距离；当p取无穷时的极限情况下时，明氏距离为切比雪夫距离。
49.当两个刀具磨损矩阵的明氏距离越大，反映此时两个冲剪机床的冲剪刀具的磨损程度差异较大。当两个刀具磨损矩阵的明氏距离越趋于0时，反映这两个冲剪机床的冲剪刀
具的磨损程度相近。
50.由计算出的刀具磨损矩阵之间的明氏距离可以得知，同一车间不同的冲剪机床的刀具磨损情况是不同的，且不同冲剪机床之间的差异性比较大，几乎都是两两机床的刀具磨损情况相似，故可以使用k-m算法将刀具磨损程度接近的冲剪机床分配在一起。将求得的两两冲剪机床对应的刀具磨损矩阵之间的明氏距离投入k-m算法中，将明氏距离最小的两个冲剪机床相匹配，即相匹配的两个冲剪机床的刀具磨损情况最接近。
51.实现冲剪车间中多台冲剪机床的匹配，此时所配对的冲剪机床的刀具磨损程度相一致，对于出现剩余的未配对的冲剪机床，自动寻到与其明氏距离最短的冲剪机床所在的类别进行匹配。需要说明的是，除了加入了剩余的未匹配的冲剪机床的类别外，其余的类别内均为两个冲剪机床。
52.因为冲剪刀具不是易损易坏的结构，故刀具更换的时间预估是较长的，较长的时间就会消耗大量的算力。而该智能检测方法是面向于整个冲剪车间，故为了减少一半的工作量、减少计算量，以及减少采集数据的工作量，采用k-m算法将车间内的冲剪机床进行配对。
53.步骤s300，基于所述第一磨损因子和所述第三磨损因子计算刀具磨损状态指数，将刀具磨损状态指数序列输入所属类别对应的预测磨损状态网络得到预测刀具磨损状态指数；根据所述预测刀具磨损状态指数对铁芯的冲剪刀具监测。
54.由于长时间的冲剪会造成冲剪刀具的磨损，因此为了能够更简单明了的了解冲剪车间的所有冲剪车床的刀具状态情况，可以根据卷翘度和震动幅度得到的磨损因子，建立刀具磨损状态指数；也即基于第一磨损因子和第三磨损因子计算刀具磨损状态指数。
55.第时刻的刀具磨损状态指数的计算公式为：其中，为第时刻的第一磨损因子；为第时刻的第三磨损因子；为绝对值函数；为自然常数。
56.该翘曲度对应的第一磨损因子越大，则对应的当前时刻的刀具磨损状态指数越大；反之，该翘曲度对应的第一磨损因子越小，则对应的当前时刻的刀具磨损状态指数越小。震动幅度对应的第三磨损因子越大，则对应的当前时刻的刀具磨损状态指数越大；反之，该震动幅度对应的第三磨损因子越小，则对应的当前时刻的刀具磨损状态指数越小。第一磨损因子与刀具磨损状态指数，第三磨损因子与刀具磨损状态指数均呈正比关系。该刀具磨损状态指数越接近于1，则对应的刀具磨损程度越小，因为当各项磨损因子都趋于1时，该刀具磨损状态指数的值越趋近于0；反之，当各项磨损因子越小，则对应的刀具磨损状态指数的取值越趋近于1。
57.在得到刀具磨损状态指数之后，利用lstm神经网络预测刀具磨损状态指数的发展趋势。需要说明的是，不同类别的冲剪机床的刀具状态是不同的，因此每个类别都需要有对应的预测磨损状态网络进行预测。下面对任意类别进行举例，其他类别的预测方法均相同。
58.采集一个类别内的两台冲剪机床对应的过去10天的刀具磨损状态指数，将该十
天的数据值按照9:1的比例分别分为训练集和测试集，90%的数据作为预测磨损状态网络的训练集，10%的数据作为测试集，将训练集的数据放入lstm神经网络中进行训练，测试集测试预测磨损状态网络所预测的准确率，预测磨损状态网络评价的标准选取最大误差和均方根误差，标签值选取第t+1时刻的刀具磨损状态指数。当预测磨损状态网络的准确率达到使用要求，即预测磨损状态网络构建完成。该预测磨损状态网络的横轴为剪切次数，纵坐标为刀具磨损状态指数。
59.因为冲剪刀具的寿命一般较长，该预测磨损状态网络如果一直进行预测，会消耗大量算力。故设定当刀具磨损状态指数小于等于预设最低阈值时，再利用预测磨损状态网络对其冲剪刀具所对应的刀具磨损状态指数进行预测。设定当刀具磨损状态指数低于预设最低阈值再进行预测，相较于从剪切的最开始就进行预测，可以减少处理器的成本，其预测的准确率也会有所提高。在本发明实施例中预设最低阈值的取值为0.6，在其他实施例中实施者可根据实际情况调整该取值。
60.获取第一个小于等于预设最低阈值的刀具磨损状态指数作为初始刀具磨损状态指数，获取以初始刀具磨损状态指数为起始元素的刀具磨损状态指数序列，作为目标刀具磨损状态指数序列，将目标刀具磨损状态指数序列输入类别对应的预测磨损状态网络中，得到预测刀具磨损状态指数；也即当刀具磨损状态指数小于等于预设最低阈值时，将从小于等于预设最低阈值的刀具磨损状态指数开始所对应的目标刀具磨损状态指数序列，输入类别所对应的预测磨损状态网络中，得到预测刀具磨损状态指数，其中，目标刀具磨损状态指数序列是一个时间序列。根据预测刀具磨损状态指数对铁芯的冲剪刀具监测，具体的：当预测刀具磨损状态指数小于预设更换阈值时，认为冲剪刀具磨损严重，需要进行更换。获取当预测刀具磨损状态指数等于预设更换阈值时，对应的横轴的剩余剪切次数还有多少次。如当剩余剪切次数还有m次，求出该冲剪机床的历史数据中每天剪切次数的历史平均值m；该剩余剪切次数m与剪切次数的历史平均值m的比值为冲剪机床的待更换天数，在待更换天数达到的前一星期对其进行预警，对所属类别内的两台冲剪机床的冲剪刀具均进行更换。若能及时更换冲剪机床的冲剪刀具进行更换，到刀具磨损状态指数达到预设更换阈值时自动停止机床加工，避免加工出质量较差的铁芯片，导致材料浪费。在本发明实施例中预设更换阈值的取值为0.5，在其他实施例中实施者可根据实际情况调整该取值。
61.综上所述，本发明涉及材料的物理性能检测技术领域。该方法获取铁芯的翘曲度、剪切时的声音频率和升降导轨的震动幅度；分别基于翘曲度、声音频率和震动幅度在不同时刻的差异得到第一磨损因子、第二磨损因子和第三磨损因子；根据翘曲度和初始翘曲度的差异、声音频率和初始声音频率的差异、震动幅度和初始震动幅度的差异，得到剪切质量下降因子；由多个时刻的第一磨损因子、第二磨损因子、第三磨损因子和剪切质量下降因子构建刀具磨损矩阵；基于刀具磨损矩阵对多个冲剪机床进行分类，得到多个类别；基于第一磨损因子和第三磨损因子计算刀具磨损状态指数，将刀具磨损状态指数输入所属类别对应的预测磨损状态网络得到预测刀具磨损状态指数；根据预测刀具磨损状态指数对铁芯的冲剪刀具监测。该方法通过对铁芯的三个磨损评价指标翘曲度、声音频率和震动幅度进行获取，进而得到对应的刀具磨损状态指数，实现对冲剪刀具的磨损情况的实时监控，将对应的刀具磨损状态指数序列输入训练好的各类别对应的预测磨损状态网络中得到预测刀具磨损状态指数，实现对冲剪刀具的磨损情况的预测，根据预测刀具磨损状态指数实现对冲剪
机床的调控。
62.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
63.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
64.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。