[发明专利]数控车磨复合机床及其生产控制方法

权利要求书

1.一种数控车磨复合机床，其特征在于，包括：

数据采集模块，用于获取车削监控视频、磨削监控视频和磨削后产品图像；

车削和磨削数据编码模块，用于将所述车削监控视频和所述磨削监控视频分别通过使用三维卷积核的第一卷积神经网络以得到车削跟踪特征图和磨削跟踪特征图；

车削和磨削联合编码模块，用于将所述车削跟踪特征图和所述磨削跟踪特征图在通道维度进行级联后通过使用三维卷积核的第二卷积神经网络以得到加工特征图；

成型后产品编码模块，用于将所述磨削后产品图像通过作为特征提取器的第三卷积神经网络以得到成型特征图；

第一校正模块，用于基于所述成型特征图中各个位置之间的距离，对所述加工特征图中各个位置的特征值进行校正以得到校正后加工特征图；

第二校正模块，用于基于所述加工特征图中各个位置之间的距离，对所述成型特征图中各个位置的特征值进行校正以得到校正后成型特征图；

响应性估计模块，用于计算所述校正后成型特征图相对于所述校正后加工特征图的响应性估计以得到响应性特征表示作为分类特征矩阵；以及

优化结果生成模块，用于将所述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车削部分的比例应增大且磨削部分的比例应减小，或者，车削部分的比例应减小且磨削部分的比例应增大；

其中，所述第一校正模块，进一步用于：基于所述成型特征图中各个位置之间的距离，以如下公式对所述加工特征图中各个位置的特征值进行校正以得到校正后加工特征图；

其中，所述公式为：

其中，d(f_i,f_j)是计算特征值f_i与特征值f_j之间的距离，f_i是所述加工特征图的各个位置的特征值，f_j是所述成型特征图的各个位置的特征值，ρ为超参数，且f_i'是所述校正后加工特征图的各个位置的特征值；

其中，所述第二校正模块，进一步用于：基于所述加工特征图中各个位置之间的距离，以如下公式对所述成型特征图中各个位置的特征值进行校正以得到校正后成型特征图；

其中，所述公式为：

其中，d(f_j,f_i)是计算特征值f_j与特征值f_i之间的距离，f_j是所述成型特征图的各个位置的特征值，f_i是所述加工特征图的各个位置的特征值，ρ为超参数，且f_j'是所述校正后成型特征图的各个位置的特征值；

其中，以上述公式对所述成型特征图与所述加工特征图分别进行对比搜索空间同向化，以通过所述对比搜索空间同向化将所述成型特征图与所述加工特征图迁移到各向同性且有区分度的表示空间，以增强响应性特征表示的特征表示的分布连续性；

其中，所述响应性估计模块，包括：

第一降维单元，用于计算所述校正后成型特征图的沿通道维度的各个特征矩阵的全局均值以得到校正后成型特征向量；

第二降维单元，用于计算所述校正后加工特征图的沿通道维度的各个特征矩阵的全局均值以得到校正后加工特征向量；以及

响应性估计单元，用于计算所述校正后成型特征向量相对于所述校正后加工特征向量之间的转移矩阵作为所述分类特征矩阵。

2.根据权利要求1所述的数控车磨复合机床，其特征在于，所述车削和磨削数据编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行：

基于三维卷积核对所述输入数据进行卷积处理以生成卷积特征图；

对所述卷积特征图进行均值池化处理以生成池化特征图；以及

对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；

其中，所述第一卷积神经网络的最后一层的输出分别为所述车削跟踪特征图和所述磨削跟踪特征图，所述第一卷积神经网络的输入分别为所述车削监控视频和所述磨削监控视频。