1.一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，其特征在于，該方法基于邊緣計算系統(tǒng)實現(xiàn)，所述邊緣計算系統(tǒng)包括云計算層、邊緣計算層、終端層、任務(wù)分配計算單元及任務(wù)分配優(yōu)化單元，所述云計算層用于訓(xùn)練功率增量診斷模型，所述邊緣計算層用于針對新的加工工況對功率增量診斷模型進行再訓(xùn)練，所述終端層包括數(shù)控機床、工況參數(shù)采集模塊、功率數(shù)據(jù)采集模塊及圖像采集模塊，所述工況參數(shù)采集模塊用于采集切削加工參數(shù)及工件類型，所述功率數(shù)據(jù)采集模塊用于實時采集切削加工功率，所述圖像采集模塊用于采集切削刀具圖像和工件表面質(zhì)量圖像；
2.如權(quán)利要求1所述的一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，其特征在于，所述果蠅算法具體通過以下方法實現(xiàn)：
3.如權(quán)利要求1或2所述的一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，其特征在于，所述步驟s4中的利用邊緣計算層對深度學(xué)習(xí)算法模型進行訓(xùn)練，具體通過以下方法實現(xiàn)：分析源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)的特征分布差異，引入對齊權(quán)重進行數(shù)據(jù)對齊以實現(xiàn)數(shù)據(jù)的跨域轉(zhuǎn)移；采用tensorflow深度學(xué)習(xí)架構(gòu)構(gòu)建深度學(xué)習(xí)算法進行正向計算訓(xùn)練；采用參數(shù)遷移學(xué)習(xí)并保留大部分訓(xùn)練參數(shù)，進行反向傳播計算來優(yōu)化特征分布，利用最大平均差異衡量源域與目標(biāo)域之間概率分布的差異，結(jié)合深度學(xué)習(xí)訓(xùn)練交叉熵表征訓(xùn)練誤差結(jié)果，運用正則化最大平均差異及交叉熵，構(gòu)建算法的優(yōu)化目標(biāo)；訓(xùn)練后獲得最終的加工精度故障診斷模型，用于在加工過程中進行實時診斷。
4.如權(quán)利要求3所述的一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，其特征在于，所述步驟s4中加工精度故障診斷模型結(jié)構(gòu)包括卷積層、池化層、lstm層和全連接層，卷積層和池化層用于特征提取，lstm層用于處理時間序列數(shù)據(jù)，全連接層則用于最終的診斷結(jié)果分類。
5.如權(quán)利要求4所述的一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，其特征在于，所述正向計算訓(xùn)練通過以下方法實現(xiàn)：
6.如權(quán)利要求5所述的一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，其特征在于，所述反向傳播計算通過以下方法實現(xiàn)：
7.如權(quán)利要求2所述的一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，其特征在于，所述步驟s2具體通過以下方法實現(xiàn)：
8.如權(quán)利要求7所述的一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，其特征在于，所述刀具磨損狀態(tài)下的磨損量具體通過以下方法獲得：
9.如權(quán)利要求8所述的一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，其特征在于，還包括：在建立刀具磨損功率增量模型后，利用優(yōu)化函數(shù)對刀具磨損功率增量模型進行結(jié)果優(yōu)化，優(yōu)化后的刀具磨損功率增量模型表示為：
10.如權(quán)利要求8所述的一種基于人工智能的刀具磨損監(jiān)測和修復(fù)方法，其特征在于，所述步驟s6包括以下分步驟：