[发明专利]一种刀具磨损状态实时监测方法

权利要求书

1.一种刀具磨损状态实时监测方法，包括如下步骤：

步骤一：利用加速度传感器实时采集数控加工设备在加工工件的过程中产生的原始振动信号，并将原始振动信号的x、y、z方向振动信号经连续采样裁剪为2000个采样点组成(2000,3)的时序信号；

步骤二：单个时间步时序信号进行局部特征提取：将尺寸为(2000，3)的时序信号作为输入数据输入一维卷积神经网络(CNN)进行邻域滤波，利用滑动窗口进行计算，最终得到单个时间步时序信号的高维特征；即通过一维卷积神经网络对时序信号进行特征提取，将时序信号表达为高维特征，便于后续的时间序列特征提取；

步骤三：时序信号的时间序列特征提取：采用改进的双向长短时记忆网络BiLSTM处理连续时间步时序信号产生的高维特征，逐步合成输入信号的向量特征表示；

所述改进的双向长短时记忆网络BiLSTM，通过构建两个方向的LSTM网络共同叠加组成BiLSTM网络，同时，在BiLSTM网络中引入Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力；

所述改进的双向长短时记忆网络BiLSTM中共包含256个神经元，正向和反向LSTM网络均由128个神经元组成，每个BiLSTM神经元包括输入门(Input Gate)、遗忘门(ForgetGate)和输出门(Output Gate)，分别使用i、f、o来表示，其中，输入门i用于控制网络当前输入信息x_t可以保存到记忆单元C_t中的数量，利用Sigmod函数确定需要保存的新信息，利用tanh函数生成一新的候选向量将需要保存的信息送入记忆单元完成更新；遗忘门f用于控制自连接单元，对上一时刻记忆单元C_t-1中的信息进行筛选，确定需要保留在当前记忆单元C_t中的有效信息数量，遗忘无用信息；输出门o控制记忆单元C_t对当前输出值h_t的影响，决定记忆单元C_t在时间步t时输出信息的数量，公式如下：

i_t＝σ(W_xix_t+W_hih_t-1+b_i)

f_t＝σ(W_xfx_t+W_hfh_t-1+b_f)

o_t＝σ(W_xox_t+W_hoh_t-1+b_o)

h_t＝o_ttanh(C_t)

其中：C表示记忆单元即细胞状态，C_t表示在时间步t时记忆单元状态，表示在时间步t时记忆单元的候选向量，x_t表示在时间步t时的输入向量,h_t表示在时间步t时的输出向量，W表示网络的权重向量，b表示偏置向量，σ(·)表示Sigmod函数，tanh函数表示双曲正切激活函数；

输入时序信号的高维特征，经正向LSTM网络输出向量反向LSTM网络输出向量在时间步t时BiLSTM网络输出特征向量为P_t，公式如下：

步骤四：引入Attention机制计算连续时间步时序信号特征的重要性分布，生成含有注意力概率分布的时序信号特征模型；

所述引入的Attention机制通过分配不同的初始化概率权重与BiLSTM层的各个时间步输出向量进行加权求和，最后经过Sigmod函数计算得到数值；所述Attention机制的计算公式如下：

u_t＝tanh(W_sP_t+b_s)

ν＝∑α_tP_t

其中，P_t表示BiLSTM层在时间步t时的输出特征向量，u_t表示P_t通过神经网络层得到的隐层表示，u_s表示随机初始化的上下文向量，α_t表示u_t通过Softmax函数归一化得到的重要性权重，ν表示最终文本信息的特征向量；

步骤五：网络模型的训练：引入了Dropout技术，用以防止模型在训练过程中发生过拟合；网络模型的激活函数采用Softmax，损失函数采用Categorical_crossentropy，对上述步骤所获得的时序信号特征进行磨损分类，得到分类结果。