[发明专利]一种刀具磨损状态实时监测方法

说明书

本发明公开了一种刀具磨损状态实时监测方法，包括如下步骤：利用加速度传感器实时采集原始振动信号，并经连续采样裁剪为2000个采样点组成（2000,3）的时序信号；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；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；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；进行网络模型的训练，得到磨损分类结果。本发明具有提高网络模型实时监测的识别精度和泛化性能的特点。

技术领域

本发明属于制造过程监测领域，具体涉及一种刀具磨损状态实时监测方法。

背景技术

在机械加工过程中，切削加工是零件成形最主要的加工方式，刀具的磨损状态将直接影响零件的加工精度、表面质量以及生产效率，因此，刀具状态监测(Tool ConditionMonitoring,TCM)技术对于保证加工质量、实现连续自动化加工具有非常重要的意义。刀具状态监测方法目前主要采用间接测量法，该方法能在刀具切削过程中通过传感器实时采集信号，经过数据处理和特征提取后，采用机器学习(Machine Learning,ML)模型对刀具磨损量进行监测。

现有技术中，Zhang Cunji等提出将加工过程中刀具的振动信号通过小波包转换(Wavelet Packet Transform,WPT)转变为能量频谱图，输入到卷积神经网络中自动提取特征并进行准确分类。German Terrazas等提出基于GASF组件将刀具在高速铣削过程中产生的大量连续的力信号自动转换为二维图像，输入到卷积神经网络获取刀具的磨损状态。CaoDali等提出利用密集连接的方式构建深度神经网络DenseNet，从原始的时序信号中自适应地提取刀具加工信号中隐藏的高维特征，表明加深网络层数有助于提高刀具磨损监测模型的精度。以上方法均采用深度学习的方式自适应的提取特征，但未考虑到时序信号间的前后关联程度这一特征，并且使用的卷积神经网络过多依赖于高维度特征提取，卷积层数过多容易出现梯度弥散，卷积层数过少无法把握全局，导致网络模型实时监测的识别准确率和泛化性能差。

发明内容

本发明的目的在于克服上述缺点而提出了一种能有效的提升网络模型实时监测的识别精度和泛化性能的刀具磨损状态实时监测方法。

本发明的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；

所述卷积神经网络部分包括2层卷积层(Convolutional Layer)和1层池化层(Pooling Layer)，卷积层通过一维卷积运算的方式将每一维度的时序信号进行邻域滤波以生成特征映射，每个特征图可以被看作不同滤波器对当前时间步时序信号的卷积操作；

所述一维卷积层运算的计算公式如下：

其中：表示第l层的第j个特征映射，f表示激活函数，M表示输入特征映射的数量，表示第l-1层的第i个特征映射，表示可训练的卷积核，表示偏置参数；所述激活函数采用Relu激活函数；

所述池化层采用最大值池化对邻域内的特征点取最大值，公式如下：