[发明专利]一种基于深度学习的多传感器数控机床刀具磨损监测方法

权利要求书

1.一种基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，包括如下步骤：

采集数控机床加工过程中的切削力、振动信号，并从所采集的切削力、振动信号中，截取相同时间间隔的若干段信号；

分别对所截取的每一段切削力、振动信号进行归一化处理，利用主成分分析法将归一化处理后的切削力、振动信号的多维时间序列进行约减，得到刀具样本集；

基于卷积自编码器构建数控机床刀具磨损识别模型，并利用刀具样本集对数控机床刀具磨损识别模型进行训练；所述数控机床刀具磨损识别模型包括卷积层、线性整流层、池化层、辅助层；

将实时采集的切削力、振动信号经过归一化处理并利用主成分分析法进行约减后，输入训练好的数控机床刀具磨损识别模型，得到刀具磨损状态识别结果。

2.根据权利要求1所述的基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，所述卷积层将卷积自编码器中输入的信号数据进行变换，由时域描述变换为频域描述，并提取所述刀具样本集的频域特征；所述时域描述包括信号数据的均值、均方值，所述频域描述包括频谱和功率谱。

3.根据权利要求1所述的基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，所述辅助层包括截断层和批量标准化层；通过所述截断层截断卷积自编码器中部分神经元之间的联系，通过批量标准化层对卷积自编码器中批量输入的数据进行标准化操作。

4.根据权利要求1所述的基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，所述线性整流层采用线性整流函数ReLU。

5.根据权利要求1所述的基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，对数控机床刀具磨损识别模型进行训练的具体过程包括：

将所述刀具样本集按预设比例划分为训练集、验证集、测试集；

将数控机床刀具磨损状态划分为若干等级，基于所划分的等级对验证集数据进行加标签处理；

对训练集数据进行加噪处理；

将加噪声处理后的训练集数据输入数控机床刀具磨损识别模型，进行训练，通过训练提取训练集数据的频域特征，即刀具的磨损特征；

基于卷积自编码器获取的刀具磨损特征以及加标签处理后的验证集数据，采用误差反向传播算法对卷积自编码器参数进行微调，完成数控机床刀具磨损识别模型的训练；

将测试集数据输入训练好的数控机床刀具磨损识别模型，检查数控机床刀具磨损识别模型对刀具磨损状态的识别精度。

6.根据权利要求5所述的基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，对训练集数据进行加噪处理的具体方法包括：

首先，对训练集数据进行随机置0处理；

其次，在随机置0的基础上，将部分0进行随机置1处理。