[发明专利]数控机床刀具磨损状态识别方法和存储介质

权利要求书

1.数控机床刀具磨损状态识别方法，其特征在于，包括以下步骤：

将采集到的机床加工时的电流信号序列输入预先训练完成的CBLSTM算法模型得到电流信号序列处于正常磨损状态和异常磨损状态对应的概率，所述CBLSTM算法模型包括依次连接的单层卷积神经网络、双层双向长短期记忆循环神经网络、单层全连接网络以及与单层全连接网络层连接的输出层。

2.根据权利要求1所述的数控机床刀具磨损状态识别方法，其特征在于，所述CBLSTM算法模型的构建方法具体包括：

构造单层卷积神经网络：所述单层卷积神经网络包括了一个一维卷积层和最大池化层；通过卷积层的K个卷积核对输入的电流信号序列进行卷积操作，得到K个特征图；通过最大池化层对经卷积层后的每个特征图进行池化压缩，得到压缩后包含K个局部特征的时间序列；

构造双层双向长短期记忆循环神经网络(Bi-directional LSTM)：所述双层双向长短期记忆循环神经网络的每一层Bi-directional LSTM包含了两层计算方向相反的长短期记忆循环神经网络(LSTM),每层LSTM网络包括M个LSTM单元；将卷积神经网络输出的时间序列输入该网络，经过两层连续的Bi-directional LSTM网络计算，得到包含时间信息的特征序列；

构建单层全连接网络：将所述双层双向长短期记忆循环神经网络的输出输入到该单层全连接网络；

构建输出层：所述输出层神经元数为2；将单层全连接网络层的输出输入到该输出层，得到异常磨损状态和正常磨损状态对应的概率。

3.根据权利要求2所述的数控机床刀具磨损状态识别方法，其特征在于，所述双层双向长短期记忆循环神经网络和全连接网络层后均设置dropout正则化。

4.根据权利要求2所述的数控机床刀具磨损状态识别方法，其特征在于，单层卷积神经网络与单层全连接网络的激活函数选择线性整流函数；双向长短期记忆循环神经网络的激活函数为该网络结构自带的激活函数；输出层的激活函数选择Softmax进行二分类。

5.根据权利要求2所述的数控机床刀具磨损状态识别方法，其特征在于，训练所述CBLSTM算法模型的方法如下：

根据采集的电流信号数据获得的训练数据、验证数据和测试数据，

利用训练数据、验证数据训练预先构建的CBLSTM算法模型，再使用测试数据测试训练好模型的识别性能；其中获得训练数据、验证数据和测试数据具体方法如下：

采集机床加工时的电流信号序列数据，并记录每打N个孔后的刀具磨损量数据；将每打N个孔所采集到的信号序列数据分为一组，与当前测得磨损量数据对应，得到各组序列，每组序列长度均为L；

对序列中磨损量数据大于设定刀具磨损量阈值的，将该数据分类为异常磨损状态，否则分类为正常磨损状态，得到原始数据集；

采用自适应综合过采样对原数据集中的分类为异常磨损状态的数据进行数据加强，生成新的异常磨损状态数据，与原始正常磨损状态数据组合得到加强后的数据集；将加强后的数据集按预设比例划分，得到训练数据，验证数据和测试数据。