[发明专利]数控机床刀具磨损状态识别方法和存储介质

说明书

本发明公开了数控机床刀具磨损状态识别方法和存储介质，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和异常磨损的概率，通过将卷积神经网络，双层双向长短期记忆循环神经网络和全连接网络以串行的方式结合构建CBLSTM算法模型，可以充分的利用三者的优势并用于刀具磨损的状态识别，卷积神经网络可以首先提取出信号序列的一系列局部特征，并输出包含多个局部特征的时间序列；双向长短期记忆循环神经网络能学习该时间序列双向的长期时间依赖关系，从而输出包含时序信息的特征向量；然后利用全连接网络的拟合能力，将提取的特征映射到正常磨损状态与异常磨损状态的概率上；提高了识别效率和识别精度。

技术领域

本发涉及了一种数控机床刀具磨损状态的在线监测方法，属于工业故障诊断领域。

背景技术

数控机床是自动化生产中常见的一种加工机械，它是一种装有程序控制系统的自动化机床。在数控机床加工过程中，其所装配的铣刀磨损的速度很快，刀具的磨损将直接影响数控机床的加工质量，当刀具被过度磨损时，甚至会出现断刀等工业事故。为了防患于未然，我们亟需一种适合于数控机床刀具磨损的状态检测技术，从而最大化降低因刀具过度磨损而带来的损失与风险。

刀具的磨损状态识别一般分为直接法和间接法。直接法是通过测量仪器直接测量刀具的磨损变化，包括直接测量磨损量，电阻监测，放射线监测等。然而，直接识别往往是比较困难且不够及时的。这需要精密的测量手段和专业的技术支持，但这在大多数工业场合是没有的。为了能够准确且快速的诊断数控机床的刀具磨损情况，现在，一些基于数据的间接识别方法被提出。这种方法主要是通过采集加工过程中，数控机床所产生的与刀具磨损相关的信号数据，然后对信号进行处理，最后使用人工智能技术对刀具的磨损状态进行模式识别。

但是目前对刀具的磨损状态识别方法的准确度和识别效率有待提高，这是本领域目前需要解决的技术问题。

发明内容

本发明旨在提高目前刀具磨损状态识别方法的准确度和识别效率，提供数控机床刀具磨损状态识别方法和系统。

为实现是上述技术目的，本发明采用以下技术方案。

数控机床刀具磨损状态识别方法，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(Convolutional Bi-directional LSTM，卷积双向LSTM循环神经网络)算法模型得到一组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。

进一步地，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，得到压缩后的包含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层；

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。