[发明专利]一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质

权利要求书

1.基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，包括步骤如下：

(1)数据采集：

分别采集机床主轴X、Y、Z三个轴的振动信号与每一次走刀后的刀具磨损值，其中，机床主轴X、Y、Z三个轴所处的主轴坐标系根据右手笛卡尔直角坐标系建立；

(2)数据预处理：

根据刀具磨损值进行刀具磨损阶段分类，以分类结果作为标签，将振动信号进行分类；

将机床主轴X、Y、Z三个轴的振动信号按照时间顺序分段为长度为n²的切片，之后将机床主轴X、Y、Z三个轴的切片进行拼接，构建为n×n×3的三通道输入特征图，其中，n为振动信号切片转换为特征图时，特征图的高或宽；

数据预处理后的数据中选取训练集、验证集和测试集；

(3)构建多尺度-通道注意力网络模型：

所述多尺度-通道注意力网络模型包括输入层、三个分支、全连接层；

三个分支包括第一分支、第二分支、第三分支，第一分支包括5个卷积层；第二分支包括2个卷积层；第三分支包括1个卷积层；

在第一分支的第二个卷积层与第二分支的第一个卷积层、在第一分支的第四个卷积层与第二分支的第二个卷积层、在第二分支的第一个卷积层与第三分支的第一个卷积层之间均设置有残差连接，残差加和结果分别输入卷积层第一分支的第三个卷积层、第一分支的第五个卷积层、第二分支的第二个卷积层；

第二分支的第一个卷积层的输出特征图、第二分支的第二个卷积层的输出特征图及第三分支的第一个卷积层的输出特征图做残差连接之前输入通道注意力模块；

(4)训练：将训练集输入多尺度-通道注意力网络模型进行训练，在训练的同时记录每一次训练周期的训练集准确率与损失函数；

(5)测试：将测试集输入训练好的多尺度-通道注意力网络模型，输出测试集数据对应的刀具磨损阶段；

三个分支包括第一分支、第二分支、第三分支的数学表达式分别如式(Ⅰ)、式(Ⅱ)、式(Ⅲ)所示：

式(Ⅰ)、式(Ⅱ)、式(Ⅲ)中，i₁＝1,2,…5，i₂＝1,2，i₃＝1；

是指第一分支的第i₁个卷积层的输出特征图，是指第一分支的第i₁个卷积层，是指第一分支的第i₁-1个卷积层的输出特征图；

是指第二分支的第i₂个卷积层的输出特征图，是指第二分支的第i₂个卷积层，是指第二分支的第i₂-1个卷积层的输出特征图；

是指第三分支的第i₃个卷积层的输出特征图，是指第三分支的第i₃个卷积层，是指第三分支的第i₃-1个卷积层的输出特征图；

通道注意力模块分别采用全局平均池化操作与全局最大池化操作获取全局感受野，再将它们分别输入一个两层的神经网络，第一层神经元个数为1，激活函数为ReLU，第二层神经元个数为3，这个两层的神经网络是共享的，之后将它们进行相加生成通道权重，最后通过归一化层将通道权重归一化至(0,1)之间；

将第二分支的第一个卷积层的输出特征图、第二分支的第二个卷积层的输出特征图及第三分支的第一个卷积层的输出特征图，做残差连接之前输入通道注意力模块，经过池化操作得到通道权重，之后通道权重与原始输出特征图进行相乘，将通道权重映射到浅层分支卷积层的输出特征图上，带有通道权重的特征图与深层分支卷积层包括第一分支的第二个卷积层、在第一分支的第四个卷积层、在第二分支的第一个卷积层的输出特征图进行残差连接，输入深层分支卷积层的下一个卷积层。

2.根据权利要求1所述的基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，每个卷积层的卷积核为3×3，每个卷积层之后加一个ReLU非线性激活函数。

3.根据权利要求1所述的基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，第一分支的5个卷积层的输出特征图尺度分别为64×64×3，32×32×3，16×16×3，8×8×3，4×4×3；第二分支的2个卷积层的输出特征图尺度分别为32×32×3，8×8×3；第三分支的1个卷积层的输出特征图尺度为32×32×3。