[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

说明书

本发明涉及一种基于多尺度‑通道注意力网络的刀具故障诊断方法、设备及存储介质，包括：(1)数据采集；(2)数据预处理；(3)构建多尺度‑通道注意力网络模型；(4)训练；(5)测试。本发明采用多尺度‑通道注意力网络进行刀具磨损故障诊断，在多尺度网络的残差连接中引入通道注意力机制，从而将机床主轴三个方向振动信号对刀具磨损状态分类任务的不同重要程度映射至特征学习的过程中，使得数据更好地融合。

技术领域

本发明涉及智能制造产品质量管控领域，特别涉及一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质。

背景技术

数控机床作为“工业母机”，在生产加工过程中应用非常广泛。刀具作为数控机床的切削工具，其实时健康状态直接影响着机床的加工效率和产品质量。刀具与工件直接接触并相互作用，在刀具高速切削的过程中，会产生不可避免的磨损损伤，对刀具磨损状态的精准监测有助于避免因刀具失效导致的产品质量问题。

现阶段，在实际工业现场仍使用人工检测的方法，这种检测方法耗时耗力，并且存在由作业人员自身原因而引起的误差。随着制造业由自动化向智能化转型，人工智能技术与制造业深度融合成为关键。我们希望在故障诊断方法中导入深度学习，取代传统人工直接接触的检测方法，从而实现刀具精准的故障诊断。

一般的智能化检测过程为采集监测信号(例如切削力信号、振动信号、声发射信号、主轴电流信号等)，并分析这些信号与刀具磨损状态之间的映射关系。目前，已经有大量国内外学者开展了此类研究。Hu等提出了一种多尺度网络(Multiscale Network，MSNet)，该网络包含一个三分支结构，每个分支具有不同的卷积层深度，从而可以提取一维振动信号不同层次的特征，并通过全连接合并这些特征。李鹏等使用一维卷积网络对加工过程中机床主轴和工作台的振动与声发射信号进行初步特征提取，之后将信号特征输入长短时记忆网络进行分析，最后得出刀具磨损状态的评估结果，分类准确率达到93.8％。Hsieh等使用快速傅里叶变换将振动时域信号转换为频域信号，并通过类均值散射准则提取频域特征，将特征输入单层的卷积神经网络，对刀具磨损状态进行分类，根据实验结果，发现Z方向振动信号与X方向或Y方向振动信号的组合可以得到更好的分类结果。为了优化模型的梯度传播，文章在具有相同特征尺度寸的卷积层之间加入残差连接。然而，上述方法存在以下问题：(1)受限于数据集的有效且单一，只能将单通道振动信号转换为单通道图像，单通道包含的特征匮乏，可能会对刀具故障分类精度有所影响；(2)受限于特征提取与特征分析分步完成，模型的自学习能力弱，最终的刀具故障诊断的准确率低；(3)受限于模型结构简单，没有使用有效的数据融合方法，导致不同方向的振动信号特征融合效果差，无法有效地提取数据特征。

发明内容

针对以上存在的问题，本发明提出了一种基于多尺度-通道注意力网络的刀具故障诊断方法。

本发明通过刀具磨损试验平台，采集了符合实际工业生产现场的机床主轴振动信号与刀具磨损值，振动信号包含X、Y、Z三个方向。基于特征融合的思路，将X、Y、Z三个方向的振动信号进行拼接，构成三通道的多通道特征图。

本发明采用卷积神经网络提取特征图的特征并进行分类任务，卷积神经网络具有出色的自适应特征学习能力，可以很好地挖掘数据的潜在特征。

在本发明中，为了将机床主轴三个方向振动信号对刀具磨损状态分类任务的不同重要程度映射至特征学习的过程中，使得数据更好地融合，对多尺度网络做出改进，将通道注意力引入多尺度网络。

本发明还提供了一种计算机设备及存储介质。

本发明的技术方案为：

一种基于多尺度-通道注意力网络的刀具故障诊断方法，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；