[发明专利]一种刀具磨损状态识别方法、装置、电子设备及存储介质

权利要求书

1.一种刀具磨损状态识别方法，其特征在于，包括：

获取历史刀具磨损特征值和历史刀削加工参数值；

建立初始BP神经网络预测模型，将所述历史刀具磨损特征值和历史刀削加工参数值作为训练集输入到所述初始BP神经网络预测模型进行迭代训练，得到训练完备的BP神经网络预测模型；

实时获取当前刀具磨损特征值和当前刀削加工参数值，基于所述训练完备的BP神经网络预测模型进行刀具磨损状态识别。

2.根据权利要求1所述的刀具磨损状态识别方法，其特征在于，获取历史刀具磨损特征值，包括：

获取历史刀具磨损检测信号；

根据所述历史刀具磨损检测信号确定所述刀具的磨损状态，根据所述磨损状态确定所述历史刀具磨损特征值。

3.根据权利要求2所述的刀具磨损状态识别方法，其特征在于，根据所述历史刀具磨损检测信号确定所述刀具的磨损状态，包括：

获取所述历史刀具磨损检测信号中所有频段的磨损检测信号能量谱，基于小波包分解法确定候选的若干个频段的磨损检测信号能量谱；

根据所述候选的若干个频段的磨损检测信号能量谱确定所述刀具的不同磨损状态。

4.根据权利要求3所述的刀具磨损状态识别方法，其特征在于，所述刀具的不同磨损状态包括轻度磨损状态、中度磨损状态以及重度磨损状态；根据所述候选的若干个频段的磨损检测信号能量谱确定所述刀具的不同磨损状态，包括：

确定所述候选的若干个频段的磨损检测信号能量谱对应的能量值大小；

按照能量值由小到大在所述候选的频段内分别确定为轻度磨损状态、中度磨损状态以及重度磨损状态。

5.根据权利要求3所述的刀具磨损状态识别方法，其特征在于，所述根据所述磨损状态确定刀具磨损特征值，包括：

创建刀具磨损检测三维坐标系，将所述候选的若干个频段的磨损检测信号能量谱沿所述三维坐标系下进行三维分解；

提取所述三维坐标系下任意一轴对应的预设频段的磨损检测信号能量谱，作为所述刀具磨损特征值。

6.根据权利要求1述的刀具磨损状态识别方法，其特征在于，建立初始BP神经网络预测模型，包括：

建立三层神经网络结构，所述三层神经网络结构包括输入层、隐含层以及输出层；

输入层的输入参数为历史刀具磨损特征值和历史刀削加工参数值，输出层为不同的磨损状态。

7.根据权利要求6所述的刀具磨损状态识别方法，其特征在于，建立初始BP神经网络预测模型之后，包括，采取遗传算法对所述初始BP神经网络预测模型进行优化，所述优化步骤包括：

对BP神经网络预测模型中各神经元的权值和阈值进行编码，获得初始染色体；

随机初始化各个染色体，产生一个新种群；

确定所述各个染色体的预测值与实际值的均方误差和的倒数，并作为个体适应度函数；

使用轮盘赌方法选择种群中高适应度的染色体进行复制，再执行交叉和变异操作，产生下一代种群；

生成新个体，判断所述新个体的适应度是否符合预设条件，当符合预设条件时，对最优染色体进行解码，得到优化后的BP神经网络预测模型中各神经元的优化权值和优化阈值；

将所述优化权值和优化阈值赋给所述BP神经网络进行网络训练，当训练小于规定的数值或者达到最大迭代次数时，终止神经网络的训练，得到优化后的BP神经网络预测模型。

8.一种刀具磨损状态识别装置，其特征在于，包括：

特征值获取模块，用于获取历史刀具磨损特征值和历史刀削加工参数值；

预测模型确定模块，用于建立初始BP神经网络预测模型，将所述历史刀具磨损特征值和历史刀削加工参数值作为训练集输入到所述初始BP神经网络预测模型进行迭代训练，得到训练完备的BP神经网络预测模型；

磨损状态识别模块，用于实时获取当前的刀具磨损特征值和当前刀削加工参数值，基于所述训练完备的BP神经网络预测模型进行刀具磨损状态识别。