[发明专利]一种基于信号转换和深度残差网络的刀具故障诊断方法

权利要求书

1.一种基于信号转换和深度残差网络（ResNet-34）的刀具故障诊断方法，所述刀具故障诊断方法包括以下步骤：

（1）分别采集X、Y、Z三轴方向的机床主轴振动加速度信号以及每次走刀后的刀具磨损数值；

（2）数据预处理：

完成缺失值的识别，并采用插补法完成插补；

完成异常值的识别，并将其删除；

根据刀具刀面磨损值大小完成刀具磨损阶段的分类，按照分类结果生成标签，完成收集振动信号的分类；

（3）振动信号到图像的转换

将预处理后的故障信号分割，生成不同故障类型的信号样本，获得若干RGB像素为224×224×3的样本图像；

将处理后的数据划分为训练集、验证集和测试集；

（4）构建构建深度残差网络（ResNet-34）网络模型

所述深度残差网络（ResNet-34）网络模型分为五个阶段和一个全连接层；阶段一依次包含一个卷积层、一个池化层；阶段二包含三个残差构建块1；阶段三依次包含一个残差构建块2、三个残差构建块1；阶段四依次包含一个残差构建块2、五个残差构建块1；阶段五依次包含一个残差构建块2、两个残差构建块1；最后，再连接一个全连接层；

选用RELU函数为该网络模型的激活函数，在每个卷积层之后加一个RELU非线性激活函数；

（5）训练网络模型

将训练集输入深度残差网络（ResNet-34）模型进行训练，并记录每次训练周期的训练集准确率与损失函数；

（6）测试

将测试集输入训练好的深度残差网络（ResNet-34）模型，完成测试刀具数据故障类型的诊断分类。

2.根据权利要求1所述的基于信号转换和深度残差网络的刀具故障诊断方法，其特征在于，数据预处理后、完成格式转换的数据的80%作为训练集，20%作为测试集，训练集中80%用作训练，训练集中的20%作为验证集。

3.根据权利要求1所述的振动信号转换为若干224×224×3图像信号的方法特征在于：

将预处理后的故障信号分割，生成不同故障类型的信号样本，总数用N表示，224表示灰度图像的像素强度，224×224表示灰度图像的大小；

转换方法由等式(1、(2)、(3)表示；

等式（1）将时域故障信号样本转换为一个基本矩阵BM_i（j，k），其中i=1，...N；j=1，...，m；k=1，...，m；

（1）

L_i表示信号样本的强度值；i=1，...N；

BM_i（j，k）通过整个样本的最大值和最小值进行归一化，得到NM_i（j，k），如等式（2）所示；

（2）

其中i=1，...N；j=1，...，m；k=1，...，m；

最后，将通过等式(3)获得RDB图像像素RGBPixel_i(j，k，p)，p=1，2，3，表示RGB3D矩阵的第三维度，分别是红色（p=1）、绿色（p=2）和蓝色（p=3）通道；RGB像素红色（p=1），对应X轴方向振动信号，绿色（p=2）对应Y轴方向振动信号,蓝色（p=3）对应Z轴方向振动信号；如等式（3）所示，并将其像素值缩放至0-255；

(3)

其中i=1，...N；j=1，...，m；k=1，...，m。