[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

说明书

本发明公开了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，属于机械装备故障类型诊断识别技术领域，包括：（1）数据采集；（2）数据预处理（3）振动信号到图像信号的转换；（4）构建深度残差网络（ResNet‑34）模型；（5）训练网络模型；（6）测试。本发明采用深度残差网络(ResNet‑34)完成刀具磨损故障类型诊断，将由X、Y、Z三轴方向收集到的振动信号转换为图像信号，并作为网络模型的输入，最后将提取的特征输入到全连接层，利用Softmax函数完成刀具故障类型的诊断。该方法将深度残差网络引入刀具故障诊断领域，有助于误差反向传播和和优化参数模型，克服了深层卷积神经网络会发生梯度消失、梯度爆炸的缺陷。

技术领域

本发明涉及机械装备故障类型诊断技术领域，特别涉及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。

背景技术

机械加工工艺是当今制造业的基本组成部分，刀具在机械加工工艺中又承担着重要角色，刀具缺陷是机械加工过程中最常见的故障之一，因此设计一个在线自动检测系统来主动监控切削过程，并提供刀具状态的实时报告具有非常重大的意义。

自动检测刀具的磨损状态并识别其破损似乎对提高生产率、准确性和成本效益至关重要。检测方法可分为直接检测和间接检测。现阶段，在实际机械制造加工现场仍使用人工检测的直接检测方法，直接检测法通过激光、光学和超声波等传感器测量故障的实际值来监控刀具的实时状态，直接测量方法可以高精度地估计刀具故障，但它们的实现成本仍然很高，不适合在工业环境中在线应用。然而，间接方法可用于通过在线收集振动信号和适当的建模方法，以准确的结果和可接受的成本实现刀具状态的实时监控。

随着信号处理和机器学习技术的快速发展，极大地促进了机械振动信号故障诊断技术的发展。这些典型的机器学习方法已用于机械振动信号的故障诊断，如人工神经网络、支持向量机、高斯混合模型，集成学习。但由于这些分类器不能直接从原始振动信号中学习特征用于机械故障诊断，因此一般采用一些预处理方法将生成特征作为分类器的输入。由于振动信号具有非线性和非平稳的特点，对振动信号进行特征学习对这些故障诊断方法越来越重要。因此，由于特征学习对振动信号的局限性，使得这些机器学习方法不再适用于刀具故障诊断。与这些常规分类器相比，深度学习凭借其对大量数据的特征学习能力，在各种工业应用中取得了许多成功。自2006年以来，Hinton等人提出的深度学习因其高度抽象的特征提取而得到越来越广泛的应用。深度残差网络（ResNet）在2015年被提出，已被证明在故障诊断领域具有高效、准确的效果。

常规的诊断方法，由预处理后的振动信号输入网络模型进行特征提取，相对来说比较复杂繁琐；本发明将振动信号转换为RGB图像后输入深度残差网络模型，更加有效的完成数据特征的提取。

发明内容

针对上述存在的问题，本发明提出一种基于信号转换和深度残差网络的刀具故障诊断方法。

本发明通过分别采集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。将X、Y、Z三轴振动信号预处理后转换为RGB图像信号。

本发明采用深度残差网络（ResNet-34）提取振动信号的特征并进行分类任务，深度残差网络（ResNet-34）具有高效的数据信号的特征学习能力，可以很好的提取数据信号的特征，最后完成刀具故障类型的诊断。

本发明采用深度残差网络（ResNet-34）作为训练模型，有效地克服了深层卷积神经网络会发生梯度消失、梯度爆炸的缺陷。

一种基于信号转换和深度残差网络的刀具故障诊断方法，其包括以下步骤：

（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、异常值的处理；

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；