一种基于数据增强的刀具磨损状态识别系统及识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115903663A(43)申请公布日2023.04.04(21)申请号202211344053.6(22)申请日2022.10.31(71)申请人江苏科技大学地址212003江苏省镇江市京口区梦溪路2号(72)发明人谢阳高尚尚周宏根刘金锋康超陈宇袁春元李炳强(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204专利代理师王苗(51)Int.Cl.G05B19/408(2006.01)权利要求书2页说明书4页附图5页(54)发明名称一种基于数据增强的刀具磨损状态识别系统及识别方法(57)摘要本发明公开了一种基于数据增强的刀具磨损状态识别系统，包括信号采集模块采集刀具工作过程中的原始振动信号；信号处理模块对原始振动信号进行特征提取，并进行相关性筛选，得到真实数据特征；模型构建模块构建数据增强的AE‑GAN模型用于生成趋于真实数据特征的生成数据特征；算法模块通过AE‑GAN模型，得到包括真实数据特征和生成数据特征的增强样本数据；识别模块对增强样本数据进行处理，将处理后的增强样本数据作为输入，刀具磨损状态分类标签作为输出，通过训练好的顶层分类器Softmax，实现刀具磨损状态的识别。通过提出的AE‑GAN模型生成与多传感器信号分布相似的有效样本数据，实现对有限的状态不平衡数据进行扩充，提高刀具磨损状态的识别能力。CN115903663ACN115903663A权利要求书1/2页1.一种基于数据增强的刀具磨损状态识别系统，其特征在于，包括信号采集模块、信号处理模块、模型构建模块、算法模块、识别模块；所述信号采集模块用于采集刀具工作过程中的原始振动信号；所述信号处理模块用于对原始振动信号进行特征提取，对提取的特征进行相关性筛选，得到真实数据特征；所述模型构建模块用于将删选出的真实数据特征为输入特征，构建数据增强的AE‑GAN模型：采用自编码器AE构成审查对抗网络GAN的生成器和判别器；生成器用于生成趋于真实数据特征的生成数据特征；所述判别器包括将真实数据特征与生成数据特征区分开来的判别器D1和判别器D2；所述算法模块用于将真实数据特征作输入训练好的AE‑GAN模型，得到增强样本数据，增强样本数据包括真实数据特征和生成数据特征；所述识别模块用于对增强样本数据进行处理，将处理后的增强样本数据作为输入，刀具磨损状态分类标签作为输出，通过训练好的顶层分类器Softmax，实现刀具磨损状态的识别。2.一种基于数据增强的刀具磨损状态识别方法，其特征在于，包括以下步骤：(1)采集刀具工作过程中的原始振动信号；(2)对原始振动信号进行特征提取，对提取的特征进行相关性筛选，得到真实数据特征；(3)将筛选出的真实数据特征为输入特征，构建数据增强的AE‑GAN模型：采用自编码器AE构成审查对抗网络GAN的生成器和判别器；生成器用于生成趋于真实数据特征的生成数据特征；所述判别器包括将真实数据特征与生成数据特征区分开来的判别器D1和判别器D2；(4)将真实数据特征作输入训练好的AE‑GAN模型，得到增强样本数据，增强样本数据包括真实数据特征和生成数据特征；(5)对增强样本数据进行处理，将处理后的增强样本数据作为输入，刀具磨损状态分类标签作为输出，通过训练好的顶层分类器Softmax，实现刀具磨损状态的识别。3.根据权利要求2所述的识别方法，其特征在于，所述步骤(1)中通过部署在主轴上和工作台上的压电式加速度传感器采集数控装备加工过程中的三向原始振动信号。4.根据权利要求3所述的识别方法，其特征在于，所述步骤(2)中对采集的原始振动信号进行时域、频域以及小波域特征提取，并进行相关性分析和小波包分解变换，对提取的特征进行相关性筛选。5.根据权利要求4所述的识别方法，其特征在于，所述步骤(2)中还包括对筛选后的特征采用堆叠自动编码网络SAEN进行降维处理，然后进行归一化，得到真实数据特征。6.根据权利要求5所述的识别方法，其特征在于，对AE‑GAN模型的训练包括固定生成器G的网络参数，最大化判别器D2的判别能力，判别器D1根据输入的真实数据特征和生成数据特征，更新AE‑GAN模型中的损失函数，使其获得更小的判别误差，当判别器D2、判别器D1、生成器G达到纳什平衡时，完成AE‑GAN模型的整体优化训练。7.根据权利要求5所述的识别方法，其特征在于，所述步骤(5)中对增强样本数据进行深度特征提取，并通过堆叠自动编码网络SAEN进行降维处理。2CN115903663A权利要求书2/2页8.根据权利要求7所述的识别方法，其特征在于，还包括对训练好的AE‑GAN模型进行评估，对处理后的增强样本数据通过粒子群算法PSO优化的最小支持向量机LSSVM算法进行回归预测，得到刀具磨损值预测，将得到的刀具磨损值进行