基于多尺度时空融合网络模型的刀具磨损状态监测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115828754A(43)申请公布日2023.03.21(21)申请号202211576575.9G06N3/048(2023.01)(22)申请日2022.12.09G06N3/08(2023.01)G05B19/4065(2006.01)(71)申请人辽宁石油化工大学G05B17/02(2006.01)地址113005辽宁省抚顺市望花区丹东路西段1号(72)发明人刘长福权宇周洋刘博王道海柳建平王志强佟昊王宪跃王宇(74)专利代理机构沈阳东大知识产权代理有限公司21109专利代理师李珉(51)Int.Cl.G06F30/27(2020.01)G06N3/0464(2023.01)G06N3/0442(2023.01)权利要求书2页说明书9页附图5页(54)发明名称基于多尺度时空融合网络模型的刀具磨损状态监测方法(57)摘要本发明提供一种基于多尺度时空融合网络模型的刀具磨损状态监测方法，涉及刀具状态检测技术领域。该方法首先采集刀具加工过程的原始信号，获得刀具磨损状态数据集；并对刀具磨损状态数据集进行预处理，划分为训练集与测试集；构建多尺度时空融合网络模型作为刀具磨损状态预测模型；使用训练数据集训练刀具磨损状态预测模型，并使用测试集进行测试；然后使用训练好的刀具磨损状态预测模型预测待监测的刀具磨损状态；最后对已预测的刀具磨损状态进行平滑处理，得到平滑化的预测刀具磨损状态。该方法相对其他深度学习方法，提高了网络可解释性的同时，大大提升了预测精度。CN115828754ACN115828754A权利要求书1/2页1.一种基于多尺度时空融合网络模型的刀具磨损状态监测方法，其特征在于：包括以下步骤：步骤1、采集刀具加工过程的原始信号，获得刀具磨损状态数据集；步骤2、对刀具磨损状态数据集进行预处理，并划分为训练集与测试集；步骤3、构建多尺度时空融合网络模型作为刀具磨损状态预测模型；所述多尺度时空融合网络模型包括多尺度残差网络模块、并行的基于注意力机制的空间特征提取模块和深度GRU时间特征提取模块以及特征融合预测模块；将预处理后的刀具磨损状态数据作为多尺度时空融合网络模型的输入，经过多尺度残差网络模块进行浅层特征提取，然后将提取后的特征向量进行拼接，输入到并行的空间特征提取模块和深度GRU时间特征提取模块；其中，空间特征提取模块给每个特征赋予不同的权重，提取空间特征，时间特征提取模块进行时间序列的特征提取；最后将空间特征提取模块和时间特征提取模块提取到的特征融合输入到特征融合预测模块进行刀具磨损的预测；步骤4、使用训练数据集训练刀具磨损状态预测模型，并使用测试集进行测试；步骤5、使用训练好的刀具磨损状态预测模型预测待监测的刀具磨损状态；步骤6、对已预测的刀具磨损状态进行平滑处理，得到平滑化的预测刀具磨损状态。2.根据权利要求1所述的基于多尺度时空融合网络模型的刀具磨损状态监测方法，其特征在于：所述步骤2对刀具磨损状态数据集进行预处理包括：(1)异常数据处理；采用基于自适应滑动窗口的中值滤波方法检测出异常突变数据，经滤波后异常突变数据被替换为正常数据，而其他正常信号数据未受影响；(2)数据归一化。3.根据权利要求1所述的基于多尺度时空融合网络模型的刀具磨损状态监测方法，其特征在于：所述多尺度残差网络模块，由3个不同尺度的1D‑Conv‑Residual残差网络并行构成，通过Concatenation操作用于将并行的3个1D‑Conv‑Residual残差网络结构的所有输出连接为下一层的输入，来进行浅层特征的提取；所述1D‑Conv‑Residual残差网络由两种不同的CNN构成；每种CNN都含有五层，包括两个卷积层、一个最大池化层和两个批处理归一化层，每种CNN的卷积核大小不同；并通过引入快捷连接来构造输入向量和输出向量之间的非线性恒等映射关系。4.根据权利要求1所述的基于多尺度时空融合网络模型的刀具磨损状态监测方法，其特征在于：所述基于注意力机制的空间特征提取模块包括依次连接的注意力模块SE_Block、Dropout层和Flatten层。5.根据权利要求1所述的基于多尺度时空融合网络模型的刀具磨损状态监测方法，其特征在于：所述深度GRU时间特征提取模块由堆叠的两层GRU构成；在两层GRU中，一层中每个隐藏状态的输出在时间中传播的同时，也是下一层中隐藏状态的输入；在t时刻，经多尺度残差网络模块提取的融合特征输入到第一层的GRU中；第一层的GRU通过门控机制对每个特征进行非线性表达、存储和选择；第一层GRU的每个门控单元的输出隐藏状态向量继续作为第二层GRU的输入，最后使用第二层GRU输出的隐藏状态作为最终提取的特征向量。6.根据权利要求1所述的基于多尺度时空融合网络模型的刀具