一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113919396A(43)申请公布日2022.01.11(21)申请号202111191193.XG06V10/82(2022.01)(22)申请日2021.10.13G06K9/62(2022.01)G06N3/04(2006.01)(71)申请人山东大学G06N3/08(2006.01)地址250199山东省济南市历城区山大南G06F30/27(2020.01)路27号G06F119/04(2020.01)(72)发明人江铭炎李孝港袁东风(74)专利代理机构济南金迪知识产权代理有限公司37219代理人杨树云(51)Int.Cl.G06K9/00(2022.01)G06V10/28(2022.01)G06V10/774(2022.01)G06V10/764(2022.01)G06V10/80(2022.01)权利要求书3页说明书9页附图2页(54)发明名称一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法(57)摘要本发明涉及一种半监督学习的振动信号和图像特征机床刀具磨损状态监测方法，包括：(1)以精确匹配机床刀具磨损面积值为目标，建立刀具磨损图像到磨损面积的映射模型；(2)以振动信号为基础，建立判别模型，输出刀具的可用寿命；(3)融合两种判别结果，融合决策，实现精确的机床刀具磨损状态预测。本发明相较于单一判别手段，可以得到更加精确的判别结果，提高机床刀具的寿命利用率，同时本发明针对不同类型的机床和刀具有很好的适应性和鲁棒性。CN113919396ACN113919396A权利要求书1/3页1.一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在于，包括步骤如下：(1)建立刀具磨损图像和磨损面积的映射：对刀具磨损图像依次进行灰度化、去噪、分割、二值化及开运算处理，建立图像磨损区域像素数量和磨损值大小的映射；(2)使用振动信号判断刀具的磨损状态：包括：(2‑1)对振动信号进行预处理；(2‑2)提取步骤(2‑1)预处理后的振动信号的特征；(2‑3)进行特征选择；(2‑4)搭建网络模型；(3)通过步骤(1)得到刀具磨损图像预测结果，通过步骤(2)得到振动信号预测结果，融合后输出最终结果。2.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在于，步骤(2‑2)中，提取步骤(2‑1)预处理后的振动信号的特征，是指：提取时域、频域以及时频域共计30个特征；30个特征包括最大值、最小值、峰值因子、歪度、裕度、波形因子、脉冲因子、偏度、均值、均方根、方差、峭度、频域均值、频域方差以及16个4层小波包分解能量特征。3.根据权利要求2所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在于，步骤(2‑3)中，进行特征选择，是指：计算提取的30个特征的皮尔逊相关系数，根据皮尔逊相关系数的值的大小从高到低选择10个相关性最大的特征作为训练样本数据和测试样本数据，X表示提取的特征，Y表示样本的标签，其中X＝[X1,X2,…,Xn],Y＝[Y1,Y2,…,Yn]，则特征均值和标签均值表示为标准差表示为协方差为皮尔逊相关系数为4.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在于，步骤(2‑4)中，搭建网络模型，是指：所述网络模型包括BP网络和Softmax分类器，BP网络包括输入层、隐含层和输出层，输入层的维度设为10，隐含层的维度设为20，输出层的维度设为5，使用Softmax分类器分为3类。5.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在于，通过步骤(1)得到刀具磨损图像预测结果，通过步骤(2)得到振动信号预测结果，融合后输出最终结果，具体实现过程包括：(3‑1)得到刀具磨损图像检测的结果根据步骤(1)，获取机床刀具的磨损图像，进行机床刀具的磨损图像依次进行灰度化、去噪、分割、二值化及开运算处理，得到精确的磨损区域，再根据建立的图像磨损区域像素数量和磨损值大小的映射关系，输出机床刀具的磨损值；(3‑2)得到振动信号预测结果2CN113919396A权利要求书2/3页根据步骤(2)，对振动信号依次进行预处理、特征提取，输入训练好的网络模型中，输出由振动信号得出的机床刀具的磨损值；(3‑3)融合两种决策输出最终结果根据步骤(3‑1)和步骤(3‑2)得到的判断决策，建立决策融合方法，输出融合之后的刀具磨损值，设由步骤(3‑1)刀具磨损图像经过映射之后得到的结果为R1，步骤(3‑2)振动信号和网络模型输出的结果为R2，最终的输出结果表现为二者加权和形式，权值设为α，α的取值范围为[0,1]，