一种基于一维深度卷积自动编码器的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CN111633467A(43)申请公布日2020.09.08(21)申请号202010411308.0(22)申请日2020.05.15(71)申请人大连理工大学地址116024辽宁省大连市甘井子区凌工路2号(72)发明人李宏坤杨国葳(74)专利代理机构大连理工大学专利中心21200代理人李晓亮潘迅(51)Int.Cl.B23Q17/09(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图4页(54)发明名称一种基于一维深度卷积自动编码器的刀具磨损状态监测方法(57)摘要一种基于一维深度卷积自动编码器的刀具磨损状态监测方法，属于高速铣削加工技术领域。包括如下几个步骤：采集加工过程中机床主轴电机三相交流电信号，将其融合成电流有效值并做归一化处理，作为ODCAE网络的输入；利用CAE进行无监督预训练，保留由提取的短序列向量组成的编码部分，用来存储最优的权值信息；以无监督预训练阶段获得的权值作为有监督网络的初始权重，利用BP算法对网络进行有监督微调；完成网络的训练之后，将测试样本输入到训练好的ODCAE模型中，获得刀具不同磨损状态的识别结果。本发明可以避免繁琐的预处理手段，摆脱对专家经验的依赖，能够高效精确的识别出变工况条件下刀具的磨损状态，具有识别精度高，鲁棒性强的特点。CN111633467ACN111633467A权利要求书1/1页1.一种基于一维深度卷积自动编码器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：样本数据获取和预处理：利用闭环霍尔效应电流传感器采集不同刀具磨损状态下机床主轴电机三相交流电信号；将三相交流电信号合成电流有效值并做归一化处理；将所述经过归一化处理后的电流有效值信号进行分割，得到多个等长度的时间序列样本数据；根据分割得到的多个样本数据与对应的刀具磨损状态组合成为训练集和测试集；步骤2：搭建一维深度卷积自动编码器模型；所述一维深度卷积自动编码器模型由编码块、解码块和输出块三部分组成；编码块包括输入信号、卷积层、ReLu激活层和池化层；解码块包括上采样层和卷积层；编码块以池化层作为输出层，输入至解码块以后，通过上采样和卷积操作实现输入信息的还原；在上采样操作中，采用复制插值的方法进行输出维度的扩张；输出块采用全局平均池化层、DropOut层和SoftMax分类器组成，产生整个模型的输出结果；步骤3：模型训练；整个模型的训练过程分为无监督预训练和有监督微调两个阶段；在无监督预训练阶段，利用Adam优化算法，以输入信号为目标值，以均方误差作为损失函数对步骤2搭建的网络的编码块和解码块进行无监督训练；均方误差函数MSE表示为：其中，J表示损失函数值，H为样本个数，表示第i个样本的网络输出，xi表示第i个输入样本；在无监督预训练阶段结束以后，以训练后的编码块输出作为网络输出块的输入，以交叉熵作为损失函数，对网络的编码块和输出块进行有监督微调；交叉熵函数表示为：其中，表示网络预测结果，y表示真实结果，表示网络SoftMax层的输出，yi表示样本标签，C表示磨损状态类别个数；在模型的整个训练过程中，使用批处理的方法分批对样本数据进行训练；批处理大小选定为20；每批样本结束训练以后，记录模型的损失值和识别准确率，以此作为模型识别效果的判断依据；在训练过程结束以后，选定损失值最小，识别准确率最高的模型作为最终模型；步骤4：采用步骤3获得的最终模型进行监测；按照步骤1的方式进行数据采集和预处理，获得时间序列样本；将时间序列样本输入到最终模型中获得当前时刻的刀具磨损状态。2.根据权利要求1所述的一种基于一维深度卷积自动编码器的刀具磨损状态监测方法，其特征在于，卷积层采用的卷积核数量为160、大小为13、步长为1，池化层池化大小为4，上采样操作步长为4。2CN111633467A说明书1/5页一种基于一维深度卷积自动编码器的刀具磨损状态监测方法技术领域[0001]本发明属于高速铣削加工技术领域，涉及到刀具磨损状态监测问题，具体为一种基于一维深度卷积自动编码器的刀具磨损状态监测方法。背景技术[0002]近年来，高速铣削加工领域已经成为先进加工制造业的重要组成部分，其优势在于极高的加工精度、极快的加工效率和极好的加工表面质量。在实际的加工生产过程中，刀具作为直接与被加工件接触的切削工具会不可避免的产生磨损现象。研究表明，由于刀具磨损和破损而导致的计划外停机是造成加工效率降低和生产成本提高的主要原因。因此，在加工过程中，对刀具状态进行实时监测具有重要意义。[0003]刀具的状态监测主要分为直接监测法和间接监测法。直接监测法对刀具进行直接测量，主要包括光学