针对工业不均衡数据的刀具磨损状态检测方法技术

本发明专利技术公开了一种针对工业不均衡数据的刀具磨损状态检测方法。对通过传感器获得的数控机床刀具历史监控数据进行预处理与刀具磨损状态标签组成源训练数据；对与待检测刀具的刀具历史监控数据进行相同预处理和源训练数据过采样合成获得的少数类数据一起组成辅助训练数据；通过迁移学习方法使用上述训练数据训练刀具磨损状态预测模型；将待检测刀具的实时传感器数据经过预处理后输入预测模型中，实时获得刀具的磨损状态。本发明专利技术充分保证了训练数据的均衡性，充分保证了训练数据与测试数据的分布一致性，从而解决了在工业数据量较少且不均衡的条件下刀具磨损状态的高精度检测问题。

【技术实现步骤摘要】
针对工业不均衡数据的刀具磨损状态检测方法
本专利技术涉及了属于数控机床状态检测领域的一种工件磨损检测方法，尤其是涉及了一种针对工业不均衡数据的刀具磨损状态检测方法涉及到机器学习中的深度学习、迁移学习不均衡分类领域。
技术介绍
在现代机械加工与生产作业中，数控机床刀具的磨损是一种十分普遍的现象。而刀具的磨损直接影响了被加工表面尺寸精度、粗糙度、被加工件质量，甚至可能导致被加工件的报废，增加了生产成本，降低了加工效率。而如果能够对数控机床刀具的磨损状态进行实时监测，并对处于故障状态的刀具进行及时的更换与维护则可以有效地提升被加工产品的质量，提升生产效率，降低加工成本，具有较大的经济效益。在制造系统趋于柔性化的今天，刀具磨损状态的在线实时监测是一个重要的课题，是很有意义的。目前对于数控机床刀具磨损状态的监测主要采用间接测量的方法，即不是通过直接测量的方式，而是通过处理数控机床刀具加工过程中的传感器信号间接实现对刀具磨损状态的预测，即判断刀具处于正常状态还是故障状态，属于机器学习中的二分类问题。然而在实际工业生产中，由于收集高质量工业数据的成本本文档来自技高网...

【技术保护点】
1.一种针对工业不均衡数据的刀具磨损状态检测方法，其特征在于，包括以下步骤：/nS1.对通过传感器获得的数控机床刀具历史监控数据进行预处理，与其对应的刀具磨损状态标签组成源训练数据；/nS2.对与待检测刀具类型相同但型号不同的刀具历史监控数据进行与步骤S1中相同的预处理，与其对应的刀具磨损状态标签组成辅助训练数据的一部分；/nS3.使用SMOTE算法对源训练数据中的少数类数据进行过采样，利用过采样后的数据合成新少数类数据，新少数类数据与其对应的刀具磨损状态标签组成辅助训练数据的另一部分；/nS4.由源训练数据和辅助训练数据构成了训练数据，通过迁移学习方法，使用上述训练数据训练刀具磨损状态预测模...

【技术特征摘要】
1.一种针对工业不均衡数据的刀具磨损状态检测方法，其特征在于，包括以下步骤：
S1.对通过传感器获得的数控机床刀具历史监控数据进行预处理，与其对应的刀具磨损状态标签组成源训练数据；
S2.对与待检测刀具类型相同但型号不同的刀具历史监控数据进行与步骤S1中相同的预处理，与其对应的刀具磨损状态标签组成辅助训练数据的一部分；
S3.使用SMOTE算法对源训练数据中的少数类数据进行过采样，利用过采样后的数据合成新少数类数据，新少数类数据与其对应的刀具磨损状态标签组成辅助训练数据的另一部分；
S4.由源训练数据和辅助训练数据构成了训练数据，通过迁移学习方法，使用上述训练数据训练刀具磨损状态预测模型；
S5.将待检测刀具的实时传感器数据经过预处理后输入预测模型中，实时获得刀具的磨损状态。


2.根据权利要求1所述的一种针对工业不均衡数据的刀具磨损状态检测方法，其特征在于：所述步骤S1中，刀具历史监控数据包括刀具工作过程中的切削力信号、振动信号、声音信号以及刀具磨损量大小；刀具磨损状态包括正常状态与故障状态。


3.根据权利要求1所述的一种针对工业不均衡数据的刀具磨损状态检测方法，其特征在于：所述步骤S3中，SMOTE算法指的是合成少数类过采样方法(SyntheticMinorityOversamplingTechnique)。


4.根据权利要求1所述的一种针对工业不均衡数据的刀具磨损状态检测方法，其特征在于：所述步骤S4中，迁移学习方法描述如下：
S41.输入：合并辅助训练数据和源训练数据构成训练数据集T＝Ta∪Tb，迭代次数N，其中，Ta为辅助训练数据，共有n个训练数据样本；Tb为源训练数据，共有m个训练数据样本；训练数据集中的刀具磨损状态标签取值范围为{0，1}，标签为0表示正常状态，标签为1表示故...

【专利技术属性】
技术研发人员：刘振宇，刘惠，张朔，郏维强，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33