一种数控机床切削加工的刀具磨损状态识别方法技术

本发明专利技术提供一种数控机床切削加工的刀具磨损状态识别方法，涉及机械制造加工技术领域。该数控机床切削加工的刀具磨损状态识别方法，包括以下步骤：S1、获取多个原始样本，划分原始样本磨损状态区间与等级；S2、采集原始样本图像，提取图像特征点，重组三维模型；S3、建立磨损状态区间与三维模型关联性，获取训练样本。本发明专利技术，通过基于深度学习算法对样本训练模型进行训练，得到最终的算法模型，在后续的识别过程中，只需导入图片即可快速识别刀具磨损状态，无需再次进行复杂化的计算，同时，通过基于ReLu的反向传播算法对样本集进行降维处理，进一步降低了模型训练的运算量，大大提高了模型构建的效率。

【技术实现步骤摘要】
一种数控机床切削加工的刀具磨损状态识别方法
本专利技术涉及机械制造加工
，具体为一种数控机床切削加工的刀具磨损状态识别方法。
技术介绍
切削加工都必须具备3个基本条件:切削工具、工件和切削运动，切削工具应有刃口，其材质必须比工件坚硬，不同的刀具结构和切削运动形式构成不同的切削方法，切削加工是机械制造中最主要的加工方法，虽然毛坯制造精度不断提高，精铸、精锻、挤压、粉末冶金等加工工艺应用日广，但由于切削加工的适应范围广，且能达到很高的精度和很低的表面粗糙度，在机械制造工艺中仍占有重要地位。目前，数控机床上切削加工所使用的刀具会随着使用而磨损，磨损状态由不同的因素所决定，现有技术中，大多数刀具磨损状态识别都是通过有经验的工作人员进行人工识别，人工识别受主观因素影响较大，同时人工识别的准确度较差，磨损状态识别的效率较低，少数刀具磨损状态识别通过智能化设备实现，例如专利公开号“CN103105820A”，该专利说明书记载了：“通过小波包分解区间特征特征提取，由广义隐马尔科夫模型完成刀具磨损状态的识别，从而对刀具在加工过程中状态实时监测，并进行相应处理，这为保证刀具切削性能、增加刀具使用寿命、提高生产率、降低成本等提供了有力保证”，虽然该技术方案能够自动识别刀具磨损状态，但是，该方案中对于每一个刀具都需要进行复杂化的运算，计算量较大，从而导致刀具磨损状态识别效率较低。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种数控机床切削加工的刀具磨损状态识别方法，解决了现有技术中存在的缺陷与不足。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：一种数控机床切削加工的刀具磨损状态识别方法，包括以下步骤：S1、获取多个原始样本，划分原始样本磨损状态区间与等级；S2、采集原始样本图像，提取图像特征点，重组三维模型；S3、建立磨损状态区间与三维模型关联性，获取训练样本；S4、建立样本训练模型以及样本数据库，迭代进行训练，生成算法模型；S5、采集刀具图像导入算法模型，生成磨损状态结果。优选的，所述步骤1中获取多个原始样本，划分原始样本磨损状态区间与等级，具体如下：1)准备十个正常刀具，通过人为方式对刀具进行磨损，十个刀具的磨损程度依次增大，获取十个原始刀具样本；2)根据十个原始刀具样本的磨损状态，设置十个磨损状态区间，依次标记为S1、S2、S3...S10，同时将十个磨损状态区间划分为不同的磨损状态等级，S1与S2划分为正常，S3与S4划分为较好，S5与S6划分为中等，S7与S8划分为较差，S9与S10划分为特差。优选的，所述步骤2中采集原始样本图像，提取图像特征点，重组三维模型，具体如下：1)利用工业相机采集十个原始样本的图像，每个原始样本至少采集四张，分别为前后左右四个角度；2)对采集的每一个原始样本图像进行处理，获取图像的平面轮廓图形，然后提取每一个图形中的特征点；3)对每一个原始样本图像处理获取的特征点进行结合，重组一个原始样本图像的所有特征点，获取重组后的三维模型。优选的，所述步骤3中建立磨损状态区间与三维模型关联性，获取训练样本，具体如下：1)将十个磨损状态区间与十个重组三维模型一一对应，重组三维模型依次标记为W1、W2、W3...W10；2)将十个重组三维模型作为训练样本。优选的，所述步骤4中建立样本训练模型以及样本数据库，迭代进行训练，生成算法模型，具体如下：1)以原始样本磨损状态区间为基础建立样本训练模型，用于匹配磨损状态区间与对应的重组三维模型，同时建立样本数据库，将十个磨损状态区间导入样本数据库中，生成样本训练模型与样本数据库关联性；2)样本训练模型不断获取样本数据库中的重组三维模型，并不断自动匹配该重组三维模型对应的原始样本磨损状态区间，进行多次迭代训练，得到匹配度，然后生成最终的算法模型，其公式如下：其中j＝1,2，...n；设高斯函数作为基函数，其公式如下：设K为样本输出的期望值，基函数的方差可以表示为：1)随机选取n个训练样本作为聚类中心ci，其中，i＝1,2...n；2)将输入的训练样本集合按最近邻规则分组，按照xp与中心为ci之间的欧氏距离将xp分配到输入样本的各个聚类集合fp中，其中p＝1,2...P；3)计算各个聚类集合fp中训练样本的平均值，即新的聚类中心ci，如果新的聚类中心不再发生变化，则所得到的ci即为最终的基函数中心，否则返回上述步骤2)进入下一轮的中心求解；对样本训练时利用基于ReLu的反向传播算法对样本集进行降维处理，假设输入向量为x，经ReLu函数变换后得到向量r，其e对x的梯度为：其中Δe(r)是已知的,y根据x可得,⊙为元素积。优选的，所述步骤5中采集刀具图像导入算法模型，生成磨损状态结果，具体如下：1)获取需要识别的刀具，采集该刀具的图像并导入到算法模型中，首先，算法模型获取该刀具的三维模型；2)然后算法模型根据三维模型匹配磨损状态区间，继而得到磨损状态等级，生成刀具的磨损状态结果。(三)有益效果本专利技术提供了一种数控机床切削加工的刀具磨损状态识别方法。具备以下有益效果：1、本专利技术，通过基于深度学习算法对样本训练模型进行训练，得到最终的算法模型，在后续的识别过程中，只需导入图片即可快速识别刀具磨损状态，无需再次进行复杂化的计算，同时，通过基于ReLu的反向传播算法对样本集进行降维处理，进一步降低了模型训练的运算量，大大提高了模型构建的效率。2、本专利技术，首先通过获取原始样本划分磨损状态区间与等级，然后重组三维模型并进行模型训练，最终只需导入刀具图像即可生成磨损状态结果，使得刀具磨损状态识别无需通过有经验的工作人员进行人工识别，避免了人工识别受主观因素影响较大的情况，同时，整个识别方法的准确度较高，磨损状态识别的效率明显得到提升。附图说明图1为本专利技术流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例：如图1所示，本专利技术实施例提供一种数控机床切削加工的刀具磨损状态识别方法，包括以下步骤：S1、获取多个原始样本，划分原始样本磨损状态区间与等级，具体如下：1)准备十个正常刀具，通过人为方式对刀具进行磨损，十个刀具的磨损程度依次增大，获取十个原始刀具样本；2)根据十个原始刀具样本的磨损状态，设置十个磨损状态区间，依次标记为S1、S2、S3...S10，同时将十个磨损状态区间划分为不同的磨损状态等级，S1与S2划分为正常，S3与S4划分为较好，S本文档来自技高网...

【技术保护点】
1.一种数控机床切削加工的刀具磨损状态识别方法，其特征在于：包括以下步骤：/nS1、获取多个原始样本，划分原始样本磨损状态区间与等级；/nS2、采集原始样本图像，提取图像特征点，重组三维模型；/nS3、建立磨损状态区间与三维模型关联性，获取训练样本；/nS4、建立样本训练模型以及样本数据库，迭代进行训练，生成算法模型；/nS5、采集刀具图像导入算法模型，生成磨损状态结果。/n

【技术特征摘要】
1.一种数控机床切削加工的刀具磨损状态识别方法，其特征在于：包括以下步骤：
S1、获取多个原始样本，划分原始样本磨损状态区间与等级；
S2、采集原始样本图像，提取图像特征点，重组三维模型；
S3、建立磨损状态区间与三维模型关联性，获取训练样本；
S4、建立样本训练模型以及样本数据库，迭代进行训练，生成算法模型；
S5、采集刀具图像导入算法模型，生成磨损状态结果。


2.根据权利要求1所述的一种数控机床切削加工的刀具磨损状态识别方法，其特征在于：所述步骤1中获取多个原始样本，划分原始样本磨损状态区间与等级，具体如下：
1)准备十个正常刀具，通过人为方式对刀具进行磨损，十个刀具的磨损程度依次增大，获取十个原始刀具样本；
2)根据十个原始刀具样本的磨损状态，设置十个磨损状态区间，依次标记为S1、S2、S3...S10，同时将十个磨损状态区间划分为不同的磨损状态等级，S1与S2划分为正常，S3与S4划分为较好，S5与S6划分为中等，S7与S8划分为较差，S9与S10划分为特差。


3.根据权利要求1所述的一种数控机床切削加工的刀具磨损状态识别方法，其特征在于：所述步骤2中采集原始样本图像，提取图像特征点，重组三维模型，具体如下：
1)利用工业相机采集十个原始样本的图像，每个原始样本至少采集四张，分别为前后左右四个角度；
2)对采集的每一个原始样本图像进行处理，获取图像的平面轮廓图形，然后提取每一个图形中的特征点；
3)对每一个原始样本图像处理获取的特征点进行结合，重组一个原始样本图像的所有特征点，获取重组后的三维模型。


4.根据权利要求1所述的一种数控机床切削加工的刀具磨损状态识别方法，其特征在于：所述步骤3中建立磨损状态区间与三维模型关联性，获取训练样本，具体如下：
1)将十个磨损状态区间与十个重组三维模型一一对应，重组三维模型依次标记为W1、W2、W3...W10；
2)将十个重组三维模型作为训练样本。

【专利技术属性】
技术研发人员：陈光军，赵理想，王建肖，靳刚，崔良玉，李占杰，胡高峰，王志强，
申请(专利权)人：天津职业技术师范大学中国职业培训指导教师进修中心，
类型：发明
国别省市：天津;12