一种基于深度学习的刀具磨损检测方法技术

本发明专利技术属于深度学习神经网络技术领域，具体涉及一种基于深度学习的刀具磨损检测方法，包括如下步骤：数据集构建、数据预处理、数据集划分、模型构建、模型训练与模型评价，所述数据集构建采集加工过程中的力信号、振动信号和声发射信号3种原始时域信号，构建数据集；所述数据预处理将数据集转换为可供深度学习模型进行训练与识别的形式，并进行归一化处理；所述数据集划分将数据集划分为训练集、验证集与测试集；所述模型构建使用CNN、GRU、LSTM网络对模型进行构建，并通过特征融合的方式进行联合分析；所述模型训练采用指定训练参数对模型进行训练，得到识别模型；所述模型评价使用F1

【技术实现步骤摘要】
一种基于深度学习的刀具磨损检测方法


[0001]本专利技术属于深度学习神经网络
，具体涉及一种基于深度学习的刀具磨损检测方法。

技术介绍

[0002]由于仪器测量遮挡严重，直接检测法效果不佳，因此间接检测法得到了广泛应用，间接检测主要是利用传感器采集加工过程中的力信号、振动信号和声发射信号，通过预处理和敏感特征提取，利用机器学习模型监测刀具磨损，这种方法受特征提取质量的限制，传统的机器学习方法的结果不稳定，不同模型的结果有很大的差异，不同的特征提取方法对最终的结果有很大的影响。
[0003]存在问题或缺陷的原因：现有对刀具磨损的检测方法主要为机器学习方法，为了提取与刀具磨损状态密切相关的特征，研究人员不仅要善于观察和发现，还需要一定的技能和经验，而且，提取的特征解释性和通用性较弱，容易遗漏敏感特征，容易受到人为主观因素影响，识别效果无法满足实际需求。

技术实现思路

[0004]针对上述磨损额技术模型通用性较差等问题，本专利技术提供了一种基于深度学习的刀具磨损检测方法。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种基于深度学习的刀具磨损检测方法，包括下列步骤：
[0007]S100、数据集构建：采集加工过程中的力信号、振动信号和声发射信号3种原始时域信号，构建训练与测试的数据集；
[0008]S200、数据预处理：将数据集转换为可供深度学习模型进行训练与识别的形式，并进行归一化处理；
[0009]S300、数据集划分：将数据集划分为训练集、验证集与测试集；
[0010]S400、模型构建：使用CNN、GRU、LSTM网络对模型进行构建，并通过特征融合的方式进行联合分析；
[0011]S500、模型训练：采用指定的训练参数对模型进行训练，得到刀具磨损情况识别模型；
[0012]S600、模型评价：使用F1
‑
Score对模型识别效果进行评价。
[0013]所述S100数据集构建中，采用数据集为美国PHM协会在2010年的刀具磨损的比赛数据，实验机床为
‑
TechRFM760高速数控铣床，实验刀具为三刃碳化钨球头铣刀，切削材料为不锈钢HRC
‑
52，通过测力仪、加速度传感器、声发射传感器采集加工过程中的力信号、振动信号和声发射信号原始时域信号，信号采样频率为50KHz，每次走刀沿X方向切削108mm，记为一个切削行程，每把刀具切削315个行程，每个切削行程结束后，记录刀具每个切削刃的后刀面磨损量，共采集945次，形成945个样本。
[0014]所述S200数据预处理中，对力信号、振动信号和声发射信号原始时域信号分别构建标准npy数据集，同时构建磨损量数据集作为数据标签，对力信号、振动信号和声发射信号原始时域信号数据进行归一化处理，将数据归一化到(0,1)范围内，归一化方式为Min
‑
Max归一化，其中X为整个行程的所有数据点，x为待归一化的数据点，x
′
为归一化后的数据点的值。
[0015]所述S300数据集划分中，将数据以7：1：2的比例将数据划分为训练集、验证集与测试集，其中训练集用于模型的参数迭代训练，验证集用于验证模型是否学习到全部有效特征，进行了完全的训练，测试集用于评估模型的识别效果。
[0016]所述S400模型构建中，模型以力信号、振动信号和声发射信号为输入，刀具的磨损程度作为输出，使用CNN、GRU与LSTM构建网络，数据输入网络后，3个输入分别先通过CNN网络对数据特征进行提取，并对数据维度进行提升，每个输入对应的CNN都为3层，3层CNN的卷积核大小为3，步长为1，每次卷积之后使用ReLU进行激活，帮助网络更好地进行特征拟合。
[0017]所述S400模型构建中，ReLU公式为f(x)＝max(0,x)，其中x为输入的特征值，f(x)为经过ReLU激活后的特征值，之后进行一次Max Pooling与一次Batch Normalization，对数据进行处理，防止梯度消失，3次卷积分别将数据维度提升到8维，16维，32维，CNN提取特征完成后，使用一个隐藏节点数为32的GRU网络对数据时域特征进行进一步的提取，GRU有两个门，一个重置门和一个更新门，具体计算方式为：z＝σ(x
t
U
z
+s
t
‑1W
z
)，r＝σ(x
t
U
r
+s
t
‑1W
r
)，h＝tanh(x
t
U
h
+(S
t
‑1*r)W
h
，s
t
＝(1
‑
z)*h+z*s
t
‑1，其中t代表时间步，x
t
即输入序列的第t个分量，W为对应权重，U代表更新门，z代表更新门的输出，σ代表sigmoid函数，r代表重置门的输出结果，h为GRU单元的隐藏信息，GRU网络对特征提取完成后，得到3个32维的特征向量，对着3个特征向量使用Concate的方式进行结合。
[0018]所述S400模型构建中，特征融合完成后，输入LSTM网络，LSTM使用门控单元来控制哪些信息应该被记住，哪些信息应该被忘记，通过三个门来实现的，第一个门是遗忘门，使用sigmoid层来确定要从LSTMCell状态中删除的信息，f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)；第二个门是输入门，使用sigmoid层来确定要更新的值，使用tanh层来定义新的更新值，i
t
＝σ(W
f
·
[h
t
‑1，x
t
]+b
i
)，c
t
＝tanh(W
c
·
[h
t
‑1，x
t
]+b
c
)，第三个门输出门决定输出本LSTMCell状态，o
t
＝σ(W
o
·
[h
t
‑1，x
t
]+b
o
)，h
t
＝o
t
·
tanh(c
t
)，其中x
t
为时刻t的输入序列，h
t
‑1为过去的隐藏状态，b
f
,b
i
,b
c
,b
o
为每一层的偏置向量，LSTM网络对数据特征进行识别分析后，输出预测的刀具磨损程度。
[0019]所述S500模型训练中，网络搭建完毕后使用训练集数据对网络参数进行训练，采用Adam作为优化器，初始学习率为0.01，每1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的刀具磨损检测方法，其特征在于：包括下列步骤：S100、数据集构建：采集加工过程中的力信号、振动信号和声发射信号3种原始时域信号，构建训练与测试的数据集；S200、数据预处理：将数据集转换为可供深度学习模型进行训练与识别的形式，并进行归一化处理；S300、数据集划分：将数据集划分为训练集、验证集与测试集；S400、模型构建：使用CNN、GRU、LSTM网络对模型进行构建，并通过特征融合的方式进行联合分析；S500、模型训练：采用指定的训练参数对模型进行训练，得到刀具磨损情况识别模型；S600、模型评价：使用F1
‑
Score对模型识别效果进行评价。2.根据权利要求1所述的一种基于深度学习的刀具磨损检测方法，其特征在于：所述S100数据集构建中，采用数据集为美国PHM协会在2010年的刀具磨损的比赛数据，实验机床为高速数控铣床，实验刀具为三刃碳化钨球头铣刀，切削材料为不锈钢HRC
‑
52，通过测力仪、加速度传感器、声发射传感器采集加工过程中的力信号、振动信号和声发射信号原始时域信号，信号采样频率为50KHz，每次走刀沿X方向切削108mm，记为一个切削行程，每把刀具切削315个行程，每个切削行程结束后，记录刀具每个切削刃的后刀面磨损量，共采集945次，形成945个样本。3.根据权利要求2所述的一种基于深度学习的刀具磨损检测方法，其特征在于：所述S200数据预处理中，对力信号、振动信号和声发射信号原始时域信号分别构建标准npy数据集，同时构建磨损量数据集作为数据标签，对力信号、振动信号和声发射信号原始时域信号数据进行归一化处理，将数据归一化到(0,1)范围内，归一化方式为Min
‑
Max归一化，其中X为整个行程的所有数据点，x为待归一化的数据点，x
′
为归一化后的数据点的值。4.根据权利要求3所述的一种基于深度学习的刀具磨损检测方法，其特征在于：所述S300数据集划分中，将数据以7：1：2的比例将数据划分为训练集、验证集与测试集，其中训练集用于模型的参数迭代训练，验证集用于验证模型是否学习到全部有效特征，进行了完全的训练，测试集用于评估模型的识别效果。5.根据权利要求4所述的一种基于深度学习的刀具磨损检测方法，其特征在于：所述S400模型构建中，模型以力信号、振动信号和声发射信号为输入，刀具的磨损程度作为输出，使用CNN、GRU与LSTM构建网络，数据输入网络后，3个输入分别先通过CNN网络对数据特征进行提取，并对数据维度进行提升，每个输入对应的CNN都为3层，3层CNN的卷积核大小为3，步长为1，每次卷积之后使用ReLU进行激活，帮助网络更好地进行特征拟合。6.根据权利要求5所述的一种基于深度学习的刀具磨损检测方法，其特征在于：所述S400模型构建中，ReLU公式为f(x)＝max(0,x)，其中x为输入的特征值，f(x)为经过ReLU激活后的特征值，之后进行一次Max Pooling与一次Batch Normalization，对数据进行处理，防止梯度消失，3次卷积分别将数据维度提升到8维，16维，32维，CNN提取特征完成后，使用一个隐藏节点数为32的GRU网络对数据时域特征进行进一步的提取，GRU有两个门，一个重
置门和一个更新门，具体计算方式为：z＝σ(x
t
U
z
+s
t
‑1W
z
)，r＝σ(x
t
U
r
+s
t
‑1W
r
)，h＝tanh(x
t
U
h
+(S
t
‑...

【专利技术属性】
技术研发人员：王小华，潘晓光，焦璐璐，令狐彬，张娜，董虎弟，
申请(专利权)人：山西三友和智慧信息技术股份有限公司，
类型：发明
国别省市：