【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。