基于多尺度时空融合网络模型的刀具磨损状态监测方法技术

本发明专利技术提供一种基于多尺度时空融合网络模型的刀具磨损状态监测方法，涉及刀具状态检测技术领域。该方法首先采集刀具加工过程的原始信号，获得刀具磨损状态数据集；并对刀具磨损状态数据集进行预处理，划分为训练集与测试集；构建多尺度时空融合网络模型作为刀具磨损状态预测模型；使用训练数据集训练刀具磨损状态预测模型，并使用测试集进行测试；然后使用训练好的刀具磨损状态预测模型预测待监测的刀具磨损状态；最后对已预测的刀具磨损状态进行平滑处理，得到平滑化的预测刀具磨损状态。该方法相对其他深度学习方法，提高了网络可解释性的同时，大大提升了预测精度。大大提升了预测精度。大大提升了预测精度。

【技术实现步骤摘要】
基于多尺度时空融合网络模型的刀具磨损状态监测方法


[0001]本专利技术涉及刀具状态检测
，尤其涉及一种基于多尺度时空融合网络模型的刀具磨损状态监测方法。

技术介绍

[0002]在先进的现代制造中，铣削因其高精度和高灵活性而发挥着至关重要的作用。作为铣削加工过程中不可缺少的一部分，刀具的状态将直接影响到加工产品的质量和精度。刀具的持续磨损会引起切削刃与工件接触状态的变化，如果不及时更换刀具，将导致工件报废和设备停机，最终会造成严重的经济损失。因此，对刀具磨损状况监测(Tool Condition Monitoring,TCM)方法的研究有助于提高铣削产品的效率和质量，降低生产成本。
[0003]目前用于TCM的方法可以通过基于模型驱动或基于数据驱动的方法来实现。基于模型驱动的方法需要建立基于领域知识的物理失效模型，对系统各部件进行分析，利用该模型预测磨损值以及当前磨损状态。然而，刀具磨损是一种复杂的动态现象，捕捉其机理的磨损很难，且这些故障很难用简单的数学模型进行预测。在这种情况下，数据驱动可以作为一种解决方案，它将加工步骤中的信号(切削力信号、振动信号、声发射信号等)和刀具磨损状态作为特征和标签进行模型训练，通过内部学习算法得到输入和输出之间的映射关系。
[0004]数据驱动的TCM模型中，特征提取和预测识别的算法至关重要，提取特征的质量对TCM模型的性能有很大影响。在提取原始信号的时域、频域和时频域特征后，通过引入Pearson相关系数、单调性分析和主成分分析等特征选择技术，来降低维数，学习更有用的鉴别特征。最后，将得到的特征输入机器学习算法中，如支持向量机(SVM)、隐马尔可夫模型(HMM)、卡尔曼滤波和人工神经网络(ANN)来进行训练。上述基于机器学习的传统模型需要人工提取冗杂的特征，耗时长，效率低。且提取的特征代表能力较弱，在很大程度上依赖于不同领域的专家知识，无法满足实时监控的高精度需求。
[0005]近年来，凭借着对复杂数据的优异自适应特征提取能力，卷积神经网络(CNN)、循环神经网络(RNN)、堆叠稀疏自编码器(SAE)和深度置信网络(DBN)等深度学习模型被广泛应用于刀具磨损状态监测中。单一深度学习网络可能面临特征提取不够全面的问题，将两个或多个深度学习网络相结合的方法可以提取更丰富的特征信息，或者通过合理的网络设计，在保证性能的前提下，尽可能的降低网络参数量，来减少时间消耗的效果。目前主流方法是将CNN与RNN串联结合增强空间时间特征提取能力，来进行复杂数据的分析处理。但是网络模型的简单堆叠或串联形式，会出现两个弊端。一方面利用单一1D
‑
CNN或者RNN只能提取到单独的空间特征或者时序特征，没有充分发掘网络提取特征的潜力。另一方面，串联使用CNN和RNN来提取特征，可能会造成提取的时间特征和空间特征相互干扰，带来一定的性能损失，缺乏时间与空间角度的可解释性有效融合。
[0006]目前刀具磨损方法的研究，能够在不依赖物理模型的情况下实现监测，这得益于高精度的传感器采集的大量数据和数据驱动模型出色的非线性拟合能力。虽然对数据驱动
模型算法的分析是整个监测流程的关键所在，但在复杂和动态的制造过程中，源头的传感器数据采集以及受噪声影响等实际问题很少被考虑。切削加工受到工件材料，刀具特性及加工工艺等多种因素影响，产生的持续信号十分复杂。每种传感器采集的信号都会受到噪声或其他干扰，且安装在机床上的传感器类型也受到包括工件形状和加工环境在内的因素的限制。
[0007]因此，实际加工过程中，既要保证传感器正确采集信号精度高的同时，又要需要充分考虑传感器安装条件难度和成本价格问题。如何选择合适的传感器，并针对相应传感器的缺陷有针对性的进行后续的数据预处理，是当前刀具磨损监测方法所需要关注的。此外，针对深度学习网络内部的“黑盒”问题，研究如何有效设计一种充分利用专家知识的时空网络融合模型也是刀具磨损监测技术亟需解决的问题。

技术实现思路

[0008]本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于多尺度时空融合网络模型的刀具磨损状态监测方法，充分考虑特征时间与空间的提取，并结合专家知识的前置数据预处理与后置平滑算法解决传感器所收集的数据缺陷，以实现对刀具磨损状态的高精度监测与预测。
[0009]为解决上述技术问题，本专利技术所采取的技术方案是：基于多尺度时空融合网络模型的刀具磨损状态监测方法，包括以下步骤：
[0010]步骤1、采集刀具加工过程的原始信号，获得刀具磨损状态数据集；
[0011]步骤2、对刀具磨损状态数据集预处理，划分为训练集与测试集；
[0012](1)异常数据处理；采用基于自适应滑动窗口的中值滤波方法检测出异常突变数据，经滤波后异常突变数据被替换为正常数据，而其他正常信号数据未受影响；
[0013](2)数据归一化；
[0014]步骤3、构建多尺度时空融合网络模型作为刀具磨损状态预测模型；
[0015]所述多尺度时空融合网络模型包括多尺度残差网络模块、并行的基于注意力机制的空间特征提取模块和深度GRU时间特征提取模块以及特征融合预测模块；
[0016]将预处理后的刀具磨损状态数据作为多尺度时空融合网络模型的输入，经过多尺度残差网络模块进行浅层特征提取，然后将提取后的特征向量进行拼接，输入到并行的空间特征提取模块和深度GRU时间特征提取模块；其中，空间特征提取模块给每个特征赋予不同的权重，提取空间特征，时间特征提取模块进行时间序列的特征提取；最后将空间特征提取模块和时间特征提取模块提取到的特征融合输入到特征融合预测模块进行刀具磨损的预测；
[0017]所述多尺度残差网络模块，由3个不同尺度的1D
‑
Conv
‑
Residual残差网络并行构成，通过Concatenation操作用于将并行的3个1D
‑
Conv
‑
Residual残差网络结构的所有输出连接为下一层的输入，来进行浅层特征的提取；
[0018]所述1D
‑
Conv
‑
Residual残差网络由两种不同的CNN构成；每种CNN都含有五层，包括两个卷积层、一个最大池化层和两个批处理归一化层，每种CNN的卷积核大小不同；并通过引入快捷连接来构造输入向量和输出向量之间的非线性恒等映射关系；
[0019]所述基于注意力机制的空间特征提取模块包括依次连接的注意力模块SE_Block、
Dropout层和Flatten层；
[0020]所述深度GRU时间特征提取模块由堆叠的两层GRU构成；在两层GRU中，一层中每个隐藏状态的输出在时间中传播的同时，也是下一层中隐藏状态的输入；在t时刻，经多尺度残差网络模块提取的融合特征输入到第一层的GRU中；第一层的GRU通过门控机制对每个特征进行非线性表达、存储和选择；第一层GRU的每个门控单元的输出隐藏状态向量继续作为第二层GRU的输入，最后使用第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度时空融合网络模型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、采集刀具加工过程的原始信号，获得刀具磨损状态数据集；步骤2、对刀具磨损状态数据集进行预处理，并划分为训练集与测试集；步骤3、构建多尺度时空融合网络模型作为刀具磨损状态预测模型；所述多尺度时空融合网络模型包括多尺度残差网络模块、并行的基于注意力机制的空间特征提取模块和深度GRU时间特征提取模块以及特征融合预测模块；将预处理后的刀具磨损状态数据作为多尺度时空融合网络模型的输入，经过多尺度残差网络模块进行浅层特征提取，然后将提取后的特征向量进行拼接，输入到并行的空间特征提取模块和深度GRU时间特征提取模块；其中，空间特征提取模块给每个特征赋予不同的权重，提取空间特征，时间特征提取模块进行时间序列的特征提取；最后将空间特征提取模块和时间特征提取模块提取到的特征融合输入到特征融合预测模块进行刀具磨损的预测；步骤4、使用训练数据集训练刀具磨损状态预测模型，并使用测试集进行测试；步骤5、使用训练好的刀具磨损状态预测模型预测待监测的刀具磨损状态；步骤6、对已预测的刀具磨损状态进行平滑处理，得到平滑化的预测刀具磨损状态。2.根据权利要求1所述的基于多尺度时空融合网络模型的刀具磨损状态监测方法，其特征在于：所述步骤2对刀具磨损状态数据集进行预处理包括：(1)异常数据处理；采用基于自适应滑动窗口的中值滤波方法检测出异常突变数据，经滤波后异常突变数据被替换为正常数据，而其他正常信号数据未受影响；(2)数据归一化。3.根据权利要求1所述的基于多尺度时空融合网络模型的刀具磨损状态监测方法，其特征在于：所述多尺度残差网络模块，由3个不同尺度的1D
‑
Conv
‑
Residual残差网络并行构成，通过Concatenation操作用于将并行的3个1D
‑
Conv
‑
Residual残差网络结构的所有输出连接为下一层的输入，来进行浅层特征的提取；所述1D
‑
Conv
‑
Residual残差网络由两...

【专利技术属性】
技术研发人员：刘长福，权宇，周洋，刘博，王道海，柳建平，王志强，佟昊，王宪跃，王宇，
申请(专利权)人：辽宁石油化工大学，
类型：发明
国别省市：