一种基于多参数引导空间注意力机制的铣刀磨损监测方法技术

本发明专利技术提供了一种基于多参数引导空间注意力机制的铣刀磨损监测方法，将铣刀结构参数、工艺参数、监测信号采样频率等多参数引入深度学习模型的结构及参数设计过程的方法，建立了多参数与深度学习模型之间的联系；所提出的空间注意力模块可实现对监测信号中分切削/非切削部分信号段的辨识，并分别进行自适应的增强或抑制，屏蔽信号中与刀具状态无关的信号段，可准确对刀具磨损状态进行监测。为基于深度学习的刀具磨损监测方法提供了一种新思路，增强模型与刀具、工艺等对象之间的关联性，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。法在刀具磨损监测领域的应用具有重要意义。法在刀具磨损监测领域的应用具有重要意义。

【技术实现步骤摘要】
一种基于多参数引导空间注意力机制的铣刀磨损监测方法


[0001]本专利技术涉及铣削加工刀具磨损监测
，具体涉及一种基于多参数引导空间注意力机制的铣刀磨损监测方法。

技术介绍

[0002]刀具磨损监测是当前智能制造的关键技术之一，其监测精度的提高对产品质量、生产效率、成本的优化都有着不可替代的作用。随着传感器技术、信息技术、以及人工智能等相关领域的高速发展，当前刀具磨损监测也逐渐由传统的物理模型、统计模型向机器学习、尤其是深度学习等方法转变。深度学习可以摆脱对专家知识的依赖，同时具备强大的高维非线性映射能力。当前深度学习在刀具磨损监测领域被广泛研究。
[0003]由于铣刀刀齿之间存在着凹槽，同时出于排屑、散热的考虑，其轴向切深通常不会太深，因此铣削过程实际是非连续的，所采集的任一类监测信号均在时间上包含了大量的非切削信号片段。然而当前深度学习在刀具磨损监测中的方法大多以原始信号直接作为输入。虽有部分方法如公开号CN114833636的一种基于多特征空间卷积神经网络的刀具磨损监测方法对信号进行了时域、频域、时频域特征的提取，但该系列特征中未能考虑非切削阶段信号的影响。同时现有深度学习方法在结构设计时也缺乏对非切削信号片段的考虑。非切削信号片段对模型决策的影响程度是难以评价的，即现有深度学习方法的可靠性是不确定的。因此虽然现有方法能够在已知加工条件下取得较高的监测精度，但难以泛化到其他的加工场景中，这也限制了该类方法在实际加工中的应用。
[0004]铣削过程中的非切削信号片段在时间上的长度可以通过铣刀结构参数、工艺参数、监测信号采样频率等多参数进行计算。该计算方法只须通过少量参数实现，并且通用，并不依赖额外的专家知识。但现有基于深度学习的铣刀监测方法对上述参数的利用仅限于作为一种先决条件，即作为模型有效边界的限定。缺乏上述参数与深度学习方法之间融合模式的研究。对加工过程中多种参数、监测信号以及深度学习模型结构之间的关系进行研究，并建立融合机制，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。

技术实现思路

[0005]本专利技术是为了解决深度学习在刀具磨损监测中的不足，尤其是在监测信号中多参数共同决定的非切削信号片段对深度学习模型决策可靠性的影响，提出一种通用的基于频率注意力机制的铣刀磨损监测方法。该方法首先在频域对信号的高频噪音部分进行滤波。随后从时域出发，通过铣刀结构参数、工艺参数、监测信号采样频率等多参数对监测信号中的切削信号片段进行推导，根据推导结果对深度学习模型的结构基参数进行设计。所设计的模型可以实现对信号中实际切削信号片段进行自适应加权，对非切削信号片段进行抑制，并采用卷积模块对加权后的特征进行高维特征提取，可准确地监测铣刀磨损状态。
[0006]为实现上述目的，本专利技术所提供的技术方案是：
[0007]一种基于多参数引导空间注意力机制的铣刀磨损监测方法，其特征在于，包括一种基于多参数引导空间注意力的铣刀磨损监测模型；所述基于多参数引导空间注意力的铣刀磨损监测模型包括依次连接的空间注意力模块、卷积模块和全连接层；所述方法包括以下步骤：
[0008]步骤1，采集机床加工过程中的主轴振动信号(S
cutting
)和对应时刻的铣刀磨损状态；
[0009]步骤2，对所述步骤1中的S
cutting
进行预处理，然后进行低通滤波；对滤波后的信号进行切片并对齐，形成样本集；所述样本集为二维矩阵，形状为[j,L]；
[0010]步骤3，将步骤2中的样本输入构建的基于多参数引导空间注意力的铣刀磨损监测模型，对模型进行训练；具体训练过程如下：
[0011]步骤3
‑
1，步骤2中样本集包含的样本按数量为Batch的批次首先输入到降采样层，对输入样本按将采样率k
pool
进行降采样，输出降采样后形状为[Batch,1,L/k
pool
]的张量；
[0012]步骤3
‑
2，将步骤3
‑
1中输出的张量输入参数引导感受野卷积层，通过卷积运算实现对输入的样本在空间上赋予不同的权重值，输出形状为[Batch,1,L/k
pool
]的空间权重矩阵；
[0013]步骤3
‑
3，将步骤3
‑
2的空间权重矩阵按顺序进行归一化处理、ReLU激活，通过元素重复层按所述步骤3
‑
1中的k
pool
进行上采样，输出形状为[Batch,1,L]的空间权重矩阵；
[0014]步骤3
‑
4，将步骤3
‑
3的结果与步骤3
‑
1中的输入按元素对应相乘，输出形状为[Batch,1,L]的加权张量；
[0015]步骤3
‑
5，将步骤3
‑
4中的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；
[0016]步骤3
‑
6，将步骤3
‑
5中的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；
[0017]步骤4，采用步骤3中训练好的铣刀磨损监测模型对铣刀磨损进行监测。
[0018]进一步地，所述卷积模块数量为2～5，包括依次连接的1维卷积层、1维批归一化层、ReLU激活层和1维平均池化层；所述全连接层的数量为1，包括依次连接的展开层、线性层、Softmax激活层；所述步骤3
‑
1中的降采样层是核大小和步长均为k
pool
的1维平均池化层，其中k
pool
为整数并可整除L，可取范围为1～20；所述步骤3
‑
2中的参数引导感受野卷积层是核大小为k，步长为1的1维卷积层；所述k的计算方法如下：
[0019][0020]式中，f
s
为所述步骤1中S
cutting
的采样频率，单位为Hz；N为主轴转速，单位为转/分钟；n为铣刀的齿数；
[0021]所述步骤3
‑
3中的元素重复层是对输入特征的每一个值进行重复，重复的倍数为k
pool
，重复维度为最后一维。
[0022]进一步地，所述步骤2中的低通滤波采用的技术是傅立叶低通滤波器；所述低通滤波的低通截止频率为：
[0023][0024]式中，i为整数，取值范围为6～10。
[0025]进一步地，所述步骤2中的预处理方法如下：
[0026][0027]式中，S'是处理后的信号，S为处理前的信号，T是信号长度；
[0028]所述步骤2中的切片是将所述S
cutting
划分为同一长度的未对齐样本S'
cutting
‑
j
；所述未对齐S'
cutting
...

【技术保护点】

【技术特征摘要】
1.一种基于多参数引导空间注意力机制的铣刀磨损监测方法，其特征在于，包括一种基于多参数引导空间注意力的铣刀磨损监测模型；所述基于多参数引导空间注意力的铣刀磨损监测模型包括依次连接的空间注意力模块、卷积模块和全连接层；所述方法包括以下步骤：步骤1，采集机床加工过程中的主轴振动信号(S
cutting
)和对应时刻的铣刀磨损状态；步骤2，对所述步骤1中的S
cutting
进行预处理，然后进行低通滤波；对滤波后的信号进行切片并对齐，形成样本集；所述样本集为二维矩阵，形状为[j,L]；步骤3，将步骤2中的样本输入构建的基于多参数引导空间注意力的铣刀磨损监测模型，对模型进行训练；具体训练过程如下：步骤3
‑
1，步骤2中样本集包含的样本按数量为Batch的批次首先输入到降采样层，对输入样本按将采样率k
pool
进行降采样，输出降采样后形状为[Batch,1,L/k
pool
]的张量；步骤3
‑
2，将步骤3
‑
1中输出的张量输入参数引导感受野卷积层，通过卷积运算实现对输入的样本在空间上赋予不同的权重值，输出形状为[Batch,1,L/k
pool
]的空间权重矩阵；步骤3
‑
3，将步骤3
‑
2的空间权重矩阵按顺序进行归一化处理、ReLU激活，通过元素重复层按所述步骤3
‑
1中的k
pool
进行上采样，输出形状为[Batch,1,L]的空间权重矩阵；步骤3
‑
4，将步骤3
‑
3的结果与步骤3
‑
1中的输入按元素对应相乘，输出形状为[Batch,1,L]的加权张量；步骤3
‑
5，将步骤3
‑
4中的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；步骤3
‑
6，将步骤3
‑
5中的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；步骤4，采用步骤3中训练好的铣刀磨损监测模型对铣刀磨损进行监测。2.如权利要求1所述的一种基于多参数引导空间注意力机制的铣刀磨损监测方法，其特征在于，所述卷积模块数量为2～5，包括依次连接的1维卷积层、1维批归一化层、ReLU激活层和1维平均池化层；所述全连接层的数量为1，包括依次连接的展开层、线性层、Softmax激活层；所述步骤3
‑
1中的降采样层是核大小和步长均为k
pool
的1维平均池化层，其中k
pool
为整数并可被L整除，可取范围为1～20；所述步骤3
‑

【专利技术属性】
技术研发人员：张楷，赖旭伟，郑庆，丁国富，李致萱，秦国浩，丁昆，刘彦涛，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：