【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
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
‑
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:
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。