【技术实现步骤摘要】
本专利技术涉及铣削加工，具体来讲是一种基于改进swin-transformer的刀具磨损值监测方法。
技术介绍
1、在加工过程中，刀具的磨损会不可避免地发生，对产品质量和生产资源的损耗产生了不利影响，因此需要对刀具磨损进行有效的监测。近年来，许多学者在刀具状态检测系统(tool condition monitoring，tcm)领域开展了大量的研究工作。刘洪奇等对机床主轴电机电流信号进行特征提取，实现对刀具磨损状态监测。汤胜兵等针对因加工参数不固定而导致的基于固定阈值方法监测精确度低的问题，提出一种铣削加工刀具破损监测方法。李斌等针对模型中信号特征难以提取的问题，提出一种基于saes和k-means的刀具破损监测方法。马海峰等考虑复杂铣削过程引起的类间边缘样本重叠问题，提出一种基于迁移学习的跨域刀具破损监测方法及系统，解决了传统迁移学习方法难以跨域监测的问题。吴琪文等针对多工况下刀具磨损监测模型适用性问题，提出一种基于新型胶囊网络的刀具破损监测系统及方法。
2、刘献礼等为提高模型在多工况参数下的监测精度，提出一种基于vwctransformer迁移学习的变工况刀具磨损状态监测方法。transformer模型融合了图像不同位置之间的特征关系，但随着图像尺寸的增大，模型计算量也急剧增加。swin-transformer通过不重叠的移动窗口计算自注意力，并允许跨窗口连接。这种架构不仅降低了运算的复杂性，并且使其具有在各种尺度上的建模灵活性。
3、在swin-transformer模型改进方面，叶铭亮等采用knn
技术实现思路
1、针对现有技术中存在的缺陷，本专利技术的目的在于提供一种基于改进swin-transformer的刀具磨损值监测方法，将原模型中的mlp结构替换为残差块，同时减小模型层叠块的层数，从而提高模型的监测精度与监测效率，相比较原模型，改进swin-transformer模型在验证数据集上监测精度与监测效率获得提升。
2、为达到以上目的，本专利技术采取的技术方案是：一种基于改进swin-transformer的刀具磨损值监测方法，包括以下步骤：
3、步骤s1.信号数据获取；
4、步骤s2.基于改进swin-transformer的刀具磨损值监测模型构建；
5、步骤s3.模型训练；
6、步骤s4.利用训练好的模型进行刀具磨损值预测与监测。
7、在上述技术方案的基础上，步骤s1中，所述信号数据包括数控机床铣削加工过程中，相同切削参数下所产生的振动信号、切削力信号以及声发射信号。
8、在上述技术方案的基础上，步骤s1中，将所采集到的信号，去除进刀和退刀过程取其平稳加工阶段的信号数据，然后分别对每种信号进行z-score标准化处理；标准化后的7通道信号数据组成模型的输入，与对应的磨损值组合成数据集。
9、在上述技术方案的基础上，步骤s2中，所述模型由分区模块、4个stage、输出模块串联组成；其中，分区模块将输入的7通道信号数据转换为w/4×h/4×48的非重叠特征图像块，以便模型能获取信号数据的全局信息；4个stage用于构建不同大小的特征图，除第一个stage先通过线性嵌入层外，其它3个stage都是先通过1个patch merging层进行下采样，然后重复堆叠2个swin transformer resblock模块。
10、在上述技术方案的基础上，所述swin transformer resblock模块由归一化层、窗口多头自注意模块、残差块和滑窗多头自注意模块组成；其中，归一化层(layernorm)用于降低模型对数据的依赖性；窗口多头自注意结构(w-msa)通过在非重叠的局部窗口中计算自注意力，融合特征图局部性的先验知识，降低计算复杂度；残差块(resblock)用于提高模型监测精度；滑窗多头自注意模块(sw-msa)通过向右下角方向移动窗口保持非重叠窗口的计算效率，同时实现不同窗口中像素的交互，以更好地融合一次走刀全段信号的信息。
11、在上述技术方案的基础上，所述残差块由2个卷积核为3且padding为1的一维卷积层、1个gelu激活函数、1个dropout层以及1个残差连接组成；第一层一维卷积层的输出会依次通过gelu激活函数、dropout层计算输入到第二层一维卷积层中，第二层一维卷积层的输出与第一层一维卷积层的输出相加得到残差块的输出；且残差块输入的数据维度与特征图大小与输出一致；其中，一维卷积层(conv)用于进一步挖掘特征图像中的隐藏信息；gelu激活函数用于增强模型的非线性分割能力；dropout层通过正则化处理防止模型过拟合；残差连接防止因网络层数堆叠过深导致梯度消失的问题。
12、在上述技术方案的基础上，两个连续swin transformer resblock的计算过程为：
13、
14、
15、
16、
17、式中，和分别表示第l个swin transformer resblock模块中滑窗多头自注意模块和残差块的输出特征。
18、在上述技术方案的基础上，所述输出模块3个连续的线性回归层构成，前两个线性回归层中，每个线性回归层的输出神经元数量为对应输入神经元数量的一半；第三个线性回归层的输出神经元数量为1。
19、在上述技术方案的基础上，步骤s3中，选取数据集的80％作为训练集，20％作为测试集，以均方误差作为训练损失，采用adam优化算法进行模型训练；首先使用训练集训练网络模型，其次将训练后的网络模型在测试集上进行评估测试，测试过程采用均方误差和回归系数为标准评价模型的泛化能力；其中回归系数r2的表达式为：
20、
21、式中，n是数据集中样本个数，yi是真实值，是预测值，是实际值的均值。
22、在上述技术方案的基础上，步骤s4中，当传感器采集的实时检测信号达到一定长度时，对采集的信号进行等步长截取，输入到训练好的模型中进行磨损值预测，并将预测值与刀具磨损阈值进行对比，判断刀具是否磨损钝并提醒工作人员及时更换刀具。
23、本专利技术的有益效果在于：
24、本专利技术采取端到端的数据驱动方法，将原始信号作为输入无需对信号进行预处理，有效降低了信号处理的复杂性；而且采用resblock模块取代原有模型swintransform本文档来自技高网...
【技术保护点】
1.一种基于改进Swin-Transformer的刀具磨损值监测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于改进Swin-Transformer的刀具磨损值监测方法，其特征在于：步骤S1中，所述信号数据包括数控铣削加工过程中，相同切削参数下所产生的振动信号、切削力信号以及声发射信号。
3.如权利要求2所述的基于改进Swin-Transformer的刀具磨损值监测方法，其特征在于：步骤S1中，将所采集到的信号，去除进刀和退刀过程取其平稳加工阶段的信号数据，然后分别对每种信号进行Z-score标准化处理；标准化后的7通道信号数据组成模型的输入，与对应的磨损值组合成数据集。
4.如权利要求1所述的基于改进Swin-Transformer的刀具磨损值监测方法，其特征在于：步骤S2中，所述模型由分区模块、4个stage、输出模块串联组成；其中，4个stage用于构建不同大小的特征图，除第一个stage先通过线性嵌入层外，其它3个stage都是先通过1个Patch Merging层进行下采样，然后重复堆叠2个Swin Transformer
5.如权利要求4所述的基于改进Swin-Transformer的刀具磨损值监测方法，其特征在于：所述Swin Transformer Resblock模块由归一化层、窗口多头自注意模块、残差块和滑窗多头自注意模块组成。
6.如权利要求5所述的基于改进Swin-Transformer的刀具磨损值监测方法，其特征在于：所述残差块由2个卷积核为3且padding为1的一维卷积层、1个Gelu激活函数、1个Dropout层以及1个残差连接组成；第一层一维卷积层的输出会依次通过Gelu激活函数、Dropout层计算输入到第二层一维卷积层中，第二层一维卷积层的输出与第一层一维卷积层的输出相加得到残差块的输出；且残差块输入的数据维度与特征图大小与输出一致。
7.如权利要求5所述的基于改进Swin-Transformer的刀具磨损值监测方法，其特征在于：两个连续Swin Transformer Resblock的计算过程为：
8.如权利要求4所述的基于改进Swin-Transformer的刀具磨损值监测方法，其特征在于：所述输出模块3个连续的线性回归层构成，前两个线性回归层中，每个线性回归层的输出神经元数量为对应输入神经元数量的一半；第三个线性回归层的输出神经元数量为1。
9.如权利要求1所述的基于改进Swin-Transformer的刀具磨损值监测方法，其特征在于：步骤S3中，选取数据集的80％作为训练集，20％作为测试集，以均方误差作为训练损失，采用Adam优化算法进行模型训练；首先使用训练集训练网络模型，其次将训练后的网络模型在测试集上进行评估测试，测试过程采用均方误差和回归系数为标准评价模型的泛化能力；其中回归系数R2的表达式为：
10.如权利要求1所述的基于改进Swin-Transformer的刀具磨损值监测方法，其特征在于：步骤S4中，当传感器采集的实时检测信号达到一定长度时，对采集的信号进行等步长截取，输入到训练好的模型中进行磨损值预测，并将预测值与刀具磨损阈值进行对比，判断刀具是否磨损钝并提醒工作人员及时更换刀具。
...【技术特征摘要】
1.一种基于改进swin-transformer的刀具磨损值监测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于改进swin-transformer的刀具磨损值监测方法，其特征在于：步骤s1中，所述信号数据包括数控铣削加工过程中，相同切削参数下所产生的振动信号、切削力信号以及声发射信号。
3.如权利要求2所述的基于改进swin-transformer的刀具磨损值监测方法，其特征在于：步骤s1中，将所采集到的信号，去除进刀和退刀过程取其平稳加工阶段的信号数据，然后分别对每种信号进行z-score标准化处理；标准化后的7通道信号数据组成模型的输入，与对应的磨损值组合成数据集。
4.如权利要求1所述的基于改进swin-transformer的刀具磨损值监测方法，其特征在于：步骤s2中，所述模型由分区模块、4个stage、输出模块串联组成；其中，4个stage用于构建不同大小的特征图，除第一个stage先通过线性嵌入层外，其它3个stage都是先通过1个patch merging层进行下采样，然后重复堆叠2个swin transformer resblock模块。
5.如权利要求4所述的基于改进swin-transformer的刀具磨损值监测方法，其特征在于：所述swin transformer resblock模块由归一化层、窗口多头自注意模块、残差块和滑窗多头自注意模块组成。
6.如权利要求5所述的基于改进swin-transformer的刀具磨损值监测方法，其特征在于：所述残差块由2个卷积核为3且padding为1的一维卷积层...
【专利技术属性】
技术研发人员：周学良，李泽稷，田印，罗敏，
申请(专利权)人：湖北汽车工业学院，
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。