一种基于Swin-Transformer的变工况下数控车刀磨损状态分类方法和装置制造方法及图纸

本发明专利技术公开了一种基于Swin‑Transformer的变工况下数控车刀磨损状态分类方法和装置，方法包括：从数控车床的主轴中采集不同磨损类型的电流信号，进行数据预处理；将预处理后的电流信号划分为训练集、验证集和测试集，将电流信号通过小波包变换得到电流信号的时频图，对每张时频图标注磨损类别标签后进行图像预处理；设计基于Swin‑Transformer的网络模型和预训练参数，输入预处理后的图像，对Swin‑Transformer网络模型进行优化训练；将待检测的电流信号时频图输入到预训练的Swin‑Transformer网络模型中，输出识别结果。本发明专利技术将Swin‑Transformer模型应用于时频图数据，能够有效地捕获图像中的长距离依赖关系，从而适应不同工况下刀具磨损状态的变化模式，提高识别的准确性和稳定性。

【技术实现步骤摘要】

本专利技术属于数控车床刀具磨损状态监测识别，具体涉及一种基于swin-transformer的变工况下数控车刀磨损状态分类方法和装置。

技术介绍

1、在数控车床等制造领域，刀具磨损状态的准确识别对于生产质量和效率的保障至关重要。传统的刀具磨损状态识别方法通常基于经验规则、振动传感器或者声音信号等方式，但这些方法在适应不同工况下的准确性和稳定性方面存在局限性。这是因为刀具的工作状态可能会受到加工材料、切削速度、切削深度等因素的影响，从而导致传统方法在变工况下识别率不稳定，甚至产生误判。特别是在高度自动化和智能化制造环境中，单一的经验规则或传感器测量方法无法满足精细化、多变工况下的刀具磨损状态监测需求。

2、为了解决上述问题，有研究尝试引入机器学习和深度学习方法，以便从大量数据中自动学习和提取刀具状态的特征。然而，在处理时频域信号方面，传统的卷积神经网络可能受限于局部信息捕捉能力，尤其在考虑到长距离依赖关系时。

3、公告号为cn111242202b的专利文献公开了基于度量学习的车削加工刀具磨损状态监测方法，首先将采集刀具磨损图像进行预处本文档来自技高网...

【技术保护点】

1.一种基于Swin-Transformer的变工况下数控车刀磨损状态分类方法，其特征在于，包括以下几个步骤：

2.根据权利要求1所述的基于Swin-Transformer的变工况下数控车刀磨损状态分类方法，其特征在于，步骤S1中，所述的数据预处理包括：对采集到的电流信号进行错点剔除、消除趋势项和数据增强操作。

3.根据权利要求1所述的基于Swin-Transformer的变工况下数控车刀磨损状态分类方法，其特征在于，步骤S2中，基于symlet函数对训练集、验证集和测试集中的电流信号进行小波包变换，对每个子信号进行时频图绘制，展示子信号在不同时间和频率上的变化情...

【技术特征摘要】

1.一种基于swin-transformer的变工况下数控车刀磨损状态分类方法，其特征在于，包括以下几个步骤：

2.根据权利要求1所述的基于swin-transformer的变工况下数控车刀磨损状态分类方法，其特征在于，步骤s1中，所述的数据预处理包括：对采集到的电流信号进行错点剔除、消除趋势项和数据增强操作。

3.根据权利要求1所述的基于swin-transformer的变工况下数控车刀磨损状态分类方法，其特征在于，步骤s2中，基于symlet函数对训练集、验证集和测试集中的电流信号进行小波包变换，对每个子信号进行时频图绘制，展示子信号在不同时间和频率上的变化情况。

4.根据权利要求1所述的基于swin-transformer的变工况下数控车刀磨损状态分类方法，其特征在于，步骤s2中，所述的图像预处理包括：对标注磨损类别标签后的时频图进行亮度变换和旋转处理。

5.根据权利要求1所述的基于swin-transformer的变工况下数控车刀磨损状态分类方法，其特征在于，步骤s3中，所述的设计基于swin-transformer的网络模型和预训练参数，输入预处理后的图像，对swin-transformer网络模型进行优化训练的步骤为：

6.根据权利要求5所述的基于swin-transformer的变工况下数控车刀磨损状态分类...

【专利技术属性】
技术研发人员：武建伟，田雅雯，洪铎，徐凡，魏乃镇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：