【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理，再按比例随机分成训练集和测试集，且其训练集和测试集中都划分有支持集和测试样例集；建立非参数化神经网络模型结构，包括特征提取网络、距离度量函数、attention机制；初始化特征提取网络模型权重、偏差和学习率参数，构建激活函数；采用余弦距离函数作为距离度量函数；attention机制使用softmax层结构；运用前向传播计算当前交叉熵损失，再通过后向传播计算其梯度；通过运行梯
4、公开号为cn113618491a的专利文献公开了一种拉刀磨损状态识别模型建立方法，包括以下步骤：采集原始振动信号，并同步对振动信号进行预处理及磨损状态编码；将振动信号分为测试集及训练集，并进行特征提取及优选；建立并训练gwo-svm模型；验证gwo-svm模型模型的识别精度。该专利技术基于最大相关最小冗余和灰度振动信号特征间接识别拉削刀具磨损状态。
5、尽管现有技术已经对刀具磨损状态识别方法进行了研究，但在现有的刀具磨损状态识别技术中，在处理变工况下的识别问题仍然存在一定挑战。传统方法往往无法充分利用不同工况下的时频域信号，导致识别结果不够准确和稳定。这可能造成制造过程中的浪费、低效以及可能的设备损坏，从而影响生产效率和产品质量。
6、因此，现有技术中需要一种创新的方法，能够在考虑到变工况情况下，对数控车床的主轴电流信号进行更精确的分析和识别。这种方法应能够有效地捕获时频域信号中的长距离依赖关系，并能够自适应地适应不同工况下的刀具磨损状态变化，从而提高识别的准确性和稳定性。针对这一问题，本专利技术提出了一种基于时频图和swin-transformer的刀具磨损状态识别技术，旨在克服现有技术中存在的不准确识别问题以及对变工况适应性的限制。
技术实现思路
1、本专利技术的目的在于提供一种针对变工况状态下识别率不准确的刀具磨损状态识别方法。本专利技术引入了swin-transformer方法，将其应用于时频图数据，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。
2、一种基于swin-transformer的变工况下数控车刀磨损状态分类方法，包括以下几个步骤：
3、s1、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；
4、s2、将预处理后的电流信号划分为训练集、验证集和测试集，将训练集、验证集和测试集中的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；
5、s3、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；
6、s4、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。
7、进一步地，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。
8、进一步地，采用三倍标准差法将采集到的电流信号进行错点剔除。
9、进一步地，采用最小二乘法对错点剔除后的电流信号进行消除趋势项。
10、本专利技术通过采集不同刀具磨损状态下数控车床的原始主轴电流信号，对原始数据进行错点剔除、消除趋势项等预处理方法进行数据清洗，以去除由传感器噪音或异常引起的异常值，排除由于系统变化引起的整体趋势。
11、进一步地，采用滑动窗口对进行消除趋势项后的电流信号进行数据增强。
12、进一步地，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。本专利技术基于symlet函数进行小波包变换，将一维电流信号转化为二维时频图。
13、进一步地，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。
14、进一步地，采用线性变换方法和随机角度旋转方法分别对标注磨损类别标签后的时频图进行亮度变换和旋转变换。
15、进一步地，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：
16、s31、将输入图像分割成大小为(patch_size,patch_size)的窗口，得到窗口矩阵，每个窗口作为一个基本单位，用于后续多头自注意力计算；
17、此步骤中分块化操作有助于减少计算复杂度，并使模型能够处理较大尺寸的图像。
18、s32、基于swin transformer网络模型swin transformer block结构中的多头自注意机制和移动多头自注意机制获取每个窗口的权重信息，根据权重信息加权求和，得到每个窗口的输出结果，将每个窗口的输出结果进行正则化处理，
19、其中，所述的多头自注意机制是用来计算每个位置与其他位置之间的相对重要性，从而捕捉全局和局部的特征关系；
20、所述的移动多头自注意机制用于将图像特征进行半个窗口大小的像素位移，再将划分的与原有尺寸不一致窗口移位并重新排列组合成为一个原有尺寸的新窗口，然后对新窗口进行多头自注意力计算；
21、在swin transformer网络模型中，注意力机制被分成多个层次，每个层次中均包含偶数个连续swin transformer block结构，swin transformerblock结构包括基于窗口的多头自注意机制和移位多头自注意机制。
22、s33、将所有窗口的正则化处理后的输出结果进行全局平均池本文档来自技高网...
【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
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方法，其特征在于，步骤S32中，所述的多头自注意机制计算每个位置与其他位置之间的相对重要性的步骤为：对每个窗口进行查询、键、值的线性变换之后，利用Softmax函数对进行缩放，计算每个窗口的注意力分数，再对注意力分数加权求和得到每个窗口的输出结果，其中，所述的计算注意力分数的公式如下：
7.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方法，其特征在于，步骤S32中，对于采用移动多头自注意机制得到的新窗口，使用掩码机制计算权重，屏蔽掉与当前窗口无关的部分，计算公式为：
8.根据权利要求7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，在步骤S33之前，多次变换窗口尺寸，重复步骤S32的操作。
9.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方法，其特征在于，步骤S34中，所述的损失函数为交叉损失熵函数，交叉熵损失L的计算公式为：
10.一种基于Swin-Transformer的变工况下数控车刀磨损状态分类装置，用于实现权利要求1-9中任一项所述的基于Swin-Transformer的变工况下数控车刀磨损状态分类方法，其特征在于，所述的基于Swin-Transformer的变工况下数控车刀磨损状态分类装置包括：
...【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：
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。