[发明专利]基于深度门控循环单元神经网络的刀具磨损状态监测方法

权利要求书

1.一种基于深度门控循环单元神经网络的刀具磨损状态监测方法，包括如下步骤：

步骤一：用传感器采集刀具产生的振动信号，用小波阀值去噪方法对采集到的原始振动信号进行去噪处理，将每次刀具进给产生的振动信号裁剪为长度为2000点的短序列时序信号；

步骤二：单个时间步时序信号局部特征提取：采用一维卷积神经网络处理上述短序列时序信号，所述卷积神经网络部分包括2层卷积层CONV和1层池化层POOL，卷积层通过一维卷积运算的方式将每一维度的时序信号进行邻域滤波以生成特征映射，每个特征图可以被看作不同滤波器对当前时间步时序信号的卷积操作，即通过一维卷积神经网络对信号自适应的特征提取，减少了后续网络的输入参数，计算速度得到提升，同时，特征图在向量维度上有了一定的减小，振动信号的特征得到凸显，便于后续的神经网络进行时间序列特征提取；

步骤三：时序信号时间序列特征提取：刀具加工过程中产生的振动信号存在时序关系，为了挖掘时间序列中相对较长间隔的时序变化规律，采用改进的深度门控循环单元神经网络CABGRUs提取时序信号时间序列特征，学习时序信号间时间序列特征的依赖关系；

所述改进的深度门控循环单元神经网络CABGRUs，通过构建两个深度双向门控循环单元BiGRU网络共同叠加组成，同时，在CABGRUs网络中引入Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力；

所述改进的深度门控循环单元神经网络CABGRUs中每个双向的BiGRU网络包含256个神经元，正向和反向BiGRU网络均由128个神经元组成，每个BiGRU神经元包括更新门和重置门，分别使用和来表示，其中，表示在时间步时的候选隐藏状态，表示在时间步时的隐藏状态， 表示在时间步时的输入向量，更新门用于控制当前状态更新了多少状态信息，越趋近于1，表示当前状态对先前时刻的信息利用的越多，重置门用于控制从先前状态中移除哪些状态信息，越趋近于0，表示从先前时刻的输出状态所占的比例越小，公式如下：

其中：和表示重置门的权重向量，和表示更新门的权重向量，和表示候选隐藏状态的权重向量，表示偏置向量，表示Hadamard 乘积，即矩阵的点乘，表示Sigmod函数，tanh函数表示双曲正切激活函数；

步骤四：引入Attention机制计算连续时间步时序信号特征的重要性分布数值，所述引入的Attention机制通过分配不同的初始化概率权重与深度双向门控循环单元BiGRU层的各个时间步输出向量进行加权求和，最后经过Sigmod函数计算得到数值，以提升权重的方式来强化关键信息的比重，减少长序列时序信号关键信息的丢失；

步骤五：网络模型的训练：引入了Dropout技术，用以防止模型在训练过程中发生过拟合；网络模型的激活函数采用Softmax，损失函数采用Categorical_crossentropy，对上述步骤所获得的时序信号特征进行磨损分类，得到分类结果，确认当前时刻刀具的磨损状态。

2.如权利要求1所述的基于深度门控循环单元神经网络的刀具磨损状态监测方法，其特征在于：所述将每次刀具进给产生的振动信号裁剪为长度为2000的短序列时序信号，具体步骤为：截取每个采样信号中连续的100000个点，以2000为样本数量将截取点划分为50个样本，这50个样本均对应相同的磨损状态标签。

3.如权利要求1所述的基于深度门控循环单元神经网络的刀具磨损状态监测方法，其特征在于：所述步骤四中的Attention机制的计算公式如下：

其中，表示BiGRU层在时间步时的输出特征向量，表示通过神经网络层得到的隐层表示，表示随机初始化的上下文向量，表示通过Softmax函数归一化得到的重要性权重，表示最终文本信息的特征向量，即在训练过程中随机生成，最后经由Softmax函数将Attention层输出值进行映射，得到刀具磨损状态的实时分类结果。