[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

说明书

本发明公开了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：利用传感器实时采集刀具加工过程中产生的振动信号，经小波阈值去噪后输入一维卷积神经网络中进行单个时间步时序信号局部特征提取，然后输入改进的深度门控循环单元神经网络CABGRUs中进行时序信号时间序列特征提取，引入Attention机制计算网络权重并对其进行合理分配，最后，将不同权重的信号特征信息放入Softmax分类器对刀具磨损状态进行分类，避免因人工提取特征带来的复杂性和局限性；同时有效解决了单卷积神经网络忽略时序信号前后关联问题，通过引入了Attention机制提高了模型的准确率。因此，本发明具有提高刀具磨损状态监测的实时性和准确性的特点。

技术领域

本发明属于制造过程监测领域，具体涉及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。

背景技术

在机械加工过程中，切削加工是零件成形最主要的加工方式，刀具的磨损状态将直接影响零件的加工精度、表面质量以及生产效率，因此，刀具状态监测(Tool ConditionMonitoring,TCM)技术对于保证加工质量、实现连续自动化加工具有非常重要的意义。刀具状态监测方法目前主要采用间接测量法，该方法能在刀具切削过程中通过传感器实时采集信号，经过数据处理和特征提取后，采用机器学习(Machine Learning,ML)模型对刀具磨损量进行监测。

现有技术中，张安思等提出基于迁移学习及长短期记忆网络(LSTM)的设备剩余寿命预测模型，通过预先在不同但相关的设备剩余寿命预测数据集上进行训练，然后针对目标数据集微调网络结构及训练参数。实验结果表明，迁移学习方法可以在只拥有少量的样本的前提下提升模型的预测精度。金棋等提出基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法，利用多目标优化算法优化多个堆栈去噪自动编码器(SDAE),同时提取多样性的故障特征，然后采用多响应线性回归模型集成多样性故障特征实现信息融合。实验结果表明多样性特征提取与信息融合的方法能有效提高故障诊断精度与稳定性,具有较强的泛化能力。张存吉等提出将加工过程中刀具的振动信号通过小波包转换(Wavelet Packet Transform,WPT)转变为能量频谱图，然后输入到卷积神经网络中自动提取特征并进行准确分类，实验结果表明深度卷积神经网络的准确率优于传统的神经网络模型。曹大理等提出利用密集连接的方式构建深度神经网络DenseNet，从原始的时序信号中自适应地提取刀具加工信号中隐藏的微小特征，实验结果表明加深网络层数有助于挖掘加工信号中隐含的高维特征，提高刀具磨损监测模型的精度。以上方法均采用深度学习的方式自适应的提取特征，但其使用的卷积神经网络过多依赖于高维度特征提取，卷积层数过多容易出现梯度弥散，卷积层数过少无法把握全局，且并未考虑到刀具加工时产生时序信号样本间的相关性这一重要特征。

发明内容

本发明的目的在于克服上述缺点而提出了一种能提高刀具磨损状态监测实时性和准确性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。

本发明的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：用加速度传感器采集刀具铣削时产生的三轴振动信号，用小波阀值去噪方法对采集到的原始信号进行去噪处理，将每次刀具进给产生的振动信号裁剪为多个长度为2000的短序列时序信号，其具体步骤：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。

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刀具加工过程中产生的短序列时序信号，其卷积神经网络部分包括2层卷积层(Convolutional Layer,CONV)和1层池化层(Pooling Layer,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；所述一维卷积层运算的计算公式如下：