[发明专利]一种基于一维深度卷积自动编码器的刀具磨损状态监测方法

权利要求书

1.一种基于一维深度卷积自动编码器的刀具磨损状态监测方法，其特征在于，包括以下步骤：

步骤1：样本数据获取和预处理：

利用闭环霍尔效应电流传感器采集不同刀具磨损状态下机床主轴电机三相交流电信号；将三相交流电信号合成电流有效值并做归一化处理；将经过归一化处理后的电流有效值进行分割，得到多个等长度的时间序列样本数据；根据分割得到的多个样本数据与对应的刀具磨损状态组合成为训练集和测试集；

步骤2：搭建一维深度卷积自动编码器模型；

所述一维深度卷积自动编码器模型由编码块、解码块和输出块三部分组成；

编码块包括输入信号、卷积层、ReLu激活层和池化层；解码块包括上采样层和卷积层；编码块以池化层作为输出层，输入至解码块以后，通过上采样和卷积操作实现输入信息的还原；在上采样操作中，采用复制插值的方法进行输出维度的扩张；输出块采用全局平均池化层、DropOut层和SoftMax分类器组成，产生整个模型的输出结果；

步骤3：模型训练；

整个模型的训练过程分为无监督预训练和有监督微调两个阶段；

在无监督预训练阶段，利用Adam优化算法，以输入信号为目标值，以均方误差作为损失函数对步骤2搭建的网络的编码块和解码块进行无监督训练；均方误差函数MSE表示为：

其中，J表示损失函数值，H为样本个数，表示第i个样本的网络输出，xⁱ表示第i个输入样本；

在无监督预训练阶段结束以后，以训练后的编码块输出作为网络输出块的输入，以交叉熵作为损失函数，对网络的编码块和输出块进行有监督微调；交叉熵函数表示为：

其中，表示网络预测结果，y表示真实结果，表示网络SoftMax层的输出，yⁱ表示样本标签，C表示磨损状态类别个数；

在模型的整个训练过程中，使用批处理的方法分批对样本数据进行训练；批处理大小选定为20；每批样本结束训练以后，记录模型的损失值和识别准确率，以此作为模型识别效果的判断依据；在训练过程结束以后，选定损失值最小，识别准确率最高的模型作为最终模型；

步骤4：采用步骤3获得的最终模型进行监测；

按照步骤1的方式进行数据采集和预处理，获得时间序列样本；将时间序列样本输入到最终模型中获得当前时刻的刀具磨损状态。

2.根据权利要求1所述的一种基于一维深度卷积自动编码器的刀具磨损状态监测方法，其特征在于，卷积层采用的卷积核数量为160、大小为13、步长为1，池化层池化大小为4，上采样操作步长为4。