[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

说明书

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，属于高速铣削加工技术领域。包括如下几个步骤：采集加工过程中机床主轴电机三相交流电信号，将其融合成电流有效值并做归一化处理，作为ODCAE网络的输入；利用CAE进行无监督预训练，保留由提取的短序列向量组成的编码部分，用来存储最优的权值信息；以无监督预训练阶段获得的权值作为有监督网络的初始权重，利用BP算法对网络进行有监督微调；完成网络的训练之后，将测试样本输入到训练好的ODCAE模型中，获得刀具不同磨损状态的识别结果。本发明可以避免繁琐的预处理手段，摆脱对专家经验的依赖，能够高效精确的识别出变工况条件下刀具的磨损状态，具有识别精度高，鲁棒性强的特点。

技术领域

本发明属于高速铣削加工技术领域，涉及到刀具磨损状态监测问题，具体为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。

背景技术

近年来，高速铣削加工领域已经成为先进加工制造业的重要组成部分，其优势在于极高的加工精度、极快的加工效率和极好的加工表面质量。在实际的加工生产过程中，刀具作为直接与被加工件接触的切削工具会不可避免的产生磨损现象。研究表明，由于刀具磨损和破损而导致的计划外停机是造成加工效率降低和生产成本提高的主要原因。因此，在加工过程中，对刀具状态进行实时监测具有重要意义。

刀具的状态监测主要分为直接监测法和间接监测法。直接监测法对刀具进行直接测量，主要包括光学图像法，接触式电阻测量法和放射性元素法。直接测量法的测量精度高，但是必须进行离线监测，会造成切削过程不连续，产生延长加工时间的问题，不利于实际应用。因此，越来越多的学者专注于间接监测法的研究。

目前主流的间接测量法主要是基于信号分析和机器学习算法，也是传统的刀具磨损状态监测方法。通常首先采集加工过程中的切削力信号，振动信号，电机电流与功率信号等，然后人为的对原始信号的时域、频域、时频域进行特征提取，最后采用机器学习算法，实现刀具磨损状态识别。如赵帅等对主轴电流信号的时域、频域、时频域进行特征提取，通过主成分分析(Principal Component Analysis，PCA)对提取的特征进行降维处理，最后利用随机森林得到刀具磨损的分级评估结果；程灿等通过遗传算法合理选择特征参数，利用支持向量机(Support vector machine，SVM)实现了刀具磨损量的预测；吕震宇等通过散布矩阵分析特征参数对刀具不同磨损状态的敏感程度并对高度敏感特征进行降维处理，最后利用隐马尔科夫模型(Hidden Markov Model，HMM)识别刀具磨损状态。但是上述方法存在的主要问题在于：一方面，人为的对原始数据进行预处理和特征参数提取会导致包含在原始信号中对刀具磨损状态敏感的特征信息未被利用，存在信息丢失的风险；另一方面，对原始数据进行特征筛选的过程十分依赖技术人员的信号处理技术和专业的诊断经验，远远达不到智能化要求，存在一定的局限性。

发明内容

为了解决现有技术存在的问题，本发明提供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，该发明能够摆脱对信号处理技术和诊断经验等先验知识的依赖，自适应的提取隐藏在原始信号中对刀具磨损状态敏感的特征信息，具有识别精度高，适用性强的特点。

本发明的技术方案为：

所述一种基于一维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；将所述经过归一化处理后的电流有效值信号进行分割，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；