[发明专利]一种基于小波包分解和深度学习的刀具磨损实时预测方法

权利要求书

1.一种基于小波包分解和深度学习的刀具磨损实时预测方法，其特征在于：

（1）同步采集工件加工过程中的各类传感器信号，并选取加工过程中稳定的信号段作为待分析的信号段，同时扩充待分析信号样本以增加样本量；采用db3小波对待分析信号进行3层分解，取最后一层分解结果，以得到多个小波包系数二维矩阵；其中，待分析样本包括训练集及测试集；

（2）每个小波包系数二维矩阵对应都作为一个特征提取CNN模型块的输入，并将每个特征提取CNN模型块输出的一维特征矩阵拼接成更长的一维矩阵，进而进行特征融合并建立两层全连接网络，由此得到卷积神经网络模型，并采用训练集对该卷积神经网络模型进行训练；

（3）将测试集输入到训练好的卷积神经网络模型中，以实时预测刀具的磨损量。

2.如权利要求1所述的基于小波包分解和深度学习的刀具磨损实时预测方法，其特征在于：在主轴及工作台上分别安装三向加速度传感器，并安装麦克风传感器，以同步采集工件加工过程中的各类传感器信号。

3.如权利要求2所述的基于小波包分解和深度学习的刀具磨损实时预测方法，其特征在于：所述传感器信号包括振动信号及麦克风信号。

4.如权利要求1所述的基于小波包分解和深度学习的刀具磨损实时预测方法，其特征在于：该特征提取CNN模型块由一个卷积核为3×3的卷积层、一个最大池化层、以及若干个特征提取CNN子块组成。

5.如权利要求4所述的基于小波包分解和深度学习的刀具磨损实时预测方法，其特征在于：每个特征提取CNN子块由两个卷积层和一个最大池化层组成。

6.如权利要求4所述的基于小波包分解和深度学习的刀具磨损实时预测方法，其特征在于：特征提取CNN子块的数量为2个，第二个特征提取CNN子块的最后一个最大池化层被替换为全局均值池化。

7.如权利要求1-6任一项所述的基于小波包分解和深度学习的刀具磨损实时预测方法，其特征在于：所述卷积神经网络模型中所有的权值矩阵的初始化方法为“Xavier”初始化；卷积神经网络模型采用Adam优化算法对卷积神经网络模型的超参数进行优化。