[发明专利]一种基于深度学习的多传感器数控机床刀具磨损监测方法

说明书

本发明公开一种基于深度学习的多传感器数控机床刀具磨损监测方法，包括：采集数控机床加工过程中的切削力、振动信号，并截取相同时间间隔的若干段信号；分别对所截取的每一段信号进行归一化处理，以及利用主成分分析法进行约减；基于卷积自编码器构建数控机床刀具磨损识别模型，并对其进行训练；数控机床刀具磨损识别模型包括卷积层、线性整流层、池化层、辅助层；将实时采集的切削力、振动信号经过归一化处理并利用主成分分析法进行约减后，输入训练好的数控机床刀具磨损识别模型，得到刀具磨损状态识别结果。本发明能够实时准确地对不同工况下各种刀具的磨损状态进行识别。

技术领域

本发明涉及数控机床刀具磨损监测技术领域，特别是涉及一种基于深度学习的多传感器数控机床刀具磨损监测方法。

背景技术

数控机床刀具磨损状态监测是指在加工过程中，通过各种传感器信号实时监测刀具磨损状态。刀具磨损监测是一个状态识别过程，完整的刀具磨损监测系统由刀具、加工环境、传感器、信号处理、特征提取和状态识别等组成。

在加工过程中刀具会磨损，磨损会影响加工效率和工件表面完整性，更有甚者会损坏工件和破坏机床加工精度。因此，加工中需要实时监测刀具磨损状态。

经过大量的研究和实践，刀具磨损状态监测技术已经形成了比较完善的体系，现有的方法大多数都依赖于大量的信号处理技术和诊断经验，这使得提取的磨损特征不能准确全面的反应刀具磨损状态，造成后续的状态识别精度低下；随着智能制造和大数据时代的到来，传感器类型十分丰富，监测数据量极其庞大，状态识别前对所有数据信号进行处理，提取磨损特征，耗时长，效率低，而且通用的信号处理技术都是针对同一类传感器的，不同类的传感器信号没办法进行融合；因此，亟需一种能在大量庞杂的监测数据中自动提取磨损特征，且能融合各类传感器信号，并准确识别刀具磨损状态的监测技术。

发明内容

本发明的目的是提供一种基于深度学习的多传感器数控机床刀具磨损监测方法，以解决现有技术中存在的技术问题，不依赖于传统的信号处理技术和诊断经验，实现了对刀具磨损特征的自提取，并融合了不同类型的传感器信息，能够实时准确地对不同工况下各种刀具的磨损状态进行识别。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于深度学习的多传感器数控机床刀具磨损监测方法，包括如下步骤：

采集数控机床加工过程中的切削力、振动信号，并从所采集的切削力、振动信号中，截取相同时间间隔的若干段信号；

分别对所截取的每一段切削力、振动信号进行归一化处理，利用主成分分析法将归一化处理后的切削力、振动信号的多维时间序列进行约减，得到刀具样本集；

基于卷积自编码器构建数控机床刀具磨损识别模型，并利用刀具样本集对数控机床刀具磨损识别模型进行训练；所述数控机床刀具磨损识别模型包括卷积层、线性整流层、池化层、辅助层；

将实时采集的切削力、振动信号经过归一化处理并利用主成分分析法进行约减后，输入训练好的数控机床刀具磨损识别模型，得到刀具磨损状态识别结果。

优选地，所述卷积层将卷积自编码器中输入的信号数据进行变换，由时域描述变换为频域描述，并提取所述刀具样本集的频域特征；所述时域描述包括信号数据的均值、均方值，所述频域描述包括频谱和功率谱。

优选地，所述辅助层包括截断层和批量标准化层；通过所述截断层截断卷积自编码器中部分神经元之间的联系，通过批量标准化层对卷积自编码器中批量输入的数据进行标准化操作。

优选地，所述线性整流层采用线性整流函数ReLU。

优选地，对数控机床刀具磨损识别模型进行训练的具体过程包括：

将所述刀具样本集按预设比例划分为训练集、验证集、测试集；