[发明专利]一种拉削刀具磨损状态识别方法

说明书

一种拉削刀具磨损状态识别方法，属于工业故障诊断技术领域。本发明将采集到的三向振动信号输入预先训练完成的DSBiLSTM算法模型，输出当前的拉刀处于不同磨损状态的概率。刀具状态识别DSBiLSTM算法模型通过卷积神经网络、循环神经网络、全连接神经网络串行的方式构建，可以充分利用三者的优势，有效识别刀具磨损的状态。卷积神经网络适用于空间特征提取，强调几个相对的数据在相交和相离之间数据的上下层的联系，数据的处理在时序上相互独立。循环神经网络对于数据处理侧重于序列的顺序，提取包含时序信息的特征。全连接神经网络用于估计刀具的磨损状态，将提取的特征映射到分类的类别上。

技术领域

本发明属于工业故障诊断技术领域，具体涉及一种拉削刀具磨损状态识别方法。

背景技术

拉床是自动化加工中常见的机床类型，因一次加工可以完成粗加工、半精加工和精加工等操作，加工生产率高，加工表面精度高，被广泛应用于航空航天等领域。在拉削加工的过程中，由于刀具与齿面的接触力，刀具表面会产生磨损。过度的磨损会导致刀具、工件和拉床的损坏。因此，在加工过程中监测刀具磨损状况是至关重要的，当存在刀具磨钝或损坏的情况时，及时采取适当的措施以防止产生灾难性的刀具和拉床故障。

刀具磨损的状态测量方法一般分为两种：直接法和间接法。直接法主要利用先进仪器测量磨损区域的实际尺寸，能直观准确的观测尺寸变化的情况。然而，对切削液、切屑、振动和各种其他环境干扰的敏感性导致它们通常需要在机床停机时执行，不能进行实时监测；与直接法相比，间接法在系统在线时更易于安装和实施，有利于在线检测刀具的磨损状态。间接方法通过采集切削力、扭矩、振动、声发射(AE)、主轴功率、电流、表面粗糙度和温度等一种或多种传感器信号，建立刀具磨损状态与传感器信号之间的映射关系，利用识别模型来实时监测刀具磨损状态。但是，目前刀具状态识别依赖经验知识提取传感器信号特征，通过机器学习算法完成刀具状态识别。该方法依赖个人经验且特征提取不充分，导致准确率和识别效率不高。因此，刀具磨损状态识别是本领域有待解决的问题。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种拉削刀具磨损状态识别方法,能够提高刀具信号的特征利用率、识别准确率和识别效率。

本发明提供如下技术方案：一种拉削刀具磨损状态识别方法，其特征在于：包括以下步骤:

步骤1、构建DSBiLSTM算法模型作为刀具磨损状态识别模型，所述DSBiLSTM算法模型包括依据DenseNet模型设计的DenseNet(3-3)网络、两层堆叠的双向LSTM网络、全连接神经网络FNN和softmax层；

步骤2、在拉削刀具的刀盒上，沿着x,y,z三个方向粘附安装一组加速度传感器，实时采集拉削刀具在加工过程中的振动信号；

步骤3、选取实验刀具，对刀具进行拉削，收集拉削过程中原始的振动信号和对应的刀具磨损状态，对原始的振动信号进行小波变换去噪处理，将处理后的振动信号数据中的不平衡样本进行扩充并将各个磨损状态下的振动信号数据随机分为训练集、测试集和验证集；

步骤4、将步骤3中收集的训练集数据送入DSBiLSTM算法模型中的DenseNet(3-3)网络和两层堆叠的双向LSTM网络中对模型进行训练，并提取空间和时间上的特征；

步骤5、将步骤4中提取的特征送入FNN层和softmax层，得到当前的拉削刀具处于不同磨损状态的概率；

步骤6、定义交叉熵损失函数作为模型的损失函数，使用Adam优化算法计算误差梯度，并通过反向传播更新网络参数，直到最大迭代次数或最小化损失函数值，然后在验证集上，判断模型是否发生过拟合，若发生过拟合则停止训练，反之，通过调整模型的超参数，评价模型的泛化能力，寻找模型的最优超参数；

步骤7、将步骤6中训练好的DSBiLSTM算法模型在测试集上进行识别，并通过评价指标对模型进行评价。