[发明专利]基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法

权利要求书

1.一种基于小波尺度图和深度迁移学习的刀具磨损状态识别系统，其特征在于，包括信号采集模块、信号预处理模块、尺度图像特征选取模块、CNN网络模型搭建模块、刀具磨损状态识别模块；

所述信号采集模块采集与刀具磨损相关的物理量；

所述信号预处理模块对采集的物理量进行时域、频域以及小波域特征提取，并进行相关性分析和小波包分解变换；

所述尺度图像特征选取模块对不同小波基函数进行小波尺度图转换，并基于时域和频域选取复Morlet小波基函数尺度图像特征作为二维小波尺度图像特征；

所述CNN网络模型搭建模块用于将二维小波尺度图像特征作为输入特征，搭建CNN网络模型，设置刀具磨损类别标签的输出单元；

所述刀具磨损状态识别模块用于对二维小波尺度图像特征进行增强，完成CNN网络模型超参数预训练，将增强后的二维小波尺度图像特征作为样本输入训练好的CNN网络模型，识别刀具磨损状态。

2.一种基于小波尺度图和深度迁移学习的刀具磨损状态识别方法，其特征在于，包括以下步骤：

（1）采集与刀具磨损相关的物理量；

（2）对采集的物理量进行时域、频域以及小波域特征提取，并进行相关性分析和小波包分解变换；

（3）对不同小波基函数进行小波尺度图转换，并基于时域和频域选取复Morlet小波基函数尺度图像特征作为二维小波尺度图像特征；

（4）将二维小波尺度图像特征作为输入特征，搭建CNN网络模型，设置刀具磨损类别标签的输出单元；

（5）对二维小波尺度图像特征进行增强，完成CNN网络模型超参数预训练，将增强后的二维小波尺度图像特征作为样本输入训练好的CNN网络模型，识别刀具磨损状态。

3.根据权利要求2所述的识别方法，其特征在于，所述步骤（1）中采集的物理量包括振动信号和切削信号。

4.根据权利要求2所述的识别方法，其特征在于，所述步骤（2）中通过Pearson相关系数法进行相关性分析，对时域、频域以及小波域特征归一化处理。

5.根据权利要求3所述的识别方法，其特征在于，所述步骤（3）中小波基函数进行小波尺度图转换时，小波尺度图定义为连续小波变换系数的模，具体公式为：

，

其中，为小波尺度谱；为信号的连续小波变换；代表尺度因子，其对应的是信号中的频率成分，大尺度为高频成分，小尺度为低频成分；表示平移因子；为母小波，为信号采集时间。

6.根据权利要求5所述的识别方法，其特征在于，所述步骤（3）中取复Morlet小波、db18小波、Sym8小波、Meyer小波基函数进行小波尺度图转换。

7.根据权利要求2至5任意一项所述的识别方法，其特征在于，所述步骤（4）中的CNN网络模型为结构加深的VggNet-16网络模型。

8.根据权利要求7所述的识别方法，其特征在于，所述步骤（4）中通过裁剪、镜像、色彩渲染、缩放和旋转增强二维小波尺度图像特征，对VggNet-16网络模型各种超参数进行预训练。

9.根据权利要求8所述的识别方法，其特征在于，所述步骤（4）中VggNet-16网络模型对于低层卷积模块特征信息进行迁移，保留高层卷积模块特征，将增强后的二维小波尺度图像特征作为样本输入训练好的VggNet-16网络模型，将VggNet-16网络模型输出层替换为刀具磨损类别标签，识别刀具磨损状态。

10.根据权利要求9所述的识别方法，其特征在于，所述刀具磨损状态包括初始磨损、轻度磨损、中度磨损、严重磨损以及刀具失效。