[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

说明书

本发明公开了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及识别方法，该方法包括以下步骤：采集与刀具磨损相关的物理量；对采集的物理量进行小波包分解变换；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；搭建CNN网络模型；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。选择高分辨率的复Morlet小波尺度图作为时频图像特征，使得神经网络模型捕捉时频特征的局部信息时更加明显，从而提升刀具磨损状态的识别准确率，同时还具有泛化能力。建立刀具磨损状态实时识别模型，实现刀具磨损状态的准确把控，大大降低生产成本，有效地提升刀具的利用率。

技术领域

本发明涉及刀具状态监测，具体是涉及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及识别方法。

背景技术

刀具是“智能机床的牙齿”，其性能直接影响到工件表面质量以及加工工件的性能。研究表明，加工过程中6-20％的停机时间是由刀具磨损和刀具断裂引起的；并且为减少刀具故障的影响，对刀具进行维护所花费的成本可达到产品生产预算的15-40％。因此，准确及时地评估刀具磨损状态，不仅可以降低生产成本，而且可以有效提高刀具的利用率。

目前，主流的刀具监测方法是间接监测法，主要通过采集与切削刀具磨损相关性较高的客观物理量(传感器信号)，构建刀具磨损与信号特征之间的数学模型来对刀具状况进行识别和预测。现有的刀具磨损识别方法通过一些手段，可以提取到与刀具磨损量相关程度较高并且噪声含量较低的信号特征，但这些方法的适用范围有限，并且时间分辨率和频率分辨率不足，导致识别效果不精，出现刀具故障漏报、误报的情况。

发明内容

发明目的：针对以上缺点，本发明提供一种识别更准确、适用范围更广的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。

本发明还提供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。

技术方案：为解决上述问题，本发明采用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，包括信号采集模块、信号预处理模块、特征尺度图选取模块、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。

本发明还采用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，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。