[发明专利]基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法

权利要求书

1.基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于：包括以下步骤：

S1、在榫槽拉床实验平台上获得原始振动信号，对原始信号数据进行预处理，并将原始信号数据划分为训练集及测试集；

S2、基于ShuffleNet v2神经网络构建ShuffleNet v2.3神经网络，并结合StackedBiLSTM神经网络构建刀具磨损状态识别模型模型，实现对数据的空间特征提取及时间序列信息提取；

S3、利用训练集、测试集数据对构建好的刀具磨损状态识别模型进行训练、测试。

2.根据权利要求1所述的基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于所述步骤S2中，ShuffleNet v2.3神经网络在ShuffleNet v2神经网络的基础上，减少了卷积输出的通道数，并去除了每一个Block模块中最后的ReLU；ShuffleNet v2.3神经网络结构中，每个Block模块中包含了至少3个卷积层，至少3个BatchNormalization及1个ReLU激活函数。

3.根据权利要求2所述的基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于所述步骤S2刀具磨损状态识别模型的构建过程中，每个StackedBILSTM网络的前向层和后向层共享相同数量的隐藏单元；在StackedBiLSTM网络结构之后，添加最大池化层，使网络在保留主要特征信息的同时减少参数和计算量，防止过拟合，提高模型泛化能力；并使用两层全连接层来添加非线性输出。

4.根据权利要求3所述的基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于所述刀具磨损状态识别模型中，使用Dropout层以避免过度拟合和引入ReLU函数标准化输出。

5.根据权利要求4所述的基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于所述步骤S3的具体过程如下：

1)将训练集放入构建好的刀具磨损状态识别模型中进行训练，模型选择Adaptivemoment estimation优化算法使用反向传播技术进行权值更新；当到达预设的最大迭代次数或损失值时，结束权值更新，得到具有最优参数的训练模型；

2)在训练的过程中，若损失函数未呈现逐渐减小趋势，则模型存在过拟合，调整模型结构进行训练；反之，模型收敛，调整模型参数直到满足精度要求，保存模型结构和参数用于工业加工过程；

3)将测试集放入ShuffleNet v2.3-StackedBiLSTM模型中进行评估测试。

6.根据权利要求1所述的基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于所述步骤S1中，数据预处理的过程如下：

1)对原始信号进行最大-最小归一化，公式如下：

其中，x_max表示信号的最大值；

2)对处理后信号数据样本的磨损状态进行标注。