[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

说明书

基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，属于刀具磨损状态识别技术领域。它包括以下步骤：S1、获得原始振动信号，对原始信号数据进行预处理，并划分训练集及测试集；S2、构建刀具磨损状态识别模型，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。本发明将经过通道混洗的轻量化神经网络和基于注意力机制的长短期记忆网络相融合，能够有效地提取空间特征和时序特征，实现刀具磨损状态的识别；具有较好的准确率、精确率、召回率和识别速度。

技术领域

本发明属于刀具磨损状态识别技术领域，具体涉及基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法。

背景技术

随着现代计算机技术的进步与发展，机械部件的生产和维护更加趋向于智能化、系统化和自动化。在工件加工过程中，精加工刀具直接与工件接触，其过度磨损将导致工件表面恶化，甚至会导致零件报废，造成严重的经济损失。因此，需要监控刀具在加工过程中的磨损状态，在保证工件表面质量的前提下进行合理换刀，提高加工效率，降低加工成本。

近年来，各国研究人员使用各种传感器采集各种过程监控信号，并运用支持向量机、随机森林、隐马尔可夫算法、朴素贝叶斯算法等方法对刀具磨损状态和寿命进行监测。

机器学习具有安全可靠、高效、高精度、监测连续等优点成为当前刀具状态监测的主要研究方向。Ertunc等基于切削力和功率信号的测量，提出了用于在线识别刀具磨损的隐马尔可夫模型HMM。Kong D等提出了一种基于高斯混合隐马尔可夫模型和隐半马尔可夫模型的刀具磨损估计模型尽管上述利用机器学习的一些研究方法，在某些领域取得了不错的效果，但机器学习严重依赖于数据和学习模型的类型，且不能执行不特定多种任务，因而不易推广。

深度学习在不使用先验知识和专家经验的情况下，利用优秀的自适应特征学习能力，在机器健康监测领域获得广泛关注，如卷积神经网络、循环神经网络、稀疏编码器等深度学习算法在刀具磨损、寿命预测领域取得重大进展。Ma等面向铣削力信号，建立了基于卷积双向长短时记忆网络的刀具磨损预测模型，并取得了较高精度的预测结果。Li等采用时间窗方法提取特征,提出利用深度CNN模型预测设备剩余寿命,取得了良好效果。Duro等通过搭建声发射传感器信号框架以提供最佳信号，并通过CNN学习刀具磨损失效的过程来增强刀具监测系统的有效性。

目前，尽管深度学习在工业上的应用得到越来越多的关注，但是并没有考虑到传感器信号中多尺度特征，这将导致提取特征不全面。另外，当前大多研究针对的是铣削加工磨损刀具监测，而高精度的拉削加工刀具状态识别技术有待深入研究。

涡轮盘榫槽的槽型和表面几何形状复杂，材质多样、型面结构紧凑、尺寸公差要求严、表面质量要求高。拉削是一种高效、高精的一次成型机械加工作业类型，在现代产业中拉削加工不可缺失，备受瞩目。榫槽拉刀由多把拉刀组合而成，包含着数千个切削刃，相邻两个刀齿(或者两组刀齿)的半径差称为齿升量RPT。另外，榫槽拉刀除了粗拉、半精拉、精拉阶段，还具有校准部及精修刃，工件表面粗糙度极佳。

由于榫槽拉刀这些优异的特点，从而生产效率、加工精度极高。然榫槽拉刀不同部分刀齿几何形状和空间分布上有着很大的差异。榫槽拉刀的不同拉削阶段，切削刃所分布的方向完全不同。正因为榫槽拉刀存在如此复杂的切削刃和空间位置的差异，使得采用深度学习对拉削刀具磨损状态进行监测更为困难

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基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，能够有效提取空间特征和时序特征，实现刀具磨损状态的识别。

本发明提供如下技术方案：

基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，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；