[发明专利]一种基于SAEs和K-means的刀具破损监测方法

权利要求书

1.一种基于SAEs和K-means的刀具破损监测方法，其中SAEs为稀疏自动编码网络，其特征在于，其包括以下步骤：

(1)提供一个监测系统，所述监测系统包括霍尔传感器、Labview平台及SAEs，首先，采用所述霍尔传感器测量主轴电机的三相电流信号；之后，根据每个工件的加工过程对应的电流信号特点对采集到的电流信号进行分段截取，并计算截取获得的每个工件的电流信号的均方根值RMS；最后，再将获得的电流信号进行平滑处理，同时，采用规整算法将平滑处理后的电流信号进行规整处理；

(2)将规整处理后的所述电流信号输入到所述SAEs作为输入样本集，重构并提取原始电流信号的特征，将最后一个SAEs训练所得的编码矢量输出为特征向量；

(3)将所述特征向量作为K-means聚类的输入层，对所有输入数据进行分类；

(4)输出样本聚类结果，并根据聚类效果微调K-means参数以及SAEs参数；

(5)输出聚类效果，根据聚类效果判断刀具是否破损。

2.如权利要求1所述的基于SAEs和K-means的刀具破损监测方法，其特征在于：所述霍尔传感器为霍尔电流传感器；所述霍尔传感器耦合布置在主轴电机上，以用于测量所述主轴电机的三相电流信号。

3.如权利要求2所述的基于SAEs和K-means的刀具破损监测方法，其特征在于：所述Labview平台用于采集所述霍尔传感器检测到的电流信号并将所述电流信号进行保存；所述Labview平台包括采集端及处理端，所述采集端用于将所述电流信号转换为电压信号，并将所述电压信号传送至所述处理端，所述处理端将接收到的所述电压信号通过A/D转换器转换成数字形式的电流信号。

4.如权利要求1所述的基于SAEs和K-means的刀具破损监测方法，其特征在于：对电流信号的规整处理包括以下步骤：

(a)设N为算法规整前长度，n为算法规整后长度，则d＝N-n为规整次数；为输入信号矢量，为第i-1次规整后第k个节点的权值，以m(k,i)表示第i-1次规整后第k个节点的连接权重，其中，i＝2,3,...,d+1，k＝1,...,N-i+1，且当i＝1时，m(k,i)＝1，其中k＝1,2,...,N；

(b)计算其中y＝1,...,N-w，以求最小值，从w＝1循环下列步骤直到w＝d；

(b1)计算并找出j，使得对于任何j≠y，其中y＝1,...,N-w都成立；

(b2)计算见下式所得：

(b3)计算m(y,w+1)，见下式所得：

5.如权利要求1所述的基于SAEs和K-means的刀具破损监测方法，其特征在于：所述SAEs对接收到的电流信号的训练包括以下步骤：

(c1)将规整处理后的各段电流信号自所述SAEs的输入节点输入所述SAEs；

(c2)在所述SAEs的编码层对输入的电流信号进行编码，将高维空间的输入数据转换为低维空间的编码矢量，并作为下一层的输入；

(c3)通过所述SAEs的解码网络将低维空间的编码矢量重构回原来的输入向量，使得编码矢量成为输入数据的一种特征表示；

(c4)通过多次编码和解码对原始输入的电流信号进行逐层特征变换，将样本在原空间的特征表示变换到新的特征空间，自动地学习得到层次化的特征表示；

(c5)通过最终输出与原始输入的对比误差，逐渐调节整个SAEs参数，最小化重构误差，完成整个训练。