[发明专利]刀具磨损量的监测方法、系统、设备及计算机可读存储介质

说明书

本发明提供了一种刀具磨损量的监测方法，包括：采集监测刀具的输入数据；对所述输入数据进行预处理得到输入样本，并获取所述输入样本对应的真实刀具磨损值，生成训练样本和测试样本；构建TDCNN‑LSTM网络模型；根据所述训练样本和所述测试样本，训练并调整所述TDCNN‑LSTM网络模型的所述网络参数，以得到改进TDCNN‑LSTM网络模型；以及获取待测数据，将所述待测数据经预处理后输入改进TDCNN‑LSTM网络模型，以得到相应的目标刀具磨损值。采用TDCNN和LSTM网络的结合，可以充分提取不同尺度的信息，提高了刀具磨损量预测的精度及其提高了工作效率，此外，本发明还提供了一种刀具磨损量的监测系统、设备及计算机可读存储介质。

技术领域

本发明涉及机械故障诊断的技术领域，特别涉及一种刀具磨损量的监测方 法、系统、设备及计算机可读存储介质。

背景技术

随着制造业技术的不断进步和发展，制造领域对工件加工效率和加工质量 的要求也越来越高，其中，刀具性能的退化是造成机床故障停机的主要因素， 也是影响加工质量和加工效率的直接因素。目前，在实际的加工生产中，当未 知刀具磨损状态时，为确保加工工件的精度，一般采用保守估计的方式定期更 换刀具，这种对刀具磨损情况的不准确的判断的方式存在如下问题：(1)如果 刀具磨损量低于磨钝标准时被更换，会造成刀具浪费，增加加工成本；(2)如 果刀具已经发生磨损或破损而没有及时更换刀具，不仅会影响工件的表面质量 和尺寸精度、造成材料浪费，甚至还会损坏机床；(3)因故障导致停机的时间较长，将严重影响加工效率等。

解决以上问题的关键在于实现刀具健康状态的实时监测，通过对刀具磨损 量的实时监测，可以实时且精确地识别刀具的磨损量，再通过设定的磨损阈值， 准确的捕捉到最佳的换刀时刻，由此，既能确保及时更换刀具，以保证加工工 件的表面质量和尺寸精度、减少工件原材料的浪费及减少停机时间，又能避免 频繁更换刀具造成的刀具工作寿命的浪费及刀具成本的增加。

然而，在现有的刀具实时监测技术中，一些技术文献的信号处理部分采用 传统的信号处理与机器学习理论为技术支持，其数据处理过程繁琐，并且其中 涉及的人工特征提取步骤需要依赖专业的领域知识和专家经验，该信号处理部 分耗时长且精确度不高。深度学习作为机器学习领域的突破性技术，可以自适 应的学习原始数据的深层非线性特征，从而可以克服上述缺点，因此，另一些 技术文献则基于卷积神经网络对刀具磨损量进行监测，其将无需去噪的原始振 动信号通过小波包转换得到对应的能量频谱图，再采用卷积神经网络分析获得 刀具磨损程度。但其采用的网络模型仅为单一的卷积神经网络模型，其能够提 取的数据特征有限，监测的精度不高。

发明内容

有鉴于此，本发明旨在提供一种能够提高工作效率、提升监测精度的刀具 磨损量的监测方法、系统、设备及计算机可读存储介质，以解决现有技术中存 在的监测效率低和监测精度不高等技术问题。

为此，本发明第一方面提供了一种刀具磨损量的监测方法，其包括：采集 监测刀具的输入数据；对所述输入数据进行预处理得到输入样本，并获取所述 输入样本对应的真实刀具磨损值，生成训练样本和测试样本；构建 TDCNN-LSTM网络模型，其包括：构建TDCNN网络并设置其网络参数，所 述TDCNN网络用于提取所述输入样本的局部空间特征；以及，构建LSTM网 络并设置其网络参数，所述LSTM网络用于提取所述输入样本的时序变化特征；根据所述训练样本和所述测试样本，训练并调整所述TDCNN-LSTM网络模型 的所述网络参数，以得到改进TDCNN-LSTM网络模型；以及获取待测数据， 将所述待测数据经预处理后输入改进TDCNN-LSTM网络模型，以得到相应的 目标刀具磨损值。