[发明专利]一种基于图形分析PCNN特征的声发射断刀检测方法

说明书

本发明公开了一种新型声发射断刀检测方法，属于断刀检测的无损检测技术领域，具体涉及一种基于图形分析PCNN特征的声发射断刀检测方法：S1，声发射传感器采集信号，对典型信号进行短时傅里叶变换得到时频图；S2，将彩色频谱图灰度化，取R，G，B不同的值形成不同的灰度图像；S3，基于PCNN的二值化处理；S4，基于PCNN的图像分割；S5，基于PCNN的图像目标识别。此方法结合了生物视觉特性，不需要学习或者训练即可实现模式识别、图像分割、目标分类，实现在复杂背景下精确检测出断刀信号的特征，从而判断是否断刀。

技术领域

本发明属于断刀检测的无损检测技术领域，涉及一种基于图形分析PCNN特征的声发射断刀检测方法。

背景技术

数控机床加工过程中，刀具断裂直接影响加工零件的直通率，如未及时发现并更换新刀具，将进一步造成后续工序的刀具断裂，生产出大量不合格产品，浪费资源，降低加工效率，甚至会对机床本体造成一定程度的破坏。

对于企业来说，进行断刀检测的意义在于：（1）保护刀具：刀具越来越昂贵，要降低刀具成本，而且由于刀具断裂剩余的切削余量将导致后续刀具的连续断裂；（2）保护零件：加工的零件产量比较大，若无法及时发现，会形成更多废品，影响自动化线的产品直通率；（3）保护机床：自动化系统在不断变化，因此很少有操作工能够保证对机床的实时监控。刀具断裂的自动检测功能将具有非常直接的现实意义。

目前市场上有很多声发射断刀检测方法，虽然能够满足工厂在加工过程中对于刀具的检测，但是比较耗费时间和劳动力成本，同时生产的过程中也会加工出很多残次产品，大大降低了生产效率，造成经济上的损失和资源上的浪费。

PCNN脉冲耦合神经网络为单层模型神经网络，不需要学习或者训练即可实现模式识别、图像分割、目标分类，能从复杂背景下提取有效信息，具有同步脉冲发放和全局耦合等特性，其信号形式和处理机制更符合人类视觉神经系统的生理学基础，因此非常适合图像处理。这样，PCNN神经元模型向生物实际神经网络更靠近了一步，它对输入信息的处理能力更强、性能更好。利用计算机实现对图像内容的理解，类似人类的视觉系统，以此来理解（计算机）外部的世界，并通过这个所谓的机器系统实现具有图像自动化处理。

PCNN原本是直接来自哺乳动物视觉神经系统的研究成果，所以基于PCNN的图像分割算法是依赖于其自身的属性，而无需提前选好所要进行处理的空间的范围。这种方法和传统的断刀声发射检测方法比较，其优势就在于它结合了生物视觉特性，PCNN的这个生物学背景使它在图像处理中具有先天优势,有着与传统方法进行图像处理所无法比拟的优越性,能够更精确检测出断刀信号的特征，基于图形分析方法PCNN特征的声发射断刀检测有更广阔的发展前景。

发明内容

针对现有技术存在的问题，本发明提供一种基于机器学习的CNC预测性维护系统及方法，能够有效提高数据的存储与分析效果。

本发明采用以下技术方案实现。

一种基于图形分析PCNN特征的声发射断刀检测方法，其特征在于，包括以下步骤：

S1，声发射传感器采集信号，对典型信号进行短时傅里叶变换得到时频图；

S2，将彩色频谱图灰度化，取R，G，B不同的值形成不同的灰度图像；

S3，基于PCNN的二值化处理；具体如下：

S31，将来自相邻神经元或外部刺激的输入通过、两条通道进行并行传输；

S32，利用连接输入信号对馈送输入信号进行调制，产生神经元的内部活动项；

S33，神经元的脉冲生成器则根据内部活动项的函数产生二值输出，并根据神经元点火与否的状态反馈实现自动调整神经元阈值函数的大小；

S4，基于PCNN的图像分割；