[发明专利]基于度量学习的车削加工刀具磨损状态监测方法

说明书

基于度量学习的车削加工刀具磨损状态监测方法，首先将采集刀具磨损图像进行预处理，再按比例随机分成训练集和测试集，且其训练集和测试集中都划分有支持集和测试样例集；建立非参数化神经网络模型结构，包括特征提取网络、距离度量函数、attention机制；初始化特征提取网络模型权重、偏差和学习率参数，构建激活函数；采用余弦距离函数作为距离度量函数；Attention机制使用softmax层结构；运用前向传播计算当前交叉熵损失，再通过后向传播计算其梯度；通过运行梯度下降法对权重和偏差进行优化，最后使用网络模型的学习参数对测试集进行预测和分类辨别，输出预测准确率。本发明具有算法实现简单、误差修正、刀具磨损状态分类准确率高、运行时间短和实时性强等特点。

技术领域

本发明涉及机械领域，尤其涉及一种基于度量学习的车削加工刀具磨损状态监测方法。

背景技术

据统计，因刀具问题而导致的故障占了总故障的22.4％，实际生产中工人都是以自己的经验来判断刀具的磨损状态，比如加工工件的个数和加工时间、加工工件的表面质量和加工噪声情况以及切屑的形成。这就会存在一些问题：刀具未到使用寿命就换刀，造成道具成本增加；刀具磨损严重才换刀影响工件加工精度，甚至损坏工件和机床。应用智能化的刀具磨损状态监测技术十分必要。

目前刀具磨损状态监测技术主要分为：基于切削力信号的刀具磨损状态监测，基于声场信号的刀具磨损状态监测，基于振动信号的刀具磨损状态监测和基于机器视觉的刀具磨损状态监测。但由机械加工过程是一个不稳定的非线性过程，刀具磨损和刀具材料、工件材料、加工条件等都有很大的关系。通过采集传感器信号，在一种切削条件下所提取的特征向量，很难广泛应用于判断相同加工方法的其他切削条件下刀具磨损状态，而实际加工中对应着无数的加工条件，这就导致了模型的泛化能力不够。

因此，迫切需要研究出一种判别准则直观、方便、并能适用于多种工况的刀具磨损状态监测方法。

发明内容

针对上述问题，本发明的目的在于提供一种通过在度量学习的数学模型基础上，增加特征提取网络和attention机制，用于提取图像中的刀具磨损特征和更好的衡量特征向量之间的相似性，并且结合神经网络的前向传播和后向传播，使改进的模型具有神经网络思维的方式以解决算法复杂度较高、辨识实时性和准确率较低等问题的基于度量学习的车削加工刀具磨损状态监测方法。

本发明采用的技术方案如下：

本发明所提出的基于度量学习的车削加工刀具磨损状态监测方法，包括如下步骤：

步骤S1：采集车削加工刀具的磨损图像，将采集的磨损图像进行图像预处理，并按比例随机分成训练集和测试集，其训练集和测试集中都划分有支持集和测试样例集；

步骤S2：建立非参数化神经网络模型结构，其中包括：特征提取网络、距离度量函数和attention机制；

步骤S3：搭建特征提取网络模型，初始化特征提取网络模型参数、学习率和迭代步数等，并构建适合的激活函数；利用多层卷积层来提取图像中的刀具磨损特征，再通过全连接层输出一个尺寸为3的特征向量；这样支持集和测试样例就通过特征提取网络分别得到了尺寸为3的特征向量集合和一个特征向量；

步骤S4：构建距离度量函数，分别计算测试样例的特征向量与支持集的特征向量集合中的特征向量的距离；

步骤S5：通过attention机制得到一个向量包括了该测试样例属于3个类别的概率；3个类别分别为轻微磨损、中度磨损和重度磨损；

步骤S6：前向传播计算当前的交叉熵损失并进行后向传播计算其梯度；

步骤S7：通过梯度下降法计算参数；

步骤S8：输入测试集，采用优化后的参数进行预测和分类辨别，并输出预测准确率。