[发明专利]基于深度学习的变参数铣削加工过程信号标记方法及系统

权利要求书

1.基于深度学习的变参数铣削加工过程信号标记方法，其特征在于，包括以下步骤：

S1.对采集的铣削加工时的主轴振动信号进行滑动分帧处理；

S2.提取所述滑动分帧处理后的主轴振动信号的特征；

S3.采用堆叠式双向长短时记忆网络模型接收所述特征，输出提取到的特征序列；

S4.采用条件随机场接收所述特征序列，根据输出的观测序列与预设的标签序列的标签结果得到条件随机场损失；同时采用多层感知机接收所述特征序列，将输出的边界概率做n次方计算出边界损失，并引入平滑损失，所述条件随机场损失、边界损失、平滑损失组合成总损失函数；

S5.重复S2至S4进行迭代训练，直到总损失函数不发生改变且评价指标达到预设的评价标准，迭代结束，确定超参数；

S6.将铣削加工过程中的主轴振动信号经步骤S1的预处理后，输入训练好的模型中，所述模型包含S5确定的超参数，条件随机场通过解码得到标签序列，从而实现对铣削加工过程中的主轴振动信号的自动标记。

2.根据权利要求1所述的基于深度学习的变参数铣削加工过程信号标记方法，其特征在于，步骤S1具体包括以下步骤：

S11.采集铣削加工时的主轴振动信号、铣削力信号、三相电流信号；

S12.选择窗长和帧移参数，在满足短时平稳性的要求下对主轴振动信号进行滑动分帧处理；

S13.所述铣削力信号的时域幅值反映了进行切削加工的时间段，所述电流信号幅值区分了主轴的加速和减速过程，借助铣削力信号和电流信号对主轴振动信号进行标记，得到标签序列。

3.根据权利要求1所述的基于深度学习的变参数铣削加工过程信号标记方法，其特征在于，步骤S2中，采用短时傅里叶变换提取所述滑动分帧处理后的主轴振动信号的特征。

4.根据权利要求1所述的基于深度学习的变参数铣削加工过程信号标记方法，其特征在于，步骤S3中，采用堆叠式双向长短时记忆网络模型提取主轴振动信号的特征序列，该模型由三层BiLSTM网络和一层全连接层构成，其每一层输出均与输入的序列长度相同，三层BiLSTM网络的输出的特征维度分别为N₁，N₂，N₃，其中，N₁∶N₂∶N₃＝25:5:1，全连接层的输出特征将作为输入至条件随机场作为状态特征，同时也是输入至多层感知机中进行边界帧分类的特征。

5.根据权利要求1所述的基于深度学习的变参数铣削加工过程信号标记方法，其特征在于，步骤S4具体包括以下步骤：

S41.采用条件随机场接受所述特征序列，将输出的观测序列与预设的标签序列的标签结果得到条件随机场损失；

S42.采用多层感知机接受所述特征序列，得到时序下每一帧为边界的概率，将输出的边界概率做n次方计算出优化后的边界损失，引入平滑损失项；

S43.所述条件随机场损失、边界损失、平滑损失组合成总损失函数。