[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

说明书

本发明公开了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，属于数控加工中心加工过程监测技术领域。方法包括：采集铣削加工时的主轴振动信号，将该振动信号经短时傅里叶变换后得到的浅层特征输入至堆叠式双向长短时记忆网络模型，提取出深层特征，引入条件随机场与多层感知机，优化了损失函数，改善了过分类问题，建立针对时序信号截取和标记的模型评价指标，对该模型进行迭代训练，最终实现了铣削过程的时序信号的自动标记。本发明可实现对高频时序信号的自动标记，为机械设备状态监测、故障诊断以及维护等场景提供数据支撑，具有标记成本低、自动化程度高、泛化能力好等优点。

技术领域

本发明属于数控加工中心加工过程监测技术领域，更具体地，涉及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。

背景技术

机械加工过程中会产生大量的高频时序信号，其中蕴含丰富的机械设备状态信息，可用于机械设备状态监测、故障诊断以及预测性维护等领域。但未标记的信号价值密度低、难以有效利用，实际分析时需要根据不同的场景对信号进行截取与标记，而目前大多针对性地进行人工标记和截取，主要存在以下两个方面的问题：

(1)人工标记成本高：当数据量巨大时，人工标记的时间成本以及金钱成本都将会大大增加。

(2)标记质量较分散，不确定性大：由于标记人员的专业水平参差不齐，以及相关专业领域知识的缺乏，在完成专业领域下的标记任务时，难免会存在一定的错误标记，使得数据的标记质量得不到较好的保证，标记后的数据中仍可能存在大量噪声，标记的可靠性和稳定性都无法得到有效保证。

振动信号是表征机床、工业机器人等机械装备重要的信号之一，蕴含有关机械设备的诸多价值信息，能够从时域和频域中充分反映设备的运行状态。对振动信号根据不同的标记准则，如按照不同的加工阶段(粗加工、精加工、半精加工)或机床的不同状态(切削加工、空运行、静止或停机)进行自动标记，将有利于减少工业数据的标记成本、提升标记精度，大幅度提高振动信号的价值密度，从而为后续的研究和工业实际应用提供更有价值、更有针对性的数据。

近年来，表示学习随着神经网络和深度学习的快速发展，也逐渐被应用于工业界进行特征的自动提取工作，基于神经网络的特征表示学习方法是基于数据驱动的特征提取方法，可以和后续的具体任务做成端到端的模型。

因此，本领域亟待提出一种基于深度学习的变参数铣削加工过程信号标记方法，来实现高频时序信号的标记和截取，以此降低标记成本，提升标记自动化程度，以便为相关场景提供数据支撑。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了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，旨在解决现阶段加工过程高频时序信号标记大多依靠人工，成本高、质量分散、不确定性大等技术问题。

为实现上述目的，本发明一方面提出一种基于深度学习的变参数铣削加工过程信号标记方法，包括以下步骤：

S1.采集数控加工中心进行铣削加工时的主轴时序信号，对信号进行滑动分帧处理；

S2.采用短时傅里叶变换提取振动信号的浅层特征；

S3.采用堆叠式双向长短时记忆网络(BiLSTM)接收信号的浅层特征，输出自动提取到的特征序列，捕捉时间序列前后依赖性关系；

S4.在建模阶段，采用条件随机场(CRF)接收堆叠式双向长短时记忆网络模型输出的序列，根据观测序列与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(MLP)接收堆叠式双向长短时记忆网络模型输出的序列，输出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，条件随机场损失、边界损失、平滑损失组合成总损失函数；

S5.对步骤S2至S4的模型进行迭代训练，观察损失曲线，确定合适的超参数，以面向信号边界的模型评价指标为评价标准，提升模型的信号标记效果。