[发明专利]一种基于多特征空间卷积神经网络的刀具磨损监测方法

说明书

本发明涉及一种基于多特征空间卷积神经网络的刀具磨损监测方法，包括以下步骤：S1：采集刀具在切削稳定阶段的切削力数据和对应时刻的刀具磨损状态构建样本集；S2：对所述样本集进行特征提取得到时域特征、频域特征和时频域特征，将所述时域特征、所述频域特征和所述时频域特征处理后进行空间融合得到融合特征Concat1；S3：将所述融合特征Concat1输入卷积神经网络进行训练，得到刀具磨损监测模型以实现对刀具磨损的监测。本发明改善了人工提取特征与单特征空间在表征能力上的不足，实现了对多特征空间的自适应提取与融合；此外，卷积网络采用Inception架构，在提高模型宽度的同时可减少模型的训练参数，不仅提高了模型的表征能力，而且降低了过拟合的风险。

技术领域

本发明属于铣削加工刀具磨损监测技术领域，尤其涉及一种基于多特征空间卷积神经网络的刀具磨损监测方法。

背景技术

随着国家航空航天、航母和兵器工业的发展，对产品零部件的材料性能有了更严格的要求，出现了各种高硬度、高强度、高韧性的工程材料(如超高强度钢、钛合金、高温合金等)。采用铣削工艺加工上述材料，存在着刀具急剧磨损的问题。磨损的刀具不仅增大切削力，而且会降低加工表面质量，进而影响零部件的服役性能。因此，对铣削过程的刀具磨损状态进行监测具有重要意义。

刀具磨损状态辨识实际上属于模式识别的范畴，是一个提取故障特征进行映射表征的过程，即设计一个非线性分类器，将特征空间映射到目标空间。常用的非线性分类器有高斯过程回归、BP神经网络和支持向量积。由于一维卷积神经网络具有时移不变性，近些年已被广泛应用于处理诸如切削力、振动等时序信号。

现有的刀具磨损监测技术虽然有了一定程度的发展，但在实际生产工况中仍然存在漏报、误报、实时性差等问题。因此有必要提出更有效的、能够满足实际加工需要的刀具磨损监测方法。

发明内容

针对现有技术存在的不足及改进需求，本发明提供了一种基于多特征空间卷积神经网络的刀具磨损监测方法。其目的在于有效地监测铣削加工中的刀具磨损状态，为刀具寿命评估及换刀提供参考。

本发明通过以下技术方案来实现上述目的：

一种基于多特征空间卷积神经网络的刀具磨损监测方法，包括以下步骤：

S1：采集刀具在切削稳定阶段的切削力数据和对应时刻的刀具磨损状态构建样本集，设定刀具磨损状态分为初期磨损、正常磨损和剧烈磨损；

S2：对所述样本集进行特征提取得到时域特征、频域特征和时频域特征，将所述时域特征、所述频域特征和所述时频域特征处理后进行空间融合得到融合特征Concat1；

S3：将所述融合特征Concat1输入卷积神经网络进行训练，输出刀具磨损状态，得到刀具磨损监测模型。

作为本发明的进一步优化方案，所述S1中使用测力仪实时采集切削稳定阶段的切削力数据，采用移动滑窗法对所述切削力数据进行划分，并与刀具磨损状进行对应，进而构建样本集。

作为本发明的进一步优化方案，所述S2中得到融合特征Concat1的具体步骤如下：

S201：对所述样本集采用离散小波变换进行去噪处理，得到时域特征；对所述时域特征进行快速傅立叶变换得到频域特征；将所述时域特征经过小波变换得到的小波系数作为时频域特征；

S202：分别将所述时域特征、所述频域特征和所述时频域特征与大小为5×5的卷积核进行卷积操作得到卷积特征C1、卷积特征C2和卷积特征C3；

S203：分别将所述卷积特征C1、所述卷积特征C2和所述卷积特征C3与尺寸为3×3的池化核进行池化处理得到池化特征P1、池化特征P2和池化特征P3，池化步长为3；

S204：将所述池化特征P1、所述池化特征P2和所述池化特征P3进行拼接融合得到大小为165×96的所述融合特征Concat1。