一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法与流程

1.本发明属于机械切削刀具磨损检测技术领域，尤其涉及一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法。


背景技术：

2.随着智能制造的发展，而智能切削加工是智能制造的有力保障，实现切削加工智能化，是提升加工效率和加工质量的关键。准确监测加工过程是实现智能加工的前提。作为直接参与切削加工的刀具，铣削刀具的磨损是铣削加工过程中不可避免的问题，磨损后的刀具容易导致加工表面质量下降、加工精度降低、刀具寿命缩短等问题，严重影响了加工效率和成本。
3.为了及时检测铣削刀具的磨损情况，许多学者和工程师进行了大量的研究和探索。传统的刀具磨损检测方法主要包括视觉法、声学法、振动法等，这些方法虽然简单易行，但是存在着检测精度低、可靠性差等问题。
4.近年来，机器学习技术的兴起为铣削刀具磨损检测带来了新的思路，人工神经网络、支持向量机、隐马尔科夫构建的刀具监测模型逐渐应用于实际加工中。但是在真实设备环境中获取的微小故障信号存在数据采集困难、特征幅值较低、易被外部噪声扰动干扰的特点。因此在数据受限的条件下，如何高效优化对信号微小故障的诊断流程是亟待解决的难题。
5.因此，利用多种传感器信息有机融合来准确识别和监测刀具磨损状态是智能加工的关键技术和重点研究方向。


技术实现要素：

6.针对以上的实际问题和现有技术的不足，本发明所要解决的主要技术问题是提供一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，可以更好的识别磨损早期的微小振动故障，这些微小振动故障实际上表征了刀具磨损的发展趋势和恶化倾向。对微小故障进行准确诊断，能有效提高系统可靠性，降低事故发生风险，从而保障机床的安全运行。
7.为了解决上述的技术问题，本技术提供一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，采用如下的技术方案：
8.一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，包括铣削机床本体、安装在铣削工作台上的测力仪、安装在铣削主轴上的振动传感器及声发射传感器；所述测力仪与工件连接，所述声发射传感器放置在工件附近；
9.所述铣削机床还包括一功率仪采集机；所述检测方法包括如下步骤：
10.步骤a：设置切削参数后，进行单一切削参数铣削实验或者多切削参数铣削实验；
11.步骤b：信号采集样本选取，提取振动传感器、声发射传感器及功率采集机的信号
样本；
12.步骤c：对提取的信号样本进行信号的预处理和morse连续小波变换，得到可视化强化特征图像；
13.步骤d：以深度迁移网络模型为迁移对象，将可视化强化特征图像对接模型输入层，构建迁移输入样本；依次利用imagenet数据库及有限目标样本进行模型迁移，使模型从源域中迁移知识，完成迁移学习，形成新的信号；
14.步骤f：用dtn模型对新的信号数据进行分类或预测，输出预测评估报告。
15.在一较佳实施例中，在步骤b中，所述信号采集样本选取包括获取原始加工信号，所述原始加工信号的获取为采集多次相同加工过程中的振动、声发射、切削力的数据。
16.在一较佳实施例中，在步骤b中，对于所述原始加工型号的获取，在单一切削参数铣削实验中功率采集机采集信号为机床总功率型号；在多切削参数铣削实验中功率采集机采集信号为主轴总功率信号。
17.在一较佳实施例中，所述信号采集样本选取的步骤为：
18.步骤a；用电子显微镜对单次加工后刀具的磨损进行测量和记录，磨损值取后刀面最大磨损值；
19.步骤b；根据加工次数将得到的单次加工数据与刀具磨损值一一对应；每个刀具磨损值对应多次走刀过程；
20.步骤c；提取振动信号样本与声发射信号，首先选取与每个刀具磨损值相对应的3次走刀全过程信号；其次选择单次走刀全过程信号中的1s振动信号作为样本；
21.步骤d；提取功率信号样本，每个刀具磨损值同样相对应提取3个走刀全过程功率信号；在单次走刀全过程功率信号中提取8s信号作为功率信号样本。
22.在一较佳实施例中，在步骤c中，所述可视化强化特征图像分为训练集和测试集；所述训练集用于对接模型输入层。
23.在一较佳实施例中，利用imagenet数据库进行模型迁移，具体步骤如下：
24.首先，在源域的imagenet数据集上，使用预训练的dtn模型提取图像的特征向量，并根据图像的类别信息，训练dtn模型的连接层和分类层；
25.而后，在目标域的振动信号数据集上，使用预处理方法将原始数据转化为与imagenet数据集中图像数据相似的特征向量，以便使用预训练的dtn模型提取特征。
26.在一较佳实施例中，利用有限目标样本进行模型迁移，将dtn模型的连接层和分类层中的参数适应到目标域的振动信号数据中，具体步骤如下：
27.步骤(1)；在目标域的振动信号数据集上，使用预训练的dtn模型提取特征向量，得到每个样本的特征表示；
28.步骤(2)；根据目标域的数据分布情况，重新调整dtn模型的连接层和分类层的结构，增加或减少连接层的数量、调整连接层中神经元的数量和激活函数的类型；
29.步骤(3)；使用目标域的振动信号数据集训练连接层和分类层的参数，以适应目标域的数据分布。
30.在一较佳实施例中，在步骤f中，所述dtn模型为调整后的dtn模型。
31.在一较佳实施例中，在步骤a中，在进行单一切削参数铣削实验，所述工件与一测力仪连接；在进行多切削参数铣削实验时，所述工件由虎钳装夹。
32.综上所述，本技术包括以下有益效果：
33.本发明所提供的匹配小波深度迁移学习方法是一种比较先进的深度学习技术，该方法可以通过先训练一个源域图像的深度神经网络模型，然后将其迁移到目标域数据集上进行微调和训练，从而实现对铣削刀具磨损情况的检测和预测。这种方法不需要过多的人工干预和特征提取，具有自动化、高效性和精度高等特点，可以为铣削刀具的磨损检测提供一种新的解决方案。
附图说明
34.图1是本发明方法流程图；
35.图2是morse小波变换的示意图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
37.在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
38.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是壁挂连接，也可以是可拆卸连接，或一体地连接，可以是机械连接，也可以是电连接，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
39.以下结合附图1对本技术作进一步详细说明。
40.本技术实施例公开一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，从而更好的识别磨损早期的微小振动故障，这些微小振动故障实际上表征了刀具磨损的发展趋势和恶化倾向。对微小故障进行准确诊断，能有效提高系统可靠性，降低事故发生风险，从而保障机床的安全运行。
41.本发明公开一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，包括通过振动、声发射、功率传感器从机床铣削平面加工过程中得到原始的加工信号，从原始加工信号中提取平稳切削过程信号，再通过morse连续小波对一维故障信号进行匹配升维，捕捉微小变化，得到可视化强化特征图像；其次对深度迁移网络源域模型进行有效迁移，该模型具有高效的图像学习经验，可降低目标域训练样本数量；最后在模型迁移中根据有限数据进行流程的参数优化。该方法泛化能力强，可对多工况下微小特征进行检测与定位，对刀具受到磨损以后导致加工过程中出现的微小振动有着较强的识别能力，并有效减少对数据的依赖，能够极大提高运算速度和诊断精度。
42.基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法主要包括以下步骤：
43.步骤a；传感器布置与实验参数的设置：完整的零部件加工过程需要多组切削参数配合完成，因此，确定好切削参数的范围后，需进行单一切削参数和多切削参数铣削实验。进行单一切削参数铣削实验时，使用螺栓把测力仪安装于工作台，工件通过螺栓联结到测力仪，振动传感器安装在主轴上，声发射传感器放置在工件附近，利用功率仪采集机床总功率。传感器布置完成后，在相同切削参数和加工条件下进行切削加工，获得加工过程中各传感器的数据。在进行多切削参数铣削实验时，工件由虎钳装夹；振动传感器和声发射传感器的布置方式与单一切削参数铣削实验相同；利用功率仪采集主轴总功率，因为单一切削参数铣削实验中的切削力信号和功率信号相关性较强，另外，切削力信号采集成本较高，因此，多切削参数铣削实验不采集切削力信号。实验时，采集多次相同加工过程中的振动、声发射、切削力数据，获得原始输入数据表示为xs，单次加工数据表示为xsn，n＝1，2，
……
，n，n表示加工次数。
44.步骤b；信号采集样本的选取：提取振动传感器、声发射传感器及功率采集机的信号样本。
45.具体步骤如下：
46.步骤a；用电子显微镜对单次加工后刀具的磨损进行测量和记录，磨损值取后刀面最大磨损值。
47.步骤b；根据加工次数将得到的单次加工数据与刀具磨损值一一对应。每个刀具磨损值对应多次走刀过程。
48.步骤c；提取振动信号样本与声发射信号时，首先选取与每个刀具磨损值相对应的3次走刀全过程信号；其次选择单次走刀全过程信号中的1s振动信号作为样本，则每个刀具磨损值对应3个振动信号样本，每个样本包含xy和z三个方向振动。单一切削参数实验采集了机床总功率信号，多切削实验采集了主轴总功率信号。
49.步骤d；提取功率信号样本时:每个刀具磨损值同样相对应提取3个走刀全过程功率信号；在单次走刀全过程功率信号中提取8s信号作为功率信号样本，则每个刀具磨损值同样对应3个功率信号样本，每个信号样本包含6s切削时和2s非切削时的功率。
50.步骤c：信号的预处理和morse连续小波变换：对上述过程中提取的振动信号、声发射信号和功率信号进行预处理，去除噪声并进行归一化操作，以保证数据的质量和准确性。接着对预处理后的信号进行morse连续小波变换，使信号特征的时频域局部变化得到强化，得到可视化强化特征图像。如图2所示，上面的图片代表着某一随机信号的波形图，横轴为时间(秒)，纵轴为振幅。下面的图片代表此随机信号连续小波变换的结果，横轴为时间(秒)，纵轴为尺度大小，不同颜色表示不同的小波系数的振幅大小，即不同的频率分量在信号中的贡献大小。深色代表振幅较大的小波系数，浅色代表振幅较小的小波系数。因此，通过观察不同颜色的分布情况，我们可以大致了解信号在不同频率分量上的能量分布情况。最后按训练比例将处理后的图像分为训练集和测试集。将训练集对接模型输入层，构建迁移输入样本，对样本特征进行逐层运算并转换成特征向量。
51.步骤d：迁移与诊断训练：本方法的迁移对象是深度迁移网络模型，首先，以源域的图像多分类任务为原任务，利用imagenet数据库及有限目标样本进行模型迁移，首先利用imagenet数据库训练模型的诊断能力，再通过有限目标样本的调教，使模型从源域中迁移
知识，来实现对微小振动信号的诊断。模型迁移关键是框架层阶的迁移，将源域层阶的预测路径迁移到目标域。迁移对象主要是全连接层、softmax分类层、classification分类层及相关函数。
52.利用imagenet数据库进行模型迁移，具体步骤如下：
53.首先在源域的imagenet数据集上，使用预训练的dtn模型提取图像的特征向量，并根据图像的类别信息，训练dtn模型的连接层和分类层。
54.而后，在目标域的振动信号数据集上，使用预处理方法将原始数据转化为与imagenet数据集中图像数据相似的特征向量，以便使用预训练的dtn模型提取特征。
55.利用有限目标样本进行模型迁移：通过有限目标样本进行框架参数的迁移，可以将dtn模型的连接层和分类层中的参数适应到目标域的振动信号数据中。具体方法包括：
56.步骤(1)在目标域的振动信号数据集上，使用预训练的dtn模型提取特征向量，得到每个样本的特征表示；
57.步骤(2)根据目标域的数据分布情况，重新调整dtn模型的连接层和分类层的结构，增加或减少连接层的数量、调整连接层中神经元的数量和激活函数的类型；
58.步骤(3)使用目标域的振动信号数据集训练连接层和分类层的参数，以适应目标域的数据分布。
59.在迁移学习完成后，使用调整后的dtn模型对新的信号数据进行分类或预测。在预测过程中，使用分类层的softmax函数对预测结果进行输出，以得到每个类别的概率值。
60.铣削刀具磨损检测：将待检测的铣削加工信号输入经过微调和训练后的模型，预测铣削刀具的磨损情况，并给出相应的评估结果。
61.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。

技术特征：
1.一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，其特征在在于：包括铣削机床本体、安装在铣削工作台上的测力仪、安装在铣削主轴上的振动传感器及声发射传感器；所述声发射传感器放置在工件附近；所述铣削机床还包括一功率仪采集机；所述检测方法包括如下步骤：步骤a：设置切削参数后，进行单一切削参数铣削实验或者多切削参数铣削实验；步骤b：信号采集样本选取，提取振动传感器、声发射传感器及功率采集机的信号样本；步骤c：对提取的信号样本进行信号的预处理和morse连续小波变换，得到可视化强化特征图像；步骤d：以深度迁移网络模型为迁移对象，将可视化强化特征图像对接模型输入层，构建迁移输入样本；依次利用imagenet数据库及有限目标样本进行模型迁移，使模型从源域中迁移知识，完成迁移学习，形成新的信号；步骤f：用dtn模型对新的信号数据进行分类或预测，输出预测评估报告。2.根据权利要求1所述的一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，其特征在在于：在步骤b中，所述信号采集样本选取包括获取原始加工信号，所述原始加工信号的获取为采集多次相同加工过程中的振动、声发射、切削力的数据。3.根据权利要求2所述的一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，其特征在在于：在步骤b中，对于所述原始加工型号的获取，在单一切削参数铣削实验中功率采集机采集信号为机床总功率型号；在多切削参数铣削实验中功率采集机采集信号为主轴总功率信号。4.根据权利要求3所述的一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，其特征在在于：所述信号采集样本选取的步骤为：步骤a；用电子显微镜对单次加工后刀具的磨损进行测量和记录，磨损值取后刀面最大磨损值；步骤b；根据加工次数将得到的单次加工数据与刀具磨损值一一对应；每个刀具磨损值对应多次走刀过程；步骤c；提取振动信号样本与声发射信号，首先选取与每个刀具磨损值相对应的3次走刀全过程信号；其次选择单次走刀全过程信号中的1s振动信号作为样本；步骤d；提取功率信号样本，每个刀具磨损值同样相对应提取3个走刀全过程功率信号；在单次走刀全过程功率信号中提取8s信号作为功率信号样本。5.根据权利要求1所述的一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，其特征在在于：在步骤c中，所述可视化强化特征图像分为训练集和测试集；所述训练集用于对接模型输入层。6.根据权利要求1所述的一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，其特征在在于：利用imagenet数据库进行模型迁移，具体步骤如下：首先，在源域的imagenet数据集上，使用预训练的dtn模型提取图像的特征向量，并根据图像的类别信息，训练dtn模型的连接层和分类层；而后，在目标域的振动信号数据集上，使用预处理方法将原始数据转化为与imagenet数据集中图像数据相似的特征向量，以便使用预训练的dtn模型提取特征。7.根据权利要求6所述的一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方
法，其特征在在于：利用有限目标样本进行模型迁移，将dtn模型的连接层和分类层中的参数适应到目标域的振动信号数据中，具体步骤如下：步骤(1)；在目标域的振动信号数据集上，使用预训练的dtn模型提取特征向量，得到每个样本的特征表示；步骤(2)；根据目标域的数据分布情况，重新调整dtn模型的连接层和分类层的结构，增加或减少连接层的数量、调整连接层中神经元的数量和激活函数的类型；步骤(3)；使用目标域的振动信号数据集训练连接层和分类层的参数，以适应目标域的数据分布。8.根据权利要求7所述的一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，其特征在在于：在步骤f中，所述dtn模型为调整后的dtn模型。9.根据权利要求1所述的一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，其特征在在于：在步骤a中，在进行单一切削参数铣削实验，所述工件与一测力仪连接；在进行多切削参数铣削实验时，所述工件由虎钳装夹。

技术总结
本申请提供一种基于匹配小波深度迁移学习的铣削加工刀具磨损检测方法，包括通过振动、声发射、功率传感器从机床铣削平面加工过程中得到原始的加工信号，从原始加工信号中提取平稳切削过程信号，再通过Morse连续小波对一维故障信号进行匹配升维，捕捉微小变化，得到可视化强化特征图像；其次对深度迁移网络源域模型进行有效迁移，该模型具有高效的图像学习经验，可降低目标域训练样本数量；最后在模型迁移中根据有限数据进行流程的参数优化。该方法泛化能力强，可对多工况下微小特征进行检测与定位，对刀具受到磨损以后导致加工过程中出现的微小振动有着较强的识别能力，并有效减少对数据的依赖，能够极大提高运算速度和诊断精度。精度。精度。


技术研发人员：连云崧 田伟江 周伟 刘超 林亮亮 李友生 褚旭阳
受保护的技术使用者：厦门钨业股份有限公司 厦门金鹭特种合金有限公司
技术研发日：2023.06.15
技术公布日：2023/9/6