[發明專利]一種基于信號轉換和深度殘差網絡的刀具故障診斷方法

在審

• 申請號: 202210945211.7
• 申請日: 2022-08-08
• 公開（公告）號: CN115345199A
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 趙永滿;馬尚鵬;趙永威;周雪;魏子凱
• 申請（專利權）人: 石河子大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于信號轉換和深度殘差網絡（ResNet-34）的刀具故障診斷方法，所述刀具故障診斷方法包括以下步驟：

（1）分別采集X、Y、Z三軸方向的機床主軸振動加速度信號以及每次走刀后的刀具磨損數值；

（2）數據預處理：

完成缺失值的識別，并采用插補法完成插補；

完成異常值的識別，并將其刪除；

根據刀具刀面磨損值大小完成刀具磨損階段的分類，按照分類結果生成標簽，完成收集振動信號的分類；

（3）振動信號到圖像的轉換

將預處理后的故障信號分割，生成不同故障類型的信號樣本，獲得若干RGB像素為224×224×3的樣本圖像；

將處理后的數據劃分為訓練集、驗證集和測試集；

（4）構建構建深度殘差網絡（ResNet-34）網絡模型

所述深度殘差網絡（ResNet-34）網絡模型分為五個階段和一個全連接層；階段一依次包含一個卷積層、一個池化層；階段二包含三個殘差構建塊1；階段三依次包含一個殘差構建塊2、三個殘差構建塊1；階段四依次包含一個殘差構建塊2、五個殘差構建塊1；階段五依次包含一個殘差構建塊2、兩個殘差構建塊1；最后，再連接一個全連接層；

選用RELU函數為該網絡模型的激活函數，在每個卷積層之后加一個RELU非線性激活函數；

（5）訓練網絡模型

將訓練集輸入深度殘差網絡（ResNet-34）模型進行訓練，并記錄每次訓練周期的訓練集準確率與損失函數；

（6）測試

將測試集輸入訓練好的深度殘差網絡（ResNet-34）模型，完成測試刀具數據故障類型的診斷分類。

2.根據權利要求1所述的基于信號轉換和深度殘差網絡的刀具故障診斷方法，其特征在于，數據預處理后、完成格式轉換的數據的80%作為訓練集，20%作為測試集，訓練集中80%用作訓練，訓練集中的20%作為驗證集。

3.根據權利要求1所述的振動信號轉換為若干224×224×3圖像信號的方法特征在于：

將預處理后的故障信號分割，生成不同故障類型的信號樣本，總數用N表示，224表示灰度圖像的像素強度，224×224表示灰度圖像的大??；

轉換方法由等式(1、(2)、(3)表示；

等式（1）將時域故障信號樣本轉換為一個基本矩陣BM_i（j，k），其中i=1，...N；j=1，...，m；k=1，...，m；

（1）

L_i表示信號樣本的強度值；i=1，...N；

BM_i（j，k）通過整個樣本的最大值和最小值進行歸一化，得到NM_i（j，k），如等式（2）所示；

（2）

其中i=1，...N；j=1，...，m；k=1，...，m；

最后，將通過等式(3)獲得RDB圖像像素RGBPixel_i(j，k，p)，p=1，2，3，表示RGB3D矩陣的第三維度，分別是紅色（p=1）、綠色（p=2）和藍色（p=3）通道；RGB像素紅色（p=1），對應X軸方向振動信號，綠色（p=2）對應Y軸方向振動信號,藍色（p=3）對應Z軸方向振動信號；如等式（3）所示，并將其像素值縮放至0-255；

(3)

其中i=1，...N；j=1，...，m；k=1，...，m。