[發(fā)明專利]一種改進(jìn)VMD和SSA_RES_CONVLSTM的刀具磨損檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310525246.X
• 申請(qǐng)日: 2023-05-10
• 公開(kāi)（公告）號(hào): CN116578850A
• 公開(kāi)（公告）日: 2023-08-11
• 發(fā)明（設(shè)計(jì)）人: 孔維賓;陳希;賈保敏;宋育斌;楊曉芳;姜盼盼
• 申請(qǐng)（專利權(quán)）人: 鹽城工學(xué)院;鹽城工學(xué)院技術(shù)轉(zhuǎn)移中心有限公司
• 主分類號(hào): G06F18/20
• 分類號(hào): G06F18/20;B23Q17/09;G06F18/241;G06N3/006;G06N3/0464;G06N3/08
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 陳建和

改進(jìn)VMD和SSA_RES_CONVLSTM的刀具磨損檢測(cè)方法，包括：1)針對(duì)刀具磨損信號(hào)進(jìn)行預(yù)處理，將多種信號(hào)歸一化，2)使用變分模態(tài)分解對(duì)刀具磨損信號(hào)進(jìn)行分解，通過(guò)對(duì)分解信號(hào)中信息熵的大小判斷分解信號(hào)的相關(guān)性；3)使用格拉姆角場(chǎng)將處理后的時(shí)序數(shù)據(jù)分段轉(zhuǎn)換成圖像；4)將刀具圖像輸入到RES_CONVLSTM做刀具磨損預(yù)測(cè)；5)使用麻雀搜索算法對(duì)RES_CONVLSTM中的超參數(shù)進(jìn)行調(diào)優(yōu)，得到最優(yōu)超參數(shù)；6)使用最優(yōu)超參數(shù)訓(xùn)練RES_CONVLSTM結(jié)構(gòu)，在獲得預(yù)測(cè)結(jié)果的同時(shí)得到一個(gè)決定系數(shù)Rsupgt;2/supgt;作為最后的準(zhǔn)確率判斷標(biāo)準(zhǔn)；7)確定驗(yàn)證指標(biāo)；8)使用測(cè)試集來(lái)測(cè)試模型的準(zhǔn)確率，得出刀具磨損預(yù)測(cè)的結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明一種改進(jìn)VMD和SSA_RES_CONVLSTM的刀具磨損檢測(cè)方法，屬于機(jī)械故障診斷與健康管理(Prognostics?Health?Management,PHM)人工智能技術(shù)領(lǐng)域。

背景技術(shù)

在新一輪的產(chǎn)業(yè)變革環(huán)境下，工業(yè)自動(dòng)化、智能化制造已經(jīng)成為一種必然趨勢(shì)。智能化制造是跨領(lǐng)域，跨學(xué)科融合的先進(jìn)制造技術(shù)，在自動(dòng)化、智能化加工制造中都離不開(kāi)切削加工技術(shù)的使用，其占比達(dá)到90％以上，而在切削加工中都離不開(kāi)刀具的使用。刀具在長(zhǎng)時(shí)間的切削過(guò)程中會(huì)出現(xiàn)損耗，嚴(yán)重時(shí)可能會(huì)出現(xiàn)崩刀、斷刀等情況，研究表明，通過(guò)刀具磨損檢測(cè)并及時(shí)換刀可降低生產(chǎn)成本10％-40％，提高生產(chǎn)速度10％-50％，刀具的磨損狀態(tài)直接影響加工生產(chǎn)效率。刀具磨損檢測(cè)通常有三個(gè)過(guò)程，首先采集刀具磨損的相關(guān)信號(hào)，然后對(duì)采集到的信號(hào)進(jìn)行處理，最后構(gòu)建學(xué)習(xí)模型對(duì)刀具的磨損進(jìn)行預(yù)測(cè)。

變分模態(tài)分解(VMD)是一種自適應(yīng)性的信號(hào)分解方法，通過(guò)將待處理信號(hào)分解為n個(gè)IMF分量，每個(gè)分量由一個(gè)中心頻率和一個(gè)基準(zhǔn)帶寬組成。最終使IMF分量的帶寬和最小，最終得到最優(yōu)解。變分模態(tài)分解可以使復(fù)雜的原信號(hào)分解為簡(jiǎn)單的信號(hào)，有較好的抗噪聲干擾、精確度高等特點(diǎn)。

如CN202011252673.8涉及一種刀具磨損自動(dòng)檢測(cè)裝置，包括主軸箱、工作平臺(tái)和檢測(cè)組件；主軸箱的輸出端連接有刀具，主軸箱可帶動(dòng)刀具在X、Y、Z方向進(jìn)行移動(dòng)，主軸箱還可帶動(dòng)刀具轉(zhuǎn)動(dòng)；工作平臺(tái)設(shè)置在主軸箱的下方；檢測(cè)組件用于測(cè)量刀具在X、Y、Z方向的位置；檢測(cè)組件包括對(duì)刀傳感器，對(duì)刀傳感器包括X向?qū)Φ睹妗向?qū)Φ睹婧蚙向?qū)Φ睹妫槐景l(fā)明通過(guò)主軸箱帶動(dòng)刀具分別與對(duì)刀傳感器的X向?qū)Φ睹妗向?qū)Φ睹婧蚙向?qū)Φ睹娼佑|，計(jì)算初始對(duì)刀時(shí)與實(shí)際檢測(cè)時(shí)主軸箱在X、Y、Z方向的位移差，進(jìn)而得到刀具磨損量；加工中心根據(jù)刀具磨損量對(duì)刀具進(jìn)行實(shí)時(shí)檢測(cè)。

如CN201610944459.6是基于最小外接矩形的刀具磨損檢測(cè)方法，它涉及一種刀具磨損檢測(cè)方法，以解決現(xiàn)有方法實(shí)現(xiàn)刀具破損檢測(cè)，受環(huán)境影響較大，采集的圖像模糊無(wú)法識(shí)別，無(wú)法準(zhǔn)確的得到刀具的磨損量，無(wú)法實(shí)現(xiàn)評(píng)價(jià)刀具壽命使用最大化的問(wèn)題，檢測(cè)方法的步驟主要有：步驟一、利用圖像采集系統(tǒng)采集刀具磨損圖像并傳輸?shù)接?jì)算機(jī)；步驟二、將采集的磨損圖像進(jìn)行圖像預(yù)處理；步驟三、將預(yù)處理的圖像利用最小外接矩形算法求出刀具磨損區(qū)域的最小外接矩形，并求出最小外接矩形的寬度；步驟四、將所求得刀具磨損區(qū)域的最小外接矩形的寬度與刀片的最小外接矩形的寬度相比，得到比值，通過(guò)比值的大小來(lái)判斷刀具磨損量的大小，判斷刀具磨損程度。本發(fā)明用于刀具磨損檢測(cè)。

以上兩種方法雖然能夠檢測(cè)刀具磨損，但是檢測(cè)方法實(shí)時(shí)性和準(zhǔn)確率還有待提高，基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的刀具檢測(cè)方法逐漸趨于主流。傳統(tǒng)機(jī)器學(xué)習(xí)算法對(duì)刀具磨損進(jìn)行檢測(cè)依賴于人工經(jīng)驗(yàn)知識(shí)的輔助，模型的泛化性能，預(yù)測(cè)精度，對(duì)復(fù)雜問(wèn)題下刀具磨損的預(yù)測(cè)效果較差。深度學(xué)習(xí)模型憑借其強(qiáng)大的學(xué)習(xí)能力，在計(jì)算機(jī)視覺(jué)、語(yǔ)音處理等領(lǐng)域獲得了廣泛的應(yīng)用，也逐漸被用于刀具磨損檢測(cè)領(lǐng)域，并取得了不錯(cuò)的效果。卷積長(zhǎng)短期記憶網(wǎng)絡(luò)是在長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)的基礎(chǔ)上使用卷積計(jì)算代替LSTM中的點(diǎn)乘計(jì)算，最終形成一種時(shí)空卷積模型，能夠有效提取時(shí)序圖像中的時(shí)空信息特征。而麻雀搜索算法(SSA)與卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(CONVLSTM)耦合有利建立精確的預(yù)測(cè)模型，并且在網(wǎng)絡(luò)模型中加入殘差結(jié)構(gòu)能夠有效提高預(yù)測(cè)精度。

發(fā)明內(nèi)容