[發明專利]一種基于深度遷移的刀具磨損狀態檢測方法

在審

• 申請號: 202310526187.8
• 申請日: 2023-05-10
• 公開（公告）號: CN116352506A
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 王宇鋼;唐祎暉
• 申請（專利權）人: 遼寧工業大學
• 主分類號: B23Q17/09
• 分類號: B23Q17/09;G06F18/241;G06F18/214;G06F18/213;G06V10/20;G06V10/82;G06N3/0464;G06N3/096
• 代理公司: 北京保識知識產權代理事務所(普通合伙) 11874
• 代理人: 汪浩

1.一種基于深度遷移的刀具磨損狀態檢測方法，其特征在于：包括以下步驟：

S1、采集整個機床加工工序過程中的物理信號數據集，包括源域數據集和目標域數據集，并將源域數據集作為訓練集，將目標域數據集劃分為微調集和測試集；

S2、將源域數據集和目標域數據集分別轉化為可輸入殘差神經網絡模型的源域圖像和目標域圖像；

S3、圖像預處理：對源域圖像進行數據增強、批量歸一化以及正則化處理，以及對目標域圖像進行數據增強、批量歸一化以及類別平衡正則化處理；

S4、采用殘差神經網絡模型對預處理后的源域圖像和目標域圖像進行自適應特征提取，得到源域特征和目標域特征；

S5、將來源于訓練集的源域特征輸入殘差神經網絡模型訓練器中對模型進行一階段預訓練，不斷迭代網絡訓練次數至目標函數值收斂，得到預訓練模型；

S6、將預訓練模型進行參數遷移并凍結BN層，然后將來源于微調集的目標域特征輸入預訓練模型中進行二階段微調訓練，并將二階段微調訓練后的最終模型作為刀具磨損狀態檢測模型；

S7、將實際生產加工場景的待測刀具物理信號輸入刀具磨損狀態檢測模型中，輸出待測刀具磨損狀態檢測結果。

2.根據權利要求1所述的基于深度遷移的刀具磨損狀態檢測方法，其特征在于：還包括S6＇、將來源于測試集的目標域特征輸入刀具磨損狀態檢測模型中，以分類準確度與召回率作為評估標準，測試所述刀具磨損狀態檢測模型是否能用于實際生產加工場景的刀具磨損檢測；其中，所述來源于微調集的目標域特征和來源于測試集的目標域特征的分配比例為10：1。

3.根據權利要求1所述的基于深度遷移的刀具磨損狀態檢測方法，其特征在于：步驟S1中，所述物理信號數據集中的物理信號為振動信號或者切削力信號。

4.根據權利要求1所述的基于深度遷移的刀具磨損狀態檢測方法，其特征在于：步驟S5中，將來源于訓練集的源域特征輸入殘差神經網絡模型訓練器中對模型進行一階段預訓練，不斷迭代網絡訓練次數至目標函數值收斂，得到預訓練模型，具體步驟為：將來源于訓練集的源域特征輸入殘差神經網絡模型訓練器中對模型進行一階段預訓練，以模型輸出的測試結果與實際磨損結果之間的誤差作為優化目標函數，不斷迭代網絡訓練次數至目標函數值收斂，確定各層連接的最優權重，得到預訓練模型。

5.根據權利要求1所述的基于深度遷移的刀具磨損狀態檢測方法，其特征在于：步驟S6中，將預訓練模型進行參數遷移并凍結BN層，然后將來源于微調集的目標域特征輸入預訓練模型中進行二階段微調訓練，并將二階段微調訓練后得到的最終模型作為刀具磨損狀態檢測模型，具體步驟為：將預訓練模型進行參數遷移并保留至二階段訓練中，凍結BN層并固定可學習的線性變換參數α和β，同時更新標準差與均值；然后將來源于微調集的目標域特征輸入預訓練模型中對模型分類器進行微調訓練，以模型輸出的測試結果與實際磨損結果之間的誤差作為優化目標函數，不斷迭代網絡訓練次數至目標函數值收斂，確定各層連接的最優權重，得到最終模型，作為刀具磨損狀態檢測模型。

6.根據權利要求1所述的基于深度遷移的刀具磨損狀態檢測方法，其特征在于：步驟S7中，所述檢測結果包括快速磨損、正常磨損和刀具失效三種，當檢測結果顯示為刀具失效時，需要即可停止機床加工，更換刀具。

7.根據權利要求1所述的基于深度遷移的刀具磨損狀態檢測方法，其特征在于：步驟S2中，所述將源域數據集和目標域數據集分別轉化為可以輸入殘差神經網絡模型的源域圖像和目標域圖像，具體步驟為：將源域數據集和目標域數據集通過圖像編碼方法轉換為二維圖像集，然后采用分段聚合方法對編碼后的二維圖像進行降維處理，得到可以輸入殘差神經網絡模型的圖像格式，分別獲得源域圖像和目標域圖像。