[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

本發明公開了一種基于深度遷移的刀具磨損狀態檢測方法，包括：采集物理信號數據集，包括源域數據集和目標域數據集；將物理信號數據集轉化為可輸入殘差神經網絡模型的圖像格式；對源域圖像進行數據增強、批量歸一化及正則化處理，及對目標域圖像進行數據增強、批量歸一化及類別平衡正則化處理；自適應特征提取源域特征和目標域特征；將源域特征輸入模型中預訓練，得預訓練模型；將目標域特征輸入預訓練模型中微調訓練，得到刀具磨損狀態檢測模型；將待測刀具物理信號輸入模型中輸出刀具磨損狀態檢測結果。本發明解決了現有刀具磨損狀態因分布不均導致數據不平衡的問題，提高了分類模型精度，實現了自動提取特征，同時節省人工，提高了檢測效率。

技術領域

本發明涉及刀具磨損檢測技術領域，尤其涉及一種基于深度遷移的刀具磨損狀態檢測方法。

背景技術

刀具磨損狀態檢測方法是一種能夠檢測并判斷機床刀具磨損是否嚴重、是否能繼續參與加工的技術。目前，機床刀具磨損的檢測方法主要分為直接法和間接法。直接法：使用電子顯微鏡將機床停機后卸下刀具進行直接測量；(2)間接法：使用各種傳感器(力傳感器、加速度傳感器、溫度傳感器等)采集加工數據，再將傳感器信號回傳到計算機平臺，并通過各種技術手段間接測量。間接法大多選擇以計算機代碼構成的機器學習算法模型進行識別分類作為測量手段。機器學習算法模型一般由數據處理模塊和分類算法模塊組成。其中，數據處理模塊負責將傳感器在機床上采集的加工數據轉換成可以輸入分類算法的數據形式；分類算法模塊負責學習輸入的數據，在學習到一定程度后，對模型輸入新的刀具磨損數據，模型會通過分類的方式自動識別出刀具實時的磨損狀態，以判斷是否需要更換刀具。

但上述方法存在以下問題：(1)數據不平衡問題，由于刀具在從開始到失效的全生命周期中各階段時間不均衡，導致每階段采集到的傳感器信號數據量不同，進而造成數據不平衡問題，會極大影響分類模型精度導致刀具磨損狀態檢測效率低下。(2)由于采集傳感器信號數量過多，導致提取特征困難；(3)由于采集傳感器信號數量過多，必須采用高深度的神經網絡，導致訓練時間過長，訓練成本過高。

發明內容

針對現有技術存在的技術問題，本發明的目的在于提供一種基于深度遷移的刀具磨損狀態檢測方法以解決上述技術問題。

為了實現上述目的，本發明采用了如下技術方案：

一種基于深度遷移的刀具磨損狀態檢測方法，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。

優選的，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。