基于视觉特征的刀具磨损状态监测方法及系统

本发明涉及刀具磨损监测，尤其涉及一种基于视觉特征的刀具磨损状态监测方法及系统。

背景技术：

1、刀具作为制造过程中与工件直接接触的部分，发挥着至关重要的作用，刀具的磨损退化将严重影响产品的质量和精度。因此，有必要对刀具磨损状态进行监测，当刀具发生严重磨损时，及时采取维护性措施，保证加工质量。

2、然而，由于恶劣的加工环境，通常很难直接观测刀具磨损状态。传统的方法是使用在加工过程中收集到的其他信号来间接评估刀具磨损状态，如声发射、切削力和切削功率等。在这些信号中，振动信号作为机床的特征信号，在监测刀具状态、反映加工质量方面显示了良好的优越性。

3、目前，基于振动信号的故障诊断方法已广泛应用于齿轮、轴承、电机等领域。故障诊断的步骤通常包括：信号采集、特征提取和状态识别。传统的基于一维时域、频域和时频域的特征提取方法已经被广泛应用，如傅里叶变换、小波变换、希尔伯特-黄变换、变分模态分解、高频共振技术等。然而，这些方法侧重于提取一维细节特征，大多需要构建表征退化趋势的健康因子，高度依赖于信号处理相关的专业能力，且易受噪声干扰，整个特征提取过程复杂且精度较差。另外，特征提取后应用智能算法进行状态识别，深度学习方法可以从原始数据中自动学习到有价值的信息，并且基于强大的分类能力将故障信号从正常信号中分离出来。然而，传统的深度学习大多只能在有限的工作条件下工作，高度依赖加工参数的选择，通常情况下，只有加工参数恒定或在小范围内变化时，诊断性能才比较好，而加工参数的变化将直接影响数据特征空间分布，严重影响深度学习方法的识别性能，导致最终监测效果较差。

技术实现思路

1、为解决上述现有技术的不足，本发明提供了一种基于视觉特征的刀具磨损状态监测方法及系统，采用加工过程中易于测量的振动信号来间接评估难以直接测量的刀具磨损状态，通过对称点图技术将采集的一维时域振动信号转化为二维振动信号-对称点图，避免了复杂的数据预处理过程；通过小波散射卷积网络提取二维图像深层特征，再采用深度卷积神经网络模型对二维振动信号-对称点图进行分类，将状态监测任务转换为图像分类任务；上述方法不仅能在加工参数变化的情况下具有较好的一致性，且能够在添加高斯白噪声的情况下具有较强的鲁棒性，保障最终监测结果的一致性和准确性。

2、第一方面，本发明提供了一种基于视觉特征的刀具磨损状态监测方法。

3、一种基于视觉特征的刀具磨损状态监测方法，包括：

4、获取加工过程中待测刀具的一维时域振动信号；

5、基于对称点图技术，将一维时域振动信号转化为二维振动信号-对称点图；

6、利用小波散射卷积网络，自适应提取二维振动信号-对称点图的深度视觉特征图；

7、基于深度视觉特征图，通过深度卷积神经网络模型进行分类，输出待测刀具的磨损状态。

8、第二方面，本发明提供了一种基于视觉特征的刀具磨损状态监测系统。

9、一种基于视觉特征的刀具磨损状态监测系统，包括：

10、信号获取模块，用于获取加工过程中待测刀具的一维时域振动信号；

11、图像转换模块，用于基于对称点图技术，将一维时域振动信号转化为二维振动信号-对称点图；

12、特征提取模块，用于利用小波散射卷积网络，自适应提取二维振动信号-对称点图的深度视觉特征图；

13、状态监测模块，用于基于深度视觉特征图，通过深度卷积神经网络模型进行分类，输出待测刀具的磨损状态。

14、第三方面，本发明还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。

15、第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。

16、以上一个或多个技术方案存在以下有益效果：

17、1、本发明提供了一种基于视觉特征的刀具磨损状态监测方法及系统，采用加工过程中易于测量的振动信号来间接评估难以直接测量的刀具磨损状态，通过对称点图技术将采集的一维时域振动信号转化为二维振动信号-对称点图，与直接提取一维细节特征相比，该方法不需要构建表征退化趋势的健康因子，信号处理过程简单，计算量小，避免了复杂的数据预处理过程，而且转化后的二维图像能够反映原始信号中幅度和相位之间的相关信息以及隐藏在原始信号中的有效特征，转化后的二维图像在加工参数变化的情况下具有较好的一致性，而且对高斯白噪声具有较强的鲁棒性，保障最终监测结果的一致性和准确性。

18、2、本发明通过小波散射卷积网络对图像进行多层卷积，自适应提取二维图像深层特征，以此减小类间差异，最大化类内不同特征，使提取的图像特征物理意义相同，便于刀具磨损状态的后续聚类处理；所提取的特征满足形变稳定性和平移不变性，表征对称点图像的多尺度、多方向频率特性，整个过程无需手动筛选退化趋势敏感的健康因子，减少先验知识的依赖；小波散射卷积网络所有卷积核都是预先选定的，在对图像进行特征提取之前，其所要提取的目标特征是确定的，省略了训练的过程，可根据理论提取到具有目标性质的特征，极大地减少了计算量。

19、3、本发明采用深度卷积神经网络模型对二维振动信号-对称点图进行分类，使用深度卷积神经网络模型处理二维数据，输入经小波散射卷积网络提取的振动信号-对称点图的视觉特征，输出刀具磨损状态的最终诊断结果，通过训练深度卷积神经网络模型分类器，将状态监测任务转换为图像分类任务，简化监测。

技术特征：

1.一种基于视觉特征的刀具磨损状态监测方法，其特征是，包括：

2.如权利要求1所述的基于视觉特征的刀具磨损状态监测方法，其特征是，基于对称点图技术，将一维时域振动信号转化为二维振动信号-对称点图，包括：

3.如权利要求1所述的基于视觉特征的刀具磨损状态监测方法，其特征是，将离散振动信号x(i)转换为振动信号-对称点极图p(i)，公式为：

4.如权利要求3所述的基于视觉特征的刀具磨损状态监测方法，其特征是，基于图像差异最大化原理，计算不同磨损状态下振动信号转换得到的对称点图之间的相似度，根据计算得到的图像相似度，确定并得到对称点图最佳参数值。

5.如权利要求1所述的基于视觉特征的刀具磨损状态监测方法，其特征是，将二维振动信号-对称点图输入至三层小波散射卷积网络中，计算每层的散射系数，将散射系数作为提取的图像特征，再通过图像特征拼接得到振动信号-对称点图的深度视觉特征图。

6.如权利要求1所述的基于视觉特征的刀具磨损状态监测方法，其特征是，所述深度卷积神经网络模型包括输入层、两个卷积层、两个池化层、全连接层和输出层；

7.一种基于视觉特征的刀具磨损状态监测系统，其特征是，包括：

8.如权利要求7所述的基于视觉特征的刀具磨损状态监测系统，其特征是，基于对称点图技术，将一维时域振动信号转化为二维振动信号-对称点图，包括：

9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6中任一项所述的一种基于视觉特征的刀具磨损状态监测方法的步骤。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-6中任一项所述的一种基于视觉特征的刀具磨损状态监测方法的步骤。

技术总结本发明公开了一种基于视觉特征的刀具磨损状态监测方法及系统，涉及刀具磨损监测技术领域，方法包括：获取加工过程中待测刀具的一维时域振动信号；基于对称点图技术，将一维时域振动信号转化为二维振动信号‑对称点图；利用小波散射卷积网络，自适应提取二维振动信号‑对称点图的深度视觉特征图；基于深度视觉特征图，通过深度卷积神经网络模型进行分类，输出待测刀具的磨损状态。本发明实现对刀具磨损状态的精确监测，避免了人工筛选特征带来的偏差，对多工况具有高度的适应性，适用范围广。技术研发人员：国凯,孙明建,王志远,孙杰受保护的技术使用者：山东大学技术研发日：技术公布日：2024/6/11