一种基于权重采样的刀具磨损状态识别方法与流程

本发明涉及机床刀具磨损状态识别，尤其涉及一种基于权重采样的机床刀具磨损状态识别方法。

背景技术：

1、传统的刀具磨损检测方法依赖于定期的人工检查或基于简单统计特征的信号分析，这些方法通常效率低、准确性差，难以实时反映刀具磨损的具体状态。同时，在实际应用中，刀具磨损数据往往存在类别不平衡的问题，即初期磨损、正常磨损和急剧磨损状态的样本数量分布不均衡，导致训练过程中模型容易偏向于多数类，从而影响少数类的识别准确率。此外，单一尺度的特征提取方法无法充分捕捉刀具振动信号中多尺度、多颗粒度的特征，限制了模型的识别性能和泛化能力。

技术实现思路

1、本发明提出了一种基于权重采样的机床刀具磨损状态识别方法，通过构建多尺度串并联卷积神经网络进行刀具振动信号的特征提取，结合多层感知机分类器实现对刀具初期磨损、正常磨损和急剧磨损状态的识别。该方法在网络结构中引入多尺度串并联设计，能够提取多颗粒度的特征，提高模型的特征捕捉能力；同时，在模型训练阶段采用基于权重采样的训练策略，有效解决类别不平衡问题，增强模型对少数类的识别能力，提升模型的泛化性能。通过上述技术设计，本发明不仅提高了刀具磨损状态识别的准确性，还显著增强了模型在实际应用中的泛化能力，对机床刀具的健康管理具有重要意义。

2、本发明是通过以下技术方案实现的：本发明涉及一种基于权重采样的机床刀具磨损状态识别方法，构建多尺度串并联卷积神经网络用于自适应提取刀具振动信号特征，而后建立多层感知机分类器实现刀具不同磨损状态的识别；在模型训练阶段，发明一种权重采样支撑下的训练策略，实现类不平衡数据下的类平衡子集训练；本发明通过在卷积神经网络的基本结构上设计了多尺度串并联的结构提升了模型提取多颗粒度特征的能力，设计的基于权重采样的训练策略能克服模型对多数类的倾向性判别问题，同时提升模型的泛化能力，实现高准确强泛化的刀具磨损状态识别，对机床刀具健康管理具有重要意义。

3、所述的多尺度串并联卷积神经网络包括：从输入开始，首先进入一个卷积核大小为百位数级别的卷积层，用于捕捉较大尺度的特征；接着进入一个并联多尺度部分，该部分包含三个并联的卷积层，分别为卷积核大小为百位数、十位数和个位数的卷积层，能够提取不同尺度的特征；然后经过一个卷积核大小为十位数级别的卷积层，进一步处理中等尺度的特征；最后进入一个卷积核大小为个位数的卷积层，用于捕捉最细微的特征；通过这种多尺度串并联的结构设计，网络能够自适应地提取刀具振动信号中的多颗粒度特征，从而提高特征提取的全面性和准确性，有助于后续多层感知机分类器对刀具初期磨损、正常磨损和急剧磨损状态的准确识别。

4、所述的多层感知机分类器包括：首先，多尺度串并联卷积神经网络提取的特征进入第一层全连接层，该层包含若干个神经元，实现初步特征融合和转换；接着，输出进入第二层全连接层，该层进一步处理和整合特征信息，以提高特征的表达能力；最后，经过一个softmax分类层，输出不同刀具磨损状态的概率分布，实现分类目标；损失函数采用交叉熵损失函数，以衡量预测类别概率分布与真实类别分布之间的差异，并通过反向传播算法进行优化，以最小化损失函数，从而提升模型的分类准确性；所述的刀具磨损状态包括：初期磨损，正常磨损和急剧磨损。

5、所述的权重采样支撑下的训练策略，是指收集刀具振动信号数据，将数据按刀具初期磨损、正常磨损和急剧磨损状态的数据分别标注为1、2和3，将标注好的数据按照8:2的比例划分为训练集和测试集，对训练集数据实施权重采样，获得类平衡的训练子集，每个训练子集对应一轮训练；所述的权重采样，是指对三种刀具磨损状态的数据分别设计权重、和，按照设计的权重以不放回的抽样方式从完整的训练集中抽取样本量为的数据作为一个训练子集，重复如上操作次，对应得到个训练子集；其中，取值区间为<mi>(0, 3×min{</mi><msup><mi>n</mi><mn>1</mn></msup><mi>,</mi><msup><mi>n</mi><mn>2</mn></msup><mi>, </mi><msup><mi>n</mi><mn>3</mn></msup><mi>}]</mi>，应满足条件，其中，是指训练集中标签为1的数据样本量，是指训练集中标签为2的数据样本量，是指训练集中标签为3的数据样本量。

6、所述的类平衡子集，是指采样权重值满足的条件下，权重采样获得的训练子集将满足各类别数据的期望数据量相等。

技术特征：

1.一种基于权重采样的机床刀具磨损状态识别方法，其特征在于，构建多尺度串并联卷积神经网络用于自适应提取刀具振动信号特征，而后建立多层感知机分类器实现刀具不同磨损状态的识别；在模型训练阶段，发明一种权重采样支撑下的训练策略，实现类不平衡数据下的类平衡子集训练；本发明通过在卷积神经网络的基本结构上设计了多尺度串并联的结构提升了模型提取多颗粒度特征的能力，设计的基于权重采样的训练策略能克服模型对多数类的倾向性判别问题，同时提升模型的泛化能力，实现高准确强泛化的刀具磨损状态识别，对机床刀具健康管理具有重要意义。

2.根据权利要求1所述的一种基于权重采样的机床刀具磨损状态识别方法，其特征是，所述的多尺度串并联卷积神经网络包括：从输入开始，首先进入一个卷积核大小为百位数级别的卷积层，用于捕捉较大尺度的特征；接着进入一个并联多尺度部分，该部分包含三个并联的卷积层，分别为卷积核大小为百位数、十位数和个位数的卷积层，能够提取不同尺度的特征；然后经过一个卷积核大小为十位数级别的卷积层，进一步处理中等尺度的特征；最后进入一个卷积核大小为个位数的卷积层，用于捕捉最细微的特征；通过这种多尺度串并联的结构设计，网络能够自适应地提取刀具振动信号中的多颗粒度特征，从而提高特征提取的全面性和准确性，有助于后续多层感知机分类器对刀具初期磨损、正常磨损和急剧磨损状态的准确识别。

3.根据权利要求1所述的一种基于权重采样的机床刀具磨损状态识别方法，其特征是，所述的多层感知机分类器包括：首先，多尺度串并联卷积神经网络提取的特征进入第一层全连接层，该层包含若干个神经元，实现初步特征融合和转换；接着，输出进入第二层全连接层，该层进一步处理和整合特征信息，以提高特征的表达能力；最后，经过一个softmax分类层，输出不同刀具磨损状态的概率分布，实现分类目标；损失函数采用交叉熵损失函数，以衡量预测类别概率分布与真实类别分布之间的差异，并通过反向传播算法进行优化，以最小化损失函数，从而提升模型的分类准确性；所述的刀具磨损状态包括：初期磨损，正常磨损和急剧磨损。

4.根据权利要求1所述的一种基于权重采样的机床刀具磨损状态识别方法，其特征是，所述的权重采样支撑下的训练策略，是指收集刀具振动信号数据，将数据按刀具初期磨损、正常磨损和急剧磨损状态的数据分别标注为1、2和3，将标注好的数据按照8:2的比例划分为训练集和测试集，对训练集数据实施权重采样，获得类平衡的训练子集，每个训练子集对应一轮训练；所述的权重采样，是指对三种刀具磨损状态的数据分别设计权重、和，按照设计的权重以不放回的抽样方式从完整的训练集中抽取样本量为的数据作为一个训练子集，重复如上操作次，对应得到个训练子集；其中，取值区间为，应满足条件，其中，是指训练集中标签为1的数据样本量，是指训练集中标签为2的数据样本量，是指训练集中标签为3的数据样本量。

5.根据权利要求1所述的一种基于权重采样的机床刀具磨损状态识别方法，其特征是，所述的类平衡子集，是指采样权重值满足的条件下，权重采样获得的训练子集将满足各类别数据的期望数据量相等。

技术总结一种基于权重采样的机床刀具磨损状态识别方法，属于机床刀具磨损状态识别技术领域，具体包括：构建多尺度串并联卷积神经网络用于自适应提取刀具振动信号特征，而后建立多层感知机分类器实现刀具初期磨损、正常磨损和急剧磨损状态的识别；在模型训练阶段，设计一种权重采集支撑下的训练策略，实现类不平衡数据下的类平衡子集训练。本发明通过在卷积神经网络的基本结构上设计了多尺度串并联的结构提升了模型提取多颗粒度特征的能力，设计的基于权重采样的训练策略能克服模型对多数类的倾向性判别问题，同时提升模型的泛化能力，实现高准确强泛化的刀具磨损状态识别，对机床刀具健康管理具有重要意义。技术研发人员：黄传清,罗风,夏唐斌,刘立全,张开淦,王宇,王毅阳,范宜静,郭梓琳,高铭祥,花文青,杨彬,张扩堂,张强受保护的技术使用者：山东鸿运来工业科技有限公司技术研发日：技术公布日：2024/12/2