一种基于多参数引导空间注意力机制的铣刀磨损监测方法

【技术领域】

本发明涉及铣削加工刀具磨损监测技术领域，具体涉及一种基于多参数引导空间注意力机制的铣刀磨损监测方法。

【背景技术】

刀具磨损监测是当前智能制造的关键技术之一，其监测精度的提高对产品质量、生产效率、成本的优化都有着不可替代的作用。随着传感器技术、信息技术、以及人工智能等相关领域的高速发展，当前刀具磨损监测也逐渐由传统的物理模型、统计模型向机器学习、尤其是深度学习等方法转变。深度学习可以摆脱对专家知识的依赖，同时具备强大的高维非线性映射能力。当前深度学习在刀具磨损监测领域被广泛研究。

由于铣刀刀齿之间存在着凹槽，同时出于排屑、散热的考虑，其轴向切深通常不会太深，因此铣削过程实际是非连续的，所采集的任一类监测信号均在时间上包含了大量的非切削信号片段。然而当前深度学习在刀具磨损监测中的方法大多以原始信号直接作为输入。虽有部分方法如公开号CN114833636的一种基于多特征空间卷积神经网络的刀具磨损监测方法对信号进行了时域、频域、时频域特征的提取，但该系列特征中未能考虑非切削阶段信号的影响。同时现有深度学习方法在结构设计时也缺乏对非切削信号片段的考虑。非切削信号片段对模型决策的影响程度是难以评价的，即现有深度学习方法的可靠性是不确定的。因此虽然现有方法能够在已知加工条件下取得较高的监测精度，但难以泛化到其他的加工场景中，这也限制了该类方法在实际加工中的应用。

铣削过程中的非切削信号片段在时间上的长度可以通过铣刀结构参数、工艺参数、监测信号采样频率等多参数进行计算。该计算方法只须通过少量参数实现，并且通用，并不依赖额外的专家知识。但现有基于深度学习的铣刀监测方法对上述参数的利用仅限于作为一种先决条件，即作为模型有效边界的限定。缺乏上述参数与深度学习方法之间融合模式的研究。对加工过程中多种参数、监测信号以及深度学习模型结构之间的关系进行研究，并建立融合机制，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。

【发明内容】

本发明是为了解决深度学习在刀具磨损监测中的不足，尤其是在监测信号中多参数共同决定的非切削信号片段对深度学习模型决策可靠性的影响，提出一种通用的基于频率注意力机制的铣刀磨损监测方法。该方法首先在频域对信号的高频噪音部分进行滤波。随后从时域出发，通过铣刀结构参数、工艺参数、监测信号采样频率等多参数对监测信号中的切削信号片段进行推导，根据推导结果对深度学习模型的结构基参数进行设计。所设计的模型可以实现对信号中实际切削信号片段进行自适应加权，对非切削信号片段进行抑制，并采用卷积模块对加权后的特征进行高维特征提取，可准确地监测铣刀磨损状态。

为实现上述目的，本发明所提供的技术方案是：

一种基于多参数引导空间注意力机制的铣刀磨损监测方法，其特征在于，包括一种基于多参数引导空间注意力的铣刀磨损监测模型；所述基于多参数引导空间注意力的铣刀磨损监测模型包括依次连接的空间注意力模块、卷积模块和全连接层；所述方法包括以下步骤：

步骤1，采集机床加工过程中的主轴振动信号(S

步骤2，对所述步骤1中的S

步骤3，将步骤2中的样本输入构建的基于多参数引导空间注意力的铣刀磨损监测模型，对模型进行训练；具体训练过程如下：

步骤3-1，步骤2中样本集包含的样本按数量为Batch的批次首先输入到降采样层，对输入样本按将采样率k

步骤3-2，将步骤3-1中输出的张量输入参数引导感受野卷积层，通过卷积运算实现对输入的样本在空间上赋予不同的权重值，输出形状为[Batch,1,L/k

步骤3-3，将步骤3-2的空间权重矩阵按顺序进行归一化处理、ReLU激活，通过元素重复层按所述步骤3-1中的k

步骤3-4，将步骤3-3的结果与步骤3-1中的输入按元素对应相乘，输出形状为[Batch,1,L]的加权张量；

步骤3-5，将步骤3-4中的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；

步骤3-6，将步骤3-5中的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；

步骤4，采用步骤3中训练好的铣刀磨损监测模型对铣刀磨损进行监测。

进一步地，所述卷积模块数量为2～5，包括依次连接的1维卷积层、1维批归一化层、ReLU激活层和1维平均池化层；所述全连接层的数量为1，包括依次连接的展开层、线性层、Softmax激活层；所述步骤3-1中的降采样层是核大小和步长均为k

式中，f

所述步骤3-3中的元素重复层是对输入特征的每一个值进行重复，重复的倍数为k

进一步地，所述步骤2中的低通滤波采用的技术是傅立叶低通滤波器；所述低通滤波的低通截止频率为：

式中，i为整数，取值范围为6～10。

进一步地，所述步骤2中的预处理方法如下：

式中，S'是处理后的信号，S为处理前的信号，T是信号长度；

所述步骤2中的切片是将所述S

式中，f

所述步骤2中的j为式(3)中T除以式(4)中L'后向下取整，且可被100整除的数；

所述步骤2中的L为S'

步骤2-1，以所述S'

步骤2-2，以式(3)中L’除以l的商作为检索范围，对该范围内最小值的位置Local

步骤2-3，以步骤2-2中的Local

式中，所有符号与式(4)中含义、值均一致。

进一步地，所述步骤1中铣刀磨损状态包括初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段；所述铣刀磨损状态划分依据是刀齿后刀面的最大宽度(VB)；所述初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段对应的VB范围分别为0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm；所述步骤3-1中的Batch为小于j且可被32整除的整数。

与现有技术相比，本发明的有益效果在于：本发明提出了一种将铣刀结构参数、工艺参数、监测信号采样频率等多参数引入深度学习模型的结构及参数设计过程的方法，建立了多参数与深度学习模型之间的联系；所提出的空间注意力模块可实现对监测信号中分切削/非切削部分信号段的辨识，并分别进行自适应的增强或抑制，可屏蔽信号中与刀具状态无关(在物理意义上)的信号段，可准确对刀具磨损状态进行监测，同时为基于深度学习的刀具磨损监测方法提供了一种新思路，增强模型与对象(刀具、工艺等)之间的关联性，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。

【附图说明】

图1是本发明方法流程图；

图2是本发明样本对齐流程；

图3是本发明基于多参数引导空间注意力机制的刀具磨损监测模型的结构示意图；

图4是本发明实施案例中对铣刀磨损状态辨识结果的混淆矩阵；

图5是本发明实施案例中刀具不同磨损阶段下原始信号的热力图；

图6是本发明实施案例中刀具不同磨损阶段下经过空间注意力模块加权之后的特征的热力图。

【具体实施方式】

为使本发明的目的、技术方案和优点更加清楚，下面结合实施例和附图，对本发明作进一步的详细说明。应当理解，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突，均可以以任何方式组合。

参阅图1～图3，本发明提供一种基于多参数引导空间注意力机制的刀具磨损监测方法，主要包括一种基于多参数引导空间注意力的铣刀磨损监测模型；所述基于多参数引导空间注意力的铣刀磨损监测模型包括依次连接的空间注意力模块(用于对信号中切削/非切削信号片段的增强/抑制)、卷积模块(用于提取特征)和全连接层(用于最后的结果输出)；所述方法包括如下步骤：

步骤1，采集机床加工过程中的主轴振动信号(S

步骤2，对所述步骤1中的S

步骤3，将步骤2中的样本输入构建的基于多参数引导空间注意力的铣刀磨损监测模型，对模型进行训练；具体训练过程如下：

步骤3-1，步骤2中样本集包含的样本按数量为Batch(小于j的整数，将样本按批量喂入模型)的批次首先输入到降采样层，对输入样本按将采样率k

步骤3-2，将步骤3-1中输出的张量输入参数引导感受野卷积层(Conv1d)，通过卷积运算实现对输入的样本在空间上赋予不同的权重值，输出形状为[Batch,1,L/k

步骤3-3，将步骤3-2的空间权重矩阵按顺序进行归一化处理(BatchNorm1d，将各通道的特征归一化)、ReLU激活(增加不同特征的非线性)，通过元素重复层按所述步骤3-1中的k

步骤3-4，将步骤3-3的结果与步骤3-1中的输入按元素对应相乘(加权)，输出形状为[Batch,1,L]的加权张量；

步骤3-5，将步骤3-4中的加权张量依次输入卷积模块和全连接层，得到输出的分类结果；

步骤3-6，将步骤3-5中的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练；

步骤4，采用步骤3中训练好的铣刀磨损监测模型对铣刀磨损进行监测。

具体的，所述卷积模块数量为2，包括依次连接的1维卷积层、1维批归一化层、ReLU激活层和1维平均池化层；所述全连接层的数量为1，包括依次连接的展开层、线性层、Softmax激活层；所述步骤3-1中的降采样层是核大小和步长均为k

式中，f

所述步骤3-3中的元素重复层是对输入特征的每一个值进行重复(通过pytorch中的repeat_interleave函数实现)，重复的倍数为k

具体的，所述步骤2中的低通滤波采用的技术是傅立叶低通滤波器；所述低通滤波的低通截止频率为：

式中，i为10，与磨损状态高度相关的信号在频率上集中在齿通频率附近，同时噪音主要集中在高频部分，因此通过公式(2)对低通滤波截止频率进行确定。

具体的，所述步骤2中的预处理方法如下：

式中，S'是处理后的信号，S为处理前的信号，T是信号长度(所获取信号的长度，无须设置)；

所述步骤2中的切片是将所述S

式中，f

所述步骤2中的j为式(3)中T除以式(4)中L'后向下取整，且可被100整除的数；

所述步骤2中的L为S'

步骤2-1，以所述S'

步骤2-2，以式(4)中L’除以l的商(铣刀旋转一周对应的信号长度)作为检索范围，对该范围内最小值的位置Local

步骤2-3，以步骤2-2中的Local

式中，所有符号与式(4)中含义、值均一致。

具体的，所述步骤1中铣刀磨损状态包括初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段；所述铣刀磨损状态划分依据是刀齿后刀面的最大宽度(VB)；所述初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段对应的VB范围分别为0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm；所述步骤3-1中的Batch为64。

本发明工作过程：

本发明一种基于多参数引导空间注意力机制的铣刀磨损监测方法在工作过程中，结合实施例进行说明。

一、数据获取：

以某五轴数控加工中心进行试验，所切削的工件材料为40号钢，每次走刀行程为420mm，用于切削工件的铣刀为某型3齿整体式立铣刀(n为3)，采用某型三向振动加速度传感器采集主轴X，Y，Z三向振动信号，所获取的振动信号采样频率f

机床始终保持工艺参数(主轴转速N为1200RPM，进给速度180mm/min，轴向切深3mm，径向切深1.8mm)不变，进行切削，每次走刀结束后采用数码显微镜测量刃口的最大后刀面磨损VB值并进行记录，直至VB值超过0.3mm，共走刀15次，每次走刀时间约为74.6秒。根据VB值按0～0.1mm，0.1mm～0.2mm，0.2mm～0.3mm，大于0.3mm，将刀具磨损状态划分为初始磨损阶段、稳定磨损阶段、急剧磨损阶段和失效阶段。每次走刀结束最大后刀面磨损VB值及磨损状态见表1。

表1每次走刀结束最大后刀面磨损VB值及磨损状态

二、数据预处理与切片：

对获取到的S

采用傅立叶低通滤波器分别对预处理后的信号进行低通滤波，低通滤波的低通截止频率为：

式中，i设置为10；将滤波后的S

长度L'计算方法：

式中，l设置为7；此外，j＝3200(共有3200个样本，计算方法为每次走刀时间乘以f

三、样本对齐：

以所述切片后的S'

以500作为检索范围，对该范围内最小值的位置Local

以Local

可得，L＝3000；最终获取形状为[3200,3000]的样本集，按7:3的比例将样本集划分为训练集与测试集。

四、模型构建：

基于Python3.9.7-Anaconda 2.1.1-Pytorch 1.10.1进行模型构建，在i7-11800H16GB-NVIDIA’s GeForce GTC 3060GPU上进行训练；模型的超参数设置见表2。

表2模型训练超参数

本实施例中模型的结构和参数见表3。

表3模型结构和参数

其中，卷积模块1、卷积模块2中池化层(AvgPool1d)之前均包含ReLU激活函数(不需设置参数)；全连接层最后还包含Softmax激活函数(不需设置参数)。所述k＝41的确认方法如下：

五、模型训练：

将训练集按Batch＝64的批次首先输入到降采样层，对输入样本按将采样率k

降采样后的张量被输入参数引导感受野卷积层，通过卷积运算实现对输入的样本在空间上赋予不同的权重值，输出形状为[64,1,750]的空间权重矩阵；

空间权重矩阵按顺序进行归一化处理、ReLU激活，通过元素重复层按所述步骤3-1中的k

空间权重矩阵与输入样本按元素对应相乘，输出形状为[64,1,3000]的加权张量；

加权张量依次被输入卷积模块和全连接层，得到输出的分类结果；

模型输出的分类结果与对应的磨损状态真实值进行比较，经过反向传播对模型中的权重进行更新，完成模型的训练。

六、模型测试：

参阅图4，将样本集中的测试集输入到训练好的模型中，输出分类结果的混淆矩阵，结果表明，模型的精度为99.81％，能较好满足实际加工中刀具磨损监测的需求。

七、有益效果分析：

参阅图5，将不同阶段下的原始对齐信号(3000个数据)按每旋转一周500个数据进行裁剪并拼接，随后生成热力图；参阅图6，将空间注意力加权之后的特征按同样的方式裁剪生成热力图。对比图5、图6，可以发现，首先图6中对大量信息进行了抑制，对另一部分则进行了增强，且图6中加权后的信号特征呈现出了明显的非连续性、周期性、而且在每个旋转周期内(横向)加强的空间位置与其他旋转周期高度一致(竖向)。可以表明，该空间注意力模块可有效对信号中的切削/非切削片段进行识别并自适应的加权。

本发明方法，提出了一种将铣刀结构参数、工艺参数、监测信号采样频率等多参数引入深度学习模型的结构及参数设计过程的方法，建立了多参数与深度学习模型之间的联系；所提出的空间注意力模块可实现对监测信号中分切削/非切削部分信号段的辨识，并分别进行自适应的增强或抑制，可屏蔽信号中与刀具状态无关(在物理意义上)的信号段，可准确对刀具磨损状态进行监测。为基于深度学习的刀具磨损监测方法提供了一种新思路，增强模型与对象(刀具、工艺等)之间的关联性，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。

以上实施例是对本发明的说明，并不是对本发明的限定，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。