本發(fā)明涉及信號模式識別，具體涉及一種微織構(gòu)球頭銑刀銑削合金健康狀態(tài)監(jiān)測方法。

背景技術(shù)：

1、隨著制造業(yè)的不斷發(fā)展，尤其是在航空航天、醫(yī)療設(shè)備、模具制造等精密領(lǐng)域，刀具的健康狀態(tài)對加工工件的質(zhì)量和機床的穩(wěn)定性有著至關(guān)重要的影響。刀具在加工過程中不可避免地會出現(xiàn)磨損，而過度磨損的刀具不僅會降低加工精度，還可能導致機床損壞，甚至引發(fā)安全事故。因此，實時監(jiān)測刀具的健康狀態(tài)并準確預測其剩余使用壽命成為了制造業(yè)中的一個重要課題。

2、現(xiàn)有的刀具健康狀態(tài)監(jiān)測方法主要分為直接法和間接法。直接法通過停機檢查刀具的磨損情況，雖然能夠提供較為準確的刀具狀態(tài)信息，但會導致生產(chǎn)效率下降，尤其是在高精度、高頻率的加工環(huán)境中，頻繁停機檢查會嚴重影響生產(chǎn)進度。間接法則通過監(jiān)測刀具在加工過程中產(chǎn)生的振動信號、聲發(fā)射信號等，實時反饋刀具的健康狀態(tài)，避免了停機檢查的需求，有助于實現(xiàn)預防性維護。然而，現(xiàn)有的間接法在信號處理和刀具狀態(tài)識別方面仍存在諸多不足：

3、1、在實際加工環(huán)境中，采集到的振動信號往往受到背景噪聲的干擾，導致信號質(zhì)量下降。雖然已有研究提出了多種降噪方法，如基于差分進化算法(de)優(yōu)化的變分模態(tài)分解(vmd)方法和小波去噪方法，但這些方法在處理復雜信號時仍存在局限性。例如，vmd方法的分解效果依賴于懲罰因子和模態(tài)數(shù)的選擇，若參數(shù)選擇不當，可能導致信號分解不準確；而小波去噪方法則面臨小波函數(shù)選擇困難的問題，難以適應(yīng)不同信號的特性；

4、2、現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)(cnn)的刀具磨損監(jiān)測方法在提取時序信號特征時，往往忽略了時間序列數(shù)據(jù)的時間依賴性，無法有效捕捉刀具磨損的長期趨勢。長短期記憶網(wǎng)絡(luò)(lstm)在時間序列數(shù)據(jù)處理方面表現(xiàn)出色，能夠提取時間序列的動態(tài)變化特征和長期依賴關(guān)系，但訓練時間較長。

5、3、現(xiàn)有的刀具磨損監(jiān)測模型在處理振動信號時，往往將所有特征視為同等重要，未能根據(jù)不同特征對分類結(jié)果的貢獻度進行權(quán)重分配。這可能導致對分類貢獻較大的特征被忽視，影響模型的分類性能。

6、基于上述分析，現(xiàn)有技術(shù)中對刀具健康狀態(tài)的監(jiān)測中存在信號降噪不足、時序特征忽略以及特征權(quán)重分配不均等問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明為解決現(xiàn)有技術(shù)中對刀具健康狀態(tài)的監(jiān)測中存在信號降噪不足、時序特征忽略以及特征權(quán)重分配不均等問題，進而提出一種微織構(gòu)球頭銑刀銑削合金健康狀態(tài)監(jiān)測方法。

2、本發(fā)明為解決上述問題采取的技術(shù)方案是：

3、本發(fā)明所述的微織構(gòu)球頭銑刀銑削鈦合金健康狀態(tài)監(jiān)測方法，包括如下步驟：

4、步驟1、搭建刀具磨損試驗平臺，通過振動傳感器實時采集銑削鈦合金過程中的振動信號，通過工業(yè)相機同步獲取刀具前刀面磨損值數(shù)據(jù)；

5、步驟2、采用k-means聚類算法對刀具前刀面磨損值進行聚類分析，將磨損階段劃分為初級磨損、穩(wěn)定磨損和劇烈磨損三個階段；

6、步驟3、基于bwo-svmd的振動信號分解方法，基于相關(guān)系數(shù)與方差貢獻率的振動信號降噪方法，減小振動信號的噪音，增加健康狀態(tài)識別模型預測的準確性，具體如下：

7、采用bwo(白鯨優(yōu)化算法)對svmd(連續(xù)變分模態(tài)分解)的參數(shù)α進行優(yōu)化。信號的包絡(luò)熵值反映了信號的復雜程度，因此選擇最小包絡(luò)熵來作為優(yōu)化過程中的目標函數(shù)。先使用svmd算法對信號進行分解，再計算每個imf分量的包絡(luò)熵。按照bwo算法的流程不斷更新svmd的參數(shù)值，來刷新分解信號的最小包絡(luò)熵值，來實現(xiàn)參數(shù)的優(yōu)化。再基于相關(guān)系數(shù)和方差貢獻度對信號進行分解。這種方法有助于識別并提取出分解結(jié)果中真正具有代表性的特征向量。相關(guān)系數(shù)是一種統(tǒng)計量，用以表征變量之間相關(guān)性程度。兩個變量之間成正比，相關(guān)系數(shù)越大，關(guān)聯(lián)性就越強。因此能夠精確地反映兩者的關(guān)系，進而更有效地捕捉和利用刀具磨損的特征信息。方差貢獻率可以作為一種衡量指標，反映出不同因素之間的相對重要程度。因子的方差貢獻率越大，表明該因子與原始信號之間的相互作用越大。

8、步驟4、構(gòu)建基于mscnn-lstm-attention方法的刀具健康狀態(tài)識別模型，能夠準確識別并預測刀具的健康狀態(tài)，避免因刀具磨損導致設(shè)備損壞及安全問題，具體如下：

9、建立基于mscnn-lstm-attention方法的刀具健康狀態(tài)識別模型，該模型結(jié)構(gòu)主要包括4個步驟：輸入層、mscnn-lstm特征提取層、注意力機制的特征優(yōu)化層、全連接和softmax的缺陷識別層。

10、輸入層：為了進一步縮短網(wǎng)絡(luò)的訓練時間，更快的收斂到最優(yōu)解，對每段降噪后的一維的時序信號做線性歸一化處理，結(jié)果映射到[0，1]，數(shù)據(jù)集劃分為訓練集和測試集。

11、mscnn-lstm特征提取層：該部分由2個模塊組成，mscnn模塊和lstm模塊。其中，mscnn模塊由3個一維卷積層、最大池化層、批標準化層(batch?normalization?layer，bn)組成。采用并行的方式，設(shè)置3種大小分別為5×5，3×3，1×1的卷積核，拓寬網(wǎng)絡(luò)的寬度，產(chǎn)生多個感受域提取時序信號在不同尺度的特征，形成多尺度特征。利用最大池化層降低數(shù)據(jù)復雜度，加快網(wǎng)絡(luò)的處理速度。將池化層輸出的特征輸入至bn層，提高模型的魯棒性。將并行的多尺度特征融合為一個向量作為lstm的輸入。lst?m模塊由2層lstm網(wǎng)絡(luò)構(gòu)成，由于lstm獨特的網(wǎng)絡(luò)結(jié)構(gòu)，通過遺忘門、輸入門、輸出門的選擇過濾操作進一步提取上下文特征。

12、注意力機制特征優(yōu)化層：將經(jīng)過mscnn和lstm層輸出的特征矩陣輸入到softma?x函數(shù)中，計算不同特征維度的各自權(quán)重系數(shù)，將得到的權(quán)重系數(shù)與輸入特征進行對應(yīng)元素相乘得到新的經(jīng)過權(quán)重分配的特征。特征越重要，其對應(yīng)的注意力機制模塊輸出值越接近1。通過數(shù)值的高低來體現(xiàn)特征的重要程度，完成更關(guān)鍵、更具判別性的特征辨別。

13、全連接和softmax分類層：該層通過1個全連接層和softmax多分類器實現(xiàn)管道缺陷識別的結(jié)果輸出該模型主要由3個卷積-最大池化-bn層、2個lstm層、1個注意力機制層和1個全連接層組成。

14、本發(fā)明的有益效果是：

15、1、本發(fā)明使用的svmd方法需要調(diào)整的參數(shù)只有懲罰因子α，采用白鯨優(yōu)化算法(bwo)自動優(yōu)化svmd參數(shù)，這一改進不僅避免了人工調(diào)參的繁瑣，還提升了信號分解的魯棒性和效率；

16、2、本發(fā)明結(jié)合相關(guān)系數(shù)與方差貢獻率雙準則篩選imf分量，精準剔除噪聲干擾，經(jīng)處理后，信號信噪比提高70％以上；保留與刀具磨損強相關(guān)的特征；

17、3、本發(fā)明采用k-means聚類算法對磨損值分類，將刀具的磨損階段客觀劃分為初級磨損、穩(wěn)定磨損、劇烈磨損三階段。該方法避免了主觀偏差，為健康狀態(tài)標簽提供可靠依據(jù)；

18、4、本發(fā)明提出的mscnn-lstm-attention模型實現(xiàn)了對刀具磨損振動信號局部特征的有效提取，并能挖掘隱藏在時序規(guī)律中的粗粒度序列特征。引入的注意力機制賦予了每個缺陷特征不同的權(quán)重，提高了模型對具有判別力特征的關(guān)注度，濾除了冗余特征，從而提高了模型的缺陷識別準確率，準確率達96.17％，實現(xiàn)了計算資源的高效分配；

19、5、本發(fā)明相比傳統(tǒng)的cnn-lstm模型，訓練時間縮短14％，收斂速度更快，收斂速度提升2倍，且曲線整體相對平緩，訓練過程穩(wěn)定且準確率高。