CN110509109A

CN110509109A - 基于多尺度深度卷积循环神经网络的刀具磨损监测方法

Info

Publication number: CN110509109A
Application number: CN201910638155.0A
Authority: CN
Inventors: 孙闯; 许伟欣; 刘一龙; 赵志斌; 田绍华; 严如强
Original assignee: Xian Jiaotong University
Current assignee: Xian Jiaotong University
Priority date: 2019-07-16
Filing date: 2019-07-16
Publication date: 2019-11-29
Anticipated expiration: 2039-07-16
Also published as: CN110509109B

Abstract

本发明公开了一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法，方法包括以下步骤：基于多路传感器测量的刀具数据预处理数据，构造输入矩阵；构造多尺度卷积神经网络，获取多尺度特征，多尺度卷积神经网络的每个分支基于最大值池化后的输出进行特征融合，最终获得多尺度特征；构造深度循环GRU网络以提取不同时间尺度的特征和表示，深度循环GRU网络包括第一层GRU网络和第二层GRU网络，第二层GRU网络的单元数比第一层GRU网络的单元数多，多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示；基于特征构造全连接层，将特征映射到样本标记空间；基于全连接层的输出结果构造线性回归层，获得刀具磨损量。

Description

基于多尺度深度卷积循环神经网络的刀具磨损监测方法

技术领域

本发明属于刀具领域，特别是一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法。

背景技术

在机械加工时，刀具磨损会降低零件尺寸精度和表面完整性，当刀具磨损严重时，甚至会引起刀具破损，造成工件报废和损坏机床。具体来说，刀具状态对切削变形过程有重要影响，刀具磨损不仅会引起零件的尺寸精度下降，也会使零件表面质量恶化。当刀具进入剧烈磨损阶段，切削力急剧增加，刀具后刀面与工件已加工表面摩擦加剧，工件表面温度显著上升，引起工件表面的热塑性变形，从而使工件表面的残余压应力转化为残余拉应力；后刀面与工件间的粘结撕裂加重，工件表面粗糙度快速上升；在切削钛合金时，由于切削温度高，钛元素与空气中的氮、氧等元素形成氮化钛或氧化钛薄膜从而使加工表面变脆，同时塑性强化作用也使工件表面的显微硬度增加，硬化深度增大。工件表面质量的恶化会使零件的疲劳寿命降低，降低零件的可靠性。当刀具已经磨损失效未被发现继续加工会引起刀具破损，造成工件报废，甚至损坏机床。因此，刀具磨损监测对于保证加工质量、提高生产效率具有重要意义。刀具磨损监测降低了不必要的停机时间，节省了加工成本，并且能够保证零件的质量和加工精度。

刀具磨损监测可以分为直接监测和间接监测。直接监测方法直接测量刀具的状态变化，包括直接测量磨损、电阻监测、放射线监测、计算机图像处理等方法。直接监测方法精度高，但需要停机测量而不能实现在线监测，并且成本高。间接监测方法通过分析与刀具磨损相关的监测信号来估计刀具磨损。间接法成本低，对机床改动少，且能够实现在线测量。目前间接刀具磨损监测最常用的模型有神经网络、模糊推理、模糊神经网络、动态贝叶斯网络、支持向量机等。随着信号处理和人工智能的快速发展，间接法成为刀具磨损监测的研究热点。

然而，间接法同样存在相应的缺点：大部分刀具磨损监测的间接方法为特征驱动。一、特征驱动方法需要基于数据人为提取特征，特征的好坏很大程度决定了模型的监测能力。二、这些特征的提取依赖于经验和专业知识，非专业人员难以完成，使得模型不具备普遍适用性；三、特征提取难以在复杂工况下和强噪声环境下实现；四、特征提取是一个费时费力的过程，使得刀具寿命监测的效率难以得到提高。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的问题，本发明提出一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法，该方法由数据驱动，无需人为提取特征。利用由不同尺度的卷积核组成的多个支路的深度卷积神经网络对刀具信号进行处理，学习不同尺度下的信号特征，随后将不同尺度下的特征融合并送至深度循环GRU网络，由该网络学习不同时间尺度上的特征和表示；然后引入全连接层将特征和表示映射到样本标记空间；最后通过线性回归层，输出刀具磨损的预测值，从而实现对刀具磨损的监测。

本发明的目的是通过以下技术方案予以实现，一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法包括以下步骤：

第一步骤中，基于多路传感器测量的刀具数据预处理数据，构造输入矩阵；

第二步骤中，构造多尺度卷积神经网络，获取多尺度特征，多尺度卷积神经网络的每个分支包括卷积、批标准化、激活函数激活、最大值池化以及特征融合，其中，首先由卷积层对所述输入矩阵进行处理，随后对输出进行批标准化，再发送激活函数中进行激活，激活之后由最大值池化层进行最大值池化，多尺度卷积神经网络的每个分支基于最大值池化后的输出进行特征融合，最终获得多尺度特征；

第三步骤中，构造深度循环GRU网络以提取不同时间尺度的特征和表示，深度循环GRU网络包括第一层GRU网络和第二层GRU网络，第二层GRU网络的单元数比第一层GRU网络的单元数多，所述多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示；

第四步骤中，基于所述特征构造全连接层，将特征映射到样本标记空间；

第五步骤中，基于所述全连接层的输出结果构造线性回归层，获得刀具磨损量。

所述的方法中，第一步骤中，基于刀具建立三维坐标系，多路传感器测量的刀具数据至少包括x,y,z方向上三个通道的刀具振动信号，其中采样频率为32768Hz。

所述的方法中，第二步骤中，卷积、批标准化、激活合称为一次操作，对输入矩阵进行两次操作，其中两次的一维卷积核尺寸不同，多尺度卷积神经网络的每个分支进行两次操作以及最大值池化处理。

所述的方法中，第二步骤中，激活函数为ReLU激活函数。

所述的方法中，第一步骤中，输入矩阵为N表示总共N个刀具状态，第i个刀具状态下对应的数据为x_i，此时的刀具磨损量为y_i，x_i为：

其中，l表示将每个通道的数据分成l个部分，d＝q*(L/l)，R^d表示的维度，q为信号的通道数，L为每个状态下每个通道数据的总长度，T表示矩阵的转置。

所述的方法中，第二步骤中，多尺度神经网络每个分支的卷积、批标准化、激活函数激活、最大值池化以及特征融合由如下公式表示：

Concatenation＝[M₁ M₂ … M_N],

其中，x_i为第i个刀具状态下对应的数据，v_j表示第j个卷积核，b表示偏置，c_j表示卷积的结果，表示c_j的l个分量，表示逐点相乘，BN表示批标准化，bn_j表示批标准化的结果，f(·)表示ReLU激活函数，a_j表示激活函数激活结果，表示a_j的l个分量，m_j为最大值池化的结果，maxpool(·)表示最大值池化，表示m_j的(l-k+2p)/s+1个分量，其中k表示一维最大值池化的长度，p表示填充量的大小，s表示池化的步长,Concatenation表示融合的结果，M₁ M₂ … M_N表示Concatenation的N个分量，N表示多尺度卷积神经网络的N个分支，T表示矩阵的转置。

所述的方法中，第三步骤中，所述多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示由如下公式表示：

h＝GRUs(Concatenation)，其中，GRUs表示深度门循环单元网络，h表示深度门循环单元网络输出的不同时间尺度的特征和表示，GRUs表示第一层门单元循环网络对所述Concatenation进行处理，以及和第二层门单元循环网络对第一层门单元循环网络的输出进行的处理，提取得到不同时间尺度的特征和表示。

所述的方法中，第四步骤中，基于所述特征构造全连接层，将特征映射到样本标记空间由如下公式表示：o＝f(Wh+b)，其中，o表示全连接层的结果，W表示变换矩阵，h表示第三步骤的不同时间尺度的特征和表示的结果，b表示偏置，f(·)表示ReLU激活函数。

所述的方法中，第五步骤中，基于所述全连接层的输出结果构造线性回归层，获得刀具磨损量由如下公式表示：其中，表示第i个状态下的刀具磨损量，W表示变换矩阵，o_i表示第四步骤中的第i个状态下输出的全连接层结果。

所述的方法中，多路传感器同时测量刀具的多通道信号。

和现有技术相比，本发明具有以下优点：

本发明可快速且有效地监测刀具工作过程中的磨损情况，能提升故障诊断的准确性与可靠性，有利于减少人力物力的消耗，同时也有利于对刀具的维护和检修计划的安排调整，显著提高监测精度且无需人为提取特征，不需要人工干预，因此本发明具备普遍适用性。

附图说明

通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。

在附图中：

图1是根据本发明一个实施例的基于多尺度深度卷积循环神经网络的刀具磨损监测方法的步骤示意图；

图2为本实施例中关于刀具可靠性测试试验台及其测试设备的示意图；

图3为本实施例中关于刀具和刀具磨损的示意图；

图4为本实施例中关于模型的示意图；

图5为本实施例中关于预测结果的示意图；

图6为本实施例中关于预测结果的示意图；

图7为本实施例中关于预测结果的示意图；

图8为本实施例中关于预测结果的示意图。

以下结合附图和实施例对本发明作进一步的解释。

具体实施方式

下面将参照附图1-附图8更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。

为了更好地理解，图1是根据本发明一个实施例的一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法的步骤示意图，如图1所示，一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法包括以下步骤：

第一步骤S1中，基于多路传感器测量的刀具数据预处理数据，构造输入矩阵；

第二步骤S2中，构造多尺度卷积神经网络，获取多尺度特征，多尺度卷积神经网络的每个分支包括卷积、批标准化、激活函数激活、最大值池化以及特征融合，其中，首先由卷积层对所述输入矩阵进行处理，随后对输出进行批标准化，再发送激活函数中进行激活，激活之后由最大值池化层进行最大值池化，多尺度卷积神经网络的每个分支基于最大值池化后的输出进行特征融合，最终获得多尺度特征；

第三步骤S3中，构造深度循环GRU网络以提取不同时间尺度的特征和表示，深度循环GRU网络包括第一层GRU网络和第二层GRU网络，第二层GRU网络的单元数比第一层GRU网络的单元数多，所述多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示；

第四步骤S4中，基于所述特征构造全连接层，将特征映射到样本标记空间；

第五步骤S5中，基于所述全连接层的输出结果构造线性回归层，获得刀具磨损量。

所述的方法的优选实施方式中，第一步骤S1中，基于刀具建立三维坐标系，多路传感器测量的刀具数据至少包括x,y,z方向上三个通道的刀具振动信号，其中采样频率为32768Hz。

所述的方法的优选实施方式中，第二步骤S2中，卷积、批标准化、激活合称为一次操作，对输入矩阵进行两次操作，其中两次的一维卷积核尺寸不同，多尺度卷积神经网络的每个分支进行两次操作以及最大值池化处理。

所述的方法的优选实施方式中，第二步骤S2中，激活函数为ReLU激活函数。

所述的方法的优选实施方式中，第一步骤S1中，输入矩阵为N表示总共N个刀具状态，第i个刀具状态下对应的数据为x_i，此时的刀具磨损量为y_i，x_i为：

所述的方法的优选实施方式中，第二步骤S2中，多尺度神经网络每个分支的卷积、批标准化、激活函数激活、最大值池化以及特征融合由如下公式表示：

Concatenation＝[M₁ M₂ … M_N],

所述的方法的优选实施方式中，第三步骤S3中，所述多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示由如下公式表示：

h＝GRUs(Concatenation)，其中，GRUs表示深度门循环单元网络，h表示深度门循环单元网络输出的不同时间尺度的特征和表示，GRUs表示第一层门单元循环网络对所述多尺度特征的Concatenation进行处理，Concatenation即第二步骤S2中M₁ M₂ … M_N拼接后输出的融合结果，以及和第二层门单元循环网络对第一层门单元循环网络的输出进行的处理，提取得到不同时间尺度的特征和表示。

所述的方法的优选实施方式中，第四步骤S4中，基于所述特征构造全连接层，将特征映射到样本标记空间由如下公式表示：o＝f(Wh+b)，其中，o表示全连接层的结果，W表示变换矩阵，h表示第三步骤的不同时间尺度的特征和表示的结果，b表示偏置，f(·)表示ReLU激活函数。

所述的方法的优选实施方式中，第五步骤S5中，基于所述全连接层的输出结果构造线性回归层，获得刀具磨损量由如下公式表示：其中，表示第i个状态下的刀具磨损量，W表示变换矩阵，o_i表示第四步骤中的第i个状态下输出的全连接层结果。

所述的方法的优选实施方式中，多路传感器同时测量刀具的多通道信号。

为了进一步理解本发明，如图图1所示，方法包括以下步骤：

步骤1(S1)：首先定义带标签的输入矩阵可以表示为：

其中，N表示总共N个刀具状态，第i个刀具状态下对应的数据为x_i，此时的刀具磨损量为y_i。我们的基本目标就是将这些带标签的数据作为训练集，输入到模型中，由模型进行学习，优化损失函数，最终提高对刀具磨损预测的准确性。

x_i具体可以表示为：

其中，l表示将每个通道的数据分成l个部分，d＝q*(L/l)，R^d表示的维度，q为信号的通道数，L为每个状态下每个通道数据的总长度，(·)^T表示矩阵的转置。

步骤二(S2)中，基于上述训练数据的定义，可以构造多尺度卷积神经网络，其每个分支包含卷积、批标准化、激活、最大值池化以及特征融合五个部分。

卷积由如下公式表示：

其中，x_i为步骤一中第i个刀具状态下对应的数据，v_j表示第j个卷积核，b表示偏置，c_j表示卷积的结果，表示c_j的l个分量，表示逐点相乘，(·)^T表示矩阵的转置。

批标准化由如下公式表示：

其中，BN表示批标准化，bn_j表示批标准化的结果，(·)^T表示矩阵的转置。

激活函数由如下公式表示：

其中，f(·)表示ReLU激活函数，a_j表示激活函数激活结果，表示a_j的l个分量，(·)^T表示矩阵的转置。

最大值池化由如下公式表示：

其中，m_j为最大值池化的结果，maxpool(·)表示最大值池化，表示m_j的(l-k+2p)/s+1个分量，其中k表示一维最大值池化的长度，p表示填充量的大小，s表示池化的步长，(·)^T表示矩阵的转置。

上述卷积、批标准化、激活函数以及最大值池化四步操作执行两次，每次的卷积核尺寸不同，以提取不同尺度的特征。

特征融合由如下公式表示：

Concatenation＝[M₁ M₂ …M_N]

其中，Concaten表示融合的结果，M₁ M₂ … M_N表示Concatenation的N个分量，N表示多尺度卷积神经网络的N个分支。

步骤三(S3)中，考虑到卷积层无法准确提取时序信息，而循环神经网络具有很强的时序特征提取能力，同时，GRU网络在小数据量的训练集上能取得令人满意的效果，因此将上述步骤中提取的多尺度特征输入双层循环神经网络，得到不同时间尺度的特征和表示。第一层循环神经网络由如下公式表示：

h₀＝GRU(Concatenation)

其中，h₀表示第一层循环GRU网络输出的不同时间尺度的特征和表示，GRU表示第一层GRU网络对第二步骤的多尺度特征Concatenation进行处理。

第二层循环神经网络由如下公式表示：

h＝GRU(h₀)

其中，h表示第二层循环GRU网络输出的不同时间尺度的特征和表示，GRU表示第二层GRU网络对第一层GRU网络输出的特征h₀进行处理，最终提取得到不同时间尺度的特征和表示。

步骤四(S4)中，基于第三步骤中不同时间尺度的特征和表示，由全连接层将特征映射到样本标记空间，由如下公式表示：

o＝f(Wh+b)

其中，o表示全连接层的结果，W表示变换矩阵，h表示第三步骤的结果，b表示偏置，f(·)表示ReLU激活函数。全连接层中进行的特征映射能提升刀具磨损量的预测精度。

步骤五(S5)中，基于全连接层的输出结果，构造线性回归层，得到刀具磨损量的预测值，由如下公式表示：

其中，表示第i个状态下的刀具磨损预测量，W表示变换矩阵，该变换矩阵与步骤四的变换矩阵有所不同，o_i表示第四步骤中的第i个状态下的输出结果。最终得到刀具磨损的预测值，对刀具磨损进行监测。

本发明所述的方法的优选实施方式中，第一步骤S1中，构造了模型的输入矩阵，实现了多通道信号表示的公式化。

本发明所述的方法的优选实施方式中，第二步骤S2中，构造了多尺度卷积神经网络，克服传统神经网络对不同尺度特征的学习和利用不够完备的缺点。

本发明所述的方法的优选实施方式中，第三步骤S3中，利用循环神经网络对时序信息的提取能力以及GRU网络对小数据量训练集的适应性和稳定性，构造深度循环GRU神经网络，提取不同时间尺度的特征和表示。

本发明所述的方法的优选实施方式中，第四步骤S4中，通过全连接层，将网络学习到的特征映射到样本标记空间，保证刀具磨损量预测值的准确性。

本发明所述的方法的优选实施方式中，第五步骤S5中，针对全连接层的输出结果，通过线性回归层，实现刀具磨损量的准确预测。

参照图2，本发明实施例的刀具可靠性测试试验台及其测试设备示意图。该试验台主要包括友嘉FTC-20数控机床、数据采集系统、刀具、迈特MTOMZDH0670刀具磨损测量装置、工件以及传感器。信号通过索尼COCO80数据采集器采集，采样频率为32768Hz。

参照图3，本发明实施例使用的刀具以及正常工况下运行一段时间后的刀具磨损示意图。

参照图4，本发明实施例的模型示意图，输入矩阵输入模型，经过多尺度卷积神经网络的六个分支，每个分支中均经过两次的卷积、批标准化、激活函数后再进入最大值池化层。六个分支输出的特征图经过特征融合层进行多尺度融合，多尺度特征输入深度循环GRU神经网络提取不同时间尺度的特征和表示，最后经过全连接层和线性回归层，输出刀具磨损量的预测值。

参照图5、6、7，本发明实施例预测结果示意图。每张图代表一把刀在相应工况下的磨损过程。实线表示刀具磨损量预测值，虚线表示刀具磨损量实际值，柱状图表示预测值和实际值误差的绝对值。可以看到，刀具的预测值的趋势符合实际值的趋势，误差在可接受的范围之内，具备预测的可靠性。

参照图8，本发明实施例预测结果示意图。图中代表9把刀在相应工况下的磨损过程。实线表示刀具磨损量预测值，虚线表示刀具磨损量实际值，柱状图表示预测值和实际值误差的绝对值。可以看到，刀具的预测值的趋势符合实际值的趋势，误差在可接受的范围之内，具备预测的可靠性。

在本发明的一个实施方式中，一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法包括以下步骤：

第一步骤S1中，基于多路传感器信号对数据进行预处理，构造输入矩阵。

第二步骤S2中，构造多尺度卷积神经网络，获取多尺度特征。多尺度卷积神经网络的每个分支包含下列五个部分：卷积、批标准化，激活函数激活，最大值池化，以及特征融合。其中，首先由卷积层对第一步骤中的输入矩阵进行处理，随后对输出进行批标准化，再送到激活函数中进行激活，这里的激活函数选取ReLU激活函数，激活之后由最大值池化层进行最大值池化。卷积、批标准化、激活和最大值池化可以合称为一次操作，对输入矩阵进行两次上述的操作，其中两次的一维卷积核尺寸不同，随后对输出进行最大值池化处理。多尺度卷积神经网络的每个分支进行两次操作以及最大值池化处理之后，对每个分支的输出进行特征融合，最终获得多尺度特征。

第三步骤S3中，构造深度循环GRU网络，进一步学习和提取不同时间尺度的特征和表示。深度循环GRU网络由两层GRU网络组成，第二层GRU网络的单元数比第一层GRU网络的单元数多。第二步骤中的多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示。

第四步骤S4中，基于提取到的特征，构造全连接层，将特征映射到样本标记空间。

第五步骤S5中，基于全连接层的输出结果，构造线性回归层，获得刀具磨损预测量。

所述的方法的优选实施方式中可以有效地避免人为选择和设计特征，减少真实工况下带标签的数据量少、数据受噪声影响大等因素的影响，通过对多尺度以及不同时间尺度的特征和表示的学习，有效实现对刀具磨损情况的监测。

所述的方法的优选实施方式中，第一步骤S1中，带标签的输入矩阵可以表示为其中，N表示总共N个刀具状态，第i个刀具状态下对应的数据为x_i，此时的刀具磨损量为y_i。x_i具体可以表示为：

所述的方法的优选实施方式中，第二步骤S2中，多尺度神经网络每个分支的卷积、批标准化、激活、最大值池化以及特征融合由如下公式表示：

Concatenation＝[M₁ M₂ … M_N]

其中，x_i为步骤一中第i个刀具状态下对应的数据，v_j表示第j个卷积核，b表示偏置，c_j表示卷积的结果，表示c_j的l个分量，表示逐点相乘，BN表示批标准化，bn_j表示批标准化的结果，f(·)表示ReLU激活函数，a_j表示激活函数激活结果，表示a_j的l个分量，m_j为最大值池化的结果，maxpool(·)表示最大值池化，表示m_j的(l-k+2p)/s+1个分量，其中k表示一维最大值池化的长度，p表示填充量的大小，s表示池化的步长。Concatenation表示融合的结果，M₁ M₂ … M_N表示Concatenation的N个分量，N表示多尺度卷积神经网络的N个分支，(·)^T表示矩阵的转置；

所述的方法的优选实施方式中，第三步骤S3中，将第二步骤中的多尺度特征输入双层循环神经网络，得到不同时间尺度的特征和表示，由如下公式表示：

h＝GRUs(Concatenation)

其中，h表示深度循环GRU网络输出的不同时间尺度的特征和表示，GRUs表示两层GRU网络对第二步骤的多尺度特征Concatenation进行处理，最终提取得到不同时间尺度的特征和表示。

所述的方法的优选实施方式中，第四步骤S4中，基于第三步骤中不同时间尺度的特征和表示，由全连接层将特征映射到样本标记空间，由如下公式表示：

o＝f(Wh+b)

其中，o表示全连接层的结果，W表示变换矩阵，h表示第三步骤的结果，b表示偏置，f(·)表示ReLU激活函数。

所述的方法的优选实施方式中，第五步骤S5中，基于全连接层的输出结果，构造线性回归层，得到刀具磨损量的预测值，由如下公式表示：

其中，表示第i个状态下的刀具磨损预测量，W表示变换矩阵，o_i表示第四步骤中的第i个状态下的输出结果。

所述的方法的优选实施方式中，其中，采用数据采集系统获取x,y,z方向上三个通道的刀具振动信号，其中采样频率为32768Hz。

尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims

1.一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法，所述方法包括以下步骤：

第一步骤(S1)中，基于多路传感器测量的刀具数据预处理数据，构造输入矩阵；

第二步骤(S2)中，构造多尺度卷积神经网络，获取多尺度特征，多尺度卷积神经网络的每个分支包括卷积、批标准化、激活函数激活、最大值池化以及特征融合，其中，首先由卷积层对所述输入矩阵进行处理，随后对输出进行批标准化，再发送激活函数中进行激活，激活之后由最大值池化层进行最大值池化，多尺度卷积神经网络的每个分支基于最大值池化后的输出进行特征融合，最终获得多尺度特征；

第三步骤(S3)中，构造深度循环GRU网络以提取不同时间尺度的特征和表示，深度循环GRU网络包括第一层GRU网络和第二层GRU网络，第二层GRU网络的单元数比第一层GRU网络的单元数多，所述多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示；

第四步骤(S4)中，基于所述特征构造全连接层，将特征映射到样本标记空间；

第五步骤(S5)中，基于所述全连接层的输出结果构造线性回归层，获得刀具磨损量。

2.根据权利要求1所述的方法，优选的，其中，第一步骤(S1)中，基于刀具建立三维坐标系，多路传感器测量的刀具数据至少包括x,y,z方向上三个通道的刀具振动信号，其中采样频率为32768Hz。

3.根据权利要求1所述的方法，其中，第二步骤(S2)中，卷积、批标准化、激活合称为一次操作，对输入矩阵进行两次操作，其中两次的一维卷积核尺寸不同，多尺度卷积神经网络的每个分支进行两次操作以及最大值池化处理。

4.根据权利要求1所述的方法，其中，第二步骤(S2)中，激活函数为ReLU激活函数。

5.根据权利要求1所述的方法，其中，第一步骤(S1)中，输入矩阵为N表示总共N个刀具状态，第i个刀具状态下对应的数据为x_i，此时的刀具磨损量为y_i，x_i为：

6.根据权利要求1所述的方法，其中，第二步骤(S2)中，多尺度神经网络每个分支的卷积、批标准化、激活函数激活、最大值池化以及特征融合由如下公式表示：

Concatenation＝[M₁ M₂…M_N],

其中，x_i为第i个刀具状态下对应的数据，v_j表示第j个卷积核，b表示偏置，c_j表示卷积的结果，表示c_j的l个分量，表示逐点相乘，BN表示批标准化，bn_j表示批标准化的结果，f(·)表示ReLU激活函数，a_j表示激活函数激活结果，表示a_j的l个分量，m_j为最大值池化的结果，maxpool(·)表示最大值池化，表示m_j的(l-k+2p)/s+1个分量，其中k表示一维最大值池化的长度，p表示填充量的大小，s表示池化的步长,Concatenation表示融合的结果，M₁ M₂…M_N表示Concatenation的N个分量，N表示多尺度卷积神经网络的N个分支，T表示矩阵的转置。

7.根据权利要求6所述的方法，其中，第三步骤(S3)中，所述多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示由如下公式表示：

8.根据权利要求7所述的方法，其中，第四步骤(S4)中，基于所述特征构造全连接层，将特征映射到样本标记空间由如下公式表示：o＝f(Wh+b)，

其中，o表示全连接层的结果，W表示变换矩阵，h表示第三步骤的不同时间尺度的特征和表示的结果，b表示偏置，f(·)表示ReLU激活函数。

9.根据权利要求8所述的方法，其中，第五步骤(S5)中，基于所述全连接层的输出结果构造线性回归层，获得刀具磨损量由如下公式表示：其中，表示第i个状态下的刀具磨损量，W表示变换矩阵，o_i表示第四步骤中的第i个状态下输出的全连接层结果。

10.根据权利要求1所述的方法，其中，多路传感器同时测量刀具的多通道信号。