科创中国

本发明提供了一种基于深度学习的数控机床刀具磨损监测方法，该方法能够摆脱对大量信号处理技术与诊断经验的依赖，实现刀具破损特征的自适应提取，具有监测诊断精度高，监测实时性强，适用性强等优点，可以快速准确的识别出不同加工条件下的各种刀具的磨损状态。为实现上述目的，本发明提出了一种基于深度学习的数控机床刀具磨损监测方法，其包括如下步骤：(1)采集数控机床主轴电机的三相电流信号，从该三相电流信号中截取与待监测刀具对应的电流信号，对该电流信号进行分段，以将其分成与M个加工工件的加工过程对应的M段电流信号，然后计算每段电流信号的均方根值；(2)对每段电流信号进行规整处理，使各段电流信号长度一致，然后将规整处理后的各段电流信号分别输入稀疏自动编码网络中进行训练，并将每次训练得到的最后一个编码矢量作为特征向量输出，共输出M个特征向量；(3)计算特征向量间的K值，并根据K值获得K值拟合曲线，根据该K值拟合曲线实现刀具磨损的监测。

本发明属于数控机床刀具磨损监测技术领域，并具体公开了一种基于深度学习的数控机床刀具磨损监测方法，包括如下步骤：采集数控机床主轴电机的三相电流信号，从三相电流信号中截取与待监测刀具对应的电流信号，对电流信号进行分段将其分成M段电流信号，然后计算每段电流信号的均方根值；对每段电流信号进行规整处理，将规整处后的各段电流信号输入稀疏自动编码网络中进行训练，并将每次训练得到的最后一个编码矢量作为特征向量输出；计算特征向量间的K值，并根据K值获得K值拟合曲线，根据K值拟合曲线实现刀具磨损的监测。本发明可快速准确的识别出不同加工条件下的各种刀具的磨损状态，具有监测诊断精度高，监测实时性强，适用性强等优点。

数控机床刀具磨损监测是指在产品加工过程中，计算机通过检测各类传感器信号变化，判断和预测刀具是否磨损。刀具磨损监测过程本质是一个模式识别过程，一个完整的刀具磨损监控系统由研究对象(刀具)、加工条件、传感器网络、信号处理、特征提取及模式识别等部分组成。

由于加工过程中刀具不可避免的磨损，会直接影响到机床的利用率和工件的质量，轻者造成加工工件质量下降，重者导致工件报废，在极端情况下甚至可能损坏某些机械零件。因此，在加工过程中，需要实时快速地检测出刀具的磨损状态。

经过几十年的发展，刀具的监测技术在广度和深度上都已经达到了一定的水平，但是到目前还没有一种能适用于不同的加工条件下并能监测各种刀具磨损的方法，现有的各种方法的适用范围都有限，还远没有达到自动化、智能化的要求，在实际应用方面还都存在着一定的局限性，例如存在监测实时性不够和漏报、误报的问题。

华中科技大学（Huazhong University of Science and Technology），简称华中大、华科大 ，位于湖北省武汉市，是中华人民共和国教育部直属的综合性研究型全国重点大学、位列国家“双一流”“985工程”“211工程”、入选“强基计划”“111计划”、卓越工程师教育培养计划、卓越医生教育培养计划、国家大学生创新性实验计划、国家级大学生创新创业训练计划、国家建设高水平大学公派研究生项目、国家级新工科研究与实践项目、基础学科拔尖学生培养计划2.0，是学位授权自主审核单位、全国深化创新创业教育改革示范高校、一流网络安全学院建设示范项目高校、中国政府奖学金来华留学生接收院校、教育部来华留学示范基地，为中欧工程教育平台成员和医学“双一流”建设联盟 、国际应用科技开发协作网 、全球能源互联网大学联盟成员

本发明的优势在于摆脱了对大量信号处理技术与诊断经验的依赖，能够无监督并自适应地提取出隐藏于刀具状态所对应的信号内部的高层特征，监测系统可靠性和鲁棒性较高，在监测复杂刀具工况的情况下，本发明方法具有更高的效率以及更少的人工干扰度，通过提高和完善智能化监测系统的自学习、自组织、自适应、自我决策以及自我诊断的能力，能准确快速的实现刀具磨损状态的监测，能很好地满足实际生产的需要。

本专利成果采用技术转让，技术入股，技术合作等成果转化方式，希望进一步实现该专利的有益效果，有兴趣皆可面议。