1.一种拉削刀具磨损状态识别方法,其特征在于:包括以下步骤:步骤1、构建DSBiLSTM算法模型作为刀具磨损状态识别模型,所述DSBiLSTM算法模型包括依据DenseNet模型设计的DenseNet(3‑3)网络、两层堆叠的双向LSTM网络、全连接神经网络FNN和softmax层;
步骤2、在拉削刀具的刀盒上,沿着x,y,z三个方向粘附安装一组加速度传感器,实时采集拉削刀具在加工过程中的振动信号;
步骤3、选取实验刀具,对刀具进行拉削,收集拉削过程中原始的振动信号和对应的刀具磨损状态,对原始的振动信号进行小波变换去噪处理,将处理后的振动信号数据中的不平衡样本进行扩充并将各个磨损状态下的振动信号数据随机分为训练集、测试集和验证集;
步骤4、将步骤3中收集的训练集数据送入DSBiLSTM算法模型中的DenseNet(3‑3)网络和两层堆叠的双向LSTM网络中对模型进行训练,并提取空间和时间上的特征;
步骤5、将步骤4中提取的特征送入FNN层和softmax层,得到当前的拉削刀具处于不同磨损状态的概率;
步骤6、定义交叉熵损失函数作为模型的损失函数,使用Adam优化算法计算误差梯度,并通过反向传播更新网络参数,直到最大迭代次数或最小化损失函数值,然后在验证集上,判断模型是否发生过拟合,若发生过拟合则停止训练,反之,通过调整模型的超参数,评价模型的泛化能力,寻找模型的最优超参数;
步骤7、将步骤6中训练好的DSBiLSTM算法模型在测试集上进行识别,并通过评价指标对模型进行评价。
2.根据权利要求1所述的一种拉削刀具磨损状态识别方法,其特征在于所述DSBiLSTM算法模型具体的构建方法,包括如下步骤:步骤1.1、构造DenseNet(3‑3)网络:所述DenseNet(3‑3)网络主要由DenseBlock模块和Transition模块组成,其中DenseBlock包含卷积层和Batch Normalization层,两层的特征图大小相同,层与层之间采用密集连接方式,所述Transition模块连接两个相邻的DenseBlock模块,并且通过Convolution层和Pooling层使特征图大小降低,通过DenseNet(3‑3)网络提取空间信息特征后,保留高层并压缩特征;
步骤1.2、构造两层堆叠的双向LSTM网络:所述两层堆叠的双向LSTM网络中,每层双向LSTM包含两个方向的长短期记忆网络LSTM处理序列数据,且每层双向LSTM包含M个神经单元,通过DenseNet(3‑3)网络的特征输入到两层堆叠的双向LSTM网络中,得到包含时间信息的特征序列;
步骤1.3、构建全连接神经网络FNN和softmax层,将两层堆叠的双向LSTM网络的最后一个隐藏层函数输出送入全连接神经网络FNN,再经过softmax层对刀具的磨损状态分类。
3.根据权利要求2所述的一种拉削刀具磨损状态识别方法,其特征在于所述DenseNet(3‑3)网络、全连接神经网络FNN使用ReLU激活函数,所述两层堆叠的双向LSTM网络、全连接神经网络FNN之后均设置Dropout正则化。
4.根据权利要求2所述的一种拉削刀具磨损状态识别方法,其特征在于所述两层堆叠的双向LSTM网络之后接入全连接神经网络FNN,用于刀具磨损状态分类。
5.根据权利要求2所述的一种拉削刀具磨损状态识别方法,其特征在于所述步骤1.3中,为了提高分类识别率,全连接层之后引入Softmax层,并表示为:其中M表示类别的数量, 表示每个刀具磨损状态对应的概率, 在0到1区间之内,且
6.根据权利要求1所述的一种拉削刀具磨损状态识别方法,其特征在于所述刀具磨损状态根据刀具磨损状态值分为初期磨损、正常磨损和磨钝三个状态,针对不同的磨损状态,通过one‑hot方式对刀具磨损状态进行标签编码。
7.根据权利要求5所述的一种拉削刀具磨损状态识别方法,其特征在于所述模型的损失函数为:
其中L表示损失函数,N表示样本的数量,M表示类别的数量,yij表示指示变量,pij表示对于观测样本i属于类别j的预测概率。
8.根据权利要求1所述的一种拉削刀具磨损状态识别方法,其特征在于所述步骤4中,训练集信号送入DenseNet(3‑3)和两层堆叠的双向LSTM网络之前,需要对训练集信号数据进行最大‑最小归一化处理,以降低计算复杂度,处理公式如下:其中,x表示传感器的信号输入值,表示经过最小最大归一化处理后的信号输入值xmin表示信号中的最小值,xmax表示信号中的最大值。
9.根据权利要求1所述的一种拉削刀具磨损状态识别方法,其特征在于所述步骤7中,评价指标包括查准率、召回率、准确率以及F1‑score。
10.根据权利要求2所述的一种拉削刀具磨损状态识别方法,其特征在于所述两层堆叠的双向LSTM网络中,双向LSTM网络能够使用两个单独的隐藏层在两个方向处理序列数据,然后反馈到同一输出层,前进、后退过程中隐藏层函数hj的定义过程见如下公式(1)、公式(2)及公式(3):
其中,→表示前进的过程,←表示后退的过程,It是输入门、ft是遗忘门、ot是输出门、f f f
是LSTM单元的内部状态、 是输出状态,b、U 和W 分别是LSTM单元遗忘门的输入偏差、输I I I
入权重和循环权重,b 、U 和W分别是LSTM单元遗忘门的输入偏差、输入权重和循环权重,o o o
b、U 和W分别是LSTM单元输出门的输入偏差、输入权重和循环权重,b、U和W分别是LSTM单(t)
元中的输入单元的输入偏差、输入权重和循环权重,x 表示当前时刻的输入向量,j是输入(t‑1)
向量的数量,h 是前一时刻的输出,σ是Sigmoid函数,它将遗忘门设置为0到1之间的值,是最后一个隐藏层的输出。