本发明涉及数控机床，尤其涉及一种基于深度学习的数控机床刀具磨损监测方法。
背景技术：
1、在数控机床加工过程中，刀具磨损是影响加工质量和效率的关键因素之一。传统的刀具磨损监测方法主要依赖人工定期检测或间接测量，存在实时性差、精度低等问题。为了实现刀具磨损的在线实时监测，提出了一种基于深度学习的数控机床刀具磨损监测方法。该方法拟通过机床主轴上的视觉传感器实时采集刀具图像数据，并利用预训练的深度学习模型对图像数据进行分析，实现刀具磨损状态的在线识别与量化表征。
2、然而，在实际应用中，由于数控机床加工环境的复杂性和多变性，刀具图像的成像质量难以保证，存在畸变、遮挡、光照变化等因素的干扰，导致图像数据的特征提取和分析面临诸多挑战。同时，受限于机床内部安装空间，视觉传感器的成像视角和分辨率难以满足精确刀具磨损分析的需求。此外，在复杂加工工况下，单一视觉传感器获取的刀具图像数据可能信息不足，难以全面反映刀具磨损的多个特征。因此，亟需研究开发一种鲁棒性强、精度高的刀具图像数据采集与分析方法，以提升深度学习模型的刀具磨损识别性能，实现数控机床刀具磨损的可靠在线监测。
技术实现思路
1、要解决的技术问题
2、有鉴于此，本说明书实施例提供一种鲁棒性强、精度高的基于深度学习的数控机床刀具磨损监测方法。
3、技术方案
4、为解决所述技术问题，本发明提供如下技术方案：一种基于深度学习的数控机床刀具磨损监测方法，包括以下步骤：s1基于多个视觉传感器获取刀具图像数据；s2基于图像预处理技术对刀具图像数据进行预处理，获得预处理数据集；s3基于卷积神经网络模型构建刀具磨损识别模型，将预处理数据集输入至刀具磨损识别模型中进行计算，生成融合后的刀具磨损特征；s4对融合后的刀具磨损特征进行分类和回归分析，生成刀具磨损监测结果。
5、在一些实施例中，步骤s1中，多个视觉传感器安装于机床主轴上，多个视觉传感器的监测角度不同，基于不同的视觉传感器获取不同视觉和光照条件下的刀具图像数据。
6、在一些实施例中，步骤s2中，对刀具图像数据转化为灰度图像；基于自适应中值滤波算法对灰度图像依次进行去噪处理、平滑图像以及消除椒盐噪声，得到去噪后的图像；对去噪后的图像进行直方图均衡化处理，生成均衡化图像；通过透视变换对均衡化图像进行几何校正，生成校正图像；构建多尺度gabor滤波器组，基于多尺度gabor滤波器组对校正图像中磨损区域的纹理特征进行提取，获得gabor纹理特征图；对gabor纹理特征图进行二值化处理，并采用otsu阈值分割算法自适应确定二值化阈值，分割出磨损区域，生成预处理数据集。
7、在一些实施例中，校正图像的形成过程包括：获取均衡化图像中刀具区域的像素坐标信息；根据像素坐标信息，确定透视变换的四个角点坐标；根据四个角点坐标，建立透视变换矩阵；采用透视变换矩阵对均衡化图像进行几何变换，消除图像中的透视畸变；对透视变换后的图像进行畸变校正，消除图像中的镜头畸变；通过对畸变校正后的图像进行边缘提取，获取刀具的轮廓信息；根据刀具的轮廓信息，得到校正图像。
8、在一些实施例中，步骤s3中的刀具磨损识别模型，通过预处理数据集合获取刀具的磨损检测数据，对磨损检测数据进行数据清洗和特征提取，构建机器学习模型训练数据集；构建卷积神经网络模型，通过机器学习模型训练数据集对卷积神经网络模型进行训练，获得刀具磨损识别模型。
9、在一些实施例中，步骤s3中的刀具磨损特征，通过特征级联方法获取预处理数据集的初步特征表示；针对特征表示，采用权重优化算法确定各个特征表示的权重系数，得到优化后的特征表示；将优化后的特征表示输入至刀具磨损识别模型中，通过刀具磨损识别模型获得刀具磨损的深层特征；基于刀具磨损的深层特征生成融合后的刀具磨损特征。
10、在一些实施例中，采用支持向量机算法对刀具磨损的深层特征中的刀具磨损程度进行分类，若分类结果满足预设阈值，则将深层特征作为最终的刀具磨损特征。
11、在一些实施例中，步骤s3中，获取刀具磨损检测数据集，采用预设的特征提取算法提取磨损特征，构建初始刀具磨损识别模型；针对新增的磨损检测数据，利用增量学习策略提取特征，与初始刀具磨损识别模型融合，更新初始刀具磨损识别模型的参数；若模型精度未达到预设阈值，则继续增量学习；根据更新后的模型检测刀具磨损状态，判断是否需要维护；若模型检测结果未达到预设可靠性阈值，则对模型调优；定期更新模型。
12、在一些实施例中，步骤s4中：获取至少包括振动、声发射和电流信号在内的多源传感信号，对多源传感信号进行预处理，提取多源传感信号的时频域特征；基于多源传感信号的时频域特征构建分类回归一体化的深度学习模型；深度学习模型包括分类头和回归头；基于分类头对融合后的刀具磨损特征进行分类，生成刀具磨损状态；基于回归头对融合后的刀具磨损特征的刀具磨损程度进行量化，生成量化结果。
13、有益效果
14、 与现有技术相比，本发明具有如下优点和技术效果：本发明通过在机床主轴上安装多个视觉传感器，获取不同视角和光照条件下的刀具图像数据，并进行图像预处理，设计针对性的图像特征提取算法，构建多视角、多尺度的刀具磨损特征融合模型，结合深度学习算法，自动提取刀具磨损的深层特征，实现刀具磨损状态的在线识别和量化表征。本发明提高了刀具磨损识别的精度、鲁棒性和稳定性，减少了模型训练所需的标注数据，具有良好的泛化能力和适应性，可有效指导数控机床的刀具维护与更换。
1.一种基于深度学习的数控机床刀具磨损监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述步骤s1中，多个所述视觉传感器安装于机床主轴上，多个所述视觉传感器的监测角度不同，基于不同的所述视觉传感器获取不同视觉和光照条件下的所述刀具图像数据。
3.根据权利要求1所述的一种基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述步骤s2中，对所述刀具图像数据转化为灰度图像；基于自适应中值滤波算法对所述灰度图像依次进行去噪处理、平滑图像以及消除椒盐噪声，得到去噪后的图像；对去噪后的图像进行直方图均衡化处理，生成均衡化图像；通过透视变换对所述均衡化图像进行几何校正，生成校正图像；构建多尺度gabor滤波器组，基于所述多尺度gabor滤波器组对所述校正图像中磨损区域的纹理特征进行提取，获得gabor纹理特征图；对所述gabor纹理特征图进行二值化处理，并采用otsu阈值分割算法自适应确定二值化阈值，分割出磨损区域，生成所述预处理数据集。
4.根据权利要求3所述的一种基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述校正图像的形成过程包括：获取所述均衡化图像中刀具区域的像素坐标信息；根据所述像素坐标信息，确定透视变换的四个角点坐标；根据四个所述角点坐标，建立透视变换矩阵；采用所述透视变换矩阵对所述均衡化图像进行几何变换，消除图像中的透视畸变；对透视变换后的图像进行畸变校正，消除图像中的镜头畸变；通过对畸变校正后的图像进行边缘提取，获取刀具的轮廓信息；根据所述刀具的轮廓信息，得到所述校正图像。
5.根据权利要求1所述的一种基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述步骤s3中的所述刀具磨损识别模型，通过所述预处理数据集合获取刀具的磨损检测数据，对所述磨损检测数据进行数据清洗和特征提取，构建机器学习模型训练数据集；构建所述卷积神经网络模型，通过所述机器学习模型训练数据集对所述卷积神经网络模型进行训练，获得所述刀具磨损识别模型。
6.根据权利要求1所述的一种基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述步骤s3中的所述刀具磨损特征，通过特征级联方法获取所述预处理数据集的初步特征表示；针对所述特征表示，采用权重优化算法确定各个所述特征表示的权重系数，得到优化后的所述特征表示；将优化后的所述特征表示输入至所述刀具磨损识别模型中，通过所述刀具磨损识别模型训练获得刀具磨损的深层特征；基于所述刀具磨损的深层特征生成融合后的所述刀具磨损特征。
7.根据权利要求6所述的一种基于深度学习的数控机床刀具磨损监测方法，其特征在于，采用支持向量机算法对所述刀具磨损的深层特征中的刀具磨损程度进行分类，若分类结果满足预设阈值，则将所述深层特征作为最终的所述刀具磨损特征。
8.根据权利要求1所述的一种基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述步骤s3中，获取刀具磨损检测数据集，采用预设的特征提取算法提取磨损特征，构建初始所述刀具磨损识别模型；针对新增的磨损检测数据，利用增量学习策略提取特征，与初始所述刀具磨损识别模型融合，更新初始所述刀具磨损识别模型的参数；若模型精度未达到预设阈值，则继续增量学习；根据更新后的模型检测刀具磨损状态，判断是否需要维护；若模型检测结果未达到预设可靠性阈值，则对模型调优；定期更新模型。
9.根据权利要求1所述的一种基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述步骤s4中：获取至少包括振动、声发射和电流信号在内的多源传感信号，对所述多源传感信号进行预处理，提取所述多源传感信号的时频域特征；基于所述多源传感信号的时频域特征构建分类回归一体化的深度学习模型；所述深度学习模型包括分类头和回归头；基于所述分类头对融合后的所述刀具磨损特征进行分类，生成刀具磨损状态；基于所述回归头对融合后的所述刀具磨损特征的刀具磨损程度进行量化，生成量化结果。
