(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111191193.X (22)申请日 2021.10.13 (71)申请人 山东大学 地址 250199 山东省济南市历城区山大南 路27号 (72)发明人 江铭炎　李孝港　袁东风　 (74)专利代理 机构 济南金迪知识产权代理有限 公司 37219 代理人 杨树云 (51)Int.Cl. G06K 9/00(2022.01) G06V 10/28(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 30/27(2020.01) G06F 119/04(2020.01) (54)发明名称 一种基于半监督学习的振动信号和图像特 征机床刀具磨损状态监测方法 (57)摘要 本发明涉及一种半监督学习的振动信号和 图像特征机床刀具磨损状态监测方法， 包括： (1) 以精确匹配机床刀具磨损面积值为目标， 建立刀 具磨损图像到磨损面积的映射模型； (2)以振动 信号为基础， 建立判别模型， 输出刀具的可用寿 命； (3)融合两种判别结果， 融合决策， 实现精确 的机床刀具磨损状态预测。 本发 明相较于单一判 别手段， 可以得到更加精确的判别结果， 提高机 床刀具的寿命利用率， 同时本发 明针对不同类型 的机床和刀具有很好的适应性和鲁棒 性。 权利要求书3页 说明书9页 附图2页 CN 113919396 A 2022.01.11 CN 113919396 A 1.一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法,其特征在 于， 包括步骤如下： (1)建立刀具磨损图像和磨损面积的映射： 对刀具磨损图像依次进行灰度化、 去噪、 分 割、 二值化及开运算处理， 建立图像磨损区域像素 数量和磨损值大小的映射； (2)使用振动信号判断刀具的磨损状态： 包括： (2‑1)对振动信号进行 预处理； (2‑2)提取步骤(2 ‑1)预处理后的振动信号的特 征； (2‑3)进行特征选择； (2‑4)搭建网络模型； (3)通过步骤(1)得到刀具磨损图像预测结果， 通过步骤(2)得到振动信号预测结果， 融 合后输出最终结果。 2.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状 态监测方法,其特 征在于， 步骤(2 ‑2)中， 提取步骤(2 ‑1)预处理后的振动信号的特 征， 是指： 提取时域、 频域以及时频域共计30个特征； 30个特征包括最大值、 最小值、 峰值因子、 歪 度、 裕度、 波形因子、 脉冲因子、 偏度、 均值、 均方根、 方差、 峭度、 频域均值、 频域方差以及16 个4层小波包分解能量特 征。 3.根据权利要求2所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状 态监测方法,其特 征在于， 步骤(2 ‑3)中， 进行 特征选择， 是指： 计算提取的30个特征的皮尔逊相关系数， 根据皮尔逊相关系数的值的大小从高到低选 择10个相关性最大的特征作为训练样本数据和测试样本数据， X表示提取的特征， Y表示样 本的标签， 其中X＝[X1,X2,…,Xn],Y＝[Y1,Y2,…,Yn]， 则特征均值和标签均值表示为 标准差表示为 协方 差为 皮尔逊相关系数为 4.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状 态监测方法,其特 征在于， 步骤(2 ‑4)中， 搭建网络模型， 是指： 所述网络模型包括BP网络和Softmax分类器， BP网络包括输入层、 隐含层和输出层， 输 入层的维度设为10， 隐含层的维度设为20， 输出层的维度设为5， 使用Softmax分类器分为3 类。 5.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状 态监测方法,其特征在于， 通过步骤(1)得到刀具磨损图像预测结果， 通过步骤(2)得到振动 信号预测结果， 融合后输出最终结果， 具体实现过程包括： (3‑1)得到刀具磨损图像 检测的结果 根据步骤(1)， 获取机床刀具的磨损图像， 进行机床刀具的磨损图像依次进行灰度化、 去噪、 分割、 二值化及开运算处理， 得到精确的磨损区域， 再根据建立的图像磨损区域像素 数量和磨损值大小的映射关系， 输出机床刀具的磨损值； (3‑2)得到振动信号预测结果权　利　要　求　书 1/3 页 2 CN 113919396 A 2根据步骤(2)， 对振动信号依次进行预处理、 特征提取， 输入训练好的网络模型中， 输出 由振动信号得 出的机床刀具的磨损值； (3‑3)融合两种决策输出最终结果 根据步骤(3 ‑1)和步骤(3 ‑2)得到的判断决策， 建立决策融合方法， 输出融合之后的刀 具磨损值， 设由步骤(3 ‑1)刀具磨损图像经过映射之后得到的结果为R1， 步骤(3‑2)振动信 号和网络模型输出的结果为R2， 最终的输出结果表现为二者加权和形式， 权值设为α， α 的取 值范围为[0,1]， 则最终的输出 结果为R＝α R1+(1‑α )R2。 6.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状 态监测方法,其特征在于， 步骤(1)中， 建立图像磨损区域像素数量和磨损值大小的映射， 具 体是指： 根据二值化处理后得到的刀具磨损图像， 计算刀具的磨损面积的像素数量， 和测量得 到的磨损面积相对应， 建立映射关系； 刀具磨损图像中像素 数量和刀具的磨损面积呈正相关， 建立线性拟合关系； 设标签磨损面积值为y＝[y1,y2,…,yn]T， 像素数量为x＝[x1,x2,…,xn]T， 其中n为样本 的数量， 定义标签和像素 数量的关系为y＝a0+a1x， 构建方程组， 如式( Ⅰ)所示： 令 则方程组式( Ⅰ)写为A·b＝f； 对b进行求 解， 得到刀具磨损图像的像素值和磨损面积大小的映射关系。 7.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状 态监测方法,其特 征在于， 步骤(1)中， 灰度化处 理过程如下： 设定刀具磨损图像的分辨率为M ×N， 其中任意位置(i,j)处的三通道像素值分别为R (i,j)， G(i,j)和B(i,j)， 对刀具磨损图像进行灰度化操作之后， 单通道像素值为： 刀具磨损图像的灰度等级k∈[0,255]， 每一个灰度等级的像 素点数为hk。 8.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状 态监测方法,其特 征在于， 步骤(1)中， 去噪预处 理过程如下： 对于任意一个像素I(i,j)， 其邻域8个像素灰度值从大到小排序为{I0,I1,…,I7}， 则该 像素I(i,j)表示 为 9.根据权利要求1所述的一种基于半监督学习的振动信号和图像特征机床刀具磨损状 态监测方法,其特 征在于， 步骤(1)中， 分割处 理过程如下： 分割阈值T将去噪预处理后的刀具磨损图像分为目标和背景两部分， 属于目标的像素 点数记为N0， 属于背景的像素点 数记为N1， 属于目标的像素点 数占整幅刀具磨损图像的比例权　利　要　求　书 2/3 页 3 CN 113919396 A 3