CN113378725A - 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 - Google Patents

Abstract

本发明涉及一种基于多尺度‑通道注意力网络的刀具故障诊断方法、设备及存储介质，包括：(1)数据采集；(2)数据预处理；(3)构建多尺度‑通道注意力网络模型；(4)训练；(5)测试。本发明采用多尺度‑通道注意力网络进行刀具磨损故障诊断，在多尺度网络的残差连接中引入通道注意力机制，从而将机床主轴三个方向振动信号对刀具磨损状态分类任务的不同重要程度映射至特征学习的过程中，使得数据更好地融合。

Description

一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备 及存储介质

技术领域

本发明涉及智能制造产品质量管控领域，特别涉及一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质。

背景技术

数控机床作为“工业母机”，在生产加工过程中应用非常广泛。刀具作为数控机床的切削工具，其实时健康状态直接影响着机床的加工效率和产品质量。刀具与工件直接接触并相互作用，在刀具高速切削的过程中，会产生不可避免的磨损损伤，对刀具磨损状态的精准监测有助于避免因刀具失效导致的产品质量问题。

现阶段，在实际工业现场仍使用人工检测的方法，这种检测方法耗时耗力，并且存在由作业人员自身原因而引起的误差。随着制造业由自动化向智能化转型，人工智能技术与制造业深度融合成为关键。我们希望在故障诊断方法中导入深度学习，取代传统人工直接接触的检测方法，从而实现刀具精准的故障诊断。

一般的智能化检测过程为采集监测信号(例如切削力信号、振动信号、声发射信号、主轴电流信号等)，并分析这些信号与刀具磨损状态之间的映射关系。目前，已经有大量国内外学者开展了此类研究。Hu等提出了一种多尺度网络(Multiscale Network，MSNet)，该网络包含一个三分支结构，每个分支具有不同的卷积层深度，从而可以提取一维振动信号不同层次的特征，并通过全连接合并这些特征。李鹏等使用一维卷积网络对加工过程中机床主轴和工作台的振动与声发射信号进行初步特征提取，之后将信号特征输入长短时记忆网络进行分析，最后得出刀具磨损状态的评估结果，分类准确率达到93.8％。Hsieh等使用快速傅里叶变换将振动时域信号转换为频域信号，并通过类均值散射准则提取频域特征，将特征输入单层的卷积神经网络，对刀具磨损状态进行分类，根据实验结果，发现Z方向振动信号与X方向或Y方向振动信号的组合可以得到更好的分类结果。为了优化模型的梯度传播，文章在具有相同特征尺度寸的卷积层之间加入残差连接。然而，上述方法存在以下问题：(1)受限于数据集的有效且单一，只能将单通道振动信号转换为单通道图像，单通道包含的特征匮乏，可能会对刀具故障分类精度有所影响；(2)受限于特征提取与特征分析分步完成，模型的自学习能力弱，最终的刀具故障诊断的准确率低；(3)受限于模型结构简单，没有使用有效的数据融合方法，导致不同方向的振动信号特征融合效果差，无法有效地提取数据特征。

发明内容

针对以上存在的问题，本发明提出了一种基于多尺度-通道注意力网络的刀具故障诊断方法。

本发明通过刀具磨损试验平台，采集了符合实际工业生产现场的机床主轴振动信号与刀具磨损值，振动信号包含X、Y、Z三个方向。基于特征融合的思路，将X、Y、Z三个方向的振动信号进行拼接，构成三通道的多通道特征图。

本发明采用卷积神经网络提取特征图的特征并进行分类任务，卷积神经网络具有出色的自适应特征学习能力，可以很好地挖掘数据的潜在特征。

在本发明中，为了将机床主轴三个方向振动信号对刀具磨损状态分类任务的不同重要程度映射至特征学习的过程中，使得数据更好地融合，对多尺度网络做出改进，将通道注意力引入多尺度网络。

本发明还提供了一种计算机设备及存储介质。

本发明的技术方案为：

一种基于多尺度-通道注意力网络的刀具故障诊断方法，包括步骤如下：

(1)数据采集：

分别采集机床主轴X、Y、Z三个轴的振动信号与每一次走刀后的刀具磨损值，其中，机床主轴X、Y、Z三个轴所处的主轴坐标系根据右手笛卡尔直角坐标系建立；

(2)数据预处理：

根据刀具磨损值进行刀具磨损阶段分类，以分类结果作为标签，将振动信号进行分类；

将机床主轴X、Y、Z三个轴的振动信号按照时间顺序分段为长度为n²的切片，之后将机床主轴X、Y、Z三个轴的切片进行拼接，构建为n×n×3的三通道输入特征图，其中，n为振动信号切片转换为特征图时，特征图的高或宽；

数据预处理后的数据中选取训练集、验证集和测试集；

(3)构建多尺度-通道注意力网络模型：

所述多尺度-通道注意力网络模型包括输入层、三个分支、全连接层；

三个分支包括第一分支、第二分支、第三分支，第一分支包括5个卷积层；第二分支包括2个卷积层；第三分支包括1个卷积层；

在第一分支的第二个卷积层与第二分支的第一个卷积层、在第一分支的第四个卷积层与第二分支的第二个卷积层、在第二分支的第一个卷积层与第三分支的第一个卷积层之间均设置有残差连接，残差加和结果分别输入卷积层第一分支的第三个卷积层、第二分支的第四个卷积层、第二分支的第二个卷积层；

第二分支的第一个卷积层的输出特征图、第二分支的第二个卷积层的输出特征图及第三分支的第一个卷积层的输出特征图做残差连接之前输入通道注意力模块。

(4)训练：将训练集输入多尺度-通道注意力网络模型进行训练，在训练的同时记录每一次训练周期的训练集准确率与损失函数；

(5)测试：将测试集输入训练好的多尺度-通道注意力网络模型，输出测试集数据对应的刀具磨损阶段。

根据本发明优选的，数据预处理后的数据的80％作为训练集，20％作为测试集，训练集中的80％用作训练，训练集中的20％作为验证集。

进一步优选的，三个分支包括第一分支、第二分支、第三分支的数学表达式分别如式(I)、式(Ⅱ)、式(Ⅲ)所示：

式(I)、式(Ⅱ)、式(Ⅲ)中，i₁＝1,2,…5，i₂＝1,2，i₃＝1；

是指第一分支的第i₁个卷积层的输出特征图，

是指第一分支的第i₁个卷积层，

是指第一分支的第i₁-1个卷积层的输出特征图；

是指第二分支的第i₂个卷积层的输出特征图，

是指第二分支的第i₂个卷积层，

是指第二分支的第i₂-1个卷积层的输出特征图；

是指第三分支的第i₃个卷积层的输出特征图，

是指第三分支的第i₃个卷积层，

是指第三分支的第i₃-1个卷积层的输出特征图。

进一步优选的，每个卷积层的卷积核为3×3，每个卷积层之后加一个ReLU非线性激活函数。

进一步优选的，第一分支的5个卷积层的输出特征图尺度分别为64×64×3，32×32×3，16×16×3，8×8×3，4×4×3；第二分支的2个卷积层的输出特征图尺度分别为32×32×3，8×8×3；第三分支的1个卷积层的输出特征图尺度为32×32×3。

进一步优选的，通道注意力模块分别采用全局平均池化操作与全局最大池化操作获取全局感受野，再将它们分别输入一个两层的神经网络，第一层神经元个数为1，激活函数为ReLU，第二层神经元个数为3，这个两层的神经网络是共享的，之后将它们进行相加生成通道权重，最后通过归一化层将通道权重归一化至(0,1)之间。

进一步优选的，浅层分支卷积层的输出特征图包括第二分支的第一个卷积层的输出特征图、第二分支的第二个卷积层的输出特征图及第三分支的第一个卷积层的输出特征图输入特征注意力模块，经过池化操作得到通道权重，之后通道权重与原始输出特征图进行相乘，将通道权重映射到浅层分支卷积层的输出特征图上，带有通道权重的特征图与深层分支卷积层包括第一分支的第二个卷积层、在第一分支的第四个卷积层、在第二分支的第一个卷积层的输出特征图进行残差连接，输入深层分支卷积层的下一个卷积层。

根据本发明优选的，步骤(1)中，采用型号为KS903的振动传感器采集机床主轴X、Y、Z三个轴的振动信号，采样频率为10240Hz；采用19JC数字式万能工具显微镜采集刀具磨损值。

根据本发明优选的，步骤(2)中，根据刀具磨损值进行刀具磨损阶段分类，以分类结果作为标签，将振动信号进行分类；具体是指：

绘制刀具全生命周期副后刀面最大磨损值的曲线图，与机床主轴X轴的全生命周期振动信号的时域图；其中，最大磨损值的曲线图的横坐标为走刀次数，纵坐标为最大磨损值大小；振动信号的时域图的横坐标为时间，纵坐标为振动信号幅值；

根据最大磨损值曲线斜率变化将振动信号分为三类，最大磨损值曲线斜率不大于0.01时，对应的振动信号处于快速初始磨损阶段，最大磨损值曲线斜率在0.01至0.3之间时，对应的振动信号处于稳态磨损阶段，最大磨损值曲线斜率不小于0.3时，对应的振动信号处于急速磨损阶段；

根据本发明优选的，步骤(4)中，使用交叉熵函数L作为损失函数，如式(Ⅳ)所示：

式(Ⅳ)中，y_i表示真实值，

表示预测值，N为样本数量。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于多尺度-通道注意力网络的刀具故障诊断方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于多尺度-通道注意力网络的刀具故障诊断方法的步骤。

本发明的有益效果为：

1.本发明根据机床主轴振动信号与刀具磨损状态的映射关系，采用卷积神经网络对刀具故障进行诊断。

2.本发明基于特征融合的思路，三个方向的振动信号作为输入特征图的三个通道，将机床主轴三个轴的振动信号进行拼接，之后输入卷积神经网络。

3.本发明为了使三个方向的振动信号更有效地进行融合，将通道注意力机制引入多尺度卷积神经网络，利用通道之间的相互依赖性，将三个方向的振动信号对刀具状态分类的不同重要程度映射至特征学习的过程中。

附图说明

图1(a)为刀具全生命周期副后刀面最大磨损值曲线图；

图1(b)为机床主轴X方向的全生命周期振动信号时域图；

图2为多尺度-通道注意力网络模型的结构示意图；

图3(a)为多尺度-通道注意力网络模型训练过程的准确率曲线图；

图3(b)为多尺度-通道注意力网络模型训练过程的损失函数曲线图；

图4为混淆矩阵示意图；

具体实施方式

下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。

实施例1

一种基于多尺度-通道注意力网络的刀具故障诊断方法，包括步骤如下：

(1)数据采集：

为了采集符合实际工业生产场景的真实数据，本发明设计了刀具磨损试验平台。利用刀具磨损试验平台，分别采集机床主轴X、Y、Z三个轴的振动信号与每一次走刀后的刀具磨损值，其中，机床主轴X、Y、Z三个轴所处的主轴坐标系根据右手笛卡尔直角坐标系建立；

(2)数据预处理：

刀具磨损值曲线的斜率反映了当前阶段刀具磨损的程度，本发明根据刀具磨损值进行刀具磨损阶段分类，以分类结果作为标签，将振动信号进行分类；

将机床主轴X、Y、Z三个轴的振动信号按照时间顺序分段为长度为n²的切片，之后将机床主轴X、Y、Z三个轴的切片进行拼接，构建为n×n×3的三通道输入特征图，其中，n为振动信号切片转换为特征图时，特征图的高或宽；该数字为人为定义大小；

数据预处理后的数据的80％作为训练集，20％作为测试集，训练集中的80％用作训练，训练集中的20％作为验证集。

(3)构建多尺度-通道注意力网络模型：

多尺度网络包含三个分支，不同分支的卷积层深度不同，较深的网络分支可以提取到更多的局部信息，较浅的网络分支可以提取到更多的局部信息，最后在全连接层将不同层次的特征进行特征融合。多尺度网络在不同分支且具有相同输出特征图尺度的卷积层之间设置残差连接，这样帮助网络梯度传输，提升网络的性能。

在较浅的网络分支的卷积层做残差连接之前，将卷积层的输出特征图输入通道注意力模块，通过池化操作，捕捉X、Y、Z三个方向振动信号的相关性，得到通道注意力权重，之后通道权重与输出特征图进行像素点相乘，将通道权重应设置特征图上。带有通道注意力权重的特征图与较深网络分支的卷积层的输出特征图做残差连接，从而将三个方向的不同重要程度映射至特征学习的过程中。

如图2所示，多尺度-通道注意力网络模型包括输入层、三个分支、全连接层；

三个分支包括第一分支、第二分支、第三分支，第一分支包括5个卷积层；第二分支包括2个卷积层；第三分支包括1个卷积层；

在不同分支、具有相同输出特征图尺度的卷积层之间实现恒等映射，将浅层卷积网络分支的特征图与深层卷积网络分支的特征图做残差连接，之后输入深层卷积网络分支的下一层卷积层。在第一分支的第二个卷积层与第二分支的第一个卷积层、在第一分支的第四个卷积层与第二分支的第二个卷积层、在第二分支的第一个卷积层与第三分支的第一个卷积层之间均设置有残差连接，残差加和结果分别输入卷积层第一分支的第三个卷积层、第二分支的第四个卷积层、第二分支的第二个卷积层；残差连接可以在前向过程中帮助网络中的特征进行恒等映射，当浅层网络的输出已经达到最优时，特征直接传递到深层网络；在反向过程中帮助传导梯度，让更深的模型能够成功训练，提高网络的性能。

在浅层分支卷积层的输出特征图做残差连接之前输入通道注意力模块，第二分支的第一个卷积层的输出特征图、第二分支的第二个卷积层的输出特征图及第三分支的第一个卷积层的输出特征图做残差连接之前输入通道注意力模块。

三个分支包括第一分支、第二分支、第三分支的数学表达式分别如式(I)、式(Ⅱ)、式(Ⅲ)所示：

式(I)、式(Ⅱ)、式(Ⅲ)中，i₁＝1,2,…5，i₂＝1,2，i₃＝1；

是指第一分支的第i₁个卷积层的输出特征图，

是指第一分支的第i₁个卷积层，

是指第一分支的第i₁-1个卷积层的输出特征图；

是指第二分支的第i₂个卷积层的输出特征图，

是指第二分支的第i₂个卷积层，

是指第二分支的第i₂-1个卷积层的输出特征图；

是指第三分支的第i₃个卷积层的输出特征图，

是指第三分支的第i₃个卷积层，

是指第三分支的第i₃-1个卷积层的输出特征图。

每个卷积层的卷积核为3×3，每个卷积层之后加一个ReLU非线性激活函数。

第一分支的5个卷积层的输出特征图尺度分别为64×64×3，32×32×3，16×16×3，8×8×3，4×4×3；第二分支的2个卷积层的输出特征图尺度分别为32×32×3，8×8×3；第三分支的1个卷积层的输出特征图尺度为32×32×3。

通道注意力模块分别采用全局平均池化操作与全局最大池化操作获取全局感受野，再将它们分别输入一个两层的神经网络，第一层神经元个数为1，激活函数为ReLU，第二层神经元个数为3，这个两层的神经网络是共享的，之后将它们进行相加生成通道权重，最后通过归一化层将通道权重归一化至(0,1)之间。

在浅层分支卷积层的输出特征图做残差连接之前输入通道注意力模块，利用通道之间的相互依赖性，捕捉X、Y、Z三个方向振动信号的相关性，从而可以将三个方向的不同重要程度通过通道注意力学习的方式映射至特征提取的过程中。浅层分支卷积层的输出特征图包括第二分支的第一个卷积层的输出特征图、第二分支的第二个卷积层的输出特征图及第三分支的第一个卷积层的输出特征图输入特征注意力模块，经过池化操作得到通道权重，之后通道权重与原始输出特征图进行相乘，将通道权重映射到浅层分支卷积层的输出特征图上，带有通道权重的特征图与深层分支卷积层包括第一分支的第二个卷积层、在第一分支的第四个卷积层、在第二分支的第一个卷积层的输出特征图进行残差连接，输入深层分支卷积层的下一个卷积层。

以卷积层输出特征图

和

为例：

表示第一分支的第三个卷积层的输入，A表示通道注意力模块，

表示第一分支的第二个卷积层的输出特征图，

表示第二分支的第一个卷积层的输出特征图。通过高效通道注意力模块，提升影响因素较强的通道特征权重，而抑制影响因素较弱的通道特征权重。

(4)训练：将训练集输入多尺度-通道注意力网络模型进行训练，在训练的同时记录每一次训练周期的训练集准确率与损失函数；

(5)测试：将测试集输入训练好的多尺度-通道注意力网络模型，输出测试集数据对应的刀具磨损阶段。记录测试集每一种类别的准确率，并绘制混淆矩阵。采用准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数(F1 Score)四个指标说明网络的性能。

实施例2

根据实施例1所述的一种基于多尺度-通道注意力网络的刀具故障诊断方法，其区别在于：

步骤(1)中，采用型号为KS903的振动传感器采集机床主轴X、Y、Z三个轴的振动信号，采样频率为10240Hz；采用19JC数字式万能工具显微镜采集刀具磨损值。数据采集在刀具磨损试验平台进行，工件切削过程在数控机床立式加工中心(VDF-850)完成，刀具为直径10mm的三刃立铣刀，切削工件为45号钢圆柱形工件。数控机床数控机床主轴转速为2000r/min，进给速度为764mm/min。铣削深度和宽度分别为2mm和5mm。为了加速刀具磨损，采用无切削液的干切削方式。铣刀的加工总长度在110米左右，使刀具达到严重磨损的程度，并且有小面积的铣屑。每把刀具采集35-47组试验数据，每组铣削过程耗时4分17秒。同时，在每组切削完成之后，采用19JC数字式万能工具显微镜采集刀具磨损值，采用副后刀面最大磨损宽度VB_max作为刀具磨损阶段的分类标签。

步骤(2)中，根据刀具磨损值进行刀具磨损阶段分类，以分类结果作为标签，将振动信号进行分类；具体是指：

绘制刀具全生命周期副后刀面最大磨损值的曲线图，与机床主轴X轴的全生命周期振动信号的时域图；其中，最大磨损值的曲线图的横坐标为走刀次数，纵坐标为最大磨损值大小；振动信号的时域图的横坐标为时间，纵坐标为振动信号幅值；

根据最大磨损值曲线斜率变化将振动信号分为三类，最大磨损值曲线斜率不大于0.01时，对应的振动信号处于快速初始磨损阶段，最大磨损值曲线斜率在0.01至0.3之间时，对应的振动信号处于稳态磨损阶段，最大磨损值曲线斜率不小于0.3时，对应的振动信号处于急速磨损阶段；

根据最大磨损值曲线斜率变化将振动信号分为三类，分别对应三个不同的刀具磨损阶段：快速初始磨损阶段、稳态磨损阶段和急速磨损阶段。刀具全生命周期最大磨损值如图1(a)所示。由图1(a)可以看出，刀具在1-5次走刀阶段的磨损较快，此阶段磨损曲线斜率较大。在6-41次走刀阶段，磨损值均匀增长，直到达到极限值，此阶段为刀具的有效工作时间。在42-47次走刀阶段，刀具磨损值急速上升并导致刀具失效，此阶段的磨损曲线斜率急速增大。虽然在图1(a)中初始磨损阶段不是很明显，但在图1(b)的振动信号时域图中，初始阶段振动信号的幅值较大，产生这种现象的原因是新刀表面粗糙不平，接触应力较大，同时，新刀有脱碳、氧化层引起的表面缺陷。根据以上分析，将振动信号分为三个阶段。

在振动信号输入多尺度-通道注意力网络模型之前，将振动信号按照信号的时间顺序分段为长度为64²的切片，之后将X、Y、Z三个方向的振动信号切片作为输入特征图的三个通道进行拼接。假设有X、Y、Z方向的三个同时段的信号切片，

将切片构建为64×64×3的输入特征图输入多尺度-通道注意力网络模型。

步骤(4)中，训练的迭代次数设置为100次，使用交叉熵函数L作为损失函数，如式(Ⅳ)所示：

式(Ⅳ)中，y_i表示真实值，

表示预测值，N为样本数量。

训练过程中记录每一次训练周期的训练集与验证集的准确率与损失函数值。训练过程结束后保存最优的验证模型做测试，并绘制训练集准确率曲线与训练过程损失函数曲线，图3(a)为多尺度-通道注意力网络模型训练过程的准确率曲线图；图3(b)为多尺度-通道注意力网络模型训练过程的损失函数曲线图；

记录测试集每一种类别的准确率，并绘制混淆矩阵，图4为混淆矩阵示意图；表1为多尺度-通道注意力网络模型的四种评价指标表。包括准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数(F1 Score)四个指标说明多尺度-通道注意力网络模型的性能，

表1

从表1可知，准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数(F1Score)四个指标都较高，说明多尺度-通道注意力网络模型性能较优。

实施例3

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现实施例1或2所述的基于多尺度-通道注意力网络的刀具故障诊断方法的步骤。

实施例4

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1或2所述的基于多尺度-通道注意力网络的刀具故障诊断方法的步骤。

Claims (10)

1.基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，包括步骤如下：

(1)数据采集：

分别采集机床主轴X、Y、Z三个轴的振动信号与每一次走刀后的刀具磨损值，其中，机床主轴X、Y、Z三个轴所处的主轴坐标系根据右手笛卡尔直角坐标系建立；

(2)数据预处理：

根据刀具磨损值进行刀具磨损阶段分类，以分类结果作为标签，将振动信号进行分类；

将机床主轴X、Y、Z三个轴的振动信号按照时间顺序分段为长度为n²的切片，之后将机床主轴X、Y、Z三个轴的切片进行拼接，构建为n×n×3的三通道输入特征图，其中，n为振动信号切片转换为特征图时，特征图的高或宽；

数据预处理后的数据中选取训练集、验证集和测试集；

(3)构建多尺度-通道注意力网络模型：

所述多尺度-通道注意力网络模型包括输入层、三个分支、全连接层；

三个分支包括第一分支、第二分支、第三分支，第一分支包括5个卷积层；第二分支包括2个卷积层；第三分支包括1个卷积层；

在第一分支的第二个卷积层与第二分支的第一个卷积层、在第一分支的第四个卷积层与第二分支的第二个卷积层、在第二分支的第一个卷积层与第三分支的第一个卷积层之间均设置有残差连接，残差加和结果分别输入卷积层第一分支的第三个卷积层、第二分支的第四个卷积层、第二分支的第二个卷积层；

第二分支的第一个卷积层的输出特征图、第二分支的第二个卷积层的输出特征图及第三分支的第一个卷积层的输出特征图做残差连接之前输入通道注意力模块；

(4)训练：将训练集输入多尺度-通道注意力网络模型进行训练，在训练的同时记录每一次训练周期的训练集准确率与损失函数；

(5)测试：将测试集输入训练好的多尺度-通道注意力网络模型，输出测试集数据对应的刀具磨损阶段。

2.根据权利要求1所述的基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，三个分支包括第一分支、第二分支、第三分支的数学表达式分别如式(I)、式(Ⅱ)、式(Ⅲ)所示：

式(I)、式(Ⅱ)、式(Ⅲ)中，i₁＝1,2,…5，i₂＝1,2，i₃＝1；

是指第一分支的第i₁个卷积层的输出特征图，

是指第一分支的第i₁个卷积层，

是指第一分支的第i₁-1个卷积层的输出特征图；

是指第二分支的第i₂个卷积层的输出特征图，

是指第二分支的第i₂个卷积层，

是指第二分支的第i₂-1个卷积层的输出特征图；

是指第三分支的第i₃个卷积层的输出特征图，

是指第三分支的第i₃个卷积层，

是指第三分支的第i₃-1个卷积层的输出特征图；

进一步优选的，每个卷积层的卷积核为3×3，每个卷积层之后加一个ReLU非线性激活函数；

进一步优选的，第一分支的5个卷积层的输出特征图尺度分别为64×64×3，32×32×3，16×16×3，8×8×3，4×4×3；第二分支的2个卷积层的输出特征图尺度分别为32×32×3，8×8×3；第三分支的1个卷积层的输出特征图尺度为32×32×3。

3.根据权利要求2所述的基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，通道注意力模块分别采用全局平均池化操作与全局最大池化操作获取全局感受野，再将它们分别输入一个两层的神经网络，第一层神经元个数为1，激活函数为ReLU，第二层神经元个数为3，这个两层的神经网络是共享的，之后将它们进行相加生成通道权重，最后通过归一化层将通道权重归一化至(0,1)之间。

4.根据权利要求2所述的基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，浅层分支卷积层的输出特征图包括第二分支的第一个卷积层的输出特征图、第二分支的第二个卷积层的输出特征图及第三分支的第一个卷积层的输出特征图输入特征注意力模块，经过池化操作得到通道权重，之后通道权重与原始输出特征图进行相乘，将通道权重映射到浅层分支卷积层的输出特征图上，带有通道权重的特征图与深层分支卷积层包括第一分支的第二个卷积层、在第一分支的第四个卷积层、在第二分支的第一个卷积层的输出特征图进行残差连接，输入深层分支卷积层的下一个卷积层。

5.根据权利要求1所述的基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，步骤(1)中，采用型号为KS903的振动传感器采集机床主轴X、Y、Z三个轴的振动信号，采样频率为10240Hz；采用19JC数字式万能工具显微镜采集刀具磨损值。

6.根据权利要求1所述的基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，数据预处理后的数据的80％作为训练集，20％作为测试集，训练集中的80％用作训练，训练集中的20％作为验证集。

7.根据权利要求1所述的基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，步骤(2)中，根据刀具磨损值进行刀具磨损阶段分类，以分类结果作为标签，将振动信号进行分类；具体是指：

绘制刀具全生命周期副后刀面最大磨损值的曲线图，与机床主轴X轴的全生命周期振动信号的时域图；其中，最大磨损值的曲线图的横坐标为走刀次数，纵坐标为最大磨损值大小；振动信号的时域图的横坐标为时间，纵坐标为振动信号幅值；

根据最大磨损值曲线斜率变化将振动信号分为三类，最大磨损值曲线斜率不大于0.01时，对应的振动信号处于快速初始磨损阶段，最大磨损值曲线斜率在0.01至0.3之间时，对应的振动信号处于稳态磨损阶段，最大磨损值曲线斜率不小于0.3时，对应的振动信号处于急速磨损阶段。

8.根据权利要求1-7任一所述的基于多尺度-通道注意力网络的刀具故障诊断方法，其特征在于，步骤(4)中，使用交叉熵函数L作为损失函数，如式(Ⅳ)所示：

式(Ⅳ)中，y_i表示真实值，

表示预测值，N为样本数量。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于多尺度-通道注意力网络的刀具故障诊断方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于多尺度-通道注意力网络的刀具故障诊断方法的步骤。

Images