基于深度学习的滚刀寿命识别(原创+高分创新+论文)

基于深度学习的刀具磨损状态识别

代码链接

基于卷积神经网络的刀具磨损状态识别

刀具磨损状态识别为时间序列分类问题，而一维卷积神经网络（1D Convolutional Neural Networks，1DCNN）在时间序列分类问题中具有明显的优势[1]，特别是它能够捕捉时间序列数据中的局部特征和模式。因此，本小节基于1DCNN实现刀具磨损状态识别，其网络输入输出关系如图3-1所示。

图3-1中，None表示将要输入网络训练的每个批次样本数量。首先，经过特征提取和斯皮尔曼相关性分析选取刀片数据的特征个数为57，为适应1DCNN的输入形状，将该数据reshape增加一个维度作为输入层的数据；其次，依次交叉堆叠3次一维卷积和最大池化层，卷积层的神经元个数依次为32、64、128，卷积核大小为3×3，激活函数为relu，同时卷积层的padding设置为same，保持特征图大小不变；然后，使用Flatten层拉平向量，并依次堆叠两个神经元个数为128、64的全连接层，通过这两个全连接层，将长度为896的一维向量映射为长度64的一维向量；最后，使用激活函数为softmax的全连接层作为分类层，将特征向量映射为长度为3的分类概率向量，选取概率最大值对应的索引即为分类结果。本小节构建的1DCNN网络结构如图3-2所示。

选取铣刀1走刀数据为训练集，铣刀4和铣刀6走刀数据集为测试集，共包括初期磨损、正常磨损、急剧磨损三个类别，各类别数据分布情况如表3-1所示。

数据集	初期磨损	正常磨损	急剧磨损
训练集铣刀1	30	210	75
训练集铣刀4	30	210	75
训练集铣刀6	30	210	75

将训练集铣刀1、测试集铣刀4和6进行特征提取，提取后的特征维度达57，使用训练集铣刀1提取的特征训练1DCNN分类模型，得到训练好的网络权重。然后，使用该权重初始化1DCNN，使用测试集铣刀4和6评估模型性能，测试集的分类结果如图3-3和3-4所示。1DCNN在测试集铣刀4和6的分类准确率分别为82.539%和87.619%。图3-3中，横坐标为测试集样本编号，纵坐标为一分类预测结果。

基于长短时记忆神经网络的刀具磨损状态识别

LSTM（Long Short-Term Memory）是一种特殊类型的RNN（递归神经网络），专为解决标准RNN在处理长序列数据时遇到的短期记忆问题而设计。LSTM通过引入遗忘门、输入门和输出门，能够在长时间间隔内有效地保存和调用信息。LSTM最大的优势在于其能够捕捉时间序列中的长期依赖关系，这使得它非常适合于时间序列数据。因此，本小节采用LSTM对铣刀走刀数据进行建模，实现对刀具模型状态的识别。

图3-5中，None表示将要输入网络训练的每个批次样本数量。经过特征提取和斯皮尔曼相关性分析的刀片数据特征个数为57，因LSTM的输入需要有timeStep的长度设置，而本文研究仅对整个样本进行了特征提取，故将输入特征reshape增加一个维度，使得timeStep为1；然后，堆叠三层神经元个数为128的LSTM网络，实现时间序列分类的建模；最后，通过全连接层完成刀具磨损分类。
选取铣刀1走刀数据为训练集，铣刀4和铣刀6走刀数据集为测试集，与3.1同理。LSTM在测试集铣刀4和6的分类准确率分别为77.143%和90.476%。