CN106217128A - 基于大数据挖掘的变工况下刀具磨损状态预测方法 - Google Patents

Abstract

本发明公开了一种基于大数据挖掘的变工况下刀具磨损状态预测方法，用于解决现有刀具磨损状态预测方法准确率差的技术问题。技术方案是采用大数据技术，通过获取变工况因素的全样本数据，并对前馈神经网络FFNN数据挖掘方法进行改进，使其具有增量学习的能力，能不断融合新的工况获得更准确的预测模型。由于考虑了影响刀具磨损的全样本数据，并对新的刀具状态特征向量进行增量学习，不断融和学习新的工况获得更准确的预测模型，并为进一步分析影响刀具磨损的相关因素提供依据。与现有技术相比，本发明对新增工况进行学习，提高了变工况下刀具磨损状态预测的准确率。经检测，最小误差结果为err＝0.03933，即预测准确率提高96％以上。

Description

基于大数据挖掘的变工况下刀具磨损状态预测方法

技术领域

本发明涉及一种刀具磨损状态预测方法，特别是涉及一种基于大数据挖掘的变工况下刀具磨损状态预测方法。

背景技术

刀具磨损状态的预测对充分利用刀具寿命，保证加工件表面质量，降低由于刀具磨损对机床等设备带来的损坏具有重要意义。现有的刀具磨损预测方法主要有：基于切削过程中信号特征的机器学习方法和基于实验验证的经验公式法。

文献“基于主元分析和BP神经网络对刀具VB值预测，北京航空航天大学学报，2011，Vol.37(3)，p364-367”公开了一种在改进的BP神经网络基础上进行刀具磨损预测的算法。该方法采用将声发射信号与切削速度、切削深度、进给量和切削时间一起作为刀具状态的特征向量，通过主元分析进行降维，消除特征向量间的相关性后，把得到的主元作为BP网络的输入向量，并用改进的LM算法进行BP网络的学习，实现对刀具后刀面磨损量VB的预测。但是，用LM算法进行BP网络学习虽然具有收敛快、误差小的优点，BP网络作为刀具磨损预测方法仍是静态的学习网络，网络的识别精度对训练样本有较强的要求。对于变工况下刀具磨损预测，随着刀具应用在不同的机床、不同的工件及不同的加工参数时，新的刀具状态特征向量不断增多，该预测方法识别精度降低，具有局限性。

发明内容

为了克服现有刀具磨损状态预测方法准确率差的不足，本发明提供一种基于大数据挖掘的变工况下刀具磨损状态预测方法。该方法采用大数据技术原理，通过获取变工况因素的全样本数据，并对前馈神经网络FFNN数据挖掘方法进行改进，使其具有增量学习的能力，能不断融合新的工况获得更准确的预测模型。由于考虑了影响刀具磨损的全样本数据，并对新的刀具状态特征向量进行增量学习，不断融和学习新的工况获得更准确的预测模型，并为进一步分析影响刀具磨损的相关因素提供依据。与现有技术相比，本发明对新增工况进行学习，提高了变工况下刀具磨损状态预测的准确率。

本发明解决其技术问题所采用的技术方案是：一种基于大数据挖掘的变工况下刀具磨损状态预测方法，其特点是包括以下步骤：

步骤一、输入一个新的工况向量，判断工况是否属于已知刀具磨损状态，如果属于，则通过以下公式对该工况进行增量学习，用公式：

$J(x,\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ})=\frac{1}{2}{\mathrm{\Δy}}_n^T{\mathrm{\Δy}}_n---\left(1\right)$

式中，x表示新输入的工况向量，θ是网络参数，Δy是实际输出与网络输出的差值，J(x,θ+Δθ)作为平均平方误差函数，由(1)式得到代价函数：

$J(X,\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ})=\frac{1}{2}{\mathrm{\Δy}}_n^2=\frac{1}{2}{\left(f\right(x,\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ})-y)}^2---\left(2\right)$

式中，f(x,θ)表示当参数为θ时，x经过非线性映射f得到的实际输出。求解式(2)的一阶近似式：

$\frac{1}{2}{\left(f\right(x,\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ})-f(x,\mathrm{\θ})+f(x,\mathrm{\θ})-y)}^2\≅\frac{1}{2}{(\frac{\∂f(x,\mathrm{\θ})}{\∂\mathrm{\θ}}\mathrm{\Δ}\mathrm{\θ}+\mathrm{\Δ}y)}^2---\left(3\right)$

将式(3)对Δθ求导并令其等于0，得到Δθ的计算式：

$\mathrm{\Δ}\mathrm{\θ}=-u{\left(\frac{\∂f(x,\mathrm{\θ})}{\∂\mathrm{\θ}}\right)}^{-1}\mathrm{\Δ}y---\left(4\right)$

式中，u为学习效率，这样以参数θ+Δθ的更新代替原有参数θ。

步骤二、对于新增的工况不属于已知刀具磨损状态，通过FFNN网络的结构更新学习该新增工况。对每增加一个神经元，需要调整权重矩阵和偏置向量的形式，权重矩阵和偏置向量分别为W和b，每增加一个神经元，权重矩阵W增加一行和一列，偏置向量b增加一个分量。增加m个神经元，则权重矩阵增加m行和m列，偏置向量增加m个分量，更新后网络结构参数：

式中，W’表示更新的网络权重矩阵，b’表示更新网络的偏置向量。

步骤三、利用前向传播计算隐藏层输出值与网络模型输出f(x,θ')，计算网络模型输出值f(x,θ')与理想输出值y的差值Δy及代价函数J(x,θ')，通过在MapReduce上利用反向传播计算代价函数J(x,θ')对网络参数θ’的偏导数，并通过梯度下降法更新网络参数。

步骤四、随着不断出现的新工况，通过增加隐藏层神经元进行的结构更新会降低神经网络的学习性能，即网络出现冗余连接，此时，神经网络权重矩阵W执行SVD分解：

W＝UΣV^T (6)

式中，W表示网络权重矩阵，Σ表示对角矩阵，U和V表示分解矩阵。对角矩阵中等于0或接近0的权重表示该连接在网络中是冗余的，删除这些连接，同时删除该隐藏层神经元，对整个神经网络进行连接的优化。这个过程只有在神经网络的训练速度、学习能力和泛化能力下降，即网络连接中出现大量冗余时进行。

本发明的有益效果是：该方法采用大数据技术原理，通过获取变工况因素的全样本数据，并对前馈神经网络FFNN数据挖掘方法进行改进，使其具有增量学习的能力，能不断融合新的工况获得更准确的预测模型。由于考虑了影响刀具磨损的全样本数据，并对新的刀具状态特征向量进行增量学习，不断融和学习新的工况获得更准确的预测模型，并为进一步分析影响刀具磨损的相关因素提供依据。与现有技术相比，本发明对新增工况进行学习，提高了变工况下刀具磨损状态预测的准确率。检验是将每一个工况向量作为网络输入的子向量，每个输入网络的向量包含15的特征值，取10个新增工况数据进行预测的结果，新增工况数据实例学习后，预测误差明显下降，最小误差结果为err＝0.03933，即学习新的数据后，网络的预测准确率提高至96％以上。

下面结合具体实施方式对本发明作详细说明。

具体实施方式

本发明基于大数据挖掘的变工况下刀具磨损状态预测方法具体步骤如下：

首先将变工况以工况向量的形式表示，以向量中属性取值的不同表征工况的变化。影响刀具磨损的工况可分为四类，刀具本身、机床、工件、加工参数，工况向量的表示及包含的具体属性如下。

机床工况向量L＝(P,T_q,f_max,n_max,P_r,D_p)，其中P表示机床功率，T_q表示主轴扭矩，f_max表示最大进给速度，n_max表示最大转速P_r表示机床定位精度，D_p表示机床动态参数。

刀具工况向量的特征参数主要是刀具的几何参数及刀具磨损量刀具工况向量可表示为T＝(r,γ_o,α_o,ε_r,V_B)，其中r表示刀尖圆弧半径，γ₀表示前角，α₀表示后角，ε_r表示刀尖圆角，V_B表示刀具磨损量。

加工参数工况向量可表示为P_P＝(n,ap,f)，其中n表示主轴转速，a_p表示背吃刀量，f表示进给速度。

加工件的工况向量主要包括工件的材料特征、几何特征、工序特征，工件工况向量可表示为W＝(M,F,M_P)，其中M表示工件材料特征，F表示工件几何特征，M_P表示工序特征。

以x＝{x₁,x₂...x_n}表示上述所有工况向量，y＝{y₁,y₂...y_m}表示刀具实际磨损值对于新的数据实例{x,y}，在工况变化不频繁时，为了使得模型能够学习新数据的特征，取平均平方误差函数计算用公式：

$J(x,\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ})=\frac{1}{2}{\mathrm{\Δy}}_n^T{\mathrm{\Δy}}_n---\left(1\right)$

式中，x表示新输入的工况向量，θ是网络参数，Δy是实际输出与网络输出的差值，J(x,θ+Δθ)作为平均平方误差函数，由有(1)式得到代价函数：

$J(X,\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ})=\frac{1}{2}{\mathrm{\Δy}}_n^2=\frac{1}{2}{\left(f\right(x,\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ})-y)}^2---\left(2\right)$

式中，f(x,θ)表示当参数为θ时，x经过非线性映射f得到的实际输出。求解式(2)的一阶近似式：

$\frac{1}{2}{\left(f\right(x,\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ})-f(x,\mathrm{\θ})+f(x,\mathrm{\θ})-y)}^2\≅\frac{1}{2}{(\frac{\∂f(x,\mathrm{\θ})}{\∂\mathrm{\θ}}\mathrm{\Δ}\mathrm{\θ}+\mathrm{\Δ}y)}^2---\left(3\right)$

将式(3)对Δθ求导并令其等于0，得到Δθ的计算式：

$\mathrm{\Δ}\mathrm{\θ}=-u{\left(\frac{\∂f(x,\mathrm{\θ})}{\∂\mathrm{\θ}}\right)}^{-1}\mathrm{\Δ}y---\left(4\right)$

式中，x表示输入工况向量，J(x,θ+Δθ)表示平均平方误差函数，f(x,θ)表示当参数为θ时，x过非线性映射f得到的实际输出。给定一个新的数据实例{x,y},以参数增量Δθ来更新原有参数θ，令误差函数J最小，更新后网络参数为θ+Δθ。

在工况变化频繁时，同一把刀具在不同的加工参数或不同的机床下使用，加工参数工况向量P_p和机床工况向量L属于频繁变化的数据集。此时，通过增加隐藏层神经元数目更新网络模型。

式中，W’为初始化权重矩阵，b为初始偏置向量。由于每增加一个神经元，需要调整权重矩阵和偏置向量的形式，则每增加一个神经元，权重矩阵W增加一行和一列，偏置向量b增加一个分量。同样，增加m个神经元，权重矩阵增加m行和m列，偏置向量增加m个分量。

对于增加隐藏层神经元的结构更新，由于每增加一个神经元，先更新结构再更新参数。参数更新的方法是先利用反向传播计算误差函数J(x,θ')对θ’的偏导，再用梯度下降法进行参数更新，这是一个需要迭代的过程，该过程在MapReduce的处理模型如下过程：

a读取网络参数，对网络进行初始化，得到初始化参数θ’＝{W’b’}；

b调用Mapper()函数，接收<标号，样本值>；

c由前向传播和反向传播计算网络各个权值w和偏置向量b的局部改变量；

d输出<key＝w,value＝Δw>和<key＝b,value＝Δb>键值对；

e输入<key＝w,value＝Δw>和<key＝b,value＝Δb>键值对；

f遍历输入的局部改变量，用式5求出全局网络参数θ改变量Δθ；

g输出<key＝w,value＝Δθ>；

h重复上述过程直到权值变化w很小或满足迭代次数。

在该模型中对应输入即就是初始化后的各个网络参数θ’，对每个Mapper任务接受输入数据，经过反向传播计算得出各个权值和偏置偏置向量的局部改变量，生产<key＝w,value＝Δw>键值对。Reduce汇总每个节点的权值和偏置的局部改变量得到全局参数改变量，然后将权值和全局参数改变变量以键值对形式输出，最后User函数对网络参数进行更新。

通过增加隐藏层神经元进行的结构更新会在一定程度上降低神经网络的学习性能，即网络出现了冗余连接，此时，神经网络权重矩阵W执行SVD分解。

W＝UΣV^T (6)

根据SVD分解的定义，对角矩阵Σ中等于0或接近0的权重表示该连接在网络中是冗余的，因此可以删除这些连接，同时删除该隐藏层神经元，对整个神经网络进行连接的优化。这个过程只有在神经网络的训练速度、学习能力和泛化能力下降，即网络连接中出现大量冗余时进行。

本发明利用大数据挖掘方法，将具有增量学习能力的FFNN网络用于变工况下刀具磨损预测，并对学习过程中网络参数更新在MapReduce框架下实现，与现有技术采用的静态学习模型的刀具磨损预测方法相比，对变工况下的刀具磨损预测适用性更强。对本发明的检验是将每一个工况向量作为网络输入的子向量，每个输入网络的向量包含15的特征值，取10个新增工况数据进行预测的结果，新增工况数据实例学习后，预测误差明显下降，最小误差结果为err＝0.03933，即学习新的数据后，网络的预测准确率提高至96％以上。

Claims (1)

1.一种基于大数据挖掘的变工况下刀具磨损状态预测方法，其特征在于包括以下步骤：

步骤一、输入一个新的工况向量，判断工况是否属于已知刀具磨损状态，如果属于，则通过以下公式对该工况进行增量学习，用公式：

$J(x,\mathrm{\&theta;}+\mathrm{\&Delta;}\mathrm{\&theta;})=\frac{1}{2}{\mathrm{\&Delta;y}}_n^T{\mathrm{\&Delta;y}}_n---\left(1\right)$

式中，x表示新输入的工况向量，θ是网络参数，Δy是实际输出与网络输出的差值，J(x,θ+Δθ)作为平均平方误差函数，由(1)式得到代价函数：

$J(X,\mathrm{\&theta;}+\mathrm{\&Delta;}\mathrm{\&theta;})=\frac{1}{2}{\mathrm{\&Delta;y}}_n^2=\frac{1}{2}{\left(f\right(x,\mathrm{\&theta;}+\mathrm{\&Delta;}\mathrm{\&theta;})-y)}^2---\left(2\right)$

式中，f(x,θ)表示当参数为θ时，x经过非线性映射f得到的实际输出；求解式(2)的一阶近似式：

$\frac{1}{2}{\left(f\right(x,\mathrm{\&theta;}+\mathrm{\&Delta;}\mathrm{\&theta;})-f(x,\mathrm{\&theta;})+f(x,\mathrm{\&theta;})-y)}^2\&cong;\frac{1}{2}{(\frac{\&part;f(x,\mathrm{\&theta;})}{\&part;\mathrm{\&theta;}}\mathrm{\&Delta;}\mathrm{\&theta;}+\mathrm{\&Delta;}y)}^2---\left(3\right)$

将式(3)对Δθ求导并令其等于0，得到Δθ的计算式：

$\mathrm{\&Delta;}\mathrm{\&theta;}=-u{\left(\frac{\&part;f(x,\mathrm{\&theta;})}{\&part;\mathrm{\&theta;}}\right)}^{-1}\mathrm{\&Delta;}y---\left(4\right)$

式中，u为学习效率，这样以参数θ+Δθ的更新代替原有参数θ；

步骤二、对于新增的工况不属于已知刀具磨损状态，通过FFNN网络的结构更新学习该新增工况；对每增加一个神经元，需要调整权重矩阵和偏置向量的形式，权重矩阵和偏置向量分别为W和b，每增加一个神经元，权重矩阵W增加一行和一列，偏置向量b增加一个分量；增加m个神经元，则权重矩阵增加m行和m列，偏置向量增加m个分量，更新后网络结构参数：

式中，W’表示更新的网络权重矩阵，b’表示更新网络的偏置向量；

步骤三、利用前向传播计算隐藏层输出值与网络模型输出f(x,θ')，计算网络模型输出值f(x,θ')与理想输出值y的差值Δy及代价函数J(x,θ')，通过在MapReduce上利用反向传播计算代价函数J(x,θ')对网络参数θ’的偏导数，并通过梯度下降法更新网络参数；

步骤四、随着不断出现的新工况，通过增加隐藏层神经元进行的结构更新会降低神经网络的学习性能，即网络出现冗余连接，此时，神经网络权重矩阵W执行SVD分解：

W＝UΣV^T (6)

式中，W表示网络权重矩阵，Σ表示对角矩阵，U和V表示分解矩阵；对角矩阵中等于0或接近0的权重表示该连接在网络中是冗余的，删除这些连接，同时删除该隐藏层神经元，对整个神经网络进行连接的优化；这个过程只有在神经网络的训练速度、学习能力和泛化能力下降，即网络连接中出现大量冗余时进行。