CN109822399B - 基于并行深度神经网络的数控机床刀具磨损状态预测方法 - Google Patents

Abstract

本发明公开了一种基于并行深度神经网络的数控机床刀具磨损状态预测方法。在数控机床工作台及夹具上安装测力计、加速度传感器和声传感器；进行铣削加工实验，采集铣削加工过程的切削力、振动和声信号，得到多传感器数据，并采集刀具的磨损量；预处理得到训练数据和待测试数据；建立并行深度神经网络模型；将处理好的训练数据及刀具磨损量标签输入到并行深度神经网络中离线训练模型；将待测试多传感器数据传入训练好的模型中，在线实时预测刀具的磨损量。本发明方法充分挖掘了数控机床刀具加工过程的隐含特征，可以对刀具磨损量进行实时预测。且该方法适用性广泛，可以广泛应用于各种数控机床中。

Description

基于并行深度神经网络的数控机床刀具磨损状态预测方法

技术领域

本发明涉及了一种数控机床加工刀具磨损状态预测方法，特别涉及了一种基于并行神经网络的数控机床刀具磨损状态预测方法，属于数控加工刀具磨损状态预测领域。

背景技术

在数控机床加工零件的过程中，刀具的使用状态对加工质量有着至关重要的影响。经过严重磨损的刀具会导致零件加工精度差，严重时甚至会导致工件报废，进而大大增加加工成本，影响工期。因此，对刀具磨损量进行预测是非常紧迫且有意义的。

通常情况下，刀具磨损量难以直接测量，需要用到较为精密的仪器和复杂的测量方式，因此，采用间接预测方法已经成为一种常用的方法。通常，加工过程中的振动、切削力和声音信号中隐藏着刀具磨损的相关信息，因此被用于监控或者预测刀具的磨损状态。

目前，刀具磨损状态的预测方法大都属于基于数据驱动的预测方法。基于数据驱动的方法主要在于构建预测模型，对加工过程中的运行数据进行挖掘，得到运行数据与刀具磨损之间的隐含联系，进而实现预测。常用的模型包括支持向量机、隐马尔可夫模型、卷积神经网络、BP神经网络、长短期记忆网络和门控循环单元等。卷积神经网络最初被提出的时候是用于处理图片相关的工作，因其有效的局部特征提取能力而得到了广泛应用，近年来也用于处理序列数据问题：2018年，专利“一种基于卷积神经网络的刀具磨损监测方法”公开了一种基于卷积神经网络的刀具磨损监测方法，基于振动信号对刀具磨损状态进行监测；门控循环单元网络可以有效处理时序数据，提取数据中重要的时序特征，在序列数据问题中得到了广泛应用。2018年，专利“基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法”公开了基于门控循环单元和自编码器的行星故障识别新方法，在实际诊断中获得了较好的效果。而双向门控循环单元网络可以从时序数据的两端同时开始提取特征，使预测结果具有更高精度，因此比传统门控循环单元网络更有应用场景。

现有的基于数据驱动的方法在数控机床刀具磨损中取得了较好的成果，已经成为了最常用的预测方法。但这类方法仍然有一定局限性，比如模型的数据处理能力不强导致的预测精度低和应用性不广泛等问题。综上所述，提出一种预测精度高、应用范围广的预测模型是非常重要的。

发明内容

针对背景技术中提到的问题，本发明提出了一种基于并行深度神经网络的数控机床刀具磨损状态预测方法。该方法通过卷积神经网络和双向门控循环单元网络的并行使用，不仅有效地提高了模型的预测能力，而且该方法应用范围广，经过稍微调整，就可以广泛应用于各种数控机床刀具的磨损状态预测。

为实现上述功能，本发明的技术方案具体包括以下技术步骤：

S1.在数控机床工作台夹具及工件上安装三分量测力计、加速度传感器和声传感器；

S2.通过刀具对工件进行铣削加工操作，通过传感器采集三种不同传感器融合的加工测量数据；

S3.对原始测量数据进行特定预处理，包括数据重采样、特征提取、时间窗口数据生成和数据归一化，得到具有刀具磨损量标签的训练数据和待测试数据；

S4.建立基于卷积神经网络和双向门控循环单元记忆网络的并行深度神经网络模型；

S5.针对具有刀具磨损量标签的多传感数据融合的训练数据与其刀具磨损量标签输入到并行深度神经网络模型中，离线训练并行深度神经网络模型；

S6.针对数控机床需要预测的未知刀具磨损量标签的多传感数据融合的待测试数据输入到训练好的并行深度神经网络模型中，在线处理得到数据数控机床刀具的磨损量预测值。

具体实施中，进一步根据磨损量值对数据机床刀具进行更换或者修复处理。

所述步骤S1中，将三分量测力计安装在工件和夹具之间，将三个加速度传感器分别嵌装在工件的三个方向上，声传感器嵌装在夹具上。

具体实施中，为获取数控机床刀具加工过程中的相关数据，在数控机床的工作台及夹具上安装一个三分量测力计、三个加速度传感器和一个声传感器。一个三分量测力计和三个加速度传感器可获得三维坐标系的三轴方向上的传感数据。即在数控机床上对工件进行铣削加工试验，通过加速度传感器和测力计分别采集x，y，z三个方向上的振动信号和切削力信号，通过声传感器采集加工过程中的声音信号。

在一般单个铣削操作过程，传感器会收集10万条传感器数据，三类传感器共收集7种传感数据。

所述步骤S2中，对工件进行铣削加工实验，通过S1中安装的传感器得到铣削过程中的加工测量数据，包括切削力、振动信号和声信号。

所述步骤S3具体如下：

S31.将单个铣削加工操作过程收集的7种加工测量数据沿时间方向按时间方向均分为L份，提取每份数据的平均值和最大值组成新的长度为L、宽度为14的序列数据；将得到的序列数据作为一个时间窗口长度为L、宽度为14的时间窗口数据样本，对于K个铣削加工操作则有K个长度为L、宽度为14的时间窗口数据；

S32.对得到的时间窗口数据沿时间轴上进行数据统一的归一化，采用最大-最小归一化方法，将数据均归一至[-1,1]区间内；

S33.每个铣削操作后测量刀具的磨损量，并将磨损量作为训练数据的标签，从而得到训练数据；待测试数据只需要经过S31和S32处理。

所述步骤S4中，所述的并行深度神经网络模型构建为：

S41.构造并行的两个子网络：

第一子网络由依次双层卷积神经网络组成，每层卷积神经网络包括连续依次连接的一个卷积层和一个池化层；卷积层由M个卷积滤波器组成，M个卷积滤波器的大小相同但内部权值不同，尺寸均设置为m*n，对输入的数据进行卷积得到M个特征图；且在两个卷积层均采取边缘补零方式以保持数据尺寸经过该层不变；池化层采取最大池化方式，池化尺寸设置为w*v，分别对卷积层输出的各个特征图进行池化操作，得到池化后的特征图；

数据输入到第一层卷积神经网络的卷积层，经卷积层处理后输入池化层，然后将池化后的数据传入第二层卷积神经网络的卷积层，经卷积层和池化层依次处理后，最后得到池化后的特征图。第一层卷积神经网络的池化层连接到第二层卷积神经网络的卷积层，最后由第二层卷积神经网络的池化层进行池化处理，最后得到池化后的特征图。

第二子网络由双层双向门控循环单元网络(Bi-GRU)组成，每层Bi-GRU网络包括两层计算方向相反的门控循环单元网络(GRU)，每层GRU网络包括N个GRU单元，每个GRU单元是作为用于处理输入数据的基本单元；输入数据经第一层Bi-GRU网络处理后再传入第二层Bi-GRU网络进行处理，经两层Bi-GRU网络对输入数据处理后，得到输入数据的时序特征；

步骤S3获得训练数据输入到第二子网络的双层Bi-GRU网络中进行处理。Bi-GRU网络的两个GRU层沿着时间轴从相反的方向，通过N个GRU单元对输入数据进行处理。第一层Bi-GRU网络处理后将数据传入第二层Bi-GRU网络中进行处理，进而得到输入数据的时序特征。

输入数据是以三维格式准备的，三个维度分别为：(样本，时间，特征)。该数据格式可以直接输入第二子网络的双向门控循环单元网络中进行处理。但第一子网络的二维卷积神经网络要求输入格式为四维数据，在不改变原有数据尺寸的基础上添加通道维度，设置为1，则得到的卷积神经网络输入数据格式为：(样本，时间，特征，1)。

S42.构造特征数据融合层，对第一子网络和第二子网络的输出数据进行线性连接，得到特征融合数据；

S43.在特征数据融合层之后构建两个连续的全连接网络层，两层的神经元数分别设置为p和q；

S44.构建输出层，输出层为全连接层，神经元数设置为1，输出量为数控机床刀具的磨损量值。

上述卷积神经网络、门控循环单元网络和全连接网络层中，激活函数均选择线性整流函数(ReLU)，并选择均匀分布初始化方法(glorot uniform)选择glorot uniform方法对神经网络的权重进行初始化。

将经过步骤S3特定预处理获得的训练数据输入到第一子网络的卷积神经网络中，经双层卷积神经网络处理，输入数据中的隐含局部特征得到了充分挖掘，进而提高了预测结果的精度。此外，卷积操作和池化操作都可以降低数据规模，加速神经网络模型的收敛速度。

第一全连接网络层和第二全连接网络层后均设有dropout层，dropout层的dropout率均设置为0.2，避免过拟合现象。

对于并行深度神经网络模型，所述的输出层激活函数选则线性激活函数(Linear)进行预测，模型损失函数则选择均方差损失函数。

训练并行深度神经网络模型时选用Adam优化算法，学习率设置为0.0005，迭代次数设置为150。

本发明通过卷积神经网络和双向门控循环单元网络并行处理数据的方法，能同时充分挖掘输入数据中的重要局部特征和时序特征。然后将两个网络得到的数据特征连接到一起，输入全连接网络中。利用全连接网络的拟合能力，将提取的特征映射到预测结果上，实现数控机床刀具磨损量的在线实时预测。上述三种网络的有机结合，能充分发挥各自的独特作用，实现单个神经网络不能实现的效果。

与现有的技术与方法相比，本发明具有以下优势：

卷积神经网络、双向门控循环单元网络和全连接网络在故障预测中已经有较为广泛的应用，并且取得了一定成果。本发明提出的并行深度神经网络有机地结合上述三种，充分发挥了各自的优势。相比单种网络，该并行网络具有更强的特征提取能力，不仅能提取输入数据中丰富的局部特征，还能有效挖掘输入数据中的时序特征，充分提高了模型的预测能力。

本发明考虑到了数控机床加工过程中多传感器信号的数据特征，充分挖掘了振动信号、力信号和声信号中的局部特征和时序特征。操作过程简单，可以实现端到端的预测，并且适用性广，能广泛应用于各种数控机床刀具的磨损量预测中。

在数控加工刀具磨损状态预测领域，本发明专利首次提出由卷积神经网络与双向门控循环单元网络并行处理加工测试数据的方法，该方法新颖且具有较强的创新性和实用性。

附图说明

图1为本发明方法的预测刀具磨损状态的流程示意图。

图2为本发明实例中数控机床数据采集中的传感器布置示意简图。

图3为本发明实例中用于数控机床刀具磨损量预测的并行深度神经网络模型。

图4为本发明实例中铣削实验C1组记录的刀具三个方向磨损实际分布情况。

图5为数据处理中选取的最大刀具磨损量分布图。

图6为本发明实例中三个实验组分别进行十次实验的结果分布图。

图中：数控机床1、主轴2、刀具3、z向加速度传感器4、y向加速度传感器5、x向加速度传感器6、工件7、夹具8、三分量测力计9、声传感器10、工作台11。其中y向加速度传感器5位于视图中工件背面。

具体实施方式

下面结合附图和具体实例对本发明作进一步说明：

本发明具体实施例如下：

国际PHM(故障诊断与健康管理)数据大赛是故障预测具有很大影响力的比赛，本实例使用了2010年国际PHM数据大赛的比赛数据来验证所提出的方法的有效性。

具体实施的数控机床如图2所示，数控机床1的主轴2位于工件7的上方，工件7被装夹在夹具8中，夹具8固定于工作台11上，工件9的三个方向上嵌装了三个加速度传感器4、5、6，三分量测力计9安装在工件7和夹具8之间，声传感器10嵌装在夹具8上。

采集的数据包括：x轴向切削力、y轴向切削力、z轴向切削力、x轴向振动、y轴向振动、z轴向振动和声音信号这7个数据量。设置的基本工艺参数为：主轴转速10400rpm，进给率为1555mm/min，横向切深为0.125mm，纵向切深为0.2mm。传感器的采样频率设置为50kHz。在每次铣削循环后，通过LEICA MZ12显微镜离线测量刀具的磨损量，刀具磨损量是以10^-3mm为单位进行记录的，以此作为模型训练的标签。

该数据集共进行了6组实验，得到6组子数据集：C1、C2、C3、C4、C5、C6。在每组实验中，使用刀具对工件进行铣削操作，共包括315个铣削循环。其中C1、C4和C6中包括机床运行过程的传感数据和磨损量标签数据，因此被选为本次实例的数据集。为更加客观评价模型的有效性，采用三重验证的方法进行实验。即使用其中两个作为训练集数据，另一个作为测试集数据，以此得到三组实验结果。

在该实例中，目标就是预测测试集中每个铣削操作后的刀具磨损量。数据集中，测量了三个方向刀具的磨损情况，按照比赛的要求，刀具的实际磨损量取每个循环中这三个值中的最大值。以C1为例，图4表示记录的三个方向刀具的实际磨损情况(分别为磨损1、2、3)，图5表示在每个铣削循环都取最大值的刀具磨损量。图5的刀具磨损量作为本实例的预测目标。

图1是本发明方法的流程示意图，在结合刀具磨损数据集的实施中，具体包括以下步骤：

S1.在数控机床工作台夹具及工件上安装测力计、加速度传感器和声传感器；

如图2中的数控机床简图所示，为获取数控机床刀具加工过程中的相关数据，在数控机床的工作台夹具及工件上安装一个三分量测力计、三个加速度传感器和一个声传感器；

S2.对工件进行铣削加工，通过S1中的传感器采集相关加工测试数据；

在铣削加工过程中，利用S1步骤中的三类传感器采集得到7维的传感器测试数据，分别是：x轴向切削力、y轴向切削力、z轴向切削力、x轴向振动、y轴向振动、z轴向振动和声音信号。

在每个铣削循环过程中，传感器的采样频率设置为50kHz，采样数据超过10万条；

S3.对原始测量数据进行预处理，包括特征选择、时间窗口数据生成和数据归一化，得到训练数据和待测试数据。具体处理步骤如下：

S31.在数据集中，单个铣削操作过程收集的数据放在一个文件中，将这些传感数据沿时间方向均匀切分为100份。然后提取每一份的平均值和最大值组成新的长度为100的序列数据，共得到14维处理后的特征数据；将得到的14维序列数据视作长度为100、宽度为14的时间窗口数据样本。

在数据集中，每组实验都进行了315次切削操作，即经过处理后，每个子数据集包含315个尺寸为100*14的时间窗口数据样本。

S32.对得到的时间窗口数据沿着时间轴进行数据归一化，采用最大-最小归一化方法，将数据归一至[-1,1]区间内，以此增加神经网络的收敛速度并提高预测精度。

S33.在每个铣削操作完成后，使用仪器离线测量刀具的磨损量，并将磨损量作为训练数据的标签，从而得到训练数据集；测试数据集只需要经过S31和S32处理。

在每个铣削循环结束后，通过LEICA MZ12显微镜离线测量刀具三个坐标轴方向的磨损量，然后记录在文档中。实际加工中，磨损量最大值对刀具加工影响最大，因此如图5所示，取三个方向磨损量中的最大值为实验数据的刀具磨损量值。在记录过程中，刀具磨损量是以10^-3mm为单位记录的。

在数据集中，C1、C4和C6子集都记录了刀具磨损量，可以用来验证模型的有效性；在验证过程中，采用多重验证的方式，让C1、C4和C6分别充当测试集，以便更加客观公正地评价本发明的模型。训练集与测试集的选择如表1所示。

表1

S4.建立基于卷积神经网络和双向门控循环单元网络的并行深度神经网络模型；

本实例中的并行深度神经网络模型构建如图3所示。

在本实例中，输入数据是以三维格式准备的：(样本，时间，特征)。该数据格式可以直接作为第二子网络的输入，但第一子网络要求输入格式为四维数据，在不改变原有数据尺寸的基础上添加第四维通道，并设置为1，则得到的卷积神经网络输入数据格式为：(样本，时间，特征，1)。

S41.构造第一子网络，第一子网络由双层卷积神经网络组成，每层卷积神经网络包括连续依次连接的一个卷积层和一个池化层；

第一层卷积神经网络的卷积层由20个卷积滤波器组成，20个卷积滤波器的大小相同，尺寸均设置为：3*1，但内部权值不同，对输入数据，即进行卷积得到20个特征图；第一层卷积神经网络的池化层采取最大池化方法，池化尺寸设置为2*1，分别对卷积层输出的各个特征图进行池化操作，得到池化后的特征图，并将特征图传入第二层卷积神经网络的卷积层；

第二层卷积神经网络的卷积层滤波器数量为10，其他设置与第一层卷积神经网络相同；此外，在两个卷积层均采取补零策略以保持数据经过该层尺寸不变。

在模型训练过程中，步骤S3获得训练数据输入到第一子网络的双层卷积神经网络中，首先经卷积层进行卷及操作后获得多个特征图，然后再将多个特征图送入池化层进行池化处理，获得池化后的特征图。之后再传入第二层卷积神经网络进行处理，经卷积和池化处理后，将得到的特征图输出第一子网络。

S42.构造第二子网络，第二子网络由双层双向门控循环单元网络(Bi-GRU)组成，每层Bi-GRU包括两层计算方向相反的门控循环单元网络，每层门控循环单元网络(GRU)的GRU单元数设置为100；

输入数据经第一层Bi-GRU网络处理后，输出数据传入第二层Bi-GRU网络进行处理。经两层Bi-GRU网络对输入数据处理后，得到输入数据的时序特征；

步骤S3获得训练数据输入到第二子网络的双层Bi-GRU网络中进行处理。Bi-GRU网络的两个GRU层沿着时间轴从相反的方向，通过GRU单元对输入数据进行处理。第一层Bi-GRU网络处理后将数据传入第二层Bi-GRU网络中进行处理，进而得到输入数据的时序特征。

S43.构造特征数据融合层，将第一子网络和第二子网络的输出数据进行线性连接，得到特征融合数据；

S44.在特征数据融合层之后构建两个连续的全连接网络层，在本实例中，每层全连接层的神经元数目均设置为150；

S45.构建输出层，输出层为全连接网络，神经元数设置为1，输出量为数控机床刀具的预测磨损量预测值。

为防止模型训练过程出现过拟合，在并行深度神经网络中加入dropuot技术。本实例中，在两个全连接网络层均设置dropout，dropout率均设置为0.2。

上述卷积神经网络、双向门控循环单元网络及全连接网络中，激活函数均选择线性整流函数(ReLU)，输出层的激活函数选择线性函数(Linear)。

在该实例中，选择均匀分布初始化(glorot uniform)方法对神经网络权重进行初始化，神经网络模型的损失函数选择均方差损失函数(mean squared error)。在训练过程中，采用Adam优化器进行优化，学习率设置为0.0005。

在训练过程中，将原始训练数据集划分为训练集和验证集。具体地，随机选取原始训练集20％的数据作为验证集，剩余数据作为训练集。迭代次数设置为150，利用训练集和验证集离线对神经网络模型进行训练，得到训练好的并行深度神经网络模型。

然后将步骤3获得的测试数据输入上述训练好的并行深度神经网络模型中，得到每个铣削操作过程刀具的磨损预测量。

本发明利用训练好的并行深度神经网络模型在S3准备好的训练集和测试集上进行了三组实验，预测测试集数据中每个时刻的刀具磨损量。将刀具磨损的预测量与相应真实值进行比较，得到均方根误差(RMSE)，RMSE越小表明预测越精确。

为避免偶然因素的影响，每组实验重复十次，记录了十次实验的RMSE值，取平均值和标准差作为最终评价标准。在本实例中，均方根误差的平均值和标准差如下表所示：

表2

从表2可以看出，实验结果的均方根误差的平均值较小。同时，实验结果的标准差较小，说明结果波动较小，实验结果可靠。本实例三组实验的实验结果分布如图5所示。以上实验结果表明本方法能对数控机床刀具的磨损状况进行预测，方法可行有效。

本实例首先利用了多种传感器采集了数控机床铣削过程中的加工测量数据，然后对采集的传感数据进行预处理，包括时间窗口数据生成和数据归一化等，得到神经网络模型需要的输入数据。接着建立卷积神经网络与双向门控循环单元网络相融合的并行深度神经网络模型，利用训练数据得到训练好的神经网络模型，最后对待测试数据进行刀具磨损量预测。在数控加工刀具磨损状态预测领域，本发明专利首次提出由卷积神经网络与双向门控循环单元网络并行处理加工测试数据的方法，该方法新颖且具有创新性。

实验结果表明，该模型可以对数控机床加工过程中的刀具磨损状况进行有效预测，进一步根据磨损量值对数据机床刀具进行更换或者修复处理。本发明可为数控机床的视情维护提供重要信息，避免在加工过程中因刀具磨损故障而造成严重损失，进而有效提高数控机床的有效使用寿命和加工效率。

上述实例实现为本发明专利在PHM 2010刀具磨损数据集上的一个调优结果，但本发明的具体实施不仅局限于上述实例。依照本发明原理和思路提出的相似方案，均应视为本发明专利的保护范围。

Claims (3)

1.一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于，包括以下步骤：

S1.在数控机床工作台夹具及工件上安装三分量测力计、加速度传感器和声传感器；

所述步骤S1中，将三分量测力计(9)安装在工件(7)和夹具(8)之间，将三个加速度传感器(4、5、6)分别嵌装在工件的三个方向上，声传感器(10)嵌装在夹具(8)上；

S2.通过刀具对工件进行铣削加工操作，通过传感器采集所述三分量测力计、加速度传感器和声传感器的三种不同传感器融合的加工测量数据；

所述步骤S2中，对工件进行铣削加工实验，通过S1中安装的传感器得到铣削过程中的加工测量数据，包括切削力、振动信号和声信号；

S3.对原始测量数据进行特定预处理，得到具有刀具磨损量标签的训练数据和待测试数据；

所述步骤S3具体如下：

S31.将单个铣削加工操作过程收集的7种加工测量数据沿时间方向按时间方向均分为L份，提取每份数据的平均值和最大值组成新的长度为L、宽度为14的序列数据；将得到的序列数据作为一个时间窗口长度为L、宽度为14的时间窗口数据样本，对于K个铣削加工操作则有K个长度为L、宽度为14的时间窗口数据；

S32.对得到的时间窗口数据沿时间轴上进行数据统一的归一化，采用最大-最小归一化方法，将数据均归一至[-1,1]区间内；

S33.每个铣削操作后测量刀具的磨损量，并将磨损量作为训练数据的标签，从而得到训练数据；待测试数据只需要经过S31和S32处理；

S4.建立基于卷积神经网络和双向门控循环单元记忆网络的并行深度神经网络模型；

所述步骤S4中，所述的并行深度神经网络模型构建为：

S41.构造并行的两个子网络：

第一子网络由依次双层卷积神经网络组成，每层卷积神经网络包括连续依次连接的一个卷积层和一个池化层；卷积层由M个卷积滤波器组成，M个卷积滤波器的大小相同但内部权值不同，对输入的数据进行卷积得到M个特征图；且在两个卷积层均采取边缘补零方式以保持数据尺寸经过该层不变；池化层采取最大池化方式，分别对卷积层输出的各个特征图进行池化操作，得到池化后的特征图；

第二子网络由双层双向门控循环单元网络Bi-GRU组成，每层Bi-GRU网络包括两层计算方向相反的门控循环单元网络GRU，每层GRU网络包括N个GRU单元；输入数据经第一层Bi-GRU网络处理后再传入第二层Bi-GRU网络进行处理，经两层Bi-GRU网络对输入数据处理后，得到输入数据的时序特征；

S42.构造特征数据融合层，对第一子网络和第二子网络的输出数据进行线性连接，得到特征融合数据；

S43.在特征数据融合层之后构建两个连续的全连接网络层；

第一全连接网络层和第二全连接网络层后均设有dropout层，dropout层的dropout率均设置为0.2；

S44.构建输出层，神经元数设置为1，输出量为数控机床刀具的磨损量值；

S5.针对具有刀具磨损量标签的训练数据与其刀具磨损量标签输入到并行深度神经网络模型中，离线训练并行深度神经网络模型；

S6.针对数控机床需要预测的未知刀具磨损量标签的待测试数据输入到训练好的并行深度神经网络模型中，在线处理得到数据数控机床刀具的磨损量预测值。

2.根据权利要求1所述的一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于：对于并行深度神经网络模型，所述的输出层激活函数选择线性激活函数Linear进行预测，模型损失函数则选择均方差损失函数。

3.根据权利要求1所述的一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于：训练并行深度神经网络模型时选用Adam优化算法，学习率设置为0.0005，迭代次数设置为150。

Images