CN109934424A - 一种刀具寿命预测方法及智能刀具管理系统 - Google Patents

Abstract

本发明涉及一种刀具寿命预测方法及智能刀具管理系统，该方法中包括以下步骤：S1：设定n种影响刀具寿命的参数，并选择m组刀具的数据组成训练数据集，每组刀具数据均包括n个对应于每种参数的参数值和刀具寿命值；S2：建立刀具寿命预测模型，将训练数据集中的各参数值作为输入数据，刀具寿命值作为输出数据，对刀具寿命预测模型进行训练，确定刀具寿命预测模型的参数；S3：将待测刀具的数据输入最优的刀具寿命预测模型中，根据模型的输出确定刀具寿命的预测值。本发明将刀具寿命预测模型应用在智能刀具管理系统中，能够有效的提高刀具剩余寿命预测的精准性。

Description

一种刀具寿命预测方法及智能刀具管理系统

技术领域

本发明涉及精密加工技术领域，尤其涉及一种刀具寿命预测方法及智能刀具管理系统。

背景技术

随着制造业的不断发展，自动化水平的不断提高，数控机床的应用更加广泛，而刀具作为数控机床核心部件，其重要性不言而喻。尤其在精密加工领域，刀具是否合理配置、科学使用、精准预测直接影响着零部件的加工质量、企业的生产效率及单位的用工成本。

离散制造过程中对复杂刀具的在线监测、寿命预测需求广泛，然而传统的刀具管理系统仅仅针对于刀具生产流程中的信息化管理，对刀具工况、刀具磨损、刀具寿命等方面缺乏科学有效的智能化监测预警措施，且复杂刀具从设计、制造、加工产品、维修和报废等全生命周期中存在数据链断流、状态不可控和业务链割裂等问题，这使得刀具管理问题愈发突出，企业厂家的产品质量难以得到保障、生产效率低下、用工成本提高，直接影响着企业厂家的核心竞争力。

发明内容

为解决上述问题，本发明一种刀具寿命预测方法，将其应用在智能刀具管理系统中，能够有效的提高刀具剩余寿命预测的精准性。

具体方案如下：

一种刀具寿命预测方法，包括以下步骤：

S1：设定n种影响刀具寿命的参数，并选择m组刀具的数据组成训练数据集，每组刀具数据均包括n个对应于每种参数的参数值和刀具寿命值；

S2：建立刀具寿命预测模型，将训练数据集中的各参数值作为输入数据，刀具寿命值作为输出数据，对刀具寿命预测模型进行训练，确定刀具寿命预测模型的参数；

S3：将待测刀具的数据输入最优的刀具寿命预测模型中，根据模型的输出确定刀具寿命的预测值。

进一步的，步骤S1中，设定训练数据集的输入数据集X＝[x_m1,x_m2,x_m3,…,x_mn]^T，输出数据集Y＝[y₁,y₂,y₃,…,y_m]^T；

步骤S2具体包括以下步骤：

S21：对模型参数进行初始化设定：

输入层个数为n个；

隐含层个数为k个；

输出层神经元个数为1个；

输入层至第i个隐含层之间的连接权值a_i＝[a_i1,a_i2,……,a_in]^T；

第i个隐含层的阈值b_i；

输出权值矩阵c_i＝[c₁,c₂,……,c_k]^T；

激励函数g(x)；

其中，连接权值a_i和阈值b_j的取值范围为[-1,1]；

S22：对刀具寿命预测模型进行多次训练，确定最优的连接权值和隐含层的阈值，生成最优的刀具寿命预测模型；

进一步的，步骤S22具体包括以下步骤，

S221：设定最大迭代次数H_max、群体数目NP、交叉因子CR和变异因子F；

S222：随机生成初始种群其中，H代表迭代次数，NP代表群体数目，D代表种群维数；

S223：设定m个样本的输出矩阵G：

S224：根据m个样本的输出矩阵G和输出数据集Y计算m个样本的输出权值矩阵C＝[c₁,c₂,……,c_k]^T：

C＝(G^TG)^-1G^T*Y

其中，(G^TG)^-1G^T为输出矩阵G的广义逆矩阵；

S225：计算适应度值PE：

其中，为表示二阶范数的平方，PE越小，精确度越高。

S226：从种群中随机选择三个个体r1、r2、r3∈[1,NP]，且r1≠r2≠r3，

根据下式生成变异后的种群：

式中：是变异种群P_v中的个体，F为变异因子，0<F<2；

S227：变异个体与父代个体离散交叉得到更新的新生代个体

式中：交叉因子CR∈[0,1]，j_rand为[1,D]间随机整数，rand(.)表示随机数；

S228：新生代个体与父代个体的适应度值PE进行比较，两者之间值较小者进入下一代，否则保留；

S229：重复步骤S223到步骤S228，直到迭代次数H达到最大迭代次数H_max设定此时的连接权值和隐含层的阈值为最优的连接权值和隐含层的阈值，生成最优的刀具寿命预测模型。

一种智能刀具管理系统，用于实现本发明实施例中所述的方法，包括智能刀具全生命周期管理模块、统计分析管理模块、可视化管理模块和基础信息管理模块；所述智能刀具全生命周期管理模块、统计分析管理模块、可视化管理模块和基础信息管理模块均部署在应用服务器上，智能刀具管理系统还包括数据服务器用以管理刀具数据。

进一步的，所述智能刀具全生命周期管理模块用于提供复杂刀具全生命周期状态追溯服务，包括刀具采购单元、刀具入库单元、刀具出库单元、刀具拆卸单元、刀具零部件更换单元和寿命监测单元和预警单元；

所述刀具采购单元用于对刀具采购流程中信息的维护服务；

所述刀具入库单元用于对刀具入库流程中信息的维护服务；

所述刀具出库单元用于对刀具出库流程中信息的维护服务；

所述刀具拆卸单元用于对刀具的拆卸、配置流程中的信息维护服务；

所述刀具零部件更换单元用于在刀具构件需要更换零部件时提供流程管理服务；

所述寿命监测单元通过在线监测技术对刀具进行实时的可视化监测服务，其采用本发明实施例所述的方法，为刀具提供剩余寿命预测服务；

所述预警单元用于对刀具全生命周期状态的追溯及预警，对刀具状态进行实时预警，并将预警信息及时告知相关人员。

进一步的，所述统计分析管理模块用于统计刀具作业流程产生的数据，并将分析结果以报表单据的形式展现。

进一步的，所述可视化管理模块包括刀具信息单元、刀具柜与刀具存储单元、零部件与夹具存储单元和机床刀具存储单元，通过可视化界面来展示各类刀具相关信息。

进一步的，所述基础信息管理模块包括对刀具类型、单把刀具、刀具柜、夹具、零部件和机床的基本信息进行统一维护管理。

进一步的，所述智能刀具全生命周期管理模块、统计分析管理模块、可视化管理模块和基础信息管理模块在应用服务器上的部署方式采用分布式数据库、服务器集群和负载均衡的方式。

本发明采用如上技术方案，提出了一种刀具寿命预测模型，将其应用在智能刀具管理系统中，能够有效的提高刀具剩余寿命预测的精准性；本发明中所述系统是集国外先进的刀具管理理念与国内典型用户的具体需求相结合研制开发而成，拥有规范的出入库操作，智能的组合刀具拆装，及时的刀具寿命预警，丰富的库存统计和成本分析，集成刀具全生命周期的业务链，实现对刀具的全生命周期智能化管控，能够最大化的满足企业对刀具管理的通用需求。

附图说明

图1所示为本发明实施例一的流程示意图。

图2所示为本发明实施例二的结构示意图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。

现结合附图和具体实施方式对本发明进一步说明。

本发明实施例提供了一种刀具寿命预测方法，如图1所示，其为本发明实施例所述的刀具寿命预测方法的流程示意图，所述方法可包括以下步骤：

S1：设定n种影响刀具寿命的参数，并选择m组刀具的数据组成训练数据集，每组刀具数据均包括n个对应于每种参数的参数值和刀具寿命值，则训练数据集中样本的个数为m，训练数据集的输入数据集X＝[x_m1,x_m2,x_m3,…,x_mn]^T，输出数据集Y＝[y₁,y₂,y₃,…,y_m]^T。

该实施例中，设定影响刀具寿命的参数为5种，即n＝5，分别为切削速度、进给量、切削深度、切削宽度、刀具可加工性。选择了m＝20组刀具的数据，如表1所示。上述数据均通过高精密仪器实验测量所得。

表1

S2：建立刀具寿命预测模型，将训练数据集中的各参数值作为输入数据，刀具寿命值作为输出数据，对刀具寿命预测模型进行训练，确定刀具寿命预测模型的参数。

该实施例中，将表1中的对应于切削速度、进给量、切削深度、切削宽度、刀具可加工性各参数下的值作为输入数据。

步骤S2具体包括以下步骤：

S21：对模型参数进行初始化设定：

输入层个数为n个；

隐含层个数为k个；

输出层神经元个数为1个；

输入层至第i个隐含层之间的连接权值a_i＝[a_i1,a_i2,……,a_in]^T；

第i个隐含层的阈值b_i；

第i个隐含层至输出层的输出权值c_i；

所有输出权值构成的输出权值矩阵c_i＝[c₁,c₂,……,c_k]^T；

激励函数g(x)。

其中，权值a_i和阈值b_j的取值范围为[-1,1]。

该实施例中，由于n＝k＝5，则输出入和隐含层的个数均为5个，进而隐含层的阈值也为5个。激励函数g(x)选择常用的sigmoid函数，在其他的实施例中，也可以选择其他函数。

S22：对刀具寿命预测模型进行多次训练，以优化连接权值和隐含层的阈值，生成最优的刀具寿命预测模型。

步骤S22具体包括以下步骤：

S221：设定最大迭代次数H_max、群体数目NP、交叉因子CR和变异因子F。

该实施例中设定最大迭代次数H_max＝20，本领域技术人员可以根据经验进行设定。

S222：随机生成初始种群其中，H代表迭代次数，NP代表群体数目，D代表种群维数。

S223：设定m个样本的输出矩阵G：

S224：根据m个样本的输出矩阵G和输出数据集Y计算m个样本的输出权值矩阵C＝[c₁,c₂,……,c_k]^T：

C＝(G^TG)^-1G^T*Y

其中，(G^TG)^--G^T为输出矩阵G的广义逆矩阵。

S225：计算适应度值PE：

其中，为表示二阶范数的平方，PE越小，精确度越高。

S226：变异操作：

从种群中随机选择三个个体r1、r2、r3∈[1,n]，且r1≠r2≠r3。

根据下式生成变异后的种群：

式中：是变异种群P_v中的个体，F为变异因子，0<F<2；

S227：交叉操作：

变异个体与父代个体离散交叉得到更新的新生代个体

式中：交叉因子CR∈[0,1]，j_rand为[1,D]间随机整数，rand(.)表示随机数。

S228：选择操作：

新生代个体与父代个体的适应度值PE进行比较，两者之间值较小者进入下一代，否则保留：

式中：为第H代第i个的适应度值。

S229：迭代运算：

重复步骤S223到步骤S228，直到算法中迭代次数H达到最大迭代次数H_max设定此时的连接权值和隐含层的阈值为最优的连接权值和隐含层的阈值，生成最优的刀具寿命预测模型。

S3：将待测刀具的数据输入最优的刀具寿命预测模型中，根据模型的输出确定刀具寿命的预测值。

该实施例中，将表1中的编号20的数据输入最优的刀具寿命预测模型中，得到模型的输出，即刀具寿命预测值，其刀具寿命预测值为160.3924T/min。

实施例二：

本发明实施例二提供了一种智能刀具管理系统，以RT-ITMS智能刀具管理系统为原型，详细介绍具体的实施方式。

RT-ITMS智能刀具管理系统，是国外先进的刀具管理理念与国内典型用户的具体需求相结合而研制开发的刀具管理平台，具有完善的数据库管理功能，能够非常灵活、高效地对不同生产厂家、不同类型的刀具进行多库管理。规范的出入库操作，智能的组合刀具拆装，及时的刀具寿命预警，丰富的库存统计和成本分析等各种强大的功能，完全可以满足各类制造企业对刀具管理的通用需求。实现对刀具的合理配置、科学使用、精准预测，进一步实现刀具的智能化监测预警，从而减少因刀具损坏而造成的损失，提升企业的生产效率，降低用工成本。

结合图2所示，本实施例所述系统包括：智能刀具全生命周期管理模块100、统计分析管理模块200、可视化管模块理300及基础信息管理模块400。

所述智能刀具全生命周期管理模块100、统计分析管理模块200、可视化管理模块300、基础信息管理模块400均部署在应用服务器上，所述智能刀具管理系统还配有数据服务器用以管理刀具数据。

所述智能刀具全生命周期管理模块100包括刀具采购单元、刀具入库单元、刀具出库单元、刀具拆卸单元、刀具零部件更换单元、寿命监测单元和预警单元，其采用无线射频/RFID、金属二维码和纸质二维码等多种标识技术混合的物联网构建技术，提供复杂刀具全生命周期状态追溯服务。

所述刀具采购单元用于对刀具采购流程中信息的维护服务。

所述刀具入库单元用于对刀具入库流程中信息的维护服务。

所述刀具出库单元用于对刀具出库流程中信息的维护服务。

所述刀具拆卸单元用于对刀具的拆卸、配置流程中的信息维护服务。

所述刀具零部件更换单元用于在刀具构件因损坏等造成需要更换零部件的情况，提供科学合理的流程管理服务。

所述寿命监测单元利用刀具实际加工过程的功率、声发射等在线监测技术，提供对刀具实时的可视化监测服务，采用实施例一中所述方法，为各类型、各场景下的刀具提供剩余寿命预测服务。

所述预警单元提供刀具全生命周期状态追溯方法及预警机制，对刀具状态的实时预警，并将预警信息及时告知相关人员。

所述统计分析管理模块200用于统计刀具作业流程产生的数据，并将分析结果以报表单据的形式展现。

所述的可视化管理模块300包括刀具信息、刀具柜与刀具存储、零部件与夹具存储、机床刀具存储，通过可视化界面来直观清晰的展示各类刀具相关信息，所述包含内容在图中未画出。

所述的基础信息管理模块400包含刀具类型、单把刀具、刀具柜、夹具、零部件、机床，对这一系列刀具相关的基本信息统一进行维护管理，所述包含内容在图中未画出。

所述智能刀具全生命周期管理模块100、统计分析管理模块200、可视化管理模块300和基础信息管理模块400均部署在应用服务器上，部署方式具体为采用分布式数据库、服务器集群和负载均衡。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (9)

1.一种刀具寿命预测方法，其特征在于，包括以下步骤：

S1：设定n种影响刀具寿命的参数，并选择m组刀具的数据组成训练数据集，每组刀具数据均包括n个对应于每种参数的参数值和刀具寿命值；

S2：建立刀具寿命预测模型，将训练数据集中的各参数值作为输入数据，刀具寿命值作为输出数据，对刀具寿命预测模型进行训练，确定刀具寿命预测模型的参数；

S3：将待测刀具的数据输入最优的刀具寿命预测模型中，根据模型的输出确定刀具寿命的预测值。

2.根据权利要求1所述的刀具寿命预测方法，其特征在于：步骤S1中，设定训练数据集的输入数据集X＝[x_m1,x_m2,x_m3,…,x_mn]^T，输出数据集Y＝[y₁,y₂,y₃,…,y_m]^T；

步骤S2具体包括以下步骤：

S21：对模型参数进行初始化设定：

输入层个数为n个；

隐含层个数为k个；

输出层神经元个数为1个；

输入层至第i个隐含层之间的连接权值a_i＝[a_i1,a_i2,……,a_in]^T；

第i个隐含层的阈值b_i；

输出权值矩阵c_i＝[c₁,c₂,……,c_k]^T；

激励函数g(x)；

其中，连接权值a_i和阈值b_j的取值范围为[-1,1]；

S22：对刀具寿命预测模型进行多次训练，确定最优的连接权值和隐含层的阈值，生成最优的刀具寿命预测模型。

3.根据权利要求2所述的刀具寿命预测方法，其特征在于：步骤S22具体包括以下步骤，

S221：设定最大迭代次数H_max、群体数目NP、交叉因子CR和变异因子F；

S222：随机生成初始种群其中，H代表迭代次数，NP代表群体数目，D代表种群维数；

S223：设定m个样本的输出矩阵G：

S224：根据m个样本的输出矩阵G和输出数据集Y计算m个样本的输出权值矩阵C＝[c₁,c₂,……,c_k]^T：

C＝(G^TG)^-1G^T*Y

其中，(G^TG)^-1G^T为输出矩阵G的广义逆矩阵；

S225：计算适应度值PE：

其中，为表示二阶范数的平方，PE越小，精确度越高。

S226：从种群中随机选择三个个体r1、r2、r3∈[1,NP]，且r1≠r2≠r3，

根据下式生成变异后的种群：

式中：是变异种群P_v中的个体，F为变异因子，0<F<2；

S227：变异个体与父代个体离散交叉得到更新的新生代个体

式中：交叉因子CR∈[0,1]，j_rand为[1,D]间随机整数，rand(.)表示随机数；

S228：新生代个体与父代个体P_i ^H的适应度值PE进行比较，两者之间值较小者进入下一代，否则保留；

S229：重复步骤S223到步骤S228，直到迭代次数H达到最大迭代次数H_max设定此时的连接权值和隐含层的阈值为最优的连接权值和隐含层的阈值，生成最优的刀具寿命预测模型。

4.一种智能刀具管理系统，其特征在于：用于实现权利要求1～3中任一所述的方法，包括智能刀具全生命周期管理模块、统计分析管理模块、可视化管理模块和基础信息管理模块；所述智能刀具全生命周期管理模块、统计分析管理模块、可视化管理模块和基础信息管理模块均部署在应用服务器上，智能刀具管理系统还包括数据服务器用以管理刀具数据。

5.根据权利要求4所述的系统，其特征在于：所述智能刀具全生命周期管理模块用于提供复杂刀具全生命周期状态追溯服务，包括刀具采购单元、刀具入库单元、刀具出库单元、刀具拆卸单元、刀具零部件更换单元和寿命监测单元和预警单元；

所述刀具采购单元用于对刀具采购流程中信息的维护服务；

所述刀具入库单元用于对刀具入库流程中信息的维护服务；

所述刀具出库单元用于对刀具出库流程中信息的维护服务；

所述刀具拆卸单元用于对刀具的拆卸、配置流程中的信息维护服务；

所述刀具零部件更换单元用于在刀具构件需要更换零部件时提供流程管理服务；

所述寿命监测单元通过在线监测技术对刀具进行实时的可视化监测服务，其采用权利要求1～3中任一所述的方法，为刀具提供剩余寿命预测服务；

所述预警单元用于对刀具全生命周期状态的追溯及预警，对刀具状态进行实时预警，并将预警信息及时告知相关人员。

6.根据权利要求4所述的系统，其特征在于：所述统计分析管理模块用于统计刀具作业流程产生的数据，并将分析结果以报表单据的形式展现。

7.根据权利要求4所述的系统，其特征在于：所述可视化管理模块包括刀具信息单元、刀具柜与刀具存储单元、零部件与夹具存储单元和机床刀具存储单元，通过可视化界面来展示各类刀具相关信息。

8.根据权利要求4所述的系统，其特征在于：所述基础信息管理模块包括对刀具类型、单把刀具、刀具柜、夹具、零部件和机床的基本信息进行统一维护管理。

9.根据权利要求4所述的系统，其特征在于：所述智能刀具全生命周期管理模块、统计分析管理模块、可视化管理模块和基础信息管理模块在应用服务器上的部署方式采用分布式数据库、服务器集群和负载均衡的方式。