CN109940458B - 一种刀具未来磨损量在线预测方法 - Google Patents

Abstract

本发明提供了一种刀具未来磨损量的在线预测方法，以上一段时间的刀具磨损量数据作为输入，预测未来一段时间的刀具的磨损量。首先利用长短期记忆单元编码器，计算历史磨损量对于未来磨损量的影响，并生成一个状态张量。接下来，将这个状态张量作为长短期记忆单元解码器的输入，经过解码器生成未来一段时间的磨损量。在编码和解码过程中，由编码器、解码器和状态张量构成预测未来磨损量变化的循环神经网络，利用adam算法自动求得长短期记忆单元编码器和解码器的内部参数，并调节历史磨损量的影响因子。本发明解决了刀具磨损量演变趋势预测的问题，具有过程简便、处理快速、预测准确、泛化性能好的特点，可适用于不同工况下的切削过程。

Description

一种刀具未来磨损量在线预测方法

技术领域

本发明属于数控加工技术领域，具体涉及一种刀具磨损量的预测方法。

背景技术

在数控切削过程中，随着磨损量的增大刀具逐渐失效。刀具磨损对于工件表面质量和加工成本控制有非常重要的影响。通过对切削力、振动、声发射信号的处理和识别，可以间接地监测刀具磨损状态，避免人为判断的主观性。但是，仅仅进行刀具磨损监测还不能满足智能制造的需求。如果不能及早预测未来的刀具磨损量，就不能提前进行刀具更或切削参数优化的决策。因此，在线预测刀具磨损量的未来发展趋势是智能制造领域亟需解决的关键问题之一。

现有技术中，目前采用基于刀具磨损退化的静态模型，可以通过简单的延拓给出磨损量预测结论。这种方法没有考虑刀具磨损退化的时变性、动态性和随机性，预测提前量短、泛化性能差，不能适应不同工况和复杂多变的加工过程。

发明内容

为了克服现有技术的不足，本发明提供一种刀具未来磨损量在线预测方法，以上一段时间的刀具磨损量数据作为输入，预测未来一段时间的刀具的磨损量。首先利用长短期记忆单元编码器，计算历史磨损量对于将来磨损量变化轨迹的影响，并生成一个状态张量。接下来，将这个状态张量作为长短期记忆单元解码器的输入，经过解码器生成未来一段时间的磨损量。在编码和解码过程中，由编码器、解码器和状态张量构成预测未来磨损量变化的循环神经网络，利用adam算法自动求得长短期记忆单元编码器和解码器的内部参数。本发明解决了刀具磨损量演变趋势预测的问题，具有过程简便、处理快速、预测准确、泛化性能好的特点，可适用于不同工况下的切削过程。

为达到上述目的，本发明提供的一种刀具未来磨损量在线预测方法，包括以下步骤：

步骤1：以刀具在加工过程中第1个时刻到第m个时刻刀具的磨损量作为输入样本，构成一个结构为[m,1]的二维张量M₁，以第m+1到m+n时刻刀具的磨损量作为输出样本，构成一个结构为[n,1]的二维张量N₁，二维张量M₁和二维张量N₁构成一个样本对，其中m为自定义的刀具磨损量的历史时刻数，n为自定义的刀具磨损量的未来时刻数；然后再以第2个时刻到第m+1个时刻刀具的磨损量作为输入样本，构成结构为[m,1]的二维张量M₂，以m+2到m+n+1时刻刀具的磨损量作为输出样本，构成结构为[n,1]的二维张量N₂，二维张量M₂和二维张量N₂构成第二个样本对；以此类推，直至刀具在加工过程中最后一个时刻的刀具磨损量第一次被作为输出样本为止，完成样本对的构建过程；使用得到的所有样本对建立刀具磨损量样本数据库；

步骤2：采用如下步骤构建基于长短期记忆模型的循环神经网络模型：

步骤2-1：构建的循环神经网络模型的输入端为历史磨损量编码器，再顺序连接全连接层1、复制矢量层、未来磨损量解码器、全连接层2，全连接层2作为最后的输出端；

步骤2-2：循环神经网络模型的输入是结构为[m,1]的输入张量，输出是结构为[n,1]的张量；

步骤2-3：历史磨损量编码器由两层长短期记忆单元组成，第一层为一个64维的长短期记忆单元，第二层为一个32维的长短期记忆单元；将输入张量输入历史磨损量编码器，计算得到一个结构为[32,32]的状态值张量，作为历史磨损量编码器的输出；

步骤2-4：将步骤2-3中得到的状态值张量输入到全连接层1，通过卷积运算，输出一个结构为[1,32]的磨损量状态张量；

步骤2-5：将步骤2-4中得到的磨损量状态张量输入到复制矢量层，复制矢量层将磨损量状态张量复制n个，输出一个结构为[n,32]的复制张量；

步骤2-6：未来磨损量解码器由两层长短期记忆单元组成，第一层为一个32维的长短期记忆单元，第二层为一个16维的长短期记忆单元；将步骤2-5得到的复制张量输入到未来磨损量解码器，计算得到一个结构为[n,32]的未来磨损量高维张量；

步骤2-7：将步骤2-6中得到的未来磨损量高维张量输入全连接层2，通过卷积运算进行维度变换，生成一个[n,1]的未来磨损量1维张量，作为循环神经网络模型的最终输出，对应于未来n个时刻的刀具磨损量；

步骤3：采用如下步骤训练循环神经网络模型：

步骤3-1：将步骤1中得到的刀具磨损量样本数据库中的样本对随机划分为两部分，一部分作为训练集，另外一部分作为验证集；

步骤3-2：初始化循环神经网络模型的参数：将历史磨损量编码器的记忆-遗忘门径权重、未来磨损量解码器的记忆-遗忘门径权重、全连接层1的权重和全连接层2的权重使用glorot正态分布初始化方法进行初始化，将历史磨损量编码器的偏置、未来磨损量解码器的偏置、全连接层1的偏置和全连接层2的偏置都置0；

步骤3-3：定义损失函数logcosh表示为：

logcosh(y_true,y_pred)＝log(cosh(y_pred-y_true))

其中，y_pred为循环神经网络模型预测的刀具磨损量数值，y_true为刀具的真实磨损量数值；

步骤3-4：采用adam优化算法，使用步骤3-1中得到的训练集中的样本对对循环神经网络模型进行监督式训练，全部样本对使用完成后，得到更新后的循环神经网络模型；再使用步骤3-3定义的损失函数logcosh计算采用训练集样本对的损失函数值并记录；

步骤3-5：使用步骤3-1中得到的验证集中的全部样本对对步骤3-4得到的更新后的循环神经网络模型进行验证，用损失函数logcosh计算采用验证集样本对的损失函数值并记录；

步骤3-6：重复步骤3-4、步骤3-5，当训练集样本对的损失函数值保持不变或者下降并且验证集样本对的损失函数值上升的时候，此时循环神经网络模型进入过拟合，选择发生过拟合之前上一轮训练得到的循环神经网络模型作为最优预测模型；若没有发生过拟合，且当训练集样本对的损失函数值低于1，选择此时循环神经网络模型作为最优预测模型；

步骤4：将步骤3得到的最优预测模型按照HDF5的格式存储为二进制数据，供在线预测时使用；

步骤5：将从包括当前时刻并连续向前m时刻的刀具磨损量作为最优预测模型的输入，最优预测模型的输出即为预测的当前时刻之后连续n个时刻的刀具磨损量值。

本发明的有益效果是：由于采用了本发明的一种刀具未来磨损量在线预测方法，有效地解决了传统方法无法灵活调整预测时长，依赖先验知识和经验，过程复杂且需要技巧的缺陷，可适用于不同的工况，具有较强的泛化性能。

附图说明

图1是循环神经网络模型结构图。

图2是循环神经网络训练过程中的短期预测模型在训练集和验证集上误差的在每轮的变化过程。

图3是循环神经网络模型训练过程中的中长期预测模型在训练集和验证集上误差的在每轮的变化过程。

图4是以刀具加工的20-21行程为输入，第22-26行程为输出的磨损量真实值和预测模型预测值的对比图。

图5是以刀具加工的10-19行程为输入，第20-29行程为输出的磨损量真实值和预测模型预测值的对比图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

如图1所示，本发明提供的一种刀具未来磨损量在线预测方法，包括以下步骤：

步骤1：以刀具在加工过程中第1个时刻到第m个时刻刀具的磨损量作为输入样本，构成一个结构为[m,1]的二维张量M₁，以第m+1到m+n时刻刀具的磨损量作为输出样本，构成一个结构为[n,1]的二维张量N₁，二维张量M₁和二维张量N₁构成一个样本对，其中m为自定义的刀具磨损量的历史时刻数，n为自定义的刀具磨损量的未来时刻数；然后再以第2个时刻到第m+1个时刻刀具的磨损量作为输入样本，构成结构为[m,1]的二维张量M₂，以m+2到m+n+1时刻刀具的磨损量作为输出样本，构成结构为[n,1]的二维张量N₂，二维张量M₂和二维张量N₂构成第二个样本对；以此类推，直至刀具在加工过程中最后一个时刻的刀具磨损量第一次被作为输出样本为止，完成样本对的构建过程；使用得到的所有样本对建立刀具磨损量样本数据库；

步骤2：采用如下步骤构建基于长短期记忆模型的循环神经网络模型：

步骤2-1：构建的循环神经网络模型的输入端为历史磨损量编码器，再顺序连接全连接层1、复制矢量层、未来磨损量解码器、全连接层2，全连接层2作为最后的输出端；

步骤2-2：循环神经网络模型的输入是结构为[m,1]的输入张量，输出是结构为[n,1]的张量；

步骤2-3：历史磨损量编码器由两层长短期记忆单元组成，第一层为一个64维的长短期记忆单元，第二层为一个32维的长短期记忆单元；将输入张量输入历史磨损量编码器，计算得到一个结构为[32,32]的状态值张量，作为历史磨损量编码器的输出；

步骤2-4：将步骤2-3中得到的状态值张量输入到全连接层1，通过卷积运算，输出一个结构为[1,32]的磨损量状态张量；

步骤2-5：将步骤2-4中得到的磨损量状态张量输入到复制矢量层，复制矢量层将磨损量状态张量复制n个，输出一个结构为[n,32]的复制张量；

步骤2-6：未来磨损量解码器由两层长短期记忆单元组成，第一层为一个32维的长短期记忆单元，第二层为一个16维的长短期记忆单元；将步骤2-5得到的复制张量输入到未来磨损量解码器，计算得到一个结构为[n,32]的未来磨损量高维张量；

步骤2-7：将步骤2-6中得到的未来磨损量高维张量输入全连接层2，通过卷积运算进行维度变换，生成一个[n,1]的未来磨损量1维张量，作为循环神经网络模型的最终输出，对应于未来n个时刻的刀具磨损量；

步骤3：采用如下步骤训练循环神经网络模型：

步骤3-1：将步骤1中得到的刀具磨损量样本数据库中的样本对随机划分为两部分，一部分作为训练集，另外一部分作为验证集；

步骤3-2：初始化循环神经网络模型的参数：将历史磨损量编码器的记忆-遗忘门径权重、未来磨损量解码器的记忆-遗忘门径权重、全连接层1的权重和全连接层2的权重使用glorot正态分布初始化方法进行初始化，将历史磨损量编码器的偏置、未来磨损量解码器的偏置、全连接层1的偏置和全连接层2的偏置都置0；

步骤3-3：定义损失函数logcosh表示为：

logcosh(y_true,y_pred)＝log(cosh(y_pred-y_true))

其中，y_pred为循环神经网络模型预测的刀具磨损量数值，y_true为刀具的真实磨损量数值；

步骤3-4：采用adam优化算法，使用步骤3-1中得到的训练集中的样本对对循环神经网络模型进行监督式训练，全部样本对使用完成后，得到更新后的循环神经网络模型；再使用步骤3-3定义的损失函数logcosh计算采用训练集样本对的损失函数值并记录；

步骤3-5：使用步骤3-1中得到的验证集中的全部样本对对步骤3-4得到的更新后的循环神经网络模型进行验证，用损失函数logcosh计算采用验证集样本对的损失函数值并记录；

步骤3-6：重复步骤3-4、步骤3-5，当训练集样本对的损失函数值保持不变或者下降并且验证集样本对的损失函数值上升的时候，此时循环神经网络模型进入过拟合，选择发生过拟合之前上一轮训练得到的循环神经网络模型作为最优预测模型；若没有发生过拟合，且当训练集样本对的损失函数值低于1，选择此时循环神经网络模型作为最优预测模型；

步骤4：将步骤3得到的最优预测模型按照HDF5的格式存储为二进制数据，供在线预测时使用；

步骤5：将从包括当前时刻并连续向前m时刻的刀具磨损量作为最优预测模型的输入，最优预测模型的输出即为预测的当前时刻之后连续n个时刻的刀具磨损量值。

下面通过实施例对本发明做出进一步说明。

采用美国PHM学会在2010年发布的刀具磨损数据，具体磨损切削参数如表1所示：

表1

建立两种预测模型，第一种：选择m＝2、n＝5作为短期预测模型参数；第二种：选择m＝10、n＝20作为中长期预测模型参数。刀具的加工过程总共有315个行程，分别选择t到m+t-1行程的磨损量和m+t到m+n+t-1的磨损量作为输入样本和输出样本，输入样本的磨损量张量形式为[m,1]，输出样本的磨损量张量形式为[n,1]，其中m、n、t为整数，t≥1且m+n+t-1≤315。

按照步骤1，根据两种预测模型不同的m和n值，构建输入和输出样本对，完成针对两种预测模型的刀具磨损量样本数据库构建。

按照步骤2，根据两种预测模型不同的m和n值，构建短期预测循环神经网络模型和中长期预测循环神经网络模型。

这两个模型均使用相同的方法进行训练。两个模型均使用adam优化器，以logcosh作为损失函数，按照优化器和损失函数来编译两个模型。在模型训练之前，对样本对按照8：2的比例随机划分划分为训练集和验证集，其中样本对的80％归入训练集，样本对的20％归入验证集。将全部训练集样本对送入模型进行训练，每当一轮训练集数据训练完毕，使用该轮训练后更新的循环神经网络模型在验证集上进行评估，计算模型在训练集和验证集上的logcosh损失函数值。当训练集样本对的损失函数值保持不变或者下降而验证集样本对的损失函数值上升的时候，此时模型进入过拟合，选择发生过拟合之前上一次训练得到的循环神经网络模型作为最优预测模型；若没有发生过拟合，且当训练集上模型给出的损失值低于1，选择此时循环神经网络模型作为最优预测模型。

得到最优预测模型后，按照HDF5的格式存储为二进制数据进行保存。

根据两种预测模型不同的m和n值，可以得到短期预测模型和中长期预测模型。

图2和图3显示了随着训练过程，模型的误差变化情况。在训练的过程中，模型在训练集和验证集上的误差一直在整体下降或者在某一个值附近震荡，始终没有出现过拟合的现象。同时根据磨损量的数值，可以看到模型的精度非常高，同时对比模型在训练集和验证集上的误差值，模型在两个集合取得了非常相似的准确率，可以看到模型的优异的泛化性能，能够推断出相似工况下的刀具磨损退化轨迹。

模型训练完成后，即可进行预测。按照相同的参数和行程长度加工工件，按照与模型相同的m构建输入样本，输入到对应模型之后，经过模型的计算得到结构为[n，1]的输出张量，对应接下来n个行程内的磨损量的变化。表2为预测模型拟合真实值的指标值，显示了模型在整个数据集上的预测精度：

表2

评价指标	值
		短期模型的均方误差	0.482
短期模型的绝对误差	0.428
		中长期模型的均方误差	0.797
中长期模型的绝对误差	0.436

可以看到两个模型都能很准确的预测短期和中长期的磨损量的未来趋势变化。图4和图5给出了模型以某一段磨损量作为输入，预测接下来的未来刀具磨损量变化的趋势。可以看到模型很准确的给出了刀具磨损进入平台期的变化，同时也可以看到模型给出的磨损量预测也非常的贴合真实磨损量的退化轨迹，这都说明了模型优秀的推断和泛化能力。

Claims (1)

1.一种刀具未来磨损量在线预测方法，其特征在于，包括以下步骤：

步骤1：以刀具在加工过程中第1个时刻到第m个时刻刀具的磨损量作为输入样本，构成一个结构为[m,1]的二维张量M₁，以第m+1到m+n时刻刀具的磨损量作为输出样本，构成一个结构为[n,1]的二维张量N₁，二维张量M₁和二维张量N₁构成一个样本对，其中m为自定义的刀具磨损量的历史时刻数，n为自定义的刀具磨损量的未来时刻数；然后再以第2个时刻到第m+1个时刻刀具的磨损量作为输入样本，构成结构为[m,1]的二维张量M₂，以m+2到m+n+1时刻刀具的磨损量作为输出样本，构成结构为[n,1]的二维张量N₂，二维张量M₂和二维张量N₂构成第二个样本对；以此类推，直至刀具在加工过程中最后一个时刻的刀具磨损量第一次被作为输出样本为止，完成样本对的构建过程；使用得到的所有样本对建立刀具磨损量样本数据库；

步骤2：采用如下步骤构建基于长短期记忆模型的循环神经网络模型：

步骤2-1：构建的循环神经网络模型的输入端为历史磨损量编码器，再顺序连接全连接层1、复制矢量层、未来磨损量解码器、全连接层2，全连接层2作为最后的输出端；

步骤2-2：循环神经网络模型的输入是结构为[m,1]的输入张量，输出是结构为[n,1]的张量；

步骤2-3：历史磨损量编码器由两层长短期记忆单元组成，第一层为一个64维的长短期记忆单元，第二层为一个32维的长短期记忆单元；将输入张量输入历史磨损量编码器，计算得到一个结构为[32,32]的状态值张量，作为历史磨损量编码器的输出；

步骤2-4：将步骤2-3中得到的状态值张量输入到全连接层1，通过卷积运算，输出一个结构为[1,32]的磨损量状态张量；

步骤2-5：将步骤2-4中得到的磨损量状态张量输入到复制矢量层，复制矢量层将磨损量状态张量复制n个，输出一个结构为[n,32]的复制张量；

步骤2-6：未来磨损量解码器由两层长短期记忆单元组成，第一层为一个32维的长短期记忆单元，第二层为一个16维的长短期记忆单元；将步骤2-5得到的复制张量输入到未来磨损量解码器，计算得到一个结构为[n,32]的未来磨损量高维张量；

步骤2-7：将步骤2-6中得到的未来磨损量高维张量输入全连接层2，通过卷积运算进行维度变换，生成一个[n,1]的未来磨损量1维张量，作为循环神经网络模型的最终输出，对应于未来n个时刻的刀具磨损量；

步骤3：采用如下步骤训练循环神经网络模型：

步骤3-1：将步骤1中得到的刀具磨损量样本数据库中的样本对随机划分为两部分，一部分作为训练集，另外一部分作为验证集；

步骤3-2：初始化循环神经网络模型的参数：将历史磨损量编码器的记忆-遗忘门径权重、未来磨损量解码器的记忆-遗忘门径权重、全连接层1的权重和全连接层2的权重使用glorot正态分布初始化方法进行初始化，将历史磨损量编码器的偏置、未来磨损量解码器的偏置、全连接层1的偏置和全连接层2的偏置都置0；

步骤3-3：定义损失函数logcosh表示为：

logcosh(y_true,y_pred)＝log(cosh(y_pred-y_true))

其中，y_pred为循环神经网络模型预测的刀具磨损量数值，y_true为刀具的真实磨损量数值；

步骤3-4：采用adam优化算法，使用步骤3-1中得到的训练集中的样本对对循环神经网络模型进行监督式训练，全部样本对使用完成后，得到更新后的循环神经网络模型；再使用步骤3-3定义的损失函数logcosh计算采用训练集样本对的损失函数值并记录；

步骤3-5：使用步骤3-1中得到的验证集中的全部样本对对步骤3-4得到的更新后的循环神经网络模型进行验证，用损失函数logcosh计算采用验证集样本对的损失函数值并记录；

步骤3-6：重复步骤3-4、步骤3-5，当训练集样本对的损失函数值保持不变或者下降并且验证集样本对的损失函数值上升的时候，此时循环神经网络模型进入过拟合，选择发生过拟合之前上一轮训练得到的循环神经网络模型作为最优预测模型；若没有发生过拟合，且当训练集样本对的损失函数值低于1，选择此时循环神经网络模型作为最优预测模型；

步骤4：将步骤3得到的最优预测模型按照HDF5的格式存储为二进制数据，供在线预测时使用；

步骤5：将从包括当前时刻并连续向前m时刻的刀具磨损量作为最优预测模型的输入，最优预测模型的输出即为预测的当前时刻之后连续n个时刻的刀具磨损量值。

Images