CN110472800A - 一种基于lstm+cnn的机床刀具剩余寿命预测方法 - Google Patents
一种基于lstm+cnn的机床刀具剩余寿命预测方法 Download PDFInfo
- Publication number
- CN110472800A CN110472800A CN201910782945.6A CN201910782945A CN110472800A CN 110472800 A CN110472800 A CN 110472800A CN 201910782945 A CN201910782945 A CN 201910782945A CN 110472800 A CN110472800 A CN 110472800A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- training
- cnn
- real time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 61
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 239000013589 supplement Substances 0.000 claims abstract description 5
- 108010074506 Transfer Factor Proteins 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 20
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于LSTM+CNN的机床刀具剩余寿命预测方法,通过对上传训练数据的信号特征进行判断,区分连续型信号和离散型信号;对传感器采样的不同频率的实时数据进行数据合并;检查训练数据和实时数据是否存在缺失值或异常值,如存在缺失值或异常值,使用滑动平均的方法进行缺失值补充或异常值替换,使数据完整有效,并剔除离群点;对训练数据和实时数据根据数据特征进行选择和降维,以便于模型拟合和防止过拟合现象;训练、测试LSTM+CNN模型,并根据误差调整训练参数和模型参数,使误差降低到合理的范围内。本发明通过采用分组与降维两种方式来提高预测结果的精度,综合考虑了确定性因素与不确定性因素,可以有效提高预测结果的精度。
Description
技术领域
本发明涉及在线监测技术领域,具体涉及一种基于LSTM+CNN的机床刀具剩余寿命预测方法。
背景技术
现阶段,工厂中关于刀具寿命预测的方法基本上都是通过刀具的泰勒模型或其他简单物理模型计算,这些模型总是在某些方面有着优势,但是不能对各个时段、各种情况下的刀具磨损做出预测,不能应对当今金属切削技术水平和复杂程度。所以学术界主流思想是基于数据分析的方法,结合不同的传感器的信号,进行大数据预处理,选择相应的特征,最后利用不同的复杂模型来拟合数据,达到判断和预测刀具剩余寿命的目的。
如华中科技大学有人提出了一种数控机床刀具剩余寿命实时预测方法,该方法主要流程为,首先实时采集数控机床加工时的传感器信号,并进行信号预处理;通过预处理后的信号数据判断加工工况,根据加工工况的不同将加工过程划分为工作子区间;对每个工作子区间对刀具产生的损伤进行累加得到刀具累加损伤指数;以刀具累加损伤指数实现对刀具在目标工况下剩余寿命的实时预测。这种方法是通过对数据分析判断工况和累加损伤指数,然后通过以下公式计算剩余寿命,T剩=(1-D)T0
其中,T剩为刀具在目标工况下的剩余寿命,D为刀具的累加损伤指数,T0为刀具在目标工况下的使用寿命。这种方法的局限在于没有充分考虑刀具使用时各种传感器信号的时序性,即有时间关联性,如果遇到强干扰,则会产生较大的误差,因为其会判断不准工况子区间和损伤情况,不能通过前后时段的数据来矫正。
华中科技大学还有人提出的基于信息融合的刀具剩余寿命在线预测方法,该方法通过在加工中心主要功能部件上安装传感器,实时采集加工中心运行过程中的动态信号,经信号预处理和特征参数提取,采用皮尔逊相关系数和残差分析相结合的方法进行特征降维,获得最优的特征参数集.建立基于自适应神经模糊推理系统的刀具剩余寿命预测模型,在线预测刀具剩余寿命。该方法使用一种自适应神经模糊推理系统(ANFIS)作为模型来拟合数据,预测刀具的剩余寿命,但该方法同样存在缺陷,首先其模型中的自适应部分的学习决策能力不强,没有充分利用所选特征,并且其模糊推理原理就是if-then决策树思想,没用充分利用数据的时序性,实际使用在工厂中可能效果也不好。
注:
训练数据(Train Data)即数据挖掘过程中用于数据挖掘模型构建的数据。
PCA(principal components analysis)即主成分分析技术,又称主分量分析。主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。
皮尔森相关系数(Pearson correlation coefficient)也称皮尔森相关系数(Pearson product-moment correlation coefficient),是一种线性相关系数。皮尔森相关系数是用来反映两个变量线性相关程度的统计量。相关系数用r表示,其中n为样本量,分别为两个变量的观测值和均值。r描述的是两个变量间线性相关强弱的程度。r的绝对值越大表明相关性越强。
长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层。
卷积神经网络(Convolutional Neural Networks,CNN)是多层感知机(MLP)的变种。CNN是一种带有卷积结构的深度神经网络,通常至少有两个非线性可训练的卷积层,两个非线性的固定卷积层(又叫Pooling Layer)和一个全连接层,一共至少5个隐含层。CNN本质上是一个多层感知机,其成功的原因关键在于它所采用的局部连接和共享权值的方式,一方面减少了的权值的数量使得网络易于优化,另一方面降低了过拟合的风险。CNN是神经网络中的一种,它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。
交叉验证:把在某种意义下将原始数据(dataset)进行分组,一部分作为训练集(train set),另一部分作为验证集(validation set or test set),首先用训练集对分类器进行训练,在利用验证集来测试训练得到的模型(model),以此来作为评价分类器的性能指标。
发明内容
本发明要解决的技术问题是:在工厂现代化机床刀具使用过程中,刀具本身会产生磨损,磨损的刀具加工出来的部件可能会不符合规范甚至报废,所以需要及时更换刀具,更换刀具的时机很重要,如果过早会造成刀具浪费,成本增加,影响收益,如果过晚会生产不合规范的部件,所以需要根据各种传感器信号预测刀具的剩余寿命来确定时机。本发明提供一种基于LSTM+CNN的机床刀具剩余寿命预测方法,如何利用大数据分析的方法准确预测机床刀具的剩余寿命的问题。
本发明所采用的技术方案为:
一种基于LSTM+CNN的机床刀具剩余寿命预测方法,所述方法实现过程包括内容如下:
1)对上传训练数据的信号特征进行判断,区分连续型信号和离散型信号(区分类别的),一般预测刀具损耗和寿命需要的传感器信号有X,Y,Z方向的进给度和震动信号,主轴负载,电流等等,这些都是连续信号,具有时序性的特征;
2)对传感器采样的不同频率的实时数据进行数据合并;由于各种传感器采样频率不同(比如PLC位移信号和振动传感器的信号采样频率差别很大,PLC一般采样频率为50HZ,振动传感器有的高达25600HZ),不能直接作为特征变量进行训练(尺寸不同),需要将不同频率的信号进行合并;
3)检查训练数据和实时数据是否存在缺失值或异常值(如NAN、INF或-INF),如存在缺失值或异常值,使用滑动平均的方法进行缺失值补充或异常值替换,使数据完整有效,并剔除离群点;
4)对训练数据和实时数据根据数据特征进行选择和降维,可使用主成分分析(PCA)算法和皮尔森相关系数分析的方法进行,以便于模型更好的拟合和防止过拟合现象;
5)训练、测试LSTM+CNN(长短期记忆网络+卷积神经网络)模型,并根据误差调整训练参数和模型参数,使误差降低到合理的范围内。
所述传感器采样的不同频率的实时数据信号进行数据合并的过程包括内容如下:
根据模型训练的精确和速度,缩小采样频率高的数据,放大采样频率低的数据,使各输入数据的特征信号尺寸相同。
所述训练数据和实时数据采样相同的缩放系数。
所述训练、测试LSTM+CNN(长短期记忆网络+卷积神经网络)模型的过程包括内容:将选择和降维处理后的训练数据和实时数据进行划分,其中70%数据用作训练,30%数据用作测试。
对训练数据和实时数据根据数据特征进行选择和降维,使用主成分分析(PCA)算法或皮尔森相关系数分析的方法进行,以便于模型更好的拟合和防止过拟合现象。
所述机床刀具剩余寿命的预测过程包括内容如下:
1.将传感器实采样的不同频率实时数据进行数据合并;
2.检查合并后的实时数据是否存在缺失值或异常值,如存在缺失值或异常值,使用滑动平均的方法进行缺失值补充或异常值替换,使数据完整有效,并剔除离群点;
3.对处理后的实时数据根据数据特征进行选择和降维;
4.对选择和降维后的实时数据使用训练好的LSTM+CNN模型进行刀具的剩余寿命预测。
所述LSTM+CNN模型训练流程包含步骤如下:
使用训练数据,根据交叉验证原则分配数据,对LSTM进行监督学习;
将LSTM预测的结果数据作为一维数据变量,与训练LSTM的数据中经过特征选择和降维出的变量,比如对X,Y,Z方向的位移、X,Y,Z轴振动信号进行特征选择,选出与刀具剩余寿命最相关的几个变量,特征选择方法为皮尔森相关系数算法结合作为CNN的输入,对其进行训练。
在监督学习过程中,通过调整LSTM网络和训练参数使LSTM准确率更高。
所述LSTM网络和训练参数调整过程包括内容如下:
首先对训练参数进行调整,
如果过拟合,则需要减小学习参数(learning rate)、减少迭代次数等;
如果欠拟合,则需要适当增大学习参数,增多迭代次数等;
其次如果训练结果仍不够满意,则需要对网络结构进行调整,比如参考别的优秀网络,对网络层数进行调整,添加BatchNormalization层,可以优化batch(批次)大小对网络训练造成过拟合或不能拟合的问题,添加正则化层,应对过拟合等等。
在CNN训练过程中,通过调整同LSTM网络训练调参CNN参数、训练参数,添加BatchNormalization层(BN层)使CNN训练收敛更快,而且防止过拟合,从而得到更准确的结果,具体调整方法参照LSTM网络和训练参数调整过程。
本发明的有益效果为:
本发明通过采用分组与降维两种方式来提高预测结果的精度,综合考虑了确定性因素与不确定性因素,可以有效提高预测结果的精度。通过对机床刀具数据的时序性特征和各方向位移、各方向振动信号等其他有效特征建模,充分利用数据的特征进行分析,有效提高预测结果精确度;通过对数据进行不同量级间的合并、降维和相关性分析等预处理,利于拟合更准确的模型,有效提高预测结果的精确度;不需要对现代化机床添加额外的传感器,更经济。
附图说明
图1为本发明方法实现流程图;
图2为LSTM+CNN模型和训练预测流程图。
具体实施方式
下面结合说明书附图,通过具体实施方式对本发明进一步说明:
实施例1
如图1所示,某铣床刀具使用情况(历史数据),根据上传的传感器信号和PLC信号来对刀具剩余寿命进行预测;
若传感器信号和PLC信号频率不同(一般不同),需要对数据进行合并;
真实数据异常数据较多,需要对数据进行清洗;
然后先训练LSTM,再训练CNN,判断模型好坏(误差大小),进行调参后再训练,得到满意的模型;
然后根据铣床刀具的实时数据,进行相同步骤的数据清洗,输入模型进行预测,根据实时预测的结果进行刀具更换。
实施例2
如图2所示,图中X和h序列之间的是LSTM的模型简化示意部分,LSTM+CNN模型和训练预测流程如下:
使用训练数据,根据交叉验证原则分配数据,对LSTM进行监督学习;
将LSTM预测的结果数据作为一维数据变量,与训练LSTM的数据中经过特征选择和降维出的变量,比如对X,Y,Z方向的位移、X,Y,Z轴振动信号进行特征选择,选出与刀具剩余寿命最相关的几个变量,特征选择方法为皮尔森相关系数算法结合作为CNN的输入,对其进行训练。
在监督学习过程中,通过调整LSTM网络和训练参数使LSTM准确率更高。
对于“训练数据”,X表示LSTM的训练数据中经过特征选择和降维的输入变量序列,h表示LSTM输出的序列,在这里可以表示LSTM输出的剩余寿命序列,该序列作为CNN中输入的一个变量进行训练;
对于“实时数据”,X表示最近时刻的经过特征选择和降维的输入变量序列,h表示LSTM输出的最近时刻的剩余寿命序列,然后与输入变量序列X作为CNN输入变量,得到最终更准确的实时剩余寿命。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种基于LSTM+CNN的机床刀具剩余寿命预测方法,其特征在于,所述方法实现过程包括内容如下:
1)对上传训练数据的信号特征进行判断,区分连续型信号和离散型信号;
2)对传感器采样的不同频率的实时数据进行数据合并;
3)检查训练数据和实时数据是否存在缺失值或异常值,如存在缺失值或异常值,使用滑动平均的方法进行缺失值补充或异常值替换,使数据完整有效,并剔除离群点;
4)对训练数据和实时数据根据数据特征进行选择和降维;
5)训练、测试LSTM+CNN模型,并根据误差调整训练参数和模型参数,使误差降低到合理的范围内。
2.根据权利要求1所述的一种基于LSTM+CNN的机床刀具剩余寿命预测方法,其特征在于,所述传感器采样的不同频率的实时数据信号进行数据合并的过程包括内容如下:
根据模型训练的精确和速度,缩小采样频率高的数据,放大采样频率低的数据,使各输入数据的特征信号尺寸相同。
3.根据权利要求2所述的一种基于LSTM+CNN的机床刀具剩余寿命预测方法,其特征在于,所述训练数据和实时数据采样相同的缩放系数。
4.根据权利要求1所述的一种基于LSTM+CNN的机床刀具剩余寿命预测方法,其特征在于,所述训练、测试LSTM+CNN模型的过程包括内容:将选择和降维处理后的训练数据和实时数据进行划分,其中70%数据用作训练,30%数据用作测试。
5.根据权利要求1所述的一种基于LSTM+CNN的机床刀具剩余寿命预测方法,其特征在于,对训练数据和实时数据根据数据特征进行选择和降维,使用主成分分析算法或皮尔森相关系数分析的方法进行。
6.根据权利要求1-5任一所述的一种基于LSTM+CNN的机床刀具剩余寿命预测方法,其特征在于,所述机床刀具剩余寿命的预测过程包括内容如下:
1)将传感器实采样的不同频率实时数据进行数据合并;
2)检查合并后的实时数据是否存在缺失值或异常值,如存在缺失值或异常值,使用滑动平均的方法进行缺失值补充或异常值替换,使数据完整有效,并剔除离群点;
3)对处理后的实时数据根据数据特征进行选择和降维;
4)对选择和降维后的实时数据使用训练好的LSTM+CNN模型进行刀具的剩余寿命预测。
7.根据权利要求6所述的一种基于LSTM+CNN的机床刀具剩余寿命预测方法,其特征在于,所述LSTM+CNN模型训练流程包含步骤如下:
使用训练数据,根据交叉验证原则分配数据,对LSTM进行监督学习;
将LSTM预测的结果数据作为一维数据变量,与训练LSTM的数据中经过特征选择和降维出的变量,特征选择方法为皮尔森相关系数算法结合作为CNN的输入,对其进行训练。
8.根据权利要求7所述的一种基于LSTM+CNN的机床刀具剩余寿命预测方法,其特征在于,在监督学习过程中,通过调整LSTM网络和训练参数使LSTM准确率更高。
9.根据权利要求8所述的一种基于LSTM+CNN的机床刀具剩余寿命预测方法,其特征在于,所述LSTM网络和训练参数调整过程包括内容如下:
首先对训练参数进行调整;
如果过拟合,则减小学习参数、减少迭代次数;
如果欠拟合,则增大学习参数,增加迭代次数;
如果训练结果仍达不到要求,则对网络结构进行调整。
10.根据权利要求6所述的一种基于LSTM+CNN的机床刀具剩余寿命预测方法,其特征在于,在CNN训练过程中,通过调整CNN参数、训练参数,添加BatchNormalization层使CNN训练收敛更快,防止过拟合,从而得到更准确的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782945.6A CN110472800A (zh) | 2019-08-23 | 2019-08-23 | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782945.6A CN110472800A (zh) | 2019-08-23 | 2019-08-23 | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472800A true CN110472800A (zh) | 2019-11-19 |
Family
ID=68512083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782945.6A Pending CN110472800A (zh) | 2019-08-23 | 2019-08-23 | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472800A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475921A (zh) * | 2020-03-13 | 2020-07-31 | 重庆邮电大学 | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 |
CN111687689A (zh) * | 2020-06-23 | 2020-09-22 | 重庆大学 | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 |
CN112433907A (zh) * | 2020-10-26 | 2021-03-02 | 深圳前海有电物联科技有限公司 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
CN112692646A (zh) * | 2020-12-31 | 2021-04-23 | 上海交通大学 | 一种刀具磨损状态智能评估方法及装置 |
CN112858901A (zh) * | 2021-01-29 | 2021-05-28 | 东莞市牛犇智能科技有限公司 | 实时监测刀具运行状态与寿命预测的系统及方法 |
CN113305645A (zh) * | 2021-06-22 | 2021-08-27 | 重庆邮电大学工业互联网研究院 | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 |
CN113449463A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种基于lstm-dnn的设备寿命预测方法及装置 |
CN113837433A (zh) * | 2021-08-12 | 2021-12-24 | 裴平 | 有源数字阵列雷达装备射频系统剩余使用寿命预测方法 |
CN113867263A (zh) * | 2021-08-27 | 2021-12-31 | 大唐互联科技(武汉)有限公司 | 一种基于云边协同及机器学习的智能刀具管理系统 |
CN114676647A (zh) * | 2022-05-30 | 2022-06-28 | 中科航迈数控软件(深圳)有限公司 | 一种基于深度学习方法的数控机床零部件寿命预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN108427985A (zh) * | 2018-01-02 | 2018-08-21 | 北京理工大学 | 一种基于深度强化学习的插电式混合动力车辆能量管理方法 |
CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
CN109034449A (zh) * | 2018-06-14 | 2018-12-18 | 华南理工大学 | 基于深度学习和乘客行为模式的短期公交客流预测方法 |
CN109242143A (zh) * | 2018-07-31 | 2019-01-18 | 中国电力科学研究院有限公司 | 一种神经网络风电功率预测方法及系统 |
CN109465676A (zh) * | 2018-09-13 | 2019-03-15 | 成都数之联科技有限公司 | 一种刀具寿命预测方法 |
CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 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 |
CN109919364A (zh) * | 2019-02-18 | 2019-06-21 | 华南理工大学 | 基于自适应降噪和集成lstm的多变量时间序列预测方法 |
-
2019
- 2019-08-23 CN CN201910782945.6A patent/CN110472800A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN108427985A (zh) * | 2018-01-02 | 2018-08-21 | 北京理工大学 | 一种基于深度强化学习的插电式混合动力车辆能量管理方法 |
CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
CN109034449A (zh) * | 2018-06-14 | 2018-12-18 | 华南理工大学 | 基于深度学习和乘客行为模式的短期公交客流预测方法 |
CN109242143A (zh) * | 2018-07-31 | 2019-01-18 | 中国电力科学研究院有限公司 | 一种神经网络风电功率预测方法及系统 |
CN109465676A (zh) * | 2018-09-13 | 2019-03-15 | 成都数之联科技有限公司 | 一种刀具寿命预测方法 |
CN109919364A (zh) * | 2019-02-18 | 2019-06-21 | 华南理工大学 | 基于自适应降噪和集成lstm的多变量时间序列预测方法 |
CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 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 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475921A (zh) * | 2020-03-13 | 2020-07-31 | 重庆邮电大学 | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 |
CN111687689A (zh) * | 2020-06-23 | 2020-09-22 | 重庆大学 | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 |
CN112433907A (zh) * | 2020-10-26 | 2021-03-02 | 深圳前海有电物联科技有限公司 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
CN112433907B (zh) * | 2020-10-26 | 2022-09-16 | 深圳有电物联科技有限公司 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
CN112692646B (zh) * | 2020-12-31 | 2022-07-15 | 上海交通大学 | 一种刀具磨损状态智能评估方法及装置 |
CN112692646A (zh) * | 2020-12-31 | 2021-04-23 | 上海交通大学 | 一种刀具磨损状态智能评估方法及装置 |
CN112858901A (zh) * | 2021-01-29 | 2021-05-28 | 东莞市牛犇智能科技有限公司 | 实时监测刀具运行状态与寿命预测的系统及方法 |
CN113449463A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种基于lstm-dnn的设备寿命预测方法及装置 |
CN113305645B (zh) * | 2021-06-22 | 2022-07-15 | 重庆邮电大学工业互联网研究院 | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 |
CN113305645A (zh) * | 2021-06-22 | 2021-08-27 | 重庆邮电大学工业互联网研究院 | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 |
WO2022268043A1 (zh) * | 2021-06-22 | 2022-12-29 | 重庆邮电大学工业互联网研究院 | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 |
US11927937B1 (en) | 2021-06-22 | 2024-03-12 | Institute Of Industrial Internet, Chongqing University Of Posts And Telecommunications | Prediction method for tool remaining life of numerical control machine tool based on hybrid neural model |
CN113837433A (zh) * | 2021-08-12 | 2021-12-24 | 裴平 | 有源数字阵列雷达装备射频系统剩余使用寿命预测方法 |
CN113867263A (zh) * | 2021-08-27 | 2021-12-31 | 大唐互联科技(武汉)有限公司 | 一种基于云边协同及机器学习的智能刀具管理系统 |
CN114676647A (zh) * | 2022-05-30 | 2022-06-28 | 中科航迈数控软件(深圳)有限公司 | 一种基于深度学习方法的数控机床零部件寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472800A (zh) | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 | |
CN108584592B (zh) | 一种基于时间序列预测模型的电梯轿厢振动异常预警方法 | |
CN113664612A (zh) | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 | |
Wang et al. | On line tool wear monitoring based on auto associative neural network | |
Pratama et al. | Online tool condition monitoring based on parsimonious ensemble+ | |
EP3590011B2 (de) | Verfahren und steuereinrichtung zum steuern eines technischen systems | |
CN108304941A (zh) | 一种基于机器学习的故障预测方法 | |
CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
CN109884892A (zh) | 基于交叉相关时滞灰色关联分析的流程工业系统预测模型 | |
CN108595803B (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN111136509A (zh) | 一种基于elm-sdae算法的刀具状态监测方法 | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
CN107627152A (zh) | 一种基于bp神经网络的数控加工切屑控制方法 | |
CN115983452A (zh) | 一种基于lstm的轴承故障预测方法 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
CN112149953B (zh) | 基于多模联动和多阶段协作的机电设备运行安全评估方法 | |
CN111814728A (zh) | 数控机床刀具磨损状态识别方法和存储介质 | |
CN115169050A (zh) | 一种多模型融合的切削刀具磨损量动态预测方法 | |
CN116542121A (zh) | 一种基于机器学习与神经网络的水轮机轴瓦温度预测方法 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 | |
Raptodimos et al. | An artificial neural network approach for predicting the performance of ship machinery equipment | |
CN115169737A (zh) | 一种基于cnn-lstm混合神经网络模型的工艺质量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |