CN111687689A - 一种基于lstm和cnn的刀具磨损状态预测方法及装置 - Google Patents

Abstract

本发明涉及一种基于LSTM和CNN的刀具磨损状态预测方法及装置。所述方法包括：采集机床加工过程中的原始数据，所述原始数据包括机床振动数据、刀具切削力数据和高频应力波数据；将原始数据输入到LSTM网络中，提取原始数据的时间序列特征；然后将已提取时间序列特征的原始数据输入到CNN网络中，提取原始数据中包含时间序列特征的多维度特征；基于包含时间序列特征的多维度特征，以及设置的映射关系计算得到刀具磨损预测值；本发明还进一步公开了基于LSTM和CNN的刀具磨损状态预测装置。本发明中基于LSTM和CNN的刀具磨损状态预测方法和装置，能够兼顾数据多维度特征和时间序列特征的提取效果，从而能够提升刀具磨损状态的预测效果。

Description

一种基于LSTM和CNN的刀具磨损状态预测方法及装置

技术领域

本发明涉及数控机床刀具识别技术领域，具体涉及一种基于LSTM和CNN的刀具磨损状态预测方法及装置。

背景技术

数控机床是数字控制机床(Computer numerical control machine tools)的简称，是一种装有程序控制系统的自动化机床。数控机床一般包括机床本体、机床工作台、机床主轴和刀具；而对于刀具磨损状态的预测是非常重要的，因为刀具磨损过度，会增加生产资源消耗，并影响工件的质量。

现有的刀具磨损状态预测方法，是通过多种传感器对反映刀具磨损的数据进行采集，并对采集的数据进行时域、频域和时频域分析，以提取刀具磨损相关的特征，如均方根误差值、方差、偏度、谱偏度及小波系数等；然后，通过特征选择得到刀具磨损的强相关特征，并将强相关特征输入到回归模型、随机森林、支持向量机、模糊神经网络等机器学习模型，以进行模型训练，最终通过训练好的模型来实现刀具磨损的预测。但是，现有的刀具磨损状态预测方法需要人为提取特征，不仅耗费人力，还容易造成信息丢失，且无法对序列数据建模，导致对刀具磨损状态的预测效果不好。

针对上述问题，公开号为CN110153802A的中国专利公开了一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法，包括：将测力仪和加速度传感器安装于数控机床工作台夹具及工件上，采集三向力信号和振动加速度信号，并将收集到的数据进行数据预处理，对同一列数据进行归一化处理、统一分段，将一维数据转化为二维数据作为输入，再由联合模型中的卷积神经网络提取抽象特征，由联合模型中的长短时记忆神经网络寻找数据之间的关联性，最后输出刀具的磨损状态。

上述现有方案中的刀具磨损状态辨识方法也是一种刀具磨损状态预测方法，其首先通过卷积神经网络(CNN网络)来提取多维度特征，再通过长短时记忆神经网络(LSTM网络)确立其时序特性，从而能够建立数据与模型更深层次的联系，使得能够通过数据的多维度特征和时间序列特征得到刀具磨损预测值。

但是，在实际预测过程中，现有的刀具磨损状态预测方法还存在以下问题：其先通过CNN网络提取原始数据的多维度特征，再通过LSTM网络提取原始数据的时间序列特征，使得在提取多维度特征时原始数据的时间序列特征已被破坏，从而造成了原始数据的序列特征信息丢失，使得原始数据的多维度特征和时序特征的提取效果难以兼顾，导致对刀具磨损状态的预测效果不好。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够兼顾数据的多维度特征和时间序列特征提取效果的刀具磨损状态预测方法，以能够提升刀具磨损状态的预测效果。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于LSTM和CNN的刀具磨损状态预测方法，包括以下步骤：

步骤A：采集机床加工过程中的原始数据矩阵，所述原始数据矩阵包括机床振动数据、刀具切削力数据和高频应力波数据；

步骤B：将原始数据矩阵输入到LSTM网络中，提取得到原始数据矩阵的时间序列特征矩阵；然后将已提取的时间序列特征矩阵输入到CNN网络中，提取得到原始数据矩阵对应的包含时间序列特征的多维度特征矩阵；

步骤C：基于原始数据矩阵对应的包含时间序列特征的多维度特征矩阵，以及设置的映射关系计算得到刀具磨损预测值。

在实际预测过程中，首先采集机床加工过程中的原始数据矩阵，然后依次将原始数据矩阵输入到LSTM网络和CNN网络中提取时间序列特征矩阵和包含时间序列特征的多维度特征矩阵，最后根据包含时间序列特征的多维度特征矩阵计算得到刀具磨损预测值。首先，本方案能够从振动、切割力和声音(机床振动数据、刀具切削力数据和高频应力波数据)三个方面来全面的评估刀具得磨损状态，有利于提升刀具磨损状态的预测效果；其次，在计算刀具磨损预测值时，先提取原始数据(矩阵)的时间序列特征(矩阵)，而再提取包含时间序列特征的多维度特征(矩阵)，使得在兼顾多维度特征提取效果的前提下，还保证了时间序列特征的提取效果，从而能兼顾数据的多维度特征和时间序列特征；此外，本方案中通过LSTM网络和CNN网络提取原始数据的时间序列特征和多维度特征，避免了人工进行特征提取耗费人力，且受专业知识限制导致特征提取不全面的问题。

因此，本方案中的刀具磨损状态预测方法能够兼顾数据的多维度特征和时间序列特征的提取效果，从而能够提升刀具磨损状态的预测效果。

优选的，步骤B中，提取时间序列特征矩阵和多维度特征矩阵均是在经过预先训练的LSTM-CNN预测模型中完成；LSTM-CNN预测模型的训练过程包括如下步骤：

步骤B1：获取样本数据，并将样本数据划分为训练数据集和测试数据集；样本数据包括原始数据矩阵和相应的刀具磨损真实值；

步骤B2：基于LSTM网络和CNN网络建立LSTM-CNN预测模型；

步骤B3：根据训练数据集计算LSTM-CNN预测模型的损失函数，并判断LSTM-CNN预测模型的损失函数是否收敛：若损失函数未收敛，则调整LSTM-CNN预测模型的各个参数后继续计算损失函数；若损失函数收敛，则进入下一步骤；

步骤B4：根据测试数据集计算LSTM-CNN预测模型的刀具磨损预测值；然后计算刀具磨损预测值与相应刀具磨损真实值间的均方根误差，并判断均方根误差是否大于预设的判断阈值；若均方根误差大于判断阈值，则返回步骤B3；若均方根误差小于或等于判断阈值，则完成训练、输出LSTM-CNN预测模型。

在实际预测过程中，基于训练数据集训练得到LSTM-CNN预测模型的最优参数，然后基于测试数据集测试LSTM-CNN预测模型的精度，并不断调试以得到精度最佳的LSTM-CNN预测模型。本方案中，通过损失函数来调整LSTM-CNN预测模型的参数，并通过刀具磨损真实值和刀具磨损预测值的均方根误差来判断LSTM-CNN预测模型的预测精度(即评估LSTM-CNN预测模型的性能)，能够有效保证LSTM-CNN预测模型的精度，有利于得到预测精度更高的LSTM-CNN预测模型，能够更好的兼顾数据多维度特征和时间序列特征的提取效果，从而能够提升刀具磨损状态的预测效果。

优选的，步骤B2中，建立所述LSTM-CNN预测模型后，通过Dropout算法对LSTM-CNN预测模型进行正则化处理。

在实际预测过程中，LSTM-CNN预测模型具有很高的复杂性，因此大规模的训练数据对模型的鲁棒性至关重要，但是在刀具磨损预测过程中却很难获得大规模的样本数据。针对这一问题，本方案通过Dropout算法对LSTM-CNN预测模型进行模型正则化处理，使得在每个训练阶段都能够随机屏蔽神经元产生新的数据样本变体，以能够扩大样本数据的量；并且通过Dropout算法能够随机屏蔽部分神经元输出，使这些神经元在训练过程中不会影响网络的正向传播，从而能够提升LSTM-CNN预测模型的鲁棒性，使得能够更好的兼顾数据多维度特征和时间序列特征的提取效果，从而能够提升刀具磨损状态的预测效果。

优选的，步骤B3中，判断损失函数是否收敛之前，先通过Adam算法最小化LSTM-CNN预测模型的损失函数。

在实际预测过程中，通过Adam算法最小化LSTM-CNN预测模型的损失函数，有利于更准确的判断损失函数是否收敛，从而能够提升LSTM-CNN预测模型的预测精确度，使得能够更好的兼顾数据多维度特征和时间序列特征的提取效果，从而能够提升刀具磨损状态的预测效果。

优选的，步骤B3中，损失函数通过如下公式计算：

式中，loss表示损失函数，n表示训练数据集中样本数据的数量，y_k表示刀具磨损真实值，

表示刀具磨损预测值；

步骤B4中，均方根误差通过如下公式计算：

式中，RMSE表示均方根误差，n表示训练数据集中样本数据的数量，y_k表示刀具磨损真实值，

表示刀具磨损预测值。

在实际预测过程中，通过上述公式能够提升损失函数和均方根误差的计算准确性，有利于提升LSTM-CNN预测模型的预测精确度，使得能够更好的兼顾数据多维度特征和时间序列特征的提取效果，从而能够提升刀具磨损状态的预测效果。

优选的，步骤A中，采集得到原始数据矩阵后，先对原始数据矩阵中的各个原始数据进行数据标准化处理，以得到各个原始数据对应的标准数据；

数据标准化处理的公式如下：

式中，Z表示标准数据，x表示原始数据，μ表示原始数据的均值，δ表示原始数据的方差。

在实际预测过程中，通过对原始数据进行数据标准化处理，使得能够避免原始数据中存在异常数据，能提升LSTM网络的学习速度和泛化能力；并且，通过Z-score算法对原始数据进行数据标准化处理，使得能够避免原始数据中存在异常数据，能够进一步提升LSTM网络的学习速度和泛化能力，这有利于提升刀具磨损状态的预测效果。

优选的，步骤B中，将原始数据矩阵输入到LSTM网络中，依次通过LSTM网络的输入门、遗忘门和输出门后，提取得到原始数据矩阵的时间序列特征矩阵；

其中，LSTM网络输入门的公式为：

LSTM网络遗忘门的公式为：

LSTM网络输出门的公式为：

并结合以下公式计算：

C_t＝f_t⊙C_t-1+i_t⊙C_t；

h_t＝O_t⊙tanh(C_t)；

式中，i_t表示输入门、W_i表示输入门权重参数矩阵、b_i表示输入门偏置项，f_t表示遗忘门、W_f表示遗忘门权重参数矩阵、b_f表示遗忘门偏置项，O_t表示输出门、W_o表示输出门权重参数矩阵、bo表示输出门偏置项；σ表示sigmoid激活函数，⊙表示逐元素乘积，h_t-1表示t前一时刻的隐藏层状态，

表示原始数据矩阵X_k在t时刻对应的原始数据向量，h_t表示输出的t时刻原始数据向量

对应的时间序列特征向量；tanh为tanh激活函数；C_t表示t时刻细胞状态；C_t-1表示t前一时刻的细胞状态；T表示时刻t的取值时间步长；Ct表示t时刻细胞状态向量；W_c表示细胞状态向量的权重；b_c表示细胞状态向量的偏置项。

在实际预测过程中，原始数据矩阵

且原始数据矩阵X_k为T*d大小的矩阵，其中，d表示原始数据的维度(即原始数据的种类)，T表示序列长度(即每种原始数据的采集次数)；t的取值范围是(0，T]的整数；各个时刻的时间序列特征向量h_t能够构成时间序列特征矩阵H_t，时间序列特征矩阵表示为H_T＝[h₁,h₂,h₃,…h_t…h_T]；细胞状态向量C_t表示为C_t＝[C₁,C₂,C₃…C_t]。本方案引入了遗忘门、输入门和输出门，使得能够控制沿序列传递的信息，从而能够更准确地捕获长时依赖，缓解梯度消失或梯度爆炸问题，这有利于更好的提取数据的时间序列特征矩阵，从而能提升刀具磨损状态的预测效果。

优选的，步骤B中，将已提取时间序列特征的原始数据输入到CNN网络中,经过卷积处理后提取得到包含时间序列特征的多维度特征矩阵；

CNN网络卷积处理的公式为：

式中，A_i,j表示输出的包含时间序列特征的多维度特征矩阵A_k中第i行第j列的多维度特征值，f表示Relu激活函数，w_m,n表示卷积核矩阵w中第m行第n列的元素值，

表示时间序列特征矩阵h_T中第i+n行第j+m列的时间序列特征值，b表示卷积过程偏置项。

在实际预测过程中，原始数据矩阵X_k为100*7大小的矩阵，其中，原始数据矩阵的原始数据的维度为7，分别包括：(振动传感器采集的)x、y、z三个方向的机床振动数据、(力传感器采集的)x、y、z三个方向的刀具切削力数据和(声发射传感器采集的)高频应力波数据，且原始数据矩阵的序列长度为100(即在100个不同时刻下分别采集上述七个维度的数据)，使得每个维度的数据均得到100个数值，以组成100*7大小的原始数据矩阵X_k；时间序列特征矩阵H_T＝[h₁,h₂,h₃,…h_t…h_T]；卷积核矩阵w为3*3大小的矩阵；多维度特征矩阵A_k中的各个参数与时间序列特征矩阵H_T中的参数相对应，既能够通过时间序列特征矩阵H_T计算得到多维度特征矩阵A_k。因此，本方案中，i的取值为[1～100]的整数，j的取值为[1～7]的整数，m的取值为[1～3]的整数，n的取值为[1～3]的整数。

本方案中通过上述卷积公式能够很好地提取数据中的多维度特征，有利于提升刀具磨损预测的准确性；其次，为使卷积后的多维度特征图形状与输入特征图保持一致，本方案会在卷积处理前先对CNN网络进行零填充；此外，已提取时间序列特征的原始数据经过卷积处理后，还会进一步经过最大池化处理(最大池化处理通过现有手段完成)，以能够提高网络的鲁棒性和泛化能力，减小网络规模提高训练速度，并能够更好地提取数据的多维度特征，从而提升刀具磨损状态的预测效果。

优选的，步骤C中，所述设置的映射关系公式为：

式中，

表示刀具磨损预测值，w_R表示基于CNN网络回归层特征权重参数矩阵的行向量，A′_k表示基于包含时间序列特征的多维度特征矩阵A_k转换得到的列向量。

在实际预测过程中，基于CNN网络回归层特征权重参数矩阵的行向量w_R基于CNN网络模型计算获取；而包含时间序列特征的多维度特征矩阵A_k为与原始数据矩阵对应的100*7大小的矩阵，A′_k基于多维度特征矩阵A_k转换得到，列向量A′_k的具体转换方式为：将多维度特征矩阵A_k从左到右、从上到下依次展开，得到列向量A′_k。本方案中通过上述映射关系公式能够快速、准确的计算得到刀具磨损预测值，有利于提升刀具磨损状态的预测效果；并且，由于最终输出的刀具磨损预测值是一个连续变量，在本方案中

的维度为1。

本方案还进一步公开了基于LSTM和CNN的刀具磨损状态预测装置，包括检测单元和处理计算单元；所述检测单元包括安装机床工作台上、且分别用于采集机床振动数据、采集刀具切削力数据和采集高频应力波数据的振动传感器，力传感器，以及声发射传感器；所述振动传感器、力传感器和声发射传感器均与处理计算单元信号连接，使得能够将对应的数据发送到处理计算单元；

所述处理计算单元用于接收机床振动数据、刀具切削力数据和高频应力波数据，并基于上述的刀具磨损状态预测方法计算得到刀具磨损预测值。

本方案中的刀具磨损状态预测装置通过振动传感器、力传感器和声发射传感器能够很好的采集机床振动数据、刀具切削力数据和高频应力波数据，使得能够从振动、切割力和声音三个方面全面的评估刀具得磨损状态，有利于提升刀具磨损状态的预测效果；此外，本方案中在将原始数据输入到LSTM网络之前，先对原始数据进行数据标准化处理，使得能够避免原始数据中存在异常数据，能提升LSTM网络的学习速度和泛化能力；进一步，本方案中通过LSTM网络和CNN网络提取数据特征，避免了人工进行特征提取耗费人力，且受专业知识限制导致特征提取不全面的问题；最后，本方案在计算刀具磨损预测值时，先提取数据的时间序列特征，而再提取数据的多维度特征，在保证多维度特征提取效果的前提下，提升了时间序列特征的提取效果，从而能兼顾数据的多维度特征和时间序列特征。

因此，本方案中的刀具磨损状态预测装置能够避免人工提取特征且能够依次提取数据的时间序列特征和多维度特征，能够兼顾数据的多维度特征和时间序列特征，从而能够提升刀具磨损状态的预测效果。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为实施例一中刀具磨损状态预测方法的逻辑框图；

图2为实施例一中训练LSTM-CNN预测模型时的逻辑框图；

图3为实施例一中LSTM-CNN预测模型训练过程的流程框图；

图4为实施例二中刀具磨损状态预测装置的结构示意图；

图5为实施例二中各个预测模型的MAE值表示意图；

图6为实施例二中各个预测模型的RMSE值表示意图；

图7为实施例二中CNN预测模型的预测结果示意图；

图8为实施例二中LSTM预测模型的预测结果示意图；

图9为实施例二中CNN-LSTM预测模型的预测结果示意图；

图10为实施例二中LSTM-CNN预测模型的预测结果示意图。

说明书附图中的附图标记包括：机床本体1、机床主轴101、刀具102、机床工作台103、工件2、力传感器3、振动传感器4、声发射传感器5。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例一：

本实施例中公开了一种基于LSTM和CNN的刀具磨损状态预测方法。

如图1所示：一种基于LSTM和CNN的刀具磨损状态预测方法，包括以下步骤：

步骤A：采集机床加工过程中的原始数据矩阵，原始数据矩阵包括机床振动数据、刀具切削力数据和高频应力波数据；

步骤B：将原始数据矩阵输入到LSTM网络中，提取得到原始数据矩阵的时间序列特征矩阵；然后将已提取的时间序列特征矩阵输入到CNN网络中，提取得到原始数据矩阵对应的包含时间序列特征的多维度特征矩阵；

步骤C：基于原始数据矩阵对应的包含时间序列特征的多维度特征矩阵，以及设置的映射关系计算得到刀具磨损预测值。

在实际预测过程中，首先采集机床加工过程中的原始数据矩阵，然后依次将原始数据矩阵输入到LSTM网络和CNN网络中提取时间序列特征矩阵和包含时间序列特征的多维度特征矩阵，最后根据包含时间序列特征的多维度特征矩阵计算得到刀具磨损预测值。首先，本实施例能够从振动、切割力和声音(机床振动数据、刀具切削力数据和高频应力波数据)三个方面来全面的评估刀具得磨损状态，有利于提升刀具磨损状态的预测效果；其次，在计算刀具磨损预测值时，先提取原始数据(矩阵)的时间序列特征(矩阵)，而再提取包含时间序列特征的多维度特征(矩阵)，使得在兼顾多维度特征提取效果的前提下，还保证了时间序列特征的提取效果，从而能兼顾数据的多维度特征和时间序列特征；此外，本实施例中通过LSTM网络和CNN网络提取原始数据的时间序列特征和多维度特征，避免了人工进行特征提取耗费人力，且受专业知识限制导致特征提取不全面的问题。

具体实施过程中，步骤B中，提取时间序列特征矩阵和多维度特征矩阵均是在经过预先训练的LSTM-CNN预测模型中完成。

如图2和图3所示：LSTM-CNN预测模型的训练过程包括如下步骤：

步骤B1：获取样本数据，并将样本数据划分为训练数据集和测试数据集；样本数据包括原始数据矩阵和相应的刀具磨损真实值；

步骤B2：基于LSTM网络和CNN网络建立LSTM-CNN预测模型；

步骤B3：根据训练数据集计算LSTM-CNN预测模型的损失函数，并判断LSTM-CNN预测模型的损失函数是否收敛：若损失函数未收敛，则调整LSTM-CNN预测模型的各个参数后继续计算损失函数；若损失函数收敛，则进入下一步骤；

步骤B4：根据测试数据集计算LSTM-CNN预测模型的刀具磨损预测值；然后计算刀具磨损预测值与相应刀具磨损真实值间的均方根误差，并判断均方根误差是否大于预设的判断阈值；若均方根误差大于判断阈值，则返回步骤B3；若均方根误差小于或等于判断阈值，则完成训练、输出LSTM-CNN预测模型。

其他优选实施例中，步骤B4中还可通过计算均方根误差绝对误差，并判断均方根误差绝对误差是否大于判断阈值；若均方根误差绝对误差大于判断阈值，则返回步骤B3；若均方根误差绝对误差小于或等于判断阈值，则完成训练、输出LSTM-CNN预测模型；本实施例中，所述判断阈值为98％；其中均方根误差绝对误差的公式为：

式中，MAE表示均方根误差绝对误差，n表示训练数据集中样本数据的数量，y_k表示刀具磨损真实值，

表示刀具磨损预测值。

在实际预测过程中，基于训练数据集训练得到LSTM-CNN预测模型的最优参数，然后基于测试数据集测试LSTM-CNN预测模型的精度，并不断调试以得到精度最佳的LSTM-CNN预测模型。本实施例中，通过损失函数来调整LSTM-CNN预测模型的参数，并通过刀具磨损真实值和刀具磨损预测值的均方根误差来判断LSTM-CNN预测模型的预测精度(即评估LSTM-CNN预测模型的性能)，能够有效保证LSTM-CNN预测模型的精度，有利于得到预测精度更高的LSTM-CNN预测模型，能够更好的兼顾数据多维度特征和时间序列特征的提取效果，从而能够提升刀具磨损状态的预测效果。

具体实施过程中，步骤B2中，建立LSTM-CNN预测模型后，通过Dropout算法对LSTM-CNN预测模型进行正则化处理。

在实际预测过程中，LSTM-CNN预测模型具有很高的复杂性，因此大规模的训练数据对模型的鲁棒性至关重要，但是在刀具磨损预测过程中却很难获得大规模的样本数据。针对这一问题，本实施例通过Dropout算法对LSTM-CNN预测模型进行模型正则化处理，使得在每个训练阶段都能够随机屏蔽神经元产生新的数据样本变体，以能够扩大样本数据的量；并且通过Dropout算法能够随机屏蔽部分神经元输出，使这些神经元在训练过程中不会影响网络的正向传播，从而能够提升LSTM-CNN预测模型的鲁棒性，使得能够更好的兼顾数据多维度特征和时间序列特征的提取效果，从而能够提升刀具磨损状态的预测效果。

具体实施过程中，步骤B3中，判断损失函数是否收敛之前，先通过Adam算法最小化LSTM-CNN预测模型的损失函数。

在实际预测过程中，通过Adam算法最小化LSTM-CNN预测模型的损失函数，有利于更准确的判断损失函数是否收敛，从而能够提升LSTM-CNN预测模型的预测精确度，使得能够更好的兼顾数据多维度特征和时间序列特征的提取效果，从而能够提升刀具磨损状态的预测效果。

具体实施过程中，步骤B3中，损失函数通过如下公式计算：

式中，loss表示损失函数，n表示训练数据集中样本数据的数量，y_k表示刀具磨损真实值，

表示刀具磨损预测值；

步骤B4中，均方根误差通过如下公式计算：

式中，RMSE表示均方根误差，n表示训练数据集中样本数据的数量，y_k表示刀具磨损真实值，

表示刀具磨损预测值。

在实际预测过程中，通过上述公式能够提升损失函数和均方根误差的计算准确性，有利于提升LSTM-CNN预测模型的预测精确度，使得能够更好的兼顾数据多维度特征和时间序列特征的提取效果，从而能够提升刀具磨损状态的预测效果。

具体实施过程中，步骤A中，采集得到原始数据矩阵后，先对原始数据矩阵中的各个原始数据进行数据标准化处理，以得到各个原始数据对应的标准数据；

数据标准化处理的公式如下：

式中，Z表示标准数据，x表示原始数据，μ表示原始数据的均值，δ表示原始数据的方差。

在实际预测过程中，通过对原始数据进行数据标准化处理，使得能够避免原始数据中存在异常数据，能提升LSTM网络的学习速度和泛化能力；并且，通过Z-score算法对原始数据进行数据标准化处理，使得能够避免原始数据中存在异常数据，能够进一步提升LSTM网络的学习速度和泛化能力，这有利于提升刀具磨损状态的预测效果。

具体实施过程中，步骤B中，将原始数据矩阵输入到LSTM网络中，依次通过LSTM网络的输入门、遗忘门和输出门后，提取得到原始数据矩阵的时间序列特征矩阵；

其中，LSTM网络输入门的公式为：

LSTM网络遗忘门的公式为：

LSTM网络输出门的公式为：

并结合以下公式计算：

C_t＝f_t⊙C_t-1+i_t⊙C_t；

h_t＝O_t⊙tanh(C_t)；

式中，i_t表示输入门、W_i表示输入门权重参数矩阵、b_i表示输入门偏置项，f_t表示遗忘门、W_f表示遗忘门权重参数矩阵、b_f表示遗忘门偏置项，O_t表示输出门、W_o表示输出门权重参数矩阵、b_o表示输出门偏置项；σ表示sigmoid激活函数，⊙表示逐元素乘积，h_t-1表示t前一时刻的隐藏层状态，

表示原始数据矩阵X_k在t时刻对应的原始数据向量，h_t表示输出的t时刻原始数据向量

对应的时间序列特征向量；tanh为tanh激活函数；C_t表示t时刻细胞状态；C_t-1表示t前一时刻的细胞状态；T表示时刻t的取值时间步长；C_t表示t时刻细胞状态向量；W_c表示细胞状态向量的权重；b_c表示细胞状态向量的偏置项。

在实际预测过程中，原始数据矩阵

且原始数据矩阵X_k为T*d大小的矩阵，其中，d表示原始数据的维度(即原始数据的种类)，T表示序列长度(即每种原始数据的采集次数)；t的取值范围是(0，T]的整数；各个时刻的时间序列特征向量h_t能够构成时间序列特征矩阵H_t，时间序列特征矩阵表示为H_T＝[h₁,h₂,h₃,…h_t…h_T]；细胞状态向量C_t表示为C_t＝[C₁,C₂,C₃…C_t]。本实施例引入了遗忘门、输入门和输出门，使得能够控制沿序列传递的信息，从而能够更准确地捕获长时依赖，缓解梯度消失或梯度爆炸问题，这有利于更好的提取数据的时间序列特征矩阵，从而能提升刀具磨损状态的预测效果。

具体实施过程中，步骤B中，将已提取时间序列特征的原始数据输入到CNN网络中,经过卷积处理后提取得到包含时间序列特征的多维度特征矩阵；

CNN网络卷积处理的公式为：

式中，A_i,j表示输出的包含时间序列特征的多维度特征矩阵A_k中第i行第j列的多维度特征值，f表示Relu激活函数，w_m,n表示卷积核矩阵w中第m行第n列的元素值，

表示时间序列特征矩阵h_T中第i+n行第j+m列的时间序列特征值，b表示卷积过程偏置项。

在实际预测过程中，原始数据矩阵X_k为100*7大小的矩阵，其中，原始数据矩阵的原始数据的维度为七，分别包括：(振动传感器采集的)x、y、z三个方向的机床振动数据、(力传感器采集的)x、y、z三个方向的刀具切削力数据和(声发射传感器采集的)高频应力波数据；且原始数据矩阵的序列长度为100(即在100个不同时刻下分别采集上述七个维度的数据)，使得每个维度的数据均得到100个数值，以组成100*7大小的原始数据矩阵X_k；时间序列特征矩阵H_T＝[h₁,h₂,h₃,…h_t…h_T]；卷积核矩阵w为3*3大小的矩阵；多维度特征矩阵A_k中的各个参数与时间序列特征矩阵H_T中的参数相对应，既能够通过时间序列特征矩阵H_T计算得到多维度特征矩阵A_k。因此，本实施例中，i的取值为[1～100]的整数，j的取值为[1～7]的整数，m的取值为[1～3]的整数，n的取值为[1～3]的整数。

本实施例中通过上述卷积公式能够很好地提取数据中的多维度特征，有利于提升刀具磨损预测的准确性；其次，为使卷积后的多维度特征图形状与输入特征图保持一致，本实施例会在卷积处理前先对CNN网络进行零填充；此外，已提取时间序列特征的原始数据经过卷积处理后，还会进一步经过最大池化处理(最大池化处理通过现有手段完成)，以能够提高网络的鲁棒性和泛化能力，减小网络规模提高训练速度，并能够更好地提取数据的多维度特征，从而提升刀具磨损状态的预测效果。

具体实施过程中，步骤C中，设置的映射关系公式为：

式中，

表示刀具磨损预测值，w_R表示基于CNN网络回归层特征权重参数矩阵的行向量，A′_k表示基于包含时间序列特征的多维度特征矩阵A_k转换得到的列向量。

在实际预测过程中，基于CNN网络回归层特征权重参数矩阵的行向量w_R基于CNN网络模型计算获取；而包含时间序列特征的多维度特征矩阵A_k为与原始数据矩阵对应的100*7大小的矩阵，A′_k基于多维度特征矩阵A_k转换得到，列向量A′_k的具体转换方式为：将多维度特征矩阵A_k从左到右、从上到下依次展开，得到列向量A′_k。本实施例中通过上述映射关系公式能够快速、准确的计算得到刀具磨损预测值，有利于提升刀具磨损状态的预测效果；并且，由于最终输出的刀具磨损预测值是一个连续变量，在本实施例中

的维度为1。

实施例二：

本实施例在实施例一的基础上进一步公开了基于LSTM和CNN的刀具磨损状态预测装置。

如图4所示：基于LSTM和CNN的刀具102磨损状态预测装置，包括检测单元和处理计算单元；所述检测单元包括安装机床工作台103上、且分别用于采集机床振动数据、采集刀具102切削力数据和采集高频应力波数据的振动传感器4，力传感器3，以及声发射传感器5；所述振动传感器4、力传感器3和声发射传感器5均与处理计算单元信号连接，使得能够将对应的数据发送到处理计算单元；所述处理计算单元用于接收机床振动数据、刀具102切削力数据和高频应力波数据，并基于实施例一种所述的刀具102磨损状态预测方法计算得到刀具102磨损预测值。

具体的，本实施例中数控机床包括机床本体1、机床主轴101、刀具102和机床工作台103，工件2固定于机床工作台103上；力传感器3安装于机床工作台103和机床本体1之间，在机床加工过程中采集刀具102切削力数据；振动传感器4和声发射传感器5均对应安装于机床工作台103上，在机床加工过程中采集机床振动数据和高频应力波数据。其中，力传感器3采用Kistler三分量测力计；振动传感器4采用Kistler三轴加速度传感器；声发射传感器5采用Kistler声发射传感器5。

本实施例中的刀具102磨损状态预测装置通过振动传感器4、力传感器3和声发射传感器5能够很好的采集机床振动数据、刀具102切削力数据和高频应力波数据，使得能够从振动、切割力和声音三个方面全面的评估刀具102得磨损状态，有利于提升刀具102磨损状态的预测效果；此外，本实施例中在将原始数据输入到LSTM网络之前，先对原始数据进行数据标准化处理，使得能够避免原始数据中存在异常数据，能提升LSTM网络的学习速度和泛化能力；进一步，本实施例中通过LSTM网络和CNN网络提取数据特征，避免了人工进行特征提取耗费人力，且受专业知识限制导致特征提取不全面的问题；最后，本实施例在计算刀具102磨损预测值时，先提取数据的时间序列特征，而再提取数据的多维度特征，在保证多维度特征提取效果的前提下，提升了时间序列特征的提取效果，从而能兼顾数据的多维度特征和时间序列特征。

此外，本实施例中还公开了如下实验(本实验采用2010年美国PHM协会举办的刀具剩余使用寿命预测竞赛的公开数据集)。

一、实验准备

1)设备：

机床：

Tech RFM760；刀具：球头硬质合金铣刀；力传感器：Kistler三分量测力计；振动传感器：Kistler三轴加速度传感器；声发射传感器：Kistler声发射传感器；放大器：Kistler电荷放大器；参数采设备：NI DAQ PCI 1200；磨损测量设备：LEICAMZ12。

2)加工参数：

主轴转速：10400r/min；进给速度：1555mm/min；Y向切削深度：0.125mm；Z向切削深度：0.2mm；铣削方式：顺铣；冷却方式：干切；工件材料；不锈钢HRC52。

3)切削过程中，分别通过力传感器、振动传感器和声发射传感器采集刀具切削力数据、机床振动数据和高频应力波数据。其中，在机床工作台和机床本体之间安装奇石乐三向测力仪，对加工过程中X、Y、Z三个方向的刀具切削力数据进行测量；在机床工作台上安装三个奇石乐压电加速度计，实现对刀具加工过程中X、Y、Z三个方向的机床振动数据的测量；在机床工作台上安装声发射传感器，实现对切削过程中产生的高频应力波进行测量，因此数据的维度为7。

传感器输出的数据经过奇石乐电荷放大器放大后，使用NI DAQ PCI 1200进行采集，采样频率为50KHz；当刀具沿X方向完成108mm的端面铣削后使用LEICA MZ12显微镜对刀具102后刀面磨损进行离线测量，每把刀具测量得到315个刀具磨损值，每个刀具磨损值对应的原始信号为(N，7)的张量；最后将数据总量的80％作为训练数据集用作模型训练，其余20％的数据作为测试数据集以评估模型的性能。

二、实验过程

1)模型选取

对比例1：基于回归模型建立LR预测模型，进行刀具磨损状态预测。

对比例2：基于CNN网络建立CNN预测模型，进行刀具磨损状态预测。

对比例3：基于LSTM网络建立LSTM预测模型，进行刀具磨损状态预测。

对比例4：基于CNN-LSTM网络建立CNN-LSTM预测模型，进行刀具磨损状态预测。

对比例5：基于LSTM-CNN网络建立LSTM-CNN预测模型，进行刀具磨损状态预测。

2)预测过程

对比例1：在LR预测模型中，由于回归模型不能处理序列数据，因此需要先进行特征提取；从原始信号中提取时域、频域和时频域特征；最后得到一个54维的特征向量，输入线性回归模型中预测刀具磨损。

由于CNN、LSTM和LSTM-CNN网络模型中，可以将原始数据直接输入，因此不用人工进行特征提取；考虑到采样频率非常高达到了50KHZ，导致每个样本数据的长度都超过100000，因此对样本数据进行下采样得到长度为100，维度为7的新样本数据。

对比例2：在CNN预测模型中，通过3层卷积操作和1层池化操作提取64维空间特征，将特征输入回归层实现刀具磨损预测。

对比例3：在LSTM预测模型中，设置隐藏层神经元的数目为64，提取64维的序列特征输入回归层实现刀具磨损预测。

对比例4：在CNN-LSTM预测模型中，隐层神经元数目为64，卷积核大小为(3,3)，卷积步长为1，池化大小为(2,2)，池化步长为2，最终提取到64维的特征并输入回归层实现刀具磨损预测。

对比例5：在LSTM-CNN预测模型中，隐层神经元数目为64，卷积核大小为(3,3)，卷积步长为1，池化大小为(2,2)，池化步长为2，最终提取到1024维的特征并输入回归层实现刀具磨损预测。

为了提高上述四种模型(CNN预测模型、LSTM预测模型、CNN-LSTM预测模型和LSTM-CNN预测模型)的鲁棒性，在回归层之前加入Dropout操作并且将保留比例keep_prob设置为0.8。本实验中用MAE(均方根误差绝对误差)和RMSE(均方根误差)作为模型的评估指标，比较上述模型在刀具磨损预测上的性能。

三、实验结果

基于TensorFlow建立LR预测模型、CNN预测模型、LSTM预测模型和LSTM-CNN预测模型，使用训练数据集进行模型的训练，在测试数据集上进行模型的评估。

通过图5和图6可知：在5种模型中LR预测模型的表现最差，导致这种现象的原因一方面是人为提取特征可能会丢失原始数据中的某些有用信息，另一方面是由于线性模型在非线性拟合上的局限性；与线性模型相比深度学习模型在刀具磨损预测中的性能有了较大的提升。深度学习模型在刀具预测上表现优秀的表明通过深度学习模型对原始数据进行特征提取能从原始信号中挖掘更深层和更全面的特征信息，证明了深度学习模型在刀具磨损预测领域应用的可行性和有效性。

结合图7、图8、图9和图10可知：

1)比较CNN预测模型和LSTM预测模型时发现，LSTM预测模型的拟合效果明显优于CNN预测模型，这是由于采集的数据其本质是时间序列数据，因此，原始数据的序列特征相比于其空间特征与刀具磨损值有更强的相关性。

2)CNN-LSTM模型相比较与LR、CNN与LSTM模型而言，模型的表现较好，但与LSTM-CNN模型相比仍存在一定的差距，这是由于传感器数据先通过CNN网络提取的多维度特征，再通过LSTM网络提取原始数据的时间序列特征；但是在提取多维度特征时原始数据的时间序列特征已被破坏了，会造成原始数据的序列特征信息丢失，使得原始数据的多维度特征和时序特征难以兼顾，导致机床刀具磨损状态的预测效果不好。

3)在所有的模型中LSTM-CNN预测模型的表现最好，在LSTM预测模型和CNN预测模型中，尽管刀具磨损预测值的变化趋势与真实值大体一致，但刀具磨损预测值与真实值存在较大的误差；LSTM-CNN预测模型能够很好的反映真实刀具磨损值得变化，同时预测值与真实值间的误差很小，这表明我们提出的LSTM-CNN预测模型在刀具磨损预测的精度上有了较大的提高。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.一种基于LSTM和CNN的刀具磨损状态预测方法，其特征在于，包括以下步骤：

步骤A：采集机床加工过程中的原始数据矩阵，所述原始数据矩阵包括机床振动数据、刀具切削力数据和高频应力波数据；

步骤B：将原始数据矩阵输入到LSTM网络中，提取得到原始数据矩阵的时间序列特征矩阵；然后将已提取的时间序列特征矩阵输入到CNN网络中，提取得到原始数据矩阵对应的包含时间序列特征的多维度特征矩阵；

步骤C：基于原始数据矩阵对应的包含时间序列特征的多维度特征矩阵，以及设置的映射关系计算得到刀具磨损预测值。

2.如权利要求1所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于：步骤B中，提取时间序列特征矩阵和多维度特征矩阵均是在经过预先训练的LSTM-CNN预测模型中完成；LSTM-CNN预测模型的训练过程包括如下步骤：

步骤B1：获取样本数据，并将样本数据划分为训练数据集和测试数据集；样本数据包括原始数据矩阵和相应的刀具磨损真实值；

步骤B2：基于LSTM网络和CNN网络建立LSTM-CNN预测模型；

步骤B3：根据训练数据集计算LSTM-CNN预测模型的损失函数，并判断LSTM-CNN预测模型的损失函数是否收敛：若损失函数未收敛，则调整LSTM-CNN预测模型的各个参数后继续计算损失函数；若损失函数收敛，则进入下一步骤；

步骤B4：根据测试数据集计算LSTM-CNN预测模型的刀具磨损预测值；然后计算刀具磨损预测值与相应刀具磨损真实值间的均方根误差，并判断均方根误差是否大于预设的判断阈值；若均方根误差大于判断阈值，则返回步骤B3；若均方根误差小于或等于判断阈值，则完成训练、输出LSTM-CNN预测模型。

3.如权利要求2所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于：步骤B2中，建立所述LSTM-CNN预测模型后，通过Dropout算法对LSTM-CNN预测模型进行正则化处理。

4.如权利要求2所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于：步骤B3中，判断损失函数是否收敛之前，先通过Adam算法最小化LSTM-CNN预测模型的损失函数。

5.如权利要求2所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于：步骤B3中，损失函数通过如下公式计算：

式中，loss表示损失函数，n表示训练数据集中样本数据的数量，y_k表示刀具磨损真实值，

表示刀具磨损预测值；

步骤B4中，均方根误差通过如下公式计算：

式中，RMSE表示均方根误差，n表示训练数据集中样本数据的数量，y_k表示刀具磨损真实值，

表示刀具磨损预测值。

6.如权利要求1所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于，步骤A中，采集得到原始数据矩阵后，先对原始数据矩阵中的各个原始数据进行数据标准化处理，以得到各个原始数据对应的标准数据；

数据标准化处理的公式如下：

式中，Z表示标准数据，x表示原始数据，μ表示原始数据的均值，δ表示原始数据的方差。

7.如权利要求1所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于：步骤B中，将原始数据矩阵输入到LSTM网络中，依次通过LSTM网络的输入门、遗忘门和输出门后，提取得到原始数据矩阵的时间序列特征矩阵；

其中，LSTM网络输入门的公式为：

LSTM网络遗忘门的公式为：

LSTM网络输出门的公式为：

并结合以下公式计算：

C_t＝f_t⊙C_t-1+i_t⊙C_t；

h_t＝O_t⊙tanh(C_t)；

式中，i_t表示输入门、W_i表示输入门权重参数矩阵、b_i表示输入门偏置项，f_t表示遗忘门、W_f表示遗忘门权重参数矩阵、b_f表示遗忘门偏置项，O_t表示输出门、W_o表示输出门权重参数矩阵、b_o表示输出门偏置项；σ表示sigmoid激活函数，⊙表示逐元素乘积，h_t-1表示t前一时刻的隐藏层状态，

表示原始数据矩阵X_k在t时刻对应的原始数据向量，h_t表示输出的t时刻原始数据向量

对应的时间序列特征向量；tanh为tanh激活函数；C_t表示t时刻细胞状态；C_t-1表示t前一时刻的细胞状态；T表示时刻t的取值时间步长；C_t表示t时刻细胞状态向量；W_c表示细胞状态向量的权重；b_c表示细胞状态向量的偏置项。

8.如权利要求1所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于：步骤B中，将已提取时间序列特征的原始数据输入到CNN网络中,经过卷积处理后提取得到包含时间序列特征的多维度特征矩阵；

CNN网络卷积处理的公式为：

式中，A_i,j表示输出的包含时间序列特征的多维度特征矩阵A_k中第i行第j列的多维度特征值，f表示Relu激活函数，w_m,n表示卷积核矩阵w中第m行第n列的元素值，

表示时间序列特征矩阵h_T中第i+n行第j+m列的时间序列特征值，b表示卷积过程偏置项。

9.如权利要求1所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于，步骤C中，所述设置的映射关系公式为：

式中，

表示刀具磨损预测值，w_R表示基于CNN网络回归层特征权重参数矩阵的行向量，A′_k表示基于包含时间序列特征的多维度特征矩阵A_k转换得到的列向量。

10.基于LSTM和CNN的刀具磨损状态预测装置，其特征在于：包括检测单元和处理计算单元；所述检测单元包括安装机床工作台上、且分别用于采集机床振动数据、采集刀具切削力数据和采集高频应力波数据的振动传感器，力传感器，以及声发射传感器；所述振动传感器、力传感器和声发射传感器均与处理计算单元信号连接，使得能够将对应的数据发送到处理计算单元；

所述处理计算单元用于接收机床振动数据、刀具切削力数据和高频应力波数据，并基于权利要求1所述的刀具磨损状态预测方法计算得到刀具磨损预测值。

Images