CN113414638B - 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法 - Google Patents

Abstract

本发明涉及一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法，该方法将铣削力转换为二维图像，保留了数据的本质特征，并构建铣削力时序图实现加工过程工况变化与磨损趋势变化的刻画，利用深度学习网络提取铣削力时序图中的时空特征，提前感知刀具劣化趋势的产生、传播和发展，实现变工况下刀具磨损状态的准确预测，为生产企业提供换刀决策，进而提高生产效率和经济效益。

Description

一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测 方法

技术领域

本发明属于机械加工领域，特别涉及一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法。

背景技术

铣削加工其本质是工件层在铣刀的挤压下，产生剪切滑移的塑性变形与弹性变形的过程。铣刀在切下切屑的过程中，产生大量的切削温度与切削力，在机械摩擦、化学磨损、黏结等作用下，引起刀具本身不断发生磨损甚至破损。刀具状态的劣化，将导致工件表面粗糙度上升、工件尺寸超出公差要求、切削温度与切削力增大及随机性因素如切削颤振的发生，对加工过程产生剧烈影响。因此，如何预测刀具状态的劣化趋势，提前感知刀具磨损的产生、传播与发展是解决上述危害的关键问题所在。

传统的刀具磨损预测方法基于切削加工过程中产生的物理现象如机床的振动、切屑的形状、切削的声音等，再结合机加工技术人员的经验，主观的进行判断。这种传统的方法会产生如下问题：一方面，当换刀时刀具磨损量未达到磨钝标准，此时未充分利用刀具的实际寿命而造成了浪费，这带来了时间成本和经济成本的增加；另一方面，当换刀时刀具磨损量超过磨钝标准，此时刀具已经剧烈磨损甚至破损，这意味着被加工件表面质量与尺寸精度受到了不良影响，严重时甚至会造成昂贵的零件报废与机床损伤；此外，随着智能生产线的推行和劳动成本的不断上升，生产车间向无人化的方向不断发展，传统的刀具监测方法已不切合实际生产情况。据相关统计研究表明，机床停机时间中，大约有20％的时间是由于刀具磨损造成的；生产成本中，有5％～10％的占比是由于刀具磨钝和更换所产生；当数控加工中引入刀具状态监控技术后，生产效率可提高10％～60％，故障停机时间可减少75％，机床使用效率至少提升50％。因此，如何利用有效的手段准确的预测刀具磨损状态具有重要的现实意义。

国内外学者已经针对铣刀磨损状态预测方法展开了大量的研究，可分为直接法和间接法两类。前者通过照相测量等方法，直接获取刀具表面形貌图以实现刀具磨损预测，但此类方法对加工环境要求苛刻且需离线测量，在实际生产中适用性与实用性较差，因此间接法的研究尤为重要。后者主要通过采集加工过程中与刀具磨损相关的各类传感器信号，如切削力信号、振动信号、声发射信号、电流(功率)信号等，并基于时域、频域、时频域分析手段或机器学习方法提取磨损特征，利用这些信号特征与刀具磨损之间的强相关性，间接预测刀具磨损状态。

现有刀具磨损预测研究虽然能够在一定程度上预测刀具磨损，但存在以下不足：(1)未充分考虑工况因素对刀具磨损的影响，模型仅在给定的工况条件下适用，泛化能力差；(2)未考虑刀具磨损问题的时序相关性，且模型仅能在固定的加工时长下使用；(3)依赖于知识密集型、缺乏方向性的人工特征提取，特征提取过程中丢失了原始数据的某些本质信息。

发明内容

本发明解决的技术问题是：为解决现有刀具磨损状态预测技术中，难以准确获得铣削加工过程中不同工况下刀具磨损状态，本发明提出了一种适用于不同工况的铣刀磨损状态预测方法，主要解决了以下两个方面的技术问题：

(1)针对人工特征工程存在的提取过程繁琐、信息丢失、难以表征本质关系、泛化性差等问题。本发明提出一种铣削力的图像化模型，以二维图像的方式表征各个切削刃的受力情况和磨损情况；此外，基于滑动时间窗技术构建铣削力时序图，以此刻画工况因素变化以及刀具磨损趋势变化，并为后续预测模型提供数据输入。

(2)针对铣削加工过程中刀具磨损问题本身的复杂性，变工况场景下多工况因素耦合作用和演化规律多变等问题。本发明提出一种建立基于长期循环卷积网络的铣刀磨损状态预测模型，铣削力时序图和工况因素作为模型输入，结合卷积神经网络处理图像数据上的优势与长短期记忆网络处理时序数据上的优势，提取铣削力时序图的时空特征，实现变工场景下刀具磨损状态的准确预测。

本发明的技术方案是：一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法，包括以下步骤：

步骤1：确定性工况因素特征向量表达，收集原始铣削力数据：在铣削加工过程中，定义确定性工况因素为工艺参数子工况、数控系统子工况、工件信息子工况、刀具参数子工况和切削液参数子工况；表达式如下：

C＝[Pp Nc Wi Tp Cf]^T

式中：

C——确定性工况向量；

Pp——工艺参数子向量；

Nc——数控系统子向量；

Wi——工件信息子向量；

Tp——刀具参数子向量；

Cf——切削液参数子向量；

步骤2：铣削力图像转化，包括以下子步骤：

步骤2.1：将步骤1得到的原始铣削力数据进行预处理操作，接着按照固定时间窗口t，截取出对应单个时间窗口的铣削力数据；

步骤2.2：将铣刀进给方向受力F_x'＝(F_x1',F_x2',…,F_xt')和背吃刀方向受力F_y'＝(F_y1',F_y2',…,F_yt')按照时间戳形成一个对值F_(x,y)'，表达式为：

F_(x,y)'＝{(F_x1',F_y1'),(F_x2',F_y2'),…,(F_xt',F_yt')}

步骤2.3：进一步将步骤2.2表达为：

P_f＝ψ(F_(x,y)')

式中：

P_f——铣削力二维图像；

ψ(·)——铣削力图像构建过程；

F_(x,y)'——铣刀进给方向、背吃刀方向受力形成的对值；

步骤3：构建铣削力时序图：

P_{f_l}＝(P_f1,P_f2，…,P_fl)

式中：

P_{f_l}——铣削力时序图；

(P_f1,P_f2，…,P_fl)——第1个至l个工况片段；

步骤4：基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型，该步骤包括深度卷积神经网络表观特征学习、长短期记忆网络时序特征学习及模型训练三个子步骤；

步骤4.1：深度卷积神经网络表观特征学习：将第一路铣削力时序图经过CNN多层卷积、池化和全连接处理后得到的特征向量记做h_cnn，将第二路确定性工况数据经过全连接层网络处理后得到的特征向量记作h_con，构建一个特征融合层将两路数据处理后得到的特征向量进行融合，得到h_fuse＝[h_cnn,h_con]；

步骤4.2：长短期记忆网络时序特征学习，所构建的LRCN模型不仅能提取对应时刻工况片段的表观特征，还能将时间维度中蕴含的工况因素变化和刀具磨损趋势变化等动态信息捕获；

步骤4.3：基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型训练过程，反复迭代，得到LRCN铣刀磨损预测网络模型的权重W和偏置b为止；

网络训练完成后，得到长期循环卷积网络铣刀磨损预测网络模型的权重W和偏置b；根据W和b能够将原始数据带入模型，判断铣刀目前的状态。

本发明进一步的技术方案是：所述步骤4.1中的深度卷积神经网络表观特征学习具体为：构建由5个卷积层、3个池化层、2个全连接层组成的卷积神经网络层；各个卷积层运算过程数学表达式如式(6)所示：

式中：

——第i层第j个神经元在位置(x,y)处的输入；

——第i层的第j个神经元与第i-1层第m个神经元之间的权重；

P_i——卷积核的高度；

Q_i——卷积核的宽度；

b_ij——卷积核对应的偏置；

——第i层第j个神经元在位置(x,y)处的输出；

σ(·)——激活函数。

在卷积神经网络的最后添加全连接层，将输出层神经元和输入层的神经元全部连接，全连接部分正向传播公式为：

式中

与

分别表示第l-1层的第i个神经元和第l层的第j个神经元之间的权值与偏置。

将第一路铣削力时序图经过CNN多层卷积、池化和全连接处理后得到的特征向量记做h_cnn，将第二路确定性工况数据经过全连接层网络处理后得到的特征向量记作h_con，构建一个特征融合层将两路数据处理后得到的特征向量进行融合，得到h_fuse＝[h_cnn,h_con]。

本发明进一步的技术方案是：所述卷积神经网络中FC2层输出的特征向量

作为长短期记忆网络单元的输入。其中，特征向量h_fuse中包含经过多层卷积、池化等操作获取的各个时刻铣削力二维图中的表观特征h_cnn，以及对应时刻铣削加工过程的确定性工况因素特征h_con。按照时间序列，依次将h_fuse传递给循环序列学习模块长短期记忆网络单元，通过交叉递归得到隐藏层单元细胞间的相互依赖关系，实现铣削力时序图中时序特征的提取。通过LSTM神经单元前向传播算法的表达式如下列式(8)至式(12)所示：

输入门：

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i) (8)

遗忘门：

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f) (9)

细胞状态：

c_t＝f_tc_t-1+i_ttanh(W_xcx_t+W_hch_t-1+b_c) (10)

输出门：

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t+b_o) (11)

隐含单元输出：

h_t＝o_ttanh(c_t) (12)

其中，x_t代表第t时刻输入数据，h_t-1代表第t-1时刻LSTM单元输出，c_t-1代表第t-1时刻细胞单元输出，W为权重系数矩阵，b为偏置向量，σ为Sigmoid激活函数，Tanh为双曲正切激活函数。由于使用Sigmoid激活函数，经过遗忘门和输入门的数据范围为[0,1]，因此遗忘门和输入门可看作LSTM进行选择或丢弃信息量的开关；输出门用于控制记忆单元向隐藏单元转移信息量。

本发明进一步的技术方案是：所述基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型训练过程具体为：

step1：初始化长期循环卷积网络模型参数；加载4.2节中预训练模型CNN中各层级网络权重W₀和偏置b₀，其中，池化层中不存在需要训练的权值和偏置。

step2：设置算法的超参数，包括学习率α的设置，迭代次数epoch的设置，以及各层网络中激活函数的选择。

step3：根据前向传播网络计算长期循环卷积网络的实际输出：

step4：根据理论输出标签T_sta和模型实际输出

更新网络参数；

For i＝1:(从第一个时间点开始进行循环)

step 4.1：反向计算每个神经元的误差项，误差定义为交叉熵函数：

step 4.2：根据误差项计算每个权重的梯度

和偏置的梯度

step 4.3：采用优化算法更新网络的权重和偏置

step4.4：重复步骤4.1到步骤4.3，直到loss值收敛

End。

发明效果

本发明的技术效果在于：本发明提供一种基于铣削力时序图深度学习的铣刀磨损预测方法，该方法将铣削力转换为二维图像，保留了数据的本质特征，并构建铣削力时序图实现加工过程工况变化与磨损趋势变化的刻画，利用深度学习网络提取铣削力时序图中的时空特征，提前感知刀具劣化趋势的产生、传播和发展，实现变工况下刀具磨损状态的准确预测，为生产企业提供换刀决策，进而提高生产效率和经济效益。

本发明首先接将铣削力数据转换为二维图像，以此表征各个切削刃的受力情况和磨损情况，避免了人工特征工程存在的提取过程繁琐、信息丢失、泛化性差、难以表征本质关系等问题。此外，通过滑动时间窗技术构建了铣削力时序图，实现了刀具磨损变化趋势的刻画。建立基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型，利用卷积神经网络学习复杂非线性关系的能力和处理图像数据上的优势，以及长短期记忆网络再处理时序问题上的优势，提取铣削力时序图表观特征与时序特征，实现变工况场景下刀具磨损状态的预测。

附图说明

图1为基于铣削力时序图深度学习的变工况铣刀磨损预测原理图

图2为C6铣削力时序图样例

图3为LRCN模型损失函数变化

图4为准确率变化图

图5为LRCN模型预测结果混淆矩阵

具体实施方式

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

参加图1-图5，本发明的目的是提出一种基于铣削力时序图深度学习的变工况铣刀状态磨损预测方法，其中包括铣削过程信号预处理、铣削力图像转化、铣削力时序图构建以及基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型。

本发明的技术方案为：以刀具6的样本C6为例展开描述。

步骤1：确定性工况因素特征向量表达。在铣削加工过程中，确定性工况因素可以在加工前确定，而非确定性工况因素例如工作台颤振、夹具变形、鳞刺、积屑瘤等，往往由加工过程中的随机性因素产生，具有非平稳、非线性和动态演变等特点，难以提前感知。因此，所建立的工况因素模型中，主要考虑确定性工况因素的影响。具体包括五个子工况：工艺参数子工况、数控系统子工况、工件信息子工况、刀具参数子工况和切削液参数子工况。其表达式如(1)所示：

C＝[Pp Nc Wi Tp Cf]^T (1)

式中：

C——确定性工况向量；

Pp——工艺参数子向量；

Nc——数控系统子向量；

Wi——工件信息子向量；

Tp——刀具参数子向量；

Cf——切削液参数子向量。

其中，工艺参数子工况指铣削加工过程中可以控制的参数，主要包括主轴转速、进给速度、切削深度和切削宽度；数控系统子工况包括机床的最大功率、主轴的最大扭矩、主轴的最大转速、机床的最大进给速度；工件信息子工况包括材料特征、几何特征、工序特征；刀具参数子工况包括铣刀齿数、铣刀半径、铣刀螺旋角、铣刀前角、铣刀后角；切削液参数子工况包括切削液理化性质和切削液射流属性。

C6样本的工况因素向量C可以表示为：C＝[63660.20.27]；

步骤2：铣削力图像转化。首先，将采集到的原始铣削力数据进行有效值截取、缺失值处理、标准化和去噪等预处理操作，接着按照固定时间窗口t，截取出对应单个时间窗口的铣削力数据。然后，将铣刀进给方向受力F_x'＝(F_x1',F_x2',…,F_xt')和背吃刀方向受力F_y'＝(F_y1',F_y2',…,F_yt')按照时间戳形成一个对值F_(x,y)'，如式(2)所示：

F_(x,y)'＝{(F_x1',F_y1'),(F_x2',F_y2'),…,(F_xt',F_yt')} (2)

将对值视为坐标系中的坐标值，即构建一个笛卡尔坐标系，将刀具进给方向受力作为x轴方向坐标值，将刀具背吃刀方向受力作为y轴方向坐标值，得到铣削力二维图像，构建过程抽象为式(3：

P_f＝ψ(F_(x,y)') (3)

式中：

P_f——铣削力二维图像；

ψ(·)——铣削力图像构建过程；

F_(x,y)'——铣刀进给方向、背吃刀方向受力形成的对值。

C6刀具经过预处理过的进给方向受力为F_x'＝(0.60321,1.81531,…,-0.66508)，背吃刀方向受力为F_y'＝(0.89757,-0.55083,…,-1.13871)，将每一个滑动时间窗内的数据按照时间戳形成一个对值：

步骤3：铣削力时序图构建。将传感器采集到的数据称为刀具磨损监测数据，记作

其中

表示在第i个采样周期内的传感器监测数据，m表示传感器采集数据类别的数量，例如：

表示切削力信号，

表示切削液信号等。

本文中，传感器采集的数据类别有两种，分别是刀具进给方向受力和背吃刀方向受力，记作

采用某一固定长度的时间窗t，来表示某一固定时间序列的刀具磨损监测数据

接着，时间窗向前滑动若干个数据采集周期，得到下一个刀具磨损监测数据序列

式中step表示时间窗移动的步长。利用滑动时间窗技术将采集到的传感器数据进行处理，并转化为若干序列数据的整个过程可以表示为式(4)：

接着，将滑动时间窗长度为t内得到的铣削力数据作为一个工况片段，设滑动步长为step，共得到l个工况片段，然后将每个工况片段按照上节所提出方法转换为铣削力图像P_f。接着将l张铣削力图像按照时间序列分布，得到铣削力时序图P_{f_l}，其中1≤l≤L。通过对铣削力时序图进行分析，可以得到刀具磨损的动态变化趋势。铣削力时序图的构建过程可以表示为式(5)：

P_{f_l}＝(P_f1,P_f2，…,P_fl) (5)

式中：

P_{f_l}——铣削力时序图；

(P_f1,P_f2，…,P_fl)——第1个至l个工况片段。

按照设定的滑动时间窗对C6的每一个磨损样本进行分割，将4个工况片段形成的4张铣削力图组成一组铣削力时序图。C6刀具其中一组铣削力时序图如附图2所示：

步骤4：基于长期循环卷积网络时空特征(LRCN)学习的铣刀磨损状态预测模型，该步骤包括深度卷积神经网络表观特征学习、长短期记忆网络时序特征学习及模型训练三个子步骤。

步骤4.1：深度卷积神经网络表观特征学习。构建由5个卷积层、3个池化层、2个全连接层组成的卷积神经网络层；各个卷积层运算过程数学表达式如式(6)所示：

式中：

——第i层第j个神经元在位置(x,y)处的输入；

——第i层的第j个神经元与第i-1层第m个神经元之间的权重；

P_i——卷积核的高度；

Q_i——卷积核的宽度；

b_ij——卷积核对应的偏置；

——第i层第j个神经元在位置(x,y)处的输出；

σ(·)——激活函数。

在卷积神经网络的最后添加全连接层，将输出层神经元和输入层的神经元全部连接，全连接部分正向传播公式为：

式中

与

分别表示第l-1层的第i个神经元和第l层的第j个神经元之间的权值与偏置。

将第一路铣削力时序图经过CNN多层卷积、池化和全连接处理后得到的特征向量记做h_cnn，将第二路确定性工况数据经过全连接层网络处理后得到的特征向量记作h_con，构建一个特征融合层将两路数据处理后得到的特征向量进行融合，得到h_fuse＝[h_cnn,h_con]。

步骤4.2：长短期记忆网络时序特征学习。卷积神经网络中FC2层输出的特征向量

作为长短期记忆网络单元的输入。其中，特征向量h_fuse中包含经过多层卷积、池化等操作获取的各个时刻铣削力二维图中的表观特征h_cnn，以及对应时刻铣削加工过程的确定性工况因素特征h_con。按照时间序列，依次将h_fuse传递给循环序列学习模块长短期记忆网络单元，通过交叉递归得到隐藏层单元细胞间的相互依赖关系，实现铣削力时序图中时序特征的提取。通过LSTM神经单元前向传播算法的表达式如下列式(8)至式(12)所示：

输入门：

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i) (8)

遗忘门：

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f) (9)

细胞状态：

c_t＝f_tc_t-1+i_ttanh(W_xcx_t+W_hch_t-1+b_c) (10)

输出门：

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t+b_o) (11)

隐含单元输出：

h_t＝o_ttanh(c_t) (12)

其中，x_t代表第t时刻输入数据，h_t-1代表第t-1时刻LSTM单元输出，c_t-1代表第t-1时刻细胞单元输出，W为权重系数矩阵，b为偏置向量，σ为Sigmoid激活函数，Tanh为双曲正切激活函数。由于使用Sigmoid激活函数，经过遗忘门和输入门的数据范围为[0,1]，因此遗忘门和输入门可看作LSTM进行选择或丢弃信息量的开关；输出门用于控制记忆单元向隐藏单元转移信息量。

步骤4.3：基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型训练过程。

step1：初始化长期循环卷积网络模型参数；加载步骤4.2中预训练模型CNN中各层级网络权重W₀和偏置b₀，其中，池化层中不存在需要训练的权值和偏置。

step2：设置算法的超参数，包括学习率α的设置，迭代次数epoch的设置，以及各层网络中激活函数的选择。

step3：根据前向传播网络计算长期循环卷积网络的实际输出：

step4：根据理论输出标签T_sta和模型实际输出

更新网络参数；

For i＝1:(即从第一个时间点开始进行循环)

step 4.1：反向计算每个神经元的误差项，误差定义为交叉熵函数：

step 4.2：根据误差项计算每个权重的梯度

和偏置的梯度

step 4.3：采用优化算法更新网络的权重和偏置

step4.4：重复步骤4.1到步骤4.3，直到loss值收敛

End

step5：网络训练完成，得到长期循环卷积网络铣刀磨损预测网络模型的权重W和偏置b。

根据W和b能够将原始数据带入模型，判断铣刀目前的状态。

通过以上模块处理，C6数据集共获得621组铣削力时序图，使用随机拆分法将其划分为80％的训练数据集和20％的测试数据集，测试数据集全程不参与训练，用于评价和测试模型的性能，各个数据集具体样本数如表所示。

表 铣削力时序图样本数量

基于LRCN的刀具磨损预测模型训练过程和测试过程中，损失函数值随着迭代次数的变化曲线如附图3所示：

损失函数曲线中，横坐标代表迭代次数，纵坐标为损失函数值。由上图可以看出，随着迭代次数的增加，训练集损失函数曲线和测试集损失函数曲线均呈现出明显的下降趋势，并最终收敛，训练集损失值收敛到0.008，测试集损失值收敛到0.145。这表明铣削力时序图可以有效表征刀具磨损的状态变化，另一方面也说明了所构建的LRCN模型在刀具磨损状态预测问题上的优势。

模型在训练过程和测试过程中，刀具磨损状态预测的准确率随着迭代次数的变化如图4所示以及混淆矩阵结果如图5所示：

由图4可知，随着迭代次数的增加，训练集准确率和测试集准确率曲线均呈现出明显的上升趋势，并最终收敛。训练集准确率收敛到0.988，测试集准确率收敛到0.968，模型预测的总体准确率较高。分析图5混淆矩阵可知，在九组不同工况下对本发明进行检验，结果如下：铣刀初期磨损、正常磨损、急剧磨损、磨损失效和刀具崩刃的预测准确率分别为0.93、0.99、0.92、0.90和0.89，宏平均准确率为0.926，达到了较高的预测准确率。

Claims (4)

1.一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法，其特征在于，包括以下步骤：

步骤1：确定性工况因素特征向量表达，收集原始铣削力数据：在铣削加工过程中，定义确定性工况因素为工艺参数子工况、数控系统子工况、工件信息子工况、刀具参数子工况和切削液参数子工况；表达式如下：

C＝[Pp Nc Wi Tp Cf]^T

式中：

C——确定性工况向量；

Pp——工艺参数子向量；

Nc——数控系统子向量；

Wi——工件信息子向量；

Tp——刀具参数子向量；

Cf——切削液参数子向量；

步骤2：铣削力图像转化，包括以下子步骤：

步骤2.1：将步骤1得到的原始铣削力数据进行预处理操作，接着按照固定时间窗口t，截取出对应单个时间窗口的铣削力数据；

步骤2.2：将铣刀进给方向受力F_x'＝(F_x1',F_x2',…,F_xt')和背吃刀方向受力F_y'＝(F_y1',F_y2',…,F_yt')按照时间戳形成一个对值F_(x,y)'，表达式为：

F_(x,y)'＝{(F_x1',F_y1'),(F_x2',F_y2'),…,(F_xt',F_yt')}

步骤2.3：进一步将步骤2.2表达为：

P_f＝ψ(F_(x,y)')

式中：

P_f——铣削力二维图像；

ψ(·)——铣削力图像构建过程；

F_(x,y)'——铣刀进给方向、背吃刀方向受力形成的对值；

步骤3：构建铣削力时序图：

P_{f_l}＝(P_f1,P_f2，...,P_fl)

式中：

P_{f_l}——铣削力时序图；

(P_f1,P_f2，...,P_fl)——第1个至l个工况片段；

步骤4：基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型，该步骤包括深度卷积神经网络表观特征学习、长短期记忆网络时序特征学习及模型训练三个子步骤；

步骤4.1：深度卷积神经网络表观特征学习：将第一路铣削力时序图经过CNN多层卷积、池化和全连接处理后得到的特征向量记做h_cnn，将第二路确定性工况数据经过全连接层网络处理后得到的特征向量记作h_con，构建一个特征融合层将两路数据处理后得到的特征向量进行融合，得到h_fuse＝[h_cnn,h_con]；

步骤4.2：长短期记忆网络时序特征学习，所构建的LRCN模型不仅能提取对应时刻工况片段的表观特征，还能将时间维度中蕴含的工况因素变化和刀具磨损趋势变化等动态信息捕获；

步骤4.3：基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型训练过程，反复迭代，得到LRCN铣刀磨损预测网络模型的权重W和偏置b为止；

网络训练完成后，得到长期循环卷积网络铣刀磨损预测网络模型的权重W和偏置b；根据W和b能够将原始数据带入模型，判断铣刀目前的状态。

2.如权利要求1所述的一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法，其特征在于，所述步骤4.1中的深度卷积神经网络表观特征学习具体为：构建由5个卷积层、3个池化层、2个全连接层组成的卷积神经网络层；各个卷积层运算过程数学表达式如式(6)所示：

式中：

——第i层第j个神经元在位置(x,y)处的输入；

——第i层的第j个神经元与第i-1层第m个神经元之间的权重；

P_i——卷积核的高度；

Q_i——卷积核的宽度；

b_ij——卷积核对应的偏置；

——第i层第j个神经元在位置(x,y)处的输出；

σ(·)——激活函数；

在卷积神经网络的最后添加全连接层，将输出层神经元和输入层的神经元全部连接，全连接部分正向传播公式为：

式中

与

分别表示第l-1层的第i个神经元和第l层的第j个神经元之间的权值与偏置；

将第一路铣削力时序图经过CNN多层卷积、池化和全连接处理后得到的特征向量记做h_cnn，将第二路确定性工况数据经过全连接层网络处理后得到的特征向量记作h_con，构建一个特征融合层将两路数据处理后得到的特征向量进行融合，得到h_fuse＝[h_cnn,h_con]。

3.如权利要求1所述的一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法，其特征在于，所述卷积神经网络中FC2层输出的特征向量

作为长短期记忆网络单元的输入；其中，特征向量h_fuse中包含经过多层卷积、池化等操作获取的各个时刻铣削力二维图中的表观特征h_cnn，以及对应时刻铣削加工过程的确定性工况因素特征h_con；按照时间序列，依次将h_fuse传递给循环序列学习模块长短期记忆网络单元，通过交叉递归得到隐藏层单元细胞间的相互依赖关系，实现铣削力时序图中时序特征的提取；通过LSTM神经单元前向传播算法的表达式如下列式(8)至式(12)所示：

输入门：

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i) (8)

遗忘门：

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f) (9)

细胞状态：

c_t＝f_tc_t-1+i_ttanh(W_xcx_t+W_hch_t-1+b_c) (10)

输出门：

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t+b_o) (11)

隐含单元输出：

h_t＝o_ttanh(c_t) (12)

其中，x_t代表第t时刻输入数据，h_t-1代表第t-1时刻LSTM单元输出，c_t-1代表第t-1时刻细胞单元输出，W为权重系数矩阵，b为偏置向量，σ为Sigmoid激活函数，Tanh为双曲正切激活函数；由于使用Sigmoid激活函数，经过遗忘门和输入门的数据范围为[0,1]，因此遗忘门和输入门可看作LSTM进行选择或丢弃信息量的开关；输出门用于控制记忆单元向隐藏单元转移信息量。

4.如权利要求1所述的一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法，其特征在于，所述基于长期循环卷积网络时空特征学习的铣刀磨损状态预测模型训练过程具体为：

step1：初始化长期循环卷积网络模型参数；加载步骤4.2中预训练模型CNN中各层级网络权重W₀和偏置b₀，其中，池化层中不存在需要训练的权值和偏置；

step2：设置算法的超参数，包括学习率α的设置，迭代次数epoch的设置，以及各层网络中激活函数的选择；

step3：根据前向传播网络计算长期循环卷积网络的实际输出：

step4：根据理论输出标签T_sta和模型实际输出

更新网络参数；

For i＝1:(从第一个时间点开始进行循环)

step 4.1：反向计算每个神经元的误差项，误差定义为交叉熵函数：

step 4.2：根据误差项计算每个权重的梯度

和偏置的梯度

step 4.3：采用优化算法更新网络的权重和偏置

step4.4：重复step 4.1到step 4.3，直到loss值收敛

End。

Images