CN114048958A - 基于深度卷积残差收缩网络的刀具磨损预测方法和系统 - Google Patents

基于深度卷积残差收缩网络的刀具磨损预测方法和系统 Download PDF

Info

Publication number
CN114048958A
CN114048958A CN202111216259.6A CN202111216259A CN114048958A CN 114048958 A CN114048958 A CN 114048958A CN 202111216259 A CN202111216259 A CN 202111216259A CN 114048958 A CN114048958 A CN 114048958A
Authority
CN
China
Prior art keywords
value
residual shrinkage
tool wear
error
network
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
Application number
CN202111216259.6A
Other languages
English (en)
Inventor
覃程锦
陶建峰
刘成良
曾宏伟
余宏淦
雷军波
孙浩
石岗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Shanghai Platform For Smart Manufacturing Co Ltd
Original Assignee
Shanghai Jiaotong University
Shanghai Platform For Smart Manufacturing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University, Shanghai Platform For Smart Manufacturing Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN202111216259.6A priority Critical patent/CN114048958A/zh
Publication of CN114048958A publication Critical patent/CN114048958A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • G06N3/08—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供一种基于深度卷积残差收缩网络的刀具磨损预测方法和系统，包括：采集机床振动、切削力以及电机电流信号；对采集的信号进行降采样、截断和归一化预处理，作为刀具磨损预测模型的输入信号；构建残差收缩单元，提取输入信号的深层次特征并过滤噪声干扰；构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练；通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测；计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。本发明实现高精度且具有良好抗噪性能的刀具磨损预测，有助于指导机械加工过程中刀具的更换，实现机床刀具的预测性维护，从而提升机床的自动化和智能化水平。

Description

基于深度卷积残差收缩网络的刀具磨损预测方法和系统
技术领域
本发明涉及刀具磨损评估和预测技术领域，具体地，涉及一种基于深度卷积残差收缩网络(DCRSN)的刀具磨损预测方法和系统。
背景技术
刀具状态是影响切削质量和生产效率的重要因素，刀具磨损会导致切削力增大以及切削温度升高，降低工件尺寸精度和表面质量。因此，对刀具磨损状态在线进行监测具有重要意义，能够指导刀具及时更换，保证工件质量。
公开号为CN105893760B的发明专利，公开了一种基于广义磨损量的刀具磨损评价和预测方法及系统，包括：S1、获取不同采样时间段内刀具采样点的磨损状态数据，通过对所述磨损状态数据进行拟合，得到刀具采样点的状态函数，并根据所述状态函数确定广义磨损量；S2、基于所述广义磨损量计算刀具磨损评价指标和广义磨损率；S3、根据所述刀具磨损评价指标评定刀具磨损情况，并根据所述广义磨损率预测刀具磨损情况。
目前，刀具状态监测方法主要分为直接测量和间接测量。间接法对加工过程不会产生影响，能够实现刀具磨损的在线监测。然而，由于刀具磨损过程复杂，采集的信号夹杂噪声等问题，使得基于传感器信号的刀具磨损预测模型的泛化性能难以提高。因此，在很多研究中将磨损量回归预测问题退化成磨损程度分类问题，以提高模型性能。但准确的磨损量预测更具现实意义，如何提高模型抗干扰能力、提升磨损量预测精度和泛化性能是需要重点关注的问题。
发明内容
针对现有技术中的缺陷，本发明提供一种基于深度卷积残差收缩网络的刀具磨损预测方法和系统。
根据本发明提供的一种基于深度卷积残差收缩网络的刀具磨损预测方法和系统，所述方案如下：
第一方面，提供了一种基于深度卷积残差收缩网络的刀具磨损预测方法，所述方法包括：
步骤S1：采集机床振动、切削力以及电机电流信号；
步骤S2：对采集的所述机床振动、切削力以及电机电流信号进行降采样、截断和归一化预处理，作为刀具磨损预测模型的输入信号；
步骤S3：通过对传统残差单元引入软阈值化机制，构建残差收缩单元，利用多层所述残差收缩单元提取输入信号的深层次特征并过滤噪声干扰；
步骤S4：利用TensorFlow框架下的Keras包构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练；
步骤S5：通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测；
步骤S6：根据预测的磨损量和真实磨损量计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。
优选的，所述步骤S2包括：
步骤S2.1：在降采样过程中，取降采样区间内的最大值、最小值和均值构成新的样本，相当于取信号的上下包络线和均值线；
步骤S2.2：截取信号使得每个通道信号长度为5000；
步骤S2.3：利用最大-最小归一化法对每个通道信号进行归一化，表达式为：
Figure BDA0003310752270000021
其中，Oi表示每个通道信号归一化前的数值；
Ni表示每个通道信号归一化后的数值；
i表示数值的序列数；
m表示该每个通道信号的样本个数。
优选的，所述深度残差收缩神经网络对经过归一化后的信号进行时间变化特征提取；
所述深度卷积残差收缩网络刀具磨损预测模型包括卷积神经网络、残差收缩单元和全连接神经网络，通过全连接神经网络将预测结果进行输出。
优选的，所述步骤S6中均方根误差和平均绝对误差的计算公式包括：
Figure BDA0003310752270000022
Figure BDA0003310752270000031
其中，RMSE表示均方根误差；MAE表示平均绝对误差；
X＝{x1，x2，…，xn}为真实值；Y＝{y1，y2，…，yn}为预测值；
n为预测数值个数；
i为序列数；
RMSE和MAE的值越小则预测精度越高。
优选的，所述步骤S6中决定系数的计算公式包括：
Figure BDA0003310752270000032
其中，R2为决定系数，表征平均绝对百分误差大小；
Figure BDA0003310752270000033
为刀具磨损真实值的平均值；
R2的值越大则预测精度越高。
第二方面，提供了一种基于深度卷积残差收缩网络的刀具磨损预测系统，所述系统包括：
模块M1：采集机床振动、切削力以及电机电流信号；
模块M2：对采集的所述机床振动、切削力以及电机电流信号进行降采样、截断和归一化预处理，作为刀具磨损预测模型的输入信号；
模块M3：通过对传统残差单元引入软阈值化机制，构建残差收缩单元，利用多层所述残差收缩单元提取输入信号的深层次特征并过滤噪声干扰；
模块M4：利用TensorFlow框架下的Keras包构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练；
模块M5：通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测；
模块M6：根据预测的磨损量和真实磨损量计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。
优选的，所述模块M2包括：
模块M2.1：在降采样过程中，取降采样区间内的最大值、最小值和均值构成新的样本，相当于取信号的上下包络线和均值线；
模块M2.2：截取信号使得每个通道信号长度为5000；
模块M2.3：利用最大-最小归一化法对每个通道信号进行归一化，表达式为：
Figure BDA0003310752270000041
其中，Oi表示每个通道信号归一化前的数值；
Ni表示每个通道信号归一化后的数值；
i表示数值的序列数；
m表示该每个通道信号的样本个数。
优选的，所述深度残差收缩神经网络对经过归一化后的信号进行时间变化特征提取；
所述深度卷积残差收缩网络刀具磨损预测模型包括卷积神经网络、残差收缩单元和全连接神经网络，通过全连接神经网络将预测结果进行输出。
优选的，所述模块M6中均方根误差和平均绝对误差的计算公式包括：
Figure BDA0003310752270000042
Figure BDA0003310752270000043
其中，RMSE表示均方根误差；MAE表示平均绝对误差；
X＝{x1，x2，…，xn}为真实值；Y＝{y1，y2，…，yn}为预测值；
n为预测数值个数；
i为序列数；
RMSE和MAE的值越小则预测精度越高。
优选的，所述模块M6中决定系数的计算公式包括：
Figure BDA0003310752270000044
其中，R2为决定系数，表征平均绝对百分误差大小；
Figure BDA0003310752270000045
为刀具磨损真实值的平均值；
R2的值越大则预测精度越高。
与现有技术相比，本发明具有如下的有益效果：
1、本发明实现了高精度且具有良好抗噪性能的刀具磨损预测，有助于指导机械加工过程中刀具的更换；
2、本发明实现机床刀具的预测性维护，从而提升机床的自动化和智能化水平。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明所提出的基于深度卷积残差收缩网络的刀具磨损预测流程示意图；
图2是本发明所提出的基于深度卷积残差收缩网络的刀具磨损预测方法在数据集1的测试集中的刀具磨损实际图和预测值对比图；
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例针对目前的刀具磨损预测方法存在的预测精度不高、泛化能力不强、模型抗噪性弱的问题，提供了一种基于深度卷积残差收缩网络的刀具磨损预测方法，具体如下：
实施例1：
一种基于深度卷积残差收缩网络的刀具磨损预测方法，该方法包括：
步骤S1：采集机床振动、切削力以及电机电流信号。
步骤S2：对采集的所述机床振动、切削力以及电机电流信号进行降采样、截断和归一化等预处理，作为刀具磨损预测模型的输入信号。
该步骤S2具体包括：
在降采样过程中，取降采样区间内的最大值、最小值和均值构成新的样本，相当于取信号的上下包络线和均值线；
截取信号使得每个通道信号长度为5000；
利用最大-最小归一化法对每个通道信号进行归一化，表达式为：
Figure BDA0003310752270000051
其中，Oi表示每个通道信号归一化前的数值；Ni表示每个通道信号归一化后的数值；i表示数值的序列数；m表示该每个通道信号的样本个数。
步骤S3：通过对传统残差单元引入软阈值化机制，构建残差收缩单元(RSBU)，利用多层残差收缩单元提取输入信号的深层次特征并过滤噪声干扰。
步骤S4：利用TensorFlow框架下的Keras包构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练。
步骤S5：通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测。
深度残差收缩神经网络对经过归一化后的信号进行时间变化特征提取；深度卷积残差收缩网络刀具磨损预测模型包括卷积神经网络、残差收缩单元和全连接神经网络，通过全连接神经网络将预测结果进行输出。模型输入为多个通道的一维信号，首先经过一个卷积层提取浅层特征并提高通道数。紧接着连接若干个RSBU用于提取深层次特征，然后连接一个Flatten层将各通道特征展平，再搭建一个全连接层进行刀具磨损值的预测。卷积层采用尺寸为16的卷积核，个数为64。随后搭建了20层RSBU，RSBU分为两类，RSBU_1表示步长为1，输入和输出尺寸相同，RSBU_2表示步长为2，输出较输入特征长度减半，通道数则始终保持不变，两类RSBU交替堆叠。全连接层输出尺寸为1，激活函数为ReLU。
步骤S6：根据预测的磨损量和真实磨损量计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。
其中，均方根误差、平均绝对误差和决定系数的计算公式包括：
Figure BDA0003310752270000061
Figure BDA0003310752270000062
Figure BDA0003310752270000063
其中，RMSE表示均方根误差；MAE表示平均绝对误差；R2为决定系数，表征平均绝对百分误差大小；
X＝{x1，x2，…，xn}为真实值；Y＝{y1，y2，…，yn}为预测值；
n为预测数值个数；
Figure BDA0003310752270000064
为刀具磨损真实值的平均值；
i为序列数；
RMSE和MAE的值越小则预测精度越高，R2的值越大则预测精度越高。
本发明首先采集机床振动、切削力和电机电流信号。原始信号有7个通道，经降采样处理后增加至21个通道，每个通道信号长度为5000。之后建立基于深度卷积残差收缩网络的刀具磨损预测模型，并用机床运行状态数据和测量得到的刀具磨损数据进行模型训练。训练好的模型可以实现高精度且具有良好抗噪性能的刀具磨损预测，有助于指导机械加工过程中刀具的更换，实现机床刀具的预测性维护，从而提升机床的自动化和智能化水平。
本发明还提供了一种基于深度卷积残差收缩网络的刀具磨损预测系统，包括：
模块M1：采集机床振动、切削力和电机电流信号。
模块M2：对采集的信号进行降采样、截断和归一化等预处理，作为刀具磨损预测模型的输入。
模块M3：通过对传统残差单元引入软阈值化机制，构建了残差收缩单元(RSBU)，利用多层残差收缩单元提取输入信号的深层次特征并过滤噪声干扰。
模块M4：利用TensorFlow框架下的Keras包构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练。
模块M5：通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测。
模块M6：根据预测的磨损量和真实磨损量计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。
模块M2具体包括：在降采样过程中，取降采样区间内的最大值、最小值和均值构成新的样本，相当于取信号的上下包络线和均值线；截取信号使得每个通道信号长度为5000；利用最大-最小归一化法对每个通道信号进行归一化，表达式为：
Figure BDA0003310752270000071
其中，Oi表示每个通道信号归一化前的数值，Ni表示每个通道信号归一化后的数值，i为数值的序列数，m为该每个通道信号的样本个数。
深度残差收缩神经网络对经过归一化后的信号进行时间变化特征提取；深度卷积残差收缩网络刀具磨损预测模型包括卷积神经网络、残差收缩单元和全连接神经网络，通过全连接神经网络将预测结果进行输出。模型输入为多个通道的一维信号，首先经过一个卷积层提取浅层特征并提高通道数。紧接着连接若干个RSBU用于提取深层次特征，然后连接一个Flatten层将各通道特征展平，再搭建一个全连接层进行刀具磨损值的预测。卷积层采用尺寸为16的卷积核，个数为64。随后搭建了20层RSBU，RSBU分为两类，RSBU_1表示步长为1，输入和输出尺寸相同，RSBU_2表示步长为2，输出较输入特征长度减半，通道数则始终保持不变，两类RSBU交替堆叠。全连接层输出尺寸为1，激活函数为ReLU。
模块M6中的计算公式包括：
Figure BDA0003310752270000081
Figure BDA0003310752270000082
Figure BDA0003310752270000083
其中，RMSE表示均方根误差；MAE表示平均绝对误差；R2为决定系数，表征平均绝对百分误差大小；X＝{x1，x2，…，xn}为真实值；Y＝{y1，y2，…，yn}为预测值；
Figure BDA0003310752270000084
为刀具磨损真实值的平均值；n为预测数值个数；i为序列数；RMSE和MAE的值越小则预测精度越高；R2的值越大则预测精度越高。
实施例2：
实施例2是实施例1的变化例。
参照图1和图2所示，本发明提供了一种基于深度卷积残差收缩网络的刀具磨损预测方法，包括如下步骤：
步骤1：采集机床振动、切削力和电机电流信号；
步骤2：对采集的信号进行降采样、截断和归一化等预处理，作为刀具磨损预测模型的输入；原始信号有7个通道，经降采样处理后增加至21个通道，每个通道信号长度为5000；
步骤3：通过对传统残差单元引入软阈值化机制，构建了残差收缩单元(RSBU)，利用多层残差收缩单元提取输入信号的深层次特征并过滤噪声干扰；
步骤4：利用TensorFlow框架下的Keras包构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练；模型输入为多个通道的一维信号，首先经过一个卷积层提取浅层特征并提高通道数。紧接着连接若干个RSBU用于提取深层次特征，然后连接一个Flatten层将各通道特征展平，再搭建一个全连接层进行刀具磨损值的预测。卷积层采用尺寸为16的卷积核，个数为64。随后搭建了20层RSBU，RSBU分为两类，RSBU_1表示步长为1，输入和输出尺寸相同，RSBU_2表示步长为2，输出较输入特征长度减半，通道数则始终保持不变，两类RSBU交替堆叠。全连接层输出尺寸为1，激活函数为ReLU。
步骤5：通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测；
步骤6：根据预测的磨损量和真实磨损量计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。
从图2可以看出提出的基于深度卷积残差收缩网络的刀具磨损预测模型预测的刀具磨损数值与实际的数值很接近，在该数据集上，RMSE为3.109，MAE为2.081，R2则高达0.991，表明提出的基于深度卷积残差收缩网络的刀具磨损预测模型泛化性能和抗噪性能良好，模型预测精度高。
本发明实施例提供一种基于深度卷积残差收缩网络的刀具磨损预测方法和系统，实现了高精度且具有良好抗噪性能的刀具磨损预测，有助于指导机械加工过程中刀具的更换，实现机床刀具的预测性维护，从而提升机床的自动化和智能化水平。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于深度卷积残差收缩网络的刀具磨损预测方法，其特征在于，包括：
步骤S1：采集机床振动、切削力以及电机电流信号；
步骤S2：对采集的所述机床振动、切削力以及电机电流信号进行降采样、截断和归一化预处理，作为刀具磨损预测模型的输入信号；
步骤S3：通过对传统残差单元引入软阈值化机制，构建残差收缩单元，利用多层所述残差收缩单元提取输入信号的深层次特征并过滤噪声干扰；
步骤S4：利用TensorFlow框架下的Keras包构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练；
步骤S5：通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测；
步骤S6：根据预测的磨损量和真实磨损量计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。
2.根据权利要求1所述的基于深度卷积残差收缩网络的刀具磨损预测方法，其特征在于，所述步骤S2包括：
步骤S2.1：在降采样过程中，取降采样区间内的最大值、最小值和均值构成新的样本，相当于取信号的上下包络线和均值线；
步骤S2.2：截取信号使得每个通道信号长度为5000；
步骤S2.3：利用最大-最小归一化法对每个通道信号进行归一化，表达式为：
Figure FDA0003310752260000011
其中，Oi表示每个通道信号归一化前的数值；
Ni表示每个通道信号归一化后的数值；
i表示数值的序列数；
m表示该每个通道信号的样本个数。
3.根据权利要求2所述的基于深度卷积残差收缩网络的刀具磨损预测方法，其特征在于，所述深度残差收缩神经网络对经过归一化后的信号进行时间变化特征提取；
所述深度卷积残差收缩网络刀具磨损预测模型包括卷积神经网络、残差收缩单元和全连接神经网络，通过全连接神经网络将预测结果进行输出。
4.根据权利要求1所述的基于深度卷积残差收缩网络的刀具磨损预测方法，其特征在于，所述步骤S6中均方根误差和平均绝对误差的计算公式包括：
Figure FDA0003310752260000021
Figure FDA0003310752260000022
其中，RMSE表示均方根误差；MAE表示平均绝对误差；
X＝{x1,x2,…,xn}为真实值；Y＝{y1,y2,…,yn}为预测值；
n为预测数值个数；
i为序列数；
RMSE和MAE的值越小则预测精度越高。
5.根据权利要求4所述的基于深度卷积残差收缩网络的刀具磨损预测方法，其特征在于，所述步骤S6中决定系数的计算公式包括：
Figure FDA0003310752260000023
其中，R2为决定系数，表征平均绝对百分误差大小；
Figure FDA0003310752260000024
为刀具磨损真实值的平均值；
R2的值越大则预测精度越高。
6.一种基于深度卷积残差收缩网络的刀具磨损预测系统，其特征在于，包括：
模块M1：采集机床振动、切削力以及电机电流信号；
模块M2：对采集的所述机床振动、切削力以及电机电流信号进行降采样、截断和归一化预处理，作为刀具磨损预测模型的输入信号；
模块M3：通过对传统残差单元引入软阈值化机制，构建残差收缩单元，利用多层所述残差收缩单元提取输入信号的深层次特征并过滤噪声干扰；
模块M4：利用TensorFlow框架下的Keras包构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练；
模块M5：通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测；
模块M6：根据预测的磨损量和真实磨损量计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。
7.根据权利要求6所述的基于深度卷积残差收缩网络的刀具磨损预测系统，其特征在于，所述模块M2包括：
模块M2.1：在降采样过程中，取降采样区间内的最大值、最小值和均值构成新的样本，相当于取信号的上下包络线和均值线；
模块M2.2：截取信号使得每个通道信号长度为5000；
模块M2.3：利用最大-最小归一化法对每个通道信号进行归一化，表达式为：
Figure FDA0003310752260000031
其中，Oi表示每个通道信号归一化前的数值；
Ni表示每个通道信号归一化后的数值；
i表示数值的序列数；
m表示该每个通道信号的样本个数。
8.根据权利要求7所述的基于深度卷积残差收缩网络的刀具磨损预测系统，其特征在于，所述深度残差收缩神经网络对经过归一化后的信号进行时间变化特征提取；
所述深度卷积残差收缩网络刀具磨损预测模型包括卷积神经网络、残差收缩单元和全连接神经网络，通过全连接神经网络将预测结果进行输出。
9.根据权利要求6所述的基于深度卷积残差收缩网络的刀具磨损预测系统，其特征在于，所述模块M6中均方根误差和平均绝对误差的计算公式包括：
Figure FDA0003310752260000032
Figure FDA0003310752260000033
其中，RMSE表示均方根误差；MAE表示平均绝对误差；
X＝{x1,x2,…,xn}为真实值；Y＝{y1,y2,…,yn}为预测值；
n为预测数值个数；
i为序列数；
RMSE和MAE的值越小则预测精度越高。
10.根据权利要求9所述的基于深度卷积残差收缩网络的刀具磨损预测系统，其特征在于，所述模块M6中决定系数的计算公式包括：
Figure FDA0003310752260000034
其中，R2为决定系数，表征平均绝对百分误差大小；
Figure FDA0003310752260000041
为刀具磨损真实值的平均值；
R2的值越大则预测精度越高。
CN202111216259.6A 2021-10-19 2021-10-19 基于深度卷积残差收缩网络的刀具磨损预测方法和系统 Pending CN114048958A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111216259.6A CN114048958A (zh) 2021-10-19 2021-10-19 基于深度卷积残差收缩网络的刀具磨损预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111216259.6A CN114048958A (zh) 2021-10-19 2021-10-19 基于深度卷积残差收缩网络的刀具磨损预测方法和系统

Publications (1)

Publication Number Publication Date
CN114048958A true CN114048958A (zh) 2022-02-15

Family

ID=80205670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111216259.6A Pending CN114048958A (zh) 2021-10-19 2021-10-19 基于深度卷积残差收缩网络的刀具磨损预测方法和系统

Country Status (1)

Country Link
CN (1) CN114048958A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115582733A (zh) * 2022-10-28 2023-01-10 大连工业大学 一种基于残差结构和卷积神经网络的铣刀磨损监测方法
CN116214263A (zh) * 2023-05-09 2023-06-06 华东交通大学 一种刀具剩余寿命预测方法、系统及计算机

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115582733A (zh) * 2022-10-28 2023-01-10 大连工业大学 一种基于残差结构和卷积神经网络的铣刀磨损监测方法
CN116214263A (zh) * 2023-05-09 2023-06-06 华东交通大学 一种刀具剩余寿命预测方法、系统及计算机
CN116214263B (zh) * 2023-05-09 2024-03-01 华东交通大学 一种刀具剩余寿命预测方法、系统及计算机

Similar Documents

Publication Publication Date Title
CN112034789B (zh) 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机
CN109460618A (zh) 一种滚动轴承剩余寿命在线预测方法及系统
CN114048958A (zh) 基于深度卷积残差收缩网络的刀具磨损预测方法和系统
CN108344564A (zh) 一种基于深度学习的主轴特性试验台状态识别及预测方法
CN110596506A (zh) 基于时间卷积网络的变换器故障诊断方法
CN112070208B (zh) 基于编码器-解码器阶段注意力机制的刀具磨损预测方法
CN111914883A (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN108875281A (zh) 一种基于深度学习的混合智能健康状态诊断方法及装置
CN110954326A (zh) 一种自动学习特征表达的滚动轴承在线故障诊断方法
CN111537845A (zh) 基于拉曼光谱聚类分析的油纸绝缘设备老化状态识别方法
CN114354188A (zh) 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法
CN114819315A (zh) 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法
CN113255222B (zh) 一种腔体滤波器的智能辅助调试方法及装置
CN114563671A (zh) 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法
CN116127398B (zh) 一种基于机理模型与多源数据融合的液压泵故障诊断方法
CN107121490A (zh) 一种湿法冶金过程中运行状态的评价方法
CN116644273A (zh) 基于可释性乘法卷积网络的故障诊断方法及系统
CN114648076A (zh) 一种无监督学习的电池生产工艺异常波动检测方法
CN114357851A (zh) 一种基于dae-rnn的数控铣削表面粗糙度预测方法
CN113807431A (zh) 一种基于多源信息融合的智能主轴状态评估方法和系统
Zhao et al. Research on Transformer Oil Multi-frequency Ultrasonic Monitoring Technology Based on Convolutional Neural Network
Singh et al. Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning
CN117909668B (zh) 基于卷积神经网络的轴承故障诊断方法及系统
CN116756619B (zh) 一种基于大数据的设备智能诊断方法及系统

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