CN114178905A - 一种铣刀磨损量预测方法和系统 - Google Patents
一种铣刀磨损量预测方法和系统 Download PDFInfo
- Publication number
- CN114178905A CN114178905A CN202111454484.3A CN202111454484A CN114178905A CN 114178905 A CN114178905 A CN 114178905A CN 202111454484 A CN202111454484 A CN 202111454484A CN 114178905 A CN114178905 A CN 114178905A
- Authority
- CN
- China
- Prior art keywords
- milling cutter
- time sequence
- sequence signal
- neural network
- wear amount
- 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
- 238000003801 milling Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000005299 abrasion Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000006403 short-term memory Effects 0.000 claims abstract description 30
- 230000007787 long-term memory Effects 0.000 claims abstract description 26
- 238000003754 machining Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000005520 cutting process Methods 0.000 claims description 42
- 230000015654 memory Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 abstract description 8
- 238000004880 explosion Methods 0.000 abstract description 8
- 238000012795 verification Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明实施例提供一种铣刀磨损量预测方法和系统,通过对传感器所采集的工业原始信号数据进行数据分析及特征提取,过建立时域、频域和时频域分析,提取原始信号数据对应特征;结合长短期记忆神经网络建立铣刀磨损量预测模型。模型建立后,通过实际铣刀加工数据进行模型训练及验证。通过分析实验数据集,进行特征工程,建立时域、频域及时频域分析,提取原始信号数据的有效信息,模型可充分利用工业数据的时间序列特性,自适应地学习所提取特征之间的复杂隐含关系,并具备长距离依赖学习能力,可避免出现梯度爆炸和梯度消失问题,从而精准地预测铣刀的磨损量。
Description
技术领域
本发明实施例涉及数控加工技术领域,尤其涉及一种铣刀磨损量预测方法和系统。
背景技术
铣刀作为高速数控机床的关键部件之一,在加工过程中,其磨损会严重影响工件表面的光洁度和尺寸精度。工业统计数据显示,刀具故障损坏是导致机床故障的主要因素,其产生的停机时间占据数控机床总停机时间的较大比例。当刀具在出现磨损故障但未被发现的状态下继续加工时,会导致刀具损坏、工件报废,甚至损坏机床。准确可靠的刀具磨损量预测可有效指导生产,降低非必要的停机时间,节省制造成本,提高生产效率。刀具磨损量预测就是基于工业采集信号数据来推断未来的磨损情况,了解加工过程的趋势,从而科学合理地评估刀具磨损的当前状态,实现生产过程质量的改善。
目前,评估刀具磨损状态可以使用直接监测和间接监测的方法。直接监测方法精度高,但需要停机测量而不能实现在线监测。间接监测则是通过传感器来获取与刀具当前磨损状态有间接相关性的各种信号数据来实现的,适用于数字化智能制造系统。传感器主要用于采集工业过程中的三向力信号、高频振动信号、声发射信号和电流信号等。该方法通过对数据进行预处理和特征提取后,使用深度学习模型对刀具磨损量进行监测。深度学习模型可以更好地适应时间序列数据中复杂的非线性关系。在非线性建模方法中,深度学习模型具有自适应、自组织学习机制,对非线性时间序列数据具有良好的预测能力。现有基于支持向量回归和基于分布式卷积神经网络等的刀具磨损量预测模型,其实验结果表明,上述方法均具有一定有效性。
现有技术方法均为传统神经网络,其中的计算结果之间并没有相关性。而循环神经网络模型特点是具有记忆空间,可对前置计算过程的结果进行存储。循环神经网络隐含层计算既采纳了当前的输入信息,也包含隐含层最后的计算过程状态。然而循环神经网络对于时间序列数据中的长距离依赖关系学习的能力较差,因为其只具备短期的记忆能力,当时间序列的长度过长时,容易造成梯度消失和梯度爆炸的问题。
发明内容
本发明实施例提供一种铣刀磨损量预测方法和系统,以解决现有技术中使用深度学习模型对刀具磨损量进行监测时,计算结果之间并没有相关性,对于时间序列数据中的长距离依赖关系学习的能力较差,因为其只具备短期的记忆能力,当时间序列的长度过长时,容易造成梯度消失和梯度爆炸的问题。
第一方面,本发明实施例提供一种铣刀磨损量预测方法,包括:
采集铣刀加工中的振动时序信号和切削力时序信号,并分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征;
以所述空间特征作为输入,进行长短期记忆神经网络训练,得到用于预测铣刀磨损量的铣刀磨损量预测模型;
基于所述铣刀磨损量预测模型进行铣刀磨损量预测。
作为优选的,所述长短期记忆神经网络包括输入层、隐含层、全连接层和输出层;所述输入层用于接收所述振动时序信号和所述切削力时序信号的空间特征;所述隐含层包括4层,每层包含64个神经元,所述隐含层用于通过神经元进行特征提取;所述全连接层用于将长短期记忆神经网络学习到的特征映射到输出值。
作为优选的,所述空间特征包括时域特征、频域特征和时频域特征。
作为优选的,分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征,具体包括:
提取所述振动时序信号和所述切削力时序信号的时域特征,所述时域特征包括绝对均值、峰值、均方根值、方根幅值、歪度值、峭度值、波形因子和脉冲因子;
基于快速傅里叶变换对所述振动时序信号和所述切削力时序信号进行时频变换分析,提取其重心频率、均方频率、均方根频率和频率方差;
基于小波包分解来提取所述振动时序信号和所述切削力时序信号的时频域特征,对所述振动时序信号和所述切削力时序信号进行3层小波变换分解,将所述振动时序信号和所述切削力时序信号拆分成8个不同频段,获取各个频段的能量值作为特征值。
作为优选的,以所述空间特征作为输入,进行长短期记忆神经网络训练,具体包括:
以切削刃后刀面磨损量的最大值作为训练及预测的标签值;在训练过程中,计算以平均绝对误差作为损失函数,基于Adam优化器使平均绝对误差最小;
在所述全连接层中增加Dropout层,并选取线性整流函数以加强长短期记忆神经网络中各层之间的非线性关系;
基于振动时序信号和切削力时序信号中上一时刻的空间特征和本时刻的空间特征作为模型输入,进行长短期记忆神经网络训练。
作为优选的,所述平均绝对误差为:
第二方面,本发明实施例提供一种铣刀磨损量预测系统,包括:
空间提取模块,用于采集铣刀加工中的振动时序信号和切削力时序信号,并分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征;
模型训练模块,用于以所述空间特征作为输入,进行长短期记忆神经网络训练,得到用于预测铣刀磨损量的铣刀磨损量预测模型;
铣刀磨损量预测预测模块,用于基于所述铣刀磨损量预测模型进行铣刀磨损量预测。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面实施例所述铣刀磨损量预测方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面实施例所述铣刀磨损量预测方法的步骤。
本发明实施例提供的一种铣刀磨损量预测方法和系统,通过对传感器所采集的工业原始信号数据进行数据分析及特征提取,过建立时域、频域和时频域分析,提取原始信号数据对应特征;结合长短期记忆神经网络建立铣刀磨损量预测模型。模型建立后,通过实际铣刀加工数据进行模型训练及验证。通过分析实验数据集,进行特征工程,建立时域、频域及时频域分析,提取原始信号数据的有效信息,模型可充分利用工业数据的时间序列特性,自适应地学习所提取特征之间的复杂隐含关系,并具备长距离依赖学习能力,可避免出现梯度爆炸和梯度消失问题,从而精准地预测铣刀的磨损量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的铣刀磨损量预测方法流程框图;
图2为根据本发明实施例的数据处理流程框架示意图;
图3为根据本发明实施例的长短期记忆神经网络结构图;
图4为根据本发明实施例的模型对应的损失函数变化曲线;
图5为根据本发明实施例的铣刀磨损量预测值和测试值的变化曲线示意图;
图6为根据本发明实施例的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请实施例中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元,而是可选地还包括没有列出的部件或单元,或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
现有技术方法使用深度学习模型对刀具磨损量进行监测时,均为传统神经网络,其中的计算结果之间并没有相关性。而循环神经网络模型特点是具有记忆空间,可对前置计算过程的结果进行存储。循环神经网络隐含层计算既采纳了当前的输入信息,也包含隐含层最后的计算过程状态。然而循环神经网络对于时间序列数据中的长距离依赖关系学习的能力较差,因为其只具备短期的记忆能力,当时间序列的长度过长时,容易造成梯度消失和梯度爆炸的问题。
因此,本发明实施例提供一种铣刀磨损量预测方法和系统,通过建立时域、频域和时频域分析,提取原始信号数据对应特征;长短期记忆神经网络可充分利用工业数据的时间序列特性,自适应地学习所提取特征之间的复杂隐含关系,并具备长距离依赖学习能力,可避免出现梯度爆炸和梯度消失问题,从而精准地预测铣刀的磨损量。以下将通过多个实施例进行展开说明和介绍。
图1和图2为本发明实施例提供一种铣刀磨损量预测方法,首先通过建立时域、频域和时频域分析,提取原始信号数据对应特征;而后建立长短期记忆神经网络模型来充分利用工业数据的时间序列特性,通过输入工业加工数据进行模型训练来自适应地学习所提取特征之间的复杂隐含关系,从而精准地预测铣刀的磨损量,具体包括:
采集铣刀加工中的振动时序信号和切削力时序信号,并分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征;
工业加工中每次铣削过程对应数万条信号数据和一个真实的磨损值,但并非所有信号数据都与磨损量有关系,且原始信号中还夹杂着干扰噪声。实施适当的特征工程,筛选出对铣刀磨损量敏感的特征,来减小特征空间,加快模型训练速度以及提升模型的拟合效果。对于原始数据,本发明实施例对x轴、y轴、z轴铣削力和振动共计6个通道的信号数据(振动时序信号和切削力时序信号)进行独立分析处理,提取其时域特征、频域特征和时频域特征。时域特征方面,选择包括绝对均值、峰值、均方根值、方根幅值、歪度值、峭度值、波形因子和脉冲因子等有量纲特征值。频域特征方面,采用快速傅里叶变换对铣削力和振动信号进行时频变换分析,提取其重心频率、均方频率、均方根频率和频率方差等频域特征。时频域特征方面,采用小波包分解来提取铣削力和振动信号的时频域特征,对铣削力和振动信号进行3层小波变换分解,将信号拆分成8个不同频段,此时各个频段的能量值即为其特征值。采用时域分析、频域分析和时频域分析方法对传感器采集到的多通道原始信号数据进行特征提取,提取原始信号数据的有效信息,使预测方法达到更高精度
以所述空间特征作为输入,进行长短期记忆神经网络训练,得到用于预测铣刀磨损量的铣刀磨损量预测模型;
本实施例选用的长短期记忆神经网络由输入层、隐含层、全连接层和输出层构成,主要功能是在采集的信号样本数据和铣刀磨损量之间建立非线性映射关系。本发明实施例设计了一个输入特征维度为6、隐含层数为4、每层包含64个神经元的长短期记忆神经网络。输入层接收各传感器所采集的振动时序信号和切削力时序信号的空间特征;隐含层利用神经元进行特征提取;全连接层将长短期记忆神经网络学习到的特征映射到输出值,即铣刀磨损量。使用Dropout优化方式防止过拟合,选取线性整流函数用于加强神经网络各层之间的非线性关系,防止梯度消失。长短期记忆神经网络在训练时会使用上一时刻的信息加上本时刻的输入信息来共同训练,在时间轴上传递隐含层状态。长短期记忆神经网络结构如图3所示。
将经过特征工程后的特征空间作为长短期记忆神经网络的输入,对长短期记忆神经网络进行训练。选定切削刃后刀面磨损量的最大值作为长短期记忆神经网络训练及预测的标签值。训练过程中,计算平均绝对误差作为损失函数,利用Adam优化器使平均绝对误差最小。选用Adam优化器来负责反向传播预测值与标签值之间的误差信息、优化隐含层内神经元的权值,使下一轮的预测值可不断逼近标签值。在该阶段,采用平均绝对误差(MeanSquare Error,MSE)来比较评价模型的性能:
Adam优化器可以自适应调节参数的学习率,从而大幅提升训练速度,提高稳定性,使模型预测值不断接近标签值。此外引入Dropout算法对模型进行正则化,防止过拟合。Dropout在长短期记忆神经网络训练过程中会根据所设定的参数随机屏蔽部分神经元,从而形成新的网络结构,且神经元之间彼此互不依赖。可减少长短期记忆神经网络在特征学习过程中的局部性特征依赖,从而进一步提升了神经网络的稳健性。使用长短期记忆神经网络对提取后的信号特征数据进行训练,适用于保存工业时间序列数据中的时刻信息,并具备长距离依赖时间序列特征的学习能力且解决了循环神经网络存在的梯度消失和梯度爆炸问题。
基于所述铣刀磨损量预测模型进行铣刀磨损量预测。
将未经训练过的测试数据集输入到训练完成后的基于特征提取和长短期记忆神经网络的铣刀磨损量预测模型中,从而实现有效的铣刀磨损量预测。
为检验本发明实施例所述方案的有效性,实施了两个不同的对比实验。
实验一:选用“留一组”交叉验证实验分析方法,主要目的是验证基于特征提取和长短期记忆神经网络的铣刀磨损量预测方法对未知的一组数据集的预测准确性和适用性,从而可有效检验模型的泛化能力。
实验二:将模型与不同模型进行性能对比,如支持向量回归机模型、卷积神经网络与反向传播神经网络。以上模型采用平均绝对误差和平均绝对误差百分比(mean absolutepercentage error,MAPE)这两项数据指标来比较评价模型的性能。MAPE计算如下:
图4示出模型对应的损失函数变化曲线。图中x轴是模型的训练轮次,即模型在训练阶段内部权重参数更新迭代的次数;y轴是训练集以及验证集上损失函数的值。可见,随着训练轮数的增多,损失函数的值不断减小直至收敛(趋近于零),即铣刀磨损量预测值与实际测量值之间的误差不断减小并最终收敛,说明模型较好地学习了所提取的信号数据特征。此外,训练集与验证集对应的损失函数均成功收敛,并且在两个数据集上损失函数最终收敛的值相差无几,表明模型具有良好的泛化能力。图5示出铣刀磨损量预测值和测试值的变化曲线。其中x轴为走刀数,y轴为对应铣刀的磨损量,黑色线条为模型预测值,红色线条为真实值。可以看出,模型预测值与真实值的变化趋势一致,证明了模型能有效适用于铣刀磨损量预测。
表1.本发明预测模型与不同模型的对比结果
表1示出本发明预测模型与不同模型的对比结果,可以看出,本发明预测模型与支持向量机回归模型和反向传播神经网络模型进行比较,MSE分别降低了67.07%和41.31%。与支持向量机回归模型相比MAPE降低了1.745%。与深度学习模型卷积神经网络相比,MSE降低了77.09%,MAPE降低了5.685%。实验对比结果证明,本发明预测模型优于传统机器学习模型和卷积神经网络模型,能更好地适应时间序列数据,从而更准确地进行铣刀磨损量预测
本发明实施例还提供一种铣刀磨损量预测系统,基于上述各实施例中的铣刀磨损量预测方法,包括:
空间提取模块,用于采集铣刀加工中的振动时序信号和切削力时序信号,并分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征;
模型训练模块,用于以所述空间特征作为输入,进行长短期记忆神经网络训练,得到用于预测铣刀磨损量的铣刀磨损量预测模型;
铣刀磨损量预测预测模块,用于基于所述铣刀磨损量预测模型进行铣刀磨损量预测。
基于相同的构思,本发明实施例还提供了一种实体结构示意图,如图6所示,该服务器可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行如上述各实施例所述铣刀磨损量预测方法的步骤。例如包括:
采集铣刀加工中的振动时序信号和切削力时序信号,并分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征;
以所述空间特征作为输入,进行长短期记忆神经网络训练,得到用于预测铣刀磨损量的铣刀磨损量预测模型;
基于所述铣刀磨损量预测模型进行铣刀磨损量预测。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思,本发明实施例还提供一种非暂态计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包含至少一段代码,该至少一段代码可由主控设备执行,以控制主控设备用以实现如上述各实施例所述铣刀磨损量预测方法的步骤。例如包括:
采集铣刀加工中的振动时序信号和切削力时序信号,并分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征;
以所述空间特征作为输入,进行长短期记忆神经网络训练,得到用于预测铣刀磨损量的铣刀磨损量预测模型;
基于所述铣刀磨损量预测模型进行铣刀磨损量预测。
基于相同的技术构思,本申请实施例还提供一种计算机程序,当该计算机程序被主控设备执行时,用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思,本申请实施例还提供一种处理器,该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述,本发明实施例提供的一种铣刀磨损量预测方法和系统,通过对传感器所采集的工业原始信号数据进行数据分析及特征提取,过建立时域、频域和时频域分析,提取原始信号数据对应特征;结合长短期记忆神经网络建立铣刀磨损量预测模型。模型建立后,通过实际铣刀加工数据进行模型训练及验证。通过分析实验数据集,进行特征工程,建立时域、频域及时频域分析,提取原始信号数据的有效信息,模型可充分利用工业数据的时间序列特性,自适应地学习所提取特征之间的复杂隐含关系,并具备长距离依赖学习能力,可避免出现梯度爆炸和梯度消失问题,从而精准地预测铣刀的磨损量。
本发明的各实施方式可以任意进行组合,以实现不同的技术效果。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种铣刀磨损量预测方法,其特征在于,包括:
采集铣刀加工中的振动时序信号和切削力时序信号,并分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征;
以所述空间特征作为输入,进行长短期记忆神经网络训练,得到用于预测铣刀磨损量的铣刀磨损量预测模型;
基于所述铣刀磨损量预测模型进行铣刀磨损量预测。
2.根据权利要求1所述的铣刀磨损量预测方法,其特征在于,所述长短期记忆神经网络包括输入层、隐含层、全连接层和输出层;所述输入层用于接收所述振动时序信号和所述切削力时序信号的空间特征;所述隐含层包括4层,每层包含64个神经元,所述隐含层用于通过神经元进行特征提取;所述全连接层用于将长短期记忆神经网络学习到的特征映射到输出值。
3.根据权利要求1所述的铣刀磨损量预测方法,其特征在于,所述空间特征包括时域特征、频域特征和时频域特征。
4.根据权利要求3所述的铣刀磨损量预测方法,其特征在于,分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征,具体包括:
提取所述振动时序信号和所述切削力时序信号的时域特征,所述时域特征包括绝对均值、峰值、均方根值、方根幅值、歪度值、峭度值、波形因子和脉冲因子;
基于快速傅里叶变换对所述振动时序信号和所述切削力时序信号进行时频变换分析,提取其重心频率、均方频率、均方根频率和频率方差;
基于小波包分解来提取所述振动时序信号和所述切削力时序信号的时频域特征,对所述振动时序信号和所述切削力时序信号进行3层小波变换分解,将所述振动时序信号和所述切削力时序信号拆分成8个不同频段,获取各个频段的能量值作为特征值。
5.根据权利要求1所述的铣刀磨损量预测方法,其特征在于,以所述空间特征作为输入,进行长短期记忆神经网络训练,具体包括:
以切削刃后刀面磨损量的最大值作为训练及预测的标签值;在训练过程中,计算以平均绝对误差作为损失函数,基于Adam优化器使平均绝对误差最小;
在所述全连接层中增加Dropout层,并选取线性整流函数以加强长短期记忆神经网络中各层之间的非线性关系;
基于振动时序信号和切削力时序信号中上一时刻的空间特征和本时刻的空间特征作为模型输入,进行长短期记忆神经网络训练。
7.一种铣刀磨损量预测系统,其特征在于,包括:
空间提取模块,用于采集铣刀加工中的振动时序信号和切削力时序信号,并分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征;
模型训练模块,用于以所述空间特征作为输入,进行长短期记忆神经网络训练,得到用于预测铣刀磨损量的铣刀磨损量预测模型;
铣刀磨损量预测预测模块,用于基于所述铣刀磨损量预测模型进行铣刀磨损量预测。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述铣刀磨损量预测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述铣刀磨损量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111454484.3A CN114178905A (zh) | 2021-12-01 | 2021-12-01 | 一种铣刀磨损量预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111454484.3A CN114178905A (zh) | 2021-12-01 | 2021-12-01 | 一种铣刀磨损量预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114178905A true CN114178905A (zh) | 2022-03-15 |
Family
ID=80541918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111454484.3A Pending CN114178905A (zh) | 2021-12-01 | 2021-12-01 | 一种铣刀磨损量预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114178905A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756977A (zh) * | 2022-06-16 | 2022-07-15 | 成都飞机工业(集团)有限责任公司 | 飞机交点孔镗削让刀量预测方法、装置、设备及存储介质 |
CN117235678A (zh) * | 2023-11-14 | 2023-12-15 | 山东交通学院 | 一种木材切割过程中刀片磨损程度的检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113496312A (zh) * | 2021-07-05 | 2021-10-12 | 山东大学 | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 |
-
2021
- 2021-12-01 CN CN202111454484.3A patent/CN114178905A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113496312A (zh) * | 2021-07-05 | 2021-10-12 | 山东大学 | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
周成鹏等: "基于特征提取和长短期记忆神经网络的铣刀磨损量预测", 《控制与信息技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756977A (zh) * | 2022-06-16 | 2022-07-15 | 成都飞机工业(集团)有限责任公司 | 飞机交点孔镗削让刀量预测方法、装置、设备及存储介质 |
CN117235678A (zh) * | 2023-11-14 | 2023-12-15 | 山东交通学院 | 一种木材切割过程中刀片磨损程度的检测方法 |
CN117235678B (zh) * | 2023-11-14 | 2024-01-26 | 山东交通学院 | 一种木材切割过程中刀片磨损程度的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021120775A1 (zh) | 一种数据异常检测方法与装置 | |
CN107784325B (zh) | 基于数据驱动增量融合的螺旋式故障诊断方法 | |
CN114178905A (zh) | 一种铣刀磨损量预测方法和系统 | |
WO2021128576A1 (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测系统 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN108038271A (zh) | 一种铣刀的磨损预测方法及状态识别的方法 | |
CN111680788B (zh) | 基于深度学习的设备故障诊断方法 | |
CN116861354A (zh) | 电力变压器监测数据的异常识别及模式区分方法及系统 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN113496312A (zh) | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 | |
Zhang et al. | A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data | |
CN110561191A (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
CN105205113A (zh) | 一种时序数据异常变化过程的挖掘系统及方法 | |
CN110244557B (zh) | 一种工业过程多阶惯性闭环系统的闭环建模方法 | |
CN110245390B (zh) | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 | |
CN115062678B (zh) | 设备故障检测模型的训练方法、故障检测方法及装置 | |
CN113923104A (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN114546797A (zh) | 基于时序分解的云虚拟机老化预测方法 | |
CN115587337A (zh) | 车门异响识别方法、设备和存储介质 | |
Ding et al. | Gear fault diagnosis based on VMD sample entropy and discrete hopfield neural network | |
CN116910573A (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
Yao et al. | Multi-step-ahead tool state monitoring using clustering feature-based recurrent fuzzy neural networks | |
CN114861740A (zh) | 基于多头注意力机制的自适应机械故障诊断方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220315 |