CN114417734B - 刀具寿命的预测方法及装置 - Google Patents

刀具寿命的预测方法及装置 Download PDF

Info

Publication number
CN114417734B
CN114417734B CN202210222768.8A CN202210222768A CN114417734B CN 114417734 B CN114417734 B CN 114417734B CN 202210222768 A CN202210222768 A CN 202210222768A CN 114417734 B CN114417734 B CN 114417734B
Authority
CN
China
Prior art keywords
data set
tool
cutter
factor
prediction model
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.)
Active
Application number
CN202210222768.8A
Other languages
English (en)
Other versions
CN114417734A (zh
Inventor
冯建设
花霖
张建宇
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.)
Shenzhen Xinrun Fulian Digital Technology Co Ltd
Original Assignee
Shenzhen Xinrun Fulian Digital Technology 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 Shenzhen Xinrun Fulian Digital Technology Co Ltd filed Critical Shenzhen Xinrun Fulian Digital Technology Co Ltd
Priority to CN202210222768.8A priority Critical patent/CN114417734B/zh
Publication of CN114417734A publication Critical patent/CN114417734A/zh
Application granted granted Critical
Publication of CN114417734B publication Critical patent/CN114417734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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
    • G06F2218/12—Classification; Matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Machine Tool Sensing Apparatuses (AREA)

Abstract

本申请提供了一种刀具寿命的预测方法及装置，其中，该方法包括：确定第一数据集；其中，第一数据集包括用于表征影响刀具加工的影响因子和用于表征刀具基础属性的影响因子；基于第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量；基于第一数据集和第一特征变量，建立刀具寿命预测模型；基于刀具寿命预测模型对刀具的寿命进行预测。通过本申请，解决了现有技术中刀具寿命的预测方法筛选影响因子的过程需要准备大量数据和进行大量运算的技术问题。

Description

刀具寿命的预测方法及装置
技术领域
本申请涉及数控机床技术领域，特别是涉及一种刀具寿命的预测方法及装置。
背景技术
在传统的制造业，刀具往往在达到建议更换次数时进行更换，未建立刀具寿命预测模型根据工序进行刀具更换，易造成较大的浪费。现有技术中的刀具寿命的预测方法存在筛选影响因子的过程需要准备大量数据和进行大量运算的技术问题。
发明内容
本申请实施例的目的在于提供一种刀具寿命的预测方法及装置，解决了现有技术中存在的刀具寿命的预测方法筛选影响因子的过程需要准备大量数据和进行大量运算的技术问题。具体技术方案如下：
在本申请实施的第一方面，首先提供了一种刀具寿命的预测方法，所述方法包括：确定第一数据集；其中，第一数据集包括用于表征影响刀具加工的影响因子和用于表征刀具基础属性的影响因子；基于第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量；基于第一数据集和第一特征变量，建立刀具寿命预测模型；基于刀具寿命预测模型对刀具的寿命进行预测。
在本申请实施的第二方面，还提供了一种刀具寿命的预测装置，所述装置包括：确定模块，用于确定第一数据集；其中，第一数据集包括用于表征影响刀具加工的影响因子和用于表征刀具基础属性的影响因子；处理模块，用于基于第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量；建立模块，用于基于第一数据集和第一特征变量，建立刀具寿命预测模型；预测模块，用于基于刀具寿命预测模型对刀具的寿命进行预测。
在本申请实施的第三方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现第一方面所述的方法步骤。
在本申请实施的第四方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的刀具寿命的预测方法。
本申请实施例提供的刀具寿命的预测方法及装置，通过确定第一数据集；其中，第一数据集包括用于表征影响刀具加工的影响因子和用于表征刀具基础属性的影响因子；基于第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量；基于第一数据集和第一特征变量，建立刀具寿命预测模型；基于刀具寿命预测模型对刀具的寿命进行预测；也就是说，对数据集和特征变量进行处理建立用于对刀具进行寿命预测的刀具寿命预测模型，从而解决了现有技术中刀具寿命的预测方法筛选影响因子的过程需要准备大量数据和进行大量运算的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中刀具寿命的预测方法流程图之一；
图2为本申请实施例中刀具寿命的预测方法流程图之二；
图3为本申请实施例中刀具寿命的预测方法流程图之三；
图4为本申请实施例中刀具寿命的预测方法流程图之四；
图5为本申请实施例中刀具寿命的预测方法流程图之五；
图6为本申请实施例中刀具寿命的预测方法流程图之六；
图7为本申请实施例中刀具寿命的预测装置结构示意图之一；
图8为本申请实施例中刀具寿命的预测装置结构示意图之二；
图9为本申请实施例中刀具寿命的预测装置结构示意图之三；
图10为本申请实施例中刀具寿命的预测装置结构示意图之四；
图11为本申请实施例中刀具寿命的预测装置结构示意图之五；
图12为本申请实施例中刀具寿命的预测装置结构示意图之六；
图13为本申请实施例中电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述地实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在后续的描述中，使用用于表示元件的诸如“模块”、“单元”的后缀仅为了有利于本申请的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。本申请实施例提供了一种刀具寿命的预测方法，如图1所示，该方法包括以下步骤：
步骤102: 确定第一数据集；其中，第一数据集包括用于表征影响刀具加工的影响因子和用于表征刀具基础属性的影响因子；
其中，需要说明的是，影响刀具加工的影响因子包括刀具历史修磨记录、与数控机床中的加工工件关联的测量参数、与数控机床关联的切削参数等；刀具基础属性的影响因子包括与刀具关联的规格参数等。
步骤104: 基于第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量；
其中，需要说明的是，可以通过动态层次聚类方法进行多样本聚类。
步骤106: 基于第一数据集和第一特征变量，建立刀具寿命预测模型；
步骤108：基于刀具寿命预测模型对刀具的寿命进行预测。
通过本申请实施例的上述步骤102至步骤108，通过确定第一数据集；其中，第一数据集包括用于表征影响刀具加工的影响因子和用于表征刀具基础属性的影响因子；基于第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量；基于第一数据集和第一特征变量，建立刀具寿命预测模型；基于刀具寿命预测模型对刀具的寿命进行预测；也就是说，对数据集和特征变量进行处理建立用于对刀具进行寿命预测的刀具寿命预测模型，从而解决了现有技术中刀具寿命的预测方法筛选影响因子的过程需要准备大量数据和进行大量运算的技术问题。
在本申请实施例的可选实施方式中，本申请步骤102中涉及到的确定第一数据集，如图2所示，进一步可以包括：
步骤202：筛选出刀具加工系统的第一影响因子；其中，刀具加工系统包括数控机床和刀具；第一影响因子用于表征与刀具关联的规格参数、与数控机床中的加工工件关联的测量参数、与数控机床关联的切削参数；
步骤204：第一影响因子中的切削参数的时间步与第一信号的时间步进行对齐；其中，第一信号为与刀具制程时的关联的信号；
其中, 需要说明的是，第一信号包括刀具制程时的力信号、主轴电流信号和振动信号。
步骤206：基于第一算法对时间步对齐之后的第一影响因子按工序分段，确定第一数据集。
可见，本申请实施例提供的刀具寿命的预测方法可以对切削参数和刀具制程关联的信号的时间步对齐，然后对影响因子进行工序分段。
在本申请实施例的可选实施方式中，本申请步骤206中涉及到的基于第一算法对时间步对齐之后的第一影响因子按工序分段，确定第一数据集，如图3所示，包括：
步骤302：建立第一影响因子的样本数据集；
其中，需要说明的是，样本数据集可以是指基准正常样本的时间序列集合。
步骤304：输入样本数据集，基于第一算法构建确定工序分段模板；
其中，需要说明的是，第一算法是指时间序列分割算法，可以是分段线性逼近算法（Piecewise Linear Approximation，简称PLA）；基于第一算法输入样本数据集，将输出工序分段模板；工序分段模板用于表征分段点在时间序列中的索引。
步骤306：基于工序分段模板对第一影响因子按工序分段。
其中，需要说明的是，根据工序分段模板可以对第一影响因子按工序顺序进行分段；基于工序分段的结果，可以确定用于特征设计及提取的工序模式集合。
可见，本申请实施例提供的刀具寿命的预测方法基于时间序列分割算法得到第一影响因子的工序分段结果，计算过程简便快速，不需要大量的数据准备。
在本申请实施例的可选实施方式中，本申请步骤104中涉及到的基于第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量，如图4所示，包括：
步骤402：对第一影响因子重新编码，得到第二特征变量；
其中，需要说明的是，可以利用编码器（Encoder）方法对第一影响因子重新编码。
步骤404：在第一数据集的基础上加入第二特征变量，得到第二数据集；
第二数据集包括数控机床参数、工序、控制参数对应的刀具应力信号、主轴电流信号、振动信号、供应商编码和供应商等级。
步骤406：从第二数据集确定出第三影响因子，其中，第三影响因子为关键因子；
其中，需要说明的是，基于第二数据集和工序之间的工件和刀具配合间的关联数据，确定第三影响因子。
步骤408：基于第三影响因子对第二数据集进行多样本聚类，得到聚类后的第二数据集；
其中，需要说明的是，可以通过动态层次聚类方法进行多样本聚类。
步骤410：将聚类后的第二数据集进行特征降维，得到第一特征变量。
其中，需要说明的是，特征降维可以采用主成分分析技术（Principal ComponentAnalysis，简称PCA）提取数据的主要特征分量。
可见，本申请实施例所提供的刀具寿命的预测方法，可以基于第一影响因子和第一数据集，利用多样本聚类和PCA确定第一特征变量。
在本申请实施例的可选实施方式中，本申请步骤106中涉及到的基于第一数据集和第一特征变量，建立刀具寿命预测模型，如图5所示，包括：
步骤502：基于第三影响因子对刀具寿命的影响确定第四影响因子；
其中，需要说明的是，基于多个刀具的第三影响因子确定相应的刀具加工至磨钝的使用次数，确定出可解释性排名靠前的第四影响因子。
步骤504：基于第四影响因子，确定刀具磨损阈值与第一数据集之间的关联关系；
步骤506：基于第一特征变量和关联关系，建立刀具寿命预测模型。
其中，需要说明的是，刀具寿命预测模型可以是基于长短期记忆网络（Long ShortTerm Memory，简称LSTM）建立；基于具备上与加工次数信息的数据集，通过LSTM确定该数据集的剩余时间序列。
可见，本申请实施例所提供的刀具寿命的预测方法，可以根据与刀具使用次数关系可解释性强的影响因子，建立刀具寿命预测模型。
在本申请实施例的可选实施方式中，本申请步骤506中涉及到的基于第一特征变量和关联关系，建立刀具寿命预测模型，如图6所示，包括：
步骤602：预设刀具寿命告警阈值；
步骤604：基于第一特征变量和关联关系，建立刀具寿命预测模型；其中，刀具寿命预测模型用于输入目标数据集，输出刀具剩余使用次数；
步骤606：在刀具剩余使用次数小于刀具寿命告警阈值的情况下，刀具寿命预测模型发出告警信息。
可见，本申请实施例所提供的刀具寿命的预测方法，可以对数据集和特征变量进行处理建立用于对刀具进行寿命预测的刀具寿命预测模型，从而解决现有技术中存在的刀具寿命的预测方法筛选影响因子的过程需要准备大量数据和进行大量运算的技术问题。
本申请实施例提供的一种刀具寿命的预测方法，在一示范例中，该方法包括以下步骤：
步骤702：筛选出刀具加工系统的第一影响因子；其中，刀具加工系统包括数控机床和刀具；第一影响因子用于表征与刀具关联的规格参数、与数控机床中的加工工件关联的测量参数、与数控机床关联的切削参数；
步骤704：第一影响因子中的切削参数的时间步与第一信号的时间步进行对齐；其中，第一信号为刀具制程时的力信号、主轴电流信号和振动信号；
步骤706：建立第一影响因子的样本数据集；
步骤708：输入样本数据集，基于分段线性逼近算法构建确定工序分段模板；其中，分段线性逼近算法如下所示：
STopt=时间序列分割算法（D）
输入：一个基准正常样本的时间序列集合
Figure 402320DEST_PATH_IMAGE001
输出：一个用于分段的模板STopt
FOR k=1:N
FOR i=1:maxNesg
Nseg=i
Figure 224783DEST_PATH_IMAGE002
END FOR
Figure 554133DEST_PATH_IMAGE003
END FOR
Figure 753033DEST_PATH_IMAGE004
步骤710：基于工序分段模板对第一影响因子按工序分段；
步骤712：用Encoder方法对第一影响因子重新编码，得到第二特征变量；
步骤714：在第一数据集的基础上加入第二特征变量，得到第二数据集；
步骤716：从第二数据集确定出关键因子；
步骤718：基于关键因子对第二数据集进行多样本聚类，得到聚类后的第二数据集；
步骤720：将聚类后的第二数据集进行特征降维，得到第一特征变量。
步骤722：基于关键因子对刀具寿命的影响确定可解释性排名靠前的第四影响因子；
步骤724：基于第四影响因子，确定刀具磨损阈值与第一数据集之间的关联关系；
步骤726：预设刀具寿命告警阈值；
步骤728：基于第一特征变量和LSTM，建立刀具寿命预测模型；其中，刀具寿命预测模型用于输入目标数据集，输出刀具剩余使用次数；其中LSTM如下所示：
前向传播过程：
Figure 421912DEST_PATH_IMAGE005
其中，需要说明的是，I(t)是指输入门，输入门包括双弯曲（sigmoid）激活函数；其中，输入门用于复制处理当前神经单元的输入信息，sigmoid函数用于忽略特定的输入信息；
Figure 415276DEST_PATH_IMAGE006
其中，需要说明的是，F(t)是指遗忘门，遗忘门用于控制在当前的状态下遗忘特定的信息；LSTM通过学习来确定不需要网络遗忘的特定信息；
Figure 733387DEST_PATH_IMAGE007
其中，O(t)是指输出门，输出门用于控制当前隐状态的输出信息。
其中，需要说明的是，LSTM的优化通过反向传播与梯度计算实现，LSTM通过反向计算每个神经元的误差项值，根据相应的误差项，计算每个权重的梯度；
步骤730：在刀具剩余使用次数小于刀具寿命告警阈值的情况下，刀具寿命预测模型发出告警信息；
步骤732：基于刀具寿命预测模型对刀具的寿命进行预测。
可见，本申请实施例提供的刀具寿命的预测方法，对数据集和特征变量进行处理建立用于对刀具进行寿命预测的刀具寿命预测模型，从而解决了现有技术中存在的刀具寿命的预测方法筛选影响因子的过程需要准备大量数据和进行大量运算的技术问题。
本申请实施例提供了一种刀具寿命的预测装置，如图7所示，该装置包括：
确定模块72，用于确定第一数据集；其中，第一数据集包括用于表征影响刀具加工的影响因子和用于表征刀具基础属性的影响因子；
处理模块74，用于基于第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量；
建立模块76，用于基于第一数据集和第一特征变量，建立刀具寿命预测模型；
预测模块78，用于基于刀具寿命预测模型对刀具的寿命进行预测。
通过本申请实施例提供的刀具寿命的预测装置，通过确定模块确定第一数据集；其中，第一数据集包括用于表征影响刀具加工的影响因子和用于表征刀具基础属性的影响因子；通过处理模块基于第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量；通过建立模块基于第一数据集和第一特征变量，建立刀具寿命预测模型；通过预测模块基于刀具寿命预测模型对刀具的寿命进行预测；也就是说，对数据集和特征变量进行处理建立用于对刀具进行寿命预测的刀具寿命预测模型，从而解决了现有技术中存在的刀具寿命的预测方法筛选影响因子的过程需要准备大量数据和进行大量运算的技术问题。
在本申请实施例的可选实施方式中，本申请实施例提供的确定模块72，如图8所示，进一步可以包括：
筛选单元82，用于筛选出刀具加工系统的第一影响因子；其中，刀具加工系统包括数控机床和刀具；第一影响因子用于表征与刀具关联的规格参数、与数控机床中的加工工件关联的测量参数、与数控机床关联的切削参数；
对齐单元84，用于第一影响因子中的切削参数的时间步与第一信号的时间步进行对齐；其中，第一信号为与刀具制程时的关联的信号；
第一处理单元86，用于基于第一算法对时间步对齐之后的第一影响因子按工序分段，确定第一数据集。
在本申请实施例的可选实施方式中，本申请实施例提供的第一处理单元86，如图9所示，进一步可以包括：
第一建立子单元92，用于建立第一影响因子的样本数据集；
处理子单元94，用于输入样本数据集，基于第一算法构建确定工序分段模板；
分段子单元96，用于基于工序分段模板对第一影响因子按工序分段。
本申请实施例的可选实施方式中，本申请实施例提供的处理模块74，如图10所示，进一步可以包括：
第二处理单元1002，用于对第一影响因子重新编码，得到第二特征变量；
第三处理单元1004，用于在第一数据集的基础上加入第二特征变量，得到第二数据集；
第一确定单元1006，用于从第二数据集确定出第三影响因子，其中，第三影响因子为关键因子；
第四处理单元1008，用于基于第三影响因子对第二数据集进行多样本聚类，得到聚类后的第二数据集；
第五处理单元1010，用于将聚类后的第二数据集进行特征降维，得到第一特征变量。
本申请实施例的可选实施方式中，本申请实施例提供的建立模块76，如图11所示，进一步可以包括：
第二确定单元1102，用于基于第三影响因子对刀具寿命的影响确定第四影响因子；
第三确定单元1104，用于基于第四影响因子，确定刀具磨损阈值与第一数据集之间的关联关系；
建立单元1106，用于基于第一特征变量和关联关系，建立刀具寿命预测模型。
本申请实施例的可选实施方式中，本申请实施例提供的建立单元1106，如图12所示，进一步可以包括：
预设子单元1202，用于预设刀具寿命告警阈值；
第二建立子单元1204，用于基于第一特征变量和关联关系，建立刀具寿命预测模型；其中，刀具寿命预测模型用于输入目标数据集，输出刀具剩余使用次数；
告警子单元1206，用于在刀具剩余使用次数小于刀具寿命告警阈值的情况下，刀具寿命预测模型发出告警信息。
本申请实施例还提供了一种电子设备，如图13所示，包括处理器1301、通信接口1302、存储器1303和通信总线1304，其中，处理器1301，通信接口1302，存储器1303通过通信总线1304完成相互间的通信，
存储器1303，用于存放计算机程序；
处理器1301，用于执行存储器1303上所存放的程序时，实现图1中的方法步骤，其所起到的作用与图1中的方法步骤一样，在此不再赘述。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的刀具寿命的预测方法。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的刀具寿命的预测方法。
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实施例所述的流程或功能。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（DSL））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Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (7)

1.一种刀具寿命的预测方法，其特征在于，包括：
确定第一数据集；其中，所述第一数据集包括用于表征影响刀具加工的影响因子和用于表征所述刀具基础属性的影响因子；
基于所述第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量；
基于所述第一数据集和所述第一特征变量，建立刀具寿命预测模型；
基于所述刀具寿命预测模型对所述刀具的寿命进行预测；
其中，所述确定第一数据集包括：筛选出刀具加工系统的第一影响因子；其中，所述刀具加工系统包括数控机床和刀具；所述第一影响因子用于表征与所述刀具关联的规格参数、与所述数控机床中的加工工件关联的测量参数、与所述数控机床关联的切削参数；所述第一影响因子中的切削参数的时间步与第一信号的时间步进行对齐；其中，所述第一信号为与刀具制程时的关联的信号；基于第一算法对时间步对齐之后的所述第一影响因子按工序分段，确定所述第一数据集；
其中，所述基于所述第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量，包括：对所述第一影响因子重新编码，得到第二特征变量；在所述第一数据集的基础上加入所述第二特征变量，得到第二数据集；从所述第二数据集确定出第三影响因子，其中，所述第三影响因子为关键因子；基于所述第三影响因子对所述第二数据集进行多样本聚类，得到聚类后的所述第二数据集；将聚类后的所述第二数据集进行特征降维，得到所述第一特征变量。
2.根据权利要求1所述的方法，其特征在于，所述基于第一算法对时间步对齐之后的所述第一影响因子按工序分段，确定所述第一数据集，包括：
建立所述第一影响因子的样本数据集；
输入所述样本数据集，基于所述第一算法构建确定工序分段模板；
基于所述工序分段模板对第一影响因子按工序分段。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一数据集和所述第一特征变量，建立刀具寿命预测模型，包括：
基于所述第三影响因子对刀具寿命的影响确定第四影响因子；
基于所述第四影响因子，确定刀具磨损阈值与第一数据集之间的关联关系；
基于所述第一特征变量和所述关联关系，建立刀具寿命预测模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第一特征变量和所述关联关系，建立刀具寿命预测模型包括：
预设刀具寿命告警阈值；
基于所述第一特征变量和所述关联关系，建立刀具寿命预测模型；其中，所述刀具寿命预测模型用于输入目标数据集，输出刀具剩余使用次数；
在所述刀具剩余使用次数小于所述刀具寿命告警阈值的情况下，所述刀具寿命预测模型发出告警信息。
5.一种刀具寿命的预测装置，其特征在于，包括：
确定模块，用于确定第一数据集；其中，所述第一数据集包括用于表征影响刀具加工的影响因子和用于表征所述刀具基础属性的影响因子；
处理模块，用于基于所述第一数据集和影响因子进行多样本聚类，并对聚类后的数据集进行特征降维处理得到第一特征变量；
建立模块，用于基于所述第一数据集和所述第一特征变量，建立刀具寿命预测模型；
预测模块，用于基于所述刀具寿命预测模型对所述刀具的寿命进行预测；
其中，所述确定模块包括：筛选单元，用于筛选出刀具加工系统的第一影响因子；其中，所述刀具加工系统包括数控机床和刀具；所述第一影响因子用于表征与所述刀具关联的规格参数、与所述数控机床中的加工工件关联的测量参数、与所述数控机床关联的切削参数；对齐单元，用于所述第一影响因子中的切削参数的时间步与第一信号的时间步进行对齐；其中，所述第一信号为与刀具制程时的关联的信号；处理单元，用于基于第一算法对时间步对齐之后的所述第一影响因子按工序分段，确定所述第一数据集；
其中，所述处理模块包括：第二处理单元，用于对所述第一影响因子重新编码，得到第二特征变量；第三处理单元，用于在所述第一数据集的基础上加入所述第二特征变量，得到第二数据集；第一确定单元，用于从所述第二数据集确定出第三影响因子，其中，所述第三影响因子为关键因子；第四处理单元，用于基于所述第三影响因子对所述第二数据集进行多样本聚类，得到聚类后的所述第二数据集；第五处理单元，用于将聚类后的所述第二数据集进行特征降维，得到所述第一特征变量。
6.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-4任一所述的方法步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202210222768.8A 2022-03-09 2022-03-09 刀具寿命的预测方法及装置 Active CN114417734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210222768.8A CN114417734B (zh) 2022-03-09 2022-03-09 刀具寿命的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210222768.8A CN114417734B (zh) 2022-03-09 2022-03-09 刀具寿命的预测方法及装置

Publications (2)

Publication Number Publication Date
CN114417734A CN114417734A (zh) 2022-04-29
CN114417734B true CN114417734B (zh) 2022-07-12

Family

ID=81263338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210222768.8A Active CN114417734B (zh) 2022-03-09 2022-03-09 刀具寿命的预测方法及装置

Country Status (1)

Country Link
CN (1) CN114417734B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844865A (zh) * 2017-11-20 2018-03-27 天津科技大学 基于特征参数选取与lstm模型的股指预测方法
CN110070145A (zh) * 2019-04-30 2019-07-30 天津开发区精诺瀚海数据科技有限公司 基于增量聚类的lstm轮毂单品能耗预测
CN110238556A (zh) * 2019-05-07 2019-09-17 上海展湾信息科技有限公司 焊接机器人焊接过程中焊接轨迹实时检测方法
CN113051683A (zh) * 2021-03-26 2021-06-29 长安大学 一种数控机床刀具寿命预测方法、系统、设备及存储介质
CN113560955A (zh) * 2021-06-09 2021-10-29 西安电子科技大学 一种数控机床刀具剩余使用寿命预测方法、系统及应用
CN113807004A (zh) * 2021-06-30 2021-12-17 北京交通大学 基于数据挖掘的刀具寿命预测方法、装置及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109571141A (zh) * 2018-11-01 2019-04-05 北京理工大学 一种基于机器学习的刀具磨损状态监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844865A (zh) * 2017-11-20 2018-03-27 天津科技大学 基于特征参数选取与lstm模型的股指预测方法
CN110070145A (zh) * 2019-04-30 2019-07-30 天津开发区精诺瀚海数据科技有限公司 基于增量聚类的lstm轮毂单品能耗预测
CN110238556A (zh) * 2019-05-07 2019-09-17 上海展湾信息科技有限公司 焊接机器人焊接过程中焊接轨迹实时检测方法
CN113051683A (zh) * 2021-03-26 2021-06-29 长安大学 一种数控机床刀具寿命预测方法、系统、设备及存储介质
CN113560955A (zh) * 2021-06-09 2021-10-29 西安电子科技大学 一种数控机床刀具剩余使用寿命预测方法、系统及应用
CN113807004A (zh) * 2021-06-30 2021-12-17 北京交通大学 基于数据挖掘的刀具寿命预测方法、装置及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jinjiang Wang 等.Deep heterogeneous GRU model for predictive analytics in smart manufacturing: Application to tool wear prediction.《Computers in Industry》.2019,第111卷 *
杨斌.钛合金铣削刀具寿命数据分析与磨损状态监测研究.《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》.2019,(第9期), *

Also Published As

Publication number Publication date
CN114417734A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
JP7026092B2 (ja) 記述情報を決定する方法、装置、電子デバイス、コンピュータ可読媒体およびコンピュータプログラム
US11182519B2 (en) Optimization method and module thereof based on feature extraction and machine learning
CN109710766B (zh) 一种工单数据的投诉倾向分析预警方法及装置
KR102195629B1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트에서의 작업 능력 지수에 기반한 작업자 선정 방법
CN108153735B (zh) 一种近义词的获取方法及系统
Bortnikova et al. Search Query Classification Using Machine Learning for Information Retrieval Systems in Intelligent Manufacturing.
CN107391504B (zh) 新词识别方法与装置
CN114417734B (zh) 刀具寿命的预测方法及装置
CN110597796B (zh) 基于全生命周期的大数据实时建模方法及系统
US20170322186A1 (en) Processing Apparatus
Kulkarni et al. Detection of Catchphrases and Precedence in Legal Documents.
CN115422263B (zh) 一种电力现场多功能通用型故障分析方法及系统
CN112487181A (zh) 关键词确定方法和相关设备
CN113296836A (zh) 训练模型的方法、测试方法、装置、电子设备及存储介质
CN112860671A (zh) 一种生产要素数据异常诊断方法及装置
CN113517998A (zh) 预警配置数据的处理方法、装置、设备及存储介质
CN109300025B (zh) 基于大数据和深度学习的审计方法和机器人系统
CN113656575A (zh) 训练数据的生成方法、装置、电子设备及可读介质
CN113239026B (zh) 基于云服务器的云数据的处理方法及云服务器
CN114020974B (zh) 样本数据确定及对话意图识别方法、存储介质及程序产品
Xu et al. Multiple attributes utility analysis in setup plan evaluation
Turkoglu et al. Application of data mining in failure estimation of cold forging machines: An industrial research
CN116028498B (zh) 质量检验表单存储方法、装置、电子设备和介质
Liang et al. A new EWMA chart based on weighted loss function for monitoring the process mean and variance
CN116341990B (zh) 一种基础设施工程的知识管理评价方法及系统

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
GR01 Patent grant
GR01 Patent grant