CN114749996A - 基于深度学习和时序回归模型的刀具剩余寿命预测方法 - Google Patents

Abstract

基于深度学习和时序回归模型的刀具剩余寿命预测方法，解决了现有刀具剩余寿命预测精度不高的问题，属于数控刀具预测性维护领域。本发明包括：采集加工过程各个通道采样点的刀具振动、切削力和声发射信号，计算出4维数据，包括均值、方差、偏度和峰度；将4维数据输入至深度卷积残差神经网络刀具磨损监测模型中，输出刀具磨损值；对刀具磨损值进行平滑处理，输出磨损序列。再输入到差分整合移动平均自回归刀具磨损超前预报模型中，预报出超前N步刀具磨损值，当第N步值未到达阈值时，将当前时刻剩余寿命预测为最大剩余寿命值；当第M步值到达或超过阈值，将当前时刻剩余寿命预测为M‑1个切削行程，M≤N。

Description

基于深度学习和时序回归模型的刀具剩余寿命预测方法

技术领域

本发明涉及一种基于深度学习和时序回归模型的刀具剩余寿命预测方法，属于数控刀具预测性维护领域。

背景技术

在机械加工中，刀具的性能和质量直接影响到数百万台机床生产效率和加工质量，从而间接影响到整个制造领域的生产技术水平和经济效益。刀具使用时间未到其寿命会造成刀具的浪费，增加制造成本，降低生产率；而当刀具使用时间超过其寿命时，轻则导致零件加工精度下降、生产率降低，重则损坏机床、造成重大设备损失。因此，不论从降低企业生产成本还是从保证零件加工精度与设备安全的角度来看，精准预测刀具剩余寿命都是一个亟需解决的问题。

在工业大数据的背景下，以刀具为研究对象对其进行剩余寿命预测，一方面可以避免刀具破损，防止零件表面加工质量恶化而导致的疲劳寿命降低、可靠性降低；另一方面可以维护机床设备安全，保证刀具在高可靠性条件下运行的同时避免过度维护导致的浪费。

公开号CN112757053A的一种基于功率和振动信号的模型融合刀具磨损监测方法及系统，包括：S1：信号采集与筛选，对刀具主轴的功率信号和振动信号进行同步采样，同时对机床的PLC进行同步采样以获取所述机床实时的加工信息，利用所述加工信息筛选所述功率信号和所述振动信号，得到待监测刀具进行加工时的所述功率信号和所述振动信号；

S2：信号降噪，对加工段信号的所述功率信号和所述振动信号分别设置阈值，利用所述阈值滤波去除高频区域信号以降噪；S3：特征计算，计算降噪后的所述功率信号和所述振动信号的特征，获得原始特征数据集；S4：特征降维，利用随机森林算法计算所述原始特征数据集中所有特征的重要性评分，并将所得评分进行降序排列，确定剔除比例，根据所述剔除比例剔除部分所述特征以得到新特征集；S5：数据划分，对所述新特征集的数据分成三部分，以分别作为训练集、验证集和测试集；S6：模型训练，将所述训练集的数据输入Catboost模型和极端随机树模型，调整参数，分别训练得到所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型，采用Stacking集成算法，对所述Catboost模型、所述极端随机树模型对应的所述刀具磨量监测模型进行融合学习；S7：模型预测，根据融合后的所述刀具磨量监测模型，对所述测试集的特征进行刀具磨损量的预测；S8：同步更新，将所述刀具磨损量的预测结果进行卡尔曼滤波降噪，获得刀具磨损预测值。

公开号为CN111832432A的一种基于小波包分解和深度学习的刀具磨损实时预测方法，包括：(1)同步采集工件加工过程中的相关传感器信号，并选取其中稳定的信号段作为待分析的信号段，同时扩充待分析信号样本以增加样本量；对待分析信号进行小波包分解变换，以得到多个小波包系数二维矩阵；(2)小波包系数二维矩阵对应都作为一个特征提取CNN模型块的输入，并将每个特征提取CNN模型块输出的一维特征矩阵拼接成更长的一维矩阵，进而进行特征融合并建立两层全连接网络，由此得到卷积神经网络模型；(3)将待分析的信号数据输入到所述卷积神经网络模型中，以实时预测刀具的磨损量。

可知，现有应用于刀具剩余寿命预测的方法一般需要在建立模型前经过特征提取、特征选择和特征降维等工作，这些都依赖于一定的经验和理论，并且当数据预处理不合适时反而会丢失重要特征信息。

发明内容

针对现有刀具剩余寿命预测时依赖对特定先验知识和专业知识，容易导致预测精度不高的问题，本发明提供一种基于深度学习和时序回归模型的刀具剩余寿命预测方法。

本发明的一种基于深度学习和时序回归模型的刀具剩余寿命预测方法，所述方法包括：

S1：采集加工过程各个通道采样点的刀具振动、切削力和声发射信号；

S2：对采集的各个通道采样点的刀具振动、切削力和声发射信号进行截取和Z分数标准化，计算出4维数据，包括均值、方差、偏度和峰度；

S3：将4维数据输入至训练完成的深度卷积残差神经网络刀具磨损监测模型中，对刀具磨损值进行预测；所述深度卷积残差神经网络刀具磨损监测模型的输入为均值、方差、偏度和峰度，输出为刀具磨损值；

S4：对S3输出的刀具磨损值进行平滑处理，输出磨损序列；

S5：将磨损序列输入到差分整合移动平均自回归刀具磨损超前预报模型中，预报出超前N步刀具磨损值，通过预报得到的刀具磨损值序列判断刀具剩余寿命：

当预报出的第N步的刀具磨损值未到达磨损阈值时，则将当前时刻剩余寿命预测为最大剩余寿命值，即当前时刻剩余寿命预测为N个切削行程；

当预报出的第M步的刀具磨损值到达或超过磨损阈值，则将当前时刻剩余寿命预测为M-1个切削行程，M≤N。

作为优选，所述S2包括：

截取过程中，将进刀过程和退刀过程的信号舍弃，且截取出使每个通道长度均为设定值，所述长度满足数据量的需求；

利用Z分数标准化方法，对每个通道的信号进行标准化；

对标准化后的数据，每若干个数据计算一次均值、方差、偏度和峰度。

作为优选，S3中的深度卷积残差神经网络刀具磨损监测模型是利用PyTorch框架，通过堆叠残差基本块的方式构建的，所述深度卷积残差神经网络刀具磨损监测模型包括依次连接的卷积残差神经网络、残差单元和全连接神经网络；

卷积残差神经网络包括三个卷积-批标准化-线性整流函数模块；

残差单元包括自适应平均池化层、展平层和若干个残差基本块；

4维数据输入至卷积残差神经网络后，最后一个卷积-批标准化-线性整流函数模块的输出再输入至若干个残差基本块，最后一个残差基本块的输出再输入至自适应平均池化层，自适应平均池化层的输出再输入至展平层，展平层的输出输入至全连接神经网络，全连接神经网络输出刀具磨损值。

作为优选，所述S4包括：对S3输出的刀具磨损值进行平滑处理，输出磨损序列；

根据预当前时刻的预测磨损值和前若干个时刻的预测磨损值构造为一个序列进行二次多项式的最小二乘法拟合，获取拟合值；

通过设定阈值的方法，比较拟合值和预测磨损值之间的差值是否超过设定阈值，若超过，则采用拟合值代替预测磨损值作为当前时刻的预测磨损值，若没有超过，则不进行替换。最小二乘法拟合的目标函数和约束条件包括：

s.t.2θ₂x_i+θ₁≥0

其中，y_i表示前K个时刻的预测磨损值以及当前时刻的预测磨损值；

xi表示对应的切削行程序号；

θ₀表示二次多项式的常数项，θ₁表示二次多项式中一次项的系数，θ₂表示二次多项式中二次项的系数，θ表示一组二次多项式中的各次项的系数和常数项。

作为优选，所述S5包括：

对磨损序列进行趋势平滑和差分平稳化获取平稳序列，

确定差分整合移动平均自回归刀具磨损超前预报模型的自回归项阶数和移动平均阶数，并进行模型参数估计；

将平稳序列输入到参数估计完成后的差分整合移动平均自回归刀具磨损超前预报模型中，预测出超前N步刀具磨损值。

本发明的有益效果，本发明以切削力、振动和声发射信号作为监测信号，运用深度学习算法和时间序列分析模型，融合多源传感器信号，有效提高刀具状态监测中刀具磨损和刀具剩余寿命的预测精度，本发明同时实现了高精度预测刀具磨损值的能力和剩余寿命预测能力，能够有效降低预测结果的波动幅度，保持预测精度的稳定性。本发明结合刀具分段寿命理念，将重点放在后期剩余寿命预测上，符合实际生产中的关注点。本发明实现数控刀具的预测性维护，对实际生产具有重要意义。

附图说明

图1为本发明实施例提供的一种基于深度学习和时序回归模型的刀具磨损和剩余寿命预测方法的流程图。

图2为本发明深度卷积残差神经网络刀具磨损监测模型结构示意图，Input表示输入模型的4维时域统计特征数据，Conv表示卷积层，BN表示批归一化层，ReLU表示线性整流函数，Max Pool表示最大池化层，Adaptive AvgPool表示自适应平均池化层，Flatten表示展平层，Linear表示线性层，Output表示模型输出的剩余寿命预测结果，average pool表示平均池化模块，fc neural networks表示全连接神经网络。

图3为本发明对预测磨损值的平滑流程。

图4为本发明差分整合移动平均自回归模型超前预报磨损值流程图。

图5为本发明实例涉及的预测刀具磨损值的结果示意图。

图6为本发明实例涉及的刀具磨损值超前预报结果示意图。

图7为本发明实例涉及的刀具剩余寿命预测结果示意图。

具体实施方式

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，所描述的实施例仅仅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的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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本实施方式的基于深度学习和时序回归模型的刀具剩余寿命预测方法，包括：

步骤1：采集加工过程各个通道采样点的刀具振动、切削力和声发射信号；

步骤2：对采集的各个通道采样点的刀具振动、切削力和声发射信号进行截取和Z分数标准化，计算出4维数据，包括均值、方差、偏度和峰度；

步骤3：将4维数据输入至训练完成的深度卷积残差神经网络刀具磨损监测模型中，对刀具磨损值进行预测；所述深度卷积残差神经网络刀具磨损监测模型的输入为均值、方差、偏度和峰度，输出为刀具磨损值；

步骤4：对S3输出的刀具磨损值进行平滑处理，输出磨损序列；

步骤5：将磨损序列输入到差分整合移动平均自回归刀具磨损超前预报模型中，预报出超前N步刀具磨损值，通过预报得到的刀具磨损值序列判断刀具剩余寿命：

当预报出的第N步的刀具磨损值未到达磨损阈值时，则将当前时刻剩余寿命预测为最大剩余寿命值，即N个切削行程；

当预报出的第M步的刀具磨损值到达或超过磨损阈值，则将当前时刻剩余寿命预测为M-1个切削行程，M≤N。

本方法先利用深度卷积残差神经网络建立加工信号和刀具磨损值之间的映射关系，再利用时序回归模型对未来时刻的刀具磨损值进行预测，结合刀具磨损阈值，最终得到刀具剩余寿命。

步骤2包括：

在信号截取过程中，只保留稳定切削过程的监测信号，将进刀过程和退刀过程的信号舍弃，在此基础上，截取部分监测信号，在满足数据量需求的同时减低运算量，截取信号使得每个通道长度为100000；

利用Z分数标准化方法，对每个通道的信号进行标准化，表达式为：

其中，x表示样本中一路传感器上某采样点的值；

μ表示x这一路传感器数据所有采样点的均值；

σ表示x这一路传感器数据所有采样点的标准差。

对标准化后的数据，每若干个数据计算一次均值、方差、偏度和峰度，使每个通道截取的信号长度进一步下降，形成新的数据样本形式，均值、方差、偏度和峰度的计算公式包括：

均值

方差

偏度

峰度

其中，x_i表示某一通道的采样点；n表示一次计算中采样点个数。

步骤3中的深度卷积残差神经网络刀具磨损监测模型是利用PyTorch框架，通过堆叠残差基本块的方式构建的。深度卷积残差神经网络刀具磨损监测模型对新形式的数据样本进行时间变化特征提取；本实施方式的深度卷积残差神经网络刀具磨损监测模型包括依次连接的卷积残差神经网络、残差单元和全连接神经网络；

卷积残差神经网络包括三个卷积-批标准化-线性整流函数模块，进行特征的浅层提取并增加通道数；

残差单元包括自适应平均池化层、展平层和若干个残差基本块；

4维数据输入至卷积残差神经网络后，最后一个卷积-批标准化-线性整流函数模块的输出再输入至若干个残差基本块，最后一个残差基本块的输出再输入至自适应平均池化层，自适应平均池化层的输出再输入至展平层，展平层的输出输入至全连接神经网络，全连接神经网络输出刀具磨损值。若干个残差基本块用于提取深层次特征；然后通过自适应平均池化层和展平层将各通道特征展开为一维数据，全连接神经网络为一个三层感知机全连接神经网络，以单通道信号输入为例，深度卷积残差神经网络刀具磨损监测模型参数设置如表1所示。深度卷积残差神经网络刀具磨损监测模型结构如图2所示，训练后的网络预测结果如图5所示。

表1

步骤4包括：对步骤3输出的刀具磨损值进行平滑处理，输出磨损序列；

根据预当前时刻的预测磨损值和前若干个时刻的预测磨损值构造为一个序列进行二次多项式的最小二乘法拟合，获取拟合值；目标函数和约束条件包括：

s.t.2θ₂x_i+θ₁≥0

其中，y_i表示前若干个时刻的预测磨损值以及当前时刻的预测磨损值；

xi表示对应的切削行程序号；

θ₀表示二次多项式的常数项，θ₁表示二次多项式中一次项的系数，θ₂表示二次多项式中二次项的系数，θ表示一组二次多项式中的各次项的系数和常数项。

通过设定阈值的方法，比较拟合值和预测磨损值之间的差值是否超过设定阈值，若超过，则采用拟合值代替预测磨损值作为当前时刻的预测磨损值，若没有超过，则不进行替换。

步骤5包括：对磨损序列进行趋势平滑和差分平稳化获取平稳序列，确定差分整合移动平均自回归刀具磨损超前预报模型的自回归项阶数和移动平均阶数，并进行模型参数估计；将平稳序列输入到参数估计完成后的差分整合移动平均自回归刀具磨损超前预报模型中，预测出超前N步刀具磨损值。刀具磨损值超前预测流程如图4所示，超前预测结果如图6所示，刀具剩余寿命预测结果如图7所示；

本实施方式差分整合移动平均自回归刀具磨损超前预报模型采用ARIMA模型实现，差分整合移动平均自回归模型是通过将差分项(I)引入由移动平均模型(MA)和自回归模型(AR)组成的自回归移动平均模型(ARMA)所构成的。差分整合移动平均自回归模型先对非平稳序列进行d阶差分使其平稳化，随后对其建立自回归移动平均模型。

本实施方式的方法还包括步骤6：

为了更好地模拟剩余寿命的变化，本发明使用刀具分段寿命，在刀具磨损的初始阶段和中期阶段将刀具实际剩余寿命最大值设定为一个常数值，当刀具进入剧烈磨损阶段时实际剩余寿命以线性递减的方式从设定的常数值开始下降。结合预测得到的刀具剩余寿命计算均方根误差、平均绝对百分比误差和决定系数，测试预测精度：

均方根误差

平均绝对百分比误差

决定系数

其中，y_i、

分别表示第i次切削行程后的实际剩余寿命和预测剩余寿命；m表示预测的总次数。

RMSE和MAE的值越小、R²的值越大表明预测精度越高，预测结果越接近实际值。

本发明首先采集切削过程的切削力、振动和声发射信号。原始信号为1通道的7维信号，采样点接近200000个，经过数据截断、标准化和通过计算统计特征的降采样处理后，信号增加到4通道的7维数据，每个通道的样本长度为1000。之后建立基于深度卷积残差神经网络和差分整合移动平均自回归模型的刀具磨损和剩余寿命预测模型，并使用机床运行状态数据，将测量得到的刀具后刀面磨损作为训练标签，进行模型训练。所得到的模型同时具备高精度预测刀具磨损值的能力和剩余寿命预测能力，实现数控刀具的预测性维护，对实际生产具有重要意义。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (9)

1.基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，所述方法包括：

S1：采集加工过程各个通道采样点的刀具振动、切削力和声发射信号；

S2：对采集的各个通道采样点的刀具振动、切削力和声发射信号进行截取和Z分数标准化，计算出4维数据，包括均值、方差、偏度和峰度；

S3：将4维数据输入至训练完成的深度卷积残差神经网络刀具磨损监测模型中，对刀具磨损值进行预测；所述深度卷积残差神经网络刀具磨损监测模型的输入为均值、方差、偏度和峰度，输出为刀具磨损值；

S4：对S3输出的刀具磨损值进行平滑处理，输出磨损序列；

S5：将磨损序列输入到差分整合移动平均自回归刀具磨损超前预报模型中，预报出超前N步刀具磨损值，通过预报得到的刀具磨损值序列判断刀具剩余寿命：

当预报出的第N步的刀具磨损值未到达磨损阈值时，则将当前时刻剩余寿命预测为最大剩余寿命值，即当前时刻剩余寿命预测为N个切削行程；

当预报出的第M步的刀具磨损值到达或超过磨损阈值，则将当前时刻剩余寿命预测为M-1个切削行程，M≤N。

2.根据权利要求1所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，所述S2包括：

截取过程中，将进刀过程和退刀过程的信号舍弃，且截取出使每个通道长度均为设定值，所述长度满足数据量的需求；

利用Z分数标准化方法，对每个通道的信号进行标准化；

对标准化后的数据，每若干个数据计算一次均值、方差、偏度和峰度。

3.根据权利要求1所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，

均值

方差

偏度

峰度

其中，x_i表示某一通道的采样点；n表示一次计算中采样点个数。

4.根据权利要求1所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，S3中的深度卷积残差神经网络刀具磨损监测模型是利用PyTorch框架，通过堆叠残差基本块的方式构建的。

5.根据权利要求4所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，所述深度卷积残差神经网络刀具磨损监测模型包括依次连接的卷积残差神经网络、残差单元和全连接神经网络；

卷积残差神经网络包括三个卷积-批标准化-线性整流函数模块；

残差单元包括自适应平均池化层、展平层和若干个残差基本块；

4维数据输入至卷积残差神经网络后，最后一个卷积-批标准化-线性整流函数模块的输出再输入至若干个残差基本块，最后一个残差基本块的输出再输入至自适应平均池化层，自适应平均池化层的输出再输入至展平层，展平层的输出输入至全连接神经网络，全连接神经网络输出刀具磨损值。

6.根据权利要求1所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，所述S4包括：对S3输出的刀具磨损值进行平滑处理，输出磨损序列；

根据预当前时刻的预测磨损值和前若干个时刻的预测磨损值构造为一个序列进行二次多项式的最小二乘法拟合，获取拟合值；

通过设定阈值的方法，比较拟合值和预测磨损值之间的差值是否超过设定阈值，若超过，则采用拟合值代替预测磨损值作为当前时刻的预测磨损值，若没有超过，则不进行替换。

7.根据权利要求6所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，最小二乘法拟合的目标函数和约束条件包括：

s.t.2θ₂x_i+θ₁≥0

其中，y_i表示前K个时刻的预测磨损值以及当前时刻的预测磨损值；

xi表示对应的切削行程序号；

θ₀表示二次多项式的常数项，θ₁表示二次多项式中一次项的系数，θ₂表示二次多项式中二次项的系数，θ表示一组二次多项式中的各次项的系数和常数项。

8.根据权利要求1所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，所述S5包括：

对磨损序列进行趋势平滑和差分平稳化获取平稳序列，

确定差分整合移动平均自回归刀具磨损超前预报模型的自回归项阶数和移动平均阶数，并进行模型参数估计；

将平稳序列输入到参数估计完成后的差分整合移动平均自回归刀具磨损超前预报模型中，预报出超前N步刀具磨损值。

9.根据权利要求1所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，所述方法还包括S6：

S6、根据预测的刀具剩余寿命计算均方根误差、平均绝对百分比误差和决定系数，测试预测精度：

均方根误差

平均绝对百分比误差

决定系数

其中，y_i、

分别表示第i次切削行程后的实际剩余寿命和预测剩余寿命；m表示预测的总次数。

Images