CN114818813A - 一种基于自注意力卷积神经网络的刀具磨损值预测算法 - Google Patents

一种基于自注意力卷积神经网络的刀具磨损值预测算法 Download PDF

Info

Publication number
CN114818813A
CN114818813A CN202210477446.8A CN202210477446A CN114818813A CN 114818813 A CN114818813 A CN 114818813A CN 202210477446 A CN202210477446 A CN 202210477446A CN 114818813 A CN114818813 A CN 114818813A
Authority
CN
China
Prior art keywords
signal
time
frequency
signals
attention
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
CN202210477446.8A
Other languages
English (en)
Inventor
陈婧伊
席亮
刘洋
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202210477446.8A priority Critical patent/CN114818813A/zh
Publication of CN114818813A publication Critical patent/CN114818813A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion 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
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开一种基于自注意力卷积神经网络的刀具磨损值预测算法，将快速傅里叶信号降噪技术和多模态下时序信号特征提取结合基于自注意力机制的预测算法引入到多变量时序信号预测中。对在不同传感器下取得的信号进行快速傅里叶信号变换以达到降噪目的，然后用信号在不同模态下所携带的信息不同的特性，进行多模态下的时序信号特征提取并使用基于自注意力机制的预测算法进行预测。多变量时序信号使用多模态特征提取能够保证数据的完整性，并且可以在后续计算上节省计算量。并且引入注意力机制的方式，给与每个特征不同的权重，能够兼顾局部与全局的特征表现，可以使得在多变量时序信号预测有更高的精度。

Description

一种基于自注意力卷积神经网络的刀具磨损值预测算法
技术领域
本公开涉及人工智能技术领域，尤其涉及一种基于自注意力卷积神经网络的刀具磨损值预测算法。
背景技术
现代加工制造业大量运用数控机床，加工中心等高自动化，集成化设备。而刀具则是这些系统中最易磨损和发生故障的部件。有研究表明，数控系统配置刀具监测仪后可减少故障停机时间，提高生产效率，提高机床利用率以上。美国公司的研究表明，刀具监控系统不仅提高了刀具本身的利用率，而且能避免刀具失效导致的工件报废以及机床故障，从而能节约费用达。刀具状态在线监控技术作为先进制造技术的重要组成部分，是在现代传感技术、计算机技术、信号处理技术和制造技术基础上发展起来的新兴技术，现已成为各国公认的重大关技术，它将推动切削加工过程向着自动化和无人化方向发展。研究和发展刀具状态监测技术的意义至关重大。
以前的研究人员使用分析和建模的算法对预测刀具磨损进行假设和简化加工过程复杂性的近似值，但是这种算法具有很大局限性，为了改善上述算法研究人员开始利用实时监测的数据，如切削力，传感器信号，与刀具磨损相关的数据，并开始使用用于预测刀具磨损的数据驱动算法，通过获取实时监测数据并提取对切削条件不敏感的切削力系数来预测稳定切削条件下刀具磨损的阶段，但是这种算法在不断变化的切削条件下的实际刀具磨损的预测精度上具有局限性。因此，有必要提供一种新的技术方案改善上述方案中存在的一个或多个问题。
发明内容
本公开的目的在于提供一种端对端的刀具磨损值预测算法，进而至少在一定程度上克服上述方案中的一个或多个问题。
本公开的实施例提出一种基于自注意力卷积神经网络的刀具磨损预测算法，用于对传感器收集到的刀具加工过程中产生的信号进行分析得到实时刀具磨损预测值，其中，所述算法包括：
通过捕捉刀具磨损时多个传感器下的信号下得到实时刀具切削时间序列信号。
对采集到的时间序列信号使用改进的快速傅里叶变换法继续信号降噪。得到降噪后的时间序列信号。
降噪后的信号在多模态下进行信号特征提取处理，采用了时域，频域，时频域下的信号特征提取。得到可以代表原来信号的不同域特征。
将信号经过向量化处理，输入构建的卷积神经网络模型中进行计算，得到一个信号的表征结果。
通过自注意力机制生成一个注意力权重矩阵。
信号的表征结果与注意力权重矩阵结果进行计算融合后，得到实时的刀具磨损预测值。
本公开的实施例中，所述捕捉刀具磨损时多个传感器下得到实时刀具切削时间序列信号并对待进行预测的时间序列预信号进行降噪，得到降噪后的时间序列信号，包括：
(1.1)根据多个传感器收集到对应的切削力信号、振动信号、声发射信号、电机电流与功率信号等；
(1.2)对收集到的信号进行改进的快速傅里叶变换法进行频域或时域上的滤波，得到降噪后的时间序列信号。
本公开的实施例中，所述对降噪后的信号在多模态下进行信号特征提取处理，采用了时域，频域，时频域下的信号特征提取。得到可以代表原来信号的不同域特征，包括：
(3.1)对降噪后的信号进行时域特征提取，得到的时域特征包括：均值，均方值，方根均值，有效值，方根幅值等；
(3.2)对降噪后的信号进行频域特征提取，得到的频域特征包括：重心频率，频率标准差，平均频率，均方根频率；
(3.3)对降噪后的信号使用小波变换进行时频域分析，N层小波包得到2N个子频带上的时域分量。
本公开的实施例中，所述对信号经过向量化处理，输入构建的卷积神经网络模型中进行计算，得到一个信号的表征结果，包括：
(4.1)不同域上提取到的特征进行拼接形成新的特征向量；
(4.2)多个通道得到的信号构成的新的二维矩阵；
(4.3)将输入的二维矩阵作为输入进取到具有深度结构的前馈神经网络，得到一个输出矩阵作为代表多通道信号的表征结果。
本公开的实施例中，所述通过自注意力机制生成一个注意力权重矩阵，包括：
根据注意力机制生成一个与表征结果相符的注意力权重矩阵。
本公开的实施例中，所述信号的表征结果与注意力权重矩阵结果进行计算融合后，得到实时的刀具磨损预测值。包括：
将得到的信号表征矩阵与注意力权重矩阵相乘，得到的是关于输出维度和注意力维度的二维矩阵，将其进行平滑处理当前多变量时间序列信号对应的刀具磨损值。
本公开的实施例中，所述对降噪后的信号在多模态下进行信号特征提取处理，采用了时域，频域，时频域下的信号特征提取，其中：
在时域上特征提取得到的特征如下：
均值：
Figure RE-GDA0003677725350000021
均方值：
Figure RE-GDA0003677725350000022
方根均值：
Figure RE-GDA0003677725350000023
有效值：
Figure RE-GDA0003677725350000024
方根幅值：
Figure RE-GDA0003677725350000025
偏度值：
Figure RE-GDA0003677725350000031
峭度值：
Figure RE-GDA0003677725350000032
脉冲因子：
Figure RE-GDA0003677725350000033
波形因子：
Figure RE-GDA0003677725350000034
峰值因子：
Figure RE-GDA0003677725350000035
峭度因子：
Figure RE-GDA0003677725350000036
裕度因子：
Figure RE-GDA0003677725350000037
在频域上提取的特征如下：
重心频率：
Figure RE-GDA0003677725350000038
频率标准差：
Figure RE-GDA0003677725350000039
平均频率：
Figure RE-GDA00036777253500000310
均方根频率：
Figure RE-GDA00036777253500000311
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开的一种实施例中，通过上述基于自注意力机制的卷积神经网络预测算法针对刀具磨损状态特征空间高维度引起的计算开销过大的问题，提出基于多模态下的信号特征提取及预测算法，在特征提取环节，采用了时域，频域，时频域等多种算法进行信号特征提取，并且在多通道信号输入后，对具有不同特性的信号进行注意力机制融合，依次实现多通道时间序列信号在刀具磨损的状态监控中的多输入单输出预测。本公开实施例具有更为理想的均方误差和相关性系数。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1为本公开提出的基于自注意力卷积神经网络的刀具磨损值预测算法的流程图。
具体实施方式
现参考附图更全面的描述示例实施方式。下文示例仅用于解释本公开，参考附图所做的描述是示例性的，而不能理解为对本公开的限制。
下文的描述和附图中，具体公开了一些本公开的实施例中的一些特定实施方式，以此来展示本公开的实施例的原理的一些方式，但应当理解，本公开的实施例的范围不受此限制。本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
本实例实施方式中首先提供了一种基于自注意力卷积神经网络的刀具磨损预测算法，参考图1中所示，该算法包括：
步骤S101：通过捕捉刀具磨损时多个传感器下信号，得到实时刀具切削时间序列信号。
步骤S102：对采集到的时间序列信号使用改进的快速傅里叶变换法继续信号降噪。得到降噪后的时间序列信号。
步骤S103：降噪后的信号在多模态下进行信号特征提取处理，采用了时域，频域，时频域下的信号特征提取。得到可以代表原来信号的不同域特征。
步骤S104：将信号经过向量化处理，输入构建的卷积神经网络模型中进行计算，得到一个信号的表征结果。
步骤S105：通过自注意力机制生成一个注意力权重矩阵。
步骤S106：信号的表征结果与注意力权重矩阵结果进行计算融合后，得到实时的刀具磨损预测值。
通过上述基于自注意力卷积神经网络的刀具磨损值预测算法，充分利用了多模态下提取到的信号特征，结合信号表征与注意力机制，使模型更关注在不同域下得到的特征及其权重对刀具磨损预测值的影响，显著提升实时刀具磨损值预测任务的准确度，本公开的实施例具有更理想的效果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本领域技术人员在考虑说明书及实施例公开的发明后，容易想到本公开的其他实施方案。应当指出，对于本领域的普通技术人员来说，在不脱离本公开构思的前提下，还可以做出若干变形和改进，这些都属于本公开的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于自注意力卷积神经网络的刀具磨损值预测算法，其特征在于，包括如下步骤：
(1)通过捕捉刀具磨损时多个传感器下得到实时刀具切削时间序列信号；
(2)对采集到的时间序列信号使用改进的快速傅里叶变换法继续信号降噪，得到降噪后的时间序列信号；
(3)降噪后的信号在多模态下进行信号特征提取处理，采用了时域，频域，时频域下的信号特征提取，得到可以代表原来信号的不同域特征；
(4)将信号经过向量化处理，输入构建的卷积神经网络模型中进行计算，得到一个信号的表征结果；
(5)通过自注意力机制生成一个注意力权重矩阵；
(6)信号的表征结果与注意力权重矩阵结果进行计算融合后，得到实时的刀具磨损预测值。
2.根据权利要求1所述的刀具磨损的预测方法，其特征在于，所述对待进行预测的时间序列预信号进行降噪，得到降噪后的时间序列信号，包括：
(1.1)根据多个传感器收集到对应的切削力信号、振动信号、声发射信号、电机电流与功率信号等；
(1.2)对收集到的信号进行改进的快速傅里叶变换法进行频域或时域上的滤波，得到降噪后的时间序列信号。
3.根据权利要求1所述的刀具磨损的预测方法，其特征在于，降噪后的信号在多模态下进行信号特征提取处理，采用了时域，频域，时频域下的信号特征提取，得到可以代表原来信号的不同域特征，包括：
(3.1)对降噪后的信号进行时域特征提取，得到的时域特征包括：均值，均方值，方根均值，有效值，方根幅值等；
(3.2)对降噪后的信号进行频域特征提取，得到的频域特征包括：重心频率，频率标准差，平均频率，均方根频率；
(3.3)对降噪后的信号使用小波变换进行时频域分析，N层小波包得到2N个子频带上的时域分量。
4.根据权利要求1所述的刀具磨损的预测方法，其特征在于，将信号经过向量化处理，输入构建的卷积神经网络模型中进行计算，得到一个信号的表征结果，包括：
(4.1)不同域上提取到的特征进行拼接形成新的特征向量；
(4.2)多个通道得到的信号构成的新的二维矩阵；
(4.3)将输入的二维矩阵作为输入进取到具有深度结构的前馈神经网络，得到一个输出矩阵作为代表多通道信号的表征结果。
5.根据权利要求1所述的刀具磨损的预测方法，其特征在于，通过自注意力机制生成一个注意力权重矩阵，包括：
根据注意力机制生成一个与表征结果相符的注意力权重矩阵。
6.根据权利要求1所述的刀具磨损的预测方法，其特征在于，信号的表征结果与注意力权重矩阵结果进行计算融合后，得到实时的刀具磨损预测值，包括：
(6.1)将得到的信号表征矩阵与注意力权重矩阵相乘，得到的是关于输出维度和注意力维度的二维矩阵，将其进行平滑处理当前多变量时间序列信号对应的刀具磨损值。
7.根据权利要求3所述的刀具磨损的预测方法，其特征在于，降噪后的信号在多模态下进行信号特征提取处理，采用了时域，频域，时频域下的信号特征提取，其中：
(3.1.1)在时域上特征提取得到的特征如下：
均值：
Figure FDA0003626414890000021
均方值：
Figure FDA0003626414890000022
方根均值：
Figure FDA0003626414890000023
有效值：
Figure FDA0003626414890000024
方根幅值：
Figure FDA0003626414890000025
偏度值：
Figure FDA0003626414890000026
峭度值：
Figure FDA0003626414890000027
脉冲因子：
Figure FDA0003626414890000028
波形因子：
Figure FDA0003626414890000029
峰值因子：
Figure FDA00036264148900000210
峭度因子：
Figure FDA00036264148900000211
裕度因子：
Figure FDA00036264148900000212
(3.2.1)在频域上提取的特征如下：
重心频率：
Figure FDA00036264148900000213
频率标准差：
Figure FDA00036264148900000214
平均频率：
Figure FDA00036264148900000215
均方根频率：
Figure FDA00036264148900000216
CN202210477446.8A 2022-05-04 2022-05-04 一种基于自注意力卷积神经网络的刀具磨损值预测算法 Pending CN114818813A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210477446.8A CN114818813A (zh) 2022-05-04 2022-05-04 一种基于自注意力卷积神经网络的刀具磨损值预测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210477446.8A CN114818813A (zh) 2022-05-04 2022-05-04 一种基于自注意力卷积神经网络的刀具磨损值预测算法

Publications (1)

Publication Number Publication Date
CN114818813A true CN114818813A (zh) 2022-07-29

Family

ID=82510681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210477446.8A Pending CN114818813A (zh) 2022-05-04 2022-05-04 一种基于自注意力卷积神经网络的刀具磨损值预测算法

Country Status (1)

Country Link
CN (1) CN114818813A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115381467A (zh) * 2022-10-31 2022-11-25 浙江浙大西投脑机智能科技有限公司 一种基于注意力机制的时频信息动态融合解码方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115381467A (zh) * 2022-10-31 2022-11-25 浙江浙大西投脑机智能科技有限公司 一种基于注意力机制的时频信息动态融合解码方法及装置

Similar Documents

Publication Publication Date Title
Paolanti et al. Machine learning approach for predictive maintenance in industry 4.0
Sayyad et al. Data-driven remaining useful life estimation for milling process: sensors, algorithms, datasets, and future directions
Wang et al. CHMM for tool condition monitoring and remaining useful life prediction
Soualhi et al. Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing
Zhang et al. Intelligent fault diagnosis and prognosis approach for rotating machinery integrating wavelet transform, principal component analysis, and artificial neural networks
Lindemann et al. Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks
CN112613646A (zh) 一种基于多维数据融合的设备状态预测方法及系统
CN113805548B (zh) 一种机械加工智能控制系统、方法及计算机可读介质
Yao et al. Tool remaining useful life prediction using deep transfer reinforcement learning based on long short-term memory networks
Niu et al. Remaining useful life prediction of machining tools by 1D-CNN LSTM network
CN110682159A (zh) 一种刀具磨损状态识别方法及装置
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
He et al. In-situ fault detection for the spindle motor of CNC machines via multi-stage residual fusion convolution neural networks
Thoppil et al. Health indicator construction and remaining useful life estimation for mechanical systems using vibration signal prognostics
CN114818813A (zh) 一种基于自注意力卷积神经网络的刀具磨损值预测算法
CN118051601A (zh) 工业物联网数据融合与分析方法
CN116871978A (zh) 基于多传感器融合的钻削刀具状态监测方法
CN117672255B (zh) 基于人工智能和设备运行声音的异常设备识别方法及系统
Yang et al. Milling cutter wear prediction method under variable working conditions based on LRCN
CN110222390B (zh) 基于小波神经网络的齿轮裂纹识别方法
Zhao et al. Condition prediction based on wavelet packet transform and least squares support vector machine methods
CN115310499B (zh) 一种基于数据融合的工业设备故障诊断系统及方法
Ning et al. An intelligent device fault diagnosis method in industrial internet of things
Yang et al. Rolling Bearing Remaining Useful Life Prediction Based on CNN-VAE-MBiLSTM
CN115730255A (zh) 基于迁移学习和多源信息融合的电机故障诊断分析方法

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