CN115169660A - 基于多尺度时空特征融合神经网络的刀具磨损预测方法 - Google Patents
基于多尺度时空特征融合神经网络的刀具磨损预测方法 Download PDFInfo
- Publication number
- CN115169660A CN115169660A CN202210727090.9A CN202210727090A CN115169660A CN 115169660 A CN115169660 A CN 115169660A CN 202210727090 A CN202210727090 A CN 202210727090A CN 115169660 A CN115169660 A CN 115169660A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- layer
- cutter
- scale
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于多尺度时空特征融合神经网络的刀具磨损预测方法,包括通过传感器采集刀具若干次相同加工数据作为原始输入数据;根据加工次数将采集到的单次加工数据与刀具的磨损值一一对应;对原始输入数据进行归一化与截断处理,将处理好的原始输入数据中的单次加工数据均等分成n个子数据段,并划分训练集与测试集;建立基于多尺度时空特征融合的刀具磨损预测模型;对训练集的数据按照步骤三的方式处理后输入到刀具磨损预测模型中,将刀具的磨损值作为训练目标,训练刀具磨损预测模型;对测试集的数据按照步骤三的方式处理后输入到刀具磨损预测模型中,进行回归预测,输出测试集的磨损预测值。
Description
技术领域
本发明涉及刀具磨损评估和预测技术领域,尤其是涉及一种基于多尺度时空特征融合神经网络的刀具磨损预测方法。
背景技术
刀具是数控机床的执行部件,其健康状态直接影响着工件的表面质量与生产效率。若过早的更换刀具将会造成制造成本的增加;若未能及时更换已磨损或破损的刀具,将会影响工件的质量,严重时会导致机床设备的停机,甚至会危急操作人员的生命安全。
目前可用于评估刀具磨损的方法主要有直接法和间接法。直接法是通过使用电子显微镜等设备实现刀具磨损的测量,但该方法需要在机床停机的条件下使用,延误生产进度,故难以推广应用于实际加工现场。相比于直接法,间接法可实现刀具磨损的实时在线预测,该方法通过在机床指定位置安装多种传感器以采集加工过程中的监测数据,然后使用特征提取方法对监测数据提取可有效表征刀具磨损变化的特征,最后利用传统机器学习模型对特征与磨损值之间的映射关系进行学习,具有操作方便、不影响生产进度等优势。但由于传统机器学习模型的非线性表达能力有限,且依赖于人工提取特征,故磨损的预测效果欠佳。
随着计算机设备算力的提升,深度学习方法逐渐在图像分类、语音识别等领域占据主导。该方法对特征的提取更彻底,具有更强的非线性能力表达,可脱离人工特征提取和专家知识的限制,能够取得更佳的回归预测效果,故其在刀具磨损预测领域受到了学者们的广泛关注。
目前,深度学习方法应用于解决刀具磨损预测问题时,通常使用卷积神经网络(Convolutional Neural Networks,CNN)与长短时记忆网络(Long Short-Term Memory,LSTM)用于提取刀具磨损数据的空间特征与时间特征,但单独使用空间特征或时间特征的预测效果不佳,故有学者提出将空间特征与时间特征进行融合以获得时空特征,提高磨损的预测精度。其中,将CNN与LSTM进行串联以提取磨损监测数据的时空特征是目前较为主流的方式。但在该方式下数据经卷积神经网络提取空间特征后会出现时间特征流失的问题,使得预测效果的改善有限。因此,研究如何有效融合刀具磨损监测数据的时间特征与空间特征对于提高磨损的预测精度具有重要意义。
现有深度学习方法应用于解决刀具磨损预测问题时主要存在以下技术问题:
(1)不能适应多变的加工条件;
(2)未能实现刀具磨损监测数据的空间特征和时间特征的有效结合;
(3)没有充分提取刀具磨损监测数据的局部特征。
发明内容
本发明的目的是为了克服现有技术中的不足,提供一种基于多尺度时空特征融合神经网络的刀具磨损预测方法,该方法能实现刀具磨损监测数据的空间特征与时间特征充分结合,且泛化能力强、预测精度高。
本发明的目的是通过以下技术方案实现的:
一种基于多尺度时空特征融合神经网络的刀具磨损预测方法,包括:
步骤一、通过振动、声发射、切削力传感器采集刀具若干次相同加工过程中的振动、声发射、切削力数据作为原始输入数据S,单次加工数据表示为Sj,j=1,2,…,m,m表示加工次数,即S=[S1,S2,S3,…,Sm],并在每个单次加工结束后对刀具的磨损值进行测量;
步骤二、根据加工次数将步骤一采集到的单次加工数据与刀具的磨损值一一对应;
步骤三、对原始输入数据进行归一化与截断处理,将处理好的原始输入数据中的单次加工数据均等分成n个子数据段,子数据段表示为Sj i,i=1,2,…,n,n为子数据段的个数,即Sj=[Sj 1,Sj 2,Sj 3,…,Sj n],子数据段Sj i的维度为[C,H,W],C为通道数,表示子数据段的特征维度,C=1;H为子数据段的行数,表示时间步,W为子数据段的列数,表示特征数,然后根据7:3的比例将原始输入数据S划分为训练集与测试集;
步骤四、建立基于多尺度时空特征融合的刀具磨损预测模型;
步骤五、对训练集的数据按照步骤三的方式处理后输入到刀具磨损预测模型中,将刀具的磨损值作为训练目标,训练刀具磨损预测模型;
步骤六、对测试集的数据按照步骤三的方式处理后输入到刀具磨损预测模型中,进行回归预测,输出测试集的磨损预测值。
进一步的,所述刀具磨损预测模型由特征拓展模块、多尺度空间特征提取模块、连接模块、特征融合模块、时间特征提取模块和回归模块组成;
所述特征拓展模块由n个具有1×1卷积核大小的卷积层与非线性激活层构成,用于对n个子数据段进行特征拓展,输出n个数据段,特别的n个具有1×1卷积核大小的卷积层共享权重参数;
所述多尺度空间特征提取模块,用于对特征拓展模块输出的n个数据段进行空间特征的提取,输出n个空间特征数据段,多尺度空间特征提取模块由n个空间特征提取单元组成,n个空间特征提取单元分别对应特征拓展模块输出的n个数据段;
所述连接模块由连接层组成,用于对多尺度空间特征提取模块输出的n个空间特征数据段进行连接,输出多尺度空间特征,所述连接层用于对多尺度空间特征提取模块输出的n个空间特征数据段依次进行连接,作为时间特征提取模块的输入数据;
所述时间特征提取模块由门控循环单元GRU层组成。所述门控循环单元GRU层用于提取连接模块输出的多尺度空间特征的动态变化,即时间特征;
所述特征融合模块由展平层与连接层组成,所述展平层用于将连接模块输出的多尺度空间特征与时间特征提取模块输出的时间特征均展平成1维数据,所述连接层将展平后的空间特征与时间特征进行连接,得到刀具磨损的时空特征,作为回归模块的输入;
所述回归模块由全连接层、激活层与Dropout层组成。
进一步的,每个所述空间特征提取单元由卷积模块一与卷积模块二串联组成;所述卷积模块一中的卷积核比卷积模块二中的卷积核大,用于提取更全局的局部特征,所述卷积模块二中的卷积核大小按照子数据段Sj i的顺序,设置为(i+2,3);卷积模块一与卷积模块二均由卷积层、激活层、批标准化层与池化层组成,所述卷积层用于对输入数据进行卷积运算;所述激活层用于对卷积层输出的数据进行非线性映射;所述批标准化层用于对激活层输出的数据进行批量的归一化处理;所述池化层用于对激活层输出的数据进行最大池化处理。
进一步的,特征拓展模块输出的n个数据段的通道数大于n个子数据段的通道数。
进一步的,所述卷积模块一内每个卷积核的大小相等,卷积模块二内的卷积核大小依次递增。
进一步的,门控循环单元GRU层的计算公式如下所示:
zt=σ(Wzxt+Uzht-1)
rt=σ(Wtxt+Utht-1)
式中:ht-1是上一个节点的输入,代表之前学习到的信息;xt是当前节点下的输入,代表之前将要学习到的信息;zt是更新门,更新ht-1时的逻辑门;rt是重置门,决定是否要放弃以前的ht-1;是当前学习到的信息;Wz、Uz、Wt、Ut、W、U是相关参数;ht是最终的输出数据。σ表示Sigmoid函数;tanh表示tanh函数;表示哈达玛积,即矩阵对应元素相乘;
进一步的,时间特征提取模块的输入数据是通过将原始输入数据中的单次加工数据分为n个子数据段,n个子数据段并行的经过特征拓展模块与多尺度空间特征提取模块,然后连接起来形成的。
本发明还提供一种基于多尺度时空特征融合神经网络的刀具磨损预测装置,包括:
数据采集模块,用于通过传感器采集刀具在若干次相同加工过程中的加工数据作为原始输入数据,并采集每个单次加工结束后刀具的磨损值;所述原始输入数据包括振动、声发射、切削力数据;
数据整理模块,用于将刀具单次的加工数据与刀具的磨损值一一对应;
数据处理模块,用于对原始输入数据进行归一化与截断处理并划分训练集和测试集;
刀具磨损预测模块,设有基于多尺度时空特征融合的刀具磨损预测模型,所述刀具磨损预测模型由特征拓展模块、多尺度空间特征提取模块、连接模块、特征融合模块、时间特征提取模块和回归模块组成;通过训练集训练刀具磨损预测模型,将测试集输入训练后的刀具磨损预测模型进行回归预测,输出测试集的磨损预测值。
本发明还提供一种电子设备,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,其特征在于,所述处理器执行所述程序时实现所述基于多尺度时空特征融合神经网络的刀具磨损预测方法的步骤。
本发明还提供一种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所述基于多尺度时空特征融合神经网络的刀具磨损预测方法的步骤。
与现有技术相比,本发明的技术方案所带来的有益效果是:
1.本发明的预测方法中,首先使用1×1卷积对原始输入数据划分的各个子数据段进行特征拓展,提高多尺度空间特征提取模块提取有效特征信息的效果,加入非线性激活层可以提高模型的非线性表达能力,本发明所述的特征拓展层采用共享参数的形式,n个子数据段经过的1×1卷积具有一样的权重参数,有效减少参数数量,保证特征拓展的一致性。
2.本发明的预测方法中,针对刀具磨损数据量大的特点,将原始输入数据中的单次加工数据划分成n个子数据段进行并行处理,降低了训练时间,同时对各个子数据段采用具有不同尺度的卷积核的卷积层进行空间特征的提取,可提取到不同尺度的空间特征,相较于只用单一尺度提取空间特征,本方法可保留更多的有用信息,提升刀具磨损的预测精度。
3.本发明的预测方法中,将原始输入数据中的单次加工数据分为n个子数据段分别进行特征拓展与空间特征的提取,再通过连接模块将n个空间特征数据段融合为多尺度空间特征作为时间特征提取模块的输入数据,最大化保留刀具磨损数据的空间特征与时间特征,相比于将原始输入数据输入到时间特征提取模块,减少了参数数量,降低模型训练时间,使得有效特征可重复利用,提升模型的预测精度与泛化能力。
4.本发明的预测方法中,采用门控循环单元(GRU)作为时间特征提取模块中的时间特征提取层,相较于常用的长短时记忆神经网络(LSTM),减少了权重参数,能够加快模型的训练速度。
附图说明
图1为本发明方法的整体流程示意图;
图2为特征拓展模块的组成及处理过程示意图;
图3为多尺度空间特征提取模块的组成及处理过程示意图;
图4为本实施例中回归模块的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。本发明中的方法是基于Python语言与PyTorch框架实现的。
本实施例提供基于多尺度时空特征融合神经网络的刀具磨损预测方法,如图1所示,具体流程说明如下:
步骤1:在机床上安装声发射、振动、电流传感器,采集多次相同加工过程中的振动、声发射、切削力数据,获得原始输入数据表示为S,单次加工数据表示为Sj,j=1,2,…,m,m表示加工次数,本实例中m为315,即S=[S1,S2,S3,…,S315],同时,在机床刀具旁安装电子显微镜,用于单次加工后对刀具磨损进行测量与记录;
步骤2:根据加工次数将步骤一采集到的单次加工数据与刀具的磨损值一一对应;
步骤3:对原始输入数据进行归一化与截断处理,将处理好的原始输入数据中的单次加工数据均等分成n个子数据段,子数据段表示为Sj i,i=1,2,…,n,n为子数据段的个数,即Sj=[Sj 1,Sj 2,Sj 3,…,Sj n],子数据段Sj i的维度为[C,H,W],C为通道数,表示子数据段的特征维度,此时C=1,H为子数据段的行数,表示时间步,本实施例取H=2000,W为子数据段的列数,表示特征数,本实施例取W=7,然后根据7:3的比例将S划分为训练集与测试集;
步骤4:建立基于多尺度时空特征融合的刀具磨损预测模型,刀具磨损预测模型由特征拓展模块、多尺度空间特征提取模块、连接模块、特征融合模块、时间特征提取模块、回归模块组成;
401、特征拓展模块:
特征拓展模块如图2所示,由n个卷积核大小为1×1的卷积层与n个非线性激活层组成。1×1卷积层对各个子数据段进行卷积运算,将子数据段的通道数由1升为5,实现特征拓展,特别的,n个子数据段分别对应n个1×1的卷积层,n个1×1的卷积层共享参数,保证特征拓展的一致性。非线性激活层采用Sigmoid函数作为激活函数,其对卷积层的输出数据做非线性映射处理,将数据值映射到0-1的区间内,保证各个特征具有相同的权重。
卷积运算采用现有技术的方法。本实例中,卷积层中的1×1的卷积核遍历输入数据,与输入数据的局部区域作如式(1)所示的卷积运算:
402、多尺度空间特征提取模块:
多尺度空间特征提取模块如图3所示,由n个空间特征提取单元组成,n个空间特征提取单元分别对应特征拓展模块输出的n个数据段,每个空间特征提取单元由2个卷积模块串联组成,分别为卷积模块一与卷积模块二,特别的,卷积模块一中的卷积核比卷积模块二中的卷积核大,设置为(100,3),用于提取更全局的局部特征,卷积模块二中的卷积层的卷积核按照按照子数据段Sj i的顺序,设置为(i+2,3),针对各个子数据段采用多尺度递增的卷积核大小,其作用在于充分提取不同尺度的空间特征。卷积模块一与卷积模块二均由卷积层、激活层、批标准化层与池化层组成,卷积层用于对输入数据进行卷积运算;激活层用于对卷积层输出的数据进行非线性映射,激活层函数采用LeakyReLU函数;批标准化层用于对激活层输出的数据进行批量的归一化处理;池化层用于对激活层输出的数据进行最大池化处理;
连接模块由连接层组成,用于对多尺度空间特征提取模块输出的n个空间特征数据段进行连接,连接层将n个空间特征数据段依次连接,作为时间特征提取模块与特征融合模块的输入。
403、时间特征提取模块
时间特征提取模块,由GRU层组成,GRU层运算采用现有技术的方法,GRU层的计算公式如下所示:
zt=σ(Wzxt+Uzht-1)
rt=σ(Wtxt+Utht-1)
式中:ht-1是上一个节点的输入,代表之前学习到的信息;
xt是当前节点下的输入,代表之前将要要学习到的信息;
zt是更新门,更新ht-1时的逻辑门;
rt是重置门,决定是否要放弃以前的ht-1;
Wz、Uz、Wt、Ut、W、U是相关参数;
ht是最终的输出数据;
σ表示Sigmoid函数;
tanh表示tanh函数;
404、特征融合模块
特征融合模块由展平层与连接层组成,展平层用于将连接模块输出的多尺度空间特征与时间特征提取模块输出的时间特征均展平成1维数据,连接层将展平后的空间特征与时间特征进行连接,得到刀具磨损的时空特征,作为回归模块的输入。
405、回归模块:
回归模块由全连接层、激活层、DropOut层组成,参数设置以及结构如图4所示。第一层全连接层采用64个隐藏神经元,第二层全连接层采用16个隐藏神经元,第三层全连接层采用1个隐藏神经元,激活层采用LeakyReLU作为激活函数,梯度设置为0.02,Dropout层的丢弃概率设置为0.3。
步骤5:对训练集的数据按照步骤3的方式处理后输入到步骤4构建的基于多尺度时空特征融合的刀具磨损预测模型中,训练基于多尺度时空特征融合的刀具磨损预测模型,模型的训练过程采用Adam优化器,batch_size设置为15。学习率设置为0.005,epoch设置为1000。
步骤6:对测试集的数据按照步骤3的方式处理后输入到步骤5训练完毕的模型中,进行回归预测,输出所述测试集的磨损预测值;
本发明的实施例提供一种能够实现刀具磨损预测方法的基于多尺度时空特征融合神经网络的刀具磨损预测装置的具体实施方式,包括:
数据采集模块,用于通过传感器采集刀具在若干次相同加工过程中的加工数据作为原始输入数据,并采集每个单次加工结束后刀具的磨损值;原始输入数据包括振动、声发射、切削力数据;
数据整理模块,用于将刀具单次的加工数据与刀具的磨损值一一对应;
数据处理模块,用于对原始输入数据进行归一化与截断处理并划分训练集和测试集;
刀具磨损预测模块,设有基于多尺度时空特征融合的刀具磨损预测模型,所述刀具磨损预测模型由特征拓展模块、多尺度空间特征提取模块、连接模块、特征融合模块、时间特征提取模块和回归模块组成;通过训练集训练刀具磨损预测模型,将测试集输入训练后的刀具磨损预测模型进行回归预测,输出测试集的磨损预测值。
具体的,数据采集模块包括安装在机床上的发射、振动、电流传感器,能够采集机床在多次相同加工过程中的振动、声发射、切削力数据,同时,在机床刀具旁安装电子显微镜,用于单次加工后对刀具磨损进行测量与记录。
数据处理模块中,将处理好的原始输入数据中的单次加工数据均等分成n个子数据段,子数据段表示为Sj i,i=1,2,…,n,n为子数据段的个数,即Sj=[Sj 1,Sj 2,Sj 3,…,Sj n],子数据段Sj i的维度为[C,H,W],C为通道数,表示子数据段的特征维度,此时C=1,H为子数据段的行数,表示时间步,本实施例取H=2000,W为子数据段的列数,表示特征数,本实施例取W=7,然后根据7:3的比例划分训练集与测试集;
本申请的实施例还提供能够实现上述实施例中的基于多尺度时空特征融合神经网络的刀具磨损预测方法中全部步骤的一种电子设备的具体实施方式,电子设备具体包括如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;
其中,处理器、存储器、通信接口通过总线完成相互间的通信;通信接口用于实现服务器端设备、计量设备以及用户端设备等相关设备之间的信息传输。
处理器用于调用存储器中的计算机程序,处理器执行计算机程序时实现上述实施例中的基于多尺度时空特征融合神经网络的刀具磨损预测方法中的全部步骤。
本申请的实施例还提供能够实现上述实施例中的基于多尺度时空特征融合神经网络的刀具磨损预测方法中全部步骤的一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的基于多尺度时空特征融合神经网络的刀具磨损预测方法的全部步骤。
最后需要指出的是:以上实例仅用以说明本发明的计算过程,而非对其限制。尽管参照前述实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,其依然可以对前述实例所记载的计算过程进行修改,或者对其中部分参数进行等同替换,而这些修改或者替换,并不使相应计算方法的本质脱离本发明计算方法的精神和范围。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (10)
1.一种基于多尺度时空特征融合神经网络的刀具磨损预测方法,其特征在于,包括:
步骤一、通过振动、声发射、切削力传感器采集刀具若干次相同加工过程中的振动、声发射、切削力数据作为原始输入数据S,单次加工数据表示为Sj,j=1,2,…,m,m表示加工次数,即S=[S1,S2,S3,…,Sm],并在每个单次加工结束后对刀具的磨损值进行测量;
步骤二、根据加工次数将步骤一采集到的单次加工数据与刀具的磨损值一一对应;
步骤三、对原始输入数据进行归一化与截断处理,将处理好的原始输入数据中的单次加工数据均等分成n个子数据段,子数据段表示为Sj i,i=1,2,…,n,n为子数据段的个数,即Sj=[Sj 1,Sj 2,Sj 3,…,Sj n],子数据段Sj i的维度为[C,H,W],C为通道数,表示子数据段的特征维度,C=1;H为子数据段的行数,表示时间步,W为子数据段的列数,表示特征数,然后根据7:3的比例将原始输入数据S划分为训练集与测试集;
步骤四、建立基于多尺度时空特征融合的刀具磨损预测模型;
步骤五、对训练集的数据按照步骤三的方式处理后输入到刀具磨损预测模型中,将刀具的磨损值作为训练目标,训练刀具磨损预测模型;
步骤六、对测试集的数据按照步骤三的方式处理后输入到刀具磨损预测模型中,进行回归预测,输出测试集的磨损预测值。
2.根据权利要求1所述一种基于多尺度时空特征融合神经网络的刀具磨损预测方法,其特征在于,所述刀具磨损预测模型由特征拓展模块、多尺度空间特征提取模块、连接模块、特征融合模块、时间特征提取模块和回归模块组成;
所述特征拓展模块由n个具有1×1卷积核大小的卷积层与非线性激活层构成,用于对n个子数据段进行特征拓展,输出n个数据段,特别的n个具有1×1卷积核大小的卷积层共享权重参数;
所述多尺度空间特征提取模块,用于对特征拓展模块输出的n个数据段进行空间特征的提取,输出n个空间特征数据段,多尺度空间特征提取模块由n个空间特征提取单元组成,n个空间特征提取单元分别对应特征拓展模块输出的n个数据段;
所述连接模块由连接层组成,用于对多尺度空间特征提取模块输出的n个空间特征数据段进行连接,输出多尺度空间特征,所述连接层用于对多尺度空间特征提取模块输出的n个空间特征数据段依次进行连接,作为时间特征提取模块的输入数据;
所述时间特征提取模块由门控循环单元GRU层组成。所述门控循环单元GRU层用于提取连接模块输出的多尺度空间特征的动态变化,即时间特征;
所述特征融合模块由展平层与连接层组成,所述展平层用于将连接模块输出的多尺度空间特征与时间特征提取模块输出的时间特征均展平成1维数据,所述连接层将展平后的空间特征与时间特征进行连接,得到刀具磨损的时空特征,作为回归模块的输入;
所述回归模块由全连接层、激活层与Dropout层组成。
3.根据权利要求2所述一种基于多尺度时空特征融合神经网络的刀具磨损预测方法,其特征在于,每个所述空间特征提取单元由卷积模块一与卷积模块二串联组成;所述卷积模块一中的卷积核比卷积模块二中的卷积核大,用于提取更全局的局部特征,所述卷积模块二中的卷积核大小按照子数据段Sj i的顺序,设置为(i+2,3);卷积模块一与卷积模块二均由卷积层、激活层、批标准化层与池化层组成,所述卷积层用于对输入数据进行卷积运算;所述激活层用于对卷积层输出的数据进行非线性映射;所述批标准化层用于对激活层输出的数据进行批量的归一化处理;所述池化层用于对激活层输出的数据进行最大池化处理。
4.根据权利要求2所述一种基于多尺度时空特征融合神经网络的刀具磨损预测方法,其特征在于,特征拓展模块输出的n个数据段的通道数大于n个子数据段的通道数。
5.根据权利要求3所述一种基于多尺度时空特征融合神经网络的刀具磨损预测方法,其特征在于,所述卷积模块一内每个卷积核的大小相等,卷积模块二内的卷积核大小依次递增。
7.根据权利要求3所述一种基于多尺度时空特征融合神经网络的刀具磨损预测方法,其特征在于,所述时间特征提取模块的输入数据是通过将原始输入数据中的单次加工数据分为n个子数据段,n个子数据段并行的经过特征拓展模块与多尺度空间特征提取模块,然后连接起来形成的。
8.一种基于多尺度时空特征融合神经网络的刀具磨损预测装置,其特征在于,包括:
数据采集模块,用于通过传感器采集刀具在若干次相同加工过程中的加工数据作为原始输入数据,并采集每个单次加工结束后刀具的磨损值;所述原始输入数据包括振动、声发射、切削力数据;
数据整理模块,用于将刀具单次的加工数据与刀具的磨损值一一对应;
数据处理模块,用于对原始输入数据进行归一化与截断处理并划分训练集和测试集;
刀具磨损预测模块,设有基于多尺度时空特征融合的刀具磨损预测模型,所述刀具磨损预测模型由特征拓展模块、多尺度空间特征提取模块、连接模块、特征融合模块、时间特征提取模块和回归模块组成;通过训练集训练刀具磨损预测模型,将测试集输入训练后的刀具磨损预测模型进行回归预测,输出测试集的磨损预测值。
9.一种电子设备,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权利要求1至7任一项所述基于多尺度时空特征融合神经网络的刀具磨损预测方法的步骤。
10.一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,该计算机程序被处理器执行时实现权利要求1至7任一项所述基于多尺度时空特征融合神经网络的刀具磨损预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210727090.9A CN115169660A (zh) | 2022-06-24 | 2022-06-24 | 基于多尺度时空特征融合神经网络的刀具磨损预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210727090.9A CN115169660A (zh) | 2022-06-24 | 2022-06-24 | 基于多尺度时空特征融合神经网络的刀具磨损预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169660A true CN115169660A (zh) | 2022-10-11 |
Family
ID=83487910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210727090.9A Pending CN115169660A (zh) | 2022-06-24 | 2022-06-24 | 基于多尺度时空特征融合神经网络的刀具磨损预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169660A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029356A (zh) * | 2023-03-24 | 2023-04-28 | 杭州景业智能科技股份有限公司 | 刀具监测模型训练方法、刀具状态监测方法及相关装置 |
-
2022
- 2022-06-24 CN CN202210727090.9A patent/CN115169660A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029356A (zh) * | 2023-03-24 | 2023-04-28 | 杭州景业智能科技股份有限公司 | 刀具监测模型训练方法、刀具状态监测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778682B (zh) | 一种卷积神经网络模型的训练方法及其设备 | |
Stern | Neural networks in applied statistics | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN113486578B (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及系统 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN115204302A (zh) | 一种无人机小样本故障诊断系统及方法 | |
CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
CN115169660A (zh) | 基于多尺度时空特征融合神经网络的刀具磨损预测方法 | |
CN113705715B (zh) | 一种基于lstm和多尺度fcn的时间序列分类方法 | |
Qu et al. | A lightweight network for mummy berry disease recognition | |
Ding et al. | Machinery probabilistic few-shot prognostics considering prediction uncertainty | |
CN114186602A (zh) | 一种基于稀疏滤波域对抗神经网络的机械故障诊断方法 | |
Nigam et al. | 12 Wheat rust disease identification using deep learning | |
CN114170657A (zh) | 融合注意力机制与高阶特征表示的面部情感识别方法 | |
Wen et al. | MapReduce-based BP neural network classification of aquaculture water quality | |
Rai | Automatic classification of real-time diseased cotton leaves and plants using a deep-convolutional neural network | |
CN113887717A (zh) | 一种基于深度学习预测神经网络训练时长的方法 | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
CN115994308B (zh) | 基于元学习的数控机床故障识别方法、系统、设备及介质 | |
Sankar et al. | Intelligent health assessment system for paddy crop using CNN | |
Surige et al. | IoT-based monitoring system for oyster mushroom farming | |
CN116818325A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN112215351B (zh) | 增强的多尺度卷积神经网络软测量方法 |
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 |