CN116214263A - 一种刀具剩余寿命预测方法、系统及计算机 - Google Patents
一种刀具剩余寿命预测方法、系统及计算机 Download PDFInfo
- Publication number
- CN116214263A CN116214263A CN202310511822.5A CN202310511822A CN116214263A CN 116214263 A CN116214263 A CN 116214263A CN 202310511822 A CN202310511822 A CN 202310511822A CN 116214263 A CN116214263 A CN 116214263A
- Authority
- CN
- China
- Prior art keywords
- abrasion
- test
- channel signal
- bilstm
- drsn
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 134
- 238000005299 abrasion Methods 0.000 claims abstract description 122
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000003754 machining Methods 0.000 abstract description 5
- 238000003801 milling Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
- B23Q17/008—Life management for parts of the machine
-
- 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)
- Mechanical Engineering (AREA)
- Machine Tool Sensing Apparatuses (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种刀具剩余寿命预测方法、系统及计算机，方法包括：分别获取若干个测试刀具的磨损通道信号组及测试磨损度；对磨损通道信号组进行无效值去除形成有效磨损通道信号组；去除有效磨损通道信号组的异常值，降采样后形成样本信号；归一化样本信号获取测试输入信号；通过测试磨损度及测试输入信号获取DRSN‑BiLSTM实用模型；通过待测刀具的待测输入信号与DRSN‑BiLSTM实用模型获取待测刀具的剩余寿命。通过上述方式为机械加工过程中提供了一种误差小、精度高、抗干扰强的刀具剩余寿命预测方法，提高了机床的智能化水平。
Description
技术领域
本申请涉及数据预测技术领域，特别是涉及一种刀具剩余寿命预测方法、系统及计算机。
背景技术
数控机床在高速切削加工过程中会出现各种异常状况导致加工零件质量差、精度不达标甚至成为废件，严重时机床自身损坏发生安全事故。
刀具作为数控机床的关键部件之一，是最易损伤和浪费最严重的部件。由于刀具是与工件直接接触发生磨损，其磨损会增加生产资源消耗，也会影响工件加工质量。目前在实际生产车间中，通常采用定期换刀或者人工主观判断的方式决定是否换刀，往往存在刀具的剩余使用寿命（RemainingUsefulLife, RUL）无法识别和难以预测的问题。过早的换刀会降低刀具的利用率，提高制造成本，而换刀不及时又会导致加工工件的质量变差，甚至发生安全事故。
在机械加工过程中需对刀具的剩余使用寿命进行准确预测，以准确把握刀具的健康状况，从而保障安全且稳定的加工。因此，如何精度高、强抗干扰的对刀具剩余寿命进行预测是需要研究的重点问题。
发明内容
本申请实施例提供了一种刀具剩余寿命预测方法、系统及计算机，以解决现有技术中难以对刀具剩余寿命进行精准预测的技术问题。
第一方面，本申请实施例提供了一种刀具剩余寿命预测方法，包括以下步骤：
分别获取若干个测试刀具的磨损通道信号组及与所述磨损通道信号组对应的测试磨损度；
对所述磨损通道信号组进行无效值去除，以获取有效磨损通道信号组；
去除所述有效磨损通道信号组的异常值，并对去除异常值后的所述有效磨损通道信号组进行降采样，以获取若干个样本信号；
对所述样本信号进行归一化处理，以获取测试输入信号；
构建DRSN-BiLSTM初始模型，通过所述测试输入信号及所述测试磨损度，训练所述DRSN-BiLSTM初始模型，以获取DRSN-BiLSTM实用模型；
于机床上获取待测刀具的待测输入信号，并将所述待测输入信号作为输入值输入所述DRSN-BiLSTM实用模型，以获取预测磨损度；
基于所述预测磨损度，获取所述待测刀具的剩余寿命。
进一步地，所述分别获取若干个测试刀具的磨损通道信号组及与所述磨损通道信号组对应的测试磨损度的步骤包括：
采集若干个测试刀具于机床主轴坐标系中X轴、Y轴及Z轴方向的测试刀具的切削力信号及振动信号；
采集若干个所述测试刀具加工过程中所产生的声发射信号；
所述切削力信号、所述振动信号及所述声发射信号形成磨损通道信号组；
基于若干个所述测试刀具于机床上的累计走刀次数，获取与所述磨损通道信号组对应的测试磨损度。
进一步地，所述测试磨损度的计算公式为：
其中，S表示测试磨损度，i表示第i次走刀，n表示累计走刀次数。
进一步地，所述对所述磨损通道信号组进行无效值去除的步骤包括：
提取所述磨损通道信号组的上四分位值；
自所述磨损通道信号组的首部向所述磨损通道信号组的尾部方向搜索大于所述上四分位值的首个数据点，以标定进刀信号点；
自所述磨损通道信号组的尾部向所述磨损通道信号组的首部方向搜索大于所述上四分位值的首个数据点，以标定出刀信号点；
将所述进刀信号点及所述出刀信号点之间的数据汇总为有效磨损通道信号组，去除所述磨损通道信号组的无效值。
进一步地，所述去除所述有效磨损通道信号组的异常值的步骤包括：
将所述有效磨损通道信号组中n个样本数据的长度之和设为滑动窗口的长度；
沿所述有效磨损通道信号组滑动所述滑动窗口，以将所述有效磨损通道信号组分隔为若干个窗口数据；
识别所述窗口数据中的异常值，并以上一个所述窗口数据的平均值替代所述异常值。
进一步地，所述样本信号的归一化处理公式为：
其中，
表示样本信号，/>
表示测试输入信号。
进一步地，所述通过所述测试输入信号及所述测试磨损度，训练所述DRSN-BiLSTM初始模型，以获取DRSN-BiLSTM实用模型的步骤包括：
基于不同的所述测试刀具将所述测试输入信号分隔为训练输入集及测试输入集；
基于不同的所述测试刀具将所述测试磨损度分隔为训练输出集及测试输出集；
将所述训练输入集作为所述DRSN-BiLSTM初始模型的输入值，并将所述训练输出集作为所述DRSN-BiLSTM初始模型的输出值训练所述DRSN-BiLSTM初始模型，以获取所述DRSN-BiLSTM实用模型；
将所述测试输入集作为所述DRSN-BiLSTM实用模型的输入值，获取所述DRSN-BiLSTM实用模型的输出值，并将所述输出值与测试输出集进行比对，以验证所述DRSN-BiLSTM实用模型。
进一步地，所述基于所述预测磨损度，获取所述待测刀具的剩余寿命的步骤包括：
根据所述预测磨损度，计算所述待测刀具的预测剩余寿命；
对所述预测剩余寿命进行保序回归处理，以获取所述待测刀具的剩余寿命。
第二方面，本申请实施例提供了一种刀具剩余寿命预测系统，应用于上述技术方案中的刀具剩余寿命预测方法，所述系统包括：
获取模块，用于分别获取若干个测试刀具的磨损通道信号组及与所述磨损通道信号组对应的测试磨损度；
第一处理模块，用于对所述磨损通道信号组进行无效值去除，以获取有效磨损通道信号组；
第二处理模块，用于去除所述有效磨损通道信号组的异常值，并对去除异常值后的所述有效磨损通道信号组进行降采样，以获取若干个样本信号；
第三处理模块，用于对所述样本信号进行归一化处理，以获取测试输入信号；
分析模块，用于构建DRSN-BiLSTM初始模型，通过所述测试输入信号及所述测试磨损度，训练所述DRSN-BiLSTM初始模型，以获取DRSN-BiLSTM实用模型；
检测模块，用于于机床上获取待测刀具的待测输入信号，并将所述待测输入信号作为输入值输入所述DRSN-BiLSTM实用模型，以获取预测磨损度；
计算模块，用于基于所述预测磨损度，获取所述待测刀具的剩余寿命。
第三方面，本申请实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的刀具剩余寿命预测方法。
相比于相关技术，本发明的有益效果在于：通过所述测试刀具的所述磨损通道信号组及测试磨损度，可为所述DRSN-BiLSTM实用模型提供明确的学习机制，而对所述磨损通道信号组进行无效值去除、异常值去除等预处理操作，可对干扰信号进行一定程度的滤除，有效的提高学习数据的精确性，在完成所述DRSN-BiLSTM实用模型的建立后，基于所述DRSN-BiLSTM实用模型即对所述待测刀具进行剩余寿命预测，为机械加工提供了一种误差小、精度高、抗干扰强的刀具剩余寿命预测方法，提高了机床的智能化水平。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
图1为本发明第一实施例中刀具剩余寿命预测方法的流程图；
图2为本发明第二实施例中刀具剩余寿命预测方法的流程图；
图3为本发明第三实施例中刀具剩余寿命预测系统的结构框图；
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，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，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“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。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
请参阅图1，本发明第一实施例提供的刀具剩余寿命预测方法，包括以下：
步骤S10：分别获取若干个测试刀具的磨损通道信号组及与所述磨损通道信号组对应的测试磨损度；
本实施例中，采用美国PHM协会在2010年公开的铣削刀具磨损数据集，铣削加工在R9dersTechRFM760数控机床上进行，加工过程使用三齿硬质合金铣刀，加工工件的材料为HRC52不锈钢。 可以理解地，刀具一般在机床的生产加工过程中产生磨损，而根据磨损程度不同，即加工次数/时间不同，产生的所述磨损通道信号组也不相同，且所述磨损通道信号组与所述测试磨损度之间存在一定程度关联。
步骤S20：对所述磨损通道信号组进行无效值去除，以获取有效磨损通道信号组；
步骤S30：去除所述有效磨损通道信号组的异常值，并对去除异常值后的所述有效磨损通道信号组进行降采样，以获取若干个样本信号；
步骤S40：对所述样本信号进行归一化处理，以获取测试输入信号；
在所述磨损通道信号组的获取过程中，除有效的信号外，也将采集到相应的干扰信号，通过对所述磨损通道信号组进行无效值去除、异常值去除、降采样及归一化的处理后，可对干扰信号进行一定程度的滤除，提高所述磨损通道信号组的数据精确性，为后续的数据使用提供基础。
步骤S50：构建DRSN-BiLSTM初始模型，通过所述测试输入信号及所述测试磨损度，训练所述DRSN-BiLSTM初始模型，以获取DRSN-BiLSTM实用模型；
具体地，通过DRSN（残差收缩）模块及BiLSTM（双向长短期记忆网络）模块构建所述DRSN-BiLSTM初始模型，所述DRSN模块包括软阈值化单元，通过设置所述软阈值化单元，在将所述测试输入信号输入所述DRSN模块后，可过滤所述测试输入信号中的噪声相关特征。因所述测试输入信号是一个多维信号，其反应了所述待测刀具在一段时间内的磨损变化情况，因此，需要兼顾空间和时序双重特性，通过所述DRSN模块，可考虑所述测试输入信号的空间相关性，通过所述BiLSTM模块，可再次考虑所述测试输入信号的时间依赖性，通过所述DRSN模块及所述BiLSTM模块构建出的所述DRSN-BiLSTM初始模型，可有效的减少特征信息的丢失，避免模型退化，有效的提高了模型的预测效果。
步骤S60：于机床上获取待测刀具的待测输入信号，并将所述待测输入信号作为输入值输入所述DRSN-BiLSTM实用模型，以获取预测磨损度；
在完成所述DRSN-BiLSTM实用模型的获取后，即可对所述待测刀具进行所述预测磨损度的获取，可以理解地，于机床上获取所述待测刀具的磨损通道信号组，对其进行步骤S20中的信号预处理后，将预处理后的所述待测刀具的磨损通道信号组作为输入值输入所述DRSN-BiLSTM实用模型，即可获取所述预测磨损度。
步骤S70：基于所述预测磨损度，获取所述待测刀具的剩余寿命。
通过所述测试刀具的所述磨损通道信号组及测试磨损度，可为所述DRSN-BiLSTM实用模型提供明确的学习机制，在完成所述DRSN-BiLSTM实用模型的建立后，基于所述DRSN-BiLSTM实用模型即对所述待测刀具进行剩余寿命预测，为机械加工提供了一种误差小、精度高、抗干扰强的刀具剩余寿命预测方法，提高了机床的智能化水平。
请参阅图2，本发明第二实施例提供的刀具剩余寿命预测方法，所述方法包括以下步骤：
步骤S100：采集若干个测试刀具于机床主轴坐标系中X轴、Y轴及Z轴方向的测试刀具的切削力信号及振动信号；
可以理解地，在本实施例中，于机床上安装三向测试仪，通过在工件上安装三个加速传感器，以分别获取X轴、Y轴及Z轴方向的所述切削力信号及所述振动信号。可以理解地，在采集完成后，共获取6个通道数据，分别为：X铣削力、Y铣削力、Z铣削力、X振动、Y振动、Z振动。
步骤S101：采集若干个所述测试刀具加工过程中所产生的声发射信号；
步骤S102：所述切削力信号、所述振动信号及所述声发射信号形成磨损通道信号组；
于机床上设置声发射传感器，以采集铣削过程中的声发射信号，其与步骤S100中的通道数据合计为7个通道数据，即所述磨损通道信号组包括7个通道数据。可以理解地，所述测试刀具不同，每个所述测试刀具于测试过程中均存在与其一一对应的7个通道数据。在本实施例中，采样频率为50kHz，模拟信号经过NIDAQPCI1200数据采集卡转换为数字信号，以便于后续数据处理及使用。
步骤S103：基于若干个所述测试刀具于机床上的累计走刀次数，获取与所述磨损通道信号组对应的测试磨损度；
在本实施例中，所述测试刀具每次走刀长度为108mm，每次运行的时间相同，当所述测试刀具磨损严重到无法工作时，记录累计走刀次数。所述测试磨损度的计算公式为：
其中，S表示测试磨损度，i表示第i次走刀，n表示累计走刀次数。
可以理解地，若所述测试刀具累计走刀200次，则第10次走刀的测试磨损度为：5%。通过所述测试磨损度的计算公式，可将刀具的寿命标准化至[0，1]，可更为直观对刀具寿命进行数据量化。
步骤S104：提取所述磨损通道信号组的上四分位值；
可以理解地，对所述磨损通道信号组内的7个所述通道数据分别进行处理，其处理方式一致，将某一所述通道数据内的若干个数据自小到大进行排列，将自小向大方向的1/4点处的数据作为所述上四分位值。
步骤S105：自所述磨损通道信号组的首部向所述磨损通道信号组的尾部方向搜索大于所述上四分位值的首个数据点，以标定进刀信号点；
步骤S106：自所述磨损通道信号组的尾部向所述磨损通道信号组的首部方向搜索大于所述上四分位值的首个数据点，以标定出刀信号点；
步骤S107：将所述进刀信号点及所述出刀信号点之间的数据汇总为有效磨损通道信号组，去除所述磨损通道信号组的无效值，以获取有效磨损通道信号组；
即自某一所述通道数据的首部向尾部方向搜索，第一个大于所述上四分位值的数据点即为所述进刀信号点，去除所述进刀信号点之前的数据，以完成切入无效信号的去除。自其尾部向首部搜索，第一个大于所述上四分位值的数据点即为所述出刀信号点，去除所述出刀信号点之后的数据，以完成切出无效信号的去除。可以理解地，两者之间的数据即为有效数据。分别对7个所述通道数据进行上述处理，即可获取所述有效磨损通道信号组。
步骤S108：将所述有效磨损通道信号组中n个样本数据的长度之和设为滑动窗口的长度；
如某一所述通道数据包含100个样本数据，取10个所述样本数据的长度之和为所述滑动窗口的长度，则所述滑动窗口于某一所述通道数据上包含了10个所述样本数据。
步骤S109：沿所述有效磨损通道信号组滑动所述滑动窗口，以将所述有效磨损通道信号组分隔为若干个窗口数据；
通过所述滑动窗口对所述有效磨损通道信号组进行分隔，即对所述通道数据进行分隔，某一所述通道数据包含100个样本数据，其数据为：X1~X100,若干个所述窗口数据则分别为：X1~X10、X2~X11、...、X91~X100。
步骤S110：识别所述窗口数据中的异常值，并以上一个所述窗口数据的平均值替代所述异常值，并对去除异常值后的所述有效磨损通道信号组进行降采样，以获取若干个样本信号；
具体地，采用
原则识别所述窗口数据中的异常值，/>
原则又称为拉依达准则，通过假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。
在识别到某一所述窗口数据中存在异常值后，不直接剔除所述异常值，将上一个所述窗口数据内的样本数据的平均值替代所述异常值，并通过滑动所述滑动窗口逐步修正所述有效磨损通道信号组，可使所述有效磨损通道信号组的数据更为平滑，提高测算效率。
在完成所述异常值的剔除后，由于所述磨损通道信号组的采集长度不一致，通过窗口函数对剔除异常值后的所述磨损通道信号组进行降采样，可以理解地，所述磨损通道信号组包括7个通道数据，对每个通道数据均进行降采样，选取1000个窗口，将每个通道数据分为1000段，取每一段的均值、最大值和最小值构成新的通道数据，即将每个通道数据分隔为3个样本信号，因每个所述待测刀具对应7个通道数据，最终每个所述待测刀具将对应21个信号长度为1000的样本信号。
步骤S111：对所述样本信号进行归一化处理，以获取测试输入信号；
所述样本信号的归一化处理公式为：
其中，
表示样本信号，/>
表示测试输入信号。
可以理解地，对全部的所述样本信号分别进行归一化处理后，获取所述测试输入信号。通过对所述样本信号进行归一化处理，可消除不同信号通道之间的量纲影响，将数据限定在一定的范围内，使得不同的所述通道数据处于同一数量级。
步骤S112：构建DRSN-BiLSTM初始模型，基于不同的所述测试刀具将所述测试输入信号分隔为训练输入集及测试输入集；
步骤S113：基于不同的所述测试刀具将所述测试磨损度分隔为训练输出集及测试输出集；
每个所述测试刀具均对应一个测试输入信号及测试磨损度，以不同的所述测试刀具对所述测试输入信号及所述测试磨损度进行分隔，将80%的所述测试刀具的所述测试输入信号及所述测试磨损度作为所述训练输入集及所述训练输出集，将20%的所述测试刀具的所述测试输入信号及所述测试磨损度作为所述测试输入集及所述测试输出集。
步骤S114：将所述训练输入集作为所述DRSN-BiLSTM初始模型的输入值，并将所述训练输出集作为所述DRSN-BiLSTM初始模型的输出值训练所述DRSN-BiLSTM初始模型，以获取所述DRSN-BiLSTM实用模型；
所述DRSN-BiLSTM初始模型在Pytorch框架下进行训练，模型输入为21通道的一维信号，经过一个卷积层提取浅层特征并提高通道数，然后经过所述DRSN模块提取深层特征，将得到的深层特征输入所述BiLSTM模块，所述BiLSTM模块为双向循环网络结构，可以从正反两个方向处理时间序列数据的双向特征，从而得到更好的效果。优选地，所述DRSN-BiLSTM初始模型的Batchsize的大小设置为15，迭代次数Epoch设置为100，初始学习率设置为0.0001，网络的优化方式为Adam优化算法，通过迭代更新的方式优化网络权值。进一步地，所述BiLSTM模块的激活函数为Relu函数。
步骤S115：将所述测试输入集作为所述DRSN-BiLSTM实用模型的输入值，获取所述DRSN-BiLSTM实用模型的输出值，并将所述输出值与测试输出集进行比对，以验证所述DRSN-BiLSTM实用模型。
所述DRSN-BiLSTM实用模型中，首先利用DRSN模块自适应地沿着信号的时间轴进行特征提取，保证模型在提取空间特征的同时，也保留了时间特征，从而为BiLSTM模块进一步提取信号的时序特征奠定了基础，同时引入软阈值化机制，用于过滤噪声相关的特征；而BiLSTM侧重于捕获数据变化特征和长期依赖关系，其双向循环网络结构，可以从正反两个方向处理时间序列数据的双向特征，将DRSN模块提取的特征输入到BiLSTM模块中，以进一步提取时序性特征，实现时间维度的特征融合。有效地利用输入时间序列数据的信息，对提取的深层退化信息特征进行训练实现刀具剩余使用寿命的预测。
步骤S116：于机床上获取待测刀具的待测输入信号，并将所述待测输入信号作为输入值输入所述DRSN-BiLSTM实用模型，以获取预测磨损度。
步骤S117：根据所述预测磨损度，计算所述待测刀具的预测剩余寿命；
在得出所述预测磨损度后，通过将其标准化至[0，1]，即可获取所述待测刀具的预测剩余寿命，即若所述预测磨损度为30%，则所述待测刀具的预测剩余寿命为70%。
步骤S118：对所述预测剩余寿命进行保序回归处理，以获取所述待测刀具的剩余寿命。
随着切削时间的增加，刀具的剩余使用寿命一直递减直至为0，也即刀具的剩余寿命是递减的，为了避免所述DRSN-BiLSTM实用模型预测出的剩余寿命随着时间的增加而上下波动，通过保序回归可获取符合刀具的剩余寿命递减的特点的输出结果。
假定所述DRSN-BiLSTM实用模型的输出结果为
时，因可能存在上下波动，输出的/>
小于/>
，不符合刀具的剩余寿命递减的特点，因此，需要对该输出做一个平滑处理，将/>
和/>
的平均值替代/>
，以保证所述DRSN-BiLSTM实用模型的输出符合递减的特点，进而使预测值和真实值之间的均方误差达到最小。
对所述待测刀具而言，其剩余寿命必然随走刀次数的增加而下降，因此，以剩余使用寿命及走刀次数进行曲线图构建，其应为一段下滑直线，而通过所述DRSN-BiLSTM实用模型进行预测后的所述剩余寿命，其随走刀次数增加，会呈现波段性升降，其与实际情况相比，误差较大，对所述预测剩余寿命进行保序回归处理，起到的作用就是保证有序，保序回归处理后获取的所述剩余寿命随着走刀次数的增大而减小。通过进行保序回归处理，可进一步提高所述待测刀具剩余寿命的准确性，减小预测误差。
在本实施例中，通过评价函数对保序回归后所获取的所述剩余寿命的预测进行评价，所述评价函数包括均方根误差（RMSE）、平均绝对误差（MAE）及决定系数（R2）。
具体地，
其中，
表示真实值，/>
表示预测值，n表示样本个数，RMSE与MAE的值越小则精度越高，R2的值越大表示预测精度越高。
评价结果如下表所述：
从表中可看出，保序回归后的所述剩余寿命的预测精度更高，预测结果更为精确。
请参阅图3，本发明第三实施例提供了一种刀具剩余寿命预测系统，该系统应用于上述实施例中的所述刀具剩余寿命预测方法，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
所述系统包括：
获取模块10，用于分别获取若干个测试刀具的磨损通道信号组及与所述磨损通道信号组对应的测试磨损度；
所述获取模块10包括：
第一采集单元，用于采集若干个测试刀具于机床主轴坐标系中X轴、Y轴及Z轴方向的测试刀具的切削力信号及振动信号；
第二采集单元，用于采集若干个所述测试刀具加工过程中所产生的声发射信号；
组合单元，用于所述切削力信号、所述振动信号及所述声发射信号形成磨损通道信号组；
计算单元，用于基于若干个所述测试刀具于机床上的累计走刀次数，获取与所述磨损通道信号组对应的测试磨损度。
第一处理模块20，用于对所述磨损通道信号组进行无效值去除，以获取有效磨损通道信号组；
所述第一处理模块20具体包括：
第一处理单元，用于提取所述磨损通道信号组的上四分位值；
第二处理单元，用于自所述磨损通道信号组的首部向所述磨损通道信号组的尾部方向搜索大于所述上四分位值的首个数据点，以标定进刀信号点；
第三处理单元，用于自所述磨损通道信号组的尾部向所述磨损通道信号组的首部方向搜索大于所述上四分位值的首个数据点，以标定出刀信号点；
第四处理单元，用于将所述进刀信号点及所述出刀信号点之间的数据汇总为有效磨损通道信号组，去除所述磨损通道信号组的无效值，以获取有效磨损通道信号组；
第二处理模块30，用于去除所述有效磨损通道信号组的异常值，并对去除异常值后的所述有效磨损通道信号组进行降采样，以获取若干个样本信号；
所述第二处理模块30包括：
第五处理单元，用于将所述有效磨损通道信号组中n个样本数据的长度之和设为滑动窗口的长度；
第六处理单元，用于沿所述有效磨损通道信号组滑动所述滑动窗口，以将所述有效磨损通道信号组分隔为若干个窗口数据；
第七处理单元，用于识别所述窗口数据中的异常值，并以上一个所述窗口数据的平均值替代所述异常值，并对去除异常值后的所述有效磨损通道信号组进行降采样，以获取若干个样本信号；
第三处理模块40，用于对所述样本信号进行归一化处理，以获取测试输入信号；
分析模块50，用于构建DRSN-BiLSTM初始模型，通过所述测试输入信号及所述测试磨损度，训练所述DRSN-BiLSTM初始模型，以获取DRSN-BiLSTM实用模型；
所述分析模块50包括：
第一构建单元，用于构建DRSN-BiLSTM初始模型，基于不同的所述测试刀具将所述测试输入信号分隔为训练输入集及测试输入集；
第二构建单元，用于基于不同的所述测试刀具将所述测试磨损度分隔为训练输出集及测试输出集；
训练单元，用于将所述训练输入集作为所述DRSN-BiLSTM初始模型的输入值，并将所述训练输出集作为所述DRSN-BiLSTM初始模型的输出值训练所述DRSN-BiLSTM初始模型，以获取所述DRSN-BiLSTM实用模型；
测试单元，用于将所述测试输入集作为所述DRSN-BiLSTM实用模型的输入值，获取所述DRSN-BiLSTM实用模型的输出值，并将所述输出值与测试输出集进行比对，以验证所述DRSN-BiLSTM实用模型。
检测模块60，用于于机床上获取待测刀具的待测输入信号，并将所述待测输入信号作为输入值输入所述DRSN-BiLSTM实用模型，以获取预测磨损度；
计算模块70，用于基于所述预测磨损度，获取所述待测刀具的剩余寿命。
所述计算模块70包括：
解析单元，用于根据所述预测磨损度，计算所述待测刀具的预测剩余寿命；
后处理单元，用于对所述预测剩余寿命进行保序回归处理，以获取所述待测刀具的剩余寿命。
本发明还提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述技术方案中所述的刀具剩余寿命预测方法。
本发明还提供了一种存储介质，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上述技术方案中所述的刀具剩余寿命预测方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种刀具剩余寿命预测方法，其特征在于，包括以下步骤：
分别获取若干个测试刀具的磨损通道信号组及与所述磨损通道信号组对应的测试磨损度；
对所述磨损通道信号组进行无效值去除，以获取有效磨损通道信号组；
去除所述有效磨损通道信号组的异常值，并对去除异常值后的所述有效磨损通道信号组进行降采样，以获取若干个样本信号；
对所述样本信号进行归一化处理，以获取测试输入信号；
构建DRSN-BiLSTM初始模型，通过所述测试输入信号及所述测试磨损度，训练所述DRSN-BiLSTM初始模型，以获取DRSN-BiLSTM实用模型；
于机床上获取待测刀具的待测输入信号，并将所述待测输入信号作为输入值输入所述DRSN-BiLSTM实用模型，以获取预测磨损度；
基于所述预测磨损度，获取所述待测刀具的剩余寿命。
2.根据权利要求1所述的刀具剩余寿命预测方法，其特征在于，所述分别获取若干个测试刀具的磨损通道信号组及与所述磨损通道信号组对应的测试磨损度的步骤包括：
采集若干个测试刀具于机床主轴坐标系中X轴、Y轴及Z轴方向的测试刀具的切削力信号及振动信号；
采集若干个所述测试刀具加工过程中所产生的声发射信号；
所述切削力信号、所述振动信号及所述声发射信号形成磨损通道信号组；
基于若干个所述测试刀具于机床上的累计走刀次数，获取与所述磨损通道信号组对应的测试磨损度。
3.根据权利要求2所述的刀具剩余寿命预测方法，其特征在于，所述测试磨损度的计算公式为：
其中，S表示测试磨损度，i表示第i次走刀，n表示累计走刀次数。
4.根据权利要求1所述的刀具剩余寿命预测方法，其特征在于，所述对所述磨损通道信号组进行无效值去除的步骤包括：
提取所述磨损通道信号组的上四分位值；
自所述磨损通道信号组的首部向所述磨损通道信号组的尾部方向搜索大于所述上四分位值的首个数据点，以标定进刀信号点；
自所述磨损通道信号组的尾部向所述磨损通道信号组的首部方向搜索大于所述上四分位值的首个数据点，以标定出刀信号点；
将所述进刀信号点及所述出刀信号点之间的数据汇总为有效磨损通道信号组，去除所述磨损通道信号组的无效值。
5.根据权利要求1所述的刀具剩余寿命预测方法，其特征在于，所述去除所述有效磨损通道信号组的异常值的步骤包括：
将所述有效磨损通道信号组中n个样本数据的长度之和设为滑动窗口的长度；
沿所述有效磨损通道信号组滑动所述滑动窗口，以将所述有效磨损通道信号组分隔为若干个窗口数据；
识别所述窗口数据中的异常值，并以上一个所述窗口数据的平均值替代所述异常值。
6.根据权利要求1所述的刀具剩余寿命预测方法，其特征在于，所述样本信号的归一化处理公式为：
其中，
表示样本信号，/>
表示测试输入信号。
7.根据权利要求1所述的刀具剩余寿命预测方法，其特征在于，所述通过所述测试输入信号及所述测试磨损度，训练所述DRSN-BiLSTM初始模型，以获取DRSN-BiLSTM实用模型的步骤包括：
基于不同的所述测试刀具将所述测试输入信号分隔为训练输入集及测试输入集；
基于不同的所述测试刀具将所述测试磨损度分隔为训练输出集及测试输出集；
将所述训练输入集作为所述DRSN-BiLSTM初始模型的输入值，并将所述训练输出集作为所述DRSN-BiLSTM初始模型的输出值训练所述DRSN-BiLSTM初始模型，以获取所述DRSN-BiLSTM实用模型；
将所述测试输入集作为所述DRSN-BiLSTM实用模型的输入值，获取所述DRSN-BiLSTM实用模型的输出值，并将所述输出值与测试输出集进行比对，以验证所述DRSN-BiLSTM实用模型。
8.根据权利要求1所述的刀具剩余寿命预测方法，其特征在于，所述基于所述预测磨损度，获取所述待测刀具的剩余寿命的步骤包括：
根据所述预测磨损度，计算所述待测刀具的预测剩余寿命；
对所述预测剩余寿命进行保序回归处理，以获取所述待测刀具的剩余寿命。
9.一种刀具剩余寿命预测系统，应用于如权利要求1~8任一项所述的刀具剩余寿命预测方法，其特征在于，所述系统包括：
获取模块，用于分别获取若干个测试刀具的磨损通道信号组及与所述磨损通道信号组对应的测试磨损度；
第一处理模块，用于对所述磨损通道信号组进行无效值去除，以获取有效磨损通道信号组；
第二处理模块，用于去除所述有效磨损通道信号组的异常值，并对去除异常值后的所述有效磨损通道信号组进行降采样，以获取若干个样本信号；
第三处理模块，用于对所述样本信号进行归一化处理，以获取测试输入信号；
分析模块，用于构建DRSN-BiLSTM初始模型，通过所述测试输入信号及所述测试磨损度，训练所述DRSN-BiLSTM初始模型，以获取DRSN-BiLSTM实用模型；
检测模块，用于于机床上获取待测刀具的待测输入信号，并将所述待测输入信号作为输入值输入所述DRSN-BiLSTM实用模型，以获取预测磨损度；
计算模块，用于基于所述预测磨损度，获取所述待测刀具的剩余寿命。
10.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至8中任一项所述的刀具剩余寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310511822.5A CN116214263B (zh) | 2023-05-09 | 2023-05-09 | 一种刀具剩余寿命预测方法、系统及计算机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310511822.5A CN116214263B (zh) | 2023-05-09 | 2023-05-09 | 一种刀具剩余寿命预测方法、系统及计算机 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116214263A true CN116214263A (zh) | 2023-06-06 |
| CN116214263B CN116214263B (zh) | 2024-03-01 |
Family
ID=86584682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310511822.5A Active CN116214263B (zh) | 2023-05-09 | 2023-05-09 | 一种刀具剩余寿命预测方法、系统及计算机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116214263B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
| CN113723007A (zh) * | 2021-09-08 | 2021-11-30 | 重庆邮电大学 | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 |
| CN113927371A (zh) * | 2021-11-05 | 2022-01-14 | 太原科技大学 | 一种基于多传感器特征融合的刀具磨损预测方法 |
| CN114048958A (zh) * | 2021-10-19 | 2022-02-15 | 上海交通大学 | 基于深度卷积残差收缩网络的刀具磨损预测方法和系统 |
| CN114239749A (zh) * | 2021-12-23 | 2022-03-25 | 桂林电子科技大学 | 基于残差收缩及双向长短期记忆网络的调制识别方法 |
| CN116038430A (zh) * | 2023-02-14 | 2023-05-02 | 西安理工大学 | 多传感器信息融合的刀具剩余寿命预测方法 |
-
2023
- 2023-05-09 CN CN202310511822.5A patent/CN116214263B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
| CN113723007A (zh) * | 2021-09-08 | 2021-11-30 | 重庆邮电大学 | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 |
| CN114048958A (zh) * | 2021-10-19 | 2022-02-15 | 上海交通大学 | 基于深度卷积残差收缩网络的刀具磨损预测方法和系统 |
| CN113927371A (zh) * | 2021-11-05 | 2022-01-14 | 太原科技大学 | 一种基于多传感器特征融合的刀具磨损预测方法 |
| CN114239749A (zh) * | 2021-12-23 | 2022-03-25 | 桂林电子科技大学 | 基于残差收缩及双向长短期记忆网络的调制识别方法 |
| CN116038430A (zh) * | 2023-02-14 | 2023-05-02 | 西安理工大学 | 多传感器信息融合的刀具剩余寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李金铭: "机器人灵巧手的人机交互技术及其稳定控制", 华中科学技术大学出版社, pages: 1015 - 1018 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116214263B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106181579B (zh) | 一种基于多传感器电流信号的刀具磨损监测方法 | |
| CN111275307B (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
| CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
| CN113569903B (zh) | 数控机床刀具磨损预测方法、系统、设备、介质、终端 | |
| CN113146359B (zh) | 一种智能监测和诊断切削状态的数控机床控制系统 | |
| CN113378725B (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
| WO2008076601B1 (en) | Determining physical property of substrate | |
| CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
| CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
| CN112528955B (zh) | 一种高频元件加工尺寸的精度预测方法及系统 | |
| CN108723895B (zh) | 一种用于钻削加工状态实时监测的信号分割方法 | |
| CN110874509A (zh) | 一种高端数控装备多维信息融合状态评价方法 | |
| CN111881860B (zh) | 滚刀磨损在位识别模型建模方法及滚刀磨损在位识别方法 | |
| CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
| CN114800040B (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 | |
| CN116408501A (zh) | 窜刀模式下滚刀磨损状态在机无监督实时监测方法 | |
| CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
| CN116214263B (zh) | 一种刀具剩余寿命预测方法、系统及计算机 | |
| CN114789364A (zh) | 多指标钻孔质量控制方法及其装置、设备 | |
| CN114840932A (zh) | 多因数耦合提高tc4钛合金表面粗糙度预测精度的方法 | |
| CN116448047A (zh) | 基于时频图融合-残差网络的加工表面粗糙度预测方法 | |
| CN115422978A (zh) | 一种工件表面粗糙度预测方法 | |
| CN114227378A (zh) | 一种夹具状态的检测方法、装置、终端和存储介质 | |
| Jemielniak et al. | Tool wear monitoring based on wavelet transform of raw acoustic emission signal | |
| CN112560234B (zh) | 一种数控机床剩余寿命估计概率的计算方法、装置和网络侧服务端 |
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 |