CN116778275A - 基于卷积长短时记忆神经网络的车削刀具寿命预测方法 - Google Patents
基于卷积长短时记忆神经网络的车削刀具寿命预测方法 Download PDFInfo
- Publication number
- CN116778275A CN116778275A CN202310823936.3A CN202310823936A CN116778275A CN 116778275 A CN116778275 A CN 116778275A CN 202310823936 A CN202310823936 A CN 202310823936A CN 116778275 A CN116778275 A CN 116778275A
- Authority
- CN
- China
- Prior art keywords
- neural network
- short
- data
- memory neural
- image data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000015654 memory Effects 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 2
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000005299 abrasion Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积长短时记忆神经网络的车削刀具寿命预测方法，包括以下步骤，1)获取刀具表面的温度图像数据，2)并对该温度图像数据进行预处理，获取刀具的数据样本集；3)基于该样本数据集搭建卷积长短时记忆神经网络模型获取刀具的温度图像数据与刀具寿命的时序分析预测数据；本发明的卷积长短时记忆神经网络的结构可以充分考虑刀具磨损在时间上的累计效应，利用温度图像数据预测车削刀具寿命，使实际使用更加便利。
Description
技术领域
本发明属于刀具寿命预测技术领域，尤其涉及一种基于卷积长短时记忆神经网络的车削刀具寿命预测方法。
背景技术
刀具作为在工业制造过程中的重要工具，其寿命和磨损状态影响着工件的生产质量，生产效率以及车床的健康状态。如果能精准预测出刀具的剩余寿命，将有效地降低工业制造的成本。
何兆鹏等人设计了一种嵌入薄膜热电偶的智能刀具，对刀具生命周期内的温度信号进行采集。作为一种深度学习方法，提出了基于原始温度信号的反向传播神经网络回归的堆叠稀疏自编码器模型来预测刀具磨损。Rangwala等首次将人工神经网络应用于刀具状态监测中，该方法后来以其强大的学习能力被刀具状态监测领域广泛使用。周景涛等人首先建立了工况的统一表示，然后从处理信号中提取磨损特征。将提取的磨损特征和相应的工作条件组合成一个输入矩阵，用于预测刀具磨损。切削力、振动和声发射信号是刀具寿命预测中最常见的三种传感器信号。很多预测方法在采集数据的过程中需要接触工作中的刀具，甚至需要对到刀具做嵌入式的处理，对刀具本身存在影响。
发明内容
针对现有技术的上述不足，本发明所要解决的技术问题是：提供一种基于卷积长短时记忆神经网络的车削刀具寿命预测方法，考虑到嵌入式的温度测量方法会对刀具本身造成影响，选取无接触的红外温度传感器来收集刀具磨损过程中的刀具表面温度变化的数据，使用卷积长短时记忆神经网络建立刀具剩余寿命预测模型。
为了解决上述技术问题，本发明采用了如下的技术方案：
基于卷积长短时记忆神经网络的车削刀具寿命预测方法，包括以下步骤：
1)获取刀具表面的温度图像数据；
2)并对该温度图像进行数据预处理，获取刀具的训练数据样本集；
3)基于该样本数据集搭建卷积长短时记忆神经网络模型获取刀具的温度图像数据与刀具寿命的时序分析预测数据。
作为优化，所述获取刀具的数据样本集包括以下步骤：
1）将红外温度传感器部署在正确位置；
2）使用红外温度传感器配套的软件，将刀具车削过程拍摄记录，并保存数据。
作为优化，所述获取刀具的训练数据样本集包括以下步骤：
1）以间隔5秒来采样温度图像数据，每一帧的图像保存在.csv文件中；
2）温度图像数据的.csv文件文件命名依照图像在时间先后的顺序，从0开始取整数，依次命名，直至最后一帧的图像；
3）依照时间前后的顺序，每10帧温度图像数据序列化后作为一个样本数据，对应的标签为刀具剩余使用寿命时长。
作为优化，所述搭建卷积长短时记忆神经网络模型包括以下步骤：
1)上方建立序列输入层，其大小与所述的序列化后的图像的数量相对应；
2)中间建立三层卷积层，三层LSTM层，三层全连接层，每层的神经元数量少于所述卷积长短时记忆神经网络训练用样本数据集的数量；以每个所述卷积长短时记忆神经网络训练用样本数据集作为一个神经网络输入；
3)建立一个大小为1的全连接层和回归层明确问题描述；
4)在训练中选择平均绝对值误差损失函数作为训练误差，并采用早停的方法得到最优的模型；
5)训练完成后，使用剩余的样本数据集作为对比样本进行测试。
作为优化，所述搭建卷积长短时记忆神经网络模型的步骤2中，三层卷积层计算结果通过reshape方法调整为LSTM可接受的数据形式，三层LSTM模块的计算结果选取最后一步的状态量，通过reshape方法调整为全连接层可接受的数据形式。
作为优化，所述搭建卷积长短时记忆神经网络模型的步骤2中，利用网格搜索方法搜索最优超参数，更新门、重置门激活函数选择Sigmoid函数，状态激活函数选择tanh函数，选择Adam优化器，梯度阈值设置为1，指定初始学习率0.005，并采用多轮训练，多轮训练后乘以因子作为优化，所述搭建卷积长短时记忆神经网络模型步骤4中，所述早停的方法为将早停步数设置为20步，即当loss在20次训练中误差不再明显下降便停止训练。
本申请与现有技术相比具有以下收益效果：
该方法采用红外温度传感器从过程监测信号中提取出磨损特征以衡量连续加工状态的刀具寿命，考虑预测的有效性和在工业环境中的适用性，选用通过卷积长短时记忆网络学习刀具使用过程中与刀具磨损特征变化之间的关联关系，在此基础上预测刀具剩余寿命，由于LSTM模型的特殊结构可以充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，同时CNN能够捕捉车削过程中刀具表面的温度分布特征。本发明对于时间序列下刀具剩余寿命预测具有较好的适用性。与现有技术相比，需要部署的传感器更加容易操作，更加适合非专业人员使用。同时因为是非接触的，数据的收集不会影响到刀具本身。
附图说明
图1是温度图像数据示例
图2是本发明的流程框图
实施方式
下面结合附图对本发明作进一步的详细说明。
具体实施时:参见图1，
基于卷积长短时记忆神经网络的车削刀具寿命预测方法，包括以下步骤：
1.所述获取刀具的温度图像监测数据包括以下步骤：
1）将红外温度传感器部署在正确位置；
2）使用红外温度传感器配套的软件，将刀具车削过程拍摄记录，并保存数据保存在.ravi文件中；
3）对温度图像进行数据预处理，获取刀具的训练数据样本集。
2.所述获取刀具的训练数据样本集包括以下步骤：
1）通过红外温度传感器配套的软件以间隔5秒来采样温度图像数据，参见图2，每一帧的图像保存在.csv文件中；
2）温度图像数据的.csv文件文件命名依照图像在时间先后的顺序，从0开始取整数，依次命名，直至最后一帧的图像；
3）安装时间前后的顺序，每10张序列化为一个样本数据，对应的标签为刀具剩余使用寿命时长；
4）基于该样本数据集搭建卷积长短时记忆神经网络模型获取刀具的温度图像数据与刀具寿命的时序分析预测数据。
3.所述搭建卷积长短时记忆神经网络模型包括以下步骤：
1)上方建立序列输入层，其大小与所述的序列化后的图像的数量相对应；
2)中间建立三层卷积层，神经元个数分别时32，64，32，三层LSTM层，神经元个数分别时32，32，32，三层全连接层，神经元个数分别是32，16，1，利用网格搜索方法搜索最优超参数，更新门、重置门激活函数选择Sigmoid函数，状态激活函数选择tanh函数，选择Adam优化器，梯度阈值设置为1，指定初始学习率0.005，在125轮训练后通过乘以因子0.2来降低学习率，更好拟合曲线。每层的神经元数量少于所述卷积长短时记忆神经网络训练用样本数据集的数量；以每个所述卷积长短时记忆神经网络训练用样本数据集作为一个神经网络输入；
3)建立一个大小为1的全连接层和回归层明确问题描述；
4)在训练中选择平均绝对值误差损失函数作为训练误差，并采用早停的方法得到最优的模型，早停步数设置为20步即当loss在20次训练中误差不再明显下降便停止训练；
5)训练完成后，使用剩余的样本数据集作为对比样本进行测试。
该方法采用红外温度传感器从过程监测信号中提取出磨损特征以衡量连续加工状态的刀具寿命，考虑预测的有效性和在工业环境中的适用性，选用通过卷积长短时记忆网络学习刀具使用过程中与刀具磨损特征变化之间的关联关系，在此基础上预测刀具剩余寿命，由于LSTM模型的特殊结构可以充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，同时CNN能够捕捉车削过程中刀具表面的温度分布特征。本发明对于时间序列下刀具剩余寿命预测具有较好的适用性。与现有技术相比，需要部署的传感器更加容易操作，更加适合非专业人员使用。同时因为是非接触的，数据的收集不会影响到刀具本身。
本发明使用刀具车削过程中的刀具表面温度分布变化数据来预测刀具寿命，卷积长短时记忆网络模型可以考虑时间上刀具磨损的累计效应和刀具表面温度变化的特征，能够有效的预测刀具剩余使用寿命。尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以在不脱离本发明的原理和基础的情况下对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附加权利要求极其等同物限定，因此本发明的实施例只是针对本发明的一个说明示例，无论从哪一点来看本发明的实施例都不构成对本发明的限制。
Claims (10)
1.基于卷积长短时记忆神经网络的车削刀具寿命预测方法，其特征在于：包括以下步骤，
1)获取刀具表面的温度图像数据；
2)对该温度图像数据进行数据预处理，获取刀具的 训练数据样本集；
3)基于该样本数据集搭建卷积长短时记忆神经网络模型获取刀具的温度图像数据与刀具寿命的时序分析预测数据。
2.根据权利要求1所述的基于卷积长短时记忆神经网络的车削刀具寿命预测方法，其特征在于：所述刀具表面的温度图像数据，包括以下步骤，
1）将红外温度传感器正确布置，使其能够拍摄到车削过程中刀具表面的温度图像数据，
2）使用红外温度传感器将刀具车削的过程拍摄记录，并保存数据。
3.根据权利要求1所述的基于卷积长短时记忆神经网络的车削刀具寿命预测方法，其特征在于：所述获取刀具的训练数据样本集，包括以下步骤，
1）以间隔5秒来采样温度图像数据，每一帧的温度图像数据保存在.csv文件中，
2）将获取的温度图像监测数据进行预处理，包括温度图像数据的剪裁，归一化，
3）将预处理后的温度图像数据，依照时间上的先后顺序每十帧温度图像序列化后作为一个数据样本，并制作对应的标签。
4.根据权利要求3所述的基于卷积长短时记忆神经网络的车削刀具寿命预测方法，其特征在于：依照时间上的先后顺序每十个序列化后作为一个数据作为一个样本，得到T个刀具的数据样本集，即，
Xorg＝[C1 ,C2 ,C3 ,…,CT ] (1)
CT＝[x1 ,x2 ,x3 ,…,x10 ] (2)
其中，Xorg为刀具的数据样本集，CT为对应十帧温度图像数据，x为对应某一帧的温度图像数据。
5.根据权利要求3所述的基于卷积长短时记忆神经网络的车削刀具寿命预测方法，其特征在于：温度图像数据的剪裁，需要先确定刀具在温度图像数据上的位置，将温度图像数据剪裁为32*32大小，其中包括了刀具刀尖对应的刀具表面温度数据。
6.根据权利要求3所述的基于卷积长短时记忆神经网络的车削刀具寿命预测方法，其特征在于：剪裁后的温度图像数据征归一化处理为具有零均值与单位方差，采用如下公式，
(3)
其中，μ,σ是原始数据集的均值与标准差。
7.根据权利要求1所述的基于卷积长短时记忆神经网络的车削刀具寿命预测方法，其特征在于：所述卷积长短时记忆神经网络模型的搭建包括以下步骤，
1)上方建立序列输入层，其大小与所述的序列化后的图像的数量相对应；
2)中间建立三层卷积层，三层LSTM层，三层全连接层，每层的神经元数量少于所述卷积长短时记忆神经网络训练用样本数据集的数量；以每个所述卷积长短时记忆神经网络训练用样本数据集作为一个神经网络输入；
3)建立一个大小为1的全连接层和回归层明确问题描述；
4)在训练中选择平均绝对值误差损失函数作为训练误差，并采用早停的方法得到最优的模型；
5)训练完成后，使用剩余的样本数据集作为对比样本进行测试。
8.根据权利要求1所述的基于卷积长短时记忆神经网络的车削刀具寿命预测方法，其特征在于：所述搭建卷积长短时记忆神经网络模型的搭建步骤包括中，利用网格搜索方法搜索最优超参数，更新门、重置门激活函数选择sigmoid函数，状态激活函数选择tanh函数，选择Adam优化器，梯度阈值设置为1，指定初始学习率0.005，并采用多轮训练，多轮训练后乘以因子0.2。
9.根据权利要求6所述的基于基于卷积长短时记忆神经网络的车削刀具寿命预测方法，其特征在于：所述基于卷积长短时记忆神经网络的搭建步骤2中，三层卷积层计算结果通过reshape方法调整为LSTM可接受的数据形式，三层LSTM模块的计算结果选取最后一步的状态量，通过reshape方法调整为全连接层可接受的数据形式。
10.根据权利要求6所述的基于基于卷积长短时记忆神经网络的车削刀具寿命预测方法，其特征在于：所述基于卷积长短时记忆神经网络的搭建步骤4中，所述早停的方法为将早停步数设置为20步，即当loss在20次训练中误差不再明显下降便停止训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310823936.3A CN116778275A (zh) | 2023-07-06 | 2023-07-06 | 基于卷积长短时记忆神经网络的车削刀具寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310823936.3A CN116778275A (zh) | 2023-07-06 | 2023-07-06 | 基于卷积长短时记忆神经网络的车削刀具寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116778275A true CN116778275A (zh) | 2023-09-19 |
Family
ID=87989447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310823936.3A Pending CN116778275A (zh) | 2023-07-06 | 2023-07-06 | 基于卷积长短时记忆神经网络的车削刀具寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116778275A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236381A (zh) * | 2023-11-08 | 2023-12-15 | 智能制造龙城实验室 | 一种基于三元组长短时记忆神经网络的刀具磨损监测方法 |
-
2023
- 2023-07-06 CN CN202310823936.3A patent/CN116778275A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236381A (zh) * | 2023-11-08 | 2023-12-15 | 智能制造龙城实验室 | 一种基于三元组长短时记忆神经网络的刀具磨损监测方法 |
| CN117236381B (zh) * | 2023-11-08 | 2024-02-02 | 智能制造龙城实验室 | 一种基于三元组长短时记忆神经网络的刀具磨损监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
| CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
| CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN116778275A (zh) | 基于卷积长短时记忆神经网络的车削刀具寿命预测方法 | |
| CN117076934B (zh) | 一种基于物联网的监控数据采集及分析方法 | |
| CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
| CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
| CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| CN114118225A (zh) | 发电机剩余寿命预测方法、系统、电子设备和存储介质 | |
| CN115933787A (zh) | 基于室内环境监测的室内多末端智能控制系统 | |
| CN115146842A (zh) | 基于深度学习的多元时间序列趋势预测方法和系统 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| CN114418183B (zh) | 畜禽健康体征大数据物联网检测系统 | |
| CN113951868A (zh) | 机械通气患者人机不同步检测方法及装置 | |
| CN117688846A (zh) | 用于建筑能耗的强化学习预测方法及系统、存储介质 | |
| CN117147544A (zh) | 一种智能马桶的尿液检测分析系统 | |
| CN116668473A (zh) | 一种农业异常数据的边缘识别方法、系统、设备及介质 | |
| CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
| CN113940523B (zh) | 智能床垫的自调整方法、装置、智能床垫及存储介质 | |
| CN114764538B (zh) | 一种设备声音信号模式识别方法 | |
| CN112632466B (zh) | 一种基于深度双向长短时记忆网络的轴承故障预测方法 | |
| CN112040408A (zh) | 一种适用于监管场所的多目标精确智能定位跟踪方法 | |
| CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
| CN117151552B (zh) | 一种基于物联网的数字化照明数据管理系统及方法 | |
| CN116400675B (zh) | 基于改进cnn-lstm模型的故障诊断系统及方法 |
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 |