CN116805041A - 一种刀具磨损量预测方法及系统 - Google Patents

一种刀具磨损量预测方法及系统 Download PDF

Info

Publication number
CN116805041A
CN116805041A CN202310702856.2A CN202310702856A CN116805041A CN 116805041 A CN116805041 A CN 116805041A CN 202310702856 A CN202310702856 A CN 202310702856A CN 116805041 A CN116805041 A CN 116805041A
Authority
CN
China
Prior art keywords
transducer
neural network
generator neural
network
abrasion loss
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
CN202310702856.2A
Other languages
English (en)
Inventor
张彩霞
张家溪
赵永胜
刘志峰
张栋杰
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.)
Beijing University of Technology
Original Assignee
Beijing University of 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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202310702856.2A priority Critical patent/CN116805041A/zh
Publication of CN116805041A publication Critical patent/CN116805041A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开了一种刀具磨损量预测方法及系统，包括：获取待测设备的振动信号；将待测设备的振动信号输入至训练好的Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型，得到待测设备的刀具磨损量预测结果，可以广泛应用于先进制造控制技术领域中。

Description

一种刀具磨损量预测方法及系统
技术领域
本发明涉及先进制造控制技术领域，特别是关于一种刀具磨损量预测方法及系统。
背景技术
随着现代制造业的快速发展，越来越多的工厂开始采用高端数控机床等设备，以提高生产效率和产品质量。刀具作为数控机床中必不可少的关键耗材，直接影响着加工质量和生产效率。因此，刀具磨损量预测变得越来越重要，对于降低成本、提质增效具有重要意义。
传统的刀具磨损量预测方法主要基于经验判断和经验公式，此类方法需要对工人的经验和知识进行依赖，并且往往不能提供准确和可靠的预测结果。随着深度学习和图像处理技术的不断发展，越来越多的研究开始使用深度学习方法来解决刀具磨损量预测问题，基于刀具表面磨损特征和传感器信号数据，通过训练数据模型来实现自动预测刀具磨损量的任务。
然而，现有的方法仍然存在问题：
(1)由于在机床运行初期，传感器数据收集量有限，在小样本的情况下，一些方法不能准确进行预测。
(2)一些方法只能处理特定类型的刀具或需要大量手动标注的数据，导致其应用范围受限。
(3)一些方法在处理大规模数据时存在效率问题，导致其难以实时预测刀具磨损量。
因此，本发明提出使用Transformer-GAN的模型结构，既可以保证加工时间序列数据的长期相关性，同时又保证获取输入信号中深层信息特征的完整性，用于刀具磨损量预测领域，不仅能在低时间成本内获取更准确的预测结果，而且能保证加工质量的同时提升加工效率。
发明内容
针对上述问题，本发明的目的是提供一种完整获取输入信息时序特征且高效精准的刀具磨损量预测方法及系统。
为实现上述目的，本发明采取以下技术方案：
第一方面，提供一种磨损量预测方法，包括：
获取待测设备的振动信号；
将待测设备的振动信号输入至训练好的Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型，得到待测刀具的磨损量数值结果。
进一步地，所述Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型构建过程为：
采集待测设备一种类型的两把刀具全生命周期振动信号，并经过实验方法获取相应的后刀面磨损量；
对采集的全生命周期振动信号进行数据预处理；
将预处理后的全生命周期振动信号进行特征提取；
将特征提取后的全生命周期振动信号数据划分为训练集和测试集；
采用训练集和测试集对构建的刀具磨损量预测模型进行训练和测试，得到训练好的Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型。
进一步地，所述对采集的全生命周期振动信号进行预处理，包括：
重建获取的全生命周期振动信号，即去除加工时刀具进入过程和退出过程数据；
对重建后的振动信号数据进行降噪处理，利用二阶高通滤波器和指数滑移平均方法分别去除低频噪声和随机噪声；
对降噪后的振动信号数据利用标准化函数和平滑处理方法进行数据转换；
根据实验获得的全生命周期后刀面磨损量数据，定义降噪后振动信号的标签函数；
进一步的，所述Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型包括第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络、判别器神经网络、全局平均池化层和全连接层。
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络均用于学习预处理后的全生命周期振动信号的特征信息，并依据预处理后的全生命周期振动信号数据分布生成相同分布的新数据；
所述判别器神经网络用于区分输入数据为生成器生成的或为真实数据；
所述全局平均池化层用于对提取的全局空间特征进行降维处理；
所述全连接层根据降维处理结果，输出刀具磨损量；
进一步地，所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络设置有一个多头注意力层、一个前馈神经网络层、两个残差连接层、两个批量归一化层、两个1×1卷积层和一个正则化层，所述判别器网络设置有两个线性层和一个正则化层；
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的多头注意力层能够根据注意力得分自动关注到输入特征中的重要的部分，并将其编码为固定长度的向量表示，以便后续的处理。
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的前馈神经网络层对输入特征采用一定的权重和偏置进行加权和处理，提取对应的局部空间特征。
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的残差连接层用于训练过程中规避冗余层，减小训练误差并防止训练梯度消失和网络退化。
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的批量化归一层用于对提取的特征进行批量标准化；
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的1×1卷积层用于连接提取的局部空间特征，综合考虑全局空间特征。
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络利用正则化层丢弃神经网络训练时的某些连接点，以防止过拟合；
所述判别器网络的线性层用于输出生成器神经网络生成数据和原始输入数据相似度判别结果；
所述判别器网络的正则化层用于丢弃神经网络训练时的某些连接点，以防止过拟合。
第二方面，提供一种刀具磨损量预测系统，包括：
数据获取模块，用于获取待测设备的振动信号；
刀具磨损量预测模块，用于将待测设备的振动信号输入至训练好的Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型，得到待测刀具的磨损量预测结果。
第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述刀具磨损量预测方法对应的步骤。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中所述计算机程序指令被处理器执行时用于实现上述刀具磨损量预测方法的对应步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明可以自动学习刀具表面的特征，避免了手动标注和专家知识的限制，本发明针对Transformer、GAN和CNN进行研究，结合Transformer注意力机制和卷积神经网络构建生成对抗网络模型，通过自动学习信号数据特征来实现刀具磨损量自动预测。
2、本发明在处理大规模数据时，能实现高效的计算和准确的刀具磨损量预测，可以提高训练效率和预测准确度。
3、本发明通过GAN模型生成刀具表面特征数据，增加样本的多样性，以避免环境和工艺等因素对预测性能的影响，并可以生成噪声数据，提升模型的鲁棒性。
综上所述，本发明可以广泛应用于先进制造控制技术领域中。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1是本发明一实施例提供的刀具磨损量预测模型的结构示意图；
图2是本发明一实施例提供的对待测设备刀具全生命周期振动信号进行数据降噪处理前后对比图；
图3是本发明一实施例提供的对待测设备刀具磨损量预测损失值示意图；
图4是本发明一实施例提供的对待测设备的刀具磨损量预测结果对比示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段，但是，这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出，否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此，以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
传统的刀具磨损量预测方法主要基于经验判断和经验公式，此类方法需要对工人的经验和知识进行依赖，往往不能提供准确和可靠的预测结果。
本发明实施例提供的刀具磨损量预测方法及系统，将待测设备振动信号作为刀具磨损量预测模型的输入，刀具磨损量预测模型采用融合Transformer注意力机制的生成对抗网络生成器模型从预处理后的振动信号中自动学习信号特征，并由生成器网络输出预测的磨损量结果，进而通过训练好的判别器模型，利用生成对抗机制提高模型鲁棒性和预测准确度。本发明同时能够克服机床运行初期，设备数据收集有限的“小样本”问题，并能自动学习信号特征，无需大量标注数据信息，对刀具磨损量预测更加高效精准。
实施例1
本实施例提供一种刀具磨损量预测方法，包括以下步骤：
1)采集待测类型刀具的历史全生命周期振动信号进行磨损量标定，并构建Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型，具体为：
1.1)采集待测设备一种类型的两把刀具全生命周期振动信号，并对历史全生命周期振动信号按时间顺序划分为等长的若干段，标定每段生命周期振动信号对应的刀具磨损量。
具体地，历史全生命周期信号采用传感器采集，通过实验方法获取每段生命周期振动信号对应的刀具磨损量。
具体地，分段处理后的生命周期振动信号分别设置在对应的文件夹内。
具体地，标定的每段生命周期振动信号对应的刀具磨损量设置在同一表格文档内。
1.2)对采集的历史全生命周期振动信号进行预处理：
1.2.1)重建获取的全生命周期振动信号，为模型训练做准备。
具体地，去除数据文件的开头和结尾对应加工时刀具进入过程和退出过程数据，并通过常见的窗口函数将高频时间序列转换为相对低频的时间序列，将原始的数据按照时间划分为非重叠窗口。
1.2.2)对重建后的振动信号数据进行降噪处理，改善信号质量及稳定性。
具体地，利用二阶高通滤波器和指数滑动平均方法去除高频信号数据里含有的低频噪声和随机噪声。
1.2.3)对降噪后的振动信号和标签数据进行数据转换，统一数据特征的量纲大小。
具体地，使用标准化函数对特征进行标准化处理，并使用平滑处理方法对标签数据进行平滑处理。
1.3)对预处理后的历史全生命周期振动信号进行特征提取。
具体地，本发明提取11个用来表征刀具磨损的特征，计算公式及含义如表1所示。
表1特征计算公式及含义
表中Abs()为绝对值运算，Sqrt()为均方根运算，Mean()为平均值运算，其中前6个特征量为有量纲量，后5个特征为无量纲量。
1.4)构建Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型：
具体地，如图1所示，刀具磨损量预测模型包括第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络、判别器神经网络、全局平均池化层和全连接层，其中第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络设置有一个多头注意力层、一个前馈神经网络层、两个残差连接层、两个批量归一化层、两个1×1卷积层和一个正则化层，判别器网络设置有两个线性层和一个正则化层；
第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的多头注意力层将输入的序列分别映射到多个子空间，然后分别计算每个子空间中元素之间的注意力得分，采用并行化的处理方式大大加速了模型的训练速度。
第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的前馈神经网络层对输入特征采用一定的权重和偏置进行加权和处理，提取对应的局部空间特征。
第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的残差连接层用于训练过程中规避冗余层，减小训练误差并防止训练梯度消失和网络退化。
第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的批量化归一层用于对提取的特征进行批量标准化；
第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的1×1卷积层用于连接提取的局部空间特征，综合考虑全局空间特征。
第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络采用正则化层丢弃神经网络训练时的某些连接点，以防止过拟合；
判别器网络的线性层用于输出生成器神经网络生成数据和原始输入数据相似度判别结果；
判别器网络的正则化层用于丢弃神经网络训练时的某些连接点，以防止过拟合。
1.6)将训练集输入至构建的刀具磨损量预测模型进行训练，确定刀具磨损量预测模型的权重、损失和准确度。由于刀具磨损量预测模型的训练为现有技术公开的方法，具体过程在此不多做赘述。
1.7)确定训练集训练预测结果是否准确，若准确则保存该刀具磨损量预测模型，并将测试集输入至该模型中进行刀具磨损量预测；反之，则进入步骤1.6)继续训练直至训练预测结果准确，得到最终训练好的刀具磨损量预测模型。
具体地，可以根据预测结果和实验所得真实值对比，以确定训练集训练预测结果是否准确。
2)获取待测设备的振动信号并输入至训练好的刀具磨损量预测模型，得到待测设备的刀具磨损量预测结果。
下面通过具体实施例详细说明本发明的刀具磨损量预测方法，本实施例以2010年于美国举行的PHM公开的铣刀切削试验数据进行验证分析，该数据集受到刀具磨损量预测领域的认可，对实验的实例验证有一定的权威性：
1)采集若干待测刀具全生命周期的三轴方向振动信号，并构建Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型：
1.1)该验证数据集通过传感器采集六把刀具(C1、C2、C3、C4、C5、C6)全生命周期振动信号，并采集C1、C4、C6三把铣刀相应切削后测量的后刀面磨损量(VB)flute1～3。
1.2)对采集的刀具全生命周期振动信号进行数据重建。
将每把刀具全生命周期振动信号保存为315个.csv文件。每次铣削试验持续大约4秒钟，传感器频率为50KHz，单个采集通道约为20万个数据。为了全面解析刀具全寿命中传感器信号数据，对每次铣削过程中的传感器信号，去除开头和结尾各0.2秒(大约1万个数据点)信号。并对于原始数据进行基于非重叠窗口数据重建，通过窗口函数将高频时间序列转换为低频时间序列，将原始的数据按照时间划分为100个非重叠窗口，并对每个窗口内的数据进行特征抽取。
1.3)对重建后的刀具全生命周期振动信号进行降噪处理。
利用二阶高通滤波器和指数滑动平均方法分别去除低频噪声和随机噪声，对信号质量及稳定性进行改善。二阶高通滤波器中只允许高频信号通过，针对低于截止频率的信号进行衰减。指数滑动平均根据当前时刻信号和上一时刻信号通过计算得出新信号以减少信号波动，降噪处理前后对比如图2所示。
1.4)将降噪处理后的刀具全生命周期振动信号进行数据转换。
采集的刀具全生命周期的三轴方向振动信号取值范围不同，即原始特征的量纲大小并不统一，其统计特征的量纲大小也存在较大差异，因此本发明使用标准化函数对特征进行标准化处理，并使用平滑处理方法对标签数据进行平滑处理。
1.5)将刀具C1全生命周期振动信号作为训练集输入至构建的刀具磨损量预测模型进行训练，并基于优化算法、损失函数，确定刀具磨损量预测模型的权重和损失，定义评价指标如表2，确定模型训练准确度。
表2模型评价指标
1.6)确定训练集训练预测结果是否准确，若准确则保存该刀具磨损量预测模型，并将测试集输入至该模型中进行刀具磨损量预测；反之，则继续训练直至训练预测结果准确，得到最终训练好的Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型。
2)获取刀具C4全生命周期振动信号作为验证集，经过数据预处理后输入至训练好的刀具磨损量预测模型，得到刀具C4的磨损量预测结果。
如图3和4所示，为采用本发明的方法得到的刀具磨损量预测结果的损失值示意图和预测结果对比示意图，可以看出，随着迭代的增加，误差损失值逐渐减小，模型预测准确度如表3所示，可以证明本发明的刀具磨损量预测模型性能良好。
表3模型预测准确度
实施例2
本实施例提供一种刀具磨损量预测系统，包括：
数据获取模块，用于获取待测设备的振动信号。
刀具磨损量预测模块，用于将待测设备的刀具振动信号输入至训练好的Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型，得到待测设备的刀具磨损量预测结果。
在一个优选的实施例中，Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型的构建过程为：
采集待测设备历史刀具全生命周期振动信号，并对历史刀具全生命周期振动信号按时间顺序划分为等长的若干段，标定每段生命周期振动信号对应的刀具磨损量。
对采集的历史刀具全生命周期振动信号进行预处理。
对预处理后的历史刀具全生命周期振动信号进行特征提取。
采用训练集和测试集对构建的刀具磨损量预测模型进行训练和测试，得到训练好的Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型。
实施例3
本实施例提供一种与本实施例1所提供的刀具磨损量预测方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序，处理设备运行计算机程序时执行本实施例1所提供的刀具磨损量预测方法。
在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例4
本实施例提供一种与本实施例1所提供的刀具磨损量预测方法对应的计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的刀具磨损量预测方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (8)

1.一种刀具磨损量预测方法，其特征在于，包括：
获取待测设备的振动信号；
将待测设备的振动信号输入至训练好的Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型，得到待测设备的刀具磨损量预测结果。
2.如权利要求1所述的一种刀具磨损量预测方法，其特征在于，所述Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型的构建过程为：
采集待测设备一种类型的两把刀具全生命周期振动信号，并对历史全生命周期振动信号按时间顺序划分为等长的若干段，标定每段生命周期振动信号对应的刀具磨损量；
对采集的全生命周期振动信号进行预处理；
对预处理后的全生命周期振动信号进行特征提取；
将特征提取后的全生命周期振动信号数据划分为训练集和测试集；
采用训练集和测试集合对构建的刀具磨损量预测模型进行训练和测试，得到训练好的Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型。
3.如权利要求2所述的一种刀具磨损量预测方法，其特征在于，所述对采集的全生命周期振动信号进行预处理，包括：
重建获取的全生命周期振动信号，即去除加工时刀具进入过程和退出过程数据；
对重建后的振动信号数据进行降噪处理，利用二阶高通滤波器和指数滑移平均方法分别去除低频噪声和随机噪声；
对降噪后的振动信号数据利用标准化函数和平滑处理方法进行数据转换。
4.如权利要求2所述的一种刀具磨损量预测方法，其特征在于，所述Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型包括第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络、判别器神经网络、全局平均池化层和全连接层；
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络均用于学习预处理后的全生命周期振动信号的特征信息，并依据预处理后的全生命周期振动信号数据分布生成相同分布的新数据；
所述判别器神经网络用于区分输入数据为生成器生成的或为真实数据；
所述全局平均池化层用于对提取的全局空间特征进行降维处理；
所述全连接层根据降维处理结果，输出刀具磨损量。
5.如权利要求4所述的一种刀具磨损量预测方法，其特征在于，所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络设置有一个多头注意力层、一个前馈神经网络层、两个残差连接层、两个批量归一化层、两个1×1卷积层和一个正则化层，所述判别器网络设置有两个线性层和一个正则化层；
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的多头注意力层能够根据注意力得分自动关注到输入特征中的重要的部分，并将其编码为固定长度的向量表示，以便后续的处理；
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的前馈神经网络层对输入特征采用一定的权重和偏置进行加权和处理，提取对应的局部空间特征；
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的残差连接层用于训练过程中规避冗余层，减小训练误差并防止训练梯度消失和网络退化；
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的批量化归一层用于对提取的特征进行批量标准化；
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络的1×1卷积层用于连接提取的局部空间特征，综合考虑全局空间特征；
所述第一基于Transformer的生成器神经网络、第二基于Transformer的生成器神经网络、第三基于Transformer的生成器神经网络采用正则化层丢弃神经网络训练时的某些连接点，以防止过拟合；
所述判别器网络的线性层用于输出生成器神经网络生成数据和原始输入数据相似度判别结果；
所述判别器网络的正则化层用于丢弃神经网络训练时的某些连接点，以防止过拟合。
6.一种刀具磨损量预测系统，其特征在于，包括：
数据获取模块，用于获取待测设备的振动信号；
刀具磨损量预测模块，用于将待测设备的振动信号输入至训练好的Transformer注意力网络和生成对抗网络相融合的刀具磨损量预测模型，得到待测设备的刀具磨损量预测结果。
7.一种处理设备，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现权利要求1-5中任一项所述的刀具磨损量预测方法对应的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-5中任一项所述的刀具磨损量预测方法对应的步骤。
CN202310702856.2A 2023-06-14 2023-06-14 一种刀具磨损量预测方法及系统 Pending CN116805041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310702856.2A CN116805041A (zh) 2023-06-14 2023-06-14 一种刀具磨损量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310702856.2A CN116805041A (zh) 2023-06-14 2023-06-14 一种刀具磨损量预测方法及系统

Publications (1)

Publication Number Publication Date
CN116805041A true CN116805041A (zh) 2023-09-26

Family

ID=88079305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310702856.2A Pending CN116805041A (zh) 2023-06-14 2023-06-14 一种刀具磨损量预测方法及系统

Country Status (1)

Country Link
CN (1) CN116805041A (zh)

Similar Documents

Publication Publication Date Title
CN113569903B (zh) 数控机床刀具磨损预测方法、系统、设备、介质、终端
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
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
CN110569566B (zh) 一种板带力学性能预测方法
CN112098088B (zh) 一种基于kica-分形理论的滚动轴承故障诊断方法
CN116070527B (zh) 基于退化模型的铣削刀具剩余寿命预测方法
CN114487129B (zh) 基于声发射技术的柔性材料的损伤识别方法
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN110928237A (zh) 一种基于振动信号的数控加工中心颤振在线辨识方法
CN114818815B (zh) 用于叶片振动测量的叶尖定时到达时刻的获取方法及系统
CN115741235A (zh) 基于五轴加工中心刀具的磨损预测与健康管理方法
CN114783538A (zh) 一种煤炭灰分预测方法及装置
CN115169401A (zh) 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法
CN110543869A (zh) 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质
Techane et al. Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction
CN110231165B (zh) 一种基于期望差异约束置信网络的机械设备故障诊断方法
CN116805041A (zh) 一种刀具磨损量预测方法及系统
CN116625654A (zh) 一种振动信号故障诊断方法、装置、设备及存储介质
CN116383623A (zh) 一种基于机器学习卷烟机剔除率特征选取的方法
CN115310497A (zh) 用于数控机床轴承的异常识别方法
CN114264626A (zh) 一种基于时间序列残差网络的织物无损定量分析方法
CN115221045A (zh) 一种基于多任务多视角学习的多目标软件缺陷预测方法
Li et al. Tool fault diagnosis based on improved multiscale network and feature fusion
CN114580982B (zh) 一种工业设备的数据质量的评估方法、装置及设备
CN108763728A (zh) 基于并联型深度神经网络分层特征提取的机械故障诊断方法

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