CN117236381B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117236381B CN117236381B CN202311474118.3A CN202311474118A CN117236381B CN 117236381 B CN117236381 B CN 117236381B CN 202311474118 A CN202311474118 A CN 202311474118A CN 117236381 B CN117236381 B CN 117236381B
- Authority
- CN
- China
- Prior art keywords
- sample
- triplet
- neural network
- training sample
- training
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 230000015654 memory Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 121
- 238000005299 abrasion Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000003754 machining Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000006403 short-term memory Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了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,涉及机械加工状态监测技术领域,将测试样本集数据输入刀具磨损监测模型中,得到刀具磨损状态数据,刀具磨损三元组构建后,将其输入到三元组特征提取模块中,提取对应的正样本、锚样本和负样本的特征,将这些特征输入到三元组损失中学习刀具磨损监测数据的类内相似特征与类间差异性特征,并保存构成三元组神经网络子网络的参数,然后,在子网络最后一层添加softmax分类层,用于构建刀具磨损监测模型,其次,将最初的训练样本集数据输入分类模块中,以微调子网络的参数以及确定最后一层分类层的最优参数,在基于较少训练样本时获得较高的监测准确性以及提高了相应的建模效率。
Description
技术领域
本发明涉及机械加工状态监测技术领域,具体为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。
背景技术
在机械加工领域,工件的切割和重塑是由刀具完成的。这个过程中,由于刀具与工件的接触,会受力较多,并产生大量热量,这些因素会对工件的表面质量和刀具的使用寿命产生影响。随着切削时间的增加,刀具会经历初始磨损阶段和稳定磨损阶段。而如果在故障期间,刀具则处于加速磨损阶段,刀具形状会发生显著变化。严重的刀具磨损可能导致频繁的非计划维护甚至事故,极大地降低生产效率。
为了解决这个问题,研究人员开发了各种刀具磨损监测方法。在专利号为CN112435363B的一种刀具磨损状态实时监测方法中,利用加速度传感器采集原始振动信号,并将其作为输入数据输入一维卷积神经网络(CNN)进行邻域滤波;采用改进的双向长短时记忆网络(BiLSTN)处理连续时间步时序信号产生的高维特征;引入Attention机制计算连续时间步时序信号特征的重要性分布,生成含有注意力概率分布的时序信号特征模型;进行网络模型的训练,得到磨损分类结果;专利号为CN113664612A的一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法中,采集数控机床铣削工件时所产生的多源异构状态数据及对应的铣削刀具全生命周期磨损数据,预处理以上数据并贴标签;构建深度学习网络,实现刀具磨损量结果的精准回归预测。
综上所述,现有基于深度学习的刀具状态监测方法需要大量的刀具磨损样本数据,在实际生产中,获取大量的刀具磨损样本数据是非常困难的。因此,有必要研究一种能够在小样本情况下,也能获得较高准确率的刀具磨损监测方法。基于此,本发明提出了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。
发明内容
本发明的目的在于提供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,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案: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,包括以下步骤:
S1:加工过程中的监测数据采集;
采集工件加工过程中的刀具主轴三个方向的主轴振动数据,并将所述主轴振动数据划分为训练样本集D和测试样本集,确定刀具磨损情况作为训练样本集的训练样本标签集Y;
S2:加工过程中的监测数据采集;
利用所述训练样本集D以及所述训练样本标签集Y,基于三元组长短时记忆神经网络构建三元组训练样本集T,一个所述三元组训练样本包括一个锚样本、一个正样本和一个负样本,所述正样本与所述锚样本类别相同,所述负样本与所述锚样本类别不同;
S3:加工过程中的监测数据采集;
构建基于长短时记忆神经网络为基础模型的三元组网络,所述三元组神经网络特征提取模型的输入为刀具磨损训练三元组,将其输入共享权重的长短时记忆神经网络特征提取模块中提取对应的嵌入特征,最后将提取的嵌入特征输入到三元组损失中学习不同样本特征的类内相似性或类间差异性;
输入所述三元组训练样本集T,基于三元组长短时记忆神经网络构建自动特征提取模型,在构建自动特征提取模型的过程中,三元组长短时记忆神经网络的目标是最小化锚样本和正样本之间的距离,使类别相同的所述锚样本与所述正样本在新特征空间中更接近,同时最大化锚样本和负样本之间的距离,使类别不同的所述锚样本与所述负样本在新特征空间中更远离;
S4:基于GA优化LSTM网络;
用遗传算法GA对长短时记忆神经网络LSTM的关键超参数进行寻优处理,采用遗传算法强大的全局随机搜索能力,得到长短时记忆神经网络中的隐藏层层数、每层隐藏层的神经元单元个数的最优组合,所述隐藏层层数包括网络层数和全连接层数;
S5:刀具磨损监测模型构建;
使用自动特征提取模型将提取到的所述三元组训练样本集T的样本特征输入至softmax层,以构建刀具磨损监测模型;
S6:刀具状态判断,将测试样本集数据输入刀具磨损监测模型中,得到刀具磨损状态数据。
与现有技术相比,本发明所达到的有益效果是:
(1)本发明利用三元组长短时记忆神经网络可以显式的构建不同标签主轴振动数据间的逻辑关系,在现有监测方法构建的采集样本数据和刀具磨损状态数据非线性映射的基础上,基于刀具状态数据的异同关系显示构建了不同监测数据之间的逻辑关系,可以基于较少训练样本,即可获得较高的监测准确性;
(2)本发明利用遗传算法自动确定所述刀具磨损监测模型的最优结构,简化了建模过程,提高了建模效率,解决了现有基于深度学习的刀具状态监测方法需要大量训练样本以及建模较为复杂的问题。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是基于三元组长短时记忆神经网络的刀具磨损监测方法整体架构图;
图2是基于三元组长短时记忆神经网络构建的自动特征提取模型结构图。
具体实施方式
为了使本发明的技术方案和有益效果更加清晰明了,下面结合零件加工过程刀具监测的具体实施方式并参照附图,对本发明作详细说明。本实施例是以本发明的技术方案为前提进行的,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
请参阅图1-2,本发明提供技术方案,以三轴立式加工中心为例,详细说明本发明的实施方式,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,包括以下步骤:
S1:加工过程中的监测数据采集;
采集工件加工过程中的刀具主轴三个方向的主轴振动数据,主轴振动数据包括X轴振动数据、Y轴振动数据、Z轴振动数据,并将主轴振动数据划分为训练样本集D和测试样本集,确定刀具磨损情况作为训练样本集的训练样本标签集Y;
S2:构建三元组训练样本集;
利用训练样本集D以及训练样本标签集Y,基于三元组长短时记忆神经网络构建三元组训练样本集T,设三元组长短时记忆神经网络由三列并行排布的长短时记忆神经网络组成,长短时记忆神经网络是一种特殊的循环神经网络,能够在时间序列数据中捕获长期依赖关系,三元组长短时记忆神经网络的输入为三元组训练样本,一个三元组训练样本包括一个锚样本、一个正样本和一个负样本,正样本与锚样本类别相同,负样本与锚样本类别不同;
S3:基于三元组神经网络的监测数据特征提取;
构建基于长短时记忆神经网络为基础模型的三元组网络,LSTM即长短时记忆神经网络是一种特殊的循环神经网络,能够在时间序列数据中捕获长期依赖关系,三元组神经网络特征提取模型的输入为刀具磨损训练三元组,将其输入共享权重的长短时记忆神经网络特征提取模块中提取对应的嵌入特征,最后将提取的嵌入特征输入到三元组损失中学习不同样本特征的类内相似性或类间差异性;
输入三元组训练样本集T,基于三元组长短时记忆神经网络构建自动特征提取模型,在构建自动特征提取模型的过程中,三元组长短时记忆神经网络的目标是最小化锚样本和正样本之间的距离,使类别相同的锚样本与正样本在新特征空间中更接近,同时最大化锚样本和负样本之间的距离,使类别不同的锚样本与负样本在新特征空间中更远离;
S4:基于GA优化LSTM网络;
用遗传算法GA对长短时记忆神经网络LSTM的关键超参数进行寻优处理,采用遗传算法强大的全局随机搜索能力,得到长短时记忆神经网络中的隐藏层层数、每层隐藏层的神经元单元个数的最优组合,隐藏层层数包括网络层数和全连接层数;
S5:刀具磨损监测模型构建;
使用自动特征提取模型将提取到的三元组训练样本集T的样本特征输入至softmax层,以构建刀具磨损监测模型;
S6:刀具状态判断,将测试样本集数据输入刀具磨损监测模型中,得到刀具磨损状态数据。
具体地,在S1的加工过程中,使用三向加速度传感器采集主轴振动数据,设采集到的主轴振动数据集为,主轴振动数据集中包含多个主轴振动数据,是刀具在加工过程中的动态信息,也是刀具磨损状态的重要指标,其中,/>是在第i个时间点采集到主轴振动数据, i取1~n之间的正整数;
从主轴振动数据集中划分训练样本集D和测试样本集,利用专用测量设备获得刀具磨损情况作为训练样本集D的训练样本标签集Y,本实施例采样频率为1000Hz。
具体地,S2具体包括:
S21:设定训练样本集,与其对应的训练样本标签集 ,训练样本集D与训练样本标签集Y匹配;
三元组训练样本的数量为k,N为训练样本集D中训练样本的数量,k取N的整数倍,三元组训练样本集为,其对应的锚样本标签数据集为/>;
S22:初始化三元组训练样本集与对应的锚样本标签数据集/>,其中/>为锚样本/>的标签,将训练样本集D中的每个样本依次作为训练三元组的锚样本,从剩余样本中选取正样本与负样本进行组合,构成数量均衡的训练三元组;
其中,设训练样本集D中的第i个训练样本为,i取1~N之间的正整数,训练样本对应三元组训练样本集的锚样本/>;
根据训练样本对应的训练样本标签/>,将训练样本集D中除训练样本/>外的所有N-1个训练样本划分为同类样本集与异类样本集,同类样本集是指与锚样本/>类别相同的训练样本构成的样本集,异类样本集是指与锚样本/>类别不同的训练样本构成的样本集;
分别从同类样本集和异类样本集中选取训练样本作为正样本与负样本,设正样本为,负样本为/>,随机生成/>个训练样本/>为锚样本/>的三元组训练样本输入到三元组训练样本集T中,同时将训练样本标签/>输入到锚样本标签数据集/>中,此时三元组训练样本/>构建完毕,继续以下一个训练样本作为锚样本构建三元组训练样本;
S23:重复三元组训练样本构建步骤,至k个组训练样本全部输入至三元组训练样本集T为止。
S3中的具体步骤为:
S31:设长短时记忆神经网络分为输入层、隐藏层和输出层,输入层节点数为d,隐藏层节点数为n,输出层节点数为c;
输入层的输入值为,其中/>表示在第i个时间点的输入值,i取1~d之间的正整数;
输出层的输出值为,其中/>表示在第i个时间点的输出值,i取1~c之间的正整数;
隐藏层的隐藏状态为,其中/>表示在第/>个时间点的隐藏状态,i取1~n之间的正整数;
长短时记忆神经网络的参数包括但不限于输入门参数、输入门偏置项/>、遗忘门参数/>、遗忘门偏置项/>、输出门参数/>、输出门偏置项/>、单元状态参数/>、单元状态偏置项/>,以及超参数学习率、小批量、梯度阈值、丢失层比例;
本实施例超参数学习率设为0.0001,小批量设为5,梯度阈值设为2,丢失层比例为0.5;
S32:在三元组长短时记忆神经网络中输入步骤S2构成的三元组训练样本提取三元组训练样本对应的样本特征;
S33:将从S32提取的样本特征输入到三元组训练样本的损失函数中,通过学习不同的样本特征之间的类内相似性与类间差异性确定此刻最优的网络参数,并保存构成三元组神经网络的一列长短时记忆神经网络的参数,设损失函数为,公式为:
;
其中,,/>,/>分别表示锚样本/>、正样本/>与负样本/>的样本特征,为锚样本/>与正样本/>的欧式距离,/>为锚样本/>与负样本的欧式距离,margin为阈值常量。
S4的具体步骤为:
S41:染色体编码:将长短时记忆神经网络中的网络层数、全连接层数、每个隐藏层节点个数作为遗传算法的初始化对象,本实施例通过实数编码形式进行染色体编码,隐藏层神经元单元数目的区间范围是[32,257],网络层层数的区间范围是[1,6];
S42:从刀具磨损状态监测结果构建适应度函数:具体为,选择刀具磨损状态监测标签与刀具磨损状态真实标签y的交叉熵作为遗传算法优化的适应度函数,适应度函数公式为:
,
其中,y是刀具磨损状态真实标签,是刀具磨损状态监测标签,在利用遗传算法优化长短时记忆神经网络时,当测试样本集损失值达到最大值时认为长短时记忆神经网络得到了刀具磨损状态最优监测,也即此时对刀具磨损状态信号进行了最优提取;
S43:选择算子,交叉算子和变异算子:
选择算子是在当前种群中选择适应性较好的个体作为亲本,并将遗传信息传递给子代,本实施例采用锦标赛选择算法作为遗传算法的选择策略,具有高效的算法执行率和易于实现的特点,在选择过程中不易陷入局部个体最优点,并且不需要对所有个体的适应度值排序;
交叉算子使用洗牌交叉算法,在交叉之前在父代中利用随机排序函数进行洗牌运算,然后当在(0,1)之间产生的随机数小于所给的交叉率,则进行交叉变换;
变异算子是当在(0,1)之间产生的随机数小于所给的变异率,则进行变异操作;
本实施例中遗传算法种群数量为10,每条染色体最大长度为8,迭代次数为15,交叉率为0.5,变异率为0.01;
S44:通过S41-S43获得所述长短时记忆神经网络的最优结构为75-130-202-60,作为三元组长短时记忆神经网络的基础模型。
S5的具体步骤如下:
S51:刀具磨损三元组构建后,将其输入到三元组特征提取模块中,提取对应的正样本、锚样本和负样本的特征,将这些特征输入到三元组损失中学习刀具磨损监测数据的类内相似特征与类间差异性特征,并保存构成三元组神经网络子网络的参数,然后,在子网络最后一层添加softmax分类层,用于构建刀具磨损监测模型,其次,将最初的训练样本集数据输入分类模块中,以微调子网络的参数以及确定最后一层分类层的最优参数,本实施例神经元单元数为2;
S52:softmax函数是一种非线性转换函数,能够将一个含任意实数的K维向量z转换为另一个K维实向量,其中每一个元素的范围都在(0,1)之间,并且所有元素的和为1,这样就能够将输出转化为概率分布,用于多分类任务;
设softmax函数的输入为,输出为/>,softmax函数的计算公式为
;
其中z是一个向量,j是向量中的一个元素,K输出节点数;将训练样本集D输入至所述刀具磨损监测模型中,以微调三元组子网络的参数以及确定最后一层softmax分类层的最优参数。
本实施例中不同训练样本集比例下LSTM准确率与TLSTMs准确率对比结果如表1所示。
表1
在本发明的描述中,需要理解的是,术语“ 上”、“ 下”、“ 前”、“ 后”、“ 左”、“右”、等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于三元组长短时记忆神经网络的刀具磨损监测方法,其特征在于:包括以下步骤:
S1:加工过程中的监测数据采集;
采集工件加工过程中的刀具主轴三个方向的主轴振动数据,并将所述主轴振动数据划分为训练样本集D和测试样本集,确定刀具磨损情况作为训练样本集的训练样本标签集Y;
S2:构建三元组训练样本集;
利用所述训练样本集D以及所述训练样本标签集Y,基于三元组长短时记忆神经网络构建三元组训练样本集T,一个所述三元组训练样本包括一个锚样本、一个正样本和一个负样本,所述正样本与所述锚样本类别相同,所述负样本与所述锚样本类别不同;
S3:基于三元组神经网络的监测数据特征提取;
构建基于长短时记忆神经网络为基础模型的三元组网络,所述三元组神经网络特征提取模型的输入为刀具磨损训练三元组,将其输入共享权重的长短时记忆神经网络特征提取模块中提取对应的嵌入特征,最后将提取的嵌入特征输入到三元组损失中学习不同样本特征的类内相似性或类间差异性;
输入所述三元组训练样本集T,基于三元组长短时记忆神经网络构建自动特征提取模型,在构建自动特征提取模型的过程中,三元组长短时记忆神经网络的目标是最小化锚样本和正样本之间的距离,使类别相同的所述锚样本与所述正样本在新特征空间中更接近,同时最大化锚样本和负样本之间的距离,使类别不同的所述锚样本与所述负样本在新特征空间中更远离;
S4:基于GA优化LSTM网络;
用遗传算法GA对长短时记忆神经网络LSTM的关键超参数进行寻优处理,采用遗传算法强大的全局随机搜索能力,得到长短时记忆神经网络中的隐藏层层数、每层隐藏层的神经元单元个数的最优组合,所述隐藏层层数包括网络层数和全连接层数;
S5:刀具磨损监测模型构建;
使用自动特征提取模型将提取到的所述三元组训练样本集T的样本特征输入至softmax层,以构建刀具磨损监测模型;
S6:刀具状态判断,将测试样本集数据输入刀具磨损监测模型中,得到刀具磨损状态数据。
2.根据权利要求1所述的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,其特征在于:所述S1的加工过程中,设采集到的所述主轴振动数据集为,/>是在第i个时间点采集到主轴振动数据, i取1~n之间的正整数。
3.根据权利要求2所述的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,其特征在于:从所述主轴振动数据集中划分训练样本集D和测试样本集,利用专用测量设备获得刀具磨损情况作为训练样本集D的训练样本标签集Y。
4.根据权利要求3所述的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,其特征在于:所述S2具体包括:
S21:设定所述训练样本集,与其对应的所述训练样本标签集,训练样本集D与训练样本标签集Y匹配;
所述三元组训练样本的数量为k,N为训练样本集D中训练样本的数量,k取N的整数倍,所述三元组训练样本集为
,其对应的锚样本标签数据集为;
S22:初始化三元组训练样本集与对应的锚样本标签数据集/>,其中/>为锚样本/>的标签,将所述训练样本集D中的每个样本依次作为训练三元组的锚样本,从剩余样本中选取所述正样本与所述负样本进行组合,构成数量均衡的训练三元组;
其中,设所述训练样本集D中的第i个训练样本为,i取1~N之间的正整数,所述训练样本/>对应所述三元组训练样本集的锚样本/>;
根据所述训练样本对应的训练样本标签/>,将训练样本集D中除训练样本/>外的所有N-1个训练样本划分为同类样本集与异类样本集,分别从所述同类样本集和所述异类样本集中选取训练样本作为正样本与负样本,设所述正样本为/>,所述负样本为/>,随机生成/>个训练样本/>,将锚样本/>的三元组训练样本/>输入到三元组训练样本集T中,同时将训练样本标签/>输入到锚样本标签数据集/>中,此时所述三元组训练样本/>构建完毕,继续以下一个训练样本作为锚样本构建三元组训练样本;
S23:重复所述三元组训练样本构建步骤,至k个组训练样本全部输入至三元组训练样本集T为止。
5.根据权利要求4所述的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,其特征在于:所述S3中的具体步骤为:
S31:设长短时记忆神经网络分为输入层、隐藏层和输出层,所述输入层节点数为d,所述隐藏层节点数为n,所述输出层节点数为c;
S32:在所述三元组长短时记忆神经网络中输入步骤S2构成的三元组训练样本提取三元组训练样本对应的样本特征;
S33:将从S32提取的样本特征输入到三元组训练样本的损失函数中,通过学习不同的样本特征之间的类内相似性与类间差异性确定此刻最优的网络参数,并保存构成三元组神经网络的一列长短时记忆神经网络的参数。
6.根据权利要求5所述的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,其特征在于:所述损失函数的公式为:
;
,/>,/>分别表示锚样本/>、正样本/>与负样本/>的样本特征,/>为锚样本/>与正样本/>的欧式距离,/>为锚样本/>与负样本/>的欧式距离,margin为阈值常量。
7.根据权利要求6所述的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,其特征在于:所述S4的具体步骤为:
S41:染色体编码:将长短时记忆神经网络中的网络层数、全连接层数、每个隐藏层节点个数作为遗传算法的初始化对象;
S42:从刀具磨损状态监测结果构建适应度函数;
S43:选择算子,交叉算子和变异算子;
S44:通过S41-S43获得所述长短时记忆神经网络的最优结构作为三元组长短时记忆神经网络的基础模型。
8.根据权利要求7所述的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,其特征在于:所述S42中的适应度函数公式为:
,
其中,y是刀具磨损状态真实标签,是刀具磨损状态监测标签,在利用遗传算法优化长短时记忆神经网络时,当测试样本集损失值达到最大值时认为长短时记忆神经网络得到了刀具磨损状态最优监测,也即此时对刀具磨损状态信号进行了最优提取。
9.根据权利要求8所述的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,其特征在于:所述S5的具体步骤如下:
S51:添加softmax分类层,用于构建刀具磨损监测模型,将最初的训练样本集数据输入分类模块中,以微调子网络的参数以及确定最后一层分类层的最优参数;
S52:softmax函数是一种非线性转换函数,能够将一个含任意实数的K维向量z转换为另一个K维实向量,其中每一个元素的范围都在(0,1)之间,并且所有元素的和为1,这样就能够将输出转化为概率分布,用于多分类任务。
10.根据权利要求9所述的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,其特征在于:所述softmax函数的输入为,输出为,所述softmax函数的计算公式为:
;
其中z是一个向量,j是向量中的一个元素,K输出节点数;将训练样本集D输入至所述刀具磨损监测模型中,以微调三元组子网络的参数以及确定最后一层softmax分类层的最优参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474118.3A CN117236381B (zh) | 2023-11-08 | 2023-11-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474118.3A CN117236381B (zh) | 2023-11-08 | 2023-11-08 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236381A CN117236381A (zh) | 2023-12-15 |
CN117236381B true CN117236381B (zh) | 2024-02-02 |
Family
ID=89086323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311474118.3A Active CN117236381B (zh) | 2023-11-08 | 2023-11-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236381B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242202A (zh) * | 2020-01-07 | 2020-06-05 | 燕山大学 | 基于度量学习的车削加工刀具磨损状态监测方法 |
CN111366123A (zh) * | 2020-03-06 | 2020-07-03 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
CN111687689A (zh) * | 2020-06-23 | 2020-09-22 | 重庆大学 | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 |
WO2021046737A1 (zh) * | 2019-09-11 | 2021-03-18 | 大连理工大学 | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 |
CN112734031A (zh) * | 2020-12-31 | 2021-04-30 | 珠海格力电器股份有限公司 | 神经网络模型训练方法、识别方法、存储介质以及设备 |
CN113469253A (zh) * | 2021-07-02 | 2021-10-01 | 河海大学 | 一种基于三元组孪生网络的窃电检测方法 |
CN114295377A (zh) * | 2021-12-13 | 2022-04-08 | 南京工业大学 | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 |
CN115293400A (zh) * | 2022-06-23 | 2022-11-04 | 国网浙江省电力有限公司营销服务中心 | 一种电力系统负荷预测方法及系统 |
CN115481726A (zh) * | 2022-08-25 | 2022-12-16 | 广东工业大学 | 一种工业机器人整机健康评估方法及系统 |
CN116778275A (zh) * | 2023-07-06 | 2023-09-19 | 太原科技大学 | 基于卷积长短时记忆神经网络的车削刀具寿命预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107221320A (zh) * | 2017-05-19 | 2017-09-29 | 百度在线网络技术(北京)有限公司 | 训练声学特征提取模型的方法、装置、设备和计算机存储介质 |
WO2020061489A1 (en) * | 2018-09-20 | 2020-03-26 | Nvidia Corporation | Training neural networks for vehicle re-identification |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
-
2023
- 2023-11-08 CN CN202311474118.3A patent/CN117236381B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021046737A1 (zh) * | 2019-09-11 | 2021-03-18 | 大连理工大学 | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 |
CN111242202A (zh) * | 2020-01-07 | 2020-06-05 | 燕山大学 | 基于度量学习的车削加工刀具磨损状态监测方法 |
CN111366123A (zh) * | 2020-03-06 | 2020-07-03 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
CN111687689A (zh) * | 2020-06-23 | 2020-09-22 | 重庆大学 | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 |
CN112734031A (zh) * | 2020-12-31 | 2021-04-30 | 珠海格力电器股份有限公司 | 神经网络模型训练方法、识别方法、存储介质以及设备 |
CN113469253A (zh) * | 2021-07-02 | 2021-10-01 | 河海大学 | 一种基于三元组孪生网络的窃电检测方法 |
CN114295377A (zh) * | 2021-12-13 | 2022-04-08 | 南京工业大学 | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 |
CN115293400A (zh) * | 2022-06-23 | 2022-11-04 | 国网浙江省电力有限公司营销服务中心 | 一种电力系统负荷预测方法及系统 |
CN115481726A (zh) * | 2022-08-25 | 2022-12-16 | 广东工业大学 | 一种工业机器人整机健康评估方法及系统 |
CN116778275A (zh) * | 2023-07-06 | 2023-09-19 | 太原科技大学 | 基于卷积长短时记忆神经网络的车削刀具寿命预测方法 |
Non-Patent Citations (5)
Title |
---|
Cutting Tool wear Estimation Using a Genetic Algorithm Based Long Short-Term Memory Neural Network;Wennian Yu等;《ASME 2018 International Design Enigineering Technical Conferences and Computers and Information in Engineering Conferences》;第8卷;1-6 * |
Short-Range Radar-Based Gesture Recognition System Using 3D CNN With Triplet Loss;Souvik Hazra等;《IEEE Access》;第7卷;125623-125633 * |
一种基于遗传算法优化的长短时记忆网络胎儿心电信号提取方法;钱龙等;《生物医学工程学杂志》;第38卷(第2期);257-267 * |
基于时间卷积长短时记忆网络的多域特征融合刀具磨损预测;李先旺等;《机床与液压》;第51卷(第20期);210-218 * |
基于长短时记忆网络的深孔镗削刀具状态监测;厉大维等;《现代制造工程》(第8期);92-96 * |
Also Published As
Publication number | Publication date |
---|---|
CN117236381A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN110718910A (zh) | 贝叶斯优化LightGBM的暂态稳定评估方法 | |
CN111738420B (zh) | 一种基于多尺度抽样的机电设备状态数据补全与预测方法 | |
CN115469227B (zh) | 一种集合变分自编码器与动态规整的锂电池异常检测方法 | |
CN112651431B (zh) | 一种退役动力电池的聚类分选方法 | |
CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
CN111598165A (zh) | 一种基于极限学习机的密度聚类离群点检测方法 | |
CN112632840A (zh) | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN112836720A (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN117236381B (zh) | 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 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN116245259B (zh) | 基于深度特征选择的光伏发电预测方法、装置和电子设备 | |
CN110045691A (zh) | 一种多源异构大数据的多任务处理故障监测方法 | |
CN116306832A (zh) | 一种用于多维序列数据的多模生成对抗神经网络建模方法及装置 | |
AU2021105453A4 (en) | Method for forecasting line loss rate in low-voltage station area based on extreme gradient lifting decision tree | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN115329663A (zh) | 处理电力负荷监测稀疏数据的关键特征选择方法和装置 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |