CN117390398A - 基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统 - Google Patents

基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统 Download PDF

Info

Publication number
CN117390398A
CN117390398A CN202311475085.4A CN202311475085A CN117390398A CN 117390398 A CN117390398 A CN 117390398A CN 202311475085 A CN202311475085 A CN 202311475085A CN 117390398 A CN117390398 A CN 117390398A
Authority
CN
China
Prior art keywords
data
fatigue
tool
cutter
features
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
CN202311475085.4A
Other languages
English (en)
Inventor
谢鹏
张致杰
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.)
Shanghai Zhusuan Technology Co ltd
Original Assignee
Shanghai Zhusuan Technology Co ltd
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 Shanghai Zhusuan Technology Co ltd filed Critical Shanghai Zhusuan Technology Co ltd
Priority to CN202311475085.4A priority Critical patent/CN117390398A/zh
Publication of CN117390398A publication Critical patent/CN117390398A/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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/08—Learning methods
    • 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 & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (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)
  • Numerical Control (AREA)

Abstract

本发明适用于刀具寿命预测技术领域，尤其涉及基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统，所述方法包括：进行数据采集，得到采样数据；进行工况筛选，得到已筛选数据；进行滤波处理，得到预处理数据；进行特征提取，得到数据特征；进行刀具磨损特征提取，得到特征向量；构建自编码器，通过自编码器计算重构误差，以重构误差作为循环疲劳载荷；计算刀具的疲劳值，通过训练和优化参数，确定阿伦尼乌斯经验公式的参数和阈值，对刀具的剩余寿命进行预测。本发明基于材料的疲劳失效理论，通过深度学习提取到与刀具失效相关的特征，使用自编码器的重构误差表示进行金属切削刀具的循环疲劳载荷，以此构建了基于疲劳的寿命预测模型。

Description

基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统
技术领域
本发明属于刀具寿命预测技术领域，尤其涉及基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统。
背景技术
通过振动监测对刀具磨损及其寿命进行预测的主要困难在于，对于刀具的振动来说，振动并不是其磨损程度的直接关联表现，它受到了很多因素的影响。已有许多对刀具振动信号与刀具磨损及刀具寿命的相关研究。现有技术研究了在铣削过程中使用振动信号通过尺度图及其平均频率可以表明刀具磨损的演变趋势；现有技术还提出了振动信号的能谱分析方法，建立了刀具磨损的估计方法；现有技术采用振动传感器实现多类别刀具磨损分类，并提出基于最近邻的规则进行基于训练样本的v因子快速选择，并利用局部保持投影(LPP)方法降低维数，通过提取低维流形特征的特征向量；现有技术提出了一种基于隐马尔可夫模型(HMM)的刀具磨损诊断新方法，以振动信号的均方根(RMS)作为健康指标，以加权方式构建多个HMM进行预测，并通过HMM将刀具磨损划分为离散的磨损区域，以更好地观察刀具磨损的演变。
在基于单一振动传感器监测数据的技术方案中，多数是基于实验室或者特定场景下的数据，在真实场景下其应用受限，比如在本技术方案涉及的项目中，对一个加工工件会经过同一个机床的多个加工刀位的刀具进行切削，每把刀的用途、型号、设计寿命和磨损状态各不相同，对于这种场景以上研究中并没有考虑到，所以无法直接应用。
发明内容
本发明的目的在于提供基于深度学习和疲劳理论的刀具剩余寿命预测方法，旨在解决基于单一振动传感器监测数据的技术方案中，多数是基于实验室或者特定场景下的数据，在真实场景下其应用受限的问题。
本发明是这样实现的，一种基于深度学习和疲劳理论的刀具剩余寿命预测方法，所述方法包括：
对机床主轴和机床控制器进行数据采集，得到采样数据；
对采样数据进行工况筛选，得到已筛选数据；
对已筛选数据进行滤波处理，得到预处理数据；
对预处理数据进行特征提取，得到数据特征；
采用深度神经网络模型进行刀具磨损特征提取，得到特征向量；
构建自编码器，通过自编码器计算重构误差，以重构误差作为循环疲劳载荷；
通过阿伦尼乌斯经验公式计算刀具的疲劳值，通过训练和优化参数，确定阿伦尼乌斯经验公式的参数和阈值，对刀具的剩余寿命进行预测。
优选的，所述对机床主轴和机床控制器进行数据采集，得到采样数据的步骤中，采样数据包括刀号、主轴负载、运行程序、各轴机械坐标、主轴实际转速、伺服轴进给率、实际进给率、加工件数、机床编号和操作模式。
优选的，所述对采样数据进行工况筛选，得到已筛选数据的步骤包括：通过设置阈值，利用阈值对采样数据进行筛选，以得到已筛选数据。
优选的，所述对已筛选数据进行滤波处理，得到预处理数据的步骤，具体包括：通过Hampel滤波器对已筛选数据进行时域降噪，通过Wiener滤波器对经过快速傅里叶变换之后的已筛选数据进行滤波，再使用快速傅里叶逆变换还原为时域波形数据。
优选的，所述对预处理数据进行特征提取，得到数据特征的步骤，具体包括：对预处理数据进行时域特征和频域特征提取，时域特征包括标准差、RMS、偏度、峭度、脉冲因子、峰度因子、波峰因子和偏斜因子；频域特征的提取步骤为计算振动数据的功率谱密度，并将频段分为低频段、中频段和高频段，通过每个刀位的转频和通过频率，计算这些刀刃通过频率的倍频所在频段以及谐波频率段的能量以及占比作为特征，计算梅尔倒谱系数。
优选的，所述采用深度神经网络模型进行刀具磨损特征提取，得到特征向量的步骤，包括：构建基于CNN和LSTM的混合神经网络，其中，CNN采用1D CNN，包括卷积层、池化层和全连接层，卷积层由可训练的过滤器组成，过滤器会在输入数据的元素上滑动，在下一个池化层中生成一帧特征；经过CNN网络处理的数据构成的特征向量，在下层使用注意力LSTM网络学习时间序列上的特征表示，每一个注意力LSTM结构包括一个激活函数为softmax的全链接层和LSTM层构成，经过两层注意力LSTM层处理后，输入给全连接层和线性层，使用刀具的剩余使用寿命作为预测目标。
优选的，所述深度神经网络模型使用到的损失函数为：
其中，yi为刀具样本实际的剩余使用寿命，模型训练中每次迭代输出的预测剩余使用寿命，ε为随机噪声，其值为0～0.1之间的随机数值，α<0，用于控制加权权重。
优选的，所述阿伦尼乌斯经验公式为：
其中，λi表示某次加工过程的循环载荷；α表示根据材料的不同的加权系数；通过在训练数据集上进行训练并调整优化参数，确定加权系数的数值，并以初次超过预设累积疲劳值为阈值作为下刀判定标准。
本发明的另一目的在于提供一种基于深度学习和疲劳理论的刀具剩余寿命预测系统，所述系统包括：
数据采集模块，用于对机床主轴和机床控制器进行数据采集，得到采样数据；
工况筛选模块，用于对采样数据进行工况筛选，得到已筛选数据；
数据预处理模块，用于对已筛选数据进行滤波处理，得到预处理数据；
特征工程模块，用于对预处理数据进行特征提取，得到数据特征；
刀具磨损特征提取器模块，用于采用深度神经网络模型进行刀具磨损特征提取，得到特征向量；
循环载荷表示模块，用于构建自编码器，通过自编码器计算重构误差，以重构误差作为循环疲劳载荷；
累积疲劳值计算模块，用于通过阿伦尼乌斯经验公式计算刀具的疲劳值，通过训练和优化参数，确定阿伦尼乌斯经验公式的参数和阈值，对刀具的剩余寿命进行预测。
本发明提供的基于深度学习和疲劳理论的刀具剩余寿命预测方法，基于材料的疲劳失效理论，通过深度学习提取到与刀具失效相关的特征，并使用自编码器的重构误差表示进行金属切削刀具的循环疲劳载荷，并以此构建了基于疲劳的寿命预测模型。该算法可以预测刀具的磨损状态和刀具的剩余使用寿命。
附图说明
图1为本发明实施例提供的基于深度学习和疲劳理论的刀具剩余寿命预测方法的流程图；
图2为本发明实施例提供的使用Hampel滤波器对振动时域数据进行处理后的效果图；
图3为本发明实施例提供的深度神经网络结构的示意图；
图4为本发明实施例提供的累积疲劳值和实际寿命的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
如图1所示，为本发明实施例提供的基于深度学习和疲劳理论的刀具剩余寿命预测方法的流程图，所述方法包括：
对机床主轴和机床控制器进行数据采集，得到采样数据。
在本步骤中，在数控机床主轴上安装振动加速度传感器，以高于10KHz的采样率进行数据采集。另外采集机床的控制器数据，包括刀号、主轴负载、运行程序、各轴机械坐标、主轴实际转速、伺服轴进给率、实际进给率、加工件数、机床编号、操作模式等数据，其采样率不低于1s。为了后续训练使用，需要采样相同的下刀标准(如磨损度一致)，记录每个刀位的刀具使用寿命；通过不同的数据采集装置，从机床控制器和安装在主轴上的振动加速度传感器采集数据；其中机床控制器采样率为1Hz，振动加速度数据采样率为25.6kHz，数据采集过程是连续的。
对采样数据进行工况筛选，得到已筛选数据。
在本步骤中，筛选刀具铣削的平稳工况数据。通过刀具各轴坐标和数据的统计特征对数据进行筛选，将符合条件的数据保留；为了筛选稳定的切削工况下的数据，本例中结合控制器的刀位、各轴坐标等数据，结合稳定工况的统计特征设定阈值，将目标工况从原始数据中切分出来。
对已筛选数据进行滤波处理，得到预处理数据。
在本步骤中，如图2所示，传感器信号包含影响刀具磨损识别准确性的随机尖峰或异常信号，需要对振动信号在时域和频域进行处理，以降低噪音，提高信噪比。在本方案中，分别使用Hampel滤波器和Wiener滤波器对筛选后的振动加速度数据分别在时域和频域进行滤波降噪处理；为对数据进行滤波降噪，分别使用Hampel滤波器对刀具振动数据进行时域降噪，使用Wiener滤波器对振动原始数据经过快速傅里叶变换之后的数据进行滤波，再使用快速傅里叶逆变换还原为时域波形数据。
对预处理数据进行特征提取，得到数据特征。
在本步骤中，对数据进行进一步处理，以提取与刀具磨损特征的相关特征。对于振动数据，主要通过计算其时域、频域以及时间序列维度上的特征；直接根据传感器信号预测刀具磨损既费时又容易出错。因此，特征工程被认为是降低预测过程复杂性的实用方法。本实施例通过提取振动信号的时域和频域特征，构成特征向量输入到后续处理流程中。涉及到的特征包括如下。需要说明的是，以下所提取的特征并不是唯一的实现方式；其他技术提取得到的特征和特征向量，同样可以应用到本技术中。
时域特征：本实施例中，提取的时域特征包括标准差(Standard deviation)、RMS、偏度(Skewness)、峭度(Kurtosis)、脉冲因子(Impulse factor)、峰度因子(Kurtosisfactor)、波峰因子(Crest factor)、偏斜因子(Skewness factor)。
频域特征：
为了不遗漏与刀具磨损情况相关的关键特征，计算振动数据的功率谱密度，并将传感器信号的频段分为低频段(0-200Hz)、中频段(200-2000Hz)和高频段(2000-12500Hz)。通过对每个刀位的数据，从这些功率谱频率段筛选能量占比最高前10个的频谱段，计算其频率能量及其占比作为特征。
通过每个刀位的转频和通过频率，计算这些刀刃通过频率的倍频所在频段以及谐波频率段的能量以及占比作为特征。例如对于T2刀位，该刀具刃数为4，转频为133.33Hz，通过频率为533.33Hz，计算该振动数据中，对应频率下的能量和能量占。
计算梅尔倒谱系数(MFCC)。
采用深度神经网络模型进行刀具磨损特征提取，得到特征向量。
在本步骤中，作为刀具磨损特征提取器的基于CNN-LSTM的深度神经网络模型，在本发明中，搭建了一个基于CNN和LSTM的混合神经网络，用以提取局部和时间序列维度上的特征；在训练过程中，该模型使用具有全生命周期数据的刀具寿命数据进行训练；使用模型训练后，使用全连接层输出作为特征提取器输出的特征向量，以用于后续处理；其中，CNN采用1D CNN，包括卷积层、池化层和全连接层。卷积层由可训练的过滤器组成，过滤器会在输入数据的元素上滑动，在下一个池化层中生成一帧特征。卷积层的深度是内核数，它是根据输入数据定义的。同时，引入了ResNet结构，通过shortcut连接，尝试重新挖掘被忽略的特征。经过CNN网络处理的数据构成的特征向量，在下层使用注意力LSTM(Attention-basedLSTM)网络学习时间序列上的特征表示，每一个注意力LSTM结构包括一个激活函数为softmax的全链接层和LSTM层构成。经过两层注意力LSTM层处理后，输入给全连接层和线性层，使用刀具的剩余使用寿命作为预测目标。
同时，为了使得模型的预测结果尽可能的避免漏报，同时减少误杀，本实施例中使用的损失函数定义如下。
其中，yi为刀具样本实际的剩余使用寿命，模型训练中每次迭代输出的预测剩余使用寿命，ε为随机噪声，其值为0～0.1之间的随机数值，α<0，用来控制加权权重。
本实施例中用到的该深度神经网络结构如图3所示。
构建自编码器，通过自编码器计算重构误差，以重构误差作为循环疲劳载荷。
在本步骤中，刀具磨损失效是一种金属疲劳过程。在本方案中我们引入线性损伤累积理论来试图通过一种数据模型的度量的方式，来描述刀具在加工过程中受到的循环载荷。线性损伤累积理论也称为Miner准则，是工程和可靠性分析中用于预测承受重复载荷的部件的疲劳寿命的原理。该理论基于疲劳损伤因循环载荷而随时间累积的概念。它假设部件的疲劳寿命可以通过将每个单独的负载循环造成的损坏相加来估算。线性损伤累积理论通常适用于一个部件承受不同大小和持续时间的多个负载循环的情况。本方案采用基于自编码器重构误差作为循环载荷的表示方法。在训练过程中，采用降噪自编码器(Denoisingautoencoder，DAE)对通过上述刀具磨损特征提取器对训练数据重新表达的特征矩阵上进行训练。训练后的降噪自编码器计算得到的重构误差为用以作为表示刀具在加工过程中的循环疲劳载荷。
通过阿伦尼乌斯经验公式计算刀具的疲劳值，通过训练和优化参数，确定阿伦尼乌斯经验公式的参数和阈值，对刀具的剩余寿命进行预测。
在本步骤中，采用基于疲劳理论的线性累加模型来计算累积疲劳值。当得到一次加工过程的循环疲劳载荷后，采用阿伦尼乌斯经验公式对每个加工周期的循环疲劳载荷进行累加表示为累积疲劳值。通过在训练数据集上进行训练并调整优化参数，可以得到阿伦尼乌斯经验公式的参数和阈值。不同类型的刀具其累计疲劳值阈值不同；当得到一次加工过程的循环疲劳载荷后，通过采用合适的损伤计数方法将循环疲劳载荷计算为刀具的累积疲劳值。本实施例通过应用阿伦尼乌斯经验公式进行计算。阿伦尼乌斯经验公式是描述材料疲劳寿命与应力变化幅度之间关系的公式，其计算公式如下。
其中，λi表示某次加工过程的循环载荷；α表示根据材料的不同的加权系数，需通过数据实验获得。最终，通过在训练数据集上进行训练并调整优化参数，算法采用加权系数为3进行疲劳累积计算，并以初次超过250000累积疲劳值为阈值作为下刀判定标准。其应用在实际刀具数据中，计算得到的累积疲劳值和实际寿命的图4所示，图4中，红色区域表示最后加工50片，绿色曲线表示经过校准后的振动RMS，黄色曲线表示累积疲劳值。
本发明提出了一种融合基于CNN-LSTM神经网络的刀具磨损特征提取器，用以从训练数据中提取与刀具磨损特征相关的特征；基于降噪自编码器的刀具循环载荷表示及基于疲劳线性累加模型进行寿命预测的方法，创新性的借鉴了材料学的疲劳模型，并使用两个表示学习模块对数据进行两次次处理，从而通过自编码器获得了与刀具磨损更相关的特征，并将自编码器的重构误差作为疲劳模型的循环载荷的等效表示，通过疲劳模型进行累加得到了刀具寿命终点表示的累积疲劳值。
本发明的有益效果体现在：1，通过将疲劳的线性累积理论应用到剩余使用寿命预测之中，提出了一种具备预测准确，能够应用到复杂工况下的设备剩余使用寿命预测方法；2，利用深度学习对数据的表示学习能力，在特征提取上不依赖复杂的特征工程技术。
本发明还提供了一种基于深度学习和疲劳理论的刀具剩余寿命预测系统，所述系统包括：
数据采集模块，用于对机床主轴和机床控制器进行数据采集，得到采样数据；
工况筛选模块，用于对采样数据进行工况筛选，得到已筛选数据；
数据预处理模块，用于对已筛选数据进行滤波处理，得到预处理数据；
特征工程模块，用于对预处理数据进行特征提取，得到数据特征；
刀具磨损特征提取器模块，用于采用深度神经网络模型进行刀具磨损特征提取，得到特征向量；
循环载荷表示模块，用于构建自编码器，通过自编码器计算重构误差，以重构误差作为循环疲劳载荷；
累积疲劳值计算模块，用于通过阿伦尼乌斯经验公式计算刀具的疲劳值，通过训练和优化参数，确定阿伦尼乌斯经验公式的参数和阈值，对刀具的剩余寿命进行预测。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述方法包括：
对机床主轴和机床控制器进行数据采集，得到采样数据；
对采样数据进行工况筛选，得到已筛选数据；
对已筛选数据进行滤波处理，得到预处理数据；
对预处理数据进行特征提取，得到数据特征；
采用深度神经网络模型进行刀具磨损特征提取，得到特征向量；
构建自编码器，通过自编码器计算重构误差，以重构误差作为循环疲劳载荷；
通过阿伦尼乌斯经验公式计算刀具的疲劳值，通过训练和优化参数，确定阿伦尼乌斯经验公式的参数和阈值，对刀具的剩余寿命进行预测。
2.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对机床主轴和机床控制器进行数据采集，得到采样数据的步骤中，采样数据包括刀号、主轴负载、运行程序、各轴机械坐标、主轴实际转速、伺服轴进给率、实际进给率、加工件数、机床编号和操作模式。
3.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对采样数据进行工况筛选，得到已筛选数据的步骤包括：通过设置阈值，利用阈值对采样数据进行筛选，以得到已筛选数据。
4.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对已筛选数据进行滤波处理，得到预处理数据的步骤，具体包括：通过Hampel滤波器对已筛选数据进行时域降噪，通过Wiener滤波器对经过快速傅里叶变换之后的已筛选数据进行滤波，再使用快速傅里叶逆变换还原为时域波形数据。
5.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对预处理数据进行特征提取，得到数据特征的步骤，具体包括：对预处理数据进行时域特征和频域特征提取，时域特征包括标准差、RMS、偏度、峭度、脉冲因子、峰度因子、波峰因子和偏斜因子；频域特征的提取步骤为计算振动数据的功率谱密度，并将频段分为低频段、中频段和高频段，通过每个刀位的转频和通过频率，计算这些刀刃通过频率的倍频所在频段以及谐波频率段的能量以及占比作为特征，计算梅尔倒谱系数。
6.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述采用深度神经网络模型进行刀具磨损特征提取，得到特征向量的步骤，包括：构建基于CNN和LSTM的混合神经网络，其中，CNN采用1D CNN，包括卷积层、池化层和全连接层，卷积层由可训练的过滤器组成，过滤器会在输入数据的元素上滑动，在下一个池化层中生成一帧特征；经过CNN网络处理的数据构成的特征向量，在下层使用注意力LSTM网络学习时间序列上的特征表示，每一个注意力LSTM结构包括一个激活函数为softmax的全链接层和LSTM层构成，经过两层注意力LSTM层处理后，输入给全连接层和线性层，使用刀具的剩余使用寿命作为预测目标。
7.根据权利要求6所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述深度神经网络模型使用到的损失函数为：
其中，yi为刀具样本实际的剩余使用寿命，模型训练中每次迭代输出的预测剩余使用寿命，ε为随机噪声，其值为0～0.1之间的随机数值，α<0，用于控制加权权重。
8.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述阿伦尼乌斯经验公式为：
其中，λi表示某次加工过程的循环载荷；α表示根据材料的不同的加权系数；通过在训练数据集上进行训练并调整优化参数，确定加权系数的数值，并以初次超过预设累积疲劳值为阈值作为下刀判定标准。
9.一种基于深度学习和疲劳理论的刀具剩余寿命预测系统，其特征在于，所述系统包括：
数据采集模块，用于对机床主轴和机床控制器进行数据采集，得到采样数据；
工况筛选模块，用于对采样数据进行工况筛选，得到已筛选数据；
数据预处理模块，用于对已筛选数据进行滤波处理，得到预处理数据；
特征工程模块，用于对预处理数据进行特征提取，得到数据特征；
刀具磨损特征提取器模块，用于采用深度神经网络模型进行刀具磨损特征提取，得到特征向量；
循环载荷表示模块，用于构建自编码器，通过自编码器计算重构误差，以重构误差作为循环疲劳载荷；
累积疲劳值计算模块，用于通过阿伦尼乌斯经验公式计算刀具的疲劳值，通过训练和优化参数，确定阿伦尼乌斯经验公式的参数和阈值，对刀具的剩余寿命进行预测。
CN202311475085.4A 2023-11-07 2023-11-07 基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统 Pending CN117390398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311475085.4A CN117390398A (zh) 2023-11-07 2023-11-07 基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311475085.4A CN117390398A (zh) 2023-11-07 2023-11-07 基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统

Publications (1)

Publication Number Publication Date
CN117390398A true CN117390398A (zh) 2024-01-12

Family

ID=89440736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311475085.4A Pending CN117390398A (zh) 2023-11-07 2023-11-07 基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统

Country Status (1)

Country Link
CN (1) CN117390398A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592976A (zh) * 2024-01-19 2024-02-23 山东豪泉软件技术有限公司 一种刀具剩余寿命预测方法、装置、设备及介质
CN117798742A (zh) * 2024-03-01 2024-04-02 深圳丹弗科技有限公司 刀具寿命监测方法、系统、计算机设备及存储介质
CN118153244A (zh) * 2024-05-09 2024-06-07 克拉玛依宏兴石油工程技术服务股份有限公司 连续管疲劳寿命实时预警系统及方法
CN118506920A (zh) * 2024-05-29 2024-08-16 常州润来科技有限公司 一种铜液转炉石墨导流嘴保护套剩余寿命评估方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592976A (zh) * 2024-01-19 2024-02-23 山东豪泉软件技术有限公司 一种刀具剩余寿命预测方法、装置、设备及介质
CN117592976B (zh) * 2024-01-19 2024-04-26 山东豪泉软件技术有限公司 一种刀具剩余寿命预测方法、装置、设备及介质
CN117798742A (zh) * 2024-03-01 2024-04-02 深圳丹弗科技有限公司 刀具寿命监测方法、系统、计算机设备及存储介质
CN117798742B (zh) * 2024-03-01 2024-05-10 深圳丹弗科技有限公司 刀具寿命监测方法、系统、计算机设备及存储介质
CN118153244A (zh) * 2024-05-09 2024-06-07 克拉玛依宏兴石油工程技术服务股份有限公司 连续管疲劳寿命实时预警系统及方法
CN118506920A (zh) * 2024-05-29 2024-08-16 常州润来科技有限公司 一种铜液转炉石墨导流嘴保护套剩余寿命评估方法及系统

Similar Documents

Publication Publication Date Title
CN117390398A (zh) 基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统
CN109726524B (zh) 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
Madhusudana et al. Condition monitoring of face milling tool using K-star algorithm and histogram features of vibration signal
CN107877262B (zh) 一种基于深度学习的数控机床刀具磨损监测方法
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
Duan et al. MS-SSPCANet: A powerful deep learning framework for tool wear prediction
CN113449473B (zh) 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置
CN112926644A (zh) 一种滚动轴承剩余使用寿命预测方法及系统
CN117458955A (zh) 电机的运行控制方法及系统
Hussain et al. A novel method for real time gear fault detection based on pulse shape analysis
CN114417699A (zh) 泵阀故障检测方法
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN114239810B (zh) 一种基于改进PCANet模型的铣刀磨损预测方法
CN110688617A (zh) 风机振动异常检测方法及装置
CN110348468A (zh) 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法
CN115294671A (zh) 一种空压机出口压力预测方法和预测系统
Singh et al. Faulty voice diagnosis of automotive gearbox based on acoustic feature extraction and classification technique
CN117520825B (zh) 基于多尺度特征融合的工业母机加工工件质量预测方法
CN110956331A (zh) 数字工厂运营状态预测方法、系统、装置
CN117994955A (zh) 水电机组温度报警模型建立和报警方法及装置
CN117744488A (zh) 一种空气涡轮起动机轴承剩余寿命预测方法
CN113469408A (zh) 一种用于调相机的运行状态趋势预测方法及系统
CN111027719B (zh) 多组件系统状态机会维护优化方法
Liu et al. Performance similarity based method for enhanced prediction of manufacturing process performance
CN112001326B (zh) 基于振动指纹的高压开关装备故障诊断与预测方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication