CN117520825A - 基于多尺度特征融合的工业母机加工工件质量预测方法 - Google Patents
基于多尺度特征融合的工业母机加工工件质量预测方法 Download PDFInfo
- Publication number
- CN117520825A CN117520825A CN202410008043.8A CN202410008043A CN117520825A CN 117520825 A CN117520825 A CN 117520825A CN 202410008043 A CN202410008043 A CN 202410008043A CN 117520825 A CN117520825 A CN 117520825A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- fusion
- data
- cutter
- roughness
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003754 machining Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004439 roughness measurement Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000003746 surface roughness Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 230000007774 longterm 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
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Numerical Control (AREA)
Abstract
本发明公开一种基于多尺度特征融合的工业母机加工工件质量预测方法，涉及工业母机工件加工数据领域。获取样本数据集；对采集的具有预测的标签的工件加工过程数据样本进行Pearson相关性分析；按照设定比例随机划分；构建多维度特征融合预测模型；利用训练集对多维度特征融合预测模型进行训练；将测试集输入多维度特征融合预测模型得到刀具加工工件粗糙度。本发明从不同时间维度上对数据进行多角度分析以提取反映工件质量变化的关键特征，并通过对不同尺度特征的提取，降低非平稳数据对结果的影响通过深入学习不同尺度特征之间的内在相关性,有效融合微观和宏观时序变化信息，更准确地把握复杂加工过程对粗糙度的影响规律，大幅提升粗糙度预测的可用性。
Description
技术领域
本发明涉及工业母机工件加工数据领域，尤其涉及基于多尺度特征融合的工业母机加工工件质量预测方法。
背景技术
在工件加工过程中,加工数据可以全面记录加工各环节的多维信息,既包含加工参数、设备状态,也反映产量、质量和故障等情况。这些数据反映了生产过程的点点滴滴,分析和应用它们可以找出生产薄弱环节,实现精益生产、提高效率与质量、降低成本。然而,加工数据本身并不能直接反映最终工件质量,而加工过程的一致性也限制了单纯依靠数据分析来预测质量的效果。大量重复冗余数据的累积,不仅导致存储资源浪费,也增加了无效的人工分析工作,无法真正提升质量控制水平。此外,过多的特征数据采集也会导致成本快速增长。因此,需要针对工件和加工特点选择有效的关键数据,开发智能化分析方法,以较低成本实现质量预测的准确性与有效性。
随着机器学习技术在制造业的广泛应用, 许多新方法致力于探索加工数据与刀具寿命之间的内在关系,以实现对工艺过程的精确控制。在这些研究中,工件表面粗糙度作为一项关键的质量指标受到高度关注。通过构建能够提取高维时序数据特征的深度学习模型,并采用先进的数据处理与验证手段来预测工件表面粗糙度。
传统的机器学习、统计学方法与一些深度学习方法在处理工业数据时存在一些不足之处。首先，工业数据具有异构性、非平稳性等特点，这对传统的机器学习方法提出了较高的数据质量要求。其次，针对表面粗糙度预测这一问题，传统的机器学习或统计学方法通常存在以下问题：（1）受非平稳数据影响：传统的机器学习模型与深度学习方法难以预测非平稳数据的正确结果。（2）人力成本和分析局限性：使用基础的回归模型或数据统计方法需要大量的人力成本，并且对于非线性和高维特征的分析能力较差。
发明内容
针对现有技术的不足因此，本发明提出基于多尺度特征融合的工业母机加工工件质量预测方法，减少非平稳数据对模型的影响，提高工件粗糙度预测的准确性。
基于多尺度特征融合的工业母机加工工件质量预测方法，包括如下步骤：
步骤1：在加工过程中按照设定频率采集机床的主轴功率Power、x方向振动加速度Virable_X、y方向振动加速度Virable_Y、z方向振动加速度Virable_Z，并在一个工件加工结束后记录当前刀具的加工次数workTime，得到若干条工件加工过程数据样本，在加工过程中，每间隔设定数量工件进行一次人工粗糙度测量，得到刀具加工工件粗糙度RaCylinder作为工件加工数据样本预测的标签，进而得到由若干工件加工过程数据样本组成的样本数据集。
所述工件加工过程数据样本为一个时间序列，包括加工一个工件的一段时间内所采集的加工数据及对应的刀具加工工件粗糙度，所述加工数据包括主轴功率、x方向振动加速度、y方向振动加速度、z方向振动加速度和当前刀具的加工次数。
所述x方向为机床的水平方向，即工件在机床上横向加工时的方向；所述y方向为机床的竖直方向，即机床的上下移动方向；所述z方向为加工工件的材料的进给方向。
步骤2：对采集的具有预测的标签的工件加工过程数据样本进行Pearson相关性分析，得到若干条新的工件加工过程数据样本。
步骤2.1：按照加工过程的不同，将每个具有预测的标签的工件加工过程数据样本划分为若干个数据段，计算每个数据段与刀具加工工件粗糙度的皮尔逊相关度。
所述皮尔逊相关度计算公式如下：
（1）
其中，是皮尔逊相关度， /> 是第/>条工件加工过程数据样本的第k个数据段，是第/>条工件加工过程数据样本对应的刀具加工工件粗糙度，为了方便计算，会将/>扩充成与/>相同维度；/>表示的是工件加工过程数据样本中第k个数据段的总体的标准差；表示的是刀具加工工件粗糙度的总体的标准差；n表示的是工件加工过程数据样本的数量。/>表示工件加工过程数据样本中第k个数据段与刀具加工工件粗糙度之间的协方差；/>为工件加工过程数据样本中第k个数据段的总体的平均值；/>为刀具加工工件粗糙度的平均值。
步骤2.2：选择出皮尔逊相关度大于设定阈值的数据段，将上述数据段与在其之间的数据段组成连续时间的新的工件加工过程数据样本。
步骤3：将得到的新的若干条工件加工过程数据样本按照设定比例随机划分为训练集、验证集和测试集。
步骤4：构建多维度特征融合预测模型。
所述多维度特征融合预测模型包括多尺度特征提取模块、3*3平均池化层、第一线性层、第二线性层、采样模块、拼接模块。
所述多尺度特征提取模块用于将输入的每个时间序列通过四条通路的一维卷积神经网络提取出不同尺度的数据特征，然后按照卷积核大小将不同尺度的数据特征进行拼接得到若干个不同尺度的刀具表征并将得到的若干个不同尺度的刀具表征发送给3*3平均池化层。
所述通过四条通路的一维卷积神经网络提取出不同尺度的数据特征的方法为：
（2）
其中是输入的第/>个时间序列，/>表示第/>个时间序列经过大小为/>的卷积核后得到的数据特征，/>为第j个卷积核的大小；/>表示激活函数；/>表示一维卷积。
所述将不同尺度的数据特征进行拼接的方法为：
（3）
为拼接后的刀具表征；n为卷积核的数量；/>为向量拼接。
所述3*3平均池化层用于接收多尺度特征提取模块发送的若干个不同尺度的刀具表征，将不同尺度的不同刀具表征进行信息融合，并实现通道维度信息压缩，得到融合信息并发送给第一线性层和采样模块。
所述第一线性层用于接收3*3平均池化层发送的融合信息，经过维度变换，提取得到原有特征信息并发送给拼接模块。
所述采样模块由若干个串行设置的线性层组成，用于接收3*3平均池化层发送的融合信息，通过上采样与下采样进行降维升维，提取融合特征并发送给拼接模块。
所述拼接模块用于接收第一线性层发送的原有特征信息和采样模块的融合特征，将原有特征信息与融合特征各个维度进行相加，得到特征向量并发送给第二线性层。
所述将原有特征信息与融合特征各个维度进行相加的方法为：
（4）
其中，表示特征向量，/>表示的是第/>个工件的原有特征信息，/>表示的是第/>个工件的融合特征，/>表示第/>个工件第/>维度上的原有特征信息，/>表示是第/>个工件第/>维度上的工件的融合特征，/>表示为特征维度的总数。
所述第二线性层用于接收拼接模块发送的特征向量，线性变换后得到刀具加工工件粗糙度。
步骤5：利用训练集对多维度特征融合预测模型进行训练，到达限定轮数或验证集的均方误差损失函数在设定轮次内没有降低则停止训练，保存结果最优的模型作为最终的多维度特征融合预测模型；所述最优为均方误差损失函数最小。
步骤6：将测试集输入最终的多维度特征融合预测模型，得到刀具加工工件粗糙度的预测结果。
步骤6.1：将测试集输入多尺度特征提取模块通过四条通路的一维卷积神经网络提取出不同尺度的数据特征，然后按照卷积核大小将不同尺度的数据特征进行拼接得到若干个不同尺度的刀具表征。
步骤6.2：将若干个不同尺度的刀具表征输入3*3平均池化层，将不同尺度的不同刀具表征进行信息融合，并实现通道维度信息压缩，得到融合信息。
步骤6.3：将融合信息输入第一线性层，经过维度变换，提取得到原有特征信息；将融合信息输入采样模块通过上采样与下采样进行降维升维，提取融合特征。
步骤6.4：将原有特征信息和融合特征输入拼接模块，将原有特征信息与融合特征各个维度进行相加，得到特征向量。
步骤6.5：将特征向量输入第二线性层，经线性变换后得到刀具加工工件粗糙度的预测结果。
与现有技术相比较，本发明的有益效果为：
本发明提供了一种新的基于多尺度特征融合的预测方法，该方法最大限度地利用有限的加工数据,从不同的时间维度上对数据进行多角度分析以提取反映工件质量变化的关键特征，并通过对不同尺度特征的提取，降低非平稳数据对结果的影响通过深入学习不同尺度特征之间的内在相关性,有效融合微观和宏观时序变化信息,更准确地把握复杂加工过程对粗糙度的影响规律，大幅提升粗糙度预测的可用性。
为了降低非平稳性对长时时序预测结果的影响，本发明采用多尺度特征提取的方法。这是因为数据可能在某些较短的时间片上是平稳的，但从长远来看，数据不平稳。通过多尺度分析，可以将时间序列数据分解为不同尺度上的成分，从而更好地捕捉数据的变化模式。这种方法能够有效降低非平稳性对预测结果的干扰，提高预测的准确性和可靠性。此外，多尺度方法可以提取不同周期内趋势和噪声的变换。尤其对于工件加工数据而言，采用多尺度变换更加合适。在加工过程中，加工流程决定了加工数据的重复性，每次加工数据的变化趋势与上一次加工之间存在着很大程度的相似性，因此数据长期呈现出周期性重复的特征，在某个周期内，数据分布是相对统一的或者存在微小变化。通过多尺度变换，可以有效地提取这些周期内的数据分布特征，捕捉加工过程中微小变化的模式。这样的分析方法能够更准确地把握加工过程中的细微变化，为工件加工质量的控制和优化提供有力支持。
通过上下采样，进一步融合多尺度中得到的数据，提升模型对于时序动态变换之间的学习能力，融合不同特征之间的关系，同时使用残差弥补短期时序之间的偏差，提升预测精度。
该方法与其他方法相比，采用了较少的参数，降低了模型训练的时间，并且能达到更好的效果，使用的门槛较低，降低了预测刀具寿命的人力成本投入，特别在以刀具损坏为主要破坏原因的场景中，通过工件粗糙度逐渐增长，提前发现刀具的损坏与失效，从而避免生产终端和停机时间的发生。有效降低了生产成本和损失，提升了生产线的稳定性和效率。
附图说明
图1 为本发明具体实施方式中基于多尺度特征融合的工业母机加工工件质量预测方法的流程图；
图2为本发明具体实施方式中多维度特征融合预测模型结构图；
图3为本发明具体实施方式中多尺度特征提取模块结构图；
图4 为本发明具体实施方式中上采样和下采样示意图。
具体实施方式
本发明以铣削工件加工数据为例进行举例说明。工件是组成产品的关键部位与基础，其质量直接决定许多产品的性能指标，可靠性以及使用寿命，不合格的工件可能会导致报废和返工，增加生产成本。当对工件质量进行把控时，其优势可以概括为以下几个方面。
第一,预测粗糙度可以实现加工过程的闭环控制。通过预测模型可以实时监测预期的粗糙度指标,当预测结果超出允许范围时,可以及时调整加工参数,避免产生不合格品。相比传统的质量检测方式,预测控制更加智能高效,可以最大限度减少报废率。
第二,预测粗糙度可以指导最优加工参数的选择。通过分析不同加工条件对粗糙度的影响,预测模型可以计算出确保工件质量的最佳参数组合。这种基于数据驱动的参数优化方式,无需过多试错就可以实现过程质量的持续改进。
第三,预测粗糙度可以实现柔性化和智能化生产。建立精准的预测模型后,通过输入不同的参数组合就可以获得各种加工方案的预期粗糙度。这样可以按需快速调整生产计划,实现个性化和柔性化的生产。
第四,粗糙度预测可以降低质量检测依赖,减少停线检测。传统需要依靠线下测量来判断质量,而预测模型可以根据过程数据即时评估质量,减少停产检测的需求,降低检测成本。
第五,预测结果还可以用于故障预警和装置健康管理。粗糙度异常变化往往反映机床装置的潜在问题。预测结果作为新信号可以辅助实施预维护,避免突发停机故障。
基于多尺度特征融合的工业母机加工工件质量预测方法，如图1所示，包括如下步骤：
步骤1：在加工过程中按照设定频率采集机床的主轴功率Power、x方向振动加速度Virable_X、y方向振动加速度Virable_Y、z方向振动加速度Virable_Z，并在一个工件加工结束后记录当前刀具的加工次数workTime，得到若干条工件加工过程数据样本，在加工过程中，每间隔设定数量工件进行一次人工粗糙度测量，得到刀具加工工件粗糙度RaCylinder作为工件加工数据样本预测的标签，进而得到由若干工件加工过程数据样本组成的样本数据集；所述每条工件加工过程数据样本为一个时间序列，包括加工一个工件的一段时间内所采集的加工数据及对应的刀具加工工件粗糙度，所述加工数据包括主轴功率、x方向振动加速度、y方向振动加速度、z方向振动加速度和当前刀具的加工次数。
所述x方向为机床的水平方向，即工件在机床上横向加工时的方向；所述y方向为机床的竖直方向，即机床的上下移动方向；所述z方向为加工工件的材料的进给方向。
本实施方式中采集的频率为10HZ，每间隔五个工件进行人工粗糙度测量得到粗糙度数据RaCylinder(刀具加工工件粗糙度)作为预测的标签，最终从2022.5.1到2023.4.31在铣削过程中采集工件加工数据81条。
步骤2：对采集的具有预测的标签的工件加工过程数据样本进行Pearson相关性分析，得到若干条新的工件加工过程数据样本。
工业加工中，数据中往往存在噪声，这些噪声对于深度学习模型而言，并非有利，因此需要对不同加工过程的加工数据进行Pearson相关性分析，提取相关性较高的部分，进行训练。
步骤2.1：按照加工过程的不同，将每个具有预测的标签的工件加工过程数据样本划分为若干个数据段，计算每个数据段与刀具加工工件粗糙度的皮尔逊相关度。
所述皮尔逊相关度计算公式如下：
（1）
其中，是皮尔逊相关度， /> 是第/>条工件加工过程数据样本的第k个数据段，/>是第/>条工件加工过程数据样本对应的刀具加工工件粗糙度，为了方便计算，会将/>扩充成与/>相同维度；/>表示的是工件加工过程数据样本中第k个数据段的总体的标准差；/>表示的是刀具加工工件粗糙度的总体的标准差；n表示的是工件加工过程数据样本的数量。/>表示工件加工过程数据样本中第k个数据段与刀具加工工件粗糙度之间的协方差；/>为工件加工过程数据样本中第k个数据段的总体的平均值；/>为刀具加工工件粗糙度的平均值。
步骤2.2：选择出皮尔逊相关度大于设定阈值的数据段，将上述数据段与在其之间的数据段组成连续时间的新的工件加工过程数据样本。
步骤3：将得到的新的若干条工件加工过程数据样本按照设定比例随机划分为训练集、验证机和测试集。
随机取其中61条加工数据作为训练集，剩余的20条数据作为测试集与验证集。
步骤4：构建多维度特征融合预测模型。
如图2所示，所述多维度特征融合预测模型包括多尺度特征提取模块、3*3平均池化层、第一线性层、第二线性层、采样模块、拼接模块。
在加工过程中，不同的时间片段可以提供不同有价值的信息。此外，不同时间片段中存在着不同长度的时序依赖关系。如果我们只提取一个固定长度的时间序列特征，将导致难以学习到时间片段之间的分布变化关系。通过使用不同长度的时间片段，我们能够捕捉到加工过程中的动态变化，以及随时间推移而发生的关键变化。该发明设计一种小型有效的多尺度特征提取模块，如图3所示，进一步提高模型的预测效果。
所述多尺度特征提取模块用于将输入的每个时间序列通过四条通路的一维卷积神经网络提取出不同尺度的数据特征，然后按照卷积核大小将不同尺度的数据特征进行拼接得到若干个不同尺度的刀具表征并将得到的若干个不同尺度的刀具表征发送给3*3平均池化层。
所述四条通路的一维卷积神经网络分别为1*1卷积核的一维卷积神经网络、3*1卷积核的一维卷积神经网络、5*1卷积核的一维卷积神经网络和7*1卷积核的一维卷积神经网络。
一维卷积神经网络能够快速提取时间序列的依赖信息。该技术通过多个不同卷积核大小的卷积神经网络，达到对一维数据不同长度的时间依赖信息的提取目标，并将得到的数据拼接在一起。
一维卷积计算公式如下：
（2）
其中是输入的第/>个时间序列，/>表示第/>个时间序列经过大小为/>的卷积核后得到的数据特征，/>为第j个卷积核的大小；/>表示激活函数；/>表示一维卷积；采用的卷积核大小为{1,3,5,7}最佳。
随后将得到的所有数据特征按照卷积核大小拼合在一起得到所有不同尺度该特征的所有信息：
（3）
为拼接后的刀具表征；n为卷积核的数量；/>为向量拼接；在实验中，这里的n = 4。
所述3*3平均池化层用于接收多尺度特征提取模块发送的若干个不同尺度的刀具表征，将不同尺度的不同刀具表征进行信息融合，并实现通道维度信息压缩，得到融合信息并发送给第一线性层和采样模块。
随后进行线性层特征降维和升维映射，采样模块首先将原有的特征空间映射到一个新的低纬度空间,进行特征聚合。随后将特征再次映射到高维，如图4所示。这样做可以去除特征空间中的冗余和噪声成分，提取出特征的主要模式，便于后续回归，此外低维空间可以避免过拟合高维特征空间的随机噪声，降维后升维可以提升模型在测试集的泛化能力，从而得到一个更好的特征表示。
所述第一线性层用于接收3*3平均池化层发送的融合信息，经过维度变换，提取得到原有特征信息并发送给拼接模块。
所述采样模块由若干个串行设置的线性层组成，用于接收3*3平均池化层发送的融合信息，通过上采样与下采样进行降维升维，提取融合特征并发送给拼接模块。
本实施方式中，如图4所示，线性层的维度依次为52*32、32*16、16*8、8*16、16*32、32*52。
所述拼接模块用于接收第一线性层发送的原有特征信息和采样模块的融合特征，将原有特征信息与融合特征各个维度进行相加，其计算方式如下，得到特征向量并发送给第二线性层；
（4）
其中，表示特征向量，/>表示的是第/>个工件的原有特征信息，/>表示的是第/>个工件的融合特征，/>表示第/>个工件第/>维度上的原有特征信息，/>表示是第/>个工件第/>维度上的工件的融合特征，/>表示为特征维度的总数。
所述第二线性层用于接收拼接模块发送的特征向量，线性变换后得到刀具加工工件粗糙度。
步骤5：利用训练集对多维度特征融合预测模型进行训练，到达限定轮数或验证集的均方误差损失函数在设定轮次内没有降低则停止训练，保存结果最优的模型作为最终的多维度特征融合预测模型；所述最优为均方误差损失函数最小。
根据数据，随机取61条数据作为训练集训练模型，一共训练500 次，并会采用早停机制，设置的早停次数为10次，学习率为0.003最佳，卷积核大小为{1，3，5，7}，采用MSE作为损失函数，优化器使用Adam，训练结束时，选择测试集最优结果保存对应模型参数。根据每次随机数据不同，进行多次实验。
步骤6：将测试集输入最终的多维度特征融合预测模型，得到刀具加工工件粗糙度的预测结果。
步骤6.1：将测试集输入多尺度特征提取模块通过四条通路的一维卷积神经网络提取出不同尺度的数据特征，然后按照卷积核大小将不同尺度的数据特征进行拼接得到若干个不同尺度的刀具表征。
步骤6.2：将若干个不同尺度的刀具表征输入3*3平均池化层，将不同尺度的不同刀具表征进行信息融合，并实现通道维度信息压缩，得到融合信息。
步骤6.3：将融合信息输入第一线性层，经过维度变换，提取得到原有特征信息；将融合信息输入采样模块通过上采样与下采样进行降维升维，提取融合特征。
步骤6.4：将原有特征信息和融合特征输入拼接模块，将原有特征信息与融合特征各个维度进行相加，得到特征向量。
步骤6.5：将特征向量输入第二线性层，经线性变换后得到刀具加工工件粗糙度的预测结果。
将数据集在其他工件表面粗糙度预测方法上进行对比，机器学习的模型主要选择了GBDT（梯度提升决策树，Gradient Boosting Decision Tree）与Xgboost(eXtremeGradient Boosting)两种，深度学习的模型选择了Transoformer，GRU(门控循环单元，GateRecurrent Unit)与LSTM（长短期记忆网络，Long Short-Term Memory）。
在对比实验中，GBDT、Xgboost、 Transoformer、GRU、LSTM均采用直接输入数据的方式，训练相同的轮数，并且也使用早停机制，防止模型过拟合，最后取最优测试集结果作为实验对比结果。
实验结果采用MAE与MAPE作为主要评判标注。MAE考虑了预测误差的绝对值大小，直接反映了预测值与真实值的差异程度，而MAPE考虑了预测误差与真实值得比例关系，可以用于不同规模的额预测目标之间进行公平评估，并不会因为目标值得绝对值大小受影响。MAE的计算方式如下：
（5）
其中，为平均绝对误差；/>表示第i个工件人工测量的粗糙度值，/>是模型对第i个工件粗糙度的预测值，m为测试集中的加工工件数量。
MAPE的计算方式如下：
（6）
其中，为平均绝对百分比误差；/>表示第i个工件人工测量的粗糙度值，/>是模型对第i个工件粗糙度的预测值，m为测试集中的加工工件数量。
经过多次实验，本发明提出的方法在测试集上达到的效果与多种工件表面粗糙度预测方法对比如下下表所示：
| 本申请 | Transformer | GRU | LSTM | GBDT | Xgboost | |
| Mae | 0.161 | 0.163 | 0.194 | 0.213 | 0.174 | 0.158 |
| Mape | 0.109 | 0.160 | 0.219 | 0.229 | 0.185 | 0.147 |
多次实验结果没有太大的偏差，模型总体显现出一种较为稳定的状态。
Claims (7)
1.一种基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，包括如下步骤：
步骤1：在加工过程中按照设定频率采集机床的主轴功率Power、x方向振动加速度Virable_X、y方向振动加速度Virable_Y、z方向振动加速度Virable_Z，并在一个工件加工结束后记录当前刀具的加工次数workTime，得到若干条工件加工过程数据样本，在加工过程中，每间隔设定数量工件进行一次人工粗糙度测量，得到刀具加工工件粗糙度RaCylinder作为工件加工数据样本预测的标签，进而得到由若干工件加工过程数据样本组成的样本数据集；
步骤2：对采集的具有预测的标签的工件加工过程数据样本进行Pearson相关性分析，得到若干条新的工件加工过程数据样本；
步骤3：将得到的新的若干条工件加工过程数据样本按照设定比例随机划分为训练集、验证集和测试集；
步骤4：构建多维度特征融合预测模型；
所述多维度特征融合预测模型包括多尺度特征提取模块、3*3平均池化层、第一线性层、第二线性层、采样模块、拼接模块；
所述多尺度特征提取模块用于将输入的每个时间序列通过四条通路的一维卷积神经网络提取出不同尺度的数据特征，然后按照卷积核大小将不同尺度的数据特征进行拼接得到若干个不同尺度的刀具表征并将得到的若干个不同尺度的刀具表征发送给3*3平均池化层；
所述3*3平均池化层用于接收多尺度特征提取模块发送的若干个不同尺度的刀具表征，将不同尺度的不同刀具表征进行信息融合，并实现通道维度信息压缩，得到融合信息并发送给第一线性层和采样模块；
所述第一线性层用于接收3*3平均池化层发送的融合信息，经过维度变换，提取得到原有特征信息并发送给拼接模块；
所述采样模块由若干个串行设置的线性层组成，用于接收3*3平均池化层发送的融合信息，通过上采样与下采样进行降维升维，提取融合特征并发送给拼接模块；
所述拼接模块用于接收第一线性层发送的原有特征信息和采样模块的融合特征，将原有特征信息与融合特征各个维度进行相加，得到特征向量并发送给第二线性层；
所述第二线性层用于接收拼接模块发送的特征向量，线性变换后得到刀具加工工件粗糙度；
步骤5：利用训练集对多维度特征融合预测模型进行训练，到达限定轮数或验证集的均方误差损失函数在设定轮次内没有降低则停止训练，保存结果最优的模型作为最终的多维度特征融合预测模型；所述最优为均方误差损失函数最小；
步骤6：将测试集输入最终的多维度特征融合预测模型，得到刀具加工工件粗糙度的预测结果。
2.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，步骤1中所述工件加工过程数据样本为一个时间序列，包括加工一个工件的一段时间内所采集的加工数据及对应的刀具加工工件粗糙度，所述加工数据包括主轴功率、x方向振动加速度、y方向振动加速度、z方向振动加速度和当前刀具的加工次数；
所述x方向为机床的水平方向，即工件在机床上横向加工时的方向；所述y方向为机床的竖直方向，即机床的上下移动方向；所述z方向为加工工件的材料的进给方向。
3.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述步骤2具体包括：
步骤2.1：按照加工过程的不同，将每个具有预测的标签的工件加工过程数据样本划分为若干个数据段，计算每个数据段与刀具加工工件粗糙度的皮尔逊相关度；
所述皮尔逊相关度计算公式如下：
（1）
其中，是皮尔逊相关度， /> 是第/>条工件加工过程数据样本的第k个数据段，/>是第/>条工件加工过程数据样本对应的刀具加工工件粗糙度，为了方便计算，会将/>扩充成与/>相同维度；/>表示的是工件加工过程数据样本中第k个数据段的总体的标准差；/>表示的是刀具加工工件粗糙度的总体的标准差；n表示的是工件加工过程数据样本的数量；表示工件加工过程数据样本中第k个数据段与刀具加工工件粗糙度之间的协方差；/>为工件加工过程数据样本中第k个数据段的总体的平均值；/>为刀具加工工件粗糙度的平均值；
步骤2.2：选择出皮尔逊相关度大于设定阈值的数据段，将上述数据段与在其之间的数据段组成连续时间的新的工件加工过程数据样本。
4.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述通过四条通路的一维卷积神经网络提取出不同尺度的数据特征的方法为：
（2）
其中是输入的第/>个时间序列，/>表示第/>个时间序列经过大小为/>的卷积核后得到的数据特征，/>为第j个卷积核的大小；/>表示激活函数；/>表示一维卷积。
5.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述将不同尺度的数据特征进行拼接的方法为：
（3）
为拼接后的刀具表征；n为卷积核的数量；/>为向量拼接。
6.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述将原有特征信息与融合特征各个维度进行相加的方法为：
（4）
其中，表示特征向量，/>表示的是第/>个工件的原有特征信息，/>表示的是第/>个工件的融合特征，/>表示第/>个工件第/>维度上的原有特征信息，/>表示是第/>个工件第/>维度上的工件的融合特征，/>表示为特征维度的总数。
7.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述步骤6具体包括：
步骤6.1：将测试集输入多尺度特征提取模块通过四条通路的一维卷积神经网络提取出不同尺度的数据特征，然后按照卷积核大小将不同尺度的数据特征进行拼接得到若干个不同尺度的刀具表征；
步骤6.2：将若干个不同尺度的刀具表征输入3*3平均池化层，将不同尺度的不同刀具表征进行信息融合，并实现通道维度信息压缩，得到融合信息；
步骤6.3：将融合信息输入第一线性层，经过维度变换，提取得到原有特征信息；将融合信息输入采样模块通过上采样与下采样进行降维升维，提取融合特征；
步骤6.4：将原有特征信息和融合特征输入拼接模块，将原有特征信息与融合特征各个维度进行相加，得到特征向量；
步骤6.5：将特征向量输入第二线性层，经线性变换后得到刀具加工工件粗糙度的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410008043.8A CN117520825B (zh) | 2024-01-04 | 2024-01-04 | 基于多尺度特征融合的工业母机加工工件质量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410008043.8A CN117520825B (zh) | 2024-01-04 | 2024-01-04 | 基于多尺度特征融合的工业母机加工工件质量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117520825A true CN117520825A (zh) | 2024-02-06 |
| CN117520825B CN117520825B (zh) | 2024-05-10 |
Family
ID=89749756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410008043.8A Active CN117520825B (zh) | 2024-01-04 | 2024-01-04 | 基于多尺度特征融合的工业母机加工工件质量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117520825B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992803A (zh) * | 2024-04-03 | 2024-05-07 | 江西千策信息工程有限公司 | 一种基于钢结构健康的多尺度结合监测方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3316061A1 (en) * | 2016-10-31 | 2018-05-02 | Fundacion Deusto | Procedure for predicting the mechanical properties of pieces obtained by casting |
| CN110930356A (zh) * | 2019-10-12 | 2020-03-27 | 上海交通大学 | 一种工业二维码无参考质量评估系统及方法 |
| CN112884081A (zh) * | 2021-03-31 | 2021-06-01 | 福州大学 | 一种多品种小批量生产的工件质量在线智能预测方法 |
| CN113313198A (zh) * | 2021-06-21 | 2021-08-27 | 西北工业大学 | 一种基于多尺度卷积神经网络的刀具磨损预测方法 |
| US20210364482A1 (en) * | 2020-03-06 | 2021-11-25 | Dalian University Of Technology | Prediction method of part surface roughness and tool wear based on multi-task learning |
| US20220269925A1 (en) * | 2019-06-05 | 2022-08-25 | South China University Of Technology | Intelligent fault diagnosis method based on multi-task feature sharing neural network |
| CN115169050A (zh) * | 2022-07-28 | 2022-10-11 | 北京航星机器制造有限公司 | 一种多模型融合的切削刀具磨损量动态预测方法 |
| CN116071327A (zh) * | 2023-01-18 | 2023-05-05 | 武汉大学 | 一种基于深度神经网络的工件缺陷检测方法 |
| CN116307195A (zh) * | 2023-03-22 | 2023-06-23 | 苏州大学 | 一种基于深度学习的带钢精轧宽展预测方法和系统 |
| CN116448047A (zh) * | 2023-04-10 | 2023-07-18 | 西安建筑科技大学 | 基于时频图融合-残差网络的加工表面粗糙度预测方法 |
| CN116578832A (zh) * | 2023-07-13 | 2023-08-11 | 兰州理工大学 | 预测机械加工零件表面粗糙度的装置 |
| CN117291477A (zh) * | 2023-11-27 | 2023-12-26 | 沈阳华钛实业有限公司 | 一种金属热加工质量控制方法及系统 |
-
2024
- 2024-01-04 CN CN202410008043.8A patent/CN117520825B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3316061A1 (en) * | 2016-10-31 | 2018-05-02 | Fundacion Deusto | Procedure for predicting the mechanical properties of pieces obtained by casting |
| US20220269925A1 (en) * | 2019-06-05 | 2022-08-25 | South China University Of Technology | Intelligent fault diagnosis method based on multi-task feature sharing neural network |
| CN110930356A (zh) * | 2019-10-12 | 2020-03-27 | 上海交通大学 | 一种工业二维码无参考质量评估系统及方法 |
| US20210364482A1 (en) * | 2020-03-06 | 2021-11-25 | Dalian University Of Technology | Prediction method of part surface roughness and tool wear based on multi-task learning |
| CN112884081A (zh) * | 2021-03-31 | 2021-06-01 | 福州大学 | 一种多品种小批量生产的工件质量在线智能预测方法 |
| CN113313198A (zh) * | 2021-06-21 | 2021-08-27 | 西北工业大学 | 一种基于多尺度卷积神经网络的刀具磨损预测方法 |
| CN115169050A (zh) * | 2022-07-28 | 2022-10-11 | 北京航星机器制造有限公司 | 一种多模型融合的切削刀具磨损量动态预测方法 |
| CN116071327A (zh) * | 2023-01-18 | 2023-05-05 | 武汉大学 | 一种基于深度神经网络的工件缺陷检测方法 |
| CN116307195A (zh) * | 2023-03-22 | 2023-06-23 | 苏州大学 | 一种基于深度学习的带钢精轧宽展预测方法和系统 |
| CN116448047A (zh) * | 2023-04-10 | 2023-07-18 | 西安建筑科技大学 | 基于时频图融合-残差网络的加工表面粗糙度预测方法 |
| CN116578832A (zh) * | 2023-07-13 | 2023-08-11 | 兰州理工大学 | 预测机械加工零件表面粗糙度的装置 |
| CN117291477A (zh) * | 2023-11-27 | 2023-12-26 | 沈阳华钛实业有限公司 | 一种金属热加工质量控制方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| NOOPUR DILIP JAMNIKAR ET AL.: "In-process comprehensive prediction of bead geometry for laser wire-feed DED system using molten pool sensing data and multi-modality CNN", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY 》, 23 May 2022 (2022-05-23) * |
| 孙为钊;周俊;: "基于卷积神经网络的平面磨削温度预测", 计算机系统应用, no. 02, 15 February 2020 (2020-02-15) * |
| 谢楠;周俊锋;郑蓓蓉;: "考虑能耗的多传感器融合加工表面粗糙度预测方法", 表面技术, no. 09, 20 September 2018 (2018-09-20) * |
| 陈启鹏;谢庆生;袁庆霓;黄海松;魏琴;李宜汀;: "基于深度门控循环单元神经网络的刀具磨损状态实时监测方法", 计算机集成制造系统, no. 07, 15 July 2020 (2020-07-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992803A (zh) * | 2024-04-03 | 2024-05-07 | 江西千策信息工程有限公司 | 一种基于钢结构健康的多尺度结合监测方法及系统 |
| CN117992803B (zh) * | 2024-04-03 | 2024-06-11 | 江西千策信息工程有限公司 | 一种基于钢结构健康的多尺度结合监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117520825B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110303380A (zh) | 一种数控机床刀具剩余寿命预测方法 | |
| CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
| CN111633467B (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
| CN113798920B (zh) | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 | |
| CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
| CN112766182B (zh) | 一种拉削刀具磨损状态识别方法 | |
| Enshaei et al. | Automated detection of textured-surface defects using UNet-based semantic segmentation network | |
| CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
| CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN116070527B (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
| CN112085619A (zh) | 一种用于配电网数据优化的特征选择方法 | |
| KR102464891B1 (ko) | 지능형 금속부품 가공 제어 장치 및 방법 | |
| 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 | |
| CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
| CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
| CN114749996A (zh) | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 | |
| CN117131425B (zh) | 一种基于反馈数据的数控机床加工状态监测方法及系统 | |
| CN117330987B (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
| CN113369993B (zh) | 一种小样本下刀具磨损状态监测方法 | |
| CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
| Pradeep et al. | Optimal Predictive Maintenance Technique for Manufacturing Semiconductors using Machine Learning | |
| CN113523904A (zh) | 一种刀具磨损检测方法 | |
| CN115358137A (zh) | 一种基于cnn-gru算法的轴承金属温度预测方法 | |
| Lakshmanan et al. | Data modelling and remaining useful life estimation of rolls in a steel making cold rolling process |
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 |