[发明专利]一种刀具寿命预测方法

权利要求书

1.一种刀具寿命预测方法，其特征在于，包括步骤：

S1，通过电流传感器采集加工机台的主轴电流信号，以时间为单位对电流信号重复采样并对所采集的电流信号标记标签；获取实时电流信号和历史电流信号；

S2，通过特征学习，提取电流信号的特征值；

S3，根据电流信号的特征值，进行电流信号数据清洗，并将清洗后的信号进行归一化处理，分别得到实时输入数据和历史输入数据；

S4，通过机器学习和深度学习方法分析电流信号与刀具寿命之间的关系，以历史输入数据作为训练样本进行训练后，建立刀具寿命预测模型；分析电流信号与刀具寿命之间的关系中的判断依据：根据刀具的磨损状态电流幅值会产生波动；通过分析电流信号的时域特点，采用卷积神经网络分析电流信号与刀具磨损状态之间的关系，通过电流信号作为训练样本进行训练，建立刀具寿命预测模型；

S5，将实时输入数据作为测试样本输入刀具寿命预测模型测试，得到刀具寿命预测评估结果。

2.根据权利要求1所述的一种刀具寿命预测方法，其特征在于，所述数据清洗包括步骤：滤除空转电流信号；对电流信号进行降维处理；对电流信号进行归一化处理。

3.根据权利要求1所述的一种刀具寿命预测方法，其特征在于，所述寿命预测模型包括卷积层、池化层、全连接层与softmax分离器；样本数据导入后，经过多层卷积操作和池化操作，通过全连接层将分布式特征表示映射到样本标记获取样本的映射向量，将映射向量带入softmax分类器中，输出寿命分类区间概率，通过各个分类区间概率值获得刀具寿命预测评估结果。

4.根据权利要求3所述的一种刀具寿命预测方法，其特征在于，所述卷积层对样本中的临近数据进行特征提取，获得特征图；通过不同卷积核进行卷积操作生成不同的特征图，经过多层提取得到优化特征图。

5.根据权利要求4所述的一种刀具寿命预测方法，其特征在于，所述池化层对优化特征图进行降维、实现拟合的非线性化、扩大感知野和实现平移不变性，将样本数据映射到隐层特征向量；通过最大池化操作在优化特征图中相邻两个数据选择最大数据作为输出，输出的数据对应输入的两个数据使得特征代表的区域变大，在最后输出层根据寿命区间进行分类时根据数据共有特征进行分类。

6.根据权利要求5所述的一种刀具寿命预测方法，其特征在于，所述全连接层与Softmax分类器：由全连接层分布式将特征向量表示映射到样本标记；特征向量从网络左侧输入，经过网络对特征向量的重新组合激活，得到特征向量到样本标记的映射向量；将所述映射向量带入softmax分类器中，通过softmax分类器的分类计算，输出寿命分类区间概率。