[发明专利]一种基于增量学习的不同工况下刀具磨损预测方法

说明书

本发明涉及一种基于增量学习的不同工况下刀具磨损预测方法，将具有增量学习能力的EAM网络用于不同工况下刀具磨损预测，并对学习过程中网络参数逐步更新。对本发明的检验是对新的知识中新的类别样本进行增量学习后，证明EAM分类器对新知识中新的类别样本进行学习后不影响原有学习到的知识；而分类器对增量样本Z1在对其学习前的识别率为0，意味着建立该分类器的训练样本不包含样本Z1中的数据的类别，对增量样本Z1进行学习后得到的新的分类器对Z1的识别率大大提高，证明新的分类器能够学习到增量样本Z1中的新的类别样本的知识，预测误差明显下降，即学习新的数据后，网络的预测准确率提高至83％以上。

技术领域

本发明属于机械加工领域，特别涉及一种基于增量学习的不同工况下刀具磨损预测方法。

背景技术

刀具磨损状态的预测对及时获取刀具寿命，保证加工件表面质量，降低刀具磨损带来的损失具有重要意义。在加工切削过程中，不同加工条件下的刀具的磨损状态会由于工件材料属性、工件结构特征、实际切削参数、刀具几何参数以及机床自身特性等因素的调整而改变，这些因素互相耦合且存在非线性的关联关系，使得刀具使用工况一旦改变，原有的工况下训练的预测模型就很难适用于另一工况下新的数据样本，导致预测效果削弱、预测准确率降低，最终性能失效，使得不同工况下刀具磨损状态难以预测。现有的刀具磨损预测方法主要有：基于经验公式法、基于机器学习方法、基于深度学习方法和基于机理与数据融合的方法。

专利“一种基于卷积神经网络的刀具磨损监测方法”公开了一种基于卷积神经网络的刀具磨损监测方法，基于振动信号对刀具磨损状态进行监测；门控循环单元网络可以有效处理时序数据，提取数据中重要的时序特征，在序列数据问题中得到了广泛应用。现有的基于数据驱动的方法在数控机床刀具磨损中取得了较好的成果，已经成为了最常用的预测方法但对于不同工况下的样本难以预测，待测样本一旦改变，存在原有模型精度低、甚至失效的局限性。

文献“手机壳高精加工的刀具磨损状态识别与剩余寿命预测，华中科技大学，王光铭，2019【D】”，利用短时能量方法对加工信号进行截取与小波降噪处理。提出了对信号进行时频域特征提取，利用CNN进行特征二次提取的特征提取方法，利用基于距离评价技术和基于信息增益的方法进行特征选择，获取刀具磨损的敏感特征。建立SVM、决策树以及XGBoost的刀具磨损状态识别模型，分别对比时频域特征、原始信号直接用CNN提取的特征和CNN二次提取特征的分类结果，准确率达到97.52％。但对于不同工况下的样本难以预测，待测样本一旦改变，存在原有模型精度低、甚至失效的局限性。

发明内容

本发明解决的技术问题是：为了克服现有的刀具磨损状态预测方法对不同工况下刀具磨损状态预测的不足，本发明提供一种基于增量学习的不同工况下刀具磨损预测方法。该方法采用增量学习思想，通过现场实验过程采集铣削过程中的力信号，对所采集到的信号进行了时域、频域和时频域分析，并对其进行相关特征的提取，采用基于相关性的快速滤波式(FCBF)法进行特征选择，从而对铣削过程中的刀具磨损状态分类情况进行研究。

增量学习必须具有处理增量样本中与训练样本同种类别的数据和新的类别的数据，同时保持对原有数据的分类准确率的能力。即增量学习能力包含有两重含义：一个指学习新的知识的能力，另一个指不能破坏以前学习到的知识。学习新知识不仅要能学习新的同种类别的样本，同时要能够学习新的不同种类别的样本；不能破坏以前的知识，指增量学习不能改变对以前学习到的知识的分类准确率。

本发明的技术方案是：一种基于增量学习的不同工况下刀具磨损预测方法，包括以下步骤：

步骤1：定义刀具在原始工况下的预测模型为已知，在面临新的工况样本时，将新的工况样本数据按已设定好的迭代次数和步长进行迭代，在迭代过程中，对新的工况样本数据同原始工况数据进行VT警戒值检验和CT约束检验；若两者均通过检验(小于两者阈值)，将其归为原始工况数据中，以扩充原始数据集的容量；若未通过检验或者只通过其中一个检验，则将其编码为新的刀具状态；