[发明专利]数控机床刀具磨损预测方法、系统、设备、介质、终端

说明书

本发明属于机械技术领域，公开了一种数控机床刀具磨损预测方法、系统、设备、介质、终端，所述数控机床刀具磨损预测方法包括：进行信号采集与处理；进行信号特征提取；进行信号特征选择；进行健康指标数据集构建；生成健康指标序列数据集；进行刀具磨损预测。本发明通过采集数控机床工作过程中的控制器信号和传感器信号，利用多源信号建立刀具健康指标模型，考虑不同类型的信号反映的刀具磨损情况，提高刀具健康状态评估模型的泛化能力；通过动态时间规整算法构建刀具健康指标，利用不同时刻特征数据之间的差异来衡量刀具的磨损情况，在此基础上进行刀具磨损趋势预测，不需要依赖刀具磨损标签值即可开展刀具磨损预测，提高在实际工业场景中的应用范围与便捷性。

技术领域

本发明属于机械技术领域，尤其涉及一种数控机床刀具磨损预测方法、系统、设备、介质、终端，可用于对数控机床刀具磨损进行预测。

背景技术

目前，作为数控加工中十分重要的部件，刀具磨损带来的问题是数控加工过程中面临的主要难题之一。在数控机床的铣削过程中，刀具的磨损退化是不可避免的。而一旦发生刀具失效，工件的表面质量会达不到要求，从而导致加工效率低下，磨损严重时甚至会造成机床的损坏。因此，有效地预测刀具的磨损情况对提高数控机床的生产效率具有十分重要的意义。目前，采用数据驱动结合机器学习手段是刀具磨损预测技术领域主流的方法与技术，但也存在一定的局限性。

同济大学在其申请的专利文献“基于编码器-解码器阶段注意力机制的刀具磨损预测方法”(专利申请号：202010777546.3，公开号：CN112070208A)中提出了一种刀具磨损预测方法。该方法的步骤是：首先对刀具运行数据进行预处理并提取统计特征，再根据最大信息系数和相关性筛选特征，然后将特征输入到编码器中进行编码，最后将编码特征输入到解码器中，输出刀具的磨损预测值。该方法虽然能实现刀具磨损值的准确预测。但是，该方法仍然存在的不足之处是，模型建立是基于有监督学习的算法，刀具的磨损值是已知的，而实际生产中刀具的磨损值不一定能实时获取，不利于实际生产中的推广使用。

通过上述分析，现有技术存在的问题及缺陷为：现有采用数据驱动结合机器学习进行刀具磨损预测的技术中，模型建立是基于有监督学习的算法，刀具的磨损值是已知的，而实际生产中刀具的磨损值不一定能实时获取，不利于实际生产中的推广使用。

解决以上问题及缺陷的难度为：

如何摆脱无法实时获取刀具磨损值的情况，使得模型能从控制器信号和传感器信号中学习到刀具的健康状态。

解决以上问题及缺陷的意义为：

现有技术针对刀具的磨损预测方法多是基于有监督学习的算法，然而在实际生产中刀具的磨损情况难以实时获取，通过利用不同时刻数据之间的差异来衡量刀具的磨损情况，从而提高模型在实际工业场景中的应用范围与便捷性。本发明旨在提出一种不需要依赖刀具磨损值的刀具磨损预测方法。

发明内容

针对现有技术存在的问题，本发明提供了一种数控机床刀具磨损预测方法、系统、设备、介质、终端，尤其涉及一种数控机床刀具磨损预测技术领域中的基于无监督学习的数控机床刀具磨损预测方法、系统、设备、介质、终端，旨在解决现有技术中利用有监督学习算法建立预测模型的应用场景局限问题。

本发明是这样实现的，一种数控机床刀具磨损预测方法，所述数控机床刀具磨损预测方法包括以下步骤：

步骤一，进行信号采集与处理；

步骤二，进行信号特征提取；

步骤三，进行信号特征选择；

步骤四，进行健康指标数据集构建；

步骤五，生成健康指标序列数据集；

步骤六，进行刀具磨损预测。

进一步，步骤一中，所述信号采集与处理，包括：