[发明专利]一种过程中刀具磨损状态预测方法

说明书

本发明涉及机械加工领域，具体涉及基于刀具磨损数据的多步刀具磨损值预测方法。通过基础刀具磨损试验，获得刀具磨损曲线和刀具磨损数据，对获得的刀具磨损数据通过移动滑窗操作划分成训练集T1和测试集T2，搭建密集残差神经网络，对其进行训练，实现刀具磨损趋势的准确预测。本发明能够判断在未来一段时间内的刀具磨损值是否发生较大的变化，以保证所加工零件的尺寸精度满足使用要求，根据预测得到的将来过程中的刀具磨损状态做出刀具是否更换的决策，在保证加工质量的前提下，提高生产效率和降低成本，对于当前数据驱动的智能制造具有重要意义。

技术领域

本发明涉及机械加工领域，具体涉及基于刀具磨损数据的多步刀具磨损值预测方法。

背景技术

切削加工过程中，刀具磨损会降低工件的表面质量，特别是在刀具剧烈磨损阶段，在较短的时间内刀具磨损值会发生较大变化，导致所加工零件的尺寸精度不能满足使用要求，此外，相比于监测当前的刀具磨损状态，预测多步刀具磨损状态对于数据驱动的智能制造更有意义。因此，为了获得满足尺寸精度的零件，很有必要预测未来一段时间内刀具磨损值的变化。预测未来多步刀具磨损值属于时间序列预测问题，随着人工智能技术的发展，深度学习模型和机器学习使得多步刀具磨损值预测成为了一种可能。目前，有关刀具磨损预测的研究大多数还停留在基于多传感器信号融合的基础上，通过机器学习或者深度学习模型监测当前刀具磨损值，很少有研究涉及未来多步刀具磨损值的预测，另外很少有对刀具磨损预测误差进行修正以进一步提高刀具磨损预测精度的研究。由此可见，目前刀具磨损预测研究还存在着局限性，所得到的刀具磨损监测模型仅能实现当前刀具磨损值的预测，未考虑在刀具剧烈磨损阶段需保证刀具磨损值不能发生太大变化，以保证所加工零件的尺寸精度满足使用要求。

发明内容

本发明所要解决的技术问题是提供一种以刀具磨损数据为基础，考虑刀具磨损趋势与现有刀具磨损数据之间的非线性依赖关系，通过密集残差神经网络实现多步刀具磨损状态预测，并利用移动平均整合自回归模型对刀具磨损预测误差进行修正，准确实现多步刀具磨损趋势的预测。

为解决以上技术问题，本发明采用如下的技术方案，本发明采用如下步骤：

①通过基础刀具磨损试验，获得刀具磨损曲线和刀具磨损数据；

②对①中获得的刀具磨损数据通过移动滑窗操作划分成训练集T1和测试集T2；

③搭建密集残差神经网络，利用②中的训练集T1对其进行训练；

301构建残差神经网络，残差神经网络由跳过两到三层的批处理标准化层和非线性函数层形成；当神经网络的输入是x，期望的输出是H(x)；残差神经网络直接把模型的输入x传到网络后面的层，网络的输出y为映射和输入的叠加，如式所示：

y＝F(x,{W_i})+x (1)

其中，y表示这层网络的输出向量，x表示这层网络的输入，F(x,{W_i})表示需要被学习的残差映射，W_i表示网络需要学习的权重；

通过递归推导的方式，可得到层深为m时的网络输出为：

其中，y_m表示层深为m时的输出，x_i表示层深为i时的特征,W_i表示层深为i的权重；

302基于步骤301中的残差神经网络，将规则的信息流和残差模块的密集层输出合并，并通过密集层与输入直接连接，完成密集残差神经网络的构建；

303利用步骤②中的训练集对密集残差神经网络中的权重进行训练，以胡伯损失函数为优化函数对模型进行训练，胡伯损失函数和相应的导数如式(3)和式(4)所示：