[发明专利]一种铣刀磨损量预测方法和系统

权利要求书

1.一种铣刀磨损量预测方法，其特征在于，包括：

采集铣刀加工中的振动时序信号和切削力时序信号，并分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征；

以所述空间特征作为输入，进行长短期记忆神经网络训练，得到用于预测铣刀磨损量的铣刀磨损量预测模型；

基于所述铣刀磨损量预测模型进行铣刀磨损量预测。

2.根据权利要求1所述的铣刀磨损量预测方法，其特征在于，所述长短期记忆神经网络包括输入层、隐含层、全连接层和输出层；所述输入层用于接收所述振动时序信号和所述切削力时序信号的空间特征；所述隐含层包括4层，每层包含64个神经元，所述隐含层用于通过神经元进行特征提取；所述全连接层用于将长短期记忆神经网络学习到的特征映射到输出值。

3.根据权利要求1所述的铣刀磨损量预测方法，其特征在于，所述空间特征包括时域特征、频域特征和时频域特征。

4.根据权利要求3所述的铣刀磨损量预测方法，其特征在于，分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征，具体包括：

提取所述振动时序信号和所述切削力时序信号的时域特征，所述时域特征包括绝对均值、峰值、均方根值、方根幅值、歪度值、峭度值、波形因子和脉冲因子；

基于快速傅里叶变换对所述振动时序信号和所述切削力时序信号进行时频变换分析，提取其重心频率、均方频率、均方根频率和频率方差；

基于小波包分解来提取所述振动时序信号和所述切削力时序信号的时频域特征，对所述振动时序信号和所述切削力时序信号进行3层小波变换分解，将所述振动时序信号和所述切削力时序信号拆分成8个不同频段，获取各个频段的能量值作为特征值。

5.根据权利要求1所述的铣刀磨损量预测方法，其特征在于，以所述空间特征作为输入，进行长短期记忆神经网络训练，具体包括：

以切削刃后刀面磨损量的最大值作为训练及预测的标签值；在训练过程中，计算以平均绝对误差作为损失函数，基于Adam优化器使平均绝对误差最小；

在所述全连接层中增加Dropout层，并选取线性整流函数以加强长短期记忆神经网络中各层之间的非线性关系；

基于振动时序信号和切削力时序信号中上一时刻的空间特征和本时刻的空间特征作为模型输入，进行长短期记忆神经网络训练。

6.根据权利要求5所述的铣刀磨损量预测方法，其特征在于，所述平均绝对误差为：

上式中，为铣刀加工中第i次走刀后铣刀磨损的标签值；为长短期记忆神经网络对于第i次走刀后铣刀磨损量的预测值；n为总走刀数。

7.一种铣刀磨损量预测系统，其特征在于，包括：

空间提取模块，用于采集铣刀加工中的振动时序信号和切削力时序信号，并分别提取所述振动时序信号和所述切削力时序信号在x轴、y轴、z轴六个通道的空间特征；

模型训练模块，用于以所述空间特征作为输入，进行长短期记忆神经网络训练，得到用于预测铣刀磨损量的铣刀磨损量预测模型；

铣刀磨损量预测预测模块，用于基于所述铣刀磨损量预测模型进行铣刀磨损量预测。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述铣刀磨损量预测方法的步骤。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述铣刀磨损量预测方法的步骤。