[发明专利]一种铣刀磨损量预测方法和系统

说明书

本发明实施例提供一种铣刀磨损量预测方法和系统，通过对传感器所采集的工业原始信号数据进行数据分析及特征提取，过建立时域、频域和时频域分析，提取原始信号数据对应特征；结合长短期记忆神经网络建立铣刀磨损量预测模型。模型建立后，通过实际铣刀加工数据进行模型训练及验证。通过分析实验数据集，进行特征工程，建立时域、频域及时频域分析，提取原始信号数据的有效信息，模型可充分利用工业数据的时间序列特性，自适应地学习所提取特征之间的复杂隐含关系，并具备长距离依赖学习能力，可避免出现梯度爆炸和梯度消失问题，从而精准地预测铣刀的磨损量。

技术领域

本发明实施例涉及数控加工技术领域，尤其涉及一种铣刀磨损量预测方法和系统。

背景技术

铣刀作为高速数控机床的关键部件之一，在加工过程中，其磨损会严重影响工件表面的光洁度和尺寸精度。工业统计数据显示，刀具故障损坏是导致机床故障的主要因素，其产生的停机时间占据数控机床总停机时间的较大比例。当刀具在出现磨损故障但未被发现的状态下继续加工时，会导致刀具损坏、工件报废，甚至损坏机床。准确可靠的刀具磨损量预测可有效指导生产，降低非必要的停机时间，节省制造成本，提高生产效率。刀具磨损量预测就是基于工业采集信号数据来推断未来的磨损情况，了解加工过程的趋势，从而科学合理地评估刀具磨损的当前状态，实现生产过程质量的改善。

目前，评估刀具磨损状态可以使用直接监测和间接监测的方法。直接监测方法精度高,但需要停机测量而不能实现在线监测。间接监测则是通过传感器来获取与刀具当前磨损状态有间接相关性的各种信号数据来实现的，适用于数字化智能制造系统。传感器主要用于采集工业过程中的三向力信号、高频振动信号、声发射信号和电流信号等。该方法通过对数据进行预处理和特征提取后，使用深度学习模型对刀具磨损量进行监测。深度学习模型可以更好地适应时间序列数据中复杂的非线性关系。在非线性建模方法中，深度学习模型具有自适应、自组织学习机制，对非线性时间序列数据具有良好的预测能力。现有基于支持向量回归和基于分布式卷积神经网络等的刀具磨损量预测模型，其实验结果表明，上述方法均具有一定有效性。

现有技术方法均为传统神经网络，其中的计算结果之间并没有相关性。而循环神经网络模型特点是具有记忆空间，可对前置计算过程的结果进行存储。循环神经网络隐含层计算既采纳了当前的输入信息，也包含隐含层最后的计算过程状态。然而循环神经网络对于时间序列数据中的长距离依赖关系学习的能力较差，因为其只具备短期的记忆能力，当时间序列的长度过长时，容易造成梯度消失和梯度爆炸的问题。

发明内容

本发明实施例提供一种铣刀磨损量预测方法和系统，以解决现有技术中使用深度学习模型对刀具磨损量进行监测时，计算结果之间并没有相关性，对于时间序列数据中的长距离依赖关系学习的能力较差，因为其只具备短期的记忆能力，当时间序列的长度过长时，容易造成梯度消失和梯度爆炸的问题。

第一方面，本发明实施例提供一种铣刀磨损量预测方法，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。

作为优选的，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。

作为优选的，所述空间特征包括时域特征、频域特征和时频域特征。

作为优选的，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：