[发明专利]一种虑及加工质量的切削刀具保质加工寿命的预测方法

权利要求书

1.一种虑及加工质量的切削刀具保质加工寿命的预测方法，包括以下步骤：

步骤1、采集加工过程中加工物理信号并预处理；

步骤2、构建切削刀具磨损与工件加工质量的映射关系，获得保证加工质量条件下刀具最大加工周期，即刀具保质加工寿命数据；

步骤3、依据步骤1采集的加工物理信号和步骤2刀具保质加工寿命数据构建数据集，并基于AE-HMM训练得到刀具保质加工寿命预测模型；

步骤4、基于步骤3的训练模型，在线预测刀具保质加工寿命。

2.根据权利要求1所述虑及加工质量的切削刀具保质加工寿命的预测方法，其特征在于：所述步骤1中预处理采用滤波方法与时频域信号分析方法，利用低通数字滤波器对含有异常值的加工物理信号进行滤波处理，达到数据清洗的效果，提取加工物理信号时域特征以及频域特征，用于数据降维。

3.根据权利要求2所述虑及加工质量的切削刀具保质加工寿命的预测方法，其特征在于：步骤1包括S1：采集加工过程中加工物理信号并预处理和S12：对滤波后的温度信号进行时频域信号分析。

4.根据权利要求1所述的虑及加工质量的切削刀具保质加工寿命的预测方法，其特征在于：所述步骤2中构建切削刀具磨损与工件加工质量的映射关系，获得保证加工质量条件下刀具最大加工周期，得到刀具保质加工寿命采用基于卷积神经网络（CNN）的融合算法，CNN的模型结构包括依次连接的卷积层、池化层、展平层和全连接层。

5.根据权利要求4所述虑及加工质量的切削刀具保质加工寿命的预测方法，其特征在于：所述基于卷积神经网络的融合算法将工件加工质量中的工件加工精度和损伤作为输入，经过多层卷积操作和池化操作，通过全连接层将分布式特征表示映射到样本标记获取样本的映射向量，将映射向量带入sigmoid激活函数中，在融合工件多项加工质量指标的同时，构建了切削刀具磨损与工件加工质量的映射关系，输出刀具剩余保质加工寿命，再根据刀具剩余保质加工寿命对刀具加工状态进行划分。

6.根据权利要求1所述虑及加工质量的切削刀具保质加工寿命的预测方法，其特征在于：步骤3依据上述采集的加工物理信号和刀具保质加工寿命数据构建数据集，具体步骤包括：对数据做归一化处理，根据比例将数据集划分为训练集与验证集，训练集用来训练预测模型，验证集用来验证模型。

7.根据权利要求6所述虑及加工质量的切削刀具保质加工寿命的预测方法，其特征在于：步骤3中包括以下步骤：

S31：进行归一化处理，使温度数据和刀具保质加工寿命处于同一数量级，完成数据去量纲化；

S32：传感器采集到的数据包含噪声等非真实信号数据，每组原始信号数据由于包含的噪声数量不等，降噪后的数据长度不等，为了统一数据的维度与长度，有必要根据长度、维度进行统一划分，将其按整个寿命周期划分为一组数据；对每组温度信号按其对应刀具保质加工寿命分别赋予标签，将每把刀的剩余刀具保质加工寿命按等间隔划分，分别与温度信号对应，构成训练集和验证集；

S33：构建基于AE-HMM的刀具保质加工寿命预测模型，并通过已构建的数据集，训练得到刀具保质加工寿命预测模型。

8.根据权利要求1所述虑及加工质量的切削刀具保质加工寿命的预测方法，其特征在于：所述基于AE-HMM刀具保质加工寿命预测模型包括：

将经上一步处理后的数据集导入预测模型，模型自动对特征集数据进行特征提取的自动提取特征模块；

在特征集与标签集之间建立非线性映射关系，对刀具保质加工寿命预测的实时预测模块。

9.根据权利要求8所述虑及加工质量的切削刀具保质加工寿命的预测方法，其特征在于：所述基于AE-HMM的预测模型包括：自动提取特征模块，所述自动提取特征模块由自编码器（AE）构成；所述基于AE-HMM的预测模型还包括实时预测模块，所述实时预测模块由隐马尔可夫模型HMM构成，在模型训练过程中，选用对数似然概率值作为模型预测准确率的评价指标，当对数似然概率值大于期待值时，完成训练并保存模型。

10.根据权利要求9所述虑及加工质量的切削刀具保质加工寿命的预测方法，其特征在于：所述刀具保质加工寿命预测模型，将传感器采集到的钻刀温度信号作为预测模型的输入，刀具保质加工寿命作为输出；数据要经过自动提取特征模块，对数据的深层特征进行挖掘，既能够提取出温度信号的深层特征又能够达到降维效果；所述自动特征提取模块由AE组成，搭建一个自编码器的过程是：搭建编码器，搭建解码器，设定一个损失函数，这里的损失函数选择均方误差函数，编码器能对原始数据进行压缩，将与数据相关性小的特征删除，将相关性相近的特征融合，解码器则可以完成解压缩过程，将解码后的数据与原始数据相比，其重构误差在可接受范围内即可以说明该自编码器具有特征提取功能，进而提取数据深层特征；将提取到特征输入实时预测模块，所述实时预测模块由隐马尔可夫模型（HMM）组成；隐马尔可夫模型是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程；隐马尔可夫模型由初始状态概率向量π，状态转移概率矩阵A和观测概率矩阵B决定，π和A决定状态序列，B决定观测序列；状态转移概率矩阵A与初始状态概率向量π确定了隐藏的马尔可夫链，生成不可观测的状态序列；观测概率矩阵B确定了如何从状态生成观测，与状态序列综合确定了如何产生观测序列；训练好的预测模型较单一隐马尔可夫模型的预测准确率有较大的提高。