[发明专利]基于大数据挖掘的变工况下刀具磨损状态预测方法

摘要

本发明公开了一种基于大数据挖掘的变工况下刀具磨损状态预测方法，用于解决现有刀具磨损状态预测方法准确率差的技术问题。技术方案是采用大数据技术，通过获取变工况因素的全样本数据，并对前馈神经网络FFNN数据挖掘方法进行改进，使其具有增量学习的能力，能不断融合新的工况获得更准确的预测模型。由于考虑了影响刀具磨损的全样本数据，并对新的刀具状态特征向量进行增量学习，不断融和学习新的工况获得更准确的预测模型，并为进一步分析影响刀具磨损的相关因素提供依据。与现有技术相比，本发明对新增工况进行学习，提高了变工况下刀具磨损状态预测的准确率。经检测，最小误差结果为err＝0.03933，即预测准确率提高96％以上。

主权项

1.一种基于大数据挖掘的变工况下刀具磨损状态预测方法，其特征在于包括以下步骤：步骤一、输入一个新的工况向量，判断工况是否属于已知刀具磨损状态，如果属于，则通过以下公式对该工况进行增量学习，用公式：式中，x表示新输入的工况向量，θ是网络参数，Δy是实际输出与网络输出的差值，J(x,θ+Δθ)作为平均平方误差函数，由(1)式得到代价函数：式中，f(x,θ)表示当参数为θ时，x经过非线性映射f得到的实际输出；求解式(2)的一阶近似式：将式(3)对Δθ求导并令其等于0，得到Δθ的计算式：式中，u为学习效率，这样以参数θ+Δθ的更新代替原有参数θ；步骤二、对于新增的工况不属于已知刀具磨损状态，通过FFNN网络的结构更新学习该新增工况；对每增加一个神经元，需要调整权重矩阵和偏置向量的形式，权重矩阵和偏置向量分别为W和b，每增加一个神经元，权重矩阵W增加一行和一列，偏置向量b增加一个分量；增加m个神经元，则权重矩阵增加m行和m列，偏置向量增加m个分量，更新后网络结构参数：式中，W’表示更新的网络权重矩阵，b’表示更新网络的偏置向量；步骤三、利用前向传播计算隐藏层输出值与网络模型输出值f(x,θ')，计算网络模型输出值f(x,θ')与理想输出值y的差值Δy及代价函数J(x,θ')，通过在MapReduce上利用反向传播计算代价函数J(x,θ')对网络参数θ’的偏导数，并通过梯度下降法更新网络参数；步骤四、随着不断出现的新工况，通过增加隐藏层神经元进行的结构更新会降低神经网络的学习性能，即网络出现冗余连接，此时，神经网络权重矩阵W执行SVD分解：W＝UΣVT   (6)式中，W表示网络权重矩阵，Σ表示对角矩阵，U和V表示分解矩阵；对角矩阵中等于0或接近0的权重表示该连接在网络中是冗余的，删除这些连接，同时删除该隐藏层神经元，对整个神经网络进行连接的优化；这个过程只有在神经网络的训练速度、学习能力和泛化能力下降，即网络连接中出现大量冗余时进行。