一种刀具磨损监测和预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113780153A(43)申请公布日2021.12.10(21)申请号202111044688.X(22)申请日2021.09.07(71)申请人北京理工大学地址100000北京市海淀区中关村南大街5号(72)发明人焦黎程明辉颜培仇天阳姜洪森刘志兵王西彬(74)专利代理机构石家庄德皓专利代理事务所(普通合伙)13129代理人杨瑞龙(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)B23Q17/09(2006.01)权利要求书2页说明书8页附图3页(54)发明名称一种刀具磨损监测和预测方法(57)摘要本发明涉及机械加工领域，具体涉及基于切削力信号的刀具磨损监测和预测方法。本发明将整段切削信号按照10000个数据点的长度划分成N段(N取20)，对每段数据进行时域特征、频域特征和时频域特征的提取，本发明利用特征正则化方法处理得到的特征向量序列，以最小化切削参数引起的切削信号变化，同时保留刀具磨损与切削信号之间的映射关系，为了进一步优化特征向量序列，通过注意力机制对特征向量序列中的不同特征分配不同的权重系数，加强特征向量序列中有价值的信息，弱化冗余信息，在提高生产效率的同时降低生产成本，对于当前数据驱动的智能制造模式具有很大意义。CN113780153ACN113780153A权利要求书1/2页1.一种刀具磨损监测和预测方法，其特征在于包括以下步骤：①从切削信号中提取局部特征；101将整段切削信号按照10000个数据点长度划分成N段(N取20)，对每段数据进行时域特征、频域特征和时频域特征的提取；提取的时域特征包括最大值、最小值、峰峰值、方差、均方根、峰度因子和偏度因子，频域特征包括均值、最大值、均方根和功率值，时频域特征包括小波能量值；102将从数据中提取到的特征量按照切削信号的时间维度依次排序，形成特征向量序列，特征向量序列如下：c＝(c1,c2,...cT‑1,cT)(1)其中ci表示提取到的特征量，T表示将整段切削信号划分成的段数，在这里为20；②对基于步骤①提取到的局部特征进行正则化处理；③对步骤②中得到的局部特征进行处理；301计算特征向量的权重，对计算得到的权重参数进行归一化处理，然后每一段切削数据中提取到的特征向量共享计算得到的归一化权重，其相应的计算过程如下所示：ai＝tanh(Wa·ci+ba)(1≤i≤m)(2)其中，Wa表示注意力机制的权重，ba表示注意力机制的偏置，ai表示计算得到的特征向量权重，tanh表示双曲正切函数，αi表示归一化后的特征向量权重，exp表示指数函数，α表示特征向量的权重矩阵，m表示从一段时间序列信号中提取到的特征数，T表示整段切削信号被划分成的段数；302对特征向量的权重矩阵和原始的特征向量序列进行点乘操作，实现对不同的特征量赋予不同的权重；④建立刀具磨损监测模型；401串联向量和卷积核之间的乘法运算，其表示为：Covi＝f(W'xi:i+L‑1+b)(5)其中，Covi表示通过卷积操作后得到的特征表示，f表示激活函数，W表示卷积核，xi:i+L‑1表示从输入样本中截取到的串联向量，L表示串联向量的长度，b表示卷积神经网络的权重；402构建并行的、具有不同层数的卷积神经网络结构，包括单层的卷积神经网络和双层的卷积神经网络，然后合并不同层数的卷积神经网络获得的特征表示；403合并后的特征表示被用作双向长短时记忆神经网络的输入，双向长短时记忆神经网络内部的单元结构主要包括遗忘门、输入门和输出门，其相应的表达式如下所示：2CN113780153A权利要求书2/2页其中，ft表示遗忘门，it表示输入门，ot表示输出门，ht‑1表示上一时刻的信息，xt表示当前时刻的输入向量，w，U，b分别表示需要被学习的网络参数，σ表示sigmoid函数；404双向长短时记忆神经网络的长期记忆单元和短期记忆单元可以表示为：其中，ct表示长期记忆单元，ct‑1表示上一时刻的长期记忆单元，ht表示短期记忆单元，wc，Uc，bc分别表示被学习的网络权重和偏置，和分别表示元素的相乘和相加；⑤划分步骤④中监测到的刀具磨损数据，构建刀具磨损预测训练集T2；⑥基于构建刀具磨损预测模型，建立历史输入向量与将来输出向量之间的映射关系。2.根据权利要求1所述的一种刀具磨损监测和预测方法，其特征在于，所述步骤②中当切削速度为V，每齿进给量为fz，切削深度为ap时提取到的特征量为sf；当得到未磨损刀具下正则化后的特征量，对刀具磨损过程中提取到的特征量进行正则化处理，其计算过程如下所示：其中sfN表示刀具未磨损时，正则化后的特征量,sfw表示刀具磨损过程中提取到的特征量，sfNw表示刀具磨损过程中正则化处理后的特征量，