[发明专利]基于并行深度神经网络的数控机床刀具磨损状态预测方法

权利要求书

1.一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于，包括以下步骤：

S1.在数控机床工作台夹具及工件上安装三分量测力计、加速度传感器和声传感器；

所述步骤S1中，将三分量测力计(9)安装在工件(7)和夹具(8)之间，将三个加速度传感器(4、5、6)分别嵌装在工件的三个方向上，声传感器(10)嵌装在夹具(8)上；

S2.通过刀具对工件进行铣削加工操作，通过传感器采集所述三分量测力计、加速度传感器和声传感器的三种不同传感器融合的加工测量数据；

所述步骤S2中，对工件进行铣削加工实验，通过S1中安装的传感器得到铣削过程中的加工测量数据，包括切削力、振动信号和声信号；

S3.对原始测量数据进行特定预处理，得到具有刀具磨损量标签的训练数据和待测试数据；

所述步骤S3具体如下：

S31.将单个铣削加工操作过程收集的7种加工测量数据沿时间方向按时间方向均分为L份，提取每份数据的平均值和最大值组成新的长度为L、宽度为14的序列数据；将得到的序列数据作为一个时间窗口长度为L、宽度为14的时间窗口数据样本，对于K个铣削加工操作则有K个长度为L、宽度为14的时间窗口数据；

S32.对得到的时间窗口数据沿时间轴上进行数据统一的归一化，采用最大-最小归一化方法，将数据均归一至[-1,1]区间内；

S33.每个铣削操作后测量刀具的磨损量，并将磨损量作为训练数据的标签，从而得到训练数据；待测试数据只需要经过S31和S32处理；

S4.建立基于卷积神经网络和双向门控循环单元记忆网络的并行深度神经网络模型；

所述步骤S4中，所述的并行深度神经网络模型构建为：

S41.构造并行的两个子网络：

第一子网络由依次双层卷积神经网络组成，每层卷积神经网络包括连续依次连接的一个卷积层和一个池化层；卷积层由M个卷积滤波器组成，M个卷积滤波器的大小相同但内部权值不同，对输入的数据进行卷积得到M个特征图；且在两个卷积层均采取边缘补零方式以保持数据尺寸经过该层不变；池化层采取最大池化方式，分别对卷积层输出的各个特征图进行池化操作，得到池化后的特征图；

第二子网络由双层双向门控循环单元网络Bi-GRU组成，每层Bi-GRU网络包括两层计算方向相反的门控循环单元网络GRU，每层GRU网络包括N个GRU单元；输入数据经第一层Bi-GRU网络处理后再传入第二层Bi-GRU网络进行处理，经两层Bi-GRU网络对输入数据处理后，得到输入数据的时序特征；

S42.构造特征数据融合层，对第一子网络和第二子网络的输出数据进行线性连接，得到特征融合数据；

S43.在特征数据融合层之后构建两个连续的全连接网络层；

第一全连接网络层和第二全连接网络层后均设有dropout层，dropout层的dropout率均设置为0.2；

S44.构建输出层，神经元数设置为1，输出量为数控机床刀具的磨损量值；

S5.针对具有刀具磨损量标签的训练数据与其刀具磨损量标签输入到并行深度神经网络模型中，离线训练并行深度神经网络模型；

S6.针对数控机床需要预测的未知刀具磨损量标签的待测试数据输入到训练好的并行深度神经网络模型中，在线处理得到数据数控机床刀具的磨损量预测值。

2.根据权利要求1所述的一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于：对于并行深度神经网络模型，所述的输出层激活函数选择线性激活函数Linear进行预测，模型损失函数则选择均方差损失函数。

3.根据权利要求1所述的一种基于并行深度神经网络的数控机床刀具磨损状态预测方法，其特征在于：训练并行深度神经网络模型时选用Adam优化算法，学习率设置为0.0005，迭代次数设置为150。