[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

说明书

本发明公开了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。在数控机床工作台及夹具上安装测力计、加速度传感器和声传感器；进行铣削加工实验，采集铣削加工过程的切削力、振动和声信号，得到多传感器数据，并采集刀具的磨损量；预处理得到训练数据和待测试数据；建立并行深度神经网络模型；将处理好的训练数据及刀具磨损量标签输入到并行深度神经网络中离线训练模型；将待测试多传感器数据传入训练好的模型中，在线实时预测刀具的磨损量。本发明方法充分挖掘了数控机床刀具加工过程的隐含特征，可以对刀具磨损量进行实时预测。且该方法适用性广泛，可以广泛应用于各种数控机床中。

技术领域

本发明涉及了一种数控机床加工刀具磨损状态预测方法，特别涉及了一种基于并行神经网络的数控机床刀具磨损状态预测方法，属于数控加工刀具磨损状态预测领域。

背景技术

在数控机床加工零件的过程中，刀具的使用状态对加工质量有着至关重要的影响。经过严重磨损的刀具会导致零件加工精度差，严重时甚至会导致工件报废，进而大大增加加工成本，影响工期。因此，对刀具磨损量进行预测是非常紧迫且有意义的。

通常情况下，刀具磨损量难以直接测量，需要用到较为精密的仪器和复杂的测量方式，因此，采用间接预测方法已经成为一种常用的方法。通常，加工过程中的振动、切削力和声音信号中隐藏着刀具磨损的相关信息，因此被用于监控或者预测刀具的磨损状态。

目前，刀具磨损状态的预测方法大都属于基于数据驱动的预测方法。基于数据驱动的方法主要在于构建预测模型，对加工过程中的运行数据进行挖掘，得到运行数据与刀具磨损之间的隐含联系，进而实现预测。常用的模型包括支持向量机、隐马尔可夫模型、卷积神经网络、BP神经网络、长短期记忆网络和门控循环单元等。卷积神经网络最初被提出的时候是用于处理图片相关的工作，因其有效的局部特征提取能力而得到了广泛应用，近年来也用于处理序列数据问题：2018年，专利“一种基于卷积神经网络的刀具磨损监测方法”公开了一种基于卷积神经网络的刀具磨损监测方法，基于振动信号对刀具磨损状态进行监测；门控循环单元网络可以有效处理时序数据，提取数据中重要的时序特征，在序列数据问题中得到了广泛应用。2018年，专利“基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法”公开了基于门控循环单元和自编码器的行星故障识别新方法，在实际诊断中获得了较好的效果。而双向门控循环单元网络可以从时序数据的两端同时开始提取特征，使预测结果具有更高精度，因此比传统门控循环单元网络更有应用场景。

现有的基于数据驱动的方法在数控机床刀具磨损中取得了较好的成果，已经成为了最常用的预测方法。但这类方法仍然有一定局限性，比如模型的数据处理能力不强导致的预测精度低和应用性不广泛等问题。综上所述，提出一种预测精度高、应用范围广的预测模型是非常重要的。

发明内容

针对背景技术中提到的问题，本发明提出了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。该方法通过卷积神经网络和双向门控循环单元网络的并行使用，不仅有效地提高了模型的预测能力，而且该方法应用范围广，经过稍微调整，就可以广泛应用于各种数控机床刀具的磨损状态预测。

为实现上述功能，本发明的技术方案具体包括以下技术步骤：

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；

S2.通过刀具对工件进行铣削加工操作，通过传感器采集三种不同传感器融合的加工测量数据；

S3.对原始测量数据进行特定预处理，包括数据重采样、特征提取、时间窗口数据生成和数据归一化，得到具有刀具磨损量标签的训练数据和待测试数据；

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；

S5.针对具有刀具磨损量标签的多传感数据融合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；