[发明专利]基于LSTM网络的变工况下刀具剩余寿命预测方法

说明书

本发明公开了一种基于LSTM网络的变工况下刀具剩余寿命预测方法，用于解决现有刀具寿命预测方法实时性差的技术问题。技术方案是采用希尔伯特黄变换从过程监测信号中提取出磨损特征，并对多工况因素加工工况场景进行定义，通过长短期记忆网络学习加工中工况场景与刀具磨损特征变化之间的关联关系，预测刀具剩余寿命。由于LSTM模型充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，同时LSTM的模糊性能够在空间上对工况场景和加工磨损特征复杂相关关系进行建模。本发明考虑了变工况场景下工况变化与刀具磨损之间复杂的时空关系，实用性好。与现有技术相比，预测误差达到0.01，样本实例的网络预测准确率达到85％以上。

技术领域

本发明涉及一种刀具寿命预测方法，特别是涉及一种基于LSTM网络的变工况下刀具剩余寿命预测方法。

背景技术

刀具剩余寿命预测对加工过程质量保障和持续高效生产有重要意义。刀具磨损与工况直接相关，在加工中呈现出复杂的关联关系，导致变工况下刀具剩余寿命难以预测。

文献“基于GA-BP神经网络的刀具寿命预测研究，精密制造与自动化，2017，Vol.2，p9-11”公开了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。该方法采用刀具直径、切削深度、每齿进给量、切削宽度和刀具齿数作为输入，将遗传算法(GA)引入到BP神经网络中，用GA对BP网络的权值以及阈值进行全局搜索，定位最优解范围，从而使权值以及阈值种群聚集在一定范围之内，再利用BO算法局部寻优能力从而得到最优解，实现对刀具剩余寿命的预测精度的提升。而对于变工况下的刀具剩余寿命预测，同一把刀具在其生命周期内可能加工多个零件，刀具是在一种不断变化的加工条件下工作的，其磨损情况随着加工条件而变化，加工中工况变化与刀具磨损之间关系更为复杂。该预测方法的应用具有局限性。

发明内容

为了克服现有刀具寿命预测方法实时性差的不足，本发明提供一种基于LSTM网络的变工况下刀具剩余寿命预测方法。该方法采用希尔伯特黄变换(HHT)从过程监测信号中提取出磨损特征以衡量不同加工阶段的刀具磨损，并对多工况因素加工工况场景进行定义，通过长短期记忆网络(LSTM)学习加工中工况场景与刀具磨损特征变化之间的关联关系，在此基础上进一步预测刀具剩余寿命。由于LSTM模型的特殊结构可以充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，同时LSTM的模糊性可以在空间上对工况场景和加工磨损特征复杂相关关系进行建模。本发明考虑了变工况场景下工况变化与刀具磨损之间复杂的时空关系，对于变工况下刀具剩余寿命预测具有较好的适用性。与现有技术相比，对工况变化情况没有限制，且预测误差可达到0.01，对样本实例进行学习预测，网络的预测准确率可至85％以上。

本发明解决其技术问题所采用的技术方案是：一种基于LSTM网络的变工况下刀具剩余寿命预测方法，其特点是包括以下步骤：

步骤一、设置磨损特征提取窗口长度win_hht，对刀具全生命周期工况数据连续分段，即

式中，X_org表示刀具全生命周期工况数据，长度为N，C_t表示第t个n×win_hht维工况分段矩阵，其中n是工况数据中工况向量的维数，即工况因素个数。

步骤二、对每个工况分段矩阵C_t中过程监测信号x_t基于HHT进行磨损特征提取。将x_t经EMD分解为IMF的组合，即

x_t表示为m个IMF分量与一个平均趋势分量r_m的组合。然后选取对磨损变化敏感的d个IMF分量进行希尔伯特变换，进而得到d个IMF分量对应的边际谱。对于每个IMF分量c_k，将所得边际谱e个最大幅值点和对应IMF分量的振幅均值A_k作为该IMF分量的磨损特征。