[发明专利]基于编码器-解码器阶段注意力机制的刀具磨损预测方法

说明书

本发明涉及一种基于编码器‑解码器双阶段注意力机制的刀具磨损预测方法，基于刀具磨损预测模型，刀具磨损预测模型包括解码器和编码器，步骤包括：步骤S1：采集铣削加工过程的刀具运行数据，进行数据预处理，并提取刀具统计特征；步骤S2：刀具统计特征进行最大信息系数计算，根据磨损特征相关性进行排序，筛选出目标个数的刀具磨损特征；步骤S3：将刀具磨损特征输入基于卷积‑双向门控循环‑注意力机制的编码器进行编码，获得刀具磨损特征编码；步骤S4：将刀具磨损特征编码输入基于独立循环长期短期记忆单元‑注意力机制的解码器，输出刀具的磨损预测值。与现有技术相比，本发明具有提高被检测刀具的磨损预测值的准确性和稳定性等优点。

技术领域

本发明涉及刀具磨损预测领域，尤其是涉及一种基于编码器-解码器阶段注意力机制的刀具磨损预测方法。

背景技术

随着智能制造、云制造、智慧制造等概念的提出，智能化成为现代生产企业的共同发展方向，信息技术的持续升级，物联网、大数据、深度学习等领域的积累使得工业智能化逐步形成。在车间生产中，机床是现代制造过程中不可或缺的重要要素，然而在机床使用过程中，刀具的磨损不可避免，它直接影响了刀具的使用寿命与表面质量及尺寸精度，进而影响加工的经济性，而解决这些问题的关键在于对刀具磨损状态的智能监控与预测。

近年来，国内外在刀具磨损的监测方面做了很多工作，主要致力于在线监测刀具磨损和刀具的剩余寿命预测。刀具磨损领域的自动监测方案主要分为直接法与间接法两类，直接法一般应用于非加工过程中的离线监测，通过传感设备直接得到刀具位置、形状等参数进而判别刀具磨损状况，虽然准确性高但对条件要求苛刻如需停机检测，实用性不强；间接法则是通过测量刀具振动、受力、电流、声发射等间接指标并与磨损状态之间建立相关关系，从而得到刀具的磨损程度，目前已成为主流的方案选择。

随着机器学习技术的发展，深度学习理论为工业大数据的处理和分析提供了新的可能。考虑到时间序列的特征和输入数据的动态变化，循环神经网络引入了一种循环结构，与其他神经网络相比，它可以更好地对动态时间序列数据进行建模。因此，循环神经网络(RNN)及其变体，长短期存储网络(LSTM)和门控循环单元(GRU)，已广泛应用于该领域。

GRU和LSTM都是特殊的RNN，为解决RNN中的梯度消失问题而提出，尽管两个网络结构在一定程度上改善了这些梯度问题，但LSTM和GRU使用tanh函数和sigmoid型函数作为激活函数，这会导致层之间的梯度衰减。其次大多数基于递归神经网络的刀具磨损预测方法主要集中在输入数据或特征的选择上，而输入对刀具磨损的影响程度却未被考虑或忽略，由于数据的不稳定性和可变性，导致对刀具磨损的误判，降低刀具磨损预测的准确性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法，解决了循环神经网络结构中出现的层级梯度衰减问题并且反映了输入数据对刀具磨损的影响程度，提高了对刀具磨损过程建模的效果。

本发明的目的可以通过以下技术方案来实现：

一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法，基于刀具磨损预测模型，所述刀具磨损预测模型包括解码器和编码器，所述方法具体包括以下步骤：

步骤S1：采集机床铣削加工过程中的刀具运行数据，对所述刀具运行数据进行数据预处理，并从完成预处理的刀具运行数据中提取刀具统计特征；

步骤S2：所述刀具统计特征进行最大信息系数计算，并根据磨损特征相关性进行排序，筛选出目标个数的刀具磨损特征；

步骤S3：将所述刀具磨损特征输入基于卷积-双向门控循环-注意力机制的编码器进行编码，获得刀具磨损特征编码；

步骤S4：将所述刀具磨损特征编码输入基于独立循环长期短期记忆单元-注意力机制的解码器，输出相应刀具的磨损预测值。