[发明专利]基于多源样本迁移强化学习的智能加工刀具磨损预测方法

说明书

公开了一种基于多源样本迁移强化学习的智能加工刀具磨损预测方法，它包括以下步骤：根据几种刀具的不同磨损曲线获取多个源任务及一个目标任务；初始化模型参数及最大迭代时间；检测当前刀具的磨损状态，对磨损数据进行特征提取及降维，构建加权极限学习机的训练样本集，并训练加权极限学习机；执行加工动作，观察当前刀具的磨损状态，计算各源任务和目标任务之间的状态相似度和回报相似度；计算源任务中各样本属于目标样本集的概率；获取任务相似度，并将固定个数的样本从每个源样本集迁移到目标样本集；利用基于加权极限学习机的Q学习机制更新Q值，并将新的刀具磨损数据添加到目标样本集中；构建粒子滤波模型的状态方程及观测方程。

技术领域

本公开属于数控制造设备刀具磨损检测领域，特别涉及一种基于多源样本迁移强化学习的智能加工刀具磨损预测方法。

背景技术

刀具磨损、破损是数字化加工过程中最为常见的故障，不但直接影响制造成本、产品质量及生产效率，严重时还会造成重大的设备停机事故。因此，刀具状态检测对保证加工系统的安全、加工的顺利进行、降低生产成本以及提高生产效率等方面具有重要意义。然而，由于加工过程涉及物理反应、物质及能量的转换和传递，加工过程的复杂性及不确定性导致了加工过程中刀具状态参数检测的困难，而无论是加工过程控制中先进加工过程控制算法和策略的具体实施，还是加工过程中的参数优化、刀具的状态监测及故障诊断等，其实现的前提是能有效地获取反映加工过程中刀具的状态信息。加工过程检测技术发展水平的限制，导致了很多先进的加工过程控制算法和策略目前只能停留在理论探讨上，难以应用到实际加工中，许多加工生产系统也无法依靠故障诊断和状态监测等措施来提高系统运行的安全性和可靠性。为解决上述问题，虚拟测量技术应运而生。

中国发明专利申请“一种基于深度学习的数控机床刀具磨损监测方法”(CN201711117628)，通过采集数控机床主轴电机的三相电流信号，从三相电流信号中截取与待检测刀具对应的电流信号，对每段电流信号进行规整处理，将规整处后的各段电流信号输入稀疏自动编码网络中进行训练，进而实现刀具磨损的检测，但该方法需要大量的数据对稀疏自动编码网络进行训练，导致训练时间长，且只能检测同一类别的刀具，适用性不强。

中国发明专利申请“一种刀具磨损监测方法”(CN103465107A)，通过采集刀具在各种不同磨损状态的声发射信号、机床中主轴电机与进给电机的电流信号、切削速度、切削深度和进给量，通过遗传算法对神经网络的初始权值和阈值进行优化，用训练好的神经网络对刀具磨损程度进行预测。但该方法得到的数据量较大，数据分布不均衡，神经网络训练的时间较长且准确性不高，且得到的神经网络只能检测单一的刀具类型，适用性不强。

欧洲发明专利申请“Tool monitor”(EP0334341A2)，利用声发射传感器采集制造设备刀具的声发射信号，结合带通滤波器对信号进行预处理，通过将实时采集的制造设备刀具的声发射信号与当刀具断裂时的声发射信号进行对比，得到刀具状态。但该方法不能获取声发射信号与刀具状态的隐含特征，导致滤波后的声发射信号不能完全体现刀具的实时状态，且简单的对比判定需离线判定，判定的结果主要依赖于以往的经验，导致检测结果的准确性不够。

欧洲发明专利申请“Cutting tool wear monitor”(EP0165745A2)，通过采集在加工过程中工件上产生的短路电流、开路电压及功率信号，结合经验分析，来检测旋刀具磨损状态，随着刀具的磨损，所产生的电流、电压和功率逐渐增加，直到急剧增加表示由于过度磨损或破损导致了刀具损坏。但由于电流及电压易受到外界因素的影响，导致检测结果不能准确表示刀具的实时磨损状态，且通过电流、电压的变化只能判断刀具是否已经磨损，而不能判断刀具的实时磨损量，达不到实时检测的要求。

发明内容

针对上述问题的至少一个方面，本公开拟设计一种基于多源样本迁移强化学习的智能加工刀具磨损预测方法，该方法利用多源迁移强化学习模型及粒子滤波模型，结合虚拟检测方法，有效解决了目前加工过程中刀具磨损检测系统存在的检测目标单一及准确性不足的问题。