[发明专利]基于时间卷积网络和辅助学习的刀具磨损量预测方法

权利要求书

1.一种基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征在于，在数控加工过程中，通过布置在数控机床上的电流传感器采集主轴电机的电流信号，并测量每次加工过程后刀具的磨损量，同时记录加工过程使用的主要加工参数，并根据其中的稳定走刀阶段的时间对应截取主轴电机的电流信号生成训练样本用于训练神经网络，在在线测试阶段，采集并选取待预测刀具的走刀阶段主轴电机的电流信号作为待测样本，输入训练后的神经网络后即得到刀具当前的磨损量实时预测值。

2.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的训练样本是将采集的主轴电流信号中稳定走刀阶段信号划分为的多个相同长度的信号样本。

3.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的神经网络，具体为基于时间卷积网络与辅助学习的神经网络，由多个依次连接的时间卷积残差块以及并联的主任务模块和辅助任务模块构成，其中：时间卷积残差块根据输入电流信号输出多通道序列；主任务模块根据最后一个时间卷积残差模块输出的多通道序列中的最后一个元素构成的h维向量y_T，通过一层回归层获得预测的刀具磨损量，具体为：磨损量实时预测值其中：W_o和b_o分别为回归层的权重矩阵和偏置矩阵；辅助任务模块根据最后一个时间卷积残差模块输出的多通道序列中的最后一个元素构成的h维向量y_T，通过一个全连接层后再通过一层回归层得到预测的加工参数，具体为：其中：W_z和b_z分别为全连接层的权重矩阵和偏置矩阵，为非线性激活函数，z为全连接层的输出；W_c和b_c分别为回归层的权重矩阵和偏置矩阵，为回归层的输出，即预测的加工参数。

4.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的训练，具体通过将训练样本输入神经网络后得到的网络输出，与刀具磨损量的测量值，即测量刀具后刀面的磨损值VB以及加工参数记录值建立损失函数，迭代优化损失函数值，达到预设迭代步数后停止。

5.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的损失函数采用均方误差函数，具体为：其中：M为样本数量，和分别为第j个样本的主任务模块输出和辅助任务模块输出，o_j为第j个样本的真实磨损量，c_j为第j个样本的加工参数记录值构成的向量，α为辅助任务的权重参数，||·||₂为向量的2-范数。

6.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的加工参数记录包括：数控加工过程中记录的进给量、切削深度、主轴转速，即在加工开始前记录下本次加工过程设定的切削进给量、切削深度、主轴转速，参数均可从加工过程的数控代码中获得，仅需记录主要加工参数，即在多次加工中有明显变化的参数，以简化计算量。

7.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的时间卷积残差块包括：两个依次连接且完全相同的时间卷积模块，该时间卷积残差块的输出等于第一时间卷积模块的输入与第二时间卷积模块的输出之和。

8.根据权利要求1所述的基于时间卷积网络和辅助学习的刀具磨损量预测方法，其特征是，所述的时间卷积模块依次包括：扩张因果卷积层、权重归一化层、ReLU层和dropout层，其中：扩张因果卷积层对输入序列x进行扩张因果卷积操作，得到输出序列，输出序列的第n个元素其中：[f(0)，f(1)，…，f(k-1)]为一个卷积核，k为卷积核大小，d为扩张因子；权重归一化层对扩张因果卷积层中卷积核的权重向量进行归一化，即其中：w为权重向量，v和g分别为参数向量和参数标量；ReLU层使用ReLU函数作用于扩张因果卷积层的输出序列，该ReLU函数为f(x)＝max{0，x}；dropout层在每轮训练过程中随机将部分通道数据置为0以提高泛化性能。