[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

说明书

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，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。

技术领域

本发明涉及的是一种机械加工领域的技术，具体是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。

背景技术

现有的刀具磨损监测方法基于离线的刀具磨损量直接测量，需采取停机测量的方式，需要一定的时间成本且无法实现实时的磨损监测，无法满足现代高效高可靠性的生产需求。因此，基于传感信号的间接监测方法被广泛研究与应用。间接监测方法一般采集加工过程的传感信号，如主轴电流、振动、声发射等，提取一系列与刀具磨损情况相关的特征，再采用回归模型预测当前的刀具磨损量，实现在线的刀具磨损量预测。机床加工过程的传感信号中包括着大量的信息，如何获取到与刀具磨损情况高度相关的特征是决定磨损量预测准确度的关键。现有技术针对时序建模时并不具有特殊的时序处理性质，因而传感信号中包括的一些时序特性可能无法被很好利用且无法保证当刀具处于变工况状态下磨损量的预测准确度。

发明内容

本发明针对现有刀具磨损量预测方法难以适应变加工工况，预测准确度不高等问题，提出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，根据原始传感信号进行变工况适应性刀具磨损量实时预测，有效提升了预测的准确性和通用性。

本发明是通过以下技术方案实现的：

本发明涉及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，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。

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。

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。

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。

所述的刀具磨损量的测量值是指：测量刀具后刀面的磨损值VB。

所述的损失函数采用但不限于均方误差函数，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。