[发明专利]一种基于混合神经模型的数控机床刀具剩余寿命预测方法

说明书

本发明属于数控机床刀具寿命预测领域，特别涉及一种基于混合神经模型的数控机床刀具剩余寿命预测方法，包括构建混合神经网络模型，针对刀具数据采样频率，构建PLC工况信号数据与振动和电流信号的同一时间段的样本生成一个样本数据；利用卷积神经网络和长短期记忆网络联合的子模型对样本数据进行学习得到第一表征刀具寿命的特征向量；利用NFM神经网络将采样点的工况信号hash成一独特的索引值后生成一特定维度的可学习的向量表学习获得第二表征刀具寿命的特征向量；将刀具当前工作时长和获取的特征向量输入到多层感知机中进行融合，预测刀具寿命；本发明能够根据刀具中的稀疏特征对道具寿命进行有效、精确的预测。

技术领域

本发明属于数控机床刀具寿命预测领域，特别涉及一种基于混合神经模型的数控机床刀具剩余寿命预测方法。

背景技术

刀具作为在工业制造过程中的重要工具，其寿命和磨损状态影响着工件的生产质量，生产效率以及车床的健康状态。如果能精准预测出刀具的剩余寿命，将有效地降低工业制造的成本。刀具磨损测量方法大致可分为直接法和间接法两种。直接测量需要测量实际磨损，使用不同的方法，如：光学测量，放射性分析和电阻测量。然而，直接测量加工操作之间或期间的刀具磨损是困难的。另外就是间接测量，根据刀具条件和可测量信号(如力、声发射、振动、电流等)之间的关系来检测刀具状态的间接方法已经得到了广泛的研究。例如，通过使用力，振动和声发射(AE)信号，Sun等人基于运行可靠性评估和反向传播神经网络(BPNN)预测了切削刀具的剩余寿命值。

传统机器学习方法需要手工提取特征，有很大的局限性，而深度学习模型能够从实时地大量数据中自动抽取特征，并且深层的网络结构赋予其强大的非线性学习能力，有效弥补了传统机器学习方法的缺陷。Zhou等提出了一种基于LSTM网络的可变工况下刀具剩余使用寿命预测方法。根据影响刀具磨损的因素，建立工作条件的统一表示，从过程监测信号中提取磨损特性，利用提取的磨损特征等工况构造成特征向量，捕捉可变工况下复杂的时空关系。基于LSTM模型在解决具有复杂相关性和记忆积累效应的问题中的独特优势，建立了可变工况下的工具剩余使用寿命预测模型。Zhao等提出了基于局部特征的门控回归单元(LFGRU)网络，其在手工特征后进一步设计了改进的双向GRU自动化提取深层特征，在神经网络末层加入一个监督学习层来预测机器状态。通过刀具磨损预测、齿轮箱故障诊断和初期轴承故障检测三个机器健康监测任务的实验，验证了所提出的LFGRU的有效性和泛化能力。Meng等提出了一种新的基于卷积的长期短时记忆(CLSTM)网络来预测旋转机械挖掘原位振动数据的RUL，与简单地将卷积神经网络(CNN)串行连接到长短时记忆(LSTM)网络的研究不同，所提出的网络对LSTM的输入到状态和状态到稳态转换进行卷积运算，该转换包含信号的时频和时间信息，不仅保留了LSTM的优点，而且还包含了时频特征。在LSTM中的卷积结构具有捕获长期依赖关系的能力，同时还能从时频域提取特征。通过逐层叠加多个CLSTM，形成编码预测体系结构，建立了RUL预测的深度学习模型，Sun等提出了一种基于稀疏自编码器的深度传输学习(DTL)网络。在DTL方法中，采用了三种转移策略，即权重转移、隐藏特征转移学习和权重更新，将由历史故障数据训练的SAE转移到新对象。通过这些策略，实现了对无监督信息的新目标的预测训练。Zhang等提出了一种基于深度学习的动态系统性能跟踪和后续RUL预测方法。利用LSTM作为模型，因其具备在发现时间序列的变化模式方面有着强大的功能，被用来跟踪系统的退化。然而目前研究中并没有针对刀具中的稀疏特征提出很好的解决方法，本专利针对此进行了研究。

发明内容

针对刀具中的稀疏特征，本发明提出基于混合神经模型的数控机床刀具剩余寿命预测方法，包括构建混合神经网络模型，该模型包括卷积神经网络、长短期记忆网络以及NFM神经网络，进行数控机床刀具剩余寿命预测具体包括以下步骤：

S1：针对刀具数据采样频率，构建PLC工况信号数据与振动和电流信号的同一时间段的样本，以低频率PLC采样点为标准生成一个样本数据；

S2：利用卷积神经网络和长短期记忆网络联合的子模型对样本数据进行学习得到第一表征刀具寿命的特征向量；