[发明专利]基于多尺度注意力机制的材料去除状态预测方法

说明书

本发明公开了一种基于多尺度注意力机制的材料去除状态预测方法，包括：S1.采集加工材料的位移数据，并确定加工材料的去除状态；S2.对加工材料的位移数据进行预处理，得到处理后的位移数据；所述预处理依次包括一阶差分处理、标准化处理以及数据扩增处理；S3.构建基于多尺度注意力机制的神经网络模型；S4.设置网络训练参数，并使用处理后的位移数据对所述神经网络模型进行网络训练，得到训练后的网络模型；S5.将待测加工材料的位移数据输入到训练后的网络模型，输出所述待测加工材料的去除状态。本发明能够提升数据特征提取的准确性和网络模型的预测精度，实现对材料去除状态的有效预测。

技术领域

本发明涉及材料去除状态领域，具体涉及一种基于多尺度注意力机制的材料去除状态预测方法。

背景技术

在实际加工过程中，由于砂带磨损、加工误差等因素的影响，很难确定材料的去除状态，而磨削生产中工件材料的准确去除决定了工件的最终加工质量，因此工件的材料去除检测尤为重要。

目前，材料去除状态的检测分为直接检测和间接检测。直接检测的主要方法是通过专用仪器测量去除量，测量程序往往十分繁琐，大大增加了时间和经济成本，并影响了加工效率。间接检测可分为机制模型预测和学习模型预测，其中，机制模型预测对加工工件的材料去除状态的研究有限，影响去除率的因素较多，使得通过建立数据模型或仿真模型来预测材料去除状态非常困难。学习模型预测使用的是人工智能算法，得益于智能算法的快速发展，通过对采集到的信号数据进行模型分析可以有效建立传感器信号与目标之间复杂的非线性映射关系，但此类模型只适用于工业中复杂条件下的目标预测，且存在处理效率低以及预测精度差的问题。

发明内容

有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于多尺度注意力机制的材料去除状态预测方法，能够提升数据特征提取的准确性和网络模型的预测精度，实现对材料去除状态的有效预测。

本发明的基于多尺度注意力机制的材料去除状态预测方法，包括如下步骤：

S1.采集加工材料的位移数据，并确定加工材料的去除状态；

S2.对加工材料的位移数据进行预处理，得到处理后的位移数据；所述预处理依次包括一阶差分处理、标准化处理以及数据扩增处理；

S3.构建基于多尺度注意力机制的神经网络模型；

S4.设置网络训练参数，并使用处理后的位移数据对所述神经网络模型进行网络训练，得到训练后的网络模型；

S5.将待测加工材料的位移数据输入到训练后的网络模型，输出所述待测加工材料的去除状态。

进一步，根据如下公式对加工材料的位移数据进行一阶差分处理：

其中，y_i′为时间序列上第i个位移数据点，y_i′₊₁为时间序列上第i+1个位移数据点，y_i为相邻时间序列上位移数据点之间的差值，n＝len(y′)-1，所述len(y′)为位移数据y′在时间序列上的位移数据点总数，y为一阶差分处理后的位移数据。

进一步，根据如下公式对加工材料的位移数据进行标准化处理：

其中，μ为所述数据y_i的均值，σ为所述数据y_i的标准差，x_i为所述数据y_i的标准化值，x为标准化值的集合。

进一步，采用滑动窗口的方式对标准化后的位移数据进行数据扩增处理，得到扩增后的位移数据。

进一步，所述神经网络模型包括依次连接的去噪层、多尺度特征提取层、注意力层以及分类层；