[发明专利]一种同时预测表面粗糙度和刀具磨损的方法

权利要求书

1.一种同时预测表面粗糙度和刀具磨损的方法，其特征在于包括以下步骤：

①从切削信号中提取时域和频域特征，划分训练集X1和测试集C1；

②搭建堆栈降噪自编码网络，并利用①中的训练集X1进行预训练；

201自编码网络包括编码层和解码层，编码层用于将输入映射为特征表示，解码层用于重构原始输入，编码和解码过程表示为：

hⁱ＝f(W_Exⁱ+b_E) (1)

yⁱ＝f(W_Dhⁱ+b_D) (2)

式中xⁱ表示原始输入，f表示激活函数，hⁱ表示为特征表示，W_E和b_E分别表示编码层的权重和偏置，W_D和b_D分别表示解码层的权重和偏置，yⁱ表示重构输出；

202以最小化重构误差为优化目标，利用训练集X1对自编码网络中的参数θ＝{W_E,b_E,W_D,b_D}进行训练，其中构建的最小化重构误差为：

式中θ^*表示优化后的自编码网络中的参数，n表示训练集中的样本数，L表示损失函数，argmin表示最小化；

203将本层中训练后的隐含层输出作为下一个自编码网络的输入，然后再按照202中的方式进行训练，以此类推，通过逐层堆叠建立堆栈降噪自编码网络；

③以预训练后的堆栈降噪自编码网络为基础，搭建多任务学习模型；

④通过动态平均权重法动态调整表面粗糙度和刀具磨损的权重，根据模型迭代过程中的损失函数值变化，动态平均权重法的数学模型表示为：

其中，K表示任务个数，L_k表示第k个任务的损失函数值，w_k表示第k个任务损失函数值的相对下降速率，t表示模型训练时的当前迭代次数，T表示常数，用于控制任务权重的柔和度，λ_k表示第k个任务的权重；

⑤利用①的训练集X1对③中搭建的堆栈降噪自编码网络进行训练，提高模型预测准确度；501以多个任务的损失函数值为优化目标，利用训练集X1对模型的参数进行调整，损失函数值表示为：

式中L_总表示多任务学习时的损失函数，λ₁表示表面粗糙度损失函数值的权重，N_b表示模型训练时每批次的样本数量，R_a^pre表示模型预测得到的表面粗糙度值，R_a表示实测得到的表面粗糙度值，λ₂表示刀具磨损损失函数值的权重，VB^pre表示模型预测得到的刀具磨损值，VB表示实测得到的刀具磨损值；

502模型训练结束后，利用测试集C1对模型的性能进行验证，为了量化模型的性能表现，以绝对平均误差和均方误差作为评价指标，其表示为：

式中MAE表示绝对平均误差，RMSE表示均方误差，N表示测试集C1的样本数量，Va_exp,i表示实测得到的表面粗糙度值或刀具磨损值，Va_pre,i表示模型预测得到的表面粗糙度值或刀具磨损值。

2.根据权利要求1所述的同时预测表面粗糙度和刀具磨损的方法，其特征在于，所述步骤①包括：

101对原始的切削信号进行时域特征、频域特征和时频域特征的提取；

102提取的时域特征包括最大值、最小值、峰峰值、均值、方差、均方根、峰度因子、偏度因子和信号功率，频域特征主要包括功率谱密度幅值、功率谱均值、修正等效带宽、频段能量、方差和均方频率；

103对原始的切削信号进行四层小波包变换，然后对分解得到的小波包系数进行重构；

104对重构后的小波包系数进行傅里叶变换，对低频成分的重构小波包系数进行特征量提取，提取的特征量包括最大值、最小值、峰峰值、均值、方差、均方根、峰度因子偏度因子和信号功率；

105按照步骤101-104对切削信号都进行处理形成数据集，按照4：1的比例将数据集划分为训练集X1和测试集C1。