[发明专利]一种同时预测表面粗糙度和刀具磨损的方法

说明书

本发明涉及机械加工领域，具体涉及一种基于堆栈降噪自编码和多任务学习的表面粗糙度和刀具磨损预测方法。本发明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，利用训练集X1对搭建堆栈降噪自编码网络进行预训练；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；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，利用训练集X1对搭建的网络进行训练，提高模型预测准确度。本发明不仅能够同时实现表面粗糙度和刀具磨损预测，还能提升两者的预测准确度。本发明能够同时判断刀具磨损状态和当前所加工零件的表面质量，以保证刀具磨损状态在正常的使用范围内以及零件的表面质量满足生产要求。

技术领域

本发明涉及机械加工领域，具体涉及一种基于堆栈降噪自编码和多任务学习的表面粗糙度和刀具磨损预测方法。

背景技术

面向数据驱动的智能制造时代，如何准确地同时实现切削过程物理量的监测对于保证产品质量，提高加工过程的智能化水平具有重大意义。已加工工件的表面粗糙度和刀具磨损作为两个最为重要的切削过程物理量，其关系到零件的加工精度和加工效率。表面粗糙度是评价零件加工质量的重要参数，其影响着机械零件装配时的工作状态，与零件整体的疲劳强度和蠕变寿命息息相关。而刀具磨损直接影响着零件的加工质量和机器的运行状态，剧烈的刀具磨损会直接导致生产零件的报废和机器的故障停机，严重制约着生产效率的提高和生产成本的降低。近年来，通过智能传感器采集切削信号，利用人工智能技术能够实现表面粗糙度和刀具磨损的智能预测，但是现有的研究集中于要么以刀具磨损为基础预测表面粗糙度，或者以表面粗糙度为基准预测刀具磨损，缺乏统一的模型用于同时实现两者的预测。另外，表面粗糙度和刀具磨损作为切削过程中的物理量，两者之间的共有知识，相互补充的信息并未得到充分挖掘，导致表面粗糙度和刀具磨损预测准确度有待提高。

发明内容

本发明所要解决的技术问题是提供一种以切削信号为基础，充分考虑表面粗糙度和刀具磨损的相关性，基于堆栈降噪自编码和多任务学习框架同时实现表面粗糙度和刀具磨损预测方法。

为解决以上技术问题，本发明采用如下的技术方案：

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；