[发明专利]基于深度学习和时序回归模型的刀具剩余寿命预测方法

权利要求书

1.基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，所述方法包括：

S1：采集加工过程各个通道采样点的刀具振动、切削力和声发射信号；

S2：对采集的各个通道采样点的刀具振动、切削力和声发射信号进行截取和Z分数标准化，计算出4维数据，包括均值、方差、偏度和峰度；

S3：将4维数据输入至训练完成的深度卷积残差神经网络刀具磨损监测模型中，对刀具磨损值进行预测；所述深度卷积残差神经网络刀具磨损监测模型的输入为均值、方差、偏度和峰度，输出为刀具磨损值；

S4：对S3输出的刀具磨损值进行平滑处理，输出磨损序列；

S5：将磨损序列输入到差分整合移动平均自回归刀具磨损超前预报模型中，预报出超前N步刀具磨损值，通过预报得到的刀具磨损值序列判断刀具剩余寿命：

当预报出的第N步的刀具磨损值未到达磨损阈值时，则将当前时刻剩余寿命预测为最大剩余寿命值，即当前时刻剩余寿命预测为N个切削行程；

当预报出的第M步的刀具磨损值到达或超过磨损阈值，则将当前时刻剩余寿命预测为M-1个切削行程，M≤N。

2.根据权利要求1所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，所述S2包括：

截取过程中，将进刀过程和退刀过程的信号舍弃，且截取出使每个通道长度均为设定值，所述长度满足数据量的需求；

利用Z分数标准化方法，对每个通道的信号进行标准化；

对标准化后的数据，每若干个数据计算一次均值、方差、偏度和峰度。

3.根据权利要求1所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，

均值

方差

偏度

峰度

其中，x_i表示某一通道的采样点；n表示一次计算中采样点个数。

4.根据权利要求1所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，S3中的深度卷积残差神经网络刀具磨损监测模型是利用PyTorch框架，通过堆叠残差基本块的方式构建的。

5.根据权利要求4所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，所述深度卷积残差神经网络刀具磨损监测模型包括依次连接的卷积残差神经网络、残差单元和全连接神经网络；

卷积残差神经网络包括三个卷积-批标准化-线性整流函数模块；

残差单元包括自适应平均池化层、展平层和若干个残差基本块；

4维数据输入至卷积残差神经网络后，最后一个卷积-批标准化-线性整流函数模块的输出再输入至若干个残差基本块，最后一个残差基本块的输出再输入至自适应平均池化层，自适应平均池化层的输出再输入至展平层，展平层的输出输入至全连接神经网络，全连接神经网络输出刀具磨损值。

6.根据权利要求1所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，所述S4包括：对S3输出的刀具磨损值进行平滑处理，输出磨损序列；

根据预当前时刻的预测磨损值和前若干个时刻的预测磨损值构造为一个序列进行二次多项式的最小二乘法拟合，获取拟合值；

通过设定阈值的方法，比较拟合值和预测磨损值之间的差值是否超过设定阈值，若超过，则采用拟合值代替预测磨损值作为当前时刻的预测磨损值，若没有超过，则不进行替换。

7.根据权利要求6所述的基于深度学习和时序回归模型的刀具剩余寿命预测方法，其特征在于，最小二乘法拟合的目标函数和约束条件包括：

s.t.2θ₂x_i+θ₁≥0

其中，y_i表示前K个时刻的预测磨损值以及当前时刻的预测磨损值；

xi表示对应的切削行程序号；

θ₀表示二次多项式的常数项，θ₁表示二次多项式中一次项的系数，θ₂表示二次多项式中二次项的系数，θ表示一组二次多项式中的各次项的系数和常数项。