[发明专利]基于联邦学习和LSTM的刀具剩余寿命预测方法及系统

说明书

本发明提供一种基于联邦学习和LSTM的刀具剩余寿命预测方法及系统，涉及刀具预测技术领域，该方法包括：对目标刀具的当前运行数据进行统计特征提取，得到目标刀具的当前统计特征，并根据当前统计特征，确定输入信息；将输入信息输入至基于预测模型中，获取目标刀具的剩余寿命预测值；其中，预测模型是基于多个客户端中的样本刀具的历史运行数据和样本刀具的剩余寿命实际值，以及多个客户端中的ON‑LSTM进行联邦学习训练得到的。本发明实现对预测模型进行联邦学习训练，实现在确保数据隐私的同时，使得各客户端的模型参数共享聚合，解决了数据孤岛的问题，有效提高了预测模型的泛化性、鲁棒性和剩余寿命预测的精准性。

技术领域

本发明涉及刀具预测技术领域，尤其涉及一种基于联邦学习和LSTM的刀具剩余寿命预测方法及系统。

背景技术

随着数字化制造加工过程中，刀具作为直接与工件接触的部件，其磨损程度与产品质量好坏关系密切。传统的刀具更换策略是根据人工经验来进行停机检测，以判断刀具是否已经达到磨损阈值。而人工识别的准确率低，且停机检测需要频繁启停机床，对加工效率影响大。因此，准确地提前预测刀具后续加工过程的磨损状态变化，对刀具剩余使用寿命进行有效的预测，能够有效保证加工精度，降低加工成本，对优化整个切削过程及管理决策具有重大的意义。

现有技术中，剩余寿命预测方法大体上可以分为两类，即基于模型和数据驱动的方法。基于物理模型的方法主要是建立刀具剩余寿命与切削速度、切削深度、进给量以及转速等加工参数之间的数学模型。但在实际加工中，因受到各方面的影响导致物理模型参数难以确定，在后期也难以利用在线数据对模型进行更新，导致物理模型预测性能差，进而难以获取精准的刀具剩余寿命预测结果。

相反，数据驱动的方法从模型方法，数据方法以及融合方法出发，结合设备的寿命预测技术和维护决策理论更能适应变化的加工环境。因此，基于数据驱动的剩余寿命预测方法逐渐成为研究热门之一。然而，以数据驱动为基础的剩余寿命预测方法，在分布式实际场景中常会面临数据泄露、数据样本难以收集且成本高昂等情况。并且由于潜在的利益冲突，在大多数工业案例中表现出数据孤岛问题，即数据无法共享。因而，无法跨数据库获取充足的刀具剩余寿命预测数据，导致训练出的数据驱动模型预测性能差，进而难以获取精准的刀具剩余寿命预测结果。

发明内容

本发明提供一种基于联邦学习和LSTM的刀具剩余寿命预测方法及系统，用以解决现有技术中构建的预测模型的预测性能差，难以输出精准的刀具剩余寿命预测结果缺陷，实现提高刀具剩余寿命预测结果的准确性。

本发明提供一种基于联邦学习和LSTM的刀具剩余寿命预测方法，包括：

对目标刀具的当前运行数据进行统计特征提取，得到所述目标刀具的当前统计特征，并根据所述当前统计特征，确定输入信息；

将所述输入信息输入至基于联邦学习训练的预测模型中，获取所述目标刀具的剩余寿命预测值；

其中，所述预测模型是基于多个客户端中的样本刀具的历史运行数据和所述样本刀具的剩余寿命实际值，以及所述多个客户端中的有序长短期记忆网络ON-LSTM进行联邦学习训练得到的。

根据本发明提供的一种基于联邦学习和LSTM的刀具剩余寿命预测方法，所述预测模型是基于如下步骤进行训练得到的：

对于当前轮模型训练，分别获取每一客户端在所述当前轮模型训练过程中得到的ON-LSTM的局部模型参数；所述局部模型参数是由所述每一客户端，基于上一轮模型训练获取的聚合模型参数，以及所述每一客户端中的样本刀具的历史运行数据和所述样本刀具的剩余寿命实际值，对所述每一客户端中的ON-LSTM进行迭代训练获取的；

对所述多个客户端的所述局部模型参数进行聚合更新，得到所述当前轮模型训练对应的ON-LSTM的聚合模型参数；