[发明专利]基于LSTM网络的变工况下刀具剩余寿命预测方法

摘要

本发明公开了一种基于LSTM网络的变工况下刀具剩余寿命预测方法，用于解决现有刀具寿命预测方法实时性差的技术问题。技术方案是采用希尔伯特黄变换从过程监测信号中提取出磨损特征，并对多工况因素加工工况场景进行定义，通过长短期记忆网络学习加工中工况场景与刀具磨损特征变化之间的关联关系，预测刀具剩余寿命。由于LSTM模型充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，同时LSTM的模糊性能够在空间上对工况场景和加工磨损特征复杂相关关系进行建模。本发明考虑了变工况场景下工况变化与刀具磨损之间复杂的时空关系，实用性好。与现有技术相比，预测误差达到0.01，样本实例的网络预测准确率达到85％以上。

主权项

1.一种基于LSTM网络的变工况下刀具剩余寿命预测方法，其特征在于包括以下步骤：/n步骤一、设置磨损特征提取窗口长度win_hht，对刀具全生命周期工况数据连续分段，即/n /n式中，X_org表示刀具全生命周期工况数据，长度为N，C_t表示第t个n×win_hht维工况分段矩阵，其中n是工况数据中工况向量的维数，即工况因素个数；/n步骤二、对每个工况分段矩阵C_t中过程监测信号x_t基于HHT进行磨损特征提取；将x_t经EMD分解为IMF的组合，即/n /nx_t表示为m个IMF分量与一个平均趋势分量r_m的组合；然后选取对磨损变化敏感的d个IMF分量进行希尔伯特变换，进而得到d个IMF分量对应的边际谱；对于每个IMF分量c_k，将所得边际谱e个最大幅值点和对应IMF分量的振幅均值A_k作为该IMF分量的磨损特征；/n对于每个工况分段矩阵C_t得到磨损特征项F_t,即/n /n步骤三、定义工况场景，采用长短期记忆网络LSTM学习工况场景与磨损特征标签之间的映射关系；选取工况场景时间窗口长度win_con，将工况场景定义为：/n /n式中，F_t表示工况分段矩阵C_t对应的磨损特征，B_t表示工况分段矩阵C_t中其他工况因素；建立多层LSTM模型，将训练数据工况场景作为输入，由于预测时工况场景中未来时间段的磨损特征未知，训练时将工况场景t+1以后的磨损特征F_t设置为0，同时将工况场景中未来时间段的磨损特征作为目标标签；/n步骤四、输入t时刻工况场景X_tin，预测出该时刻工况场景下未知的磨损特征Y_tout；将此时刻预测出的磨损特征与下一时刻其他工况因素组合成新的工况场景，作为下一时刻的输入，如此迭代预测，终止条件为组合成的工况场景磨损特征达到阈值e_feat；从而反推预测迭代次数，得到刀具剩余时间寿命t_time。/n