基于大数据挖掘的变工况下刀具磨损状态预测方法技术

本发明专利技术公开了一种基于大数据挖掘的变工况下刀具磨损状态预测方法，用于解决现有刀具磨损状态预测方法准确率差的技术问题。技术方案是采用大数据技术，通过获取变工况因素的全样本数据，并对前馈神经网络FFNN数据挖掘方法进行改进，使其具有增量学习的能力，能不断融合新的工况获得更准确的预测模型。由于考虑了影响刀具磨损的全样本数据，并对新的刀具状态特征向量进行增量学习，不断融和学习新的工况获得更准确的预测模型，并为进一步分析影响刀具磨损的相关因素提供依据。与现有技术相比，本发明专利技术对新增工况进行学习，提高了变工况下刀具磨损状态预测的准确率。经检测，最小误差结果为err＝0.03933，即预测准确率提高96％以上。

Tool wear prediction method based on large data mining under variable working conditions

The invention discloses a method for predicting tool wear state based on large data mining under variable working condition. The technical scheme is the use of big data technology, the full sample data by obtaining the variable condition factors, and the feedforward neural network FFNN data mining method is improved, which has the ability of incremental learning, continuous integration of new conditions to obtain a more accurate prediction model. Considering the influence of the sample data of tool wear, and the tool condition feature vector of incremental learning, and constantly learning new conditions to obtain a more accurate prediction model, and provide the basis for further analysis of factors related to tool wear. Compared with the prior art, the invention increases the accuracy of the prediction of the tool wear state under the variable working condition. The results show that the minimum error is err = 0.03933, which means that the prediction accuracy is improved by more than 96%.

【技术实现步骤摘要】

本专利技术涉及一种刀具磨损状态预测方法，特别是涉及一种基于大数据挖掘的变工况下刀具磨损状态预测方法。
技术介绍
刀具磨损状态的预测对充分利用刀具寿命，保证加工件表面质量，降低由于刀具磨损对机床等设备带来的损坏具有重要意义。现有的刀具磨损预测方法主要有：基于切削过程中信号特征的机器学习方法和基于实验验证的经验公式法。文献“基于主元分析和BP神经网络对刀具VB值预测，北京航空航天大学学报，2011，Vol.37(3)，p364-367”公开了一种在改进的BP神经网络基础上进行刀具磨损预测的算法。该方法采用将声发射信号与切削速度、切削深度、进给量和切削时间一起作为刀具状态的特征向量，通过主元分析进行降维，消除特征向量间的相关性后，把得到的主元作为BP网络的输入向量，并用改进的LM算法进行BP网络的学习，实现对刀具后刀面磨损量VB的预测。但是，用LM算法进行BP网络学习虽然具有收敛快、误差小的优点，BP网络作为刀具磨损预测方法仍是静态的学习网络，网络的识别精度对训练样本有较强的要求。对于变工况下刀具磨损预测，随着刀具应用在不同的机床、不同的工件及不同的加工参数时，新的刀具状态特征向量不断增多，该预测方法识别精度降低，具有局限性。
技术实现思路
为了克服现有刀具磨损状态预测方法准确率差的不足，本专利技术提供一种基于大数据挖掘的变工况下刀具磨损状态预测方法。该方法采用大数据技术原理，通过获取变工况因素的全样本数据，并对前馈神经网络FFNN数据挖掘方法进行改进，使其具有增量学习的能力，能不断融合新的工况获得更准确的预测模型。由于考虑了影响刀具磨损的全样本数据，并对新的刀具状态特征向量进行增量学习，不断融和学习新的工况获得更准确的预测模型，并为进一步分析影响刀具磨损的相关因素提供依据。与现有技术相比，本专利技术对新增工况进行学习，提高了变工况下刀具磨损状态预测的准确率。本专利技术解决其技术问题所采用的技术方案是：一种基于大数据挖掘的变工况下刀具磨损状态预测方法，其特点是包括以下步骤：步骤一、输入一个新的工况向量，判断工况是否属于已知刀具磨损状态，如果属于，则通过以下公式对该工况进行增量学习，用公式： J ( x , θ + Δ θ ) = 1 2 Δy n T Δy n - - - ( 1 ) ]]>式中，x表示新输入的工况向量，θ是网络参数，Δy是实际输出与网络输出的差值，J(x,θ+Δθ)作为平均平方误差函数，由(1)式得到代价函数： J ( X , θ + Δ θ ) = 1 2 Δy n 2 = 1 2 ( f ( x , θ + Δ θ ) - y ) 2 - - - ( 2 ) ]]>式中，f(x,θ)表示当参数为θ时，x经过非线性映射f得到的实际输出。求解式(2)的一阶近似式： 1 2 ( f ( x , θ + Δ θ ) - f ( x , θ ) + f ( x , θ ) - y ) 2 ≅ 1 2 ( ∂ f ( x , θ ) ∂ θ Δ θ + Δ y ) 2 - - - ( 3 ) ]]>将式(3)对Δθ求导并令其等于0，得到Δθ的计算式： Δ θ = - u ( ∂ f ( x , θ ) ∂ θ ) - 1 Δ y - - - ( 4 ) ]]>式中，u为学习效率，这样以参数θ+Δθ的更新代替原有参数θ。步骤二、对于新增的工况不属于已知刀具磨损状态，通过FFNN网络的结构更新学习该新增工况。对每增加一个神经元，需要调整权重矩阵和偏置向量的形式，权重本文档来自技高网...

【技术保护点】
一种基于大数据挖掘的变工况下刀具磨损状态预测方法，其特征在于包括以下步骤：步骤一、输入一个新的工况向量，判断工况是否属于已知刀具磨损状态，如果属于，则通过以下公式对该工况进行增量学习，用公式：J(x,θ+Δθ)=12ΔynTΔyn---(1)]]>式中，x表示新输入的工况向量，θ是网络参数，Δy是实际输出与网络输出的差值，J(x,θ+Δθ)作为平均平方误差函数，由(1)式得到代价函数：J(X,θ+Δθ)=12Δyn2=12(f(x,θ+Δθ)-y)2---(2)]]>式中，f(x,θ)表示当参数为θ时，x经过非线性映射f得到的实际输出；求解式(2)的一阶近似式：12(f(x,θ+Δθ)-f(x,θ)+f(x,θ)-y)2≅12(∂f(x,θ)∂θΔθ+Δy)2---(3)]]>将式(3)对Δθ求导并令其等于0，得到Δθ的计算式：Δθ=-u(∂f(x,θ)∂θ)-1Δy---(4)]]>式中，u为学习效率，这样以参数θ+Δθ的更新代替原有参数θ；步骤二、对于新增的工况不属于已知刀具磨损状态，通过FFNN网络的结构更新学习该新增工况；对每增加一个神经元，需要调整权重矩阵和偏置向量的形式，权重矩阵和偏置向量分别为W和b，每增加一个神经元，权重矩阵W增加一行和一列，偏置向量b增加一个分量；增加m个神经元，则权重矩阵增加m行和m列，偏置向量增加m个分量，更新后网络结构参数：式中，W’表示更新的网络权重矩阵，b’表示更新网络的偏置向量；步骤三、利用前向传播计算隐藏层输出值与网络模型输出f(x,θ')，计算网络模型输出值f(x,θ')与理想输出值y的差值Δy及代价函数J(x,θ')，通过在MapReduce上利用反向传播计算代价函数J(x,θ')对网络参数θ’的偏导数，并通过梯度下降法更新网络参数；步骤四、随着不断出现的新工况，通过增加隐藏层神经元进行的结构更新会降低神经网络的学习性能，即网络出现冗余连接，此时，神经网络权重矩阵W执行SVD分解：W＝UΣVT   (6)式中，W表示网络权重矩阵，Σ表示对角矩阵，U和V表示分解矩阵；对角矩阵中等于0或接近0的权重表示该连接在网络中是冗余的，删除这些连接，同时删除该隐藏层神经元，对整个神经网络进行连接的优化；这个过程只有在神经网络的训练速度、学习能力和泛化能力下降，即网络连接中出现大量冗余时进行。...

【技术特征摘要】
1.一种基于大数据挖掘的变工况下刀具磨损状态预测方法，其特征在于包括以下步骤：步骤一、输入一个新的工况向量，判断工况是否属于已知刀具磨损状态，如果属于，则通过以下公式对该工况进行增量学习，用公式： J ( x , θ + Δ θ ) = 1 2 Δy n T Δy n - - - ( 1 ) ]]>式中，x表示新输入的工况向量，θ是网络参数，Δy是实际输出与网络输出的差值，J(x,θ+Δθ)作为平均平方误差函数，由(1)式得到代价函数： J ( X , θ + Δ θ ) = 1 2 Δy n 2 = 1 2 ( f ( x , θ + Δ θ ) - y ) 2 - - - ( 2 ) ]]>式中，f(x,θ)表示当参数为θ时，x经过非线性映射f得到的实际输出；求解式(2)的一阶近似式： 1 2 ( f ( x , θ + Δ θ ) - f ( x , θ ) + f ( x , θ ) - y ) 2 ≅ 1 2 ( &part...

【专利技术属性】
技术研发人员：雷军，郭兴安，周竞涛，王明微，贠虎臣，李恩明，符博峰，赵明，乔卫杰，
申请(专利权)人：陕西柴油机重工有限公司，西北工业大学，
类型：发明
国别省市：陕西;61