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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。