基于深度学习回归算法的数控机床刀具磨损值预测方法技术

本发明专利技术属于数控机床刀具状态监测相关技术领域，其公开了一种基于深度学习回归算法的数控机床刀具磨损值预测方法，方法包括以下步骤：(1)采集数控机床进行切削加工时的三向振动信号；(2)将振动信号分别输入到堆栈式稀疏自动编码器网络进行训练，并将每次训练得到的最后一个编码矢量作为自适应提取得到的特征输出；(3)将特征输入到非线性回归函数中；(4)将得到的刀具磨损的预测值与实际值进行求差，进而对所述堆栈式稀疏自动编码器网络进行微调，判断迭代次数是否达到阈值，若未达到，则转至步骤(2)；否则，训练完成，由此得到深度学习回归算法模型，进而对数控机床刀具磨损值进行实时预测。本发明专利技术提高了实时性及预测精度。

Tool wear prediction method of CNC machine tools based on deep learning regression algorithm

【技术实现步骤摘要】
基于深度学习回归算法的数控机床刀具磨损值预测方法
本专利技术属于数控机床刀具状态监测相关
，更具体地，涉及一种基于深度学习回归算法的数控机床刀具磨损值预测方法。
技术介绍
数控机床刀具磨损监测是指在产品加工过程中，计算机通过检测各类传感器信号变化，判断和预测刀具是否磨损，刀具磨损监测过程本质是一个模式识别过程，一个完整的刀具磨损监控系统功能由研究对象(刀具)、加工条件、传感器网络、信号处理、特征提取及模式识别等部分组成。由于加工过程中刀具不可避免的磨损，会直接影响到机床的利用率和工件的质量，轻者造成加工工件质量下降，重者导致工件报废，在极端情况下甚至可能损坏某些机械零件。因此，在加工过程中，需要实时快速地检测出刀具的磨损状态。经过几十年的发展，刀具的监测技术在广度和深度上都已经达到了一定的水平，但是到目前还没有一种能适用于不同的加工条件下并能检测各种刀具磨损的方法，现有的各种方法的适用范围都有限，还远没有达到自动化、智能化的要求，在实际应用方面还存在着一定的局限性，例如存在监测实时性不够和漏报、误报的问题。本文档来自技高网...

【技术保护点】
1.一种基于深度学习回归算法的数控机床刀具磨损值预测方法，其特征在于，该方法包括以下步骤：/n(1)采集数控机床进行切削加工时的三向振动信号，且每加工一个工件对应一组振动信号，同时每加工完成一个工件记录此时刀具磨损的实际值；接着，对得到的所有振动信号进行归一化处理；/n(2)将得到的振动信号分别输入到堆栈式稀疏自动编码器网络进行训练，并将每次训练得到的最后一个编码矢量作为自适应提取得到的特征输出，由此完成特征自适应提取，并得到多个特征；/n(3)将得到的特征输入到非线性回归函数中，以得到刀具磨损值的预测值，所述非线性回归函数为：/n

【技术特征摘要】
1.一种基于深度学习回归算法的数控机床刀具磨损值预测方法，其特征在于，该方法包括以下步骤：
(1)采集数控机床进行切削加工时的三向振动信号，且每加工一个工件对应一组振动信号，同时每加工完成一个工件记录此时刀具磨损的实际值；接着，对得到的所有振动信号进行归一化处理；
(2)将得到的振动信号分别输入到堆栈式稀疏自动编码器网络进行训练，并将每次训练得到的最后一个编码矢量作为自适应提取得到的特征输出，由此完成特征自适应提取，并得到多个特征；
(3)将得到的特征输入到非线性回归函数中，以得到刀具磨损值的预测值，所述非线性回归函数为：



式中，A为参数，B为矩阵，C为向量，Ym为自适应提取到的特征；
(4)将得到的刀具磨损的预测值与实际值进行求差，并基于得到的差值对所述堆栈式稀疏自动编码器网络进行微调，同时判断当前的迭代次数是否达到迭代次数阈值，若未达到，则转至步骤(2)；否则，堆栈式稀疏自动编码器网络训练完成，由此得到深度学习回归算法模型，并基于所述深度学习回归算法模型及数控机床加工过程中的振动信号对数控机床刀具磨损值进行实时预测。


2.如权利要求1所述的基于深度学习回归算法的数控机床刀具磨损值预测方法，其特征在于：所述振动信号包含刀具全生命周期内的加工信息；振动信号的数量与加工工件的数量相一致。


3.如权利要求1所述的基于深度学习回归算法的数控机床刀具磨损值预测方法，其特征在于：步骤(2)包括以下子步骤：
(21)将归一化处理后的每个振动信号作为输入信号输入到堆栈式稀疏自动编码器网络，利用编码层对输入信号进行编码以获得编码矢量；<...

【专利技术属性】
技术研发人员：周焮钊，石成明，李凯，贺松平，李斌，裘超超，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42