一种基于机器学习回归算法的刀具剩余寿命预测方法技术

本发明专利技术涉及机床刀具剩余寿命预测领域，公开了一种基于机器学习回归算法的刀具剩余寿命预测方法，包括模型训练和在线寿命预测两部分，模型训练包括完整寿命周期的原始数据收集并和刀具实际寿命建立对应关系、信号预处理、提取信号特征构成特征向量、交叉验证获取最优刀具寿命模型、超参数调优；在线寿命预测部分包括实时数据采集、信号预处理、提取信号特征构成特征向量、输入基于最优超参数的最优刀具寿命模型、输出刀具的剩余寿命。本发明专利技术模型训练时每个通道提取的特征值数量多，因此训练精度高，刀具剩余寿命预测准确，并建立刀具的剩余寿命智能预测模型，能够根据不同的工况环境智能化选择不同的回归模型，模型的泛化性能好、移植性强。

【技术实现步骤摘要】
一种基于机器学习回归算法的刀具剩余寿命预测方法
本专利技术涉及机床刀具剩余寿命预测领域，特别是涉及一种基于机器学习回归算法的刀具剩余寿命预测方法。
技术介绍
在切削加工领域，刀具的状态及其寿命是加工过程中主要关注的对象，刀具剩余寿命(磨耗程度)是影响加工工件质量的关键因子，刀具失效可能造成工件表面粗糙度和尺寸精度的下降，或造成更严重的工件报废或机床受损。采取过度的保护策略又会造成刀具剩余寿命的浪费以及不必要的换刀停机时间浪费。将有效地优化工作排程且降低刀具采购成本。因此为了避免刀具磨损失效引起刀具破损，损坏零件和机床，人们需要预测刀具的剩余寿命，当刀具剩余寿命不足以完成此次加工时，提醒操作者及时更换刀具，合理安排生产进度且降低刀具采购成本。传统的刀具剩余寿命预测方法主要分为两种，第一种采用累计刀具当量切削时间的方法来评估刀具的寿命，这种传统的寿命预测方法不适合复杂工况下的情况且会造成大量刀具的保守，已经逐渐地不再适应现代化制造的发展。另一种是基于某个机器学习算法模型进行回归预测，这通寿命预测方法虽然能够预测刀具的寿命，但是适用范围比较狭窄、模型单一、准确率不高。
技术实现思路
有鉴于此，本专利技术提供的一种基于机器学习回归算法的刀具剩余寿命预测方法，至少能够部分的解决现有技术中存在的问题，为了达到上述目的，本专利技术采取的技术方案为：一种基于机器学习回归算法的刀具剩余寿命预测方法，其特征在于，包括模型训练和在线寿命预测两部分，所述模型训练部分包括如下步骤：100、利用多通道加速度传感器采集刀具在一个完整的寿命周期下的刀具机床多个关键点的加速度信号并储存，用刀具磨损量在线自动测量系统获取刀具实时剩余寿命，将完整的寿命周期下所有通道每秒的加速度信号和刀具剩余寿命一一对应；101、对采集的加速度信号进行信号预处理；102、对预处理后所有通道完整寿命周期下的每一秒的加速度信号、速度信号、包络信号进行特征提取，特征提取包括时域特征提取和频域特征提取；103、将所有通道每秒提取的特征值构成的特征向量和对应的刀具剩余寿命构成的特征向量同时输入回归模块，采用交叉验证的方式对回归模块中的每个模型进行训练，选择交叉验证后均方误差MSE最小的模型作为最优刀具剩余寿命模型；104、对最优刀具剩余寿命模型进行超参数调优，得到基于最优超参数的最优刀具剩余寿命模型；所述在线寿命预测部分包括如下步骤：200、利用多通道加速度传感器实时采集刀具机床多个关键点每一秒的加速度信号并储存；201、对采集的加速度信号进行信号预处理，预处理的方法和模型训练的步骤101相同；202、对预处理后所有通道每一秒的加速度信号、速度信号、包络信号进行特征提取，提取的特征和模型训练的步骤102相同，所有通道每一秒的特征值构成一个一维特征向量；203、将步骤202中的一维特征向量输入至由模型训练的步骤104得出的基于最优超参数的最优刀具剩余寿命模型，输出该时刻对应的刀具剩余寿命。进一步地，步骤101的预处理包括如下步骤：1011、删除设备停机状态的下的数据；1012、根据三西格玛原则剔除异常数据，然后过滤掉高频噪声信号，并将每个通道的加速度信号重采样为8kHz；1013、对加速度信号进行一次积分得到速度信号，以及提取加速度信号的包络，以此获取加速度信号对应的速度信号和包络信号。进一步地，步骤102中每种信号提取的时域特征包括有绝对均值、峰值、有效值、方根幅值、方差、峰峰值、偏态指标、峭度指标、峰值指标、波形指标、脉冲指标、裕度指标和变异系数，提取的频域特征包括有重心频率、均方频率、均方根频率、频率方差、频率标准差、谱峰稳定指数、第一频带相对能量、第二频带相对能量、第三频带相对能量、第四频带相对能量和第五频带相对能量，即每种信号每秒共提取24个特征值，每个通道的三种信号每秒共提取72个特征值。进一步地，步骤103中的回归模块中包括但不限于以下模型：随机树、多项式回归、岭回归、套索回归、最小二乘回归、样条回归、弹性网络回归、高斯过程回归、随机森林、梯度提升树、ARD自相关回归、贝叶斯线性回归、感知器回归、被动攻击回归、SGD随梯度下降回归、正交匹配跟踪回归、神经网络回归。进一步地，步骤104中超参数调优的具体方法为：针对步骤103所有通道每秒提取的特征值构成的特征向量和对应的刀具剩余寿命构成的特征向量，将最优刀具剩余寿命模型的超参数空间里的每个预设参数值逐一输入最优刀具剩余寿命模型，获取均方误差MSE最小的超参数作为最优超参数。本专利技术相比现有技术具有以下明显的优点：1、模型训练时每个通道提取的特征值数量多，因此训练精度高，刀具剩余寿命预测准确；2、建立刀具的剩余寿命智能预测模型，能够根据不同的工况环境智能化选择不同的回归模型，模型的泛化性能好、移植性强。附图说明图1为本专利技术的模型训练和实时刀具剩余寿命预测的流程图；具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下文中将结合附图对本专利技术的实施例进行详细说明。如图1所示，本实施例包括模型训练和在线寿命预测两部分，模型训练部分包括如下步骤：100、利用3通道加速度传感器采集刀具在一个完整的寿命周期下的刀具机床3个关键点的加速度信号并储存，用刀具磨损量在线自动测量系统获取刀具实时剩余寿命，刀具剩余寿命获取方法可参考王强、李迎光、郝小忠等2019年发表于《航空制造技术》期刊的论文“基于在线学习的数控加工刀具寿命动态预测方法”，将完整的寿命周期下所有通道每秒的加速度信号和刀具剩余寿命一一对应；101、对采集的加速度信号进行信号预处理，预处理包括如下步骤：1011、删除设备停机状态的下的数据；1012、根据三西格玛原则剔除异常数据，然后过滤掉高频噪声信号，并将每个通道的加速度信号重采样为8kHz；1013、对加速度信号进行一次积分得到速度信号，以及提取加速度信号的包络，以此获取加速度信号对应的速度信号和包络信号。102、对预处理后所有通道完整寿命周期下的每一秒的加速度信号、速度信号、包络信号进行特征提取，特征提取包括时域特征提取和频域特征提取，提取的时域特征包括有绝对均值、峰值、有效值、方根幅值、方差、峰峰值、偏态指标、峭度指标、峰值指标、波形指标、脉冲指标、裕度指标和变异系数，提取的频域特征包括有重心频率、均方频率、均方根频率、频率方差、频率标准差、谱峰稳定指数、第一频带相对能量、第二频带相对能量、第三频带相对能量、第四频带相对能量和第五频带相对能量，这些特征的计算公式参见表1，即每种信号每秒共提取24个特征值，每个通道的三种信号每秒共提取72个特征值。表1提取的刀具时频域特征的计算公式备注：xi为时域信号，f为信号的频率，Fs为信号的采样频率，p(f)为信号的功率谱，Bf为信号每一频带的宽度，且Bf＝Fs/10。假设每个本文档来自技高网...

【技术保护点】
1.一种基于机器学习回归算法的刀具剩余寿命预测方法，其特征在于，包括模型训练和在线寿命预测两部分，所述模型训练部分包括如下步骤：/n100、利用多通道加速度传感器采集刀具在一个完整的寿命周期下的刀具机床多个关键点的加速度信号并储存，用刀具磨损量在线自动测量系统获取刀具实时剩余寿命，将完整的寿命周期下所有通道每秒的加速度信号和刀具剩余寿命一一对应；/n101、对采集的加速度信号进行信号预处理；/n102、对预处理后所有通道完整寿命周期下的每一秒的加速度信号、速度信号、包络信号进行特征提取，特征提取包括时域特征提取和频域特征提取；/n103、将所有通道每秒提取的特征值构成的特征向量和对应的刀具剩余寿命构成的特征向量同时输入回归模块，采用交叉验证的方式对回归模块中的每个模型进行训练，选择交叉验证后均方误差MSE最小的模型作为最优刀具剩余寿命模型；/n104、对最优刀具剩余寿命模型进行超参数调优，得到基于最优超参数的最优刀具剩余寿命模型；/n所述在线寿命预测部分包括如下步骤：/n200、利用多通道加速度传感器实时采集刀具机床多个关键点每一秒的加速度信号并储存；/n201、对采集的加速度信号进行信号预处理，预处理的方法和模型训练的步骤101相同；/n202、对预处理后所有通道每一秒的加速度信号、速度信号、包络信号进行特征提取，提取的特征和模型训练的步骤102相同，所有通道每一秒的特征值构成一个一维特征向量；/n203、将步骤202中的一维特征向量输入至由模型训练的步骤104得出的基于最优超参数的最优刀具剩余寿命模型，输出该时刻对应的刀具剩余寿命。/n...

【技术特征摘要】
1.一种基于机器学习回归算法的刀具剩余寿命预测方法，其特征在于，包括模型训练和在线寿命预测两部分，所述模型训练部分包括如下步骤：
100、利用多通道加速度传感器采集刀具在一个完整的寿命周期下的刀具机床多个关键点的加速度信号并储存，用刀具磨损量在线自动测量系统获取刀具实时剩余寿命，将完整的寿命周期下所有通道每秒的加速度信号和刀具剩余寿命一一对应；
101、对采集的加速度信号进行信号预处理；
102、对预处理后所有通道完整寿命周期下的每一秒的加速度信号、速度信号、包络信号进行特征提取，特征提取包括时域特征提取和频域特征提取；
103、将所有通道每秒提取的特征值构成的特征向量和对应的刀具剩余寿命构成的特征向量同时输入回归模块，采用交叉验证的方式对回归模块中的每个模型进行训练，选择交叉验证后均方误差MSE最小的模型作为最优刀具剩余寿命模型；
104、对最优刀具剩余寿命模型进行超参数调优，得到基于最优超参数的最优刀具剩余寿命模型；
所述在线寿命预测部分包括如下步骤：
200、利用多通道加速度传感器实时采集刀具机床多个关键点每一秒的加速度信号并储存；
201、对采集的加速度信号进行信号预处理，预处理的方法和模型训练的步骤101相同；
202、对预处理后所有通道每一秒的加速度信号、速度信号、包络信号进行特征提取，提取的特征和模型训练的步骤102相同，所有通道每一秒的特征值构成一个一维特征向量；
203、将步骤202中的一维特征向量输入至由模型训练的步骤104得出的基于最优超参数的最优刀具剩余寿命模型，输出该时刻对应的刀具剩余寿命。


2.如权利要求1所述的一种基于机器学习回归算法的刀具剩余寿命预测方法，其特征在于，步骤101的预处理包括如下步骤：<...

【专利技术属性】
技术研发人员：宋锡文，杨欢，李家兴，潘杰，张亚鹏，
申请(专利权)人：南京凯奥思数据技术有限公司，
类型：发明
国别省市：江苏;32