【技术实现步骤摘要】
一种基于LSTM和CNN的刀具磨损状态预测方法及装置
本专利技术涉及数控机床刀具识别
，具体涉及一种基于LSTM和CNN的刀具磨损状态预测方法及装置。
技术介绍
数控机床是数字控制机床(Computernumericalcontrolmachinetools)的简称，是一种装有程序控制系统的自动化机床。数控机床一般包括机床本体、机床工作台、机床主轴和刀具；而对于刀具磨损状态的预测是非常重要的，因为刀具磨损过度，会增加生产资源消耗，并影响工件的质量。现有的刀具磨损状态预测方法，是通过多种传感器对反映刀具磨损的数据进行采集，并对采集的数据进行时域、频域和时频域分析，以提取刀具磨损相关的特征，如均方根误差值、方差、偏度、谱偏度及小波系数等；然后，通过特征选择得到刀具磨损的强相关特征，并将强相关特征输入到回归模型、随机森林、支持向量机、模糊神经网络等机器学习模型，以进行模型训练，最终通过训练好的模型来实现刀具磨损的预测。但是，现有的刀具磨损状态预测方法需要人为提取特征，不仅耗费人力，还容易造成信息丢失，且无法对序列数据...
【技术保护点】
1.一种基于LSTM和CNN的刀具磨损状态预测方法，其特征在于，包括以下步骤：/n步骤A：采集机床加工过程中的原始数据矩阵，所述原始数据矩阵包括机床振动数据、刀具切削力数据和高频应力波数据；/n步骤B：将原始数据矩阵输入到LSTM网络中，提取得到原始数据矩阵的时间序列特征矩阵；然后将已提取的时间序列特征矩阵输入到CNN网络中，提取得到原始数据矩阵对应的包含时间序列特征的多维度特征矩阵；/n步骤C：基于原始数据矩阵对应的包含时间序列特征的多维度特征矩阵，以及设置的映射关系计算得到刀具磨损预测值。/n
【技术特征摘要】
1.一种基于LSTM和CNN的刀具磨损状态预测方法，其特征在于，包括以下步骤：
步骤A：采集机床加工过程中的原始数据矩阵，所述原始数据矩阵包括机床振动数据、刀具切削力数据和高频应力波数据；
步骤B：将原始数据矩阵输入到LSTM网络中，提取得到原始数据矩阵的时间序列特征矩阵；然后将已提取的时间序列特征矩阵输入到CNN网络中，提取得到原始数据矩阵对应的包含时间序列特征的多维度特征矩阵；
步骤C：基于原始数据矩阵对应的包含时间序列特征的多维度特征矩阵，以及设置的映射关系计算得到刀具磨损预测值。
2.如权利要求1所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于：步骤B中，提取时间序列特征矩阵和多维度特征矩阵均是在经过预先训练的LSTM-CNN预测模型中完成；LSTM-CNN预测模型的训练过程包括如下步骤：
步骤B1：获取样本数据，并将样本数据划分为训练数据集和测试数据集；样本数据包括原始数据矩阵和相应的刀具磨损真实值；
步骤B2：基于LSTM网络和CNN网络建立LSTM-CNN预测模型；
步骤B3：根据训练数据集计算LSTM-CNN预测模型的损失函数，并判断LSTM-CNN预测模型的损失函数是否收敛：若损失函数未收敛，则调整LSTM-CNN预测模型的各个参数后继续计算损失函数；若损失函数收敛，则进入下一步骤；
步骤B4：根据测试数据集计算LSTM-CNN预测模型的刀具磨损预测值；然后计算刀具磨损预测值与相应刀具磨损真实值间的均方根误差，并判断均方根误差是否大于预设的判断阈值；若均方根误差大于判断阈值，则返回步骤B3；若均方根误差小于或等于判断阈值，则完成训练、输出LSTM-CNN预测模型。
3.如权利要求2所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于：步骤B2中，建立所述LSTM-CNN预测模型后，通过Dropout算法对LSTM-CNN预测模型进行正则化处理。
4.如权利要求2所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于：步骤B3中，判断损失函数是否收敛之前，先通过Adam算法最小化LSTM-CNN预测模型的损失函数。
5.如权利要求2所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于：步骤B3中，损失函数通过如下公式计算：
式中，loss表示损失函数，n表示训练数据集中样本数据的数量，yk表示刀具磨损真实值，表示刀具磨损预测值；
步骤B4中，均方根误差通过如下公式计算：
式中，RMSE表示均方根误差，n表示训练数据集中样本数据的数量，yk表示刀具磨损真实值，表示刀具磨损预测值。
6.如权利要求1所述的基于LSTM和CNN的刀具磨损状态预测方法，其特征在于，步骤A中，采集得到原始数据矩阵后，先对原始数据矩阵中的各个原始数据进行数据标准化处理，以得到各个原...
【专利技术属性】
技术研发人员：何彦，李育锋，凌俊杰，刘雪晖，鄢萍，吴鹏程，王兴全，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50
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。