基于深度卷积残差收缩网络的刀具磨损预测方法和系统技术方案

本发明专利技术提供一种基于深度卷积残差收缩网络的刀具磨损预测方法和系统，包括：采集机床振动、切削力以及电机电流信号；对采集的信号进行降采样、截断和归一化预处理，作为刀具磨损预测模型的输入信号；构建残差收缩单元，提取输入信号的深层次特征并过滤噪声干扰；构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练；通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测；计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。本发明专利技术实现高精度且具有良好抗噪性能的刀具磨损预测，有助于指导机械加工过程中刀具的更换，实现机床刀具的预测性维护，从而提升机床的自动化和智能化水平。化和智能化水平。化和智能化水平。

【技术实现步骤摘要】
基于深度卷积残差收缩网络的刀具磨损预测方法和系统


[0001]本专利技术涉及刀具磨损评估和预测
，具体地，涉及一种基于深度卷积残差收缩网络(DCRSN)的刀具磨损预测方法和系统。

技术介绍

[0002]刀具状态是影响切削质量和生产效率的重要因素，刀具磨损会导致切削力增大以及切削温度升高，降低工件尺寸精度和表面质量。因此，对刀具磨损状态在线进行监测具有重要意义，能够指导刀具及时更换，保证工件质量。
[0003]公开号为CN105893760B的专利技术专利，公开了一种基于广义磨损量的刀具磨损评价和预测方法及系统，包括：S1、获取不同采样时间段内刀具采样点的磨损状态数据，通过对所述磨损状态数据进行拟合，得到刀具采样点的状态函数，并根据所述状态函数确定广义磨损量；S2、基于所述广义磨损量计算刀具磨损评价指标和广义磨损率；S3、根据所述刀具磨损评价指标评定刀具磨损情况，并根据所述广义磨损率预测刀具磨损情况。
[0004]目前，刀具状态监测方法主要分为直接测量和间接测量。间接法对加工过程不会产生影响，能够实现刀具磨损的在线监测。然而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积残差收缩网络的刀具磨损预测方法，其特征在于，包括：步骤S1：采集机床振动、切削力以及电机电流信号；步骤S2：对采集的所述机床振动、切削力以及电机电流信号进行降采样、截断和归一化预处理，作为刀具磨损预测模型的输入信号；步骤S3：通过对传统残差单元引入软阈值化机制，构建残差收缩单元，利用多层所述残差收缩单元提取输入信号的深层次特征并过滤噪声干扰；步骤S4：利用TensorFlow框架下的Keras包构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练；步骤S5：通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测；步骤S6：根据预测的磨损量和真实磨损量计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。2.根据权利要求1所述的基于深度卷积残差收缩网络的刀具磨损预测方法，其特征在于，所述步骤S2包括：步骤S2.1：在降采样过程中，取降采样区间内的最大值、最小值和均值构成新的样本，相当于取信号的上下包络线和均值线；步骤S2.2：截取信号使得每个通道信号长度为5000；步骤S2.3：利用最大
‑
最小归一化法对每个通道信号进行归一化，表达式为：其中，O
i
表示每个通道信号归一化前的数值；N
i
表示每个通道信号归一化后的数值；i表示数值的序列数；m表示该每个通道信号的样本个数。3.根据权利要求2所述的基于深度卷积残差收缩网络的刀具磨损预测方法，其特征在于，所述深度残差收缩神经网络对经过归一化后的信号进行时间变化特征提取；所述深度卷积残差收缩网络刀具磨损预测模型包括卷积神经网络、残差收缩单元和全连接神经网络，通过全连接神经网络将预测结果进行输出。4.根据权利要求1所述的基于深度卷积残差收缩网络的刀具磨损预测方法，其特征在于，所述步骤S6中均方根误差和平均绝对误差的计算公式包括：于，所述步骤S6中均方根误差和平均绝对误差的计算公式包括：其中，RMSE表示均方根误差；MAE表示平均绝对误差；X＝{x1,x2,
…
,x
n
}为真实值；Y＝{y1,y2,
…
,y
n
}为预测值；n为预测数值个数；
i为序列数；RMSE和MAE的值越小则预测精度越高。5.根据权利要求4所述的基于深度卷积残差收缩网络的刀具磨损预测方法，其特征在于，所述步骤S6中决定系数的计算公式包括：其中，R2为决定系数，表征平均绝对百分误差大小；为刀具磨损真实值的平均值；R2的值越大则预测精度越高。6.一种...

【专利技术属性】
技术研发人员：覃程锦，陶建峰，刘成良，曾宏伟，余宏淦，雷军波，孙浩，石岗，
申请(专利权)人：上海智能制造功能平台有限公司，
类型：发明
国别省市：