预测面向复杂多变工况的切削刀具剩余寿命的方法技术

本发明专利技术提供一种预测面向复杂多变工况的切削刀具剩余寿命的方法，具体步骤为：S1、采集数控系统的NC变量数据，并标记切削刀具的剩余寿命；S2、利用压缩感知方法对采集的NC变量数据进行降噪处理；S3、根据工况之间的差异对S2处理的NC变量数据进行领域划分，得到切削刀具的源域特征空间和目标域特征空间；S4、通过一维残差块堆叠的方式从切削刀具的源域特征空间和目标域特征空间中提取切削刀具寿命的敏感特征；S5、根据S4提取的切削刀具寿命的敏感特征，利用领域对抗方法与数据分布自适应方法构建刀具剩余寿命预测迁移学习框架。本发明专利技术不仅可以提高单一工况下的刀具剩余寿命预测精度，且在复杂多变工况下具备获得良好的泛化能力。力。力。

【技术实现步骤摘要】
预测面向复杂多变工况的切削刀具剩余寿命的方法


[0001]本专利技术涉及切削加工刀具剩余寿命预测领域，特别涉及一种预测面向复杂多变工况的切削刀具剩余寿命的方法。

技术介绍

[0002]切削加工是装备制造业零部件生产的主要方式和最终步骤，而刀具作为切削加工过程的直接执行者，其工作的可靠性是保证切削过程正常进行的关键，尤其是在具有大规模定制特点的批量化生产线中，工况复杂多变，柔性的工艺参数和加工条件直接影响刀具性能退化速率及切削状态，使得刀具磨损状态难以准确监测，刀具剩余寿命无法精准预测，进而导致无法准确确定换刀时机；而一旦发生刀具剩余寿命误判，轻则影响加工质量，重则造成工件报废，甚至导致机床停机或整线瘫痪，给企业带来巨大的经济损失。
[0003]针对刀具寿命下降问题，当前生产企业通常采用定时成组换刀技术，即在达到指定生产件数的固定寿命后进行换刀，而该方法会面临刀具提前损坏和刀具加工能力浪费的问题；从科学研究角度，数据驱动方法已成为刀具剩余寿命预测的有效手段，其中深度学习方法凭借其强大的非线性建模和数据表达能力展现出良好的应用前景，但随着模型层次进一步加深，会出现梯度弥散和模型退化问题；此外，一旦生产工况发生改变，数据分布不再一致，模型的预测性能会急剧下降。换言之，深度学习模型在复杂多变工况下的泛化性较差。
[0004]因此，亟需研究一种具有较高识别精度，并在复杂多变工况下具有较高泛化能力的刀具剩余寿命预测方法。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种预测面向复杂多变工况的切削刀具剩余寿命的方法，主要是通过搭建面向复杂多变工况的刀具剩余寿命预测模型，基于残差思想构建敏感特征提取模块，实现抽象特征提取和降维；考虑变工况下的数据分布差异，在敏感特征提取的基础上，借助领域判别函数以及数据分布度量函数提升模型的跨工况学习效果，使模型表现出更强的泛化能力，从而保证复杂多变工况下的模型预测性能。
[0006]本专利技术提供了一种预测面向复杂多变工况的切削刀具剩余寿命的方法，具体实施步骤如下：
[0007]S1、根据切削加工设备内置的传感器，采集数控系统的NC变量数据，并标记切削刀具的剩余寿命；
[0008]S2、利用压缩感知方法对采集的NC变量数据进行降噪处理，获取平稳信号；
[0009]S3、根据工艺参数、切削刀具编号和毛坯精度等工况之间的差异对步骤S2处理的NC变量数据进行领域划分，得到切削刀具的源域特征空间和目标域特征空间；
[0010]S4、通过一维残差块堆叠的方式从切削刀具的源域特征空间和目标域特征空间中提取切削刀具寿命的敏感特征：
[0011]S41、建立切削刀具的恒等残差块模型：
[0012]S411、构建恒等残差块模型的第一卷积层：根据卷积层深度及特征维度，设定滤波器数量、卷积核尺寸和步长以及随机失活率，并选取RELU激活函数，其函数表达式如下：
[0013][0014]其中，x表示激活函数输入；
[0015]S412、对第一卷积层进行正则化处理：引入批正则化层和随机失活层，并按着批正则化层
‑
RELU激活函数
‑
随机失活层
‑
第一卷积层的顺序，对第一卷积层的输入进行正则化处理，从而构造一种预激活结构；
[0016]S413、构建恒等残差块模型的第二卷积层：为了提取卷积层更深层次的高级特征，设定更多的滤波器数量，同时根据特征维度，设定卷积核尺寸和步长以及随机失活率；
[0017]S414、将第一卷积层的输入与第二卷积层的输出直连来缓解梯度消失并避免模型退化，获得切削刀具的恒等残差块模型；
[0018]S42、建立切削刀具的衰减残差块模型：
[0019]S421、根据步骤S411中构建第一卷积层的方法构建衰减残差块模型的第一卷积层；
[0020]S422、在步骤S413中构建第二卷积层的方法的基础上，通过改变第二卷积层的步长值，获得衰减残差块模型的第二卷积层；
[0021]S423、利用最大池化层将第一卷积层的输入与第二卷积层的输出进行直连，根据降维后的特征维度，设定池化尺寸和步长，获得切削刀具的衰减残差块模型；
[0022]S5、根据步骤S4提取的切削刀具寿命的敏感特征，利用领域对抗方法与数据分布自适应方法构建刀具剩余寿命预测迁移学习框架：
[0023]S51、将步骤S4提取的切削刀具寿命的敏感特征输入到全连接层进行特征加权与扁平化处理，将从切削刀具源域特征空间和目标域特征空间提取的敏感特征分别用FC1S、FC2S和FC1T、FC2T表示；
[0024]S52、利用数据分布自适应方法缩小步骤S51中FC层中源域特征空间和目标域特征空间的空间分布差异，以多核最大均值差异作为不同领域间数据分布差异的量化指标，其表达式为：
[0025][0026]其中，D
K
表示切削刀具源域特征空间和目标域特征空间的多核最大均值差异，D
FC2S
表示源域特征空间，D
FC2T
表示目标域特征空间，n
s
和n
t
分别表示切削刀具源域特征空间和目标域特征空间的样本数量，和分别表示切削刀具源域特征空间和目标域特征空间的特征样本，K(
·
)为由多项式核与高斯核线性组合得到的核函数，其表达式为：
[0027][0028]其中，α
p
、β
u
是核函数的权重系数，k
p
、k
u
分别表示多项式核函数与高斯核函数，k表示组合核函数；
[0029]S53、将步骤S4建立的恒等残差块结构和衰减残差块结构与FC1和FC2层视为特征提取函数G
f
(
·
；θ
f
)，并建立领域判别函数G
d
(
·
；θ
d
)与切削刀具寿命预测函数G
c
(
·
；θ
c
)，将领域判别函数G
d
(
·
；θ
d
)与切削刀具寿命预测函数G
c
(
·
；θ
c
)间构成对抗学习机制，具体表达式如下：
[0030][0031][0032]其中，L0是优化目标，由刀具寿命预测误差L
c
和领域判别误差L
d
组成；组成；分别是θ
f
，θ
c
，θ
d
的最优值，该参数经过反向传播机制进行更新。
[0033]可优选的是，所述步骤S1中，所述NC变量数据，其包括主轴振动、主轴电流、主轴扭矩、进给速度、切削刀具名称和已加工件数。
[0034]可优选的是，所述步骤S2中，所述压缩感知方法，其包括稀疏表示、压缩测量和重构去噪。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测面向复杂多变工况的切削刀具剩余寿命的方法，其特征在于，具体实施步骤如下：S1、根据切削加工设备内置的传感器，采集数控系统的NC变量数据，并标记切削刀具的剩余寿命；S2、利用压缩感知方法对采集的NC变量数据进行降噪处理，获取平稳信号；S3、根据工艺参数、切削刀具编号和毛坯精度工况之间的差异对步骤S2处理的NC变量数据进行领域划分，得到切削刀具的源域特征空间和目标域特征空间；S4、通过一维残差块堆叠的方式从切削刀具的源域特征空间和目标域特征空间中提取切削刀具寿命的敏感特征：S41、建立切削刀具的恒等残差块模型：S411、构建恒等残差块模型的第一卷积层：根据卷积层深度及特征维度，设定滤波器数量、卷积核尺寸和步长以及随机失活率，并选取RELU激活函数，其函数表达式如下：其中，x表示激活函数的输入；S412、对第一卷积层进行正则化处理：引入批正则化层和随机失活层，并按着批正则化层
‑
RELU激活函数
‑
随机失活层
‑
第一卷积层的顺序，对第一卷积层的输入进行正则化处理，从而构造一种预激活结构；S413、构建恒等残差块模型的第二卷积层：为了提取卷积层更深层次的高级特征，设定更多的滤波器数量，同时根据特征维度，设定卷积核尺寸和步长以及随机失活率；S414、将第一卷积层的输入与第二卷积层的输出直连来缓解梯度消失并避免模型退化，获得切削刀具的恒等残差块模型；S42、建立切削刀具的衰减残差块模型：S421、根据步骤S411中构建第一卷积层的方法构建衰减残差块模型的第一卷积层；S422、在步骤S413中构建第二卷积层的方法的基础上，通过改变第二卷积层的步长值，获得衰减残差块模型的第二卷积层；S423、利用最大池化层将第一卷积层的输入与第二卷积层的输出进行直连，根据降维后的特征维度，设定池化尺寸和步长，获得切削刀具的衰减残差块模型；S5、根据步骤S4提取的切削刀具寿命的敏感特征，利用领域对抗方法与数据分布自适应方法构建刀具剩余寿命预测迁移学习框架：S51、将步骤S4提取的切削刀具寿命的敏感特征输入到全连接层进行特征加权与扁平化处理，将从切削刀具源域特征空间和目标域特征空间提取的敏感特征分别用FC1S、FC2S和FC1T、FC2T表示；S52、利用数据分布自适应方法缩小步骤S51中FC层中源域特征空间和目标域特征空间的空间分布差异，以多核最大均值差异作为不同领域间数据分布差异的量化指标，其表达式为：
其中，D
K
表示切削刀具源域特征空间和目标域特征空间的多核最大均值差异，D
FC2S
表示源域特征空间，D
FC2T
表示目标域特征空间，n
s
和n
t
分别表示切削刀具源域特征空间和目标域特征空间的样本数量，和分别表示切削刀具源域特征空间和目标域特征空间的特征样本，K(
·
)为由多项式核与高斯核线性组合得到的核函数，其表达式为：其中，α

【专利技术属性】
技术研发人员：吴凤和，章正柱，张宁，蒋展鹏，孙迎兵，郭保苏，柴海宁，
申请(专利权)人：燕山大学，
类型：发明
国别省市：