基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法技术

本发明专利技术公开了一种基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法，包括以下步骤，1)获取刀具的状态监测信号，并对该状态监测信号进行数据预处理，获取刀具的数据样本集；2)对数据样本集中的有效数据进行特征选择，并获取由特征值和刀具磨损量组成的GRU神经网络训练用样本数据集；3)基于该样本数据集搭建GRU神经网络模型获取刀具的状态监测信号与磨损值的时序分析预测数据。本发明专利技术的GRU模型的特殊结构可以充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，同时GRU的模糊性可以在空间上对工况场景和加工磨损特征复杂相关关系进行建模，同时需求数据量更小、拥有更快地训练速度。拥有更快地训练速度。拥有更快地训练速度。

【技术实现步骤摘要】
基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法


[0001]本专利技术属于刀具寿命预测
，尤其涉及一种基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法。

技术介绍

[0002]刀具作为在工业制造过程中的重要工具，其寿命和磨损状态影响着工件的生产质量，生产效率以及车床的健康状态。如果能精准预测出刀具的剩余寿命，将有效地降低工业制造的成本。
[0003]Rangwala等首次将人工神经网络应用于刀具状态监测中，该方法后来以其强大的学习能力被刀具状态监测领域广泛使用。与前面学者使用的网络结构不同，蒋丽英等建立了基于径向基神经网络的一步和多步刀具磨损状态预测模型，通过仿真实验证明其预测精度高于支持向量机。Huang等提出一种基于径向基神经网络的电火花加工电极磨损预测模型，该模型能控制预测误差在8％以内。李梅娟等也应用了RBF神经网络监控刀具状态。对于变工况下的刀具剩余寿命预测，同一把刀具在其生命周期内可能加工多个零件，刀具是在一种不断变化的加工条件下工作的，其磨损情况随着加工条件而变化，加工中工况变化与刀具磨损之间关系更为复杂。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法，其特征在于：包括以下步骤，1)获取刀具的状态监测信号，并对该状态监测信号进行数据预处理，获取刀具的数据样本集；2)对数据样本集中的有效数据进行特征选择，并获取由特征值和刀具磨损量组成的GRU神经网络训练用样本数据集；3)基于该样本数据集搭建GRU神经网络模型获取刀具的状态监测信号与磨损值的时序分析预测数据。2.根据权利要求1所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法，其特征在于：所述获取刀具的数据样本集包括以下步骤，1)通过智能刀柄获取刀具X、Y、Z轴的若干状态监测信号；2)对该状态监测信号进行数据预处理，提取所述状态监测信号的时域特征和频域特征；3)将刀具的寿命周期连续均匀分为T个样本，其中，刀具的一次走刀作为一个样本，得到T个分段向量，每个分段向量包含多个特征分量，得到刀具的数据样本集，即，X
org
＝[C1,C2,C3,
…
,C
T
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)C
T
＝[x1,x2,x3,
…
,x
T
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，X
org
为刀具的数据样本集，C
T
为对应样本的分段向量，x
T
为对应样本的特征分量。3.根据权利要求2所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法，其特征在于：所述状态监测信号包括切削力信号、振动信号以及声发射信号；所述数据预处理包括空值处理、离群值处理、多项式趋势处理。4.根据权利要求2所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法，其特征在于：所述时域特征包括均值、均方差、方根幅值、均方根、峰值、峰峰值、偏度、峰度；所述频域特征包括幅值谱模最大值、自功率谱模最大值。5.根据权利要求2所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法，其特征在于：所述GRU神经网络训练用样本数据集的获取，包括以下步骤，1)将所述刀具的数据样本集中的所有特征归一化处理为具有零均值与单位方差，采用如下公式，其中，i表示样本编号，j表示特征编号；2)通过过滤型的特征选择算法提取特征的特征子集降低数据的维数；3)为每个特征子集中的特征结合刀具磨损值B建立假设检验，其中，假设特征与刀具磨损值B无关，并进行多重假设检验后...

【专利技术属性】
技术研发人员：阎春平，黄一躬，周超，倪恒欣，
申请(专利权)人：重庆大学，
类型：发明
国别省市：