一种基于PCC-LSTM的铣削刀具磨损预测方法技术

本发明专利技术公开了一种基于PCC

【技术实现步骤摘要】
一种基于PCC
‑
LSTM的铣削刀具磨损预测方法


[0001]本专利技术涉及一种基于PCC
‑
LSTM的铣削刀具磨损预测方法，属于加工过程监控


技术介绍

[0002]机械零部件产品生产制造过程中，刀具磨损会带来切削区域应力集中及温度升高，导致加工工件质量恶化，严重时甚至对机床精度产生影响。采用传感器对加工过程中铣削刀具磨损状态进行监测，提前预知铣削刀具磨损状态，是提升加工精度的重要措施之一，同时也是智能制造的重要组成部分。
[0003]现有技术采用隐马尔可夫、贝叶斯、BP神经网络等算法，为了获得准确的预测结果，这些算法需要大量的数据进行训练和预测，大量的输入数据意味着需要消耗大量的计算资源，降低了求解效率。

技术实现思路

[0004]本专利技术要克服现有技术中铣削刀具磨损预测在计算精度与求解效率无法协调统一的技术问题，而提供一种基于PCC
‑
LSTM的铣削刀具磨损预测方法。
[0005]为解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种基于PCC
‑
LSTM的铣削刀具磨损预测方法，包括以下步骤：
[0007]步骤1、采集加工过程中工作台及主轴的电流、振动和声发射信号，信号源的个数为num_sensors；
[0008]步骤2、采用移动平均方法对所采集的信号信息降噪，平均的数据项数为N，N的求解方法为：N＝0.25*f*60/(360*n)，当求解所得N为非整数时，向下取整，其中，f为采样频率，单位为Hz；n为铣削刀具转速，单位为转/min；
[0009]步骤3、对经步骤2降噪的信号进行归一化处理；
[0010]步骤4、对降噪、归一化处理后的数据进行时域、频域信号特征提取，包括平均值、标准差、偏度、峭度、峰峰值、均方根、振幅(峰值)因数、波形因数、脉冲因数、裕度因数、重心频率、频率方差和均方频率，共计13个特征值，所有传感器获得特征值个数为num_features＝13*num_sensors，所有特征值储存在特征矩阵X中；
[0011]步骤5、基于皮尔逊相关系数对特征进行优选，选取皮尔逊相关系数较大的几个特征；
[0012]步骤6、建立LSTM网络，共包括4层，第1层为LSTM层，包含128个单元；第2层为LSTM层，包含64个单元；第3层为LSTM层，包含32个单元；第4层为全连接层，包含1个输出节点，损失函数为MSE；
[0013]步骤7、针对步骤6建立的网络，采用带有标签的刀具磨损数据集进行训练，该数据集包含刀具每种磨损状态下采集的工作台及主轴的电流、振动和声发射传感器信号以及刀具磨损值，刀具磨损值采用后刀面磨损量进行评价，当损失函数MSE的值小于0.01时结束训
练，获得LSTM网络；
[0014]步骤8、将步骤5获得的优选特征，输入步骤7建立的网络，求解获得预测值，即LSTM网络的输出节点。
[0015]本专利技术通过采用PCC与LSTM相结合方式解决上述技术问题。首先，通过PCC算法优选获得与刀具磨损相关性较大的特征，一方面，通过特征优选降低LSTM网络输入特征个数，从而提升计算效率，另一方面，通过PCC确保所优选的特征与刀具磨损具有强相关性，从而保证计算精度；其次，将刀具磨损预测问题转化为时间序列预测问题，在较少的数据样本条件下，充分发挥LSTM对于时间序列的分析预测优势，提升刀具磨损预测精度。
[0016]实施例表明，刀具真实磨损值分别为：0.23mm、0.25mm、0.28mm、0.32mm、0.36mm、0.41mm、0.48mm、0.53mm。预测值分别为：0.08mm、0.22mm、0.27mm、0.32mm、0.35mm、0.40m、0.48mm、0.50mm，平均误差约为11％。每个刀具磨损值预测时间小于0.5秒。因此，本专利技术可以在保证预测精度的前提下，提升计算效率，实现计算精度与求解效率的协调统一。
[0017]进一步地，步骤1所述电流、振动和声发射信号分别通过电流传感器、振动传感器和声发射传感器获得，声发射传感器安装在加工中心的工作台，振动传感器安装在主轴上，信号经过放大和滤波进行数据采集；电流传感器接入电机的供电电路上。
[0018]金属切削的过程本质上是切屑变形以及刀具后刀面与已加工表面接触摩擦过程，铣削加工过程中，由于磨损而导致刀具几何结构发生改变，改变的刀具几何结构将增加材料变形的不均匀性，同时改变后刀面与已加工表面摩擦特性，由此伴随着切削力、振动、电流以及声发射等信号的改变，即刀具磨损状态的改变会导致加工过程中产生的切削力、振动、电流以及声发射等信号的改变。因此，可以通过电流、振动和声发射信号判断刀具磨损。
[0019]进一步地，步骤3中归一化转换函数如下：
[0020][0021]其中，x
*
为归一化后的数值，x为样本内的原值，x
max
和x
min
分别为样本数据的最大值和最小值。
[0022]进一步地，步骤5中皮尔逊相关系数计算公式为：
[0023][0024]其中，r为皮尔逊相关系数，X
i
为不同磨损状态下对应的样本信号特征值，为所有磨损状态下对应的样本信号特征值的平均值，Y
i
为不同磨损状态下对应的铣削刀具磨损值，为所有磨损状态下对应的铣削刀具磨损值的平均值，i为铣削刀具磨损状态序号，n为铣削刀具磨损状态的数量；优选的特征数量为：
[0025]num_features_select，其中，num_features_selected＝0.25*num_features，若num_features_selected的求解值为非整数，对其进行四舍五入处理。
[0026]本专利技术的有益效果在于：
[0027]本专利技术充分利用PCC方法的降维功能以及LSTM对于时间序列的分析预测功能，提
供的一种铣削刀具磨损预测方法，能够克服切削加工过程铣削刀具磨损预测存在的计算精度与求解效率无法协调统一的局限性，实现铣削刀具磨损快速精确预测。
附图说明
[0028]图1为本专利技术方法流程；
[0029]图2为本专利技术实施例中采集的振动信号示例；
[0030]图3为本专利技术实施例预测结果展示。
具体实施方式
[0031]下面结合实施例对本专利技术作进一步描述，以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0032]本实施实例中，数据集实验采用Matsuura加工中心进行铣削加工，采集加工过程中的电流、振动和声发射信号，共使用2个振动传感器、2个电流传感器和2个声发射传感器共6个传感器。声发射传感器和振动传感器分别安装在加工中心的工作台和主轴上，信号经过放大和滤波进行数据采集。声发射传感器为WD 925(PHYSICAL ACOUSTIC GROUP,frequency r本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCC
‑
LSTM的铣削刀具磨损预测方法，其特征在于：包括以下步骤：步骤1、采集加工过程中工作台及主轴的电流、振动和声发射信号，信号源的个数为num_sensors；步骤2、采用移动平均方法对所采集的信号信息降噪，平均的数据项数为N，N的求解方法为：N＝0.25*f*60/(360*n)，当求解所得N为非整数时，向下取整，其中，f为采样频率，单位为Hz；n为铣削刀具转速，单位为转/min；步骤3、对经步骤2降噪的信号进行归一化处理；步骤4、对降噪、归一化处理后的数据进行时域、频域信号特征提取，所有特征值储存在特征矩阵X中；步骤5、基于皮尔逊相关系数对特征进行优选，选取皮尔逊相关系数较大的几个特征；步骤6、建立LSTM网络，共包括4层，第1层为LSTM层，包含128个单元；第2层为LSTM层，包含64个单元；第3层为LSTM层，包含32个单元；第4层为全连接层，包含1个输出节点，损失函数为MSE；步骤7、针对步骤6建立的网络，采用带有标签的刀具磨损数据集进行训练，该数据集包含刀具每种磨损状态下采集的工作台及主轴的电流、振动和声发射传感器信号以及刀具磨损值，刀具磨损值采用后刀面磨损量进行评价，当损失函数MSE的值小于0.01时结束训练，获得LSTM网络；步骤8、将步骤5获得的优选特征，输入步骤7建立的网络，求解获得预测值，即LSTM网络的输出节点。2.根据权利要求1所述的一种基于PCC
‑
LSTM的铣削刀具磨损预测方法，其特征在于：步骤1所述电流、振动和声发射信号分别通过电流传感器、振动传感器和声发射传感器获得，声发射传感器安装在加工中心的工作台，振动传感器安装在主轴上...

【专利技术属性】
技术研发人员：李阳光，冯都忠，刘峰，季海晨，赵君怡，
申请(专利权)人：河海大学，
类型：发明
国别省市：