刀具剩余寿命预测方法、装置、设备、介质和程序产品制造方法及图纸

本申请涉及一种刀具剩余寿命预测方法、装置、设备、介质和程序产品。所述方法包括：在数控机床加工过程中，获取该数控机床中刀具的信号样本，该信号样本包括多种类型的刀具信号，各刀具信号包括多个数据点；对该信号样本进行预处理，得到预测信号；将该预测信号输入至预先建立的剩余寿命预测模型中，得到该剩余寿命预测模型输出的该刀具的剩余寿命值。采用本方法能够提升数控机床的刀具的剩余寿命预测的准确性。准确性。准确性。

【技术实现步骤摘要】
刀具剩余寿命预测方法、装置、设备、介质和程序产品


[0001]本申请涉及数控加工
，特别是涉及一种刀具剩余寿命预测方法、装置、设备、介质和程序产品。

技术介绍

[0002]数控机床作为工业母机，对国家工业生产的发展有着最直接的影响。而刀具是数控机床的重要部件，刀具的磨损程度会直接影响被加工工件的精度和质量，磨损严重时甚至会引发安全事故。因此，准确地判断刀具的剩余使用寿命十分重要。
[0003]传统技术中，通过采集数控机床运行过程中的电流信号，并提取该电流信号的特征值，以基于该电流信号对数控机床的刀具进行剩余寿命预测。
[0004]然而，数控机床是一个机、电、液一体化的复杂设备，传统技术中，仅基于电流信号并不能充分反映刀具的剩余寿命的所有信息，因此，基于电流信号得到的刀具的剩余寿命预测结果准确性较低。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提升数控机床的刀具的剩余寿命预测的准确性的刀具剩余寿命预测方法、装置、设备、介质和程序产品。
[0006]第一方面，本申请提供了一种刀具剩余寿命预测方法。该方法包括：
[0007]在数控机床加工过程中，获取该数控机床中刀具的信号样本，该信号样本包括多种类型的刀具信号，各刀具信号包括多个数据点；对该信号样本进行预处理，得到预测信号；将该预测信号输入至预先建立的剩余寿命预测模型中，得到该剩余寿命预测模型输出的该刀具的剩余寿命值。
[0008]在其中一个实施例中，该剩余寿命预测模型包括T个级联的特征学习模块以及全连接网络；该将该预测信号输入至预先建立的剩余寿命预测模型中，得到该剩余寿命预测模型输出的该刀具的剩余寿命值，包括：将该预测信号输入至该T个级联的特征学习模块中第1个特征学习模块，以由该T个级联的特征学习模块依次进行特征学习，并将该T个级联的特征学习模块中最后1个特征学习模块输出的多尺度特征数据输入至该全连接网络，得到该全连接网络输出的该刀具的剩余寿命值。
[0009]在其中一个实施例中，第i个特征学习模块包括第一特征提取单元、特征切分单元、S个权重提取单元、特征加权单元、第二特征提取单元以及拼接单元，该第i个特征学习模块的特征学习过程包括：获取该第i个特征学习模块的输入数据；将该输入数据输入至该第一特征提取单元进行第一特征提取，得到该第一特征提取单元输出的第一特征数据；将该第一特征数据输入至该特征切分单元进行特征切分，得到该特征切分单元输出的S个第二特征数据；将该S个第二特征数据分别对应输入至各权重提取单元，得到各权重提取单元分别输出的初始权重，得到S个初始权重；将该S个初始权重以及该S个第二特征数据输入至该特征加权单元进行特征拼接，得到该特征加权单元输出的第一多尺度特征数据；将该输
入数据输入至该第二特征提取单元进行第二特征提取，得到该第二特征提取单元输出的第二多尺度特征数据；将该第一多尺度特征数据以及该第二多尺度特征数据输入至该拼接单元进行叠加处理，得到该拼接单元输出的该多尺度特征数据。
[0010]在其中一个实施例中，该获取该第i个特征学习模块的输入数据，包括：若 i＝1，将该预测信号作为该输入数据；若i>1，将第i
‑
1个特征学习模块输出的多尺度特征数据作为该输入数据。
[0011]在其中一个实施例中，该第一特征提取单元的处理过程包括：对该输入数据进行第一卷积处理，得到第一卷积特征数据；采用线性整流函数对该第一卷积特征数据进行第一非线性激活处理，得到该第一特征数据。
[0012]在其中一个实施例中，该特征切分单元的处理过程包括：对该第一特征数据进行平均切分处理，得到该S个第二特征数据。
[0013]在其中一个实施例中，该权重提取单元的处理过程包括：对该第二特征数据进行第二卷积处理，得到该第二特征数据对应的第二卷积特征数据；对该第二卷积特征数据进行全局平均最大池化处理得到最大池化特征数据；对该第二卷积特征数据进行全局平均池化处理，得到平均池化特征数据；根据该最大池化特征数据以及该平均池化特征数据，得到该初始权重。
[0014]在其中一个实施例中，该根据该最大池化特征数据以及该平均池化特征数据，得到该初始权重，包括：将该最大池化特征数据输入至第一全连接层中，得到该第一全连接层输出的最大连接特征数据；将该平均池化特征数据输入至该第一全连接层中，得到该第一全连接层输出的平均连接特征数据；采用 Sigmoid激活函数对该最大连接特征数据以及该平均连接特征数据进行第二非线性激活处理，得到该初始权重。
[0015]在其中一个实施例中，该特征加权单元的处理过程包括：对各初始权重分别进行归一化处理，得到各第二特征数据分别对应的特征权重；将各第二特征数据分别与对应的特征权重相乘，得到各第二特征数据分别对应的权重特征数据；对各权重特征数据进行拼接处理，得到该第一多尺度特征数据。
[0016]在其中一个实施例中，该第二特征提取单元的处理过程包括：对该输入数据进行第三卷积处理，得到第三卷积特征数据；对该第三卷积特征数据进行最大池化处理，得到该第二多尺度特征数据。
[0017]在其中一个实施例中，该全连接网络的处理过程包括：对该多尺度特征数据进行全局平均池化处理，得到池化特征；根据该池化特征，获取该池化特征对应的池化向量；将该池化向量输入至第二全连接层，得到该第二全连接层输出的该刀具的剩余寿命值。
[0018]在其中一个实施例中，该剩余寿命预测模型的训练过程包括：获取训练样本集，该训练样本集包括在数控机床加工过程中获取的该数控机床中刀具的M 个历史信号样本，各历史信号样本包括多种类型的历史刀具信号，各历史刀具信号包括多个数据点；基于该训练样本集，对初始剩余寿命预测模型进行训练，得到该剩余寿命预测模型；其中，该初始剩余寿命预测模型训练过程中采用 Adam优化算法进行模型参数更新。
[0019]在其中一个实施例中，该对该信号样本进行预处理，得到预测信号，包括：对该信号样本进行趋势项消除处理，得到初始预测信号；对该初始预测信号进行零均值化处理，得到该预测信号。
[0020]第二方面，本申请还提供了一种刀具剩余寿命预测装置。该装置包括：
[0021]第一获取模块，用于在数控机床加工过程中，获取所述数控机床中刀具的信号样本，所述信号样本包括多种类型的刀具信号，各所述刀具信号包括多个数据点；第一处理模块，用于对所述信号样本进行预处理，得到预测信号；第一输入模块，用于将所述预测信号输入至预先建立的剩余寿命预测模型中，得到所述剩余寿命预测模型输出的所述刀具的剩余寿命值。
[0022]在其中一个实施例中，该剩余寿命预测模型包括T个级联的特征学习模块以及全连接网络；该第一输入模块，具体用于：将该预测信号输入至该T个级联的特征学习模块中第1个特征学习模块，以由该T个级联的特征学习模块依次进行特征学习，并将该T个级联的特征学习模块中最后1个特征学习模块输出的多尺度特征数据输入至该全连接网络，得到该全连接网络输出的该本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种刀具剩余寿命预测方法，其特征在于，所述方法包括：在数控机床加工过程中，获取所述数控机床中刀具的信号样本，所述信号样本包括多种类型的刀具信号，各所述刀具信号包括多个数据点；对所述信号样本进行预处理，得到预测信号；将所述预测信号输入至预先建立的剩余寿命预测模型中，得到所述剩余寿命预测模型输出的所述刀具的剩余寿命值。2.根据权利要求1所述的方法，其特征在于，所述剩余寿命预测模型包括T个级联的特征学习模块以及全连接网络；所述将所述预测信号输入至预先建立的剩余寿命预测模型中，得到所述剩余寿命预测模型输出的所述刀具的剩余寿命值，包括：将所述预测信号输入至所述T个级联的特征学习模块中第1个特征学习模块，以由所述T个级联的特征学习模块依次进行特征学习，并将所述T个级联的特征学习模块中最后1个特征学习模块输出的多尺度特征数据输入至所述全连接网络，得到所述全连接网络输出的所述刀具的剩余寿命值。3.根据权利要求2所述的方法，其特征在于，第i个特征学习模块包括第一特征提取单元、特征切分单元、S个权重提取单元、特征加权单元、第二特征提取单元以及拼接单元，所述第i个特征学习模块的特征学习过程包括：获取所述第i个特征学习模块的输入数据；将所述输入数据输入至所述第一特征提取单元进行第一特征提取，得到所述第一特征提取单元输出的第一特征数据；将所述第一特征数据输入至所述特征切分单元进行特征切分，得到所述特征切分单元输出的S个第二特征数据；将所述S个第二特征数据分别对应输入至各所述权重提取单元，得到各所述权重提取单元分别输出的初始权重，得到S个初始权重；将所述S个初始权重以及所述S个第二特征数据输入至所述特征加权单元进行特征拼接，得到所述特征加权单元输出的第一多尺度特征数据；将所述输入数据输入至所述第二特征提取单元进行第二特征提取，得到所述第二特征提取单元输出的第二多尺度特征数据；将所述第一多尺度特征数据以及所述第二多尺度特征数据输入至所述拼接单元进行叠加处理，得到所述拼接单元输出的所述多尺度特征数据。4.根据权利要求3所述的方法，其特征在于，所述获取所述第i个特征学习模块的输入数据，包括：若i＝1，将所述预测信号作为所述输入数据；若i>1，将第i
‑
1个特征学习模块输出的多尺度特征数据作为所述输入数据。5.根据权利要求3所述的方法，其特征在于，所述第一特征提取单元的处理过程包括：对所述输入数据进行第一卷积处理，得到第一卷积特征数据；采用线性整流函数对所述第一卷积特征数据进行第一非线性激活处理，得到所述第一特征数据。6.根据权利要求3所述的方法，其特征在于，所述特征切分单元的处理过程包括：对所述第一特征数据进行平均切分处理，得到所述S个第二特征数据。
7.根据权利要求3所述的方法，其特征在于，所述权重提取单元的处理过程包括：对所述第二特征数据进行第二卷积处理，得到所述第二特征数据对应的第二卷积特征数据；对所述第二卷积特征数据进行全局平均最大池化处理得到最大池化特征数据；对所述第二卷积特征数据进行全局平均池化处理，得到平均池化特征数据；根据所述最大池化特征数据以及所述平均池化特征数据，...

【专利技术属性】
技术研发人员：胡宁，刘振国，蒋诗新，李泉洲，钟书棋，陈冰泉，
申请(专利权)人：中国电子产品可靠性与环境试验研究所工业和信息化部电子第五研究所中国赛宝实验室，
类型：发明
国别省市：