模具保养预测模型训练方法、模具保养预测方法和系统技术方案

模具保养预测模型训练方法、模具保养预测方法和系统。本发明专利技术提出的一种模具保养预测模型训练方法可训练出一种基于产品质量数据精确预测模具保养动态的模具保养预测模型，该模具保养预测模型将模具生产的产品的产品图像数据和尺寸数据组成的多模态特征共同作为产品的模具保养预测模型的输入，在特征上起到相互补充的作用；采用多尺度循环神经网络预测产品特征向量的走向，采用深度前馈网络预测未来时刻模具磨损状态量，绘制模具磨损状态量变化曲线图；然后根据事先设定好的模具磨损状态量阈值，算出当前时刻的模具剩余寿命，实现模具保养预测。保养预测。保养预测。

【技术实现步骤摘要】
模具保养预测模型训练方法、模具保养预测方法和系统


[0001]本专利技术涉及机械加工模具健康管理领域，尤其涉及一种模具保养预测模型训练方法、模具保养预测方法和系统。

技术介绍

[0002]随着近些年来互联网技术的快速发展，制造业与新一代信息技术的深度融合势不可挡，使得生产加工流程变得更加自动化与智能化，设备故障诊断和保养预测成为实现工业智能化的关键问题。模具是生产加工系统中最核心的加工要素，它对产品质量有着直接影响，一旦模具发生损坏故障而未能及时发现，轻则直接影响产品加工质量和生产效率，严重甚至导致工厂机器损坏以及危害工作人员的生命安全，大大增加了企业生产成本，因此精准预测模具剩余寿命并及时进行保养，对制造企业具有重要意义。
[0003]具体地说，模具保养预测主要实现了在线实时监测整个车间设备加工产品质量；及时识别模具磨损状态并掌握模具的磨损变化情况；精准预测模具剩余使用寿命，实现模具保养预测；起到模具寿命智能预警，通知工作人员提前换具，保养旧模具，以减少故障时间。
[0004]随着加工时间的推移，生产车间产生了越来越多的加工信息，如何从这些加工数据中挖掘出与模具寿命相关的信息对模具保养预测起到至关重要的作用。主流的用于模具保养预测方法基本上是基于神经网络的算法，利用加工过程中采集到的振动等监测信号数据，通过数据预处理、特征提取与降维、特征选择处理后，输入到搭建好的神经网络模型中训练，利用训练好的模型输出模具剩余寿命预测结果。尽管使用人工智能技术，分析加工信号数据并取得了不错的预测效果，然而这样的方法却存在一定的缺陷，即缺少对加工产品质量内在属性的考虑，没有充分挖掘出加工产品质量特征数据与模具的健康状况之间的内在联系，同时未能充分利用模具磨损状态信息以及没有区分不同特征参数对模型性能的影响，从而影响了模型的预测精度。除此之外，现有模型缺乏在线实时动态更新模具剩余寿命的特点，不能实现模具的动态保养预测，从而也限制了模型性能的进一步提升。

技术实现思路

[0005]为了解决上述现有技术中基于模具生产振动数据预测剩余寿命的缺陷，本专利技术提出了一种模具保养预测模型训练方法可训练出一种基于产品质量数据精确精确预测模具保养动态的模具保养预测模型。
[0006]本专利技术采用以下技术方案：一种模具保养预测模型训练方法，所述模具保养预测模型用于预测模具的剩余寿命，所述训练方法包括以下步骤：S1、获取产品质量数据，产品质量数据包括同一产品不同角度的产品图像和多项产品尺寸数据，产品尺寸数据为展示产品形状特征的尺寸数据；构建标注样本，标注样本包括某一时刻上模具生产的产品的产品质量数据以及该时刻上模具的剩余寿命，令i表示标
注样本序号，y
i
表示模具生产第i个标注样本对应的产品时的剩余寿命，y
i
记作第i个标注样本的真实标注；S2、构建初始模型，初始模型包括预处理模块、自注意力机制模块、多尺度循环神经网络和模具保养预测模块；预处理模块用于对不同角度的产品图像进行预处理，以获取各个角度的产品图像的特征向量并构建产品图像特征集合F；预处理模块用于对各项产品尺寸数据进行预处理，以获取产品尺寸特征集合S
’’
；预处理模块还用于对产品图像特征集合F和产品尺寸特征集合S
’’
加权求和作为样本数据X并输出；令X
i
表示第i个标注样本对应的样本数据；F={f(1),f(2),
…
,f(r
f
),
…
,f(n
f
)}；S
’’
={s
’’
(1),s
’’
(2),
…
,s
’’
(r
s
),
…
,s
’’
(n
s
)}；其中，n
f
表示图像采集角度的数量，f(r
f
)表示从第r
f
个角度采集的产品图像对应的特征向量；n
s
表示产品尺寸数据的数量，s
’’
(r
s
)表示产品的第r
s
个尺寸特征；n
s
=n
f
；1≤r
f
≤n
f
；1≤r
s
≤n
s
；自注意力机制模块的输入为样本数据X，输出为X经过自注意力机制后的特征向量X
’
；多尺度循环神经网络包括多个循环神经网络，每一个循环神经网络用于提取不同尺度上的特征向量，循环神经网络的输入为特征向量X
’
或者自身的输出；令当前时刻为t时刻，第r个循环神经网络的输入为X
’
时 ，其输出为当前时刻特征向量X
’’
(r,t)；第r个循环神经网络的输入为X
’’
(r,t
’
)时 ，其输出为下一时刻特征向量X
’’
(r,t
’
+1)；t≤t
’
≤t+N
‑
1，N为设定的循环次数；1≤r≤R，R为循环神经网络的数量；模具保养预测模块包括深度前馈网络和模具寿命预测模块；深度前馈网络根据各时刻上的特征向量X
’’
(r,t+n)预测该时刻t+n上模具的磨损状态量，0≤n≤N；模具寿命预测模块根据模具的磨损状态量曲线预测模具的剩余寿命，模具的磨损状态量曲线结合模具各时刻上的磨损状态量绘制；初始模型的输入为预处理模块的输入，初始模型的输出为模具寿命预测模的输出，即模具的剩余寿命；S3、令初始模型自主学习标注样本以迭代参数，直至达到设定的迭代条件，则固定参数，并将固定参数的初始模型作为模具保养预测模型。
[0007]优选的，预处理模块和自注意力机制模块均采用固定模型，S3中首先令预处理模块、自注意力机制模块和多尺度循环神经网络构成预学习模型，令预学习模型自主学习标注样本以对多尺度循环神经网络进行参数迭代，直至固定多尺度循环神经网络；然后令多尺度循环神经网络参数固定的初始模型对标注样本进行学习，以迭代模具保养预测模块的参数；多尺度循环神经网络进行参数迭代包括以下步骤：SA31、设置过渡参数X
’’’
，令：X
’’’
=w1×
X
’’
(1,t)+w2×
X
’’
(2,t)+
…
+w
r
×
X
’’
(r,t)+
…
+w
R
×
X
’’
(R,t)；其中，w
r
表示权重，1≤r≤R，w1+w2+
…
+w
r
+
…
+w
R
=1；w
r
在预学习模型自主学习标注样本的过程中通过反向传播自适应调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模具保养预测模型训练方法，其特征在于，所述模具保养预测模型用于预测模具的剩余寿命，所述训练方法包括以下步骤：S1、获取产品质量数据，产品质量数据包括同一产品不同角度的产品图像和多项产品尺寸数据，产品尺寸数据为展示产品形状特征的尺寸数据；构建标注样本，标注样本包括某一时刻上模具生产的产品的产品质量数据以及该时刻上模具的剩余寿命，令i表示标注样本序号，y
i
表示模具生产第i个标注样本对应的产品时的剩余寿命，y
i
记作第i个标注样本的真实标注；S2、构建初始模型，初始模型包括预处理模块、自注意力机制模块、多尺度循环神经网络和模具保养预测模块；预处理模块用于对不同角度的产品图像进行预处理，以获取各个角度的产品图像的特征向量并构建产品图像特征集合F；预处理模块用于对各项产品尺寸数据进行预处理，以获取产品尺寸特征集合S
’’
；预处理模块还用于对产品图像特征集合F和产品尺寸特征集合S
’’
加权求和作为样本数据X并输出；令X
i
表示第i个标注样本对应的样本数据；F={f(1),f(2),
…
,f(r
f
),
…
,f(n
f
)}；S
’’
={s
’’
(1),s
’’
(2),
…
,s
’’
(r
s
),
…
,s
’’
(n
s
)}；其中，n
f
表示图像采集角度的数量，f(r
f
)表示从第r
f
个角度采集的产品图像对应的特征向量；n
s
表示产品尺寸数据的数量，s
’’
(r
s
)表示产品的第r
s
个尺寸特征；n
s
=n
f
；1≤r
f
≤n
f
；1≤r
s
≤n
s
；自注意力机制模块的输入为样本数据X，输出为X经过自注意力机制后的特征向量X
’
；多尺度循环神经网络包括多个循环神经网络，每一个循环神经网络用于提取不同尺度上的特征向量，循环神经网络的输入为特征向量X
’
或者自身的输出；令当前时刻为t时刻，第r个循环神经网络的输入为X
’
时 ，其输出为当前时刻特征向量X
’’
(r,t)；第r个循环神经网络的输入为X
’’
(r,t
’
)时 ，其输出为下一时刻特征向量X
’’
(r,t
’
+1)；t≤t
’
≤t+N
‑
1，N为设定的循环次数；1≤r≤R，R为循环神经网络的数量；模具保养预测模块包括深度前馈网络和模具寿命预测模块；深度前馈网络根据各时刻上的特征向量X
’’
(r,t+n)预测该时刻t+n上模具的磨损状态量，0≤n≤N；模具寿命预测模块根据模具的磨损状态量曲线预测模具的剩余寿命，模具的磨损状态量曲线结合模具各时刻上的磨损状态量绘制；初始模型的输入为预处理模块的输入，初始模型的输出为模具寿命预测模的输出，即模具的剩余寿命；S3、令初始模型自主学习标注样本以迭代参数，直至达到设定的迭代条件，则固定参数，并将固定参数的初始模型作为模具保养预测模型。2.如权利要求1所述的模具保养预测模型训练方法，其特征在于，预处理模块和自注意力机制模块均采用固定模型，S3中首先令预处理模块、自注意力机制模块和多尺度循环神经网络构成预学习模型，令预学习模型自主学习标注样本以对多尺度循环神经网络进行参数迭代，直至固定多尺度循环神经网络；然后令多尺度循环神经网络参数固定的初始模型对标注样本进行学习，以迭代模具保养预测模块的参数；多尺度循环神经网络进行参数迭代包括以下步骤：SA31、设置过渡参数X
’’’
，令：
X
’’’
=w1×
X
’’
(1,t)+w2×
X
’’
(2,t)+
…
+w
r
×
X
’’
(r,t)+
…
+w
R
×
X
’’
(R,t)；其中，w
r
表示权重，1≤r≤R，w1+w2+
…
+w
r
+
…
+w
R
=1；w
r
在预学习模型自主学习标注样本的过程中通过反向传播自适应调整；SA32、令预学习模型对标注样本进行学习，并在学习过程中采用Adam优化器对预学习模型中的多尺度循环神经网络进行参数迭代，直至预学习模型的损失达到最小时固定多尺度循环神经网络；预学习模型的损失采用以下第一损失函数计算：；其中，L表示预学习模型的损失，M表示预学习模型学习的最近一组标注样本的集合，m为M中的标注样本数量，i表示标注样本序号，X
i

【专利技术属性】
技术研发人员：令狐彬，胡炳彰，周璠，许鹏，鲍江宏，高磊，
申请(专利权)人：合肥中科迪宏自动化有限公司，
类型：发明
国别省市：