一种基于LSTM-FLC算法的机床自适应预测调控方法技术

本发明专利技术公开了一种基于LSTM

【技术实现步骤摘要】
一种基于LSTM
‑
FLC算法的机床自适应预测调控方法


[0001]本专利技术属于智能制造
，涉及一种基于长短时记忆网络
‑
模糊逻辑控制(LSTM
‑
FLC)算法的机床自适应预测调控方法。

技术介绍

[0002]数控机床的自适应调控是根据加工状态实时在线调整加工参数，使机床效能最大化发挥，并减缓刀具磨损，实现高质高效加工。传统加工通常离线优化加工参数，在实际加工中，根据离线优化选取的加工参数往往为固定值且比较保守，导致机床效能发挥不足，尤其是在粗加工过程中，由于加工余量不均匀、刀具磨损、异常冲击等因素，固定的加工参数无法适应动态变化的加工过程。因此，机床加工参数的自适应调控已经成为智能制造领域的关键技术之一。
[0003]神经网络和模糊理论是以往机床自适应调控中常用的两种方法。神经网络属于数据驱动模型，可以实现较高精度的预测任务，但神经网络不能有效利用已有的专家知识，特别是利用端对端的神经网络需要海量数据，而复杂多变工况下带标签的加工数据获取较为困难。模糊理论可有效利用专家知识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM
‑
FLC算法的机床自适应预测调控方法，其特征在于，所述机床自适应预测调控方法包括如下步骤：首先，在机床上进行变切削深度铣削加工试验，获取变切深条件下的主轴功率信号，并对获取的功率信号进行预处理；然后，使用处理后的功率信号和切削参数对LSTM网络进行训练，得到切削功率的预测模型；接着，通过对LSTM网络预测数据与实际监测数据进行加权求出模糊控制的输入，建立具有预测功能的加工参数自适应调控模型，得到进给速度的预测调控值；最后，在实际加工过程中，对机床主轴功率信号进行实时监测，通过设计的加工参数自适应调控模型对进给速度进行预测调控。2.根据权利要求1所述的一种基于LSTM
‑
FLC算法的机床自适应预测调控方法，其特征在于，具体步骤如下：第一步，变切深加工信息采集和处理；(1)对试制的阶梯形样件进行变切深加工变切削深度加工过程为：试制阶梯形样件，在同种刀具条件下，选择不同的主轴转速和进给速度组合搭配进行切削加工；(2)采集功率信号将功率传感器布置在主轴伺服电机上，其三个线圈分别套在主轴电机U、V、W三根动力线上，利用功率传感器采集每一组切削过程的功率信号；(3)信号处理针对功率信号采集过程中信号缺失的异常情况，采用缺失值前后两个值的平均值作为补偿后的新值，按式(1)计算补偿后的功率P
i
：其中，P
i
‑1为信号缺失前一时刻信号值，P
i+1
为信号缺失后一时刻信号值；为了避免不同尺寸零件加工中功率数据量纲上差异对预测模型训练的影响，将采集的功率数据线性函数进行归一化操作，得到归一化后的数值P
x
；(2)第二步，构建切削功率预测模型；构建LSTM网络模型，利用实时采集的功率值和加工程序设定的切削参数对下一时刻的切削功率进行预测，输入矩阵为x
t
，由处理后的功率值P
x
、程序设定的主轴转速n
o
和进给速度f
o
构成，输出为下一时刻的归一化功率值P
p
；所述的LSTM网络由四个部分组成：输入门、细胞状态、遗忘门和输出门；设LSTM网络的记忆单元在每一个时间步长t更新一次，则其t时刻遗忘门的值f
t
、输入门i
t
和输出门o
t
分别按式(3)、(4)和(5)计算：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀ
(3)i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
ꢀꢀ
(4)o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)
ꢀꢀ
(5)其中，W
f
、W
i
和W
o
分别为遗忘门、输入门和输出门的权重，h
t
‑1为上一时刻的隐藏状态，b
f
、b
i
和b
o
分别为遗忘门、输入门和输出门的偏置，σ(
·
)为Sigmoid激活函数；LSTM网络的细胞状态C
t
按式(6)计算：C
t
＝f
t
·
C
t
‑1+i
t
·
tanh(W
c
·
[h
t
‑1,x
t
]+b
c
)
ꢀꢀ
(6)
其中，W
c
和b
c
分别为细胞状态单元的权重和偏置，tanh(
·
)为tanh激活函数；LSTM网络的隐藏状态h
t
按式(7)计算：h
t...

【专利技术属性】
技术研发人员：刘阔，姜业明，牛蒙蒙，李明禹，陈虎，王永青，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：