【技术实现步骤摘要】
一种基于三元组长短时记忆神经网络的刀具磨损监测方法
[0001]本专利技术涉及机械加工状态监测
,具体为一种基于三元组长短时记忆神经网络的刀具磨损监测方法
。
技术介绍
[0002]在机械加工领域,工件的切割和重塑是由刀具完成的
。
这个过程中,由于刀具与工件的接触,会受力较多,并产生大量热量,这些因素会对工件的表面质量和刀具的使用寿命产生影响
。
随着切削时间的增加,刀具会经历初始磨损阶段和稳定磨损阶段
。
而如果在故障期间,刀具则处于加速磨损阶段,刀具形状会发生显著变化
。
严重的刀具磨损可能导致频繁的非计划维护甚至事故,极大地降低生产效率
。
[0003]为了解决这个问题,研究人员开发了各种刀具磨损监测方法
。
在专利号为
CN112435363B
的一种刀具磨损状态实时监测方法中,利用加速度传感器采集原始振动信号,并将其作为输入数据输入一维卷积神经网络(
CNN
)进行邻域滤波;采用改进的双向长短时记忆网络(
BiLSTN
)处理连续时间步时序信号产生的高维特征;引入
Attention
机制计算连续时间步时序信号特征的重要性分布,生成含有注意力概率分布的时序信号特征模型;进行网络模型的训练,得到磨损分类结果;专利号为
CN113664612A
的一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法中,采集数控机床铣 ...
【技术保护点】
【技术特征摘要】
1.
一种基于三元组长短时记忆神经网络的刀具磨损监测方法,其特征在于:包括以下步骤:
S1
:加工过程中的监测数据采集;采集工件加工过程中的刀具主轴三个方向的主轴振动数据,并将所述主轴振动数据划分为训练样本集
D
和测试样本集,确定刀具磨损情况作为训练样本集的训练样本标签集
Y
;
S2
:构建三元组训练样本集;利用所述训练样本集
D
以及所述训练样本标签集
Y
,基于三元组长短时记忆神经网络构建三元组训练样本集
T
,一个所述三元组训练样本包括一个锚样本
、
一个正样本和一个负样本,所述正样本与所述锚样本类别相同,所述负样本与所述锚样本类别不同;
S3
:基于三元组神经网络的监测数据特征提取;构建基于长短时记忆神经网络为基础模型的三元组网络,所述三元组神经网络特征提取模型的输入为刀具磨损训练三元组,将其输入共享权重的长短时记忆神经网络特征提取模块中提取对应的嵌入特征,最后将提取的嵌入特征输入到三元组损失中学习不同样本特征的类内相似性或类间差异性;输入所述三元组训练样本集
T
,基于三元组长短时记忆神经网络构建自动特征提取模型,在构建自动特征提取模型的过程中,三元组长短时记忆神经网络的目标是最小化锚样本和正样本之间的距离,使类别相同的所述锚样本与所述正样本在新特征空间中更接近,同时最大化锚样本和负样本之间的距离,使类别不同的所述锚样本与所述负样本在新特征空间中更远离;
S4
:基于
GA
优化
LSTM
网络;用遗传算法
GA
对长短时记忆神经网络
LSTM
的关键超参数进行寻优处理,采用遗传算法强大的全局随机搜索能力,得到长短时记忆神经网络中的隐藏层层数
、
每层隐藏层的神经元单元个数的最优组合,所述隐藏层层数包括网络层数和全连接层数;
S5
:刀具磨损监测模型构建;使用自动特征提取模型将提取到的所述三元组训练样本集
T
的样本特征输入至
softmax
层,以构建刀具磨损监测模型;
S6
:刀具状态判断,将测试样本集数据输入刀具磨损监测模型中,得到刀具磨损状态数据
。2.
根据权利要求1所述的一种基于三元组长短时记忆神经网络的刀具磨损监测方法,其特征在于:所述
S1
的加工过程中,设采集到的所述主轴振动数据集为,是在第
i
个时间点采集到主轴振动数据, i
取
1~n
之间的正整数
。3.
根据权利要求2所述的一种基于三元组长短时记忆神经网络的刀具磨损监测方法,其特征在于:从所述主轴振动数据集中划分训练样本集
D
和测试样本集,利用专用测量设备获得刀具磨损情况作为训练样本集
D
的训练样本标签集
Y。4.
根据权利要求3所述的一种基于三元组长短时记忆神经网络的刀具磨损监测方法,其特征在于:所述
S2
具体包括:
S21
:设定所述训练样本集,与其对应的所述训练样本标签集 ,训练样本集
D
与训练样本标签集
Y
匹配;
所述三元组训练样本的数量为
k
,
N
为训练样本集
D
中训练样本的数量,
k
取
N
的整数倍,所述三元组训练样本集为,其对应的锚样本标签数据集为;
S22
:初始化三元组训练样本集与对应的锚样本标签数据集,其中为锚样本的标签,将所述训练样本集
D
中的每个样本依次作为训练三元组的锚样本,从剩余样本中选取所述正样本与所述负样本进行组合,构成数量均衡的训练三元组;其中,设所述训练样本集
D
中的第
i
个训练样本为,
i
取
1~N
之间的正整数,所述训练样本对应所述三元组训练样本集的锚样本;根据所述训练样本对应的训练样本标签,将训练样本集
D
中除训练样本外的所有
N
‑1个训练样本划分为同类样本集与异类样本集,分别从所述同类样本集和所述异类样本集中选取训练样本作为正样本与负样本,设所述正...
【专利技术属性】
技术研发人员:王永青,秦波,刘阔,乔石,牛蒙蒙,姜业明,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。