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

本发明专利技术公开了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，涉及机械加工状态监测技术领域，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，刀具磨损三元组构建后，将其输入到三元组特征提取模块中，提取对应的正样本

【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，采集数控机床铣削工件时所产生的多源异构状态数据及对应的铣削刀具全生命周期磨损数据，预处理以上数据并贴标签；构建深度学习网络，实现刀具磨损量结果的精准回归预测
。
[0004]综上所述，现有基于深度学习的刀具状态监测方法需要大量的刀具磨损样本数据，在实际生产中，获取大量的刀具磨损样本数据是非常困难的
。
因此，有必要研究一种能够在小样本情况下，也能获得较高准确率的刀具磨损监测方法
。
基于此，本专利技术提出了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
。

技术实现思路

[0005]本专利技术的目的在于提供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，以解决上述
技术介绍
中提出的问题
。
[0006]为了解决上述技术问题，本专利技术提供如下技术方案：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，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
：加工过程中的监测数据采集；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
：加工过程中的监测数据采集；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
。
[0007]与现有技术相比，本专利技术所达到的有益效果是：（1）本专利技术利用三元组长短时记忆神经网络可以显式的构建不同标签主轴振动数据间的逻辑关系，在现有监测方法构建的采集样本数据和刀具磨损状态数据非线性映射的基础上，基于刀具状态数据的异同关系显示构建了不同监测数据之间的逻辑关系，可以基于较少训练样本，即可获得较高的监测准确性；（2）本专利技术利用遗传算法自动确定所述刀具磨损监测模型的最优结构，简化了建模过程，提高了建模效率，解决了现有基于深度学习的刀具状态监测方法需要大量训练样本以及建模较为复杂的问题
。
附图说明
[0008]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制
。
在附图中：图1是基于三元组长短时记忆神经网络的刀具磨损监测方法整体架构图；图2是基于三元组长短时记忆神经网络构建的自动特征提取模型结构图
。
具体实施方式
[0009]为了使本专利技术的技术方案和有益效果更加清晰明了，下面结合零件加工过程刀具监测的具体实施方式并参照附图，对本专利技术作详细说明
。
本实施例是以本专利技术的技术方案为前提进行的，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下
述的实施例
。
[0010]请参阅图1‑2，本专利技术提供技术方案，以三轴立式加工中心为例，详细说明本专利技术的实施方式，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，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，主轴振动数据包括
X
轴振动数据
、Y
轴振动数据
、Z
轴振动数据，并将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；利用训练样本集
D
以及训练样本标签集
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
本文档来自技高网...

【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：