【技术实现步骤摘要】
本专利技术属于刀具寿命预测，尤其涉及基于深度学习和疲劳理论的刀具剩余寿命预测方法和系统。
技术介绍
1、通过振动监测对刀具磨损及其寿命进行预测的主要困难在于，对于刀具的振动来说，振动并不是其磨损程度的直接关联表现，它受到了很多因素的影响。已有许多对刀具振动信号与刀具磨损及刀具寿命的相关研究。现有技术研究了在铣削过程中使用振动信号通过尺度图及其平均频率可以表明刀具磨损的演变趋势；现有技术还提出了振动信号的能谱分析方法，建立了刀具磨损的估计方法；现有技术采用振动传感器实现多类别刀具磨损分类，并提出基于最近邻的规则进行基于训练样本的v因子快速选择，并利用局部保持投影(lpp)方法降低维数，通过提取低维流形特征的特征向量；现有技术提出了一种基于隐马尔可夫模型(hmm)的刀具磨损诊断新方法，以振动信号的均方根(rms)作为健康指标，以加权方式构建多个hmm进行预测，并通过hmm将刀具磨损划分为离散的磨损区域，以更好地观察刀具磨损的演变。
2、在基于单一振动传感器监测数据的技术方案中，多数是基于实验室或者特定场景下的数据，在真实场景下其应用受限，比如在本技术方案涉及的项目中，对一个加工工件会经过同一个机床的多个加工刀位的刀具进行切削，每把刀的用途、型号、设计寿命和磨损状态各不相同，对于这种场景以上研究中并没有考虑到，所以无法直接应用。
技术实现思路
1、本专利技术的目的在于提供基于深度学习和疲劳理论的刀具剩余寿命预测方法，旨在解决基于单一振动传感器监测数据的技术方案中，多数是基于实
2、本专利技术是这样实现的，一种基于深度学习和疲劳理论的刀具剩余寿命预测方法，所述方法包括：
3、对机床主轴和机床控制器进行数据采集，得到采样数据；
4、对采样数据进行工况筛选，得到已筛选数据；
5、对已筛选数据进行滤波处理，得到预处理数据；
6、对预处理数据进行特征提取，得到数据特征；
7、采用深度神经网络模型进行刀具磨损特征提取，得到特征向量；
8、构建自编码器，通过自编码器计算重构误差，以重构误差作为循环疲劳载荷；
9、通过阿伦尼乌斯经验公式计算刀具的疲劳值，通过训练和优化参数，确定阿伦尼乌斯经验公式的参数和阈值，对刀具的剩余寿命进行预测。
10、优选的，所述对机床主轴和机床控制器进行数据采集，得到采样数据的步骤中，采样数据包括刀号、主轴负载、运行程序、各轴机械坐标、主轴实际转速、伺服轴进给率、实际进给率、加工件数、机床编号和操作模式。
11、优选的，所述对采样数据进行工况筛选，得到已筛选数据的步骤包括：通过设置阈值，利用阈值对采样数据进行筛选，以得到已筛选数据。
12、优选的，所述对已筛选数据进行滤波处理，得到预处理数据的步骤，具体包括：通过hampel滤波器对已筛选数据进行时域降噪，通过wiener滤波器对经过快速傅里叶变换之后的已筛选数据进行滤波，再使用快速傅里叶逆变换还原为时域波形数据。
13、优选的，所述对预处理数据进行特征提取，得到数据特征的步骤，具体包括：对预处理数据进行时域特征和频域特征提取，时域特征包括标准差、rms、偏度、峭度、脉冲因子、峰度因子、波峰因子和偏斜因子；频域特征的提取步骤为计算振动数据的功率谱密度，并将频段分为低频段、中频段和高频段，通过每个刀位的转频和通过频率，计算这些刀刃通过频率的倍频所在频段以及谐波频率段的能量以及占比作为特征，计算梅尔倒谱系数。
14、优选的，所述采用深度神经网络模型进行刀具磨损特征提取，得到特征向量的步骤，包括：构建基于cnn和lstm的混合神经网络，其中，cnn采用1d cnn，包括卷积层、池化层和全连接层，卷积层由可训练的过滤器组成，过滤器会在输入数据的元素上滑动，在下一个池化层中生成一帧特征；经过cnn网络处理的数据构成的特征向量，在下层使用注意力lstm网络学习时间序列上的特征表示，每一个注意力lstm结构包括一个激活函数为softmax的全链接层和lstm层构成，经过两层注意力lstm层处理后，输入给全连接层和线性层，使用刀具的剩余使用寿命作为预测目标。
15、优选的，所述深度神经网络模型使用到的损失函数为：
16、
17、其中，yi为刀具样本实际的剩余使用寿命，模型训练中每次迭代输出的预测剩余使用寿命，ε为随机噪声，其值为0～0.1之间的随机数值，α<0，用于控制加权权重。
18、优选的，所述阿伦尼乌斯经验公式为：
19、
20、其中，λi表示某次加工过程的循环载荷；α表示根据材料的不同的加权系数；通过在训练数据集上进行训练并调整优化参数，确定加权系数的数值，并以初次超过预设累积疲劳值为阈值作为下刀判定标准。
21、本专利技术的另一目的在于提供一种基于深度学习和疲劳理论的刀具剩余寿命预测系统，所述系统包括：
22、数据采集模块，用于对机床主轴和机床控制器进行数据采集，得到采样数据；
23、工况筛选模块，用于对采样数据进行工况筛选，得到已筛选数据；
24、数据预处理模块，用于对已筛选数据进行滤波处理，得到预处理数据；
25、特征工程模块，用于对预处理数据进行特征提取，得到数据特征；
26、刀具磨损特征提取器模块，用于采用深度神经网络模型进行刀具磨损特征提取，得到特征向量；
27、循环载荷表示模块，用于构建自编码器，通过自编码器计算重构误差，以重构误差作为循环疲劳载荷；
28、累积疲劳值计算模块，用于通过阿伦尼乌斯经验公式计算刀具的疲劳值，通过训练和优化参数，确定阿伦尼乌斯经验公式的参数和阈值，对刀具的剩余寿命进行预测。
29、本专利技术提供的基于深度学习和疲劳理论的刀具剩余寿命预测方法，基于材料的疲劳失效理论，通过深度学习提取到与刀具失效相关的特征，并使用自编码器的重构误差表示进行金属切削刀具的循环疲劳载荷，并以此构建了基于疲劳的寿命预测模型。该算法可以预测刀具的磨损状态和刀具的剩余使用寿命。
本文档来自技高网...【技术保护点】
1.一种基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对机床主轴和机床控制器进行数据采集，得到采样数据的步骤中，采样数据包括刀号、主轴负载、运行程序、各轴机械坐标、主轴实际转速、伺服轴进给率、实际进给率、加工件数、机床编号和操作模式。
3.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对采样数据进行工况筛选，得到已筛选数据的步骤包括：通过设置阈值，利用阈值对采样数据进行筛选，以得到已筛选数据。
4.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对已筛选数据进行滤波处理，得到预处理数据的步骤，具体包括：通过Hampel滤波器对已筛选数据进行时域降噪，通过Wiener滤波器对经过快速傅里叶变换之后的已筛选数据进行滤波，再使用快速傅里叶逆变换还原为时域波形数据。
5.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对预处理
6.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述采用深度神经网络模型进行刀具磨损特征提取，得到特征向量的步骤，包括：构建基于CNN和LSTM的混合神经网络，其中，CNN采用1D CNN，包括卷积层、池化层和全连接层，卷积层由可训练的过滤器组成，过滤器会在输入数据的元素上滑动，在下一个池化层中生成一帧特征；经过CNN网络处理的数据构成的特征向量，在下层使用注意力LSTM网络学习时间序列上的特征表示，每一个注意力LSTM结构包括一个激活函数为softmax的全链接层和LSTM层构成，经过两层注意力LSTM层处理后，输入给全连接层和线性层，使用刀具的剩余使用寿命作为预测目标。
7.根据权利要求6所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述深度神经网络模型使用到的损失函数为：
8.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述阿伦尼乌斯经验公式为：
9.一种基于深度学习和疲劳理论的刀具剩余寿命预测系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对机床主轴和机床控制器进行数据采集，得到采样数据的步骤中，采样数据包括刀号、主轴负载、运行程序、各轴机械坐标、主轴实际转速、伺服轴进给率、实际进给率、加工件数、机床编号和操作模式。
3.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对采样数据进行工况筛选，得到已筛选数据的步骤包括：通过设置阈值，利用阈值对采样数据进行筛选，以得到已筛选数据。
4.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对已筛选数据进行滤波处理，得到预处理数据的步骤，具体包括：通过hampel滤波器对已筛选数据进行时域降噪，通过wiener滤波器对经过快速傅里叶变换之后的已筛选数据进行滤波，再使用快速傅里叶逆变换还原为时域波形数据。
5.根据权利要求1所述的基于深度学习和疲劳理论的刀具剩余寿命预测方法，其特征在于，所述对预处理数据进行特征提取，得到数据特征的步骤，具体包括：对预处理数据进行时域特征和频域特征提取，时域特征包括标准差、rms、偏度、峭度、脉冲因子、峰度因子、波峰因子和偏斜因子；频域特征的...
【专利技术属性】
技术研发人员：谢鹏，张致杰，
申请(专利权)人：上海诸算科技有限公司，
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。