基于自适应周期发现的工业母机加工工件质量预测方法技术
【技术实现步骤摘要】
本专利技术涉及时间序列预测及工业母机加工数据领域，尤其涉及基于自适应周期发现的工业母机加工工件质量预测方法。
技术介绍
1、在工业母机加工过程中，由于过程中的冲击，以及刀具与切屑及工件表面的摩擦，使刀具承受着较高的铣削力和铣削温度，不可避免会导致刀具磨损的情况发生。刀具在加工过程中会不断发生磨损或者破损等情况，每个刀刃在切削过程中的微小状态变化，都将会影响产品的质量。如果刀具达到了磨钝标准后，未能及时更换，不仅会使得工件表面粗糙度增大、尺寸精度降低，同时也将导致铣削力增大，铣削温度升高，甚至导致机床发生故障，不能继续正常加工工件，致使产品批量报废，造成人力、物力、时间的极大消耗。由此可见，在适当时间更换刀具可以预防磨损、破损引起的产品缺陷。因此，根据加工时的各项加工数据预测刀具当前的表面粗糙度至关重要。
2、近年来，随着工业领域水平的不断提高，工业设备的管理水平也不断提升。现存的加工工件表面粗糙度预测方法通过定期收集、记录、分析传感器数据，根据加工经验设定“报警负载值”，或建立基于机器学习的分类模型、回归模型等，实施预测性维护。
3、然而现存的加工工件表面粗糙度预测方法存在以下问题：
4、1）由于加工过程的复杂性，需要人为地进行数据清洗、数据标记，耗费极大的成本，因此常常出现带标签的数据不足的情况。
5、2）加工工件的过程具有一定周期性，然而现存方法仅仅依靠离散时间点之间的关联学习，难以学习到正确的周期性信息，不能够很好的对加工过程进行建模，从而挖掘出可靠的时序依赖，导致模型误判，
技术实现思路
1、针对现有技术存在的问题，本专利技术提供基于自适应周期发现的工业母机加工工件质量预测方法，通过数据增强解决数据集获取成本较大的问题，通过频域变换学习加工数据的周期性关联，提高加工工件表面粗糙度的预测精度。
2、基于自适应周期发现的工业母机加工工件质量预测方法，包括如下步骤：
3、步骤1：在数控机床安装功率传感器和振动传感器，并在切削过程中按照设定频率采集刀具加工功率、x方向振动加速度、y方向振动加速度、z方向振动加速度，得到若干条工件加工数据样本，每间隔设定数量工件进行一次人工粗糙度测量作为工件加工数据样本的标签，进而得到由若干条工件加工数据样本组成的样本数据集；所述每条工件加工数据样本为一个时间序列，包括加工一个工件的一段时间内所采集的加工数据及对应的加工工件表面粗糙度，所述加工数据包括刀具加工功率、x方向振动加速度、y方向振动加速度、z方向振动加速度；所述x方向为机床的水平方向，即工件在机床上横向加工时的方向；所述y方向为机床的竖直方向，即机床的上下移动方向；所述z方向为加工工件的材料的进给方向。
4、步骤2：对样本数据集中的工件加工数据样本进行数据清洗。
5、所述数据清洗的具体方法为：当工件加工数据样本中的数据存在缺失值时，使用该缺失值设定时间跨度内的数据的平均值补充缺失值；当工件加工数据样本中的加工工件表面粗糙度不在设定范围内时，删除该工件加工数据样本。
6、步骤3：对数据清洗后的样本数据集进行smote数据增强，并根据刀具磨削的机理进行特征扩充，得到处理后的样本数据集。
7、步骤3.1：对于数据清洗后的样本数据集中加工工件表面粗糙度大于设定阈值的每个工件加工数据样本，找出与其加工工件表面粗糙度最接近的a个工件加工数据样本。
8、步骤3.2：在找出的a个工件加工数据样本中随机选择一个工件加工数据样本，计算加工工件表面粗糙度大于设定阈值的工件加工数据样本和随机选择的工件加工数据样本在特征空间中的位置差异。
9、所述特征空间中的位置差异的计算方法为：
10、 （1）
11、 （2）
12、其中，x为一个加工工件表面粗糙度大于设定阈值的工件加工数据样本；y为a个工件加工数据样本中随机选择的工件加工数据样本；为工件加工数据样本x在第个维度上的值；为工件加工数据样本y在第个维度上的值；为工件加工数据样本的维度数量，x、y都包含n个维度。
13、步骤3.3：对于由每一组工件加工数据样本得到的特征空间中的位置差异，随机乘以一个[0, 1]之间的数，并将结果加入到对应的加工工件表面粗糙度大于设定阈值的工件加工数据样本中，从而生成一个新的工件加工数据样本；
14、 （3）
15、其中，为新的工件加工数据样本；为（0, 1）之间的随机数。
16、步骤3.4：判断生成的新的工件加工数据样本的数量是否达到设定阈值，若是则执行步骤3.5；若否则返回步骤3.1。
17、步骤3.5：分别计算每个工件加工数据样本的三个方向上的功率振动比，并将三个方向上的功率振动比加入到该工件加工数据样本中。
18、所述三个方向上的功率振动比的计算方法为：
19、 （4）
20、步骤3.6：筛选样本数据集中加工工件表面粗糙度小于设定阈值的工件加工数据样本，计算这些工件加工数据样本中每个时间点的加工数据的平均值，作为正常加工数据趋势。
21、步骤3.7：计算样本数据集中每个工件加工数据样本的加工数据与正常加工数据趋势的差值，得到距平值并将距平值添加到对应的工件加工数据样本中，进而得到处理后的样本数据集。
22、步骤4：将处理后的样本数据集按照设定比例随机划分为训练集、验证集和测试集。
23、步骤5：构建加工工件表面粗糙度预测模型。
24、所述加工工件表面粗糙度预测模型包括快速傅里叶变换模块、二维张量转换模块、多尺度卷积模块、信息聚合模块、长短时记忆模块和全连接网络。
25、所述快速傅里叶变换模块用于对输入的一个长度为t、通道维度为c的一维时间序列在时间维度进行快速傅里叶变换，得到不同周期的频域信号，然后计算得到的不同周期的振幅值，取平均后得到每个周期的平均振幅，即每个周期的强度，取其中平均振幅最大的k个周期，作为最为显著的k个周期，并将最为显著的k个周期发送给二维张量转换模块，过程表示为：
26、（5）
27、 （6）
28、（7）
29、其中，为一维时间序列；fft(·) 表示快速傅里叶变换；amp(·) 表示振幅值的计算；表示求平均值；为中每个周期的平均振幅，即每个周期的强度；表示取最大的k个值；表示平均振幅最大的k个周期对应的频率，为第个周期对应的频率；为平均振幅最大的k个周期的长度，为第个周期的长度；为一维时间序列的长度。
30、所述二维张量转换模块用于对输入的一个长度为t、通道维度为c的一维时间序列分别基于最为显著的k个周期中的每个周期进行折叠reshape，得到k个二维张量并发送给多尺度卷积模块。
31、进一步地，当一维时间序列不能被周期长度整除时，在一维时间序列末尾补0，使得一维时间序列的长度能够被对应的周期长度整除。...
【技术保护点】
1.一种基于自适应周期发现的工业母机加工工件质量预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自适应周期发现的工业母机加工工件质量预测方法，其特征在于，步骤2中所述数据清洗的具体方法为：当工件加工数据样本中的数据存在缺失值时，使用该缺失值设定时间跨度内的数据的平均值补充缺失值；当工件加工数据样本中的加工工件表面粗糙度不在设定范围内时，删除该工件加工数据样本。
3.根据权利要求1所述的基于自适应周期发现的工业母机加工工件质量预测方法，其特征在于，所述步骤3具体包括：
4.根据权利要求3所述的基于自适应周期发现的工业母机加工工件质量预测方法，其特征在于，步骤3.2中所述特征空间中的位置差异的计算方法为：
5.根据权利要求1所述的基于自适应周期发现的工业母机加工工件质量预测方法，其特征在于，步骤5中所述加工工件表面粗糙度预测模型包括快速傅里叶变换模块、二维张量转换模块、多尺度卷积模块、信息聚合模块、长短时记忆模块和全连接网络；
6.根据权利要求5所述的基于自适应周期发现的工业母机加工工件质量预测方法，其特征
7.根据权利要求1所述的基于自适应周期发现的工业母机加工工件质量预测方法，其特征在于，所述步骤7具体包括：
...【技术特征摘要】
1.一种基于自适应周期发现的工业母机加工工件质量预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自适应周期发现的工业母机加工工件质量预测方法，其特征在于，步骤2中所述数据清洗的具体方法为：当工件加工数据样本中的数据存在缺失值时，使用该缺失值设定时间跨度内的数据的平均值补充缺失值；当工件加工数据样本中的加工工件表面粗糙度不在设定范围内时，删除该工件加工数据样本。
3.根据权利要求1所述的基于自适应周期发现的工业母机加工工件质量预测方法，其特征在于，所述步骤3具体包括：
4.根据权利要求3所述的基于自适应周期发现的工业母机加工工件质量预测方法，其特征在于，步骤3.2中所...
-
0来自[荷兰] 2024年02月08日 17:27e