【技术实现步骤摘要】
本专利技术涉及工业母机工件加工数据领域，尤其涉及基于多尺度特征融合的工业母机加工工件质量预测方法。
技术介绍
1、在工件加工过程中,加工数据可以全面记录加工各环节的多维信息,既包含加工参数、设备状态,也反映产量、质量和故障等情况。这些数据反映了生产过程的点点滴滴,分析和应用它们可以找出生产薄弱环节,实现精益生产、提高效率与质量、降低成本。然而,加工数据本身并不能直接反映最终工件质量,而加工过程的一致性也限制了单纯依靠数据分析来预测质量的效果。大量重复冗余数据的累积,不仅导致存储资源浪费,也增加了无效的人工分析工作,无法真正提升质量控制水平。此外,过多的特征数据采集也会导致成本快速增长。因此,需要针对工件和加工特点选择有效的关键数据,开发智能化分析方法,以较低成本实现质量预测的准确性与有效性。
2、随着机器学习技术在制造业的广泛应用, 许多新方法致力于探索加工数据与刀具寿命之间的内在关系,以实现对工艺过程的精确控制。在这些研究中,工件表面粗糙度作为一项关键的质量指标受到高度关注。通过构建能够提取高维时序数据特征的深度学习模型,并采用先进的数据处理与验证手段来预测工件表面粗糙度。
3、传统的机器学习、统计学方法与一些深度学习方法在处理工业数据时存在一些不足之处。首先，工业数据具有异构性、非平稳性等特点，这对传统的机器学习方法提出了较高的数据质量要求。其次，针对表面粗糙度预测这一问题，传统的机器学习或统计学方法通常存在以下问题：（1）受非平稳数据影响：传统的机器学习模型与深度学习方法难以预测非平稳数据的正确结果
技术实现思路
1、针对现有技术的不足因此，本专利技术提出基于多尺度特征融合的工业母机加工工件质量预测方法，减少非平稳数据对模型的影响，提高工件粗糙度预测的准确性。
2、基于多尺度特征融合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：在加工过程中按照设定频率采集机床的主轴功率power、x方向振动加速度virable_x、y方向振动加速度virable_y、z方向振动加速度virable_z，并在一个工件加工结束后记录当前刀具的加工次数worktime，得到若干条工件加工过程数据样本，在加工过程中，每间隔设定数量工件进行一次人工粗糙度测量，得到刀具加工工件粗糙度racylinder作为工件加工数据样本预测的标签，进而得到由若干工件加工过程数据样本组成的样本数据集。
4、所述工件加工过程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刀具加工工件粗糙度，所述加工数据包括主轴功率、x方向振动加速度、y方向振动加速度、z方向振动加速度和当前刀具的加工次数。
5、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。
6、步骤2：对采集的具有预测的标签的工件加工过程数据样本进行pearson相关性分析，得到若干条新的工件加工过程数据样本。
7、步骤2.1：按照加工过程的不同，将每个具有预测的标签的工件加工过程数据样本划分为若干个数据段，计算每个数据段与刀具加工工件粗糙度的皮尔逊相关度。
8、所述皮尔逊相关度计算公式如下：
9、 （1）
10、其中，是皮尔逊相关度， 是第条工件加工过程数据样本的第k个数据段，是第条工件加工过程数据样本对应的刀具加工工件粗糙度，为了方便计算，会将扩充成与相同维度；表示的是工件加工过程数据样本中第k个数据段的总体的标准差；表示的是刀具加工工件粗糙度的总体的标准差；n表示的是工件加工过程数据样本的数量。表示工件加工过程数据样本中第k个数据段与刀具加工工件粗糙度之间的协方差；为工件加工过程数据样本中第k个数据段的总体的平均值；为刀具加工工件粗糙度的平均值。
11、步骤2.2：选择出皮尔逊相关度大于设定阈值的数据段，将上述数据段与在其之间的数据段组成连续时间的新的工件加工过程数据样本。
12、步骤3：将得到的新的若干条工件加工过程数据样本按照设定比例随机划分为训练集、验证集和测试集。
13、步骤4：构建多维度特征融合预测模型。
14、所述多维度特征融合预测模型包括多尺度特征提取模块、3*3平均池化层、第一线性层、第二线性层、采样模块、拼接模块。
15、所述多尺度特征提取模块用于将输入的每个时间序列通过四条通路的一维卷积神经网络提取出不同尺度的数据特征，然后按照卷积核大小将不同尺度的数据特征进行拼接得到若干个不同尺度的刀具表征并将得到的若干个不同尺度的刀具表征发送给3*3平均池化层。
16、所述通过四条通路的一维卷积神经网络提取出不同尺度的数据特征的方法为：
17、 （2）
18、其中是输入的第个时间序列，表示第个时间序列经过大小为的卷积核后得到的数据特征，为第j个卷积核的大小；表示激活函数；表示一维卷积。
19、所述将不同尺度的数据特征进行拼接的方法为：
20、 （3）
21、为拼接后的刀具表征；n为卷积核的数量；为向量拼接。
22、所述3*3平均池化层用于接收多尺度特征提取模块发送的若干个不同尺度的刀具表征，将不同尺度的不同刀具表征进行信息融合，并实现通道维度信息压缩，得到融合信息并发送给第一线性层和采样模块。
23、所述第一线性层用于接收3*3平均池化层发送的融合信息，经过维度变换，提取得到原有特征信息并发送给拼接模块。
24、所述采样模块由若干个串行设置的线性层组成，用于接收3*3平均池化层发送的融合信息，通过上采样与下采样进行降维升维，提取融合特征并发送给拼接模块。
25、所述拼接模块用于接收第一线性层发送的原有特征信息和采样模块的融合特征，将原有特征信息与融合特征各个维度进行相加，得到特征向量并发送给第二线性层。
26、所述将原有特征信息与融合特征各个维度进行相加的方法为：
27、（4）
28、其中，表示特征向量，表示的是第个工件的原有特征信息，表示的是第个工件的融合特征，表示第个工件第维度上的原有特征信息，表示是第个工件第维度上的工件的融合特征，表示为特征维度的总数。
29、所述第二线性层用于接收拼接模块发送的特征向量，线性变换后得到刀具加工工件粗糙度。
30、步骤5：利用训练集对多维度特征融合预测模型进行训练，到达限定轮数或验证集的均方误差损失函数在设定轮次内没有降低则停止训练，保存结果最优的模型作为最终的多维度特征融合预测模型；所述最优为均方误差损失函数最小。
本文档来自技高网...
【技术保护点】
1.一种基于多尺度特征融合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所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，步骤1中所述工件加工过程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刀具加工工件粗糙度，所述加工数据包括主轴功率、x方向振动加速度、y方向振动加速度、z方向振动加速度和当前刀具的加工次数；
3.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述步骤2具体包括：
4.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述通过四条通路的一维卷积神经网络提取出不同尺度的数据特征的方法为：
5.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述将不同尺度的数据特征进行拼接的方法为：
6.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述将原有特征信息与融合特征各个维度进行相加的方法为：>
7.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述步骤6具体包括：
...【技术特征摘要】
1.一种基于多尺度特征融合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所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，步骤1中所述工件加工过程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刀具加工工件粗糙度，所述加工数据包括主轴功率、x方向振动加速度、y方向振动加速度、z方向振动加速度和当前刀具的加工次数；
3.根据权利要求1所述的基于多尺度特征融合的工业母机加工工件质量预测方法，其特征在于，所述步骤2具体包括：
4.根据权利要求...
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。