本发明专利技术公开了一种基于图门控循环网络的刀具多任务协同监测方法，属于融合异常检测和剩余使用寿命预测技术领域。针对现有刀具多任务监测方法不能使用同一智能模型实现多个任务，导致设备开发和部署成本增加的问题，通过采集刀具振动信号和切削力信号，将采集的信号构成数据集；构建时空图数据集提取时间和空间特征；构建图门控循环网络以及协同正则化函数，利用优化算法调整网络的参数，使协同损失函数达到最小，由此完成网络的训练；将测试数据集输入到训练好的图门控循环网络中，得出异常检测和RUL预测结果。本发明专利技术在仅训练和部署一个模型的前提下，实现了异常检测和RUL预测两个任务，有效的降低了任务完成的成本，提高了方法的智能性。
【技术实现步骤摘要】
本专利技术属于融合异常检测和剩余使用寿命预测，具体涉及一种基于图门控循环网络的刀具多任务协同监测方法。
技术介绍
1、刀具是数控机床的关键切削部件，在其使用期间，刀具应能安全可靠地工作。刀具的预测和健康管理(prognostics and health management，phm)被认为是提高操作安全性、维护设备有效性的基础技术。准确的异常检测和剩余使用寿命预测(remaining usefullife，rul)是phm领域两个关键的任务，对于帮助管理者及时决定是进行选择性维护还是更换零件具有重要价值。因此，非常需要发展刀具多任务监测方法。然而实践表明，现有刀具多任务监测方法由于受网络结构的限制，无法使用一个模型实现多个任务，导致设备资源的严重浪费。基于此，有必要专利技术一种新的多任务监测方法，以解决现有刀具多任务监测方法不能使用同一智能模型实现多个任务，导致设备开发和部署成本增加的问题。
技术实现思路
1、针对现有刀具多任务监测方法不能使用同一智能模型实现多个任务，导致设备开发和部署成本增加的问题，本专利技术提供了一种基于图门控循环网络的刀具多任务协同监测方法。
2、为了达到上述目的，本专利技术采用了下列技术方案：
3、一种基于图门控循环网络的刀具多任务协同监测方法，具体包括以下步骤：
4、步骤一：利用加速度传感器和三向测力仪分别采集刀具振动信号和切削力信号，将采集的信号构成数据集，数据集包括训练数据集和测试数据集；形成的数据集可以表示为：</p>5、
6、
7、ym∈{1,2}
8、式中：m表示数据样本个数；xm、ym和rulm分别表示数据集中第m个样本、以及对应的异常检测任务的真实标签和rul预测任务的真实标签；表示t×6维时间序列，其中，6表示传感器的数量；xt表示具有时间特性的数据集。
9、数据集中包含有不同磨损程度的数据样本，将磨损程度小于0.16mm的数据样本定义为正常样本，赋予标签0；将磨损程度大于等于0.16mm的数据样本定义为异常样本，赋予标签1；在此基础上，设置rul预测标签的磨损阈值为0.16mm。
10、步骤二：在原始数据集的基础上构建时空图数据集用以提取数据中的时间和空间特征；构建时空图数据集的具体步骤为：
11、首先找到每个传感器的邻居传感器，将每个传感器视为一个节点，随机选择一个传感器，计算与其它传感器之间的欧几里得距离，表示为：
12、
13、式中：表示节点i和节点j之间的距离；cos(θ)表示两个节点特征向量之间的余弦相似度；使用z-score归一化策略，特征向量范数的平方等于1，即|因此，节点之间的欧几里得距离简化为：
14、
15、从上式看出，两个节点之间的距离由cos(θ)的值决定；计算每个节点之间的余弦相似度，找到节点的邻居，表示为：
16、
17、式中：是节点i的相邻节点，得到节点i的邻接矩阵a；表示节点i和节点j之间的邻接矩阵。
18、经过上述过程，由此形成数据集，表示为：
19、g＝(v,e,xt,a)
20、式中：g表示时空图数据集；|v|＝n表示顶点集；e表示边集；xt表示节点特征矩阵；a表示邻接矩阵。
21、步骤三：构建图门控循环网络以及协同正则化函数，并将训练数据集输入到图门控循环网络中，利用优化算法调整整个网络的参数，使协同损失函数达到最小，由此完成网络的训练；其中图门控循环网络包含四层：输入层、图门控循环单元层、全链接层、输出层；
22、所述输入层接收训练数据集中的时空图数据样本，其表示为：
23、g＝(v,e,xt,a)
24、所述图门控循环单元层由门控循环单元和图卷积运算构成，所述门控循环单元表示为：
25、
26、
27、
28、
29、式中：rtm表示复位门；utm表示更新门；表示候选激活；htm表示隐含层第m个样本在t时刻输出的特征；σ表示sigmoid激活函数；wr、wu、wh、vr、vu、vh均表示权重参数；br、bu、bh均表示偏置参数；tanh表示tanh激活函数；⊙表示逐元素乘法运算符；表示具有时间特性数据集中的第m个样本。
30、加入图卷积运算后的门控循环单元表示为：
31、
32、
33、
34、
35、式中：表示加入自连接后的归一化邻接矩阵；表示的度对角矩阵；rt、ut、和ht分别表示复位门、更新门、候选激活和隐含层在t时刻的输出；ht-1表示隐含层在t-1时刻的输出；σ表示sigmoid激活函数；wr、wu、wh、vr、vu、vh均表示权重参数；wg1、wg2、wg3、vg1、vg2、vg3表示权重参数；tanh表示tanh激活函数；⊙表示逐元素乘法运算符。
36、所述图门控循环单元层对时空图数据集中的数据样本进行基于时间序列的特征提取，即：
37、
38、ht表示隐含层在t时刻的输出；表示隐含层第m个样本在t时刻输出的特征；
39、所述全连接层对时空图数据集中的数据样本的特征维数进行降低，其表示为：
40、
41、
42、式中：σr表示relu激活函数；w1，w2表示权重参数；b1，b2表示偏置参数；分别表示异常检测任务和剩余使用寿命预测任务经全连接后的输出。
43、所述输出层对时空图数据集中的数据进行异常检测和rul预测，其表示为：
44、
45、
46、式中：表示异常检测结果；prerulm表示rul预测结果；θ＝[θ1,θ2]和wm表示权重参数；bm表示偏置参数；表示第m个样本标签是1，属于异常样本的概率；t表示矩阵的转置运算符。
47、所述步骤三中的协同损失函数表示为：
48、
49、
50、l＝0.4·l1+0.6·l2
51、式中，l1和l2分别表示异常检测和rul预测的损失；l表示整个网络总的损失；和ym分别表示第m个样本异常检测任务的预测标签和真实标签；prerulm和realrulm分别表示第m个样本rul预测任务的预测标签和真实标签。
52、步骤四：将测试数据集输入到训练好的图门控循环网络中，由此得出异常检测和rul预测结果。
53、与现有技术相比本专利技术具有以下优点：
54、本专利技术所述的一种基于图门控循环网络的刀具多任务协同监测方法基于全新原理，在仅训练和部署一个模型的前提下，实现了异常检测和rul预测两个任务。有效的降低了任务完成的成本，提高了方法的智能性。
本文档来自技高网...
【技术保护点】
1.一种基于图门控循环网络的刀具多任务协同监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于图门控循环网络的刀具多任务协同监测方法，其特征在于，所述步骤一中的数据集表示为：
3.根据权利要求2所述的一种基于图门控循环网络的刀具多任务协同监测方法，其特征在于，所述步骤二构建时空图数据集的具体步骤为：
4.根据权利要求3所述的一种基于图门控循环网络的刀具多任务协同监测方法，其特征在于，所述步骤三中图门控循环网络包含四层：输入层、图门控循环单元层、全链接层、输出层；
5.根据权利要求4所述的一种基于图门控循环网络的刀具多任务协同监测方法，其特征在于，所述步骤三中的协同损失函数表示为：
【技术特征摘要】
1.一种基于图门控循环网络的刀具多任务协同监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于图门控循环网络的刀具多任务协同监测方法，其特征在于，所述步骤一中的数据集表示为：
3.根据权利要求2所述的一种基于图门控循环网络的刀具多任务协同监测方法，其特征在于，所述步骤二构建时空图数据...
【专利技术属性】
技术研发人员：赵志诚，邵绪凤，聂晓音，张国华，杨锐，
申请(专利权)人：太原科技大学，
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。