基于PCA与自编码器的数控机床刀具磨损数据处理方法技术

本发明专利技术属于数控加工刀具磨损监测技术领域，公开了一种基于PCA与自编码器的数控机床刀具磨损数据处理方法，对数控机床上刀具传感器采集的数据进行归一化，得到具有刀具磨损量标签的训练数据和待测试数据；对所得到具有刀具磨损量标签的训练数据进行数据融合；将融合后的数据输入到堆栈自编码器进行训练，得到影响刀具磨损特征数据集；构建基于BP神经网络的刀具磨损预测模型并进行训练，对训练完成的BP神经网络模型进行预测。本发明专利技术能充分挖掘输入数据中的重要特征，将得到的数据特征输入到BP神经网络中，利用BP神经网络的拟合能力，将提取的特征映射到预测结果上，实现数控机床刀具磨损的预测，实现单个神经网络不能实现的效果。

Data processing method of tool wear for CNC machine tools based on PCA and self encoder

【技术实现步骤摘要】
基于PCA与自编码器的数控机床刀具磨损数据处理方法
本专利技术属于数控加工刀具磨损监测
，尤其涉及一种基于PCA与自编码器的数控机床刀具磨损数据处理方法。
技术介绍
目前，最接近的现有技术：刀具磨损严重影响加工效率、工件质量和加工成本，是个不容忽视的问题，它对切削质量有着重大的影响，如能很好地预测刀具加工后的磨损状态，则能大大提高切削质量，避免了刀具在加工过程中报废，对保证加工质量和提高生产率具有重要意义。通常情况下，刀具磨损量难以直接测量，需要用到较为精密的仪器和复杂的测量方式，因此，采用间接预测方法已经成为一种常用的方法。通常，加工过程中的振动、切削力和声音信号中隐藏着刀具磨损的相关信息，因此被用于监控或者预测刀具的磨损状态。目前，刀具磨损状态的预测方法大都属于基于数据驱动的预测方法。基于数据驱动的方法主要在于构建预测模型，对加工过程中的运行数据进行挖掘，得到运行数据与刀具磨损之间的隐含联系，进而实现预测。常用的模型包括支持向量机、隐马尔可夫模型、卷积神经网络、BP神经网络、长短期记忆网络和门控循环单元等。在监测刀具磨损时，根据工作场合采用多种传感器来检测刀具的使用情况，在现有技术上，通常使用单一传感器信号的某种特征参数来表示刀具磨损状态，监测的准确性受限于某一传感器的精度，不能很好地检测刀具磨损状态。在实际情况，对传感器信息进行数据预处理、特征提取主要依赖于技术人员的信号处理技术和诊断经验，应用范围较小。现有的基于数据驱动的方法在数控机床刀具磨损已经成为了常用的预测方法。但这类方法存在这一定的局限性，比如模型的数据处理能力不强导致预测精度低和应用性不广泛等问题。综上所述，提出一种预测精度高、应用范围广的预测模型是非常重要的。综上所述，现有技术存在的问题是：现有的基于数据驱动的方法在数控机床刀具磨损存在这一定的局限性，模型的数据处理能力不强导致预测精度低和应用性不广泛等问题。解决上述技术问题的难度：摆脱专家经验和人为因素的束缚，使算法模型能够自动提取特征。解决上述技术问题的意义：现有技术应用性不广泛，大多依赖于人工提取特征，本专利技术旨在提出一种自适应的特征提取方法。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于PCA与自编码器的数控机床刀具磨损数据处理方法。本专利技术是这样实现的，一种基于PCA与自编码器的数控机床刀具磨损数据处理方法，所述基于PCA与自编码器的数控机床刀具磨损数据处理方法包括：第一步，获取具有刀具磨损量标签的训练数据和待测试数据，对数控机床上刀具传感器采集的数据进行归一化，得到具有刀具磨损量标签的训练数据和待测试数据；第二步，构建具有刀具磨损量标签的刀具磨损特征数据集，利用主成分分析法对所得到具有刀具磨损量标签的训练数据进行数据融合；将融合后的数据输入到堆栈自编码器进行训练，得到具有刀具磨损量标签的影响刀具磨损特征数据集；第三步，构建并训练基于BP神经网络的刀具磨损预测模型，构建基于BP神经网络的刀具磨损预测模型并进行训练，对训练完成的BP神经网络模型进行预测。进一步，所述第二步中利用主成分分析法对所得到具有刀具磨损量标签的训练数据进行数据融合包括以下步骤：(1)将具有刀具磨损量标签的训练数据集组合成归一化传感器数据矩阵Q；(2)中心化数据矩阵Q得到矩阵Q*，再对矩阵Q*进行转置得到矩阵(Q*)T；(3)根据矩阵Q*和矩阵(Q*)T计算相关系数矩阵R，令矩阵R的特征值从大到小排列为λ1，λ2，…，其特征值对应的特征向量为α1，α2，…，(4)令矩阵R的特征值个数j＝1，令主成分个数m＝1；(5)计算m个主成分的累计方差贡献率，数据融合的结果；(6)判断数据融合的结果是否大于95％，若是，则利用m个主成分构成特征数据库，若否，则令j＝j+1，返回(4)。进一步，所述第二步将融合后的数据输入到堆栈自编码器进行训练，得到具有刀具磨损量标签的影响刀具磨损特征数据集包括以下步骤：(1)初始化自编码器的参数，包括：自编码器输入神经元个数P，P＝m，自编码器隐藏层层数N，稀疏性参数ρ，自编码器学习率α，训练批次numepochs,每训练批次的训练数据大小batchsize；(2)利用得到的特征数据库作为输入训练第一个自编码器，训练得到的权重参数w和偏置参数b作为堆栈自编码器输入层和第一层的权重和偏置；(3)将训练得到的隐含层，作为第二个自编码器的输入层进行训练，训练得到的权重参数w和偏置参数b作为堆栈自编码器第一层和第二层的权重和偏置；(4)得到各层间的偏置与权重，完成对堆栈自编码器的训练，得到堆栈自编码器最后一层的输出作为影响刀具磨损的特征数据集。进一步，所述第三步构建基于BP神经网络的刀具磨损预测模型的方法包括：(1)建立BP神经网络模型，包括输入层、隐藏层和输出层的三层BP神经网络，在此模型中，输入层为堆栈自编码器的输出层，输出层单元数为1，输入层单元表示影响刀具磨损的特征，输出层单元是刀具的磨损值，隐藏层单元数是经公式推算确定，通过以下经验公式其中i为输入层神经元个数，o为输出层神经元个数，l为隐藏层神经元个数；(2)训练BP神经网络，BP神经网络隐藏层神经元的传递函数为sigmoid函数，输出层神经元的传递函数为relu函数，用于输出网络的预测结果，训练函数采用梯度下降算法，初始权值选为[0,1]之间的随机数；随机选取一部分影响刀具磨损的特征数据集进行训练，已建立的BP神经网络通过不断改善BP神经网络模型中的权值和阈值，直到收敛，完成训练。进一步，所述第三步对训练完成的BP神经网络模型进行预测的方法包括：给定相应的预测传感器数据，得到影响刀具磨损的特征数据集，然后再通过BP神经网络模型计算后，输出层的值即为预测结果。本专利技术的另一目的在于提供一种应用所述基于PCA与自编码器的数控机床刀具磨损数据处理方法的数控加工刀具磨损检测系统。本专利技术的另一目的在于提供一种应用所述基于PCA与自编码器的数控机床刀具磨损数据处理方法的信息数据处理终端。综上所述，本专利技术的优点及积极效果为：本专利技术通过PCA和SAE对数据进行处理得到特征数据库，之后将特征数据库输入到BP神经网络进行训练得到刀具磨损预测模型，不仅有效的提升了模型的预测能力，也使模型的应用范围更加广泛，经过调整可以广泛应用于各种数控机床刀具的磨损预测。本专利技术通过PCA和SAE处理数据的方法，能充分挖掘输入数据中的重要特征，然后将得到的数据特征输入到BP神经网络中，利用BP神经网络的拟合能力，将提取的特征映射到预测结果上，实现数控机床刀具磨损的预测。通过上述两种方法的结合，能充分发挥各自的独特作用，实现单个神经网络不能实现的效果，单个神经网络需要的数据量大，常用于解决分类问题，在解决回归问题的时候虽然能拟合任意直线，但是会存在过拟合现象而导致泛化能力不强；本专利技术在特征层面先利用主成分分析对数据进行降噪，再用自编码器学习数据中的潜在特征，本文档来自技高网...

【技术保护点】
1.一种基于PCA与自编码器的数控机床刀具磨损数据处理方法，其特征在于，所述基于PCA与自编码器的数控机床刀具磨损数据处理方法包括：/n第一步，获取具有刀具磨损量标签的训练数据和待测试数据，对数控机床上刀具传感器采集的数据进行归一化，得到具有刀具磨损量标签的训练数据和待测试数据；/n第二步，构建具有刀具磨损量标签的刀具磨损特征数据集，利用主成分分析法对所得到具有刀具磨损量标签的训练数据进行数据融合；将融合后的数据输入到堆栈自编码器进行训练，得到具有刀具磨损量标签的影响刀具磨损特征数据集；/n第三步，构建并训练基于BP神经网络的刀具磨损预测模型，构建基于BP神经网络的刀具磨损预测模型并进行训练，对训练完成的BP神经网络模型进行预测。/n

【技术特征摘要】
1.一种基于PCA与自编码器的数控机床刀具磨损数据处理方法，其特征在于，所述基于PCA与自编码器的数控机床刀具磨损数据处理方法包括：
第一步，获取具有刀具磨损量标签的训练数据和待测试数据，对数控机床上刀具传感器采集的数据进行归一化，得到具有刀具磨损量标签的训练数据和待测试数据；
第二步，构建具有刀具磨损量标签的刀具磨损特征数据集，利用主成分分析法对所得到具有刀具磨损量标签的训练数据进行数据融合；将融合后的数据输入到堆栈自编码器进行训练，得到具有刀具磨损量标签的影响刀具磨损特征数据集；
第三步，构建并训练基于BP神经网络的刀具磨损预测模型，构建基于BP神经网络的刀具磨损预测模型并进行训练，对训练完成的BP神经网络模型进行预测。


2.如权利要求1所述的基于PCA与自编码器的数控机床刀具磨损数据处理方法，其特征在于，所述第二步中利用主成分分析法对所得到具有刀具磨损量标签的训练数据进行数据融合包括以下步骤：
(1)将具有刀具磨损量标签的训练数据集组合成归一化传感器数据矩阵Q；
(2)中心化数据矩阵Q得到矩阵Q*，再对矩阵Q*进行转置得到矩阵(Q*)T；
(3)根据矩阵Q*和矩阵(Q*)T计算相关系数矩阵R，令矩阵R的特征值从大到小排列为其特征值对应的特征向量为
(4)令矩阵R的特征值个数j＝1，令主成分个数m＝1；
(5)计算m个主成分的累计方差贡献率，数据融合的结果；
(6)判断数据融合的结果是否大于95％，若是，则利用m个主成分构成特征数据库，若否，则令j＝j+1，返回(4)。


3.如权利要求2所述的基于PCA与自编码器的数控机床刀具磨损数据处理方法，其特征在于，所述第二步将融合后的数据输入到堆栈自编码器进行训练，得到具有刀具磨损量标签的影响刀具磨损特征数据集包括以下步骤：
(1)初始化自编码器的参数，包括：自编码器输入神经元个数P，P＝m，自编码器隐藏层层数N，稀疏性参数ρ，自编码器学习率α，训练批次numepochs,每训练批次的训练数据大小batchsize；...

【专利技术属性】
技术研发人员：陈改革，孔宪光，王荣渤，马洪波，程涵，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61