本发明专利技术属于机械技术领域，公开了一种数控机床刀具剩余使用寿命预测方法、系统及应用，所述数控机床刀具剩余使用寿命预测方法包括：采集数控机床工作过程中的控制器信号和传感器信号，并对信号进行预处理、特征提取以及特征选择，挖掘各种信号中与刀具磨损相关的信息；利用长短时记忆网络与注意力机制建立刀具剩余使用寿命预测模型，实现数控机床刀具的剩余使用寿命预测。本发明专利技术通过采集数控机床工作过程中的控制器信号和传感器信号，利用多源信息建立刀具剩余使用寿命预测模型，充分考虑了不同类型的信号反映的刀具磨损情况，有效地克服了现有技术用单一信号建立预测模型的局限性，使得本发明专利技术提高了刀具剩余使用寿命预测模型的泛化能力。型的泛化能力。型的泛化能力。
【技术实现步骤摘要】
一种数控机床刀具剩余使用寿命预测方法、系统及应用
[0001]本专利技术属于机械
，尤其涉及一种数控机床刀具剩余使用寿命预测方法、系统及应用。
技术介绍
[0002]目前，作为数控加工中十分重要的部件，刀具磨损带来的问题是数控加工过程中面临的主要难题之一。在数控机床的铣削过程中，刀具的磨损退化是不可避免的。而一旦发生刀具失效，工件的表面质量会达不到要求，从而导致加工效率低下，磨损严重时甚至会造成机床的损坏。因此，有效地预测刀具的剩余使用寿命对提高数控机床的生产效率具有十分重要的意义。目前，采用数据驱动结合机器学习手段是刀具寿命预测
主流的方法与技术，但也存在一定的局限性。
[0003]成都数之联科技有限公司在其申请的专利文献“刀具寿命预测方法”(专利申请号：201811069400.2，公开号：CN109465676A)中提出了一种刀具寿命预测方法。该方法的步骤是：首先通过特征学习提取电流信号的特征值，再对电流信号进行数据清洗，然后通过机器学习和深度学习方法分析电流信号与刀具寿命之间的关系，建立刀具寿命预测模型。该方法虽然能实现刀具剩余寿命的准确预估，提高生产产品的成品率。但是，该方法仍然存在的不足之处是，仅考虑了加工机台的主轴电流信号，未考虑不同信号反映了刀具的不同磨损情况，用单一信号建立预测模型存在较大的局限性，且模型泛化能力较差，不利于实际生产中的推广使用。
[0004]通过上述分析，现有技术存在的问题及缺陷为：现有采用数据驱动结合机器学习手段预测刀具寿命的方法，仅考虑了加工机台的主轴电流信号，未考虑不同信号反映了刀具的不同磨损情况，用单一信号建立预测模型存在较大的局限性，且模型泛化能力较差，不利于实际生产中的推广使用。
[0005]解决以上问题及缺陷的难度为：摆脱用单一信号建模的应用局限性，使模型能从不同信号中学习到刀具的不同磨损信息。
[0006]解决以上问题及缺陷的意义为：现有技术考虑的信号过于单一，通过信号特征提取挖掘出不同信号中与刀具磨损相关的信息，并将这些磨损相关信息进行融合，从而提高模型的泛化能力。本专利技术旨在提出一种多源信息融合的刀具剩余使用寿命预测方法。
技术实现思路
[0007]针对现有技术存在的问题，本专利技术提供了一种数控机床刀具剩余使用寿命预测方法、系统及应用，尤其涉及一种基于多源信息融合的数控机床刀具剩余使用寿命预测方法、系统及应用，旨在解决现有技术中用单一信号建立预测模型泛化能力较差的问题。
[0008]本专利技术是这样实现的，一种数控机床刀具剩余使用寿命预测方法，所述数控机床刀具剩余使用寿命预测方法包括：
[0009]采集数控机床工作过程中的控制器信号和传感器信号，并对信号进行预处理、特
征提取以及特征选择，挖掘各种信号中与刀具磨损相关的信息；利用长短时记忆网络与注意力机制建立刀具剩余使用寿命预测模型，实现数控机床刀具的剩余使用寿命预测。
[0010]进一步，所述数控机床刀具剩余使用寿命预测方法包括以下步骤：
[0011]步骤一，信号采集与处理；
[0012]步骤二，信号特征提取；
[0013]步骤三，信号特征选择；
[0014]步骤四，建模预测。
[0015]进一步，步骤一中，所述信号采集与处理，包括：
[0016](1)采集数控机床工作过程中的信号，即控制器信号和传感器信号，控制器信号主要包括主轴负载和三个方向的机械坐标即x轴机械坐标、y轴机械坐标以及z轴机械坐标，传感器信号主要包括电流信号和三个方向的振动信号即x轴方向振动信号、y轴方向振动信号、z轴方向振动信号；
[0017](2)将采集的信号进行预处理，首先根据三个方向的机械坐标和主轴负载剔除未接触加工对象时采集的信号，然后进行缺失值、异常值处理，利用最小二乘法将信号中的异常趋势项进行去除。
[0018]其中，所述利用最小二乘法将信号中的异常趋势项去除，包括：
[0019]首先利用高阶多项式拟合信号，再根据最小二乘法原理选取合适的多项式系数，使得信号与其拟合信号的误差平方和最小，然后将选取的多项式系数代入高阶多项式中，得到信号的趋势项，最后将信号减去趋势项，得到去除趋势项后的信号。
[0020]进一步，步骤二中，所述信号特征提取，包括：
[0021]从时域、频域以及时频域三个方面，将步骤一得到的信号进行特征提取。
[0022]进一步，步骤三中，所述信号特征选择，包括：
[0023](1)利用单调性和趋势性这两个评价标准，将步骤二得到的信号特征进行筛选，包括：
[0024]①
按照下式，计算步骤二得到的每个信号特征单调性值和趋势性值：
[0025][0026]其中，S
mon
为单个信号特征的单调性值，T为单个信号特征的样本长度，dH表示单个特征中每个样本与前一个样本的差值；
[0027][0028]其中，S
tred
为单个信号特征的趋势性值，T为单个信号特征的样本长度，x
i
为单个信号特征的第i个样本，为单个信号特征的均值，t
i
为x
i
对应的累计工作时间，为累计工作时间序列的均值；
[0029]②
将每个信号特征单调性值和趋势性值的均值作为综合评价值，所有信号特征的综合评价值组成综合评价矩阵；
[0030]③
将综合评价矩阵进行归一化，选取综合评价值大于0.5的信号特征组成矩阵，得
到筛选后的信号特征。
[0031](2)利用核主成分分析算法对筛选得到的信号特征进行降维处理，包括：
[0032]①
将筛选得到的信号特征进行标准化处理；
[0033]②
选定核函数，计算核矩阵；
[0034]③
将核矩阵进行中心化，得到中心化核矩阵；
[0035]④
计算中心化核矩阵的特征值和特征向量，将特征值按降幂排序；
[0036]⑤
设定累计贡献率的阈值为90％，确定主元个数p，选取前p个特征值对应的特征向量组成矩阵，得到降维后的信号特征。
[0037]进一步，步骤四中，所述建模预测，包括：
[0038]将步骤三得到的信号特征进行归一化处理，以磨损比，即剩余工作时间除以刀具总工作时间作为剩余使用寿命标签，构造训练集，建立结合注意力机制的长短时记忆网络预测模型，进行刀具的剩余使用寿命预测。
[0039]进一步，所述建立结合注意力机制的长短时记忆网络预测模型，包括：
[0040]结合注意力机制的长短时记忆网络的结构依次为：输入层、LSTM网络层、注意力机制层、全连接层以及输出层，将LSTM网络层的输出神经元个数设置为70，全连接层的神经元个数设置为1024，输出层的神经元个数设置为1。
[0041]本专利技术的另一目的在于提供一种应用所述的数控机床刀具剩余使用寿命预测方法的数控机床刀具剩余使用寿命预测系统，所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数控机床刀具剩余使用寿命预测方法，其特征在于，所述数控机床刀具剩余使用寿命预测方法包括：采集数控机床工作过程中的控制器信号和传感器信号，并对信号进行预处理、特征提取以及特征选择，挖掘各种信号中与刀具磨损相关的信息；利用长短时记忆网络与注意力机制建立刀具剩余使用寿命预测模型，实现数控机床刀具的剩余使用寿命预测。2.如权利要求1所述的数控机床刀具剩余使用寿命预测方法，其特征在于，所述数控机床刀具剩余使用寿命预测方法包括以下步骤：步骤一，信号采集与处理；步骤二，信号特征提取；步骤三，信号特征选择；步骤四，建模预测。3.如权利要求2所述的数控机床刀具剩余使用寿命预测方法，其特征在于，步骤一中，所述信号采集与处理，包括：(1)采集数控机床工作过程中的信号，即控制器信号和传感器信号，控制器信号主要包括主轴负载和三个方向的机械坐标即x轴机械坐标、y轴机械坐标以及z轴机械坐标，传感器信号主要包括电流信号和三个方向的振动信号即x轴方向振动信号、y轴方向振动信号、z轴方向振动信号；(2)将采集的信号进行预处理，首先根据三个方向的机械坐标和主轴负载剔除未接触加工对象时采集的信号，然后进行缺失值、异常值处理，最后利用最小二乘法将信号中的异常趋势项进行去除；其中，所述利用最小二乘法将信号中的异常趋势项去除，包括：首先利用高阶多项式拟合信号，再根据最小二乘法原理选取合适的多项式系数，使得信号与其拟合信号的误差平方和最小，然后将选取的多项式系数代入高阶多项式中，得到信号的趋势项，最后将信号减去趋势项，得到去除趋势项后的信号。4.如权利要求2所述的数控机床刀具剩余使用寿命预测方法，其特征在于，步骤二中，所述信号特征提取，包括：从时域、频域以及时频域三个方面，将步骤一得到的信号进行特征提取。5.如权利要求2所述的数控机床刀具剩余使用寿命预测方法，其特征在于，步骤三中，所述信号特征选择，包括：(1)利用单调性和趋势性这两个评价标准，将步骤二得到的信号特征进行筛选，包括：
①
按照下式，计算步骤二得到的每个信号特征单调性值和趋势性值：其中，S
mon
为单个信号特征的单调性值，T为单个信号特征的样本长度，dH表示单个特征中每个样本与前一个样本的差值；
其中，S
tred
为单个信号特征的趋势性值，T为单个信号特征的样本长度，x
i
为单个信号特征的第i个样本，为单个信号特征的均值，t
i
为x
i
对应的累计工作时间，为累计工作时间序列的均值；
②
将每个信号特征单调性值和趋势性值的均值作为综合评价值，所有信号特征的综合评价值组成综合评价矩阵；
③
将...
【专利技术属性】
技术研发人员：刘尧，叶礼伦，陈改革，孔宪光，
申请(专利权)人：西安电子科技大学，
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。