【技术实现步骤摘要】
本专利技术涉及刀具磨损评估和预测，特别涉及一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法。
技术介绍
1、刀具是数控机床的执行末端。在机加工过程中，刀具与切屑、工件之间会产生机械摩擦，同时受切削力与切削热的影响，刀具会持续产生磨损，并且其磨损状态会随着时间的推移而逐渐增大最后发生崩刃，严重影响加工效率、工件的表面质量和加工成本等。
2、在数控机床加工过程中对刀具磨损状态进行预测对提高加工效率、改善工件表面质量、降低加工成本至关重要。然而，现有刀具磨损预测模型缺少优化算法且网络结构不完善，存在精度准确性不高的问题，导致它们尚未在实际应用中得到广泛采纳。
3、因此，亟需开发一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法。
技术实现思路
1、本专利技术的目的是提供一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，以解决现有技术中存在的问题。
2、为实现本专利技术目的而采用的技术方案是这样的，一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，包括以下步骤：
3、1)在刀具作业过程中同步采集工作台及刀具的振动信号和切削力信号。2)对步骤1)采集的信号数据进行预处理。
4、2.1)对所采集的信号数据的切入切出部分进行截断。
5、2.2)利用hampel滤波法剔除截断后的信号数据的异常值。
6、2.3)对剔
7、2.4)采用iceemdan-改进的小波母函数对降采样后的信号数据进行分解降噪。
8、3)提取预处理后信号数据的时域、频域和时频域的特征值，获得原始特征数据集。
9、4)基于斯皮尔曼相关系数与最大互信息相关系数共同对特征进行筛选，将选择的特征值作为预测模型的输入，以得到新特征数据集。将新特征数据集与刀具的真实磨损数据集进行归一化处理后，得到模型构建数据集。
10、5)构建初始刀具磨损预测isabo-ibilstm模型。所述初始刀具磨损预测isabo-ibilstm模型以ibilstm网络作为基础网络，采用isabo算法进行改进。所述ibilstm模型包括三层双向长短时记忆神经网络、一层激活层、一层dropout层、两层全连接层和一层回归层。采用isabo算法搜寻ibilstm模型的最优超参数。优化求解器采用adam求解器。
11、6)基于模型构建数据集和寻优后的超参数对ibilstm模型进行训练，得到训练后的刀具磨损预测模型。训练过程中根据预测的磨损量和真实磨损量计算均方根误差、平均绝对百分比误差、平均绝对误差，评价刀具磨损的预测精度。
12、7)监测待检测刀具作业过程中工作台及刀具的振动信号和切削力信号，将经过处理后的实时信号特征集输入到刀具磨损预测模型中，得到待检测刀具磨损状态。
13、进一步，步骤1)中，振动信号测点分布在刀具刀头和x工作台位置。振动信号采用pcb-356a15加速度传感器采集。将铁片胶粘到刀具刀头和x工作台的表面，依靠磁力把加速度传感器固定在工件表面的铁片上。切削力信号采用kistler力传感器采集。
14、进一步，步骤2)具体包括以下子步骤：
15、2.1)对所采集的信号数据的切入切出部分进行截断。
16、2.2)利用hampel滤波法剔除截断后的信号数据的异常值。
17、2.3)对剔除异常值的信号数据进行降采样处理。
18、2.4)采用iceemdan-改进的小波母函数对降采样后的信号数据进行分解降噪。
19、进一步，步骤2.3)中，采样比例为1比10。
20、进一步，步骤3)中，提取绝对均值、峰值、均方根值、方根幅值、歪度值、峭度值、波形因子、脉冲因子、偏度因子、峰度因子和裕度因子11个时域特征，重心频率、均方频率、均方根频率和频率方差4个频域特征以及进行三层小波分解后得到的24个能量特征。
21、进一步，步骤4)采用斯皮尔曼相关系数与最大互信息相关系数作为特征的筛选指标，数学式如下：
22、
23、式中，ρ为斯皮尔曼相关系数，di为特征值与对应真实磨损值之间的等级差，n为样本数量。
24、
25、式中，o为最大互信息相关系数，p为联合概率密度，xi,yi分别为特征值与对应真实磨损值。
26、设定斯皮尔曼相关系数与最大互信息相关系数的阈值为0.95，最终筛选出24个特征值作为预测模型的输入。
27、进一步，步骤4)中，随机地将模型构建数据集的80％划分为训练数据集，20％划分为验证数据集。
28、进一步，isabo算法设置种群数量为25。最大迭代次数为50。参数寻优范围的上限为[0.1,0.1,300]。参数寻优范围的下限为[1×10-8,1×10-4,50]。最大训练次数为1000。dropout层的保留比例为0.4。
29、本专利技术还公开一种计算机可读存储介质，存储有用于实现上述任意一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法的计算机程序。
30、本专利技术还公开一种实施上述任意一种方法的刀具磨损预测系统，包括采集单元、处理器、输入单元、输出单元和存储单元。所述采集单元监测待检测刀具作业过程中工作台及刀具的振动信号和切削力信号，并处理为实时信号特征集。所述输入单元可接收实时信号特征集。所述输出单元将待检测刀具磨损状态动态识别结果进行实时展示。所述存储单元用于存储数据和由处理器执行的用于实现刀具磨损预测模型的指令序列。
31、本专利技术的技术效果是毋庸置疑的：
32、a.利用改进后的减法优化器算法消除了原减法优化器算法收敛快且容易陷入局部最优的缺点，理论上可以搜寻最优的超参数从而进一步提升模型的预测准确率。
33、b.通过改进bilstm模型结构，增加了bilstm模型复杂性、鲁棒性、表征能力等，从而提升模型的稳定性与预测准确率。
本文档来自技高网...【技术保护点】
1.一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于：中振动信号测点分布在工件(3)上；振动信号采用三轴加速度传感器(4)采集；将三轴加速度传感器(4)固定在工件表面；切削力信号采用三向测力仪采集(5)；三向测力仪(5)安装在工件(3)和加工台(2)之间。
3.根据权利要求1所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于，步骤2)具体包括以下子步骤：
4.根据权利要求3所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于：步骤2.3)中，采样比例为1比10。
5.根据权利要求3所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于：步骤3)中，提取绝对均值、峰值、均方根值、方根幅值、歪度值、峭度值、波形因子、脉冲因子、偏度因子、峰度因子和裕度因子1
6.根据权利要求1所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于：步骤4)采用斯皮尔曼相关系数与最大互信息相关系数作为特征的筛选指标，数学式如下：
7.根据权利要求1所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于：步骤4)中，随机地将模型构建数据集的80％划分为训练数据集，20％划分为验证数据集。
8.根据权利要求1所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于：ISABO算法设置种群数量为25；最大迭代次数为50；参数寻优范围的上限为[0.1,0.1,300]；参数寻优范围的下限为[1×10-8,1×10-4,50]；最大训练次数为1000；Dropout层的保留比例为0.4。
9.一种计算机可读存储介质，其特征在于：存储有用于实现权利要求1～8中任意一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法的计算机程序。
10.一种实施权利要求1～8中任意一种方法的刀具磨损预测系统，其特征在于：包括采集单元、处理器、输入单元、输出单元和存储单元；所述采集单元监测待检测刀具作业过程中工作台及刀具的振动信号和切削力信号，并处理为实时信号特征集；所述输入单元可接收实时信号特征集；所述输出单元将待检测刀具磨损状态动态识别结果进行实时展示；所述存储单元用于存储数据和由处理器执行的用于实现刀具磨损预测模型的指令序列。
...【技术特征摘要】
1.一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于：中振动信号测点分布在工件(3)上；振动信号采用三轴加速度传感器(4)采集；将三轴加速度传感器(4)固定在工件表面；切削力信号采用三向测力仪采集(5)；三向测力仪(5)安装在工件(3)和加工台(2)之间。
3.根据权利要求1所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于，步骤2)具体包括以下子步骤：
4.根据权利要求3所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于：步骤2.3)中，采样比例为1比10。
5.根据权利要求3所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征在于：步骤3)中，提取绝对均值、峰值、均方根值、方根幅值、歪度值、峭度值、波形因子、脉冲因子、偏度因子、峰度因子和裕度因子11个时域特征，重心频率、均方频率、均方根频率和频率方差4个频域特征以及进行三层小波分解后得到的24个能量特征。
6.根据权利要求1所述的一种基于改进的减法优化器联合改进的双向长短时记忆神经网络的刀具磨损预测方法，其特征...
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。