【技术实现步骤摘要】
本专利技术属于刀具状态监测，具体为一种基于长短时记忆神经网络-机理混合驱动的刀具磨损在线监测方法。
技术介绍
1、机械加工中，刀具状态是影响零件加工质量和生产效率的关键因素之一。刀具状态监测技术通过采集和分析与刀具状态相关的信息，对刀具断刀、破损以及磨损状态进行辨识，进而保证生产的稳定高效。刀具状态间接监测方法可以实现切削过程中的实时监测，不需要停机或在切削间隔中检测，更易应用于实际生产加工中。
2、机器学习作为间接监测常用方法之一，通过建立动态监测信号与刀具状态间的映射关系获取刀具状态，已获得了研究学者的广泛关注。在专利“一种基于电流与声发射复合信号的刀具磨损监测方法”(cn104723171b)中，获取切削加工中主轴电机的电流信号及车刀磨损状态的声发射信号，利用小波包分析、相关性分析和主成分分析等方法提取刀具磨损状态的特征信息，并通过分析与初始状态特征之间的关联性来判断刀具的磨损程度。在专利“一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法”(cn202110976220.8)中，采集机床铣削过程状态数据以及刀具磨损数据，构建深度学习网络，实现刀具磨损量结果的精准回归预测；构建深度卷积神经网络，实现刀具磨损量临界状态的有效识别，将实时刀具磨损量与对应临界状态阈值比较及时采取更换刀具或改变参数等措施，实现刀具磨损状态实时监测。在专利“一种基于振动和声发射的刀具磨损状态识别方法”(cn201811375637.3)中，对加工过程中的振动信号和声发射信号进行实时采集，并进行时域、频域和时频域的特征提取后，通过
3、综上所述，现有刀具磨损状态监测方法仍存在着一些问题，如：(1)监测模型存在孤立误分类样本，并且误分类样本分布较为分散；(2)单纯依靠数据驱动模型，未实现数据和机理的混合驱动以获得高鲁棒性的监测模型。本专利技术针对目前刀具磨损状态监测模型存在的问题，提出一种长短时记忆神经网络-机理混合驱动的刀具磨损状态在线监测方法。
技术实现思路
1、本专利技术的目的为提供长短时记忆神经网络-机理混合驱动的刀具磨损状态在线监测方法，解决现有刀具状态监测模型对数据波动鲁棒性不强、存在孤立误分类样本的问题，实现了刀具磨损状态的可靠监测。
2、为解决上述技术问题，本专利技术的技术方案为：
3、一种基于长短时记忆神经网络-机理混合驱动的刀具磨损在线监测方法。首先，选择机床加工过程中的主轴振动信号作为刀具磨损状态的监测信号，并利用三向加速度传感器对其进行采集，采用均值滤波算法对信号进行去噪处理并进行归一化等数据预处理操作，利用预处理后的监测数据以及对应的刀具磨损状态标签构建带标签数据集，并将其划分为训练集和测试集；其次，基于刀具磨损状态标签的分布特点构建刀具磨损机理判别模型；然后，基于长短时记忆神经网络构建刀具磨损在线监测模型，并利用训练集数据训练监测模型，使模型性能达到最优，并保存模型相关参数；下一步，将实际加工过程中的实时振动信号经数据预处理后输入保存过的监测模型中，获得对应监测信号的初步刀具状态标签；最后，将获得的初步刀具状态以三个为一组输入提前构建的基于刀具磨损规律的误分类机理判别模型中，获得最终的刀具状态标签；具体步骤如下：
4、第一步，加工过程中的监测信号采集及预处理
5、(1)监测信号采集
6、利用压电式三向加速度传感器对数控机床加工过程中的主轴x/y/z三个方向的振动信号进行采集，并通过观察刀具的磨损情况确定刀具磨损是否达到临界值，将刀具状态分为健康磨损状态和非健康磨损状态；
7、(2)监测信号的预处理
8、首先，为消除压电式三向加速度传感器在采集数据时的环境噪声对监测信号的不利影响，采用式(1)均值滤波算法对监测信号进行去噪处理；然后，对去噪后的监测信号通过式(2)进行归一化操作，使得归一化后的数据幅值范围为[0,1]，将归一化后的监测信号以及对应的刀具状态标签构建带标签数据集，并将带标签数据集划分为训练集和测试集；
9、
10、
11、第二步，刀具磨损机理判别模型的构建
12、刀具磨损是一个连续缓变的过程，刀具磨损状态标签分布严格遵循时间顺序，即一把新的刀具磨损状态标签从健康刀具磨损状态开始，直至刀具磨损值达到预设阈值t，之后刀具磨损状态标签变为非健康刀具磨损状态，并且该转变有且仅有一次；基于上述规律构建刀具磨损机理判别模型，根据前后相邻时刻的刀具磨损状态标签确定中间时刻最终刀具磨损状态标签，见公式(3)；若中间时刻刀具磨损状态标签与前后相邻时刻的刀具磨损状态标签均不一致，则需调整中间时刻的刀具状态标签；若前后相邻时刻的刀具磨损状态标签不同，则中间时刻的刀具磨损状态标签保持不变；
13、
14、式中，label(k)为k时刻的刀具状态标签，label(k-1)和label(k+1)分别代表k-1和k+1时刻的刀具状态标签；
15、第三步，基于长短时记忆神经网络的刀具状态监测模型的构建与训练
16、设lstm的记忆单元在每一个时间步长t更新一次，则其输入门的值it和记忆单元候选状态值分别为：
17、it＝σ(wi·[ht-1,xt]+bi) (4)
18、
19、则其t时刻遗忘门的值ft为：
20、ft＝σ(wf·[ht-1,xt]+bf) (6)
21、由输入门、遗忘门以及记忆单元候选状态的值计算出记忆单元t时刻当前值ct：
22、
23、最后得记忆单元输出值ht为：
24、ht＝σ(wo[ht-1,xt]+bo)*tanh(ct) (8)
25、式中，xt为t时刻记忆单元的输入；w为模型的权重参数；b为模型的偏置；σ和tanh为sigmoid激活函数和tanh激活函数；
26、将多层lstm网络堆叠起来，构建深度lstm网络；利用第一步中构建的训练集训练深度lstm网络，并用第一步中构建的测试集数试训练后的深度lstm网络的性能，保存最优深度lstm网络的参数作为刀具磨损状态监测模型的参数；
27、第四步，基于刀具磨损机理判别模型的刀具监测结果自监督可靠调整
28、将测试集对应监测数据输入刀具磨损状态监测模型中获取刀具状态初步监测标签；然后将刀具状态初步监测标签以三个为一组输入到刀具磨损机理判别模型中，基于公式(3)实现刀具监测结果的自监督可靠调整，获得最终的刀具状态标签；
29、第五步，刀具磨损状态的监测
30、在实际加工本文档来自技高网...
【技术保护点】
1.一种基于长短时记忆神经网络-机理混合驱动的刀具磨损在线监测方法，其特征在于，步骤如下：
【技术特征摘要】
1.一种基于长短时记忆神经网络-机理混合驱动的...
【专利技术属性】
技术研发人员：王永青，秦波，刘阔，乔石，姜业明，牛蒙蒙，杨巍，白玉珍，
申请(专利权)人：大连理工大学，
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。