【技术实现步骤摘要】
本专利技术涉及机床加工，尤其涉及一种基于深度高斯过程的刀具磨损预测方法及其系统。
技术介绍
1、制造业是国民经济的基石，机械加工是制造业的命脉，而在机械加工中，被称之为其“牙齿”的切削刀具发挥着重要的作用。刀具的状态对加工的质量、效率等都有着显著影响。
2、据统计表明，准确识别刀具磨损、合理地选择换刀时间和策略，可以有效地将停机检测时间减少75%，提高10%～40%的生产效率，从而降低10%～30%的生产成本。由此可见，刀具的发展水平直接决定了机械加工的生产水平，刀具的发展是制造业提高生产效率和产品质量的重要因素。因此，刀具磨损监测技术可以在经济和社会方面带来巨大的效益，为先进制造技术的发展奠定基础，已被各国广泛认可为一项重要的关键技术，并受到了高度重视。而如何有效地预测刀具的磨损程度，目前也是高端装备制造亟需解决的难题。
3、在预测过程中，不确定性是一个重要的指标，需要通过可靠的模型进行估计。大多数数据源都包含不可忽略的噪声，从而可能会阻碍预测模型的性能。此外，在刀具磨损的数据记录中，测试数据样本与训练数据集分布不太相似的情况也并不少见。在这种情况下，了解模型的预测不确定性至关重要。如果这类模型用于刀具磨损的关键任务而没有考虑其预测的不确定性，可能会导致难以挽回的后果。
4、因此，具备不确定性表达能力的性能衰退预测方法可以为机械加工系统的刀具健康管理提供更多信息，从而帮助决策者制定更科学的运维计划。然而，常用浅层概率预测方法虽能提供概率密度预测结果来表示预测的不确定性，但其对刀具磨损的特征的
5、周明东等人在中国专利技术专利申请“一种高精密坐标镗床刀具磨损智能预测方法”（公开号为cn117862954a）中使用贝叶斯岭回归建立了刀具磨损预测模型，假设模型参数是随机变量，并利用先验概率分布来描述参数的不确定性，通过贝叶斯推断来估计参数的后验概率分布。然而，贝叶斯岭回归相对较简单，适用于数据特征间线性关系较强的情况，而刀具磨损往往涉及非线性、非平稳的数据关系，需要更灵活的模型来捕捉这种复杂性。
6、因此，本领域的技术人员致力于开发一种新的刀具磨损预测方法及其系统，解决现有技术中存在的不能处理非线性、非平稳的数据关系的缺陷。
技术实现思路
1、有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是如何解决刀具磨损预测不确定性的量化问题。
2、本专利技术提出的一种基于深度高斯过程（deep gaussian processes, dgp）的刀具磨损预测方法及其系统，具有更强大的非线性建模能力，可以更好地处理刀具磨损数据的关系，并结合深度学习和传统高斯过程的优点，既可以提高刀具磨损预测不确定性的可靠性，又可以适用于中小样本的刀具磨损数据集。
3、为实现上述目的，本专利技术提供了一种基于深度高斯过程的刀具磨损预测方法，包括以下步骤：
4、步骤1、对刀具磨损试验平台和放置在所述刀具磨损试验平台上的工件进行数据采集，采集的数据包括力信号、振动信号、声发射信号以及刀具磨损程度的标签数据，并生成数据集；
5、步骤2、对所述数据集进行特征提取，得到时域特征、频域特征和时频域特征，并将所述数据集分成训练数据集和测试数据集；
6、步骤3、设置dgp刀具磨损预测模型中的输入层维度、隐藏层结构以及协方差函数，并对所述协方差函数的参数进行初始化；
7、步骤4、选择高斯分布族，用所述训练数据集对所述dgp刀具磨损预测模型进行训练，完成所述dgp刀具磨损预测模型的变分推断；
8、步骤5、将所述测试数据集输入所述dgp刀具磨损预测模型中，获取刀具磨损的预测结果。
9、进一步地，所述步骤1包括以下子步骤：
10、步骤1.1、在所述刀具磨损试验平台和所述工件之间安装测力计，采集x、y、z三个方向的所述力信号；
11、步骤1.2、在所述工件的x、y、z三个方向各安装一个加速度传感器，分别采集x、y、z三个方向的所述振动信号；
12、步骤1.3、在所述工件上安装一个声发射传感器，采集所述声发射信号；
13、步骤1.4、使用数据采集卡收集所述步骤1.1~1.3测量的所述力信号、所述振动信号和所述声发射信号，并产生数字化数据。
14、进一步地，所述步骤1还包括以下子步骤：
15、步骤1.5、每次走刀后，使用显微镜测量刀具每个刀刃的后刀面磨损，获得所述刀具磨损程度的标签数据，并与所述步骤1.4获得的所述数字化数据合并成所述数据集。
16、进一步地，所述步骤2中的所述时域特征包括均方根、方差和最大最小值；所述频域特征包括谱偏态系数、谱峰态系数和谱功率；所述时频域特征包括emd能量熵。
17、进一步地，所述步骤3中的所述输入层维度为所述训练数据集的样本个数*70；所述隐藏层结构为具有两个隐藏层的深度高斯过程；所述协方差函数为ard 协方差函数。
18、进一步地，所述步骤4中的所述高斯分布族是一个假设后验分布形式的分布族，具有均值和协方差矩阵。
19、本专利技术还提供了一种基于深度高斯过程的刀具磨损预测系统，所述系统包括：
20、数据采集模块，所述数据采集模块对刀具磨损试验平台和放置在所述刀具磨损试验平台上的工件进行数据采集，采集的数据包括力信号、振动信号、声发射信号以及刀具磨损程度的标签数据，并生成数据集；
21、特征提取模块，所述特征提取模块连接所述数据采集模块，对所述数据集进行特征提取，得到时域特征、频域特征和时频域特征，并将所述数据集分成训练数据集和测试数据集；
22、dgp刀具磨损预测建模模块，所述dgp刀具磨损预测建模模块连接所述特征提取模块，设置dgp刀具磨损预测模型中的输入层维度、隐藏层结构以及协方差函数，并对所述协方差函数的参数进行初始化；
23、dgp刀具磨损预测模型训练模块，所述dgp刀具磨损预测模型训练模块连接所述dgp刀具磨损预测建模模块，选择高斯分布族，用所述训练数据集对所述dgp刀具磨损预测模型进行训练，完成所述dgp刀具磨损预测模型的变分推断；
24、dgp刀具磨损预测模块，所述dgp刀具磨损预测模块连接所述dgp刀具磨损预测模型训练模块，将所述测试数据集输入所述dgp刀具磨损预测模型中，获取刀具磨损的预测结果。
25、进一步地，所述数据采集模块中的所述力信号包括x、y、z三个方向的所述力信号；所述振动信号包括x、y、z三个方向的所述振动信号；每次走刀后，使用显微镜测量刀具每个刀刃的后刀面磨损，获得所述刀具磨损程度的标签数据，并与所述力信号、所述振动信号、所述声发射信号合并成所述数据集。
26、进一步地，所述特征提取模块中所述时域特征包括均方根、方差和最大最小值；所述频域特征包括谱偏态系数、谱峰态系数和谱功率；所述时频域特征包括emd能量熵。
2本文档来自技高网...
【技术保护点】
1.一种基于深度高斯过程的刀具磨损预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于深度高斯过程的刀具磨损预测方法，其特征在于，所述步骤1包括以下子步骤：
3.如权利要求2所述的基于深度高斯过程的刀具磨损预测方法，其特征在于，所述步骤1还包括以下子步骤：
4.如权利要求1所述的基于深度高斯过程的刀具磨损预测方法，其特征在于，所述步骤2中的所述时域特征包括均方根、方差和最大最小值；所述频域特征包括谱偏态系数、谱峰态系数和谱功率；所述时频域特征包括EMD能量熵。
5.如权利要求1所述的基于深度高斯过程的刀具磨损预测方法，其特征在于，所述步骤3中的所述输入层维度为所述训练数据集的样本个数*70；所述隐藏层结构为具有两个隐藏层的深度高斯过程；所述协方差函数为ARD 协方差函数。
6.如权利要求1所述的基于深度高斯过程的刀具磨损预测方法，其特征在于，所述步骤4中的所述高斯分布族是一个假设后验分布形式的分布族，具有均值和协方差矩阵。
7.一种基于深度高斯过程的刀具磨损预测系统，其特征在于，所述系统包
8.如权利要求7所述的基于深度高斯过程的刀具磨损预测系统，其特征在于，所述数据采集模块中的所述力信号包括X、Y、Z三个方向的所述力信号；所述振动信号包括X、Y、Z三个方向的所述振动信号；每次走刀后，使用显微镜测量刀具每个刀刃的后刀面磨损，获得所述刀具磨损程度的标签数据，并与所述力信号、所述振动信号、所述声发射信号合并成所述数据集。
9.如权利要求7所述的基于深度高斯过程的刀具磨损预测系统，其特征在于，所述特征提取模块中所述时域特征包括均方根、方差和最大最小值；所述频域特征包括谱偏态系数、谱峰态系数和谱功率；所述时频域特征包括EMD能量熵。
10.如权利要求7所述的基于深度高斯过程的刀具磨损预测系统，其特征在于，所述DGP刀具磨损预测模型中的所述输入层维度为所述训练数据集的样本个数*70；所述隐藏层结构为具有两个隐藏层的深度高斯过程；所述协方差函数为ARD 协方差函数。
...【技术特征摘要】
1.一种基于深度高斯过程的刀具磨损预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于深度高斯过程的刀具磨损预测方法，其特征在于，所述步骤1包括以下子步骤：
3.如权利要求2所述的基于深度高斯过程的刀具磨损预测方法，其特征在于，所述步骤1还包括以下子步骤：
4.如权利要求1所述的基于深度高斯过程的刀具磨损预测方法，其特征在于，所述步骤2中的所述时域特征包括均方根、方差和最大最小值；所述频域特征包括谱偏态系数、谱峰态系数和谱功率；所述时频域特征包括emd能量熵。
5.如权利要求1所述的基于深度高斯过程的刀具磨损预测方法，其特征在于，所述步骤3中的所述输入层维度为所述训练数据集的样本个数*70；所述隐藏层结构为具有两个隐藏层的深度高斯过程；所述协方差函数为ard 协方差函数。
6.如权利要求1所述的基于深度高斯过程的刀具磨损预测方法，其特征在于，所述步骤4中的所述高斯分布族是一个假设后验分布形式的分布族，具有均值和协方差...
【专利技术属性】
技术研发人员：王惠靖，杨根科，褚健，夏潇凡，胡舒童，
申请(专利权)人：上海交通大学宁波人工智能研究院，
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。