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

技术领域

本发明涉及刀具磨损评估和预测技术领域，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。

背景技术

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。

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。

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。

发明内容

本发明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。

为实现本发明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：

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。

2.1)对所采集的信号数据的切入切出部分进行截断。

2.2)利用hampel滤波法剔除截断后的信号数据的异常值。

2.3)对剔除异常值的信号数据进行降采样处理。

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。

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。

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。

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。

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。

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。

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。

进一步，步骤2)具体包括以下子步骤：

2.1)对所采集的信号数据的切入切出部分进行截断。

2.2)利用hampel滤波法剔除截断后的信号数据的异常值。

2.3)对剔除异常值的信号数据进行降采样处理。

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。

进一步，步骤2.3)中，采样比例为1比10。

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。

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：

式中，ρ为斯皮尔曼相关系数，d

式中，O为最大互信息相关系数，p为联合概率密度，x

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。

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。

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。

本发明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。

本发明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。

本发明的技术效果是毋庸置疑的：

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。

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。

附图说明

图1为刀具磨损预测方法流程图；

图2为剔除切入信号数据的前后对比；

图3为剔除切出信号数据的前后对比；

图4为剔除中间无效数据(部分)的前后对比；

图5为信号(部分)分解降噪的前后对比图；

图6为部分特征的斯皮尔曼和最大互信息相关系数图；

图7为ISABO-IBiLSTM模型在数据集上的预测结果图；

图8为高速铣削过程中的刀具状态监测示意图。

图中：刀具1、工作台2、工件3、三轴加速度传感器4、三向测力仪采集5。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

针对现有的刀具磨损预测方法因为缺少优化算法及网络结构不完善而引起预测精度不高的问题，本实施例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，包括以下步骤：

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。工件布置在空间直角坐标系O-XYZ中。所述空间直角坐标系O-XYZ的原点位于工件底面中心位置。所述空间直角坐标系O-XYZ的X轴平行于刀具径向，Y轴平行于刀具进给方向。力传感器与振动传感器可以分别采集X、Y、Z三个方向上的力信号与加速度振动信号。

2)对步骤1)采集的信号数据进行预处理。

2.1)对所采集的信号数据的切入切出部分进行截断。

截断法是以原始数据的上四分位值作为首位无效数据的界限点，即从原始数据的开头向后和末尾向前，剔除所有小于此界限值的数据。

2.2)利用hampel滤波法剔除截断后的信号数据的异常值。

hampel滤波法中采用了滑动窗口的机制和中值滤波的原理，即将信号中超过3倍标准差的数据点替换为相邻10000个点的平均值。

2.3)对剔除异常值的信号数据进行降采样处理，采样比例为1比10。

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。

采用ICEEMDAN算法(Improved Complementary Ensemble Empirical ModeDecomposition with Adaptive Noise，自适应噪声的内在计算表达式经验模态分解算法)分解信号可以解决残余噪声和伪模分量的问题，获取更好的IMF分量，使得降噪效果更佳。小波阈值降噪函数则是采用sym18函数，其中阈值函数为采用多项式方法改进后的函数。

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。

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。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：

式中，ρ为斯皮尔曼相关系数，d

式中，I为最大互信息相关系数，p为联合概率密度，x

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。

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(Improved Bidirectional Long Short-term Memory，改进的双向长短时记忆网络)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。采用三层BiLSTM层替换基础网络的单层BiLSTM层，以实现更深层次的时序特征提取。在三层BiLSTM层后添加修正线性单元ReLU层，防止梯度消失和过拟合的发生。此外，在ReLU层后添加Dropout层，用来屏蔽神经网络中的部分神经元，可以提高模型的鲁棒性。最后利用两层FullyConnected层既增加了模型的表征能力又能匹配物体检测网络的输出尺度。采用ISABO算法(Improved Subtraction-Average-Based Optimizer，改进的基于减法平均的优化算法)搜寻IBiLSTM模型的最优超参数。优化求解器采用adam求解器。采用改进后的SABO算法消除了原SABO算法收敛快且容易陷入局部最优的缺点，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。

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。

均方根误差、平均绝对百分比误差、平均绝对误差的数学公式如下：

式中，RMSE是均方根误差，MAPE平均绝对百分比误差，MAE是平均绝对误差，n是样本数量，

均方根误差、平均绝对百分比误差、平均绝对误差越小，预测精度就越高。

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。

8)将待检测刀具磨损状态动态识别结果进行实时展示。

实施例2：

本实施例主要内容同实施例1，其中，参见表1和图8，步骤1)中振动信号测点分布在工件上。振动信号采用Kistler三轴加速度传感器采集。将Kistler三轴加速度传感器固定在工件表面。切削力信号采用Kistler三向测力仪采集。Kistler三向测力仪安装在工件和加工台之间。

表1

实施例3：

本实施例主要内容同实施例2，其中，在实际生产中，还设置有声发射传感器。Kistler声发射(AE)传感器安装在工件上，以监测切削过程中产生的高频应力波。

实施例4：

本实施例主要内容同实施例1，其中，参见图1，本实施例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，具体包括以下步骤：

1)高速铣削机床工件的夹具处安装力传感器和振动传感器，采集加工过程中X、Y、Z三个方向上的力信号与加速度振动信号，再通过磨损测量仪测量刀具真实磨损值。共获得大小为n×6的信号数据与n×1真实磨损值。

2)由于刀具在一次走刀的过程中存在切入与切出阶段，在该阶段内刀具未接触工件，不能反映刀具磨损过程。因此，本实施例采用截断法，也就是以原始信号数据的上四分位值作为首位无效数据的界限点，即从原始数据的开头向后和末尾向前，剔除所有小于此界限值的数据。图2与图3显示了X轴力信号剔除切入切出信号数据的前后对比。

3)信号数据的异常值是由切削过程中颤振等情况引起的，如果不去除信号数据的异常值，会导致预测模型的准确率下降。本实施例采用的hampel滤波法，利用了滑动窗口的机制和中值滤波的原理，将信号中超过3倍标准差的数据点替换为相邻10000个点的平均值。图4显示了X轴力信号剔除中间无效数据(部分)的前后对比图。

4)由于信号数据量巨大，直接对信号数据进行降噪，会耗费大量时间，因此对剔除异常值的信号数据进行降采样处理，采样比例为1比10。

5)为了更加清楚地分析和研究实际工程中信号的有用信息,对信号进行消噪处理是至关重要的，本实施例基于ICEEMDAN-改进的小波母函数对传感器信号进行小波阈值降噪处理,其中采用ICEEMDAN算法分解信号可以解决残余噪声和伪模分量的问题，获取更好的IMF分量，使得降噪效果更佳。小波阈值降噪函数则是采用sym18函数，其中阈值函数为采用多项式方法改进后的函数，数据集c1的第一次走刀的x轴力信号分解降噪后的前后对比如图5所示。

6)每次铣削的数据经过数据预处理之后也有上万条数据，与磨损值并非一一对应关系，不能直接作为特征使用，需要“归约”数据中的信息，提取出有效的特征。本实施例提取了绝对均值、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、裕度因子11个时域特征，重心频率、均方频率、均方根频率、频率方差4个频域特征以及进行三层小波分解后得到的能量特征共24个特征。由于提了X、Y、Z三个方向上的力信号与加速度振动信号的特征，所以总的特征数为144个。

7)并非每个提取出来的特征都有效，因此本实施例利用斯皮尔曼相关系数与最大互信息相关系数共同进行特征筛选。两者均大于0.95时，保留特征，否则舍弃特征，数据集部分特征的斯皮尔曼相关系数和最大互信息相关系数的值如图6所示。最终数据集得到25个特征作为模型的输入。

8)本实施例对经过上述预处理操作后的信号数据以及各自铣刀的真实磨损数据集进行归一化处理后，随机地将其80％作为训练数据集，20％作为验证数据集。

9)ISABO-IBiLSTM模型的初始参数设置如下：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

10)为了验证ISABO-IBiLSTM模型对刀具磨损状态预测的优越性。本文以均方根误差、平均绝对百分比误差、平均绝对误差作为模型精度的判定标准，均方根误差、平均绝对百分比误差、平均绝对误差越小，模型预测精度越高。其数学公式如下：

其中，ISABO-IBiLSTM模型的寻优超参数如表2所示。数据集预测结果的评价指标如表2所示。

表2

表2

ISABO-IBiLSTM模型的平均MAE降低了60.52％，预测精度也达到了98.83％。本实施例通过改进BiLSTM模型结构，增加了BiLSTM模型复杂性、鲁棒性、表征能力等。联立ISABO算法，可以避免因人为设置参数不佳而导致模型预测精度与稳定性下降的情况。此外，改进BiLSTM模型后，可以有效地防止模型欠拟合、梯度消失等情况的发生。此外，寻找模型最优超参数值可以进一步提高模型的预测精度与稳定性，本实施例提出的ISABO-IBiLSTM模型在刀具磨损预测上更具有效性与可行性。

实施例5：

本实施例提供一种计算机可读存储介质，存储有用于实现实施例1～3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。

实施例6：

本实施例提供一种实施实施例1～3中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。