一种刀具磨损及寿命预测方法及装置

技术领域

本发明涉及计算机技术领域和刀具技术领域，尤其涉及一种刀具磨损及寿命预测方法及装置。

背景技术

在现今的制造业中，人工智能和大数据处理分析挖掘等技术的迅速发展，机械设备的健康状态监测也逐渐从加工设备的事后故障诊断慢慢发展到对于加工设备的故障提前预警维护和寿命预测管理。

目前，数控机床的刀具实时工作状态也需要实现智能化的预警维护和寿命预测管理，主要在于刀具生产中的工作状态对工件的质量起着决定性作用。一旦刀具受损，可能会损害工件，甚至造成机床事故，从而影响产品生产效率。因此，对刀具实时工作状态的监测能够提高产品生产的稳定性和保障产品的生产效率。

传统的监测方法包括直接监测(光学图谱法、接触法、放电性技术)和间接监测(切削温度测量法、声发射检测法、振动监测法、切削力监测法)。直接监测虽然操作性强，能够得到直观数据，但受环境干扰，导致数据有误差，精度不够。间接监测虽然可以采集相对准确数据，但是实时的监测是不够的，还要智能预测未来一段工作时间段内刀具的磨损程度和寿命情况。

因此，有必要利用人工智能和大数据处理分析挖掘等技术，能够通过刀具工作生产中产生的实时信号对刀具实时的磨损状态和寿命进行较为精确的预测，可以实时地对刀具进行换刀和故障排除，在更大程度上减少生产损失，实现生产自动化和智能化。

发明内容

本发明实施例所要解决的技术问题在于，提供一种刀具磨损及寿命预测方法及装置，能够对刀具实时的磨损状态和寿命进行较为精确的预测，在一定程度上降低因刀具损坏而导致的生产效益下降问题。

为了解决上述技术问题，本发明实施例提供了一种刀具磨损及寿命预测方法，所述方法包括以下步骤：

获取刀具实时状态的各类信号，并对各类信号均进行预处理，且进一步对预处理后的各类信号均进行特征提取，得到刀具各类信号的特征样本；

根据所得到的刀具各类信号的特征样本，使用预先训练好的刀具磨损预测模型进行预测，得到刀具磨损预测结果；其中，所述刀具磨损预测模型是由随机森林预测模型和卷积神经网络预测模型采用stacking融合策略融合而成的；

将所得到的刀具各类信号的特征样本与所得到的刀具磨损预测结果结合，使用预先训练好的刀具寿命预测模型进行预测，得到刀具寿命预测结果。

其中，各类信号预处理的步骤均包括无效值的去除、异常值的处理和降噪操作。

其中，各类信号的特征样本均由时域特征、频域特征及二者通过嵌入法特征提取的特征混合组成。

其中，各类信号包括刀具切削速度信号、刀具背吃刀量信号、刀具切削宽度信号、刀具直径信号、刀具每齿进给量信号和刀具齿数信号。

本发明实施例还提供了一种刀具磨损及寿命预测装置，包括：

样本获取单元，用于获取刀具实时状态的各类信号，并对各类信号均进行预处理，且进一步对预处理后的各类信号均进行特征提取，得到刀具各类信号的特征样本；

刀具磨损预测单元，用于根据所得到的刀具各类信号的特征样本，使用预先训练好的刀具磨损预测模型进行预测，得到刀具磨损预测结果；其中，所述刀具磨损预测模型是由随机森林预测模型和卷积神经网络预测模型采用stacking融合策略融合而成的；

刀具寿命预测单元，用于将所得到的刀具各类信号的特征样本与所得到的刀具磨损预测结果结合，使用预先训练好的刀具寿命预测模型进行预测，得到刀具寿命预测结果。

其中，各类信号的特征样本均由时域特征、频域特征及二者通过嵌入法特征提取的特征混合组成。

其中，各类信号包括刀具切削速度信号、刀具背吃刀量信号、刀具切削宽度信号、刀具直径信号、刀具每齿进给量信号和刀具齿数信号。

实施本发明实施例，具有如下有益效果：

本发明基于刀具实时状态的各类信号，能够对刀具实时的磨损状态和寿命进行较为精确的预测，在一定程度上降低因刀具损坏而导致的生产效益下降问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例提供的一种刀具磨损及寿命预测方法的流程图；

图2为本发明实施例中提供的一种刀具磨损及寿命预测方法的应用场景中刀具寿命预测模型采用的BP神经网络结构图；

图3为本发明实施例提供的一种刀具磨损及寿命预测装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，为本发明实施例中，提供的一种刀具磨损及寿命预测方法，所述方法包括以下步骤：

步骤S1、获取刀具实时状态的各类信号，并对各类信号均进行预处理，且进一步对预处理后的各类信号均进行特征提取，得到刀具各类信号的特征样本；

步骤S2、根据所得到的刀具各类信号的特征样本，使用预先训练好的刀具磨损预测模型进行预测，得到刀具磨损预测结果；其中，所述刀具磨损预测模型是由随机森林预测模型和卷积神经网络预测模型采用stacking融合策略融合而成的；

步骤S3、将所得到的刀具各类信号的特征样本与所得到的刀具磨损预测结果结合，使用预先训练好的刀具寿命预测模型进行预测，得到刀具寿命预测结果。

具体过程为，在步骤S1中，首先，接收刀具夹具中各传感器实时采集刀具的各类信号，包括但不限于刀具切削速度信号、刀具背吃刀量信号、刀具切削宽度信号、刀具直径信号、刀具每齿进给量信号和刀具齿数信号等。接着，对各类信号均进行预处理，包括无效值的去除、异常值的处理和降噪操作等。然后，在小波降噪的基础上进行特征提取，包括时域特征、频域特征及时频域特征的提取，使得各类信号的特征样本均由时域特征、频域特征及二者通过嵌入法特征提取的特征混合组成。

应当说明的是，时域特征：通过有量纲特征参数和无量纲参数排除信号幅值的影响，反映出刀具磨损信息。频域特征：时域信号通过傅里叶变换后提取的频域信息中的关键参数，反映出刀具磨损状况的关键信息。时频域特征：通过嵌入法进行特征提取。嵌入法通过模型训练结果得到各个特征的重要性权重，根据权重大小排序选择最优特征。

在步骤S2中，首先，构建刀具磨损预测模型，该刀具磨损预测模型是由随机森林预测模型和卷积神经网络预测模型采用stacking融合策略融合而成的，不是简单的对这些弱学习器进行逻辑处理，而是按照一定的方法进行集成之后，再加上一层学习器。通过采用k折交叉验证法进行训练随机森林预测模型和卷积神经网络预测模型，其间通过主成分分析方法对基分类器的输出进行降维，从而获得刀具磨损状态的预测结果输出。

应当说明的是，随机森林基模型算法大致步骤如下：首先将信号预处理和特征提取模块输出的训练集进行bootstrap抽样，该抽样是随机有放回的抽样。然后我们用该抽样方法抽取出的训练集来训练每棵决策树。接着在信号预处理和特征提取模块提取的特征集中选取n个最优特征。然后将以上步骤重复k次就得到了k棵决策树组成的随机森林。本发明中采用CART算法处理回归问题，最后把k棵决策树的平均值作为最终结果进行输出。本发明中输出的为刀具磨损预测值。在训练时根据具体刀具实际的特征情况，对决策树的数量k和决策树的深度d以及在信号预处理和特征提取模块提取的特征集中的选择特征个数n进行合理选择和设置。

应当说明的是，卷积神经网络是一个深度学习模型，它的本质是一个多层感知机，它采用局部连接和权值共享的方式，一方面减少了权值的数量使得网络相较于全连接网络更易于训练优化，另一方面降低了模型的复杂度，降低了网络过拟合的风险。本发明中采用卷积神经网络基模型的算法大致步骤如下：首先卷积层通过对信号预处理和特征提取模块输出的训练集样本进行再次的特征提取，通过卷积运算将刀具信号的关键特征进行增强和提取，减少噪声。不过这些操作在信号预处理和特征提取模块中已经大幅度进行了优化，所以这在一定程度上，为卷积层的多次卷积过程提高了算法的性能。其中，

池化层对矩阵中的特征进行降采样，同时将刀具信息特征进行压缩，尽可能保留有用特征，这一步骤也在信号预处理和特征提取模块中已经做了相关预处理和特征提取，这在一定程度上加快模型运算速度，对控制过拟合和增强卷积神经网络的鲁棒性有一定的促进作用。

全连接层的神经元与激活的神经元完全连接，根据全连接层的性质，在刀具磨损预测模型中对刀具磨损特征进行加权操作。Dropout层对隐藏层的部分单元进行删除，减少过拟合程度，最后归一化层解决模型训练中的收敛问题。在多次卷积后，全连接层对刀具磨损预测结果进行输出。

接着，采用离线样本对刀具磨损预测模型进行训练，得到训练好的刀具磨损预测模型。其中，该离线样本是由刀具各类信号的历史数据经预处理及特征提取形成的特征样本，其预处理及特征提取与步骤S1相同，在此不再赘述。一方面，离线样本形成训练集和测试集，作为刀具磨损预测离线训练模块的输入，对刀具磨损预测模型进行训练，从而输出刀具磨损的预测结果；另一方面，离线样本与刀具磨损离线训练模块输出的刀具磨损预测结果一起作为刀具寿命预测离线训练模块的输入，对刀具寿命预测模型进行训练，从而生成刀具寿命预测结果。

最后，将步骤S1中得到的刀具各类信号的特征样本，即实时在线样本，使用上述训练好的刀具磨损预测模型进行预测，得到刀具磨损预测结果。

在步骤S3中，刀具寿命，即刀具从投入使用到报废为止的时间，是由刀具使用中各种影响因子共同决定的。一般认为刀具的寿命计算公式为

其中，C

因此，从刀具的寿命计算公式可以看出，影响刀具寿命的主要参数有切削速度、背吃刀量、切削宽度、每齿进给量、刀具齿数及刀具直径，且与刀具寿命表现出相应的函数关系。

传统的刀具寿命预测算法很难准确的反映刀具寿命影响因子与其寿命之间的非线性关系，但是考虑到BP神经网络算法具有处理非线性系统问题的优势，因此，本发明选择利用BP神经网络算法构建刀具寿命预测模型。

由于BP神经网络是一种包括输入层、隐含层和输出层的三层前馈神经网络，能以任意的精度逼近任意的连续函数，其良好的误差反馈学习能力为刀具寿命预测提供了理论基础。由刀具的寿命计算公式可知，刀具寿命影响因素众多，且刀具的加工条件是不断变化的。

在一个实施例中，如图2所示，在建立刀具寿命预测模型时，根据实际工作生产中要监测和寿命预测的具体刀具使用情况，选取切削速度、背吃刀量、切削宽度、刀具直径、每齿进给量和刀具齿数这6个影响指标作为本发明刀具寿命预测模型的输入层神经元。选取刀具寿命为刀具寿命预测模型的输出层神经元。对于网络隐含层节点数的确定，取决于经验公式

其次，根据国际标准ISO3685-1977的规定，将切削深度一半处后刀面测定的后刀面磨损量作为刀具磨钝标准刀具磨损的标准。根据实际工作生产中涉及到的具体道具类型选取相对应的磨损标准，然后计算历史数据集中每个样本对应的剩余寿命值，接着使用由特征值和剩余寿命值组成的新的刀具寿命训练集和测试集，接着用刀具寿命训练集和测试集对刀具寿命预测模型进行训练，从而输出刀具寿命预测结果。通过在刀具磨损状态离线训练模块中对寿命预测模型的大量训练，经过性能评估以后，使得该模型能够对新的刀具信息数据能够预测出相应的寿命结果。

最后，将步骤S1中得到的刀具各类信号的特征样本和步骤S2中得到的刀具磨损预测结果结合，使用上述训练好的刀具寿命预测模型进行预测，得到刀具寿命预测结果。

可以理解的是，可以将上述步骤S2中得到的刀具磨损预测结果与相应的阈值进行对比，进行报警；或将上述步骤S2中得到的刀具寿命预测结果与相应的阈值进行对比，进行报警。

如图3所示，为本发明实施例中，提供的一种刀具磨损及寿命预测装置，包括：

样本获取单元110，用于获取刀具实时状态的各类信号，并对各类信号均进行预处理，且进一步对预处理后的各类信号均进行特征提取，得到刀具各类信号的特征样本；

刀具磨损预测单元120，用于根据所得到的刀具各类信号的特征样本，使用预先训练好的刀具磨损预测模型进行预测，得到刀具磨损预测结果；其中，所述刀具磨损预测模型是由随机森林预测模型和卷积神经网络预测模型采用stacking融合策略融合而成的；

刀具寿命预测单元130，用于将所得到的刀具各类信号的特征样本与所得到的刀具磨损预测结果结合，使用预先训练好的刀具寿命预测模型进行预测，得到刀具寿命预测结果。

其中，各类信号的特征样本均由时域特征、频域特征及二者通过嵌入法特征提取的特征混合组成。

其中，各类信号包括刀具切削速度信号、刀具背吃刀量信号、刀具切削宽度信号、刀具直径信号、刀具每齿进给量信号和刀具齿数信号。

实施本发明实施例，具有如下有益效果：

本发明基于刀具实时状态的各类信号，能够对刀具实时的磨损状态和寿命进行较为精确的预测，在一定程度上降低因刀具损坏而导致的生产效益下降问题。

值得注意的是，上述装置实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。