一种基于多传感器特征融合的刀具磨损预测方法

本发明属于刀具磨损预测技术相关领域，具体涉及一种基于多传感器特征融合的刀具磨损预测方法。

背景技术：

1、随着信息通信技术和先进制造技术的深度融合，智能制造逐渐成为制造业未来发展的重要趋势。特别是在金属切削领域，刀具的磨损状态对产品质量和加工效率有着显著影响。研究表明，刀具状态不佳可能导致机床的停机时间增加，从而影响整个生产过程的效率和安全。因此，实时监测刀具磨损状态，保证刀具的性能，已成为提升生产效率和保障产品质量的关键。

2、目前，刀具磨损监测主要采用物理模型、统计模型和数据驱动模型等方法。这些方法各有优劣，但普遍面临实时性和适应性的挑战。随着大数据和人工智能技术的发展，数据驱动方法因其高效性和灵活性而受到越来越多的关注。

3、现有的刀具磨损监测技术往往依赖于单一类型的数据，如切削力、振动或声发射信号，这导致了信息的片面性和监测精度的限制。因此，存在一个技术问题，即如何有效地融合多种类型的监测数据，提高刀具磨损监测的准确性和适应性。

4、本发明提出一种结合多种传感器数据的深度学习模型，该模型通过整合切削力、振动和声发射等信号，利用数据融合技术，不仅充分利用了各种信号的优势，还考虑到了它们的相关性。特别是，模型采用深度学习算法，凭借算法出色的非线性拟合和特征提取能力，显著提高了对刀具磨损状态的预测准确度，这一进步为智能制造领域提供了更高效、可靠的技术支持。

技术实现思路

1、本发明旨在解决现有技术中仅依赖单一传感器进行刀具磨损预测时所面临的精度不足问题，提供了一种基于多传感器特征融合的刀具磨损预测方法。

2、本发明该方法通过结合来自切削力、振动、声发射各种不同传感器的数据，并将各类型的数据送入不同的特征通道进行特征提取，能充分利用各个不同类型的信号特征，有效地提高了刀具磨损量的预测精度。因而本发明技术方案为：一种基于多传感器特征融合的刀具磨损预测方法，该方法包括：

3、步骤1，建立数据集；

4、在每次数控机床工作时采集工作区域的声音信号a，采集刀具夹具上的x、y、z三个方向上的切削力信号b，x、y、z三个方向上的振动信号c；工作完成后利用电子显微镜对刀具的磨损状况进行精确观测，并计算出刀具的整体磨损程度；

5、建立采集到的工作区域的声音信号，具夹具上的x、y、z三个方向上的切削力信号，x、y、z三个方向上的振动信号与对应刀具整体磨损程度的数据库；

6、步骤2：数据预处理，包括噪声降低、无效数据移除和数据标准化；

7、步骤3，划分数据集为训练集和测试集；

8、步骤4，搭建磨损量识别模型；

9、该磨损量识别模型包括：3个特征提取网络和1个深层全连接模块；3个特征提取网络的输入分别对应为声音信号a、切削力信号b、振动信号c，3个特征提取网络的输出共同输入给深层全连接模块；每个特征提取网络都依次由：浅层卷积网络模块、双向长短时记忆网络模块、全局平均池化模块依次串联；

10、所述浅层卷积网络模块依次由：由三维卷积操作、激活函数、池化操作串联组成；浅层卷积网络模块与双向长短时记忆网络模块之间设置一dropout层；

11、全局平均池化模块后设置一dropout层；

12、所述深层全连接模块依次由：concatenate层、第一全连接层、第一dropout层、第二全连接层、第二dropout层、单神经元的全连接层串联而成；所述concatenate层为数据融合层。

13、步骤5，设置磨损量识别模型训练所需参数；

14、在磨损量识别模型的编译阶段，采用adam优化器进行参数优化，采用如下公式为磨损量识别模型的损失函数：

15、

16、其中，n表示样本的总数，yi表示第i个样本的真实值，表示第i个样本的预测值；

17、步骤6，采用新的采集数据和训练好的磨损量识别模型对刀具进行磨损量识别。

18、进一步的，步骤2的具体方法为：

19、首先是噪声降低，采用高斯平滑算法来减少随机波动并增强真实信号模式，公式为：

20、

21、其中，zi是平滑后的数据点，xi+j是原始数据点，σ是标准差，k是平滑窗口的范围，i是当前数据点的索引，j表示相对于i的偏移量，范围是[-k，k]；

22、其次，移除无效数据，包括排除数据序列开始和结束的首尾各0.2秒的数据；

23、最后是数据标准化，通过以下公式实现：

24、

25、其中，zi是输入数据点，μ是均值，σ是标准差。

26、进一步的，所述步骤3的具体方法为：将整个处理好的数据集80％划分为训练集，20％划分为测试集。

27、进一步的，所述浅层卷积网络模块中，卷积操作利用64个3x3大小的卷积核从传感器数据中提取特征，步长为1。

28、进一步的，所述双向长短时记忆网络模块中长期记忆ct和短期记忆ht为：

29、

30、其中，和分别表示元素间的乘法和加法；遗忘门ft，输入门it，和输出门ot定义如下：

31、

32、其中，ht-1表示来自之前时间序列的信息；xt表示当前时间的输入；带下标的w，u，b表示要学习的网络参数；σ表示激活函数。

33、本发明的有益内容为：模型采用了多传感器数据融合的卷积双向长短时记忆网络模型，其设计旨在精确捕捉和融合不同传感器源的数据特征。该模型通过浅层卷积网络模块实现有效的特征提取，利用双向长短时记忆网络模块捕获时间序列信息，以及通过全局平均池化和深层全连接模块进行高级特征整合和输出。该模型结构的优势在于其出色的数据融合能力和时间依赖性捕获，为预测任务提供了更高的准确性和效率。

技术特征：

1.一种基于多传感器特征融合的刀具磨损预测方法，该方法包括：

2.如权利要求1所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于，所述步骤2的具体方法为：

3.如权利要求1所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于，所述步骤3的具体方法为：将整个处理好的数据集80％划分为训练集，20％划分为测试集。

4.如权利要求1所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于，所述浅层卷积网络模块中，卷积操作利用64个3x3大小的卷积核从传感器数据中提取特征，步长为1。

5.如权利要求1所述的一种基于多传感器特征融合的刀具磨损预测方法，其特征在于，所述双向长短时记忆网络模块中长期记忆ct和短期记忆ht为：

技术总结本发明提出了一种基于多传感器特征融合的刀具磨损预测方法；该方法包括传感器安装与数据采集、实时数据采集、刀具磨损观测与记录、数据集构建、数据预处理、数据集划分、模型搭建、网络训练参数设置以及刀具磨损预测。即使用多种传感器实时监测关键参数，并利用电子显微镜观测记录刀具磨损情况；建立包含传感器信号与磨损量关系的数据集，进行数据预处理；搭建的多通道卷积双向长短时记忆网络模型融合多传感器数据，提高预测准确性。该模型能充分利用各传感器收集信号的特点，分别捕捉特征并融合不同传感器数据特征，通过时间序列信息捕获及特征整合，为刀具磨损预测提供高准确性和效率。技术研发人员：李波,雷洹乙,刘恒畅,夏科尧受保护的技术使用者：电子科技大学技术研发日：技术公布日：2024/9/29