一种基于LSTM神经网络及PID优化的数控机床多轴联动的刀具稳定装置的智能控制系统的制作方法

本发明涉及一种基于lstm神经网络及pid优化的数控机床多轴联动的刀具稳定装置的智能控制系统。属于数控加工制造领域。

背景技术：

1、在推动人类文明进步的同时，也解放了大量的体力劳动，为人类带来了不可估量的经济效益。据有关文献统计，从1870年至2010年期间，全世界制造过程的效率提高了近百倍"，而制造效率的提升，无疑是得益于计算机科学技术、现代通信与测量技术等高技术领域的快速发展，尤其是近年来通过集成制造技术、人工智能等发展起来的一种新型制造工程技术——智能制造技术(intelligent manufacturing technology，简称imt)与智能制造系统(intelligentmanufacturing system，简称ims)，被誉为能“带来真正的第二次工业革命”。ims和imt研究的主要内容如图1所示。

2、近年来，随着航空航天、医疗器械、交通工具、模具加工等高精端制造业的急速发展，导致大量制造工艺非常复杂的异型零部件、薄壁型零件、整体结构件等的出现，同时对加工表面质量提出了比原来更加苛刻的要求。为了满足这些特殊的需求，为了保证整个自动化加工过程可靠、持续而又稳定的运行，人工智能系统成为目前整个数控制造领域急需引入的一项关键技术，例如开发专家系统、创建人工智能知识库等。这些类型的人工智能系统通常是一些大型数据管理系统，涉及许多跨学科、跨领域的技术，特别是其数据库的搭建，往往还需要进行大量的试验来不断丰富其数据库内容，保证系统能给出更优更合理的加工参数选择。

3、1.数控机床：数控机床是一种利用计算机程序来控制刀具在工件上进行加工的机床。相比于传统的手动或半自动机床，数控机床具有高精度、高效率和灵活性强等优点。然而，在复杂的切削过程中，如高速切削或难加工材料的切削，对机床的多轴联动的刀具稳定装置控制要求更高。

4、2.多轴联动的刀具稳定装置控制系统：多轴联动的刀具稳定装置控制系统是数控机床中的重要组成部分，负责控制刀具在加工过程中的运动轨迹、速度和力量等参数。为了实现高精度的加工，需要对多轴联动的刀具稳定装置的控制进行优化，并考虑切削振动、热变形等因素对加工质量的影响。

5、3.lstm神经网络：lstm(long short-term memory)神经网络是一种递归神经网络，适用于处理时间序列数据。它具有记忆单元，可以有效地捕捉序列中的长期依赖关系。在多轴联动的刀具稳定装置控制中，lstm可以用于学习和预测切削过程中的动态变化，从而实现更准确的控制。

6、4.pid优化：pid(proportional-integral-derivative)控制器是一种常用的反馈控制方法，通过根据误差信号来调整输出信号，以使系统的响应达到期望值。在多轴联动的刀具稳定装置控制系统中，pid优化可以用于自动调节多轴联动的刀具稳定装置的位置、速度和力量等参数，以提高加工质量和效率。

7、基于lstm神经网络和pid优化的数控机床多轴联动的刀具稳定装置智能控制系统的研究旨在通过利用深度学习和优化算法，提高机床多轴联动的刀具稳定装置的精度和稳定性，降低切削振动和热变形对加工质量的影响。这种智能控制系统可以实时监测和调整切削过程中的关键参数，从而实现更高水平的自动化加工。

8、鉴于大型数据管理系统的实现需要大量的人力物力，并且非一朝一夕所能实现，因此本文选择以嵌入式微控制系统为核心的智能化系统作为研究对象，考虑到多轴联动的刀具稳定装置系统作为高速切削加工的一项关键技术，最终选择实现多轴联动的刀具稳定装置智能控制系统的关键技术作为研究对象，并进行相关的基础性研究。

技术实现思路

1、本发明的目的是克服现有技术中的不足,提供一种基于lstm神经网络及pid优化的数控机床多轴联动的刀具稳定装置的智能控制系统。这种基于lstm神经网络及pid优化的数控机床多轴联动的刀具稳定装置的智能控制系统的构建及工作方法,包括以下:

2、基于lstm神经网络及pid优化的数控机床多轴联动的刀具稳定装置的智能控制系统的技术实现要素：如下：

3、1.数据采集与预处理：系统通过传感器实时采集数控机床多轴联动的刀具稳定装置的运行数据，包括多轴联动的刀具稳定装置的振动、温度、切削力等信息。采集的数据经过预处理，包括去噪、滤波和特征提取等步骤。

4、2.lstm神经网络模型：建立基于lstm(长短期记忆)神经网络的预测模型，该模型可以学习和预测多轴联动的刀具稳定装置振动、温度和切削力等参数的变化趋势。通过训练模型，系统可以根据实时数据预测多轴联动的刀具稳定装置的运行状态和寿命。

5、这种基于lstm神经网络及pid优化的智能控制系统可以实现对数控机床多轴联动的刀具稳定装置的智能化监测和控制，提高多轴联动的刀具稳定装置的使用寿命和切削效率，减少刀具的损耗和设备的维护成本。同时，它也可以提供实时的运行状态和优化建议，帮助用户做出更好的决策和调整。lstm的单元更新主要由3个门控制,其中控制神经单元决定其需要遗忘哪些信息,遗忘门为

6、ft＝σ(wt·[ht-1,xt]+bf)

7、负责更新细胞状态的输入门为

8、it＝σ(wi·[ht-1,xt]+bi)

9、

10、决定当前时刻细胞输出的输出门为

11、ot＝σ(wxo·xt+wxo·ht-1+bo)

12、ht＝ot·tanh(ct)

13、lstm的细胞状态为

14、

15、上式中,xt为t时刻lstm单元的输入；ht-1,为t-1时刻lstm单元的输入；wf为遗忘门gf,的权重矩阵；wi为输入门gi的权重矩阵；wo为输出门go的权重矩阵；bf为遗忘门gf,的偏置项；bi为输入门gi的偏置项；bo为输出门go的偏置项；ft为遗忘门gf在t时刻的状态,it为输入门gi在t时刻的状态,ot为输出门go在t时刻的状态；σ为sigmoid激活函数,tanh为双曲函数的激活函数,ct为t时刻的lstm单元状态,为t时刻输入的临时状态,wc、bc分别为计算的权重矩阵及偏置项,ht为t时刻lstm单元的输出；

16、长短期记忆神经网络在隐含层内部的计算当中增加了细胞状态(cell state)和门机制(gate)的概念。其中，细胞状态是长短期记忆神经网络的核心结构，循环神经网络结构当中的每一个隐含单元，在长短期记忆神经网络结构当中则变成了一个个具有记忆功能的细胞，会在时间轴上进行传递。而后使用门机制来有选择地控制细胞信息的记忆。正是因为细胞状态的存在，其中存储的历史信息不会轻易改变，具有很好的记忆力，使得lstm适合长依赖问题。lstm中有三个门，分别是“遗忘门”、“记忆门”和“输出门”，其中“遗忘门”用来选择性遗忘某些历史信息；“记忆门”用来加强对某些历史信息的记忆；“输出门”负责对长短期记忆信息进行综合考虑，生成输出信号。神经网络的长期依赖问题,避免像循环神经网络rnn在处理长序列数据上会产生梯度消失的情况。lstm主要由遗忘门f,输入门it。记忆单元c以及输出门ot组成，单元结构如图3所示。

17、bp神经网络是当今世界上使用最多、最有效的一种神经网络。该网络最为关键的问题是代价函数c与网络中任意加权w(或者偏差b)之间的偏导数通过对该公式的考察，我们可以得出随着加权与偏离之间的浮动，损失函数会出现急剧的增加或减少。后向传播是一种快速学习的算法，尽管其公式有些繁琐，但有也有一个优点，那就是对每一要素都进行了简单的说明。这确实给了一个很好的学习机会，让我们加强了对加权与偏离如何影响整个网络行为的认知。

18、该网络的结构较为简单，在实际场景中的bp神经网络只会使用少量的隐藏层，为了防止性能方面的损失，这里我们只讨论含有一个隐藏层的神经网络，如图6所示:

19、该网络包含三层结构，即输入层、隐含层以及输出层。其中；输入层向量如式所示:x＝(x1,x2,···,xi,···,xn)t

20、图中x0＝-1是被设定用于将阈值导入隐含层的神经元；隐含层输出向量如式所示：y＝(y1,y2,···,yj,···,ym)t

21、图中y0＝-1是被设定用于将阈值导入输出层的神经元；输出层输出向量如式所示：o＝(o1,o2,···,ok,···,ol)t

22、期望输出向量如式所示：d＝(d1,d2,···,dk,···,dl)t

23、输入层到隐藏层之间的权重矩阵，如式所示：v＝(v1,v2,···,vj,···,vm)

24、其中列向量式vj，代表了隐含层第j个神经元所相应的权值矢量；隐含层到输出层之间的权值矩阵，如式所示：w＝(w1,w2,···,wj,···,wl)

25、其中列向量wk表示输出层第k个神经元对应的权向量。

26、由此可见，bp神经网络也应该看成一种非线性函数o＝f(x)，其矢量x就是函数的自变数，而向量o是函数的因变数。当输入层种存在n个节点，而输出层也存在l个节点时，就表明该网络中存在着一种从不同自变数到每个因变数的函数或映射关联。但是，bp神经网络在实际使用时也会出现某些缺点，如下所示：

27、1)容易陷入局部最小值；

28、2)收敛速度较慢；

29、3)结构选择缺乏理论指导；

30、4)网络泛化能力差；

31、5)没有将样本选取问题纳入到系统影响中；

32、6)没有考虑传递函数对神经网络结构的影响

33、全连接层最后的输出节点为多个,最终输出为全连接层多个输出的均值,相对于现有机组预测模型,多轴联动的刀具稳定装置预测模型预测效果明显提升；将处理、排序完成的数据输入多轴联动的刀具稳定装置预测模型,根据公式，依次计算1.2收集到的相应数据类型的数据,得到lstm神经网络的输出数据；将lstm神经网络的输出数据再送入bp神经网络进行二次计算,bp神经网络的最后一层有多个节点，多个节点输出多个预测结果,以多个预测结果的均值作为多轴联动的刀具稳定装置预测模型的最终预测值；最后采用adam方法对多轴联动的刀具稳定装置预测模型进行迭代训练寻优,当多轴联动的刀具稳定装置预测模型的预测精度达到设定值(99％)以上时,停止迭代训练；

34、3.pid优化控制：利用pid(比例、积分、微分)控制算法对多轴联动的刀具稳定装置的运行状态进行实时调整和优化。pid控制器根据lstm模型的预测结果和实际反馈数据，自动调整多轴联动的刀具稳定装置的运行参数，如切削速度、进给速度和冷却液流量等，以达到最佳的切削效果和刀具寿命，提高串级pid系统在剧烈变动工况下的控制品质，主pid控制器仍进行粗调修正,保证串级pid系统的准确性,从而在仍保证了控制准确性的前提下,增强了串级pid系统对于剧烈变动工况的承受能力；

35、4.智能决策与优化：系统根据lstm模型的预测结果和pid控制器的调整，智能地决策是否需要进行刀具更换、切削参数调整或设备维护等操作。系统还可以根据历史数据和经验规则，优化多轴联动的刀具稳定装置的使用方案，提供最佳的切削策略和工艺参数。

36、5.用户界面与远程监控：系统提供用户友好的界面，显示实时的多轴联动的刀具稳定装置运行状态、预测结果和优化建议。同时，系统支持远程监控和控制，用户可以通过互联网远程访问系统，监控和管理数控机床多轴联动的刀具稳定装置的运行情况。

37、作为优选的,1、收集的数据包括:磨损量、切削深度、进给速度、尺寸，多轴联动的刀具稳定装置材质，硬度。等二百多个对多轴联动的刀具稳定装置有影响的参数。

38、作为优选的,2、中多轴联动的刀具稳定装置预测值为运动检测值。

39、作为优选的,2、中设定时延为10秒。

40、作为优选的,1、中的预测精度设定值为99％。

41、本发明的有益效果是:

42、为减少多轴联动的刀具稳定装置更换和损坏调整对于专家经验的依赖,同时改善多轴联动的刀具稳定装置运动调节系统的调节效果,本发明在现有的多轴联动的刀具稳定装置自动调节的基础上,建立多轴联动的刀具稳定装置的预测模型,改良多轴联动的刀具稳定装置pid系统结构,通过深度学习神经网络对多轴联动的刀具稳定装置的预测,利用多轴联动的刀具稳定装置的预测数值,改良机床正常运行的pid控制逻辑,显著改善其调节品质；

43、本发明也可用于其他工业系统的pid控制系统改善,如数控机床刀具控制系统、化工厂液位控制系统等。