一种基于模态注意力机制的数控加工刀具磨损量预测方法

本发明属于刀具磨损预测领域，具体涉及一种基于模态注意力机制的数控加工刀具磨损量预测方法。

背景技术：

1、铣刀铣削加工在大飞机结构件中有极其广泛的应用，铣刀刀具磨损状态是影响被加工工件的表面质量和尺寸精度的一个重要因素。很明显，过度使用磨损严重的刀具将导致刀具破损、零件报废和意外停机时间增加，造成资源浪费，特别在航空制造领域，由于刀具磨损状态判断的失误，其造成的损失尤为巨大。然而，从目前看来，铣刀磨损预测仍然主要依靠人工判断。随着人工生产成本的增加，这种刀具的检测方式显然不合适，而且由于刀具磨损状态并不是一个平滑的线性过程，它是一个相对复杂的非线性映射过程，这使得工人在后续的判断过程中容易产生误判，造成生产上的损失。为克服上述问题，近年来逐渐出现了一系列基于数据驱动和深度学习的刀具磨损预测方法。然而，现有研究仍存在诸多局限：一方面，大多数的预测方法仅针对单一或恒定工况进行建模，缺乏对复杂变工况条件下刀具磨损演化规律的刻画能力，模型泛化性能不足；另一方面，所采用的输入数据类型相对单一，多集中于振动信号或切削力信号，尚未充分融合主轴负载、视觉图像等多源异构信息，使得预测精度有限；此外，部分模型对长时间序列依赖关系的建模能力有限，难以准确反映刀具磨损的累积效应，导致在复杂工况下预测精度显著下降。因此，针对铣刀刀具磨损状态识别，亟需开发一种面向复杂工况的多源数据融合预测方法，通过融合机床多传感数据及刀具图像数据，实现对刀具磨损状态的精准、实时预测，这对于提升航空结构件加工质量、降低制造成本和保障生产安全具有重要的工程应用价值。

技术实现思路

1、本发明的目的是为了克服现有技术不足，提出一种基于模态注意力机制的数控加工刀具磨损量预测方法。

2、为实现上述目的，本发明采用以下技术方案：

3、本发明一种基于模态注意力机制的数控加工刀具磨损量预测方法，具体如下：

4、s1、采集实验铣削加工过程中的多源传感信号以及完成实验铣削加工后刀具磨损量与刀具的底部刀刃图像和侧面刀刃图像；所述多源传感信号包括主轴负载、主轴转速和主轴的三轴振动加速度。

5、s2、将采集到的各传感信号截取成q个同步时间戳下等长时序片段的多源传感信号，并组合成q个多通道传感信号向量。

6、s3、基于每个同步时间戳下的多通道传感信号向量建立一个物理特征向量。

7、s4、采用预训练的u-net神经网络对刀具的底部刀刃图像和侧面刀刃图像进行刀刃区域分割处理，再采用预训练的卷积神经网络resnet18模型对分割处理后的刀刃图像进行深度特征提取，得到视觉特征向量。

8、s5、重复步骤s1至步骤s4多次，且每次重复过程中使用相同的刀具对样件进行不同加工参数下的实验铣削加工过程，得到由多个实验集构成的数据集，所述实验集包括刀具磨损量、视觉特征向量和q个同步时间戳下的物理特征向量，将数据集划分成训练集和测试集。

9、s6、构建刀具磨损量预测网络模型，所述刀具磨损量预测网络模型由模态注意力融合模块、双层双向lstm时序建模模块、模态-时序联合注意力模块和全连接回归网络模块依次串联构成。

10、s7、使用训练集和测试集对刀具磨损量预测网络模型进行训练和测试，得到最终的刀具磨损量预测网络模型。

11、s8、进行实际铣削加工前采集刀具的底部刀刃图像和侧面刀刃图像，实际铣削加工过程中实时采集多源传感信号，使用实际铣削加工前采集的刀具的底部刀刃图像和侧面刀刃图像与实际铣削加工过程中实时采集的多源传感信号重复步骤s2至步骤s4，得到实际铣削加工下的视觉特征向量与q个同步时间戳下的物理特征向量，使用最终的刀具磨损量预测网络模型根据实际铣削加工下的视觉特征向量与q个同步时间戳下的物理特征向量对实际刀具磨损值进行实时预测，输出刀具磨损量预测值，完成实际铣削加工过程中刀具磨损量的实时预测。

12、优选地，所述步骤s3的具体过程为：

13、s31、建立切削动力学系统模型，为

14、

15、式中，切削力向量，、和为第t个同步时间戳下刀具在x轴方向、y轴方向和z轴方向的切削力激励，位移向量，、和为第t个同步时间戳下刀具相对工件在x轴方向、y轴方向和z轴方向的位移， 速度向量，、和为第t个同步时间戳下刀具在x轴方向、y轴方向和z轴方向的速度，加速度向量，m、c和k分别为质量矩阵、阻尼矩阵和刚度矩阵，通过‌标定试验获得；

16、s32、构建切削过程的能量模型，为

17、

18、式中，为第t个同步时间戳下的总输入能量，为第t个同步时间戳下的切削能，为第t个同步时间戳下的主轴振动能，为第t个同步时间戳下的切削功率，为第t个同步时间戳下的主轴负载比例系数，为第t个同步时间戳下的主轴转速，为转换系数，m为主轴质量；

19、s33、利用振动响应与切削力反演结果，辨识刀具-机床系统等效刚度，为

20、

21、s34、建立多个物理量时序信号，对各物理量时序信号进行小波包分解，并进行特征提取，得到各物理量时序信号的物理特征维度，每个物理量时序信号的物理特征维度包括每个子带的能量、能量熵和系数方差；其中，各物理量时序信号包括

22、

23、式中，为第t个同步时间戳下的等效切削力，为第t个同步时间戳下的三向切削力、和的合成矢量；为第t个同步时间戳下的切削功率；为第t个同步时间戳下主轴振动能与总输入能量的比值；为第t个同步时间戳下的刀具-机床系统等效刚度；为第t个同步时间戳下切削扭矩的标准差，n为同步时间戳内的采样点总数，为对应同步时间戳内的第i个采样点对应的切削扭矩，且，为对应同步时间戳内的第i个采样点对应的等效切削力，为刀具半径，为对应同步时间戳内的切削扭矩均值，且；为第t个同步时间戳下主轴负载比例系数和主轴转速的相位差；

24、s35、以物理量时序信号下各子带的能量、能量熵和系数方差作为物理特征向量的物理特征维度，构建初始的物理特征向量，为

25、

26、式中，表示第m个物理量时序信号下第个子带的能量，表示第m个物理量时序信号下第个子带的能量熵，表示第m个物理量时序信号下第个子带的系数方差；

27、利用z-score标准化方法，对各物理量时序信号下的物理特征维度进行标准化，得到标准化后的物理特征向量，即最终的物理特征向量。

28、优选地，所述步骤s6中刀具磨损值预测网络模型的工作流程为：

29、s61、模态注意力融合模块对视觉特征向量以及各同步时间戳下物理特征向量进行维度统一并加权融合，获得每个同步时间戳下的低级融合特征向量；

30、s62、双层双向lstm时序建模模块中将各同步时间戳下的初始低级特征融合向量组合成一个整体低级特征融合向量，采用滑动窗口对整体低级特征融合向量进行分段处理，窗口数量为q，与步骤s2中的同步时间戳数量保持一致，进而得到q个时间步下的最终低级特征融合向量，q个时间步下的最终低级特征融合向量组成低级特征融合向量序列；接着第一个双向长短期记忆网络bilstm对低级融合特征向量序列处理，输出初始高阶融合时序特征序列，然后第二个双向长短期记忆网络bilstm对初始高阶融合时序特征序列处理，输出最终高阶融合时序特征序列；

31、s63、模态–时序联合注意力模块中，首先将每个时间步的最终高阶融合时序特征向量映射至模态注意力与时序注意力共享的特征空间维度，进行特征输入与维度适配，接着通过模态注意力机制，根据映射后每个时间步的最终高阶融合时序特征向量中视觉模态特征与多源传感模态特征对刀具磨损值贡献度的差异，计算各模态特征的模态权重，并通过加权融合得到模态融合特征，然后引入时序注意力机制，对不同时间步的模态融合特征分配不同的时序权重，最终通过时序权重对模态融合特征进行加权求和，输出当前时间步下同时包含模态重要性信息与时序上下文信息的加权上下文特征向量；

32、s64、全连接回归网络模块建立当前时间步下的上下文特征向量与刀具磨损量的映射关系。

33、优选地，所述s61的具体过程为：

34、s611、将视觉特征向量与各同步时间戳下的物理特征向量进行维度统一；其中，设视觉特征向量为，第t个同步时间戳下的物理特征向量为，通过全连接投影层将视觉特征向量与各同步时间戳下的物理特征向量映射到统一的特征空间维度，分别为

35、

36、式中，为维度统一后的物理特征向量，和为物理特征向量的权重矩阵与偏置向量，为维度统一后的视觉特征向量，和为视觉特征向量的权重矩阵与偏置向量，relu为激活函数；

37、s612、通过可学习的参数化查询向量对维度统一后的各特征向量进行注意力得分计算；其中，每个特征向量生成其对应的注意力得分使用加性注意力运算方法进行运算，为

38、

39、式中，为视觉特征向量的注意力得分，为第t个同步时间戳下物理特征向量的注意力得分，为可学习的参数化查询向量，tanh为双曲正切激活函数，为共享权重矩阵，为共享偏置项；

40、s613、使用softmax函数对各特征向量的注意力得分进行归一化计算，得到第t个同步时间戳下每个特征向量的融合权重，为

41、

42、式中，为第t个同步时间戳下视觉特征向量的融合权重，为第t个同步时间戳下物理特征向量的融合权重；

43、s614、通过加权求和获得各同步时间戳下的初始低级特征融合向量为：

44、。

45、优选地，所述步骤s62中两个双向长短期记忆网络bilstm的具体工作过程为：

46、①第一个双向长短期记忆网络的前向lstm沿时间正向处理低级融合特征向量序列，输出前向隐藏状态序列，后向lstm沿时间反向处理低级融合特征向量序列，输出后向隐藏状态序列，将前向隐藏状态序列和后向隐藏状态序列通过拼接融合，得到初始高阶融合时序特征序列；

47、②将初始高阶融合时序特征序列中每个时间步的前向隐藏状态和后向隐藏状态通过拼接形成每个时间步的初始高阶融合时序特征向量，各时间步的初始高阶融合时序特征向量组合得到初始高阶融合时序特征向量序列；

48、③将第一个双向长短期记忆网络替换为第二个双向长短期记忆网络，低级融合特征向量序列替换为初始高阶融合时序特征向量序列，重复步骤①的操作，得到最终高阶融合时序特征序列，最终高阶融合时序特征序列中每个时间步的前向隐藏状态和后向隐藏状态通过拼接形成每个时间步的最终高阶融合时序特征向量，各时间步的最终高阶融合时序特征向量组合得到最终高阶融合时序特征向量序列。

49、更优选地，所述前向lstm或后向lstm处理低级融合特征向量序列的过程为：

50、lstm单元包含输入门、遗忘门、输出门和记忆单元，其更新公式如下：

51、

52、式中，为第个时间步下的输入门，为sigmoid函数，为输入门权重矩阵，为第个时间步下的隐藏状态，为第个时间步下的输入特征向量，且，为输入门偏置向量，为第个时间步下的遗忘门，为遗忘门权重矩阵，为遗忘门偏置向量，为第个时间步下的输出门，为输出门权重矩阵，为输出门偏置向量，为第个时间步下的候选记忆状态，为候选记忆权重矩阵，为候选记忆偏置向量，为第个时间步下的记忆单元状态，表示逐元素相乘。

53、优选地，所述步骤s63的具体过程为：

54、s631、进行特征输入与维度适配，通过线性投影层将每个时间步的最终高阶融合时序特征向量映射至模态注意力与时序注意力共享的特征空间，投影后每个时间步的最终高阶融合时序特征向量为：

55、

56、式中，为投影后的第个时间步的最终高阶融合时序特征向量，为投影权重矩阵，为投影偏置项；

57、s632、对每个时间步的各模态特征进行模态注意力权重计算：投影后每个时间步的最终高阶融合时序特征向量中隐含视觉模态特征分量与多源传感模态特征分量，采用自适应评分机制计算各模态特征的模态注意力得分，公式为

58、

59、式中，为第个时间步下视觉模态特征的模态注意力得分，为视觉模态特征的权重矩阵，为视觉模态特征的偏置项，为模态查询向量，为视觉模态特征的查询投影矩阵，为第个时间步下多源传感模态特征的模态注意力得分，为多源传感模态特征的权重矩阵，为多源传感模态特征的偏置项，为多源传感模态特征的查询投影矩阵；

60、s633、通过softmax函数对各时间步下各模态特征的模态注意力得分进行归一化，得到各时间步下各模态特征的模态权重，为：

61、

62、式中，和为第个时间步下视觉模态特征与多源传感模态特征的模态权重，且，，；

63、然后通过加权求和得到各时间步下的模态融合特征，为

64、

65、式中，为第个时间步下的模态融合特征；

66、s634、对每个时间步的融合模态特征进行时序权重计算：

67、引入时序查询向量与模态融合特征相关联，时序查询向量由模态融合特征经线性变换生成，为

68、

69、式中，为第个时间步下的时序查询向量，和分别为时序查询向量的可学习参数矩阵和偏置向量；

70、计算各时间步的时序查询向量与历史时间步模态融合特征的相似度得分为

71、

72、式中，为第个时间步的时序查询向量与历史时间步s的模态融合特征的相似度得分，且，为特征维度缩放因子；

73、通过softmax函数归一化得到各时间步的时序权重，为

74、

75、式中，，为历史时间步s的模态融合特征对第个时间步的贡献权重，即第个时间步的时序权重，满足；

76、s635、通过时序权重对模态融合特征进行加权求和，得到当前时间步下同时包含模态重要性信息与时序上下文信息的上下文特征向量，为

77、

78、式中，为当前时间步下的上下文特征向量。

79、优选地，所述全连接层网络模块配置为：

80、输入层：

81、输出层：

82、式中，和分别为输入层和输出层的权重矩阵，和分别为输入层和输出层的偏置项，为输入层的输出特征矩阵，为当前时间步下的刀具磨损量。

83、优选地，训练过程中采用梯度裁剪策略，梯度范数阈值设为1.0，可学习参数矩阵、可学习的查询向量、模态查询向量、各查询投影矩阵和各权重矩阵使用xavier均匀分布初始化，各偏置项和各偏置向量零初始化，采用adam优化器进行训练，初始学习率设为0.001，并配合余弦退火策略动态调整学习率，且训练过程中，在步骤s612中计算各特征向量的注意力得分后，对各物理特征向量的注意力得分以优选概率施加dropout，在步骤②中将每个时间步的前向隐藏状态和后向隐藏状态通过拼接形成每个时间步的初始高阶融合时序特征向量后，对每个时间步的初始高阶融合时序特征向量施加dropout操作，丢弃率设置为0.2，在步骤s633中对各模态特征的模态注意力得分进行归一化前，对各时间步下各模态特征的模态注意力得分施加dropout操作，丢弃率优选0.1；当达到预设迭代次数或损失函数值低于预设值时，完成对刀具磨损量预测网络模型的训练，进而得到最终的刀具磨损量预测网络模型。

84、优选地，所述损失函数采用huber损失函数，为

85、

86、式中，，是阈值，为两种形式的切换点，为测试集内实验集数据中的实际刀具磨损量，为刀具磨损量预测网络模型根据测试集内相应实验集中的视觉特征向量和物理特征向量预测的刀具磨损量。

87、本发明具有以下有益效果：

88、本发明能够实现对铣刀刀具磨损量的实时、精准预测。具体地，本发明在对采集的多源传感信号数据处理过程中，通过构建切削动力学系统模型提取力学与能量特征，并通过小波包分解提取物理特征向量，以增强变工况泛化能力，本发明构建的刀具磨损量预测网络模型中，模态注意力融合模块通过对由视觉图像提取的视觉特征向量与由多源传感信号提取的物理特征向量的自适应加权融合，生成初始融合特征向量，双层双向lstm时序建模模块对由多个初始融合特征向量组成并经过重新分段、组合处理形成的低级融合特征向量序列处理，生成最终高阶融合时序特征序列，模态-时序联合注意力模块中通过模态注意力机制计算各模态特征的模态权重，通过加权融合得到模态融合特征，实现模态级特征增强与抑制，再引入时序注意力机制，对不同时间步的模态融合特征分配不同的时序权重，使模型重点关注对当前刀具磨损值预测最关键的历史时间步，最后通过时序权重对模态融合特征进行加权求和，输出同时包含模态重要性信息与时序上下文信息的加权上下文特征向量，全连接回归网络模块建立上下文特征向量与刀具磨损量的映射关系，其中，模态注意力融合模块能够实现跨模态信息互补，以弥补单一模态信息导致的预测精度不足问题，双层双向lstm时序建模模块中基于双向长短期记忆网络bilstm的双向时序特征捕捉能力，能够完整覆盖刀具磨损从前期到后期的全周期演化过程，精准识别磨损的渐进性累积规律，支撑后续对磨损状态演变的精准判断，模态-时序联合注意力模块通过模态-时序双维度自适应聚焦关键演化阶段，以解决长时间序列建模难题，这三个模块的协同作用使得后续全连接回归网络模块能够实现面向复杂加工场景的刀具磨损量实时、精准预测，对于提升航空结构件加工质量、降低制造成本和保障生产安全具有重要的工程应用价值。