一种物理信息液态神经网络刀具磨损预测方法及系统

本发明涉及精密加工与智能制造领域，尤其涉及一种物理信息液态神经网络刀具磨损预测方法及系统。

背景技术：

1、刀具磨损监测对于确保加工质量、切削效率和操作安全至关重要。直接测量刀具磨损通常需要中断加工过程，不仅效率低、精度受限，而且难以满足实时性要求。随着传感技术的提升，基于实时传感器分析的刀具磨损间接监测已成为主流方法。现有基于传感技术的刀具状态监测研究主要通过纯数据驱动的方法建立加工信号与刀具磨损之间的映射模型。然而，纯数据驱动模型通常属于“黑箱”模型，缺乏物理可解释性，导致很难评估其监测结果的可靠性，且在训练数据稀疏或分布偏移时泛化能力不足。

2、为了克服上述不足，物理信息神经网络提供了解决方案，它将刀具磨损先验领域知识和物理机制融入神经网络训练过程中，以提升监测结果的物理一致性和可解释性。然而，传统的物理信息神经网络在处理时序信号时往往依赖严格的微分方程约束，忽略了加工信号固有的连续时间动态特性。此外，刀具磨损在不同磨损阶段表现出不同的演化速率，固定权重的多任务损失函数难以适应数据损失与物理损失之间的尺度竞争，容易导致训练振荡或收敛困难。

技术实现思路

1、针对现有技术存在的不足，本发明的目的是提供一种物理信息液态神经网络刀具磨损预测方法及系统，能够同时利用加工信号的连续时间动态和刀具磨损累积规律，提高刀具磨损预测的准确性、鲁棒性与物理一致性。

2、为了实现上述目的，本发明是通过如下的技术方案来实现：

3、第一方面，本发明的实施例提供了一种物理信息液态神经网络刀具磨损预测方法，包括：

4、采集刀具切削过程中的多源加工信号，按照切削时刻形成多通道信号序列，并对各切削过程的信号进行预处理；

5、针对预处理后的多通道信号序列构造时域特征、频域特征及时频域特征，根据各候选特征与刀具后刀面磨损值之间的斯皮尔曼秩相关系数选择敏感特征，构建敏感特征子集；

6、将当前切削时刻的敏感特征、前一切削时刻的隐藏状态以及相邻切削时刻的时间间隔输入闭式连续时间网络，对连续时间隐藏状态进行闭式更新，获得当前切削时刻的刀具后刀面磨损预测值；

7、基于随切削时间变化的可调系数刀具磨损模型，构建物理损失、数据损失以及单调性损失函数，并计算数据损失和物理损失的样本级误差方差，动态确定数据损失权重和物理损失权重；

8、利用由数据损失、物理损失和单调性损失组成的总损失函数，训练闭式连续时间网络，并利用训练后的闭式连续时间网络输出待预测切削过程的刀具后刀面磨损值。

9、作为进一步的实现方式，所述数据损失为刀具后刀面磨损预测值与实测刀具后刀面磨损值之间的均方误差；

10、所述物理损失为预测磨损率与物理磨损率之间的均方误差，其中所述预测磨损率根据刀具后刀面磨损预测值关于切削时间的数值微分确定；

11、所述单调性损失为刀具后刀面磨损预测值在时间序列上的递减量。

12、作为进一步的实现方式，所述单调性损失对后一切削时刻的刀具后刀面磨损预测值小于前一切削时刻的刀具后刀面磨损预测值的差值进行惩罚。

13、作为进一步的实现方式，所述敏感特征子集构建过程包括：

14、按照斯皮尔曼秩相关系数绝对值由高至低选择预设数量的候选特征作为敏感特征，并对所选择的敏感特征进行归一化，获得敏感特征矩阵。

15、作为进一步的实现方式，所述可调系数刀具磨损模型由对数项和三次项组成，其中，对数项用于描述初始磨损阶段，三次项用于描述加速磨损阶段。

16、作为进一步的实现方式，所述对连续时间隐藏状态进行闭式更新，包括：

17、将当前切削时刻的敏感特征与前一切削时刻的隐藏状态拼接，形成联合状态表示；

18、通过多个可学习映射对所述联合状态表示进行处理，生成候选状态；

19、根据相邻切削时刻的归一化时间间隔形成时间相关插值门；

20、利用所述时间相关插值门对所述候选状态进行插值，获得当前切削时刻的隐藏状态。

21、作为进一步的实现方式，所述动态确定数据损失权重和物理损失权重，包括：

22、在当前训练小批次内，分别计算所述数据损失和物理损失的样本级误差方差；

23、对所述样本级误差方差进行指数移动平均，得到平滑误差方差；

24、根据所述平滑误差方差，确定与对应损失的平滑误差方差负相关的数据损失权重和物理损失权重，并将所述数据损失权重和物理损失权重归一化至二者之和为预设值。

25、第二方面，本发明的实施例还提供了一种物理信息液态神经网络刀具磨损预测系统，包括：

26、预处理模块，用于采集刀具切削过程中的多源加工信号，按照切削时刻形成多通道信号序列，并对各切削过程的信号进行预处理；

27、敏感特征子集构建模块，用于针对预处理后的多通道信号序列构造时域特征、频域特征及时频域特征，根据各候选特征与刀具后刀面磨损值之间的斯皮尔曼秩相关系数选择敏感特征，构建敏感特征子集；

28、闭式连续时间网络模块，用于将当前切削时刻的敏感特征、前一切削时刻的隐藏状态以及相邻切削时刻的时间间隔输入闭式连续时间网络，对连续时间隐藏状态进行闭式更新，获得当前切削时刻的刀具后刀面磨损预测值；

29、动态权重模块，用于基于随切削时间变化的可调系数刀具磨损模型，构建物理损失、数据损失以及单调性损失函数，并计算数据损失和物理损失的样本级误差方差，动态确定数据损失权重和物理损失权重；

30、训练模块，用于利用由数据损失、物理损失和单调性损失组成的总损失函数，训练闭式连续时间网络，并利用训练后的闭式连续时间网络输出待预测切削过程的刀具后刀面磨损预测值。

31、第三方面，本发明的实施例还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的物理信息液态神经网络刀具磨损预测方法。

32、第四方面，本发明的实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述的物理信息液态神经网络刀具磨损预测方法。

33、本发明的有益效果如下：

34、本发明通过将相邻切削时刻的时间间隔显式引入闭式连续时间网络，能够以连续时间隐藏状态表征刀具磨损的非线性、非平稳演化；通过可调系数刀具磨损模型的导数约束预测磨损率，并结合单调性损失，能够限制模型预测轨迹偏离刀具磨损量逐渐累积的规律；通过对小批次误差方差进行指数移动平均并动态调整数据损失与物理损失的权重，能够减轻固定权重下的损失尺度竞争和批次噪声引起的训练振荡；通过多域特征构造和相关性选择减少冗余输入，最终输出具体的刀具后刀面磨损预测值，便于接入刀具状态监测或数字孪生系统。

1.一种物理信息液态神经网络刀具磨损预测方法，其特征在于，包括：

2.根据权利要求1所述的一种物理信息液态神经网络刀具磨损预测方法，其特征在于，所述数据损失为刀具后刀面磨损预测值与实测刀具后刀面磨损值之间的均方误差；

3.根据权利要求1或2所述的一种物理信息液态神经网络刀具磨损预测方法，其特征在于，所述单调性损失对后一切削时刻的刀具后刀面磨损预测值小于前一切削时刻的刀具后刀面磨损预测值的差值进行惩罚。

4.根据权利要求1所述的一种物理信息液态神经网络刀具磨损预测方法，其特征在于，所述敏感特征子集构建过程包括：

5.根据权利要求1所述的一种物理信息液态神经网络刀具磨损预测方法，其特征在于，所述可调系数刀具磨损模型由对数项和三次项组成，其中，对数项用于描述初始磨损阶段，三次项用于描述加速磨损阶段。

6.根据权利要求1所述的一种物理信息液态神经网络刀具磨损预测方法，其特征在于，所述对连续时间隐藏状态进行闭式更新，包括：

7.根据权利要求1所述的一种物理信息液态神经网络刀具磨损预测方法，其特征在于，所述动态确定数据损失权重和物理损失权重，包括：

8.一种物理信息液态神经网络刀具磨损预测系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-7中任一项所述的物理信息液态神经网络刀具磨损预测方法。

10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的物理信息液态神经网络刀具磨损预测方法。