数控机床刀具磨损预测方法、系统、设备、介质、终端与流程

1.本发明属于机械技术领域，尤其涉及一种数控机床刀具磨损预测方法、系统、设备、介质、终端，可用于对数控机床刀具磨损进行预测。


背景技术：

2.目前，作为数控加工中十分重要的部件，刀具磨损带来的问题是数控加工过程中面临的主要难题之一。在数控机床的铣削过程中，刀具的磨损退化是不可避免的。而一旦发生刀具失效，工件的表面质量会达不到要求，从而导致加工效率低下，磨损严重时甚至会造成机床的损坏。因此，有效地预测刀具的磨损情况对提高数控机床的生产效率具有十分重要的意义。目前，采用数据驱动结合机器学习手段是刀具磨损预测技术领域主流的方法与技术，但也存在一定的局限性。
3.同济大学在其申请的专利文献“基于编码器
‑
解码器阶段注意力机制的刀具磨损预测方法”(专利申请号：202010777546.3，公开号：cn112070208a)中提出了一种刀具磨损预测方法。该方法的步骤是：首先对刀具运行数据进行预处理并提取统计特征，再根据最大信息系数和相关性筛选特征，然后将特征输入到编码器中进行编码，最后将编码特征输入到解码器中，输出刀具的磨损预测值。该方法虽然能实现刀具磨损值的准确预测。但是，该方法仍然存在的不足之处是，模型建立是基于有监督学习的算法，刀具的磨损值是已知的，而实际生产中刀具的磨损值不一定能实时获取，不利于实际生产中的推广使用。
4.通过上述分析，现有技术存在的问题及缺陷为：现有采用数据驱动结合机器学习进行刀具磨损预测的技术中，模型建立是基于有监督学习的算法，刀具的磨损值是已知的，而实际生产中刀具的磨损值不一定能实时获取，不利于实际生产中的推广使用。
5.解决以上问题及缺陷的难度为：
6.如何摆脱无法实时获取刀具磨损值的情况，使得模型能从控制器信号和传感器信号中学习到刀具的健康状态。
7.解决以上问题及缺陷的意义为：
8.现有技术针对刀具的磨损预测方法多是基于有监督学习的算法，然而在实际生产中刀具的磨损情况难以实时获取，通过利用不同时刻数据之间的差异来衡量刀具的磨损情况，从而提高模型在实际工业场景中的应用范围与便捷性。本发明旨在提出一种不需要依赖刀具磨损值的刀具磨损预测方法。


技术实现要素：

9.针对现有技术存在的问题，本发明提供了一种数控机床刀具磨损预测方法、系统、设备、介质、终端，尤其涉及一种数控机床刀具磨损预测技术领域中的基于无监督学习的数控机床刀具磨损预测方法、系统、设备、介质、终端，旨在解决现有技术中利用有监督学习算法建立预测模型的应用场景局限问题。
10.本发明是这样实现的，一种数控机床刀具磨损预测方法，所述数控机床刀具磨损
预测方法包括以下步骤：
11.步骤一，进行信号采集与处理；
12.步骤二，进行信号特征提取；
13.步骤三，进行信号特征选择；
14.步骤四，进行健康指标数据集构建；
15.步骤五，生成健康指标序列数据集；
16.步骤六，进行刀具磨损预测。
17.进一步，步骤一中，所述信号采集与处理，包括：
18.(1)采集数控机床工作过程中的信号，即控制器信号和传感器信号，控制器信号主要包括主轴负载和三个方向的机械坐标即x轴机械坐标、y轴机械坐标以及z轴机械坐标，传感器信号主要包括电流信号和三个方向的振动信号即x轴方向振动信号、y轴方向振动信号、z轴方向振动信号以及电流信号；
19.(2)将采集的信号进行预处理，首先根据三个方向的机械坐标和主轴负载剔除未接触加工对象时采集的信号，然后进行缺失值、异常值处理，利用最小二乘法将信号中的异常趋势项进行去除。
20.其中，所述利用最小二乘法将信号中的异常趋势项进行去除，包括：
21.首先利用高阶多项式拟合信号，再根据最小二乘法原理选取合适的多项式系数，使得信号与其拟合信号的误差平方和最小，然后将选取的多项式系数代入高阶多项式中，得到信号的趋势项，最后将信号减去趋势项，得到去除趋势项后的信号。
22.进一步，步骤二中，所述信号特征提取，包括：
23.从时域、频域以及时频域三个方面，将步骤一得到的信号进行特征提取。
24.进一步，步骤三中，所述信号特征选择，包括：
25.(1)利用单调性和趋势性这两个评价标准，将步骤二得到的信号特征进行筛选，包括：
26.1)按照下式，计算步骤二得到的每个信号特征单调性值和趋势性值：
[0027][0028]
其中，s
mon
为单个信号特征的单调性值，t为单个信号特征的样本长度，dh表示单个特征中每个样本与前一个样本的差值；
[0029][0030]
其中，s
tred
为单个信号特征的趋势性值，t为单个信号特征的样本长度，x
i
为单个信号特征的第i个样本，为单个信号特征的均值，t
i
为x
i
对应的累计工作时间，为累计工作时间序列的均值；
[0031]
2)将每个信号特征单调性值和趋势性值的均值作为综合评价值，所有信号特征的综合评价值组成综合评价矩阵；
[0032]
3)将综合评价矩阵进行归一化，选取综合评价值大于0.5的信号特征组成矩阵，得
到筛选后的信号特征。
[0033]
(2)利用核主成分分析算法对筛选得到的信号特征进行降维处理，包括：
[0034]
1)将筛选得到的信号特征进行标准化处理；
[0035]
2)选定核函数，计算核矩阵；
[0036]
3)将核矩阵进行中心化，得到中心化核矩阵；
[0037]
4)计算中心化核矩阵的特征值和特征向量，将特征值按降幂排序；
[0038]
5)设定累计贡献率的阈值为90％，确定主元个数p，选取前p个特征值对应的特征向量组成矩阵，得到降维后的信号特征。
[0039]
进一步，步骤四中，所述健康指标数据集构建，包括：
[0040]
将步骤三得到的信号特征进行归一化处理，利用动态时间规整算法构建刀具健康指标数据集，包括：
[0041]
(1)以一分钟为单位，对降维后的特征数据集进行划分；
[0042]
(2)以第1个一分钟的信号特征作为刀具的健康基准矩阵，利用动态时间规整算法，计算每个一分钟的特征矩阵与健康基准矩阵的相似度量结果，得到距离向量；
[0043]
(3)对距离向量进行归一化处理，利用五点三次平滑法对归一化后的距离向量进行平滑处理，得到刀具的健康指标数据集。
[0044]
进一步，步骤五中，所述生成健康指标序列数据集，包括：
[0045]
(1)将滑动窗口长度设置为m，窗口的移动步长设置为1，对步骤四得到的健康指标数据集进行滑窗，将每一次滑动的窗口内的所有数据作为的一个序列，将所有序列组成一个二维的序列数据集；其中，m表示任意正整数；
[0046]
(2)将健康指标数据集中第m 1个数据至最后一个数据组成标签数据集；
[0047]
(3)将序列数据集和标签数据集组成健康指标序列数据集。
[0048]
进一步，步骤六中，所述刀具磨损预测，包括：
[0049]
利用步骤五得到的健康指标序列数据集，构造训练集，建立长短时记忆网络预测模型，设定预测起点和失效阈值，进行刀具磨损预测。
[0050]
本发明的另一目的在于提供一种应用所述数控机床刀具磨损预测方法的数控机床刀具磨损预测系统，所述数控机床刀具磨损预测系统包括：
[0051]
信号采集与处理模块，用于采集数控机床工作过程中的控制器信号和传感器信号，并将采集的信号进行预处理；
[0052]
信号特征提取模块，用于从时域、频域以及时频域三个方面，将步信号采集与处理模块得到的信号进行特征提取；
[0053]
信号特征选择模块，用于利用单调性和趋势性这两个评价标准，将信号特征提取模块得到的信号特征进行筛选，再利用核主成分分析算法对筛选得到的信号特征进行降维处理；
[0054]
健康指标数据集构建模块，用于将信号特征选择模块得到的信号特征进行归一化处理，利用动态时间规整算法，构建刀具健康指标数据集；
[0055]
健康指标序列数据集生成模块，用于生成健康指标序列数据集；
[0056]
刀具磨损预测模块，用于利用健康指标序列数据集生成模块得到的健康指标序列数据集，构造训练集，建立长短时记忆网络预测模型，设定预测起点和失效阈值，进行刀具
磨损预测。
[0057]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
[0058]
采集数控机床工作过程中的控制器信号和传感器信号，并对信号进行预处理、特征提取以及特征选择，充分挖掘各种信号中与刀具磨损相关的信息，利用动态时间规整算法构建刀具健康指标，利用长短时记忆网络建立刀具磨损预测模型，实现数控机床刀具的磨损预测。
[0059]
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述数控机床刀具磨损预测系统。
[0060]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的基于无监督学习的数控机床刀具磨损预测方法，通过采集数控机床工作过程中的控制器信号和传感器信号，利用动态时间规整算法构建能表征刀具磨损退化状态的健康指标，然后基于长短时记忆网络构建刀具磨损趋势预测模型，有效地克服了无法实时获取磨损值情况下的刀具磨损预测问题，使得本发明提高了刀具磨损预测模型在实际工业场景中的应用范围和便捷性。
[0061]
本发明通过采集数控机床工作过程中的控制器信号和传感器信号，利用多源信号建立刀具健康指标模型，充分考虑了不同类型的信号反映的刀具磨损情况，使得本发明提高了刀具健康状态评估模型的泛化能力。
[0062]
本发明通过动态时间规整算法构建刀具健康指标，利用不同时刻特征数据之间的差异来衡量刀具的磨损情况，在此基础上基于长短时记忆网络模型进行刀具磨损趋势预测，使得本发明不需要依赖刀具磨损标签值即可开展刀具磨损预测，提高了在实际工业场景中的应用范围与便捷性。
附图说明
[0063]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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的前提下还可以根据这些附图获得其他的附图。
[0064]
图1是本发明实施例提供的数控机床刀具磨损预测方法流程图。
[0065]
图2是本发明实施例提供的数控机床刀具磨损预测方法原理图。
[0066]
图3是本发明实施例提供的数控机床刀具磨损预测系统结构框图；
[0067]
图中：1、信号采集与处理模块；2、信号特征提取模块；3、信号特征选择模块；4、指标数据集构建模块；5、指标序列数据集生成模块；6、刀具磨损预测模块。
[0068]
图4是本发明实施例提供的01号刀具的预测结果图。
[0069]
图5是本发明实施例提供的02号刀具的预测结果图。
[0070]
图6是本发明实施例提供的03号刀具的预测结果图。
具体实施方式
[0071]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0072]
针对现有技术存在的问题，本发明提供了一种数控机床刀具磨损预测方法、系统、设备、介质、终端，下面结合附图对本发明作详细的描述。
[0073]
如图1所示，本发明实施例提供的数控机床刀具磨损预测方法包括以下步骤：
[0074]
s101，进行信号采集与处理；
[0075]
s102，进行信号特征提取；
[0076]
s103，进行信号特征选择；
[0077]
s104，进行健康指标数据集构建；
[0078]
s105，生成健康指标序列数据集；
[0079]
s106，进行刀具磨损预测。
[0080]
本发明实施例提供的数控机床刀具磨损预测方法原理图如图2所示。
[0081]
如图3所示，本发明实施例提供的数控机床刀具磨损预测系统包括：
[0082]
信号采集与处理模块1，用于采集数控机床工作过程中的控制器信号和传感器信号，并将采集的信号进行预处理；
[0083]
信号特征提取模块2，用于从时域、频域以及时频域三个方面，将步信号采集与处理模块得到的信号进行特征提取；
[0084]
信号特征选择模块3，用于利用单调性和趋势性这两个评价标准，将信号特征提取模块得到的信号特征进行筛选，再利用核主成分分析算法对筛选得到的信号特征进行降维处理；
[0085]
健康指标数据集构建模块4，用于将信号特征选择模块得到的信号特征进行归一化处理，利用动态时间规整算法，构建刀具健康指标数据集；
[0086]
健康指标序列数据集生成模块5，用于生成健康指标序列数据集；
[0087]
刀具磨损预测模块6，用于利用指标序列数据集生成模块得到的健康指标序列数据集，构造训练集，建立长短时记忆网络预测模型，设定预测起点和失效阈值，进行刀具磨损预测。
[0088]
下面结合实施例对本发明的技术方案作进一步描述。
[0089]
实施例1
[0090]
参照图2，对本发明实现的步骤作进一步的详细说明。
[0091]
步骤1，信号采集与处理。
[0092]
第1步，采集数控机床工作过程中的信号，即控制器信号和传感器信号，控制器信号主要包括主轴负载和三个方向的机械坐标即x轴机械坐标、y轴机械坐标以及z轴机械坐标，传感器信号主要包括电流信号和三个方向的振动信号即x轴方向振动信号、y轴方向振动信号、z轴方向振动信号以及电流信号。
[0093]
第2步，将采集的信号进行预处理，首先根据三个方向的机械坐标和主轴负载剔除未接触加工对象时采集的信号，然后进行缺失值、异常值处理，利用最小二乘法将信号中的异常趋势项进行去除。
[0094]
所述的利用最小二乘法将信号中的趋势项进行去除的步骤为：首先利用高阶多项式拟合信号，再根据最小二乘法原理选取合适的多项式系数，使得信号与其拟合信号的误差平方和最小，然后将选取的多项式系数代入高阶多项式中，得到信号的趋势项，最后将信号减去趋势项，得到去除趋势项后的信号。
[0095]
步骤2，信号特征提取。
[0096]
从时域、频域以及时频域三个方面，将步骤1得到的信号进行特征提取。
[0097]
步骤3，信号特征选择。
[0098]
利用单调性和趋势性这两个评价标准，将步骤2得到的信号特征进行筛选。
[0099]
第1步，按照下式，计算步骤2得到的每个信号特征单调性值和趋势性值。
[0100][0101]
其中，s
mon
为单个信号特征的单调性值，t为单个信号特征的样本长度，dh表示单个特征中每个样本与前一个样本的差值。
[0102][0103]
其中，s
tred
为单个信号特征的趋势性值，t为单个信号特征的样本长度，x
i
为单个信号特征的第i个样本，x为单个信号特征的均值，t
i
为x
i
对应的累计工作时间，为累计工作时间序列的均值。
[0104]
第2步，将每个信号特征单调性值和趋势性值的均值作为综合评价值，所有信号特征的综合评价值组成综合评价矩阵。
[0105]
第3步，将综合评价矩阵进行归一化，选取综合评价值大于0.5的信号特征组成矩阵，得到筛选后的信号特征。
[0106]
再利用核主成分分析算法对筛选得到的信号特征进行降维处理。
[0107]
第1步，将筛选得到的信号特征进行标准化处理。
[0108]
第2步，选定核函数，计算核矩阵。
[0109]
第3步，将核矩阵进行中心化，得到中心化核矩阵。
[0110]
第4步，计算中心化核矩阵的特征值和特征向量，将特征值按降幂排序。
[0111]
第5步，设定累计贡献率的阈值为90％，确定主元个数p，选取前p个特征值对应的特征向量组成矩阵，得到降维后的信号特征。
[0112]
步骤4，健康指标数据集构建。
[0113]
将步骤3得到的信号特征进行归一化处理，利用动态时间规整算法，构建刀具健康指标数据集。
[0114]
所述的利用动态时间规整算法构建刀具健康指标数据集的步骤如下：
[0115]
第1步，以一分钟为单位，对降维后的特征数据集进行划分。
[0116]
第2步，以第1个一分钟的信号特征作为刀具的健康基准矩阵，利用动态时间规整算法，计算每个一分钟的特征矩阵与健康基准矩阵的相似度量结果，得到距离向量。
[0117]
第3步，对距离向量进行归一化处理，利用五点三次平滑法对归一化后的距离向量
进行平滑处理，得到刀具的健康指标数据集。
[0118]
步骤5，生成健康指标序列数据集。
[0119]
第1步，将滑动窗口长度设置为m，窗口的移动步长设置为1，对步骤(4)得到的健康指标数据集进行滑窗，将每一次滑动的窗口内的所有数据作为的一个序列，将所有序列组成一个二维的序列数据集，其中，m表示任意正整数。
[0120]
第2步，将健康指标数据集中第m 1个数据至最后一个数据组成标签数据集。
[0121]
第3步，将序列数据集和标签数据集组成健康指标序列数据集。
[0122]
步骤6，刀具磨损预测。
[0123]
利用步骤5得到的健康指标序列数据集，构造训练集，建立长短时记忆网络预测模型，设定预测起点为70％，失效阈值为1，进行刀具磨损预测。
[0124]
实施例2
[0125]
本发明实施例使用的数据集是第二届工业大数据创新竞赛中的富士康机加刀具数据，数据采集自数控机床真实加工过程中，一把全新的刀具从开始正常加工直至刀具寿命终止时停止采集。
[0126]
1)信号采集与处理。
[0127]
1.1)采集数控机床工作过程中的信号，即控制器信号和传感器信号，控制器信号主要包括主轴负载和三个方向的机械坐标即x轴机械坐标、y轴机械坐标以及z轴机械坐标，传感器信号主要包括电流信号和三个方向的振动信号即x轴方向振动信号、y轴方向振动信号、z轴方向振动信号以及电流信号。
[0128]
总共采集了3把刀具的信号，分别为01号刀具、02号刀具以及03号刀具，其中，控制器信号的采样频率为33hz，传感器信号的采样频率为25600hz。
[0129]
1.2)将采集的信号进行预处理，首先根据三个方向的机械坐标和主轴负载剔除未接触加工对象时采集的信号，然后进行缺失值、异常值处理，利用最小二乘法将信号中的异常趋势项进行去除。
[0130]
所述的利用最小二乘法将信号中的趋势项进行去除的步骤为：首先利用高阶多项式拟合信号，再根据最小二乘法原理选取合适的多项式系数，使得信号与其拟合信号的误差平方和最小，然后将选取的多项式系数代入高阶多项式中，得到信号的趋势项，最后将信号减去趋势项，得到去除趋势项后的信号。
[0131]
2)信号特征提取。
[0132]
从时域、频域以及时频域三个方面，将步骤1)得到的信号进行特征提取。
[0133]
3)信号特征选择。
[0134]
3.1)利用单调性和趋势性这两个评价标准，将步骤2)得到的信号特征进行筛选。
[0135]
3.1.1)按照下式，计算步骤2)得到的每个信号特征单调性值和趋势性值。
[0136][0137]
其中，s
mon
为单个信号特征的单调性值，t为单个信号特征的样本长度，dh表示单个特征中每个样本与前一个样本的差值。
[0138][0139]
其中，s
tre
d为单个信号特征的趋势性值，t为单个信号特征的样本长度，x
i
为单个信号特征的第i个样本，为单个信号特征的均值，t
i
为x
i
对应的累计工作时间，为累计工作时间序列的均值。
[0140]
3.1.2)将每个信号特征单调性值和趋势性值的均值作为综合评价值，所有信号特征的综合评价值组成综合评价矩阵。
[0141]
3.1.3)将综合评价矩阵进行归一化，选取综合评价值大于0.5的信号特征组成矩阵，得到筛选后的信号特征。
[0142]
3.2)利用核主成分分析算法对筛选得到的信号特征进行降维处理。
[0143]
3.2.1)将筛选得到的信号特征进行标准化处理。
[0144]
3.2.2)选定核函数，计算核矩阵。
[0145]
3.2.3)将核矩阵进行中心化，得到中心化核矩阵。
[0146]
3.2.4)计算中心化核矩阵的特征值和特征向量，将特征值按降幂排序。
[0147]
3.2.5)设定累计贡献率的阈值为90％，确定主元个数p，选取前p个特征值对应的特征向量组成矩阵，得到降维后的信号特征。
[0148]
4)健康指标数据集构建。
[0149]
将步骤3)得到的信号特征进行归一化处理，利用动态时间规整算法，构建刀具健康指标数据集。
[0150]
所述的利用动态时间规整算法构建刀具健康指标数据集的步骤如下：
[0151]
第1步，以一分钟为单位，对降维后的特征数据集进行划分。
[0152]
第2步，以第1个一分钟的信号特征作为刀具的健康基准矩阵，利用动态时间规整算法，计算每个一分钟的特征矩阵与健康基准矩阵的相似度量结果，得到距离向量。
[0153]
第3步，对距离向量进行归一化处理，利用五点三次平滑法对归一化后的距离向量进行平滑处理，得到刀具的健康指标数据集。
[0154]
5)生成健康指标序列数据集。
[0155]
5.1)将滑动窗口长度设置为m，窗口的移动步长设置为1，对步骤(4)得到的健康指标数据集进行滑窗，将每一次滑动的窗口内的所有数据作为的一个序列，将所有序列组成一个二维的序列数据集，其中，m表示任意正整数。
[0156]
5.2)将健康指标数据集中第m 1个数据至最后一个数据组成标签数据集。
[0157]
5.3)将序列数据集和标签数据集组成健康指标序列数据集。
[0158]
6)刀具磨损预测。
[0159]
利用步骤5)得到的健康指标序列数据集，构造训练集，建立长短时记忆网络预测模型，设定预测起点为70％，失效阈值为1，进行刀具磨损预测。各刀具的预测结果如图4、图5和图6所示。
[0160]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照
本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0161]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。