申请/专利权人：成都数之联科技有限公司

申请日：2018-09-13

公开（公告）日：2020-10-16

公开（公告）号：CN109465676B

主分类号：B23Q17/09(20060101)

分类号：B23Q17/09(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.10.16#授权;2019.04.09#实质审查的生效;2019.03.15#公开

摘要：本发明公开一种刀具寿命预测方法，通过电流传感器采集加工机台的主轴电流信号，获取实时电流信号和历史电流信号；通过特征学习，提取电流信号的特征值；根据电流信号的特征值，进行电流信号数据清洗，分别得到实时输入数据和历史输入数据；通过机器学习和深度学习方法分析电流信号与刀具寿命之间的关系，以历史输入数据作为训练样本进行训练后，建立刀具寿命预测模型；将实时输入数据作为测试样本输入刀具寿命预测模型测试，得到刀具寿命预测评估结果。本发明通过采集机床主轴电流数据、同类型机床运转及历史数据，利用大数据分析平台实时监测刀具状态并预估刀具剩余寿命，大大降低了生产过程中的安全隐患，提高生产产品的成品率。

主权项：1.一种刀具寿命预测方法，其特征在于，包括步骤：S1，通过电流传感器采集加工机台的主轴电流信号，以时间为单位对电流信号重复采样并对所采集的电流信号标记标签；获取实时电流信号和历史电流信号；S2，通过特征学习，提取电流信号的特征值；S3，根据电流信号的特征值，进行电流信号数据清洗，并将清洗后的信号进行归一化处理，分别得到实时输入数据和历史输入数据；S4，通过机器学习和深度学习方法分析电流信号与刀具寿命之间的关系，以历史输入数据作为训练样本进行训练后，建立刀具寿命预测模型；分析电流信号与刀具寿命之间的关系中的判断依据：根据刀具的磨损状态电流幅值会产生波动；通过分析电流信号的时域特点，采用卷积神经网络分析电流信号与刀具磨损状态之间的关系，通过电流信号作为训练样本进行训练，建立刀具寿命预测模型；S5，将实时输入数据作为测试样本输入刀具寿命预测模型测试，得到刀具寿命预测评估结果。

全文数据：一种刀具寿命预测方法技术领域本发明属于加工刀具检测技术领域，特别是涉及一种刀具寿命预测方法。背景技术由于加工过程中所用刀具损耗量非常大，造成加工成本较高。因此，最大化刀具寿命，将会大幅降低企业生产成本。然而，目前大多数刀具供应商对刀具的寿命按加工时间或加工次数通常进行如下估计：对刀具进行压力测试，测出刀具平均极限寿命，在此基础上，一般按照80％比例折算成刀具寿命。如果刀具使用单位依照刀具供应商提供的刀具寿命进行刀具管理，那么每把刀平均损失20％的寿命。再加上测试环境的不同，刀具供应商提供的刀具寿命还会进一步受到实际工况的影响，其参考性进一步降低。刀具寿命的不可控性，大大提高了生产过程中的安全隐患，降低了生产产品的成品率。发明内容为了解决上述问题，本发明提出了一种刀具寿命预测方法，通过采集机床主轴电流数据、同类型机床运转及历史数据，利用大数据分析平台实时监测刀具状态并预估刀具剩余寿命，大大降低了生产过程中的安全隐患，提高生产产品的成品率。为达到上述目的，本发明采用的技术方案是：一种刀具寿命预测方法，包括步骤：S1，通过电流传感器采集加工机台的主轴电流信号，以时间为单位对电流信号重复采样并对所采集的电流信号标记标签；获取实时电流信号和历史电流信号；S2，通过特征学习，提取电流信号的特征值；S3，根据电流信号的特征值，进行电流信号数据清洗，并将清洗后的信号进行归一化处理，分别得到实时输入数据和历史输入数据；S4，通过机器学习和深度学习方法分析电流信号与刀具寿命之间的关系，以历史输入数据作为训练样本进行训练后，建立刀具寿命预测模型；S5，将实时输入数据作为测试样本输入刀具寿命预测模型测试，得到刀具寿命预测评估结果。进一步的是，所述数据清洗包括步骤：滤除空转电流信号；对电流信号进行降维处理；对电流信号进行归一化处理。直接对原始的采样频率得到的数据进行分析会消耗大量的计算资源和计算时间，不适用于实际的工业生产场景；采用降维处理方法处理去空转补零后的电流信号，能够有效节约计算资源和计算时间，在保证数据精度的同时，提高了后期数据分析处理的效率。进一步的是，分析电流信号与刀具寿命之间的关系中的判断依据：根据刀具的磨损状态电流幅值会产生波动；通过分析电流信号的时域特点，采用卷积神经网络分析电流信号与刀具磨损状态之间的关系，通过电流信号作为训练样本进行训练，建立刀具寿命预测模型。能够有效实现刀具寿命预测，预测精度高且计算速度快，提前预测刀具寿命状态，大大降低了生产过程中的安全隐患，提高生产产品的成品率。进一步的是，所述寿命预测模型包括卷积层、池化层、全连接层与softmax分离器；样本数据导入后，经过多层卷积操作和池化操作，通过全连接层将分布式特征表示映射到样本标记获取样本的映射向量，将映射向量带入softmax分类器中，输出寿命分类区间概率，通过各个分类区间概率值获得刀具寿命预测评估结果。进一步的是，所述卷积层对样本中的临近数据进行特征提取，获得特征图；通过不同卷积核进行卷积操作生成不同的特征图，经过多层提取得到优化特征图。经过多层提取优化特征图。进一步的是，所述池化层对优化特征图进行降维、实现拟合的非线性化、扩大感知野和实现平移不变性，将样本数据映射到隐层特征向量；通过最大池化操作在优化特征图中相邻两个数据选择最大数据作为输出，输出的数据对应输入的两个数据使得特征代表的区域变大，在最后输出层根据寿命区间进行分类时根据数据共有特征进行分类。在保留主要的特征同时减少参数降维，效果类似PCA和计算量，防止过拟合，提高模型泛化能力。进一步的是，所述全连接层与Softmax分类器：由全连接层分布式将特征向量表示映射到样本标记；特征向量从网络左侧输入，经过网络对特征向量的重新组合激活，得到特征向量到样本标记的映射向量；将所述映射向量带入softmax分类器中，通过softmax分类器的分类计算，输出寿命分类区间概率。通过全连接层使卷积和池化操作后的向量能够匹配输入到Softmax分类器中，又Softmax分类器进行概率分类，能够高效预测出刀具的寿命状态。采用本技术方案的有益效果：通过采集机床主轴电流数据、同类型机床运转及历史数据，利用大数据分析平台实时监测刀具状态并预估刀具剩余寿命；通过建立寿命预测模型能够高效的预测出刀具的寿命状态，大大降低了生产过程中的安全隐患，提高生产产品的成品率；本发明通过对采集的电流信号的处理，有效加快了计算速度和计算精度，能够较好的估计刀具寿命状态，实现刀具寿命的提前预测。附图说明图1为本发明的一种刀具寿命预测方法流程示意图。具体实施方式为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。在本实施例中，参见图1所示，本发明提出了一种刀具寿命预测方法，包括步骤：S1，通过电流传感器采集加工机台的主轴电流信号，以时间为单位对电流信号重复采样并对所采集的电流信号标记标签；获取实时电流信号和历史电流信号；S2，通过特征学习，提取电流信号的特征值；S3，根据电流信号的特征值，进行电流信号数据清洗，并将清洗后的信号进行归一化处理，分别得到实时输入数据和历史输入数据；S4，通过机器学习和深度学习方法分析电流信号与刀具寿命之间的关系，以历史输入数据作为训练样本进行训练后，建立刀具寿命预测模型；S5，将实时输入数据作为测试样本输入刀具寿命预测模型测试，得到刀具寿命预测评估结果。作为上述实施例的优化方案，所述数据清洗包括步骤：滤除空转电流信号；对电流信号进行降维处理；对电流信号进行归一化处理。直接对原始的采样频率得到的数据进行分析会消耗大量的计算资源和计算时间，不适用于实际的工业生产场景；采用降维处理方法处理去空转补零后的电流信号，能够有效节约计算资源和计算时间，在保证数据精度的同时，提高了后期数据分析处理的效率。作为上述实施例的优化方案，分析电流信号与刀具寿命之间的关系中的判断依据：根据刀具的磨损状态电流幅值会产生波动；通过分析电流信号的时域特点，采用卷积神经网络分析电流信号与刀具磨损状态之间的关系，通过电流信号作为训练样本进行训练，建立刀具寿命预测模型。能够有效实现刀具寿命预测，预测精度高且计算速度快，提前预测刀具寿命状态，大大降低了生产过程中的安全隐患，提高生产产品的成品率。进一步的是，所述寿命预测模型包括卷积层、池化层、全连接层与softmax分离器；样本数据导入后，经过多层卷积操作和池化操作，通过全连接层将分布式特征表示映射到样本标记获取样本的映射向量，将映射向量带入softmax分类器中，输出寿命分类区间概率，通过各个分类区间概率值获得刀具寿命预测评估结果。所述卷积层对样本中的临近数据进行特征提取，获得特征图；通过不同卷积核进行卷积操作生成不同的特征图，经过多层提取得到优化特征图。经过多层提取优化特征图。所述池化层对优化特征图进行降维、实现拟合的非线性化、扩大感知野和实现平移不变性，将样本数据映射到隐层特征向量；通过最大池化操作在优化特征图中相邻两个数据选择最大数据作为输出，输出的数据对应输入的两个数据使得特征代表的区域变大，在最后输出层根据寿命区间进行分类时根据数据共有特征进行分类。在保留主要的特征同时减少参数降维，效果类似PCA和计算量，防止过拟合，提高模型泛化能力。所述全连接层与Softmax分类器：由全连接层分布式将特征向量表示映射到样本标记；特征向量从网络左侧输入，经过网络对特征向量的重新组合激活，得到特征向量到样本标记的映射向量；将所述映射向量带入softmax分类器中，通过softmax分类器的分类计算，输出寿命分类区间概率。通过全连接层使卷积和池化操作后的向量能够匹配输入到Softmax分类器中，又Softmax分类器进行概率分类，能够高效预测出刀具的寿命状态。以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

权利要求：1.一种刀具寿命预测方法，其特征在于，包括步骤：S1，通过电流传感器采集加工机台的主轴电流信号，以时间为单位对电流信号重复采样并对所采集的电流信号标记标签；获取实时电流信号和历史电流信号；S2，通过特征学习，提取电流信号的特征值；S3，根据电流信号的特征值，进行电流信号数据清洗，并将清洗后的信号进行归一化处理，分别得到实时输入数据和历史输入数据；S4，通过机器学习和深度学习方法分析电流信号与刀具寿命之间的关系，以历史输入数据作为训练样本进行训练后，建立刀具寿命预测模型；S5，将实时输入数据作为测试样本输入刀具寿命预测模型测试，得到刀具寿命预测评估结果。2.根据权利要求1所述的一种刀具寿命预测方法，其特征在于，所述数据清洗包括步骤：滤除空转电流信号；对电流信号进行降维处理；对电流信号进行归一化处理。3.根据权利要求1所述的一种刀具寿命预测方法，其特征在于，分析电流信号与刀具寿命之间的关系中的判断依据：根据刀具的磨损状态电流幅值会产生波动；通过分析电流信号的时域特点，采用卷积神经网络分析电流信号与刀具磨损状态之间的关系，通过电流信号作为训练样本进行训练，建立刀具寿命预测模型。4.根据权利要求3所述的一种刀具寿命预测方法，其特征在于，所述寿命预测模型包括卷积层、池化层、全连接层与softmax分离器；样本数据导入后，经过多层卷积操作和池化操作，通过全连接层将分布式特征表示映射到样本标记获取样本的映射向量，将映射向量带入softmax分类器中，输出寿命分类区间概率，通过各个分类区间概率值获得刀具寿命预测评估结果。5.根据权利要求4所述的一种刀具寿命预测方法，其特征在于，所述卷积层对样本中的临近数据进行特征提取，获得特征图；通过不同卷积核进行卷积操作生成不同的特征图，经过多层提取得到优化特征图。6.根据权利要求5所述的一种刀具寿命预测方法，其特征在于，所述池化层对优化特征图进行降维、实现拟合的非线性化、扩大感知野和实现平移不变性，将样本数据映射到隐层特征向量；通过最大池化操作在优化特征图中相邻两个数据选择最大数据作为输出，输出的数据对应输入的两个数据使得特征代表的区域变大，在最后输出层根据寿命区间进行分类时根据数据共有特征进行分类。7.根据权利要求6所述的一种刀具寿命预测方法，其特征在于，所述全连接层与Softmax分类器：由全连接层分布式将特征向量表示映射到样本标记；特征向量从网络左侧输入，经过网络对特征向量的重新组合激活，得到特征向量到样本标记的映射向量；将所述映射向量带入softmax分类器中，通过softmax分类器的分类计算，输出寿命分类区间概率。

百度查询： 成都数之联科技有限公司 一种刀具寿命预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD