欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023107158458
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 机床;其他类目中不包括的金属加工
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种数控车床刀具剩余寿命在线预测方法,包括下述步骤:步骤一、结合CNN和LSTM的优势,并采用PSO对LSTM的学习率和隐含层神经元数的最优值进行迭代求解,从而建立CNN‑PSO‑LSTM模型,实现在单工况下对刀具磨损量进行在线监测;

步骤二、以CNN‑PSO‑LSTM模型为基础,设置加工参数,采用迁移学习方法对变工况刀具磨损量进行在线监测;

步骤三、考虑刀具三个阶段磨损速率差异,基于三阶段Wiener过程描述刀具退化过程,进而根据首达时间概念,求得刀具剩余寿命估计;

步骤四、采用贝叶斯方法,并结合刀具磨损监测值,对模型参数进行实时更新,进而得到刀具剩余寿命的更新估计。

2.根据权利要求1所述的数控车床刀具剩余寿命在线预测方法,其特征在于:所述的步骤一中建立CNN‑PSO‑LSTM模型,在单工况下对刀具磨损量进行在线监测具体方法如下:CNN‑PSO‑LSTM模型主要由CNN层和PSO‑LSTM层构成;

CNN层采用“卷积层‑池化层‑批标准化层‑激活函数层‑卷积层‑池化层‑批标准化层‑激活函数层”结构;

卷积层对输入数据进行特征提取;

池化层将卷积层输出的特征进行特征选择和信息过滤,从而达到特征压缩的目的;

使用批标准化层进行批量归一化,将每个隐含层的节点数据输入分布归一化为方差为

1且均值为0的标准正态分布,从而加快训练速度;

激活函数层通过非线性变换来帮助表达复杂的特征,使用Relu函数作为激活函数,将所有的负值都赋值为0,而正值保持不变;

将CNN层输出的空间特征经过Flatten层转化为序列数据输入至LSTM层,采用PSO算法对LSTM层的学习率及隐含层神经元数进行优化;在每个LSTM层后加入Dropout层,从而避免发生过拟合现象;

将LSTM层输出的特征经过两个全连接层处理输出刀具磨损量;

采用Adam优化算法进行梯度计算,迭代调整模型权重,降低监测误差选择。

3.根据权利要求2所述的数控车床刀具剩余寿命在线预测方法,其特征在于:采用PSO算法对LSTM的学习率及隐含层神经元数进行优化具体步骤如下:首先,将训练集再划分,一部分作为LSTM的训练集,记为P1集;一部分作为PSO算法的寻优集,记为P2集;

然后,进行粒子种群初始化,粒子维数为2维;

接着,在每一轮迭代中以P1集为训练集,以P2集为测试集,模拟LSTM进行刀具磨损监测过程,并在数次迭代中选择使预测误差最小的最优解。

4.根据权利要求1所述的数控车床刀具剩余寿命在线预测方法,其特征在于:步骤二中实现变工况下的刀具磨损量监测的具体方法如下:对于变工况刀具磨损监测需要考虑切削速度、切削深度和进给速度三个加工参数的变化,而单工况下刀具磨损监测CNN‑PSO‑LSTM模型没有设置加工参数,将加工参数实际值作为特征值,使用连接函数将加工参数特征值连接在全连接层之前;

将在单工况下刀具磨损监测CNN‑PSO‑LSTM模型中CNN层和Flatten层的参数进行固定;

针对LSTM层和全连接层参数进行更新训练,使得最大均值差异最小,从而实现变工况下的刀具磨损量监测。

5.根据权利要求1所述的数控车床刀具剩余寿命在线预测方法,其特征在于:所述的步骤三中刀具剩余寿命估计的具体方法如下:(1)模型假设

1)当刀具磨损量首次超过预设定的阈值时,刀具使用寿命结束,且刀具剩余寿命仅由其刀具磨损量决定;

2)刀具磨损各阶段退化量服从正态分布,用Wiener过程描述刀具磨损退化过程;

3)考虑到不同加工条件下刀具退化差异,漂移系数μ和扩散系数σ都为随机变量;μ的先2

验分布服从方差为c、均值为d的正态分布,σ的先验分布服从形状参数为a、尺寸参数为b的2

逆伽马分布,μ和σ的先验联合分布服从正态逆伽马分布,即:(2)三阶段Wiener过程模型

刀具磨损过程共分为三个阶段,各阶段的磨损过程均使用Wiener过程进行描述,刀具磨损退化模型X(t)定义为:式中,x0表示刀具磨损初值;t1和t2表示变点发生时刻;μ1和σ1分别表示初期磨损阶段退化过程的漂移系数和扩散系数;μ2和σ2分别表示正常磨损阶段退化过程的漂移系数和扩散系数;μ3和σ3分别表示急剧磨损阶段退化过程的漂移系数和扩散系数;w1表示初期磨损阶段阈值;w2表示正常磨损阶段阈值;B(t)为标准布朗运动;

(3)刀具剩余寿命RUL分布

令δr表示刀具在退化过程中磨损量从初始时刻到其首次超过第r个磨损阶段阈值wr时间,1≤r≤3,w3即为刀具磨钝阈值;根据定义,δr表示为:δr=inf{t:X(t)≥wr,t>0}..............................................(4)根据式(4)及Wiener过程所具有的齐次马尔可夫性质,δr亦可以表示为:δr=δr‑1+inf{t:X'(t)≥wr‑wr‑1,t>0}.................................(5)式中,X'(t)=μrt+σrB(t);令w0=0,δ0=0;

设每个阶段时间变化量为△δr=δr‑δr‑1;阈值变化量为△wr=wr‑wr‑1,根据式(5)可得:△δr=inf{t:X'(t)≥△wr,t>0}.........................................(6)由于Wiener过程的首次到达阈值的时间服从逆高斯分布,即认为δr服从逆高斯分布,根据式(6)可得:刀具寿命T可表示为:

T=△δ1+△δ2+△δ3...................................................(8)根据卷积积分公式,T的概率密度函数(PDF)为:故T的期望估计值可以表示为:

当已知某时刻τ的刀具磨损量X(τ)时,刀具剩余使用寿命Lτ可表示为:根据式(11),Lτ的PDF可表示为:

故刀具剩余使用寿命Lτ的期望估计值可表示为:(4)基于EM算法的模型参数估计

假设有(m+n)把同型号刀具历史数据样本,对于m把刀具,编号为1、2、...、m,以相同的时间间隔△t测量刀具磨损值;对于n把刀具,编号为m+1、m+2、...、m+n,记录刀具从初始时刻首次到达第r个磨损阶段分界值所需的时间δr,1≤r≤3。在第r个磨损阶段,第i把刀具采集的第j个刀具磨损值为xi,j,r,每把刀具共采集ki个刀具磨损值,第i把刀具的δr为δi,r,则:δi,r=[δm+1,r δm+2,r…δm+n,r]设每个阶段每把刀具磨损增量△xi,j,r=xi,j,r‑xi,j‑1,r,时间变量△δi,r=δi,r‑δi,r‑1,则:△δi,r=[△δm+1,r △δm+2,r…△δm+n,r]记Wiener过程中漂移系数和扩散系数的先验分布中的未知超参数为θ,关于刀具磨损退化数据△x的完全似然函数为:

2 2

l(θ|△x)=p(△x|μ,σ)·p(μ,σ|θ)其中,p(·)为概率密度函数;

关于刀具首达时间数据△δ的完全似然函数为:

2 2

l(θ|△δ)=p(△δ|μ,σ)·p(μ,σ|θ)关于两类刀具数据的联合似然函数为:

l(θ|△x,△δ)=l(θ|△x)·l(θ|△δ)....................................(18)根据式(18),第r个刀具磨损阶段的数据样本的完全对数似然函数表示为:其中,ki,r为第i把刀具在第r个磨损阶段采集的刀具磨损值个数,△wr=wr‑wr‑1,1

3,μi,r为第i把刀具在第r个磨损阶段的漂移系数,σi,r为第i把刀具在第r个磨损阶段的扩散系数,△δi,r为第i把刀具在第r个磨损阶段的首达时间变量;

2

当确定刀具磨钝阈值后,刀具剩余寿命的PDF便由Wiener过程模型参数μ和σ决定,因此2

需要对μ和σ进行参数估计;

2

假设未知参数μ和σ均为随机变量,根据同型号刀具的历史磨损数据和历史寿命时间数据来对参数先验分布中的未知参数进行估计;

根据式(19)得,E‑step中需要计算的隐变量的条件期望有和

对于具有刀具磨损数据的样本,即1≤i≤m,令θt,r为第r个磨损阶段当前参数估计值,θt,r={at,r,bt,r,ct,r,dt,r}, 为第i把刀具在第r个磨损阶段的最后一个刀具磨损值,则隐变量的条件期望如式(20)‑式(23)所示:对于具有刀具寿命时间数据的样本,即m

M‑step中未知超参数ar,br,cr,dr第n+1次的迭代公式如式(28)‑式(31)所示:当达到给定误差或达到给定迭代次数时,停止迭代输出参数值。

6.根据权利要求1所述的数控车床刀具剩余寿命在线预测方法,其特征在于:所述的步骤四中刀具剩余寿命的更新估计具体方法如下:设一把刀具在第r个磨损阶段的实时磨损数据为:2

第r个刀具磨损阶段中的参数μ和σ的后验分布 为:式中, 为实时磨损数据分布的PDF; 为第r个磨损阶段中模型参数 的先验分布;

2

根据式(32)及共轭先验分布性质,获得第r个刀具磨损阶段参数μ和σ的后验分布为:式中,

根据上述步骤,即可实现每个刀具磨损阶段中退化模型参数分布的实时更新;

当模型参数的联合后验分布确定时,通过计算得到其边缘后验分布;退化模型参数μ和2

σ的联合后验分布为正态‑逆伽玛分布,μ的边缘后验分布服从均值为d'、自由度为2a'的非2

中心t分布,σ的边缘后验分布服从形状参数为a'、尺度参数为b'的逆伽马分布;根据式2

(33)及平方损失函数最小准则,参数μ和σ的贝叶斯估计值分别为:根据式(13)获得刀具RUL的更新估计值。