[发明专利]一种基于边缘计算和LSTM网络的刀具剩余寿命预测方法

权利要求书

1.一种基于边缘计算和LSTM网络的刀具剩余寿命预测方法，其特征在于，该方法具体包括以下步骤：

S1：收集PLC控制器信号和外置传感器信号，获取传感数据；

S2：在靠近数据的边缘端进行数据清洗和特征提取；

S3：将步骤S2得到的特征数据传到云端，再次进行特征提取和特征筛选；

S4：将步骤S3得到的数据进行归一化处理，并构造LSTM神经网络的训练数据，建立LSTM循环神经网络，进行刀具的剩余寿命的实时预测。

2.根据权利要求1所述的一种基于边缘计算和LSTM网络的刀具剩余寿命预测方法，其特征在于，步骤S1中，所述传感器数据为电流信号和三个方向即x轴、y轴以及z轴的振动信号；所述PLC控制器信号为刀具加工的负载。

3.根据权利要求1所述的一种基于边缘计算和LSTM网络的刀具剩余寿命预测方法，其特征在于，步骤S2中，所述数据清洗是先采用均值填充缺失值，然后采用箱线图去异常值，最后对数据进行滑动平均滤波；提取的时域特征包括均值、均方根值、方差、斜度、峭度、峰值因子和裕度因子。

4.根据权利要求1所述的一种基于边缘计算和LSTM网络的刀具剩余寿命预测方法，其特征在于，所述步骤S3中，再次进行特征提取和特征筛选，具体包括以下步骤：

S31：按每秒进行聚类，提取该时间中的均值、最大值、最小值、中位数、四分之三位数、四分之一位数和方差；

S32：将提取的特征数据送入LightGBM模型中，获得特征重要性大于零的特征；首先，对lightGBM模型利用贝叶斯优化进行调参，获取最优参数；然后应用五折交叉验证的方法训练模型以获得每个特征的重要性；最后进行特征筛选，获得最终模型所需要的特征。

5.根据权利要求1所述的一种基于边缘计算和LSTM网络的刀具剩余寿命预测方法，其特征在于，所述步骤S4中，建立LSTM循环神经网络，具体包括以下步骤：

S41：构造LSTM循环神经网络的输入，利用过去20秒的特征信息预测下一秒的剩余寿命；

S42：建立LSTM网络：构建三层LSTM网络结构，利用网格搜索方法搜索最优超参数，其中，两层隐藏层的维数分别设置为256和256，激活函数选择PRelu函数；选择Adam优化器，加入Dropout层和Batch normalization层，Dropout层的参数设置为0.5；在训练中选择平均绝对值误差损失函数作为训练误差，并采用早停的方法来得到最优的模型，早停步数设置为20步即当loss在20次训练中误差不再下降便停止训练。