[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

说明书

本发明涉及一种基于边缘计算和LSTM网络的刀具剩余寿命预测方法，属于数控机床刀具寿命预测领域。该方法包括：首先，在边缘端直接进行数据清洗与特征提取，减少传输时间，节约传输成本，提高寿命预测的实时性；然后，在云端进行进一步特征提取和选择后，建立三层LSTM循环神经网络模型来对刀具的实时剩余寿命进行预测。本发明利用边缘计算和LSTM的方法，提高了刀具寿命预测的实时性和准确性。

技术领域

本发明属于数控机床刀具寿命预测领域，涉及一种基于边缘计算和LSTM网络的刀具剩余寿命预测方法。

背景技术

刀具作为在工业制造过程中的重要工具，其寿命和磨损状态影响着工件的生产质量，生产效率以及车床的健康状态。如果能精准预测出刀具的剩余寿命，将有效地降低工业制造的成本。

多年来基于经验、物理和数据驱动的模型已经分别应用于刀具剩余寿命预测中。其中基于数据驱动方法的研究随着大数据、人工智能的发展变得越来越成熟。Zhuang等利用神经网络的非线性映射特性，建立了基于ACO-BP算法的盾构机刀具故障预测模型。Sun等提出了一种基于稀疏自编码器的深度传输学习网络来进行刀具寿命的预测。Zhao等提出了基于局部特征的门控回归单元网络来进行机器健康中的刀具磨损状态进行预测。Drouille等使用神经网络(NN)技术基于机床主轴功率值实现了刀具的剩余使用寿命(RUL)预测。

云服务中用户可以以较低的成本获得高质量的服务，可以灵活地控制计算资源。然而，云计算存在局限性，当大量数据被传输到单个云中心并在那里进行处理时，就会出现瓶颈问题。如果数据全部在云端进行处理，会造成数据的延迟，影响实时性。对于刀具工作状态的实时监测，这样的问题是一个致命的缺陷。

基于现有技术缺陷，本发明提出一种结合工业物理网中边缘数据和LSTM网络的刀具剩余寿命预测方法，用于解决上述技术缺陷。

发明内容

有鉴于此，本发明的目的在于提供一种适用于关键设备铣削刀具的通用预测模型，通过分析现阶段的刀具状态监控技术，选取效果较为理想的刀具间接测量指标，利用数据清洗、特征提取和LSTM循环神经网络的方法建立了刀具剩余寿命预测模型，提供一种数控机床刀具剩余寿命预测方法。

为达到上述目的，本发明提供如下技术方案：

一种基于边缘计算和LSTM网络的刀具剩余寿命预测方法，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。

进一步，步骤S1中，所述传感器数据主要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控制器信号主要为刀具加工的负载。

进一步，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；提取的时域特征主要包括均值、均方根值、方差、斜度、峭度、峰值因子和裕度因子等。

进一步，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等统计特征，对数据进行更详细的描述；