[发明专利]一种刀具未来磨损量在线预测方法

摘要

本发明提供了一种刀具未来磨损量的在线预测方法，以上一段时间的刀具磨损量数据作为输入，预测未来一段时间的刀具的磨损量。首先利用长短期记忆单元编码器，计算历史磨损量对于未来磨损量的影响，并生成一个状态张量。接下来，将这个状态张量作为长短期记忆单元解码器的输入，经过解码器生成未来一段时间的磨损量。在编码和解码过程中，由编码器、解码器和状态张量构成预测未来磨损量变化的循环神经网络，利用adam算法自动求得长短期记忆单元编码器和解码器的内部参数，并调节历史磨损量的影响因子。本发明解决了刀具磨损量演变趋势预测的问题，具有过程简便、处理快速、预测准确、泛化性能好的特点，可适用于不同工况下的切削过程。

主权项

1.一种刀具未来磨损量在线预测方法，其特征在于，包括以下步骤：步骤1：以刀具在加工过程中第1个时刻到第m个时刻刀具的磨损量作为输入样本，构成一个结构为[m,1]的二维张量M₁，以第m+1到m+n时刻刀具的磨损量作为输出样本，构成一个结构为[n,1]的二维张量N₁，二维张量M₁和二维张量N₁构成一个样本对，其中m为自定义的刀具磨损量的历史时刻数，n为自定义的刀具磨损量的未来时刻数；然后再以第2个时刻到第m+1个时刻刀具的磨损量作为输入样本，构成结构为[m,1]的二维张量M₂，以m+2到m+n+1时刻刀具的磨损量作为输出样本，构成结构为[n,1]的二维张量N₂，二维张量M₂和二维张量N₂构成第二个样本对；以此类推，直至刀具在加工过程中最后一个时刻的刀具磨损量第一次被作为输出样本为止，完成样本对的构建过程；使用得到的所有样本对建立刀具磨损量样本数据库；步骤2：采用如下步骤构建基于长短期记忆模型的循环神经网络模型：步骤2‑1：构建的循环神经网络模型的输入端为历史磨损量编码器，再顺序连接全连接层1、复制矢量层、未来磨损量解码器、全连接层2，全连接层2作为最后的输出端；步骤2‑2：循环神经网络模型的输入是结构为[m,1]的张量，输出是结构为[n,1]的张量；步骤2‑3：历史磨损量编码器由两层长短期记忆单元组成，第一层为一个64维的长短期记忆单元，第二层为一个32维的长短期记忆单元；将输入张量输入历史磨损量编码器，计算得到一个结构为[32,32]的状态值张量，作为历史磨损量编码器的输出；步骤2‑4：将步骤2‑3中得到的状态值张量输入到全连接层1，通过卷积运算，输出一个结构为[1,32]的磨损量状态张量；步骤2‑5：将步骤2‑4中得到的磨损量状态张量输入到复制矢量层，复制矢量层将磨损量状态张量复制n个，输出一个结构为[n,32]的复制张量；步骤2‑6：未来磨损量解码器由两层长短期记忆单元组成，第一层为一个32维的长短期记忆单元，第二层为一个16维的长短期记忆单元；将步骤2‑5得到的复制张量输入到未来磨损量解码器，计算得到一个结构为[n,32]的未来磨损量高维张量；步骤2‑7：将步骤2‑6中得到的未来磨损量高维张量输入全连接层2，通过卷积运算进行维度变换，生成一个[n,1]的未来磨损量1维张量，作为循环神经网络模型的最终输出，对应于未来n个时刻的刀具磨损量；步骤3：采用如下步骤训练循环神经网络模型：步骤3‑1：将步骤1中得到的刀具磨损量样本数据库中的样本对随机划分为两部分，一部分作为训练集，另外一部分作为验证集；步骤3‑2：初始化循环神经网络模型的参数：将历史磨损量编码器的记忆‑遗忘门径权重、未来磨损量解码器的记忆‑遗忘门径权重、全连接层1的权重和全连接层2的权重使用glorot正态分布初始化方法进行初始化，将历史磨损量编码器的偏置、未来磨损量解码器的偏置、全连接层1的偏置和全连接层2的偏置都置0；步骤3‑3：定义损失函数logcosh表示为：logcosh(y_true,y_pred)＝log(cosh(y_pred‑y_true))其中，y_pred为循环神经网络模型预测的刀具磨损量数值，y_true为刀具的真实磨损量数值；步骤3‑4：采用adam优化算法，使用步骤3‑1中得到的训练集中的样本对对循环神经网络模型进行监督式训练，全部样本对使用完成后，得到更新后的循环神经网络模型；再使用步骤3‑3定义的损失函数logcosh计算采用训练集样本对的损失函数值并记录；步骤3‑5：使用步骤3‑1中得到的验证集中的全部样本对对步骤3‑4得到的更新后的循环神经网络模型进行验证，用损失函数logcosh计算采用验证集样本对的损失函数值并记录；步骤3‑6：重复步骤3‑4、步骤3‑5，当训练集样本对的损失函数值保持不变或者下降并且验证集样本对的损失函数值上升的时候，此时模型进入过拟合，选择发生过拟合之前上一轮训练得到的循环神经网络模型作为最优预测模型；若没有发生过拟合，且当训练集样本对的损失函数值低于1，选择此时循环神经网络模型作为最优预测模型；步骤4：将步骤3得到的最优预测模型按照HDF5的格式存储为二进制数据，供在线预测时使用；步骤5：将从包括当前时刻并连续向前m时刻的刀具磨损量作为最优预测模型的输入，最优预测模型的输出即为预测的当前时刻之后连续n个时刻的刀具磨损量值。