基于自注意力机制与深度学习的刀具磨损量预测方法与流程

本发明涉及了一种基于自注意力机制与深度学习的刀具磨损量预测方法，属于数控机床刀具磨损量预测领域。

背景技术：

随着现代工业信息化、智能化的不断推进，数控机床在工业生产中的应用越来越广泛，而其中刀具的精度对数控机床的综合性能与被加工件的质量起着决定性的作用。数控机床刀具的磨损会导致被加工表面尺寸精度下降、粗糙度增加，降低被加工件质量，还可能导致被加工件报废，增加生产成本。而如果能够对数控机床刀具的磨损量进行监控或预测就可以及时对刀具进行更换或维护，保证被加工件的质量。因此，对数控机床刀具磨损量预测的研究是很有意义的。

目前对于数控机床刀具磨损量的监控与预测主要采用间接测量的方法，即不是通过直接测量的方式，而是通过处理数控机床刀具加工过程中的传感器信号间接实现对刀具磨损量的预测。在数控机床加工的过程中，其切削力、振动信号以及声音信号都包含着丰富的有关刀具磨损状态的特征信息，可以通过获取并处理这些传感器测量信号间接实现对刀具磨损量的预测。

深层神经网络在理论上可以逼近任何函数，在图像识别、自然语言处理等领域取得了非常好的效果。自注意力机制能够计算序列数据中每个数据对其它数据的注意力，并给它们分配不同的权重，从而使经过其处理的序列数据成为包含着权重信息的序列数据，具有较强的处理序列数据的能力，目前已经被应用于机器翻译领域并取得了非常好的效果。双向长短时记忆网络可以有效地捕捉序列数据中每个数据对前后两个方向上数据的长期依赖关系，也具有较强的处理序列数据的能力。

在目前的应用深度神经网络预测数控机床刀具磨损量的研究中，主要以单一网络结构为主，如使用卷积神经网络等等。这样的方法存在着处理序列数据能力有待提高，对刀具磨损量的预测精度不高等问题。因此需要研究一种具有更强的处理序列数据的能力、能更有效更可靠地预测刀具磨损量的方法。

技术实现要素：

本发明提出了一种基于自注意力机制与深度学习的刀具磨损量预测方法。该方法利用自注意力机制与双向长短时记忆网络处理序列数据的优越性，充分挖掘选择了传感器测量数据中与刀具磨损相关的特征信息，并提取了不同时刻的切削力、振动信号和声音信号的特殊三种传感器测量数据之间的依赖关系，有效提升了对数控机床刀具磨损量的实时预测效果，可应用于工业生产中的数控机床刀具磨损量的预测当中。

为实现上述功能，本发明的技术方案具体包括以下技术步骤：

s1.在具有夹具和刀具的传统数控机床铣削加工工件过程中，在数控机床工件、夹具以及工作台上安装测力计、加速度传感器和声传感器；

s2.进行铣削加工，铣削加工过程中通过各个传感器测量数据，并且使用显微镜测量刀具磨损量；

s3.对铣削加工实验中获得的各个传感器测量数据进行预处理，得到训练数据样本，并包含刀具磨损量标签；

s4.建立基于自注意力机制和深度学习的深度神经网络，作为刀具磨损量的预测模型，具体为：

所述的深度神经网络由自注意力机制的子网络、双向长短时记忆网络层子网络、全连接层子网络和输出层依次连接构成：

所述的自注意力机制子网络是由一个自注意力层和一个全连接层依次连接构成，自注意力层的输出经过全连接层后得到该子网络的输出；

自注意力层中计算每个测量周期的测量数据对其它测量周期的测量数据的注意力，并给每个测量周期的测量数据分配不同的权重，从而使自注意力层输出的序列数据成为包含着权重信息的序列数据；

所述的双向长短时记忆网络层子网络由两层双向长短时记忆网络依次组成，两层双向长短时记忆网络的神经元数目为m个和n个，且在双向长短时记忆网络层子网络的最后设置dropout层，以避免过拟合；

所述的全连接层子网络由两个全连接层依次组成，两个全连接层的神经元数目为s个和t个，且在两个全连接层之间设置dropout层；

所述的输出层中，神经元数为1，输入为全连接层子网络的输出，输出即为数控机床刀具的磨损量值；

s5.将处理好的训练数据样本和刀具磨损量标签输入预测模型中训练预测模型；

s6.在使用需要预测磨损量的刀具进行加工的过程中使用与铣削加工实验相同的方法获得实时传感器测量数据并进行数据预处理，得到测试数据，测试数据不使用显微镜测量获得刀具磨损量；

s7.将测试数据输入训练好的预测模型中实时预测输出测试数据的刀具磨损量。

所述步骤s1中，工件被数控机床的夹具装夹固定，用数控机床的刀具对工件进行铣削加工，将一个测力计安装在工件与夹具之间，将三个加速度传感器分别安装在工件的三个三维坐标方向上，将声传感器安装在工作台上。

三个三维坐标方向是指夹具带动工件旋转的转轴方向和垂直于转轴方向的平面上的两个相垂直方向。

所述步骤s2中，对用于获取训练数据的刀具进行铣削加工实验，通过所述步骤s1中布置的传感器获取铣削加工过程中三个三维坐标方向的切削力、三个三维坐标方向的振动信号和声音信号，共7种传感器测量数据。

所述步骤s3具体如下：

s31.对于每一次刀具铣削加工实验获得的7种传感器测量数据的每种数据，均沿时间步方向平均为l组，每组数据构成一个测量周期的测量数据，计算每组数据的最大值、平均值和方差的三种统计特征，7种传感器测量数据的每组数据的三种统计特征构成了21个统计特征，形成共l个时间步长、21个统计特征的序列数据，将每一个这样的数据规模为l×21的序列数据作为一个数据样本；进行k次铣削加工实验，获得k个数据规模为l×21的数据样本；

s32.对获得的数据样本进行数据标准化处理，具体采用标准差标准化方法(z-score标准化)，即经过处理的数据符合标准正态分布，均值为0，方差为1。

对于步骤s4所述的模型，其输出层激活函数选择线性激活函数进行预测，其余的3全连接层、2个双向长短时记忆网络层的所有激活函数均采用线性整流单元(relu)，神经网络中所有权重的初始化方法均采用正态分布初始化方法。

所述步骤s5具体如下：模型损失函数采用均方差损失函数，训练预测模型时选用adamax优化算法，学习率设置为0.001，迭代次数设置为60。

本发明利用自注意力机制在处理序列数据时捕捉不同时刻输入数据之间的权重关系的能力以及双向长短时记忆网络在处理序列数据时捕捉数据时序依赖关系的能力，充分挖掘了传感器测量数据中与刀具磨损相关的特征信息，可以对刀具磨损量进行实时预测。该方法充分利用了自注意力机制与双向长短时记忆网络在处理序列数据时不同的强项，实现了优势互补，大大提升了预测模型处理序列数据的能力，实现了单种网络所不能实现的效果，极大提高了刀具磨损量的预测效果，可以应用于各种数控机床刀具的健康管理与设备维护当中。

与现有的技术与方法相比，本发明具有以下优势：

本发明采用了合理而高效的传感器测量数据获取与处理机制。在数控机床刀具加工过程的传感器测量信号的收集中，获取了加工过程中的切削力信号、振动信号与声音信号，选取合理的原始测量数据为刀具磨损量预测提供了保证；在对原始传感器测量数据的预处理中，选取了最大值、平均值与方差这三个最典型的统计特征，这些数据中包含了丰富的与刀具磨损状态相关的特征信息。

本发明充分利用了自注意力机制和双向长短时记忆网络在处理序列数据时各自的强项，实现了优势互补，充分挖掘了传感器测量数据中与刀具磨损相关的特征信息，并提取了不同时刻传感器测量数据之间的依赖关系，其效果好于使用单一结构神经网络进行的预测，并据此实现了更有效地预测或监控数控机床刀具的磨损量，以实现对数控机床刀具的健康管理。

在数控机床刀具磨损量预测领域，本发明首次提出使用结合了自注意力机制与双向长短时记忆网络的深层神经网络预测模型的方法，该方法具有较好的创新性与实用性。

附图说明

图1为本发明具体步骤的流程示意图。

图2为本发明实例中传感器安装位置示意图。

图3为本发明所提出的基于自注意力机制与深度学习的预测模型的结构示意图。

图4为本发明实例中实验结果的均方根误差。

图5为本发明实例中实验结果的绝对平均误差。

具体实施方式

下面结合附图和具体实例对本发明作进一步说明：

本发明具体实施例如下：

phm(故障诊断与健康管理)协会是一家具有国际影响力的横跨学术界和工业界的机构，致力于“故障预测与健康管理”理论和方法的研究与应用。phm协会于2009年在美国纽约成立，每年都会举办“phm协会数据竞赛”。该项竞赛是国际上高水平的同类赛事之一，本实例使用了2010年phm协会数据竞赛的比赛数据对本发明所提出的数控机床刀具磨损量预测方法进行验证。

数控机床刀具的加工参数为：主轴转速10400rpm，x轴方向进给速率为1555mm/min，径向切削深度为0.125mm，轴向切削深度为0.2mm。传感器布置为：如附图2所示，刀具2安装于旋转主轴1上，工件3被固定于夹具4上，夹具4被安装在工作台5上；测力计7安装于工件3和夹具4之间，共三个加速度计6安装在工件3的三个三维坐标方向上，具体来说两个加速度计6安装在工件3外周侧壁的两处且对应的径向直径相垂直，另一加速度计6安装在工件3端面上，声传感器8安装于工作台上并位于工件3附近。测量系统的采样频率为50khz。每个加工过程由315次铣削操作组成，每次铣削操作结束后停机，使用leicamz12显微镜对刀具的磨损量进行测量，作为每次铣削操作所获取的传感器数据的标签。本实例使用的数据共包含6个加工过程的数据，得到6组传感器测量数据，分别为c1、c2、c3、c4、c5、c6。本实施实例选用c1、c4、c6三组数据进行实验。实验任务是对刀具加工过程中的传感器测量数据进行处理，建立预测模型，然后将处理好的数据输入到预测模型中，间接预测得到刀具的磨损量，并与真实磨损量对比，观察其预测效果。

附图1展示了本发明所提出的刀具磨损量预测方法的流程示意图。

具体实施方式为：

s1.在数控机床工作台、夹具及工件上安装测力计、加速度传感器和声传感器；

在工件和夹具之间安装一个测力计，在工件的三个方向上安装三个加速度传感器，在机床工作台上安装一个声传感器；

s2.对刀具进行铣削加工实验，通过s1中的传感器采集相关加工测试数据；

通过一个测力计可以获得刀具在数控机床x，y，z三个坐标方向的切削力，通过三个加速度传感器可以获得工件在数控机床x，y，z三个坐标方向的振动信号，通过一个声传感器可以获得数控机床加工过程中的声音信号。即通过一个测力计，三个加速度传感器和一个声传感器，获得共7种不同的加工特征信号；

s3.对原始测量数据进行预处理，得到训练数据与测试数据。具体处理步骤如下：

s31.将每一次刀具铣削加工过程获得的7种传感器测量数据沿时间步方向平均为150组，计算每组数据的最大值、平均值和方差，形成共150个时间步长、21个加工特征的序列数据，将每一个这样的数据规模为150×21的序列数据作为一个数据样本；

s32.对获得的数据样本沿时间步方向进行数据标准化，采用标准差标准化方法(z-score标准化)，即经过处理的数据符合标准正态分布，均值为0，方差为1。

s33.在每个铣削循环完成后，使用显微镜测量刀具三个刀面的磨损量，并依照比赛要求，出于安全性的考虑，将三个刀面磨损量的最大值作为标签，与训练数据样本相匹配得到样本数据集。

在比赛数据中，选择了c1，c4，c6三个数据集作为验证本发明所提出方法的训练和测试数据集，采用三折验证的方式进行验证。即两个数据集作为训练集，一个数据集作为测试集，然后将另一个数据集作为测试集，其余两个数据集作为训练集，以此类推。将三组实验分别记为实验1、实验2、实验3，如表1所示。

表1

s4.建立基于自注意力机制与深度学习的深度神经网络，作为刀具磨损量的预测模型，如图3所示；

s41.构造自注意力机制子网络，该子网络包含一个自注意力层和一个全连接层。自注意力层中计算每个测量周期的测量数据对其它测量周期的测量数据的注意力，并给它们分配不同的权重，从而使其输出的序列数据成为包含着权重信息的序列数据；自注意力层的输出经过全连接层后得到该子网络的输出。

s42.构造双向长短时记忆网络层子网络，该子网络由两层双向长短时记忆网络组成。两层双向长短时记忆网络的神经元数目均为150个，其输入是步骤s41中所述子网络的输出；在该子网络后设置dropout层以避免过拟合，dropout率设置为0.5；

s43.构造全连接层子网络，该子网络由两个全连接层组成。两个全连接层的神经元数目为200个和250个，其输入是步骤s42所述子网络的输出；在两个全连接层之间设置dropout层以避免过拟合，dropout率设置为0.5；

s44.构建输出层，神经元数目为1，输入为步骤s43所述子网络的输出，输出为数控机床刀具的磨损量值。

预测模型中，输出层采用的激活函数为线性激活函数，而其余部分的所有激活函数均采用线性整流单元(relu)；深层神经网络中所有权重的初始化方法均采用正态分布初始化方法。

s5.将处理好的训练数据样本和刀具磨损量标签输入预测模型中训练预测模型；

其中，模型损失函数采用均方差损失函数，训练预测模型时采用adamax优化算法，学习率设置为0.001，迭代次数设置为60；将在步骤s3中处理好的训练样本数据输入神经网络当中，训练预测模型。

s6.将测试数据输入训练好的预测模型中，实时地预测刀具的磨损量。

将在步骤s3中处理好的测试数据样本输入预测模型当中，得到预测的刀具磨损量值，将其与真实的刀具磨损量标签值进行对比，计算其均方根误差(rmse)和绝对平均误差(mae)，以定量地评价预测的效果。结果统计分别如图4和图5所示。

为了减小随机误差的影响，每组实验重复十次，计算十次实验的平均值与方差，结果如表2：

表2

从表2可以看出，经过多次实验，采用本发明所提出的方法进行数控机床刀具磨损量预测的结果与真实磨损量之间的均方根误差和绝对平均误差都比较小，说明本发明所提出的预测方法具体较好的预测精度。并且误差函数值的方差也较小，说明本发明提出的预测模型具有较好的稳定性。综上所述，本发明所提出的模型在数控机床刀具磨损量预测领域具有有效性。

本实例使用了2010年phm国际数据竞赛所使用的数据集。对数据进行了预处理；建立了基于自注意力机制与深度学习的刀具磨损量预测模型；使用经过预处理的训练数据对预测模型进行了训练；将经过预处理的测试数据输入预测模型中，预测刀具的磨损量。实验结果表明，本发明提出的预测模型具有较好的准确性和稳定性。

本发明首次提出了使用自注意力机制与双向长短时记忆网络对数控机床刀具磨损量进行预测，并取得了不错的效果，可以被应用于数控机床刀具的健康管理与维护中，具有创新性与实用性。

上述实例为本发明在2010年phm国际数据大赛所使用的数据集上的一个应用实例，但本发明的具体实施不仅局限于上述实例。依照本发明原理和思路提出的相似方案，均应视为本发明专利的保护范围。