基于深度神经网络的关键设备切削刀具剩余寿命预测方法与流程

本发明涉及设备剩余使用寿命的预测方法，特别是关键设备切削刀具的剩余使用寿命预测方法。
背景技术：
：在关键设备作为制造企业中承担关键工序加工任务的设备，在负荷大小、资源竞争程度、生产成本以及加工调度优先级等多个生产指标上都远优于其他生产设备，在企业生产运营中起着决定性作用。作为车间加工生产中的核心力量，让其保持高利用率是车间调度中的关键问题，而这其中阻碍其工作的因素有很多，如电力、物料、故障等因素，有些是加工过程中不可抗拒的因素如停电、事故等，而有些则是设备本身产生的问题，例如设备使用时间过长使其老化而产生的故障，这些故障往往是加工过程中产生的，其影响程度远比可预见的异常因素要大的多，对制造企业带来的经济损失也是不可估量。而刀具作为这些设备的核心组件，其好坏也直接影响关键设备的性能，所以预测关键设备的刀具剩余寿命对车间生产有着重要的意义，提早发现刀具的问题，并提前做出预防，可以阻止生产过程中的刀具失效，避免设备的损坏，从而有效提高企业生产效率、降低生产成本及保证产品质量。现阶段，对刀具衰退状态监控技术的研究已经较为成熟，主要体现为对刀具监控指标的分析、刀具信号的特征提取以及刀具磨损量的诊断，却鲜有刀具剩余寿命预测方法的研究成果。技术实现要素：虽然当前剩余寿命问题的研究已经取得了部分成果，但并未提出一种适用于关键设备切削刀具的通用预测模型。现有方法预测精度低，准确性得不到保障。本发明解决以上问题所采用的技术方案是：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，并利用信号分析处理后的小波熵值数据作为预测训练数据，不仅将信号本身噪音的影响降到了最低，还降低了不同信号间的差异性，使预测模型更加通用。采用的并行神经网络预测模型，是基于数据本身特点的预测系统，从数据中挖掘特征，并将这些特征与剩余寿命相关联。通过大量真实数据对预测模型进行训练，使其对寿命阶段的划分更加细化，预测更加准确。最后，应用实际生产数据作为仿真实验的数据来源，从理论和实践两方面证明了该模型的准确性和可靠性。提出的预测系统主要分为三个模块：特征提取模块、状态识别与寿命预测模块以及输入输出交互模块。其中输入输出交互模块主要用于接收底层监控数据和发送预测结果，其中包含必要的数据处理和封装，以及供上下层系统调用的程序接口。特征提取模块的主要功能是对输入数据进行处理。通过小波包分解，提取能反应信号环境的特征频带信号。对特征频带信号进行熵值计算，采用小波时间熵、小波能量熵及小波奇异熵这三大指标度量被分析信号的不确定性，实现对分解后复杂信号的定量描述。状态识别与寿命预测模块的主要功能是对输入数据进行分析。其核心是并行深度神经网络决策模型，该模型的建立基于大量车间真实监测数据和n个具有随机性的刀具衰退实验。模型建立过程如下：步骤1：将实验数据分为训练数据集t和验证（预测）数据集v两部分储存到衰退数据库中。步骤2：通过n中的数据训练深度网络中的“编码器网络”，使其能对刀具信号进行识别。步骤3：通过t中的数据训练“状态识别网络”和“寿命预测网络”，使其能对设备当前状态和剩余寿命进行识别和预测。步骤4：将“编码器网络”与“状态识别网络”和“寿命预测网络”相连接得到并行深度神经网络最终得到决策模型。系统的预测流程：首先，接收来自底层监控设备的数据。然后，对数据进行特征提取，通过选取最优的刀具间接测量指标，组成神经网络数据样本集。最后，将提取后的数据输入到并行深度神经网络决策模型，其会得到两部分结果，即设备当前状态和剩余寿命。为解决因设备处在正常状态下其数据特征无法反应实际寿命的问题，本文对其所处状态进行了识别，若设备当前为正常状态则剩余寿命为模糊值仅供参考，当设备当前处于非正常阶段，则根据其特征预测得到其剩余寿命，该预测结果准确度较高。附图说明附图1是本发明中剩余寿命预测模型的预测流程。附图2是本发明中高容错状态识别指标(bsr)的特征曲线。附图3本发明中剩余寿命预测模型的结构。附图4是本发明的测试实验中的样本结果。具体实施方式实施例1：关键设备切削刀具的剩余寿命预测的一种模型系统，该系统的预测流程如附图1所示。首先，接收来自底层监控设备的数据。然后，对数据进行特征提取，通过选取最优的刀具间接测量指标，并对指标信号进行小波包分解，提取能反应信号环境的特征频带信号。得到小波时间熵、小波能量熵及小波奇异熵，组成神经网络数据样本集。最后，将提取后的数据输入到并行深度神经网络决策模型，其会得到两部分结果，即设备当前状态和剩余寿命。实施例2：通过bsr指标的计算，可以将刀具的生命周期划分为二个阶段，正常运行期、衰退期，如附图2所示。刀具衰退期包含了大量有效的刀具衰退特征信号，此阶段的信号变化明显，对衰退期区间内的衰退信号进行进一步的特征提取和分析，可得到有效性较高的预测模型所需要的训练数据。因此，本文通过分析bsr值的变化，确定关键设备刀具是否处在衰退期，从而产生了两段式的剩余寿命预测方法，该方法可有效缩短预测模型训练过程中的数据捕获时间，并提高预测结果的准确率。实施例3：针对当刀具处于正常状态时，其状态数据并不能很好的反应其寿命的问题，该模型采用多网络相结合的方式进行组合预测，进一步提升刀具状态预测的准确性。该模型训练及预测过程如附图3所示，模型主要包含两个部分，分别是深度神经网络及输出处理模块，其中深度神经网络由稀疏自编码器网络和用于寿命预测的softmax子网络及用于状态识别logistic子网络组成。实施例4:为验证该方法的可行性和准确性，进行了测试实验，最终结果如附图图4所示。实验中对实际车间中的35台设备进行全部取样，获取其在一周内的监测数据。并从取样时刻开始对其进行实际寿命计量，最终得到9台失效设备，其余26台设备均无失效。模型预测正常设备结果25台，并提供了参考寿命；预测衰退期设备10台并提供了准确剩余寿命。比较结果一同展示在表1中，表中试验结果都是由10次随机试验所得结果取平均值而得。表1性能综合比较表%方法设备组1设备组2设备组3设备组4设备组5设备组6设备组7bp(100)65.1266.1264.3367.5468.2369.1170.17bp(300)66.0090.1233.1070.2568.4338.1170.37bp(300-100)74.2576.3177.1876.3178.4279.1173.33svm78.3169.0073.6170.2177.9392.163.12softmax77.1176.0070.2577.5079.1676.0077.31sasm78.5279.0177.2278.3178.5777.3579.00从表中数据可以看出基于深度神经网络的预测模型能准确的对剩余寿命进行预测，并且预测效果整体上比bp神经网络好，无论bp神经网络的神经元的数量是与深度神经网络中自编码的神经元数量一致(300)或不一致(100)。而且表中数据也显示，bp神经网络中神经元数量越多，其准确率不一定越高，也可能会导致过拟合。实验结果验证了该预测模型在刀具剩余寿命预测过程中的正确性和精确性。可以解决之前提到的低精度和低准确性的问题。当前第1页12