一种数控机床刀具寿命预测方法、系统、设备及存储介质

1.本发明属于车间智能化加工领域，涉及一种数控机床刀具寿命预测方法、系统、设备及存储介质。


背景技术：

2.车间智能化加工过程中，配置合理的数控刀具系统是保证工件加工精度和质量的关键。刀具寿命作为衡量刀具系统性能和评估刀具可靠性的重要指标，若在加工过程中没有对刀具寿命进行预测或者预测结果不准确，都会影响工件加工质量，严重时将导致工件报废，引起生产线停滞。因此，数控刀具寿命预测可作为切削参数配置和提前换刀的依据，准确的寿命预测可提高数控刀具的实际使用率，降低刀具使用成本。
3.目前，刀具寿命预测技术已经有了一些方法，一方面主要是将遗传算法ga、粒子群算法pso、bp神经网络等智能算法引入刀具寿命预测问题中。另一方面，基于统计学习发展起来的支持向量回归机(support vector regression，svr)在小样本、非线性问题中具有优越的预测性能，也有一些方法将svr引入刀具寿命预测问题中。然而，上述算法在解决刀具寿命预测时仍然存在一定的问题。例如：虽然神经网络具有良好的非线性逼近能力，但在刀具寿命预测过程中，反向传播算法存在收敛速度慢、易陷入局部极小点、全局搜索能力弱等缺点；虽然粒子群算法搜索速度快、效率高、易于实现的群体智能优化算法，但同时存在着容易早熟收敛、搜索精度较低等劣势；svr中的训练参数缺乏固定的选取准则，随机选取无法保证良好的预测效果。


技术实现要素：

4.本发明的目的在于克服上述现有技术的缺点，提供一种数控机床刀具寿命预测方法、系统、设备及存储介质，提高算法搜索svr参数最优值的可能性，以提高刀具寿命预测的精度。
5.为达到上述目的，本发明采用以下技术方案予以实现：
6.一种数控机床刀具寿命预测方法，包括以下步骤；
7.步骤一，确定n种影响刀具寿命的因素，并选择m组刀具数据组成训练样本数据集，每组刀具数据均包含对应于n个影响因素的参数值和刀具实际寿命值；
8.步骤二，对训练样本数据进行归一化预处理至[
‑
1,1]区间内；
[0009]
步骤三，将归一化后的训练样本数据作为ampso算法的输入，根据ampso算法的适应度函数值不断训练得到svr模型最优的惩罚参数和核函数参数组合；
[0010]
步骤四，基于所得的最佳参数和核函数参数组合，以归一化的训练样本数据集中的各参数值作为输入，刀具实际寿命值作为输出，确定预测模型的最佳核函数，采用svr模型对样本数据进行训练，得到刀具寿命预测模型；
[0011]
步骤五，将影响刀具寿命的因素输入到刀具寿命预测模型中，输出得到预测的刀具寿命。
[0012]
优选的，步骤一中，影响刀具寿命的因素为切削速度、每齿进给量、切削深度、切削宽度、刀具直径和刀具齿数。
[0013]
优选的，步骤一中，训练样本数据集的输入数据集x＝[x
i
]
m
×
n
，其中，x
i
为各组刀具数据不同影响因素的具体参数值，输出数据集y＝[y1，y2，y3，...，y
m
]
t
，其中y为刀具实际寿命值。
[0014]
优选的，步骤二中，归一化预处理函数为其中，u为原始输入数据，v为归一化后的数据。
[0015]
优选的，步骤三中，将刀具实际寿命与预测寿命之间的偏差转换为ampso算法的适应度函数值，适应度函数为误差平方和的倒数，即应度函数值，适应度函数为误差平方和的倒数，即其中，f(x
i
)、y
i
分别表示第i个训练样本数据的预测寿命和实际寿命，m表示输入样本数据的总数。
[0016]
优选的，步骤四中，选择误差最小的径向基核函数作为最佳核函数，径向基函数选为高斯核函数其中，σ为核函数参数。
[0017]
优选的，得到刀具寿命预测模型后，将待测刀具的数据输入所建立的刀具寿命预测模型中，反归一化输出最终预测结果，通过计算实际寿命与预测寿命之间的偏差，来检验所建立的铣刀寿命预测模型的预测准确率，如果准确率小于要求值，则返回步骤一，如果准确率大于等于要求值，则进行步骤五。
[0018]
一种数控机床刀具寿命预测系统，包括：
[0019]
训练样本数据集构建模块，用于分析确定n种影响刀具寿命的因素，并选择m组刀具数据组成训练样本数据集，每组刀具数据均包含对应于n个影响因素的参数值和刀具实际寿命值；
[0020]
归一化模块，用于对训练样本数据进行归一化预处理至[
‑
1,1]区间内；
[0021]
svr模型参数优化模块，用于将归一化后的训练样本数据作为ampso算法的输入，根据ampso算法的适应度函数值不断训练得到svr模型最优的惩罚参数和核函数参数组合；
[0022]
刀具寿命预测模型构建模块，用于基于所得的最佳参数和核函数参数组合，以归一化的训练样本数据集中的各参数值作为输入，刀具实际寿命值作为输出，确定预测模型的最佳核函数，采用svr模型对样本数据进行训练，得到刀具寿命预测模型；
[0023]
应用模块，用于将影响刀具寿命的因素输入到刀具寿命预测模型中，输出得到预测的刀具寿命。
[0024]
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述数控机床刀具寿命预测方法的步骤。
[0025]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项数控机床刀具寿命预测方法的步骤。
[0026]
与现有技术相比，本发明具有以下有益效果：
[0027]
本发明针对svr中的训练参数缺乏固定的选取准则，在普通粒子群算法的基础上引入简单变异算子，以一定概率重新初始化粒子，算法中每个粒子都代表问题的一个潜在
解，每个粒子对应一个由适应度函数决定的适应度值，更新粒子从而实现个体在可解空间的寻优。与现有方法相比，本方法的预测误差小、精度高、泛化能力强，可准确预测数控铣刀寿命，同时训练时间短、效率高，可以为车间刀具准备和数控加工过程中的换刀决策提供依据。
附图说明
[0028]
图1为本发明的方法流程图；
[0029]
图2为本发明的案例刀具在训练样本集的实际寿命和预测寿命图。
具体实施方式
[0030]
下面结合附图对本发明做进一步详细描述：
[0031]
本发明所述的数控机床刀具寿命预测方法，即基于ampso
‑
svr的数控机床刀具寿命预测方法的流程图如图1所示，包括以下步骤：
[0032]
(1)分析确定n种影响刀具寿命的因素，并选择m组刀具数据组成训练样本数据集，每组刀具数据均包含对应于n个影响因素的参数值和刀具实际寿命值，则训练数据集中样本的个数为m，训练样本数据集的输入数据集x＝[x
i
]
m
×
n
，其中，x
i
为各组刀具数据不同影响因素的具体参数值，输出数据集y＝[y1，y2，y3，...，y
m
]
t
，其中y为刀具实际寿命值。
[0033]
刀具寿命是指一把新刀具从投入使用起，直到刀具报废为止的切削时间总和。刀具从开始使用至达到磨钝标准时应保证的切削时间为刀具耐用度。在数值上，刀具寿命等于刀具耐用度乘以刃磨次数。在实际加工中，刀具寿命通常指刀具耐用度。
[0034]
由实践和经验总结出刀具寿命计算公式如下：
[0035][0036]
式中，t为刀具使用寿命，c
r
为刀具寿命系数，d0为刀具直径，v
c
为切削速度，a
p
为切削深度，f为每齿进给量，a
w
为切削宽度，z为刀具齿数。x、y、u、p、q为各个参数对刀具寿命的影响指数。
[0037]
由公式可知，影响刀具寿命的主要因素有切削速度、每齿进给量、切削深度、切削宽度、刀具直径和刀具齿数。通过以上分析，设定影响刀具寿命的因素为6种，即n＝6，分别为切削速度、每齿进给量、切削深度、切削宽度、刀具直径和刀具齿数，本发明将这6个影响因素作为刀具寿命预测模型的输入。
[0038]
(2)采用归一化预处理函数对样本数据进行归一化预处理至[
‑
1,1]区间内，其中，u为原始输入数据，v为归一化后的数据。
[0039]
(3)将归一化后的训练样本数据作为ampso算法的输入，将铣刀实际寿命与预测寿命之间的偏差转换为ampso算法的适应度函数值，适应度函数为误差平方和的倒数，即其中，f(x
i
)、y
i
分别表示第i个训练样本数据的预测寿命和实际寿命，m表示输入样本数据的总数。
[0040]
为了构造具有较强预测性能的svr模型来预测刀具寿命，需要设置较优的svr模型的惩罚参数c和核函数参数σ组合。本文在pso算法的基础上引入自适应变异算子，构建ampso算法来优化svr模型的参数组合c和σ。所述的ampso算法，基本思想是：粒子每次更新之后，以一定的概率重新初始化粒子。这一操作扩展了在迭代过程中不断缩小的搜索空间，使粒子能够跳出当前的最优解，提高模型寻找到更优解的可能性。ampso算法中的粒子更新具体实施步骤如下：
[0041]
经过k次迭代，第i个粒子在n维搜索空间的位置为pop(j，k)，p为变异阈值，当粒子满足大于阈值时，将跳出当前位置，出现新的位置，否则保持不变。可表示为
[0042][0043][0044]
其中，p为0到1之间的常数，r1和r2为0到1之间的随机数，ceil(x)为将x四舍五入为大于或等于最接近x的整数，sizepop为种群最大数量，popgmax、popgmin分别为svr核函数参数变化的最大值和最小值。
[0045]
(4)基于所得的最佳参数c和σ组合，以归一化的训练样本数据集中的各参数值作为输入，刀具实际寿命值作为输出，采用svr对样本数据进行训练，得到基于ampso
‑
svr的铣刀寿命预测模型。其中：在多次试验的基础上选择误差最小的径向基函数作为svr模型的核函数，径向基函数选为高斯核函数σ为宽度参数。
[0046]
(5)将待测刀具的数据输入所建立的刀具寿命预测模型中，反归一化输出最终预测结果，通过计算实际寿命与预测寿命之间的偏差，来检验所建立的铣刀寿命预测模型的预测准确率。
[0047]
以下为本发明的实施例，本实施例采用的刀具材料为硬质合金钢，采用立铣加工方式，在加工要求为粗铣的条件下，加工材料为45钢的工件，实验数据如表1所示。其包括以下步骤：
[0048]
表1实验样本数据(训练+测试)
[0049][0050]
首先，将表1中的第2
‑
7列作为模型的输入，最后一列作为模型的输出，训练并测试基于ampso
‑
svr的铣刀寿命预测模型。将训练样本集(编号1
‑
7)的输入数据归一化后，采用ampso算法优化svr模型参数，得到优化后的参数为：c＝12.94，σ＝0.01。
[0051]
其次，采用svr训练得出铣刀寿命预测模型，计算该模型在训练集上的预测结果如图2所示，图中标出了针对每个训练样本的铣刀寿命预测相对误差，最小为0.35046％，最大为1.3496％。因此，所训练的基于ampso
‑
svr的铣刀寿命预测模型在训练样本集上可较准确地预测铣刀寿命。
[0052]
最后，在测试样本集(编号8
‑
10)上对所训练的ampso
‑
svr模型进行验证，得到的铣刀寿命预测结果如表2所示。由表可知：预测寿命与实际寿命之间的相对误差最小为0.5872％，最大为0.9088％。因此，所训练的基于ampso
‑
svr的铣刀寿命预测模型在测试样本集上也可较准确地预测铣刀寿命。
[0053]
表2测试样本集上的铣刀寿命预测结果
[0054]
序号实际寿命(h)预测寿命(h)绝对误差(h)相对误差8200198.82571.17430.5872％9120119.19920.80080.6673％10135136.22691.22690.9088％
[0055]
svr中的惩罚参数c和核函数参数σ对寿命预测结果影响很大，常用网格搜索(grid search，gs)等方法进行参数的选择。针对测试数据集，将gs
‑
svr、bp神经网络和本发明提出的ampso
‑
svr算法的预测结果进行比较，如表3所示。
[0056]
表3算法预测结果对比
[0057][0058]
通过对比可知，采用ampso
‑
svr算法能够得到更小的误差和更高的预测精度。此外，在模型训练时间上，采用bp神经网络的训练时间为2.095025秒，而采用ampso
‑
svr的训练时间为0.877488秒，可见本发明提出的ampso
‑
svr模型的训练效率较高。
[0059]
本发明所述的数控机床刀具寿命预测系统，包括：
[0060]
训练样本数据集构建模块，用于分析确定n种影响刀具寿命的因素，并选择m组刀具数据组成训练样本数据集，每组刀具数据均包含对应于n个影响因素的参数值和刀具实际寿命值。
[0061]
归一化模块，用于对训练样本数据进行归一化预处理至[
‑
1,1]区间内。
[0062]
svr模型参数优化模块，用于将归一化后的训练样本数据作为ampso算法的输入，根据ampso算法的适应度函数值不断训练得到svr模型最优的惩罚参数和核函数参数组合。
[0063]
刀具寿命预测模型构建模块，用于基于所得的最佳参数和核函数参数组合，以归一化的训练样本数据集中的各参数值作为输入，刀具实际寿命值作为输出，确定预测模型的最佳核函数，采用svr模型对样本数据进行训练，得到刀具寿命预测模型。
[0064]
应用模块，用于将影响刀具寿命的因素输入到刀具寿命预测模型中，输出得到预测的刀具寿命。
[0065]
本发明所述的计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述数控机床刀具寿命预测方法的步骤。
[0066]
本发明所述的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项数控机床刀具寿命预测方法的步骤。
[0067]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。