技术特征：
1.一种基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法，其特征在于，包括步骤如下：(1)获取多维刀具监测数据；多维刀具监测数据包括测有刀具的磨损值的样本数据及未测有刀具的磨损值的样本数据；每个样本数据均包括x维力、y维力、z维力、x维振动、y维振动、z维振动、声发射信号，x维力、y维力、z维力是指在切削过程中x轴、y轴、z轴这三个方向上刀具受到的切削力，x维振动、y维振动、z维振动是指在切削过程中x轴、y轴、z轴这三个方向上的振动信号，x轴、y轴、z轴所处的坐标系为机床主轴坐标系，是根据右手笛卡尔直角坐标系建立的，主轴方向为z轴，垂直于主轴方向的平面上两个相互垂直的方向为x轴、y轴；声发射信号是金属在加工过程中由于内部分子晶格发生畸变、金属裂纹加剧以及其在塑性形变时所释放出来的一种超高频应力波脉冲信号；(2)数据预处理；(3)特征提取与融合；(4)构造训练集、测试集；(5)搭建基于lstm算法网络模型；(6)训练基于lstm算法网络模型；(7)通过训练好的基于lstm算法网络模型进行刀具剩余寿命预测。2.根据权利要求1所述的一种基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法，其特征在于，步骤(2)中，对多维刀具监测数据数据预处理的具体实现过程包括：读取测有刀具的磨损值的样本数据中的x维力、y维力、z维力、x维振动、y维振动、z维振动、声发射信号这七通道数据并将其转换为dataframe数据帧，转换后将这七个字段分别命名为fx、fy、fz、ax、ay、az、ae
‑
rms；将测有刀具的磨损值的样本数据中的刀具的磨损值在x轴、y轴、z轴这三个方向上的磨损量，求均值之后作为标签，得到若干标签矩阵；将若干标签矩阵以.npy文件形式存储。3.根据权利要求1所述的一种基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法，其特征在于，步骤(3)中，对步骤(2)数据预处理后的数据进行特征提取的具体实现过程包括：读取步骤(2)数据预处理后的数据帧，在时域上，计算绝对均值、峰值、均方根值、方根幅值、歪度值、峭度值、波形因子、脉冲因子、歪度因子、峰值因子、裕度因子、峭度因子12个特征；绝对均值的计算公式为：峰值的计算公式为：max(z
i
)；均方根值的计算公式为：
方根幅值的计算公式为：歪度值的计算公式为：峭度值的计算公式为：波形因子的计算公式为：脉冲因子的计算公式为：歪度因子的计算公式为：峰值因子的计算公式为：裕度因子的计算公式为：峭度因子的计算公式为：每一条数据长度为n，z
ij
表示第i条数据第j个数据点，z
i
表示第i条数据，s(f)表示功率谱，max表示峰值；在频域上，计算重心频率、均方频率、均方根频率、频率方差4个特征；重心频率的计算公式为：均方频率的计算公式为：
均方根频率的计算公式为：频率方差的计算公式为：fc表示重心频率，s(f)为功率谱，f表示对输入的数据进行快速傅里叶变换之后得到的对应频率点，采样频率为1/50000；在小波域上，用db3小波变换提取8个特征；经过特征提取后，共得到24维特征，将这24维特征融合为特征矩阵，均以.npy文件形式存储。4.根据权利要求1所述的一种基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法，其特征在于，步骤(4)中，构造训练集、测试集的具体实现过程包括：读取标签矩阵和特征矩阵，对其进行数据标准差标准化处理后，得到符合标准正态分布即均值为0、方差为1的数据；把每个标签矩阵和对应的特征矩阵相匹配作为样本数据集；将样本数据集的部分数据作为训练集，剩余部分作为测试集。5.根据权利要求4所述的一种基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法，其特征在于，将样本数据集的80％作为训练集，剩余部分作为测试集。6.根据权利要求1所述的一种基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法，其特征在于，步骤(5)中，搭建基于lstm算法网络模型，具体是指：基于lstm算法网络模型为长短期记忆网络，长短期记忆网络包括输入层、第一隐藏层、第二隐藏层、全连接层及输出层；输入层的输入特征维数为6，第一隐藏层、第二隐藏层的节点个数均为64；将训练集输入第一隐藏层，第二隐藏层的输入为第一隐藏层的计算结果，在第二隐藏层设置dropout率为0.05的dropout层，避免过拟合问题，全连接层输入64个神经元，输出10个神经元，输出层采用线性激活函数，完成第二隐藏层到输出层的线性变换，使输出层输出刀具的磨损值。7.根据权利要求1所述的一种基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法，其特征在于，步骤(6)中，训练基于lstm算法网络模型，具体是指：将训练集输入基于lstm算法网络模型，将标签作为基于lstm算法网络模型的输出，对基于lstm算法网络模型进行训练；训练的同时记录每一次训练周期的损失函数；训练参数为：epoch＝500，batchsize＝128，learningrate＝0.0001；将验证集输入长短期记忆网络模型进行验证，在基于lstm算法网络模型训练过程中用adam算法进行优化，优化更新学习率learningrate，验证时记录每一次训练周期的损失函数，得到训练好的基于lstm算法网络模型。8.根据权利要求1所述的一种基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法，其特征在于，步骤(7)中，通过训练好的基于lstm算法网络模型进行刀具剩余寿命预测，具体是指：
将测试集输入训练好的基于lstm算法网络模型，得到预测磨损值，画出刀具预测磨损值曲线，刀具预测磨损值曲线中，横坐标为切削次数，纵坐标为磨损值。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1
‑
7任一所述基于多维特征提取与长短期记忆网络的刀具剩余寿命预测方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1
‑
7任一所述基于多维特征提取与长短期记忆网络的刀具剩余寿命预测方法的步骤。
技术总结
本发明涉及基于多维特征提取与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质，包括：(1)采集多维刀具监测数据；(2)数据预处理；(3)特征提取；(4)构造训练集、测试集；(5)搭建基于LSTM算法网络模型；(6)训练基于LSTM算法网络模型；(7)通过训练好的基于LSTM算法网络模型进行刀具剩余寿命预测。本发明将长短期记忆网络运用到工业场景，对数控机床刀具的剩余寿命进行预测。本发明在不同特征维度和尺度提取了不同传感器采集到的多通道刀具监测数据的有效信号，充分反映了刀具的状态信息。充分反映了刀具的状态信息。充分反映了刀具的状态信息。
技术研发人员：袁东风 庞蓓 李东阳
受保护的技术使用者：山东大学
技术研发日：2021.07.05
技术公布日：2021/10/11