[發(fā)明專利]一種基于機器學習回歸算法的刀具剩余壽命預測方法

在審

• 申請?zhí)枺?/td>: 202010315858.2
• 申請日: 2020-04-21
• 公開（公告）號: CN111476430A
• 公開（公告）日: 2020-07-31
• 發(fā)明（設計）人: 宋錫文;楊歡;李家興;潘杰;張亞鵬
• 申請（專利權(quán)）人: 南京凱奧思數(shù)據(jù)技術(shù)有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N20/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于機器學習回歸算法的刀具剩余壽命預測方法，其特征在于，包括模型訓練和在線壽命預測兩部分，所述模型訓練部分包括如下步驟：

100、利用多通道加速度傳感器采集刀具在一個完整的壽命周期下的刀具機床多個關(guān)鍵點的加速度信號并儲存，用刀具磨損量在線自動測量系統(tǒng)獲取刀具實時剩余壽命，將完整的壽命周期下所有通道每秒的加速度信號和刀具剩余壽命一一對應；

101、對采集的加速度信號進行信號預處理；

102、對預處理后所有通道完整壽命周期下的每一秒的加速度信號、速度信號、包絡信號進行特征提取，特征提取包括時域特征提取和頻域特征提??；

103、將所有通道每秒提取的特征值構(gòu)成的特征向量和對應的刀具剩余壽命構(gòu)成的特征向量同時輸入回歸模塊，采用交叉驗證的方式對回歸模塊中的每個模型進行訓練，選擇交叉驗證后均方誤差MSE最小的模型作為最優(yōu)刀具剩余壽命模型；

104、對最優(yōu)刀具剩余壽命模型進行超參數(shù)調(diào)優(yōu)，得到基于最優(yōu)超參數(shù)的最優(yōu)刀具剩余壽命模型；

所述在線壽命預測部分包括如下步驟：

200、利用多通道加速度傳感器實時采集刀具機床多個關(guān)鍵點每一秒的加速度信號并儲存；

201、對采集的加速度信號進行信號預處理，預處理的方法和模型訓練的步驟101相同；

202、對預處理后所有通道每一秒的加速度信號、速度信號、包絡信號進行特征提取，提取的特征和模型訓練的步驟102相同，所有通道每一秒的特征值構(gòu)成一個一維特征向量；

203、將步驟202中的一維特征向量輸入至由模型訓練的步驟104得出的基于最優(yōu)超參數(shù)的最優(yōu)刀具剩余壽命模型，輸出該時刻對應的刀具剩余壽命。

2.如權(quán)利要求1所述的一種基于機器學習回歸算法的刀具剩余壽命預測方法，其特征在于，步驟101的預處理包括如下步驟：

1011、刪除設備停機狀態(tài)的下的數(shù)據(jù)；

1012、根據(jù)三西格瑪原則剔除異常數(shù)據(jù)，然后過濾掉高頻噪聲信號，并將每個通道的加速度信號重采樣為8kHz；

1013、對加速度信號進行一次積分得到速度信號，以及提取加速度信號的包絡，以此獲取加速度信號對應的速度信號和包絡信號。

3.如權(quán)利要求1所述的一種基于機器學習回歸算法的刀具剩余壽命預測方法，其特征在于，步驟102中每種信號提取的時域特征包括有絕對均值、峰值、有效值、方根幅值、方差、峰峰值、偏態(tài)指標、峭度指標、峰值指標、波形指標、脈沖指標、裕度指標和變異系數(shù)，提取的頻域特征包括有重心頻率、均方頻率、均方根頻率、頻率方差、頻率標準差、譜峰穩(wěn)定指數(shù)、第一頻帶相對能量、第二頻帶相對能量、第三頻帶相對能量、第四頻帶相對能量和第五頻帶相對能量，即每種信號每秒共提取24個特征值，每個通道的三種信號每秒共提取72個特征值。

4.如權(quán)利要求1所述的一種基于機器學習回歸算法的刀具剩余壽命預測方法，其特征在于，步驟103中的回歸模塊中包括但不限于以下模型：隨機樹、多項式回歸、嶺回歸、套索回歸、最小二乘回歸、樣條回歸、彈性網(wǎng)絡回歸、高斯過程回歸、隨機森林、梯度提升樹、ARD自相關(guān)回歸、貝葉斯線性回歸、感知器回歸、被動攻擊回歸、SGD隨梯度下降回歸、正交匹配跟蹤回歸、神經(jīng)網(wǎng)絡回歸。

5.如權(quán)利要求1所述的一種基于機器學習回歸算法的刀具剩余壽命預測方法，其特征在于，步驟104中超參數(shù)調(diào)優(yōu)的具體方法為：針對步驟103所有通道每秒提取的特征值構(gòu)成的特征向量和對應的刀具剩余壽命構(gòu)成的特征向量，將最優(yōu)刀具剩余壽命模型的超參數(shù)空間里的每個預設參數(shù)值逐一輸入最優(yōu)刀具剩余壽命模型，獲取均方誤差MSE最小的超參數(shù)作為最優(yōu)超參數(shù)。