[發明專利]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

• 申請號: 202010315858.2
• 申請日: 2020-04-21
• 公開（公告）號: CN111476430A
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 宋錫文;楊歡;李家興;潘杰;張亞鵬
• 申請（專利權）人: 南京凱奧思數據技術有限公司
• 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

本發明涉及機床刀具剩余壽命預測領域，公開了一種基于機器學習回歸算法的刀具剩余壽命預測方法，包括模型訓練和在線壽命預測兩部分，模型訓練包括完整壽命周期的原始數據收集并和刀具實際壽命建立對應關系、信號預處理、提取信號特征構成特征向量、交叉驗證獲取最優刀具壽命模型、超參數調優；在線壽命預測部分包括實時數據采集、信號預處理、提取信號特征構成特征向量、輸入基于最優超參數的最優刀具壽命模型、輸出刀具的剩余壽命。本發明模型訓練時每個通道提取的特征值數量多，因此訓練精度高，刀具剩余壽命預測準確，并建立刀具的剩余壽命智能預測模型，能夠根據不同的工況環境智能化選擇不同的回歸模型，模型的泛化性能好、移植性強。

技術領域

本發明涉及機床刀具剩余壽命預測領域，特別是涉及一種基于機器學習回歸算法的刀具剩余壽命預測方法。

背景技術

在切削加工領域，刀具的狀態及其壽命是加工過程中主要關注的對象，刀具剩余壽命(磨耗程度)是影響加工工件質量的關鍵因子，刀具失效可能造成工件表面粗糙度和尺寸精度的下降，或造成更嚴重的工件報廢或機床受損。采取過度的保護策略又會造成刀具剩余壽命的浪費以及不必要的換刀停機時間浪費。將有效地優化工作排程且降低刀具采購成本。因此為了避免刀具磨損失效引起刀具破損，損壞零件和機床，人們需要預測刀具的剩余壽命，當刀具剩余壽命不足以完成此次加工時，提醒操作者及時更換刀具，合理安排生產進度且降低刀具采購成本。

傳統的刀具剩余壽命預測方法主要分為兩種，第一種采用累計刀具當量切削時間的方法來評估刀具的壽命，這種傳統的壽命預測方法不適合復雜工況下的情況且會造成大量刀具的保守，已經逐漸地不再適應現代化制造的發展。另一種是基于某個機器學習算法模型進行回歸預測，這通壽命預測方法雖然能夠預測刀具的壽命，但是適用范圍比較狹窄、模型單一、準確率不高。

發明內容

有鑒于此，本發明提供的一種基于機器學習回歸算法的刀具剩余壽命預測方法，至少能夠部分的解決現有技術中存在的問題，為了達到上述目的，本發明采取的技術方案為：

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取；

103、將所有通道每秒提取的特征值構成的特征向量和對應的刀具剩余壽命構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刀具剩余壽命模型；

104、對最優刀具剩余壽命模型進行超參數調優，得到基于最優超參數的最優刀具剩余壽命模型；

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得出的基于最優超參數的最優刀具剩余壽命模型，輸出該時刻對應的刀具剩余壽命。