一种基于边缘数据处理和BiGRU-CNN网络的机床刀具磨损预测方法

摘要

本发明涉及一种基于边缘数据处理和BiGRU‑CNN网络的机床刀具磨损预测方法，属于数控机床识别技术领域。该方法包括：首先，在靠近机床的边缘端，对采集到的机床监测数据进行数据预处理和初步特征提取，减少要传输的数据量，以节约所需的传输带宽并降低延迟，提高预测的实时性；其次，在云端对监测数据进行标准化处理，以便输入网络进行训练学习；然后在云端使用BiGRU‑CNN进行深度特征提取，构建基于深度学习的刀具磨损监测模型对刀具磨损进行预测。本发明结合边缘数据处理的优化的BiGRU‑CNN刀具磨损预测模型，有效提高了刀具磨损预测的实时性和准确性。

说明书

技术领域

本发明属于数控机床识别技术领域，涉及一种基于边缘数据处理和BiGRU-CNN网络的机床刀具磨损预测方法。

背景技术

近年来，机床被广泛用于加工制造高精度零件。只有使用高锋利度的刀具，才能保证这些零件的精度和表面光洁度。然而，机床刀具由于重复使用，不可避免出现磨损而使得锋利度降低。所以必须对刀具磨损进行监测和预测，以便在刀具磨损严重之前更换刀具。刀具磨损状态的实时监控主要分为直接法和间接法。直接方法是通过显微镜等外在测量方法直接测量刀具磨损值，这种方法的优点是测量精确，然而这种方法需要离线进行，会打断加工的连续性并延长加工时间。间接法是指通过包括振动、力、主轴电流，声音等易于采集并且不影响加工过程的物理量建立与刀具磨损值的映射关系来预测刀具磨损值，目前，间接方法是主流选择。

传统的间接磨损预测方法包括支持向量机、决策树、马尔可夫模型、聚类和人工神经网络等方法。Xie等使用主成分分析来提取电流和功率信号的特征，并建立了支持向量机的磨损状态识别模型；Liu等使用时域、频域，小波包分析方法来提取加工信号特征并建立自回归移动平均模型和三层反向传播神经网络组合模型来预测刀具磨损；Ozgr Cetin等提出一种多尺度建模的多比率耦合隐马尔可夫模型用于刀具磨损分类；Omid Geramifard等使用基于多模态隐马尔可夫模型用于刀具磨损监测；这些方法基于数据驱动建立回归模型，大都人工提取反映刀具磨损情况的原始数据特征值并输入深度学习网络进行训练，数据预处理和手动特征提取耗时耗力，而且会造成信息损失。深度学习方法具有强大的自适应学习能力和抗噪能力，并且可以自动提取深度特征，因此趋于取得更好的效果，比传统的机器学习方法更具通用性。LSTM(长短期记忆网络)能够提取时间序列数据的时间特征，CNN(卷积神经网络)能够提取数据的空间特征。Ali Al-Dulaimi等设计了一个基于LSTM和CNN的HDNN混合模型；Zhao等介绍了一种卷积双向长短期记忆网络(CBLSTM)来解决工具磨损预测任务。

尽管上述方法引入了各种深度学习模型，并在一定程度上提高了工具状态监测的准确性，但仍有一定的改进空间。

首先，LSTM的复杂结构使其需要更长的训练时间。基于LSTM改进的GRU(门控循环单元)克服这个问题，更简单的单元结构和更少的参数使GRU收敛更快。GRU有更小的计算时间，同时执行比LSTM同等的性能。其次，边缘计算作为云计算的补充，为解决高延迟、保证数据安全和节省带宽成本等问题提供了新型解决办法。在靠近机床的边缘侧部署的边缘节点采集和处理数据的举措，大大降低了延迟和传输带宽。

发明内容

有鉴于此，本发明的目的在于提供一种基于边缘数据处理和BiGRU-CNN网络的机床刀具磨损预测方法，解决传统方法中由于LSTM结构复杂使得训练时间很长的问题。首先，采用GRU(门控循环单元)克服这个问题，更简单的单元结构和更少的参数使GRU收敛更快。GRU有更小的计算时间，同时执行比LSTM同等的性能。其次，边缘计算作为云计算的补充，为解决高延迟、保证数据安全和节省带宽成本等问题提供了新型解决办法。在靠近机床的边缘侧部署的边缘节点采集和处理数据的举措，大大降低了延迟和传输带宽。

为达到上述目的，本发明提供如下技术方案：

一种基于边缘数据处理和BiGRU-CNN网络的机床刀具磨损预测方法，包含如下步骤：

S1：通过传感器和显微镜采集机床加工过程中的传感数据和刀具磨损值；

S2：将步骤S1采集的数据上传到边缘端，在边缘端进行数据预处理和数据分解；

S3：将步骤S2初步处理后的数据上传到云端，进行最佳特征选择和数据标准化处理，构建深度学习数据集，使用BiGRU-CNN网络进行特征提取；

S4：建造学习网络，构建BiGRU-CNN网络模型并优化，预测出机床刀具磨损值。

进一步，步骤S1中，所述传感数据为切削力、振动和高频声音数据，其中切削力和振动数据分别包括x轴、y轴和z轴数据。

进一步，步骤S2中，所述数据预处理包括：去噪、离群剔除，数据结构碎片整理和数据压缩；所述数据压缩是使用哈夫曼编码方式对原始数据进行压缩，以减少数据传输量。所述数据分解是通过四级离散小波变换DWT对清洗后的数据进行分解，以获得时频信号；然后根据时频信号提取一系列统计特征，例如均值、中位数、方差、均方误差、均方根，峰度等。

进一步，步骤S2中，每一级小波变换表示为：

y[n]＝x[Q

其中，x[n]和y[n]表示离散的输入信号和输出信号，长度为N；g[n]、h[n]和Q分别为低通滤波器、高通滤波器和降采样滤波器；α表示层数，L和H分别表示低频和高频，K表示离散域大小。

进一步，步骤S3中，使用斯皮尔曼相关系数进行最佳特征选择，以获得具有更好性能的特征集；

对数据标准化处理，是指使用z-score标准化处理，表达式为：

其中，Z

进一步，步骤S3中，使用BiGRU-CNN网络对输入进行深度特征提取，其中CNN提取空间特征，BiGRU提取时间特征；

第一个结构是CNN，共包含三个卷积层，使用零填充操作来改变特征映射的维数；由最后一个卷积层输出的特征包含有用的信息，将这些信息作为下一个BiGRU模型的输入；卷积过程表示为：

其中，

第二个结构是BiGRU，一个BiGRU层包含100个隐藏神经元；引入Dropout算法对BiGRU层中的神经元随机屏蔽，Dropout层参数设置为0.25；在训练阶段随机丢弃神经元，以防止频繁提取相同的特征；使用BiGRU而不是GRU层的主要优点是以两个相反的方向处理每个数据序列，包括向前和向后，从而能够访问每个序列中每个时间步前后的完整信息。在正向上，信息通过GRU单元进行预测，而反向GRU则平滑预测并消除噪声；

采用反向传播来更新混合网络中的权值，并以均方根传播(RMSprop)作为优化函数，在学习速率设定为0.0001时达到稳定收敛。为了避免过度拟合，引入了正则化的早期停止技术，其中最大训练周期数为2000。

进一步，步骤S4中，BiGRU-CNN网络模型的末尾附加两层全连接层，全连接层表示为：

X

其中，σ(·)为激活函数，使用Sigmoid激活函数；W

本发明的有益效果在于：本发明方法的数据在边缘侧进行了预处理压缩，减小了上传到云端的数据量；在云端构建BiGRU－CNN模型提取特征，改善了特征提取的繁琐任务量和特征提取不全的问题；最后通过两层全连接层，对刀具磨损进行更好的实时预测。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明的机床刀具磨损预测方法框架图；

图2为本发明机床刀具磨损预测方法程序流程示意图；

图3为本发明BiGRU-CNN网络结构示意图；

图4为本发明四级离散小波变换示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图4，图1为本发明的机床刀具磨损预测方法框架图，图2为本发明机床刀具磨损预测方法程序流程示意图；如图1和图2所示，通过传感器和显微镜采集机床加工过程中的传感数据和刀具磨损值，传感数据为切削力、振动和高频声音数据，其中切削力和振动数据分别包括x轴、y轴和z轴数据。将上述数据上传至边缘侧进行数据预处理和压缩，所述预处理是包括去噪、离群剔除，数据结构碎片整理；所述数据压缩是是使用哈夫曼编码方式对原始数据进行压缩，以减少数据传输量。初步处理后的数据上传到云端，进行数据特征选择和标准化处理，构建深度学习数据集，使用BiGRU-CNN网络进行深度特征提取，图3为BiGRU-CNN网络结构示意图；最后构建回归模型并优化，用于机床刀具磨损预测。具体步骤如下：

1)进行包括去噪、离群剔除，数据结构碎片整理的数据预处理；

2)如图4所示，通过四级离散小波变换(DWT)对清洗后的数据进行分解，以获得时频信号；

每一级小波变换可表示为：

y[n]＝x[Qn]

其中，x[n]和y[n]表示离散的输入信号和输出信号，长度为N；g[n]、h[n]和Q分别为低通滤波器、高通滤波器和降采样滤波器；α表示层数，L和H分别表示低频和高频，K表示离散域大小。

3)提取时频信号统计特征，包括均值、中位数、方差、均方误差、均方根，峰度；

4)指使用斯皮尔曼相关系数进行最佳特征选择以获得具有更好性能的特征集；

斯皮尔曼相关系数可表示为：

其中，x

5)使用z-score标准化处理。具体方法为：

其中，Z

6)使用BiGRU-CNN网络对原始数据进行特征提取，其中CNN提取空间特征，BiGRU提取时间特征；

7)第一个结构是CNN，共包含三个卷积层，使用零填充操作来改变特征映射的维数。由最后一个卷积层输出的特征包含有用的信息，这些信息将作为下一个BiGRU模型的输入。卷积过程可表示为：

其中

8)第二个结构是BiGRU，输入为CNN层输出X

9)采用反向传播来更新混合网络中的权值，并以均方根传播(RMSprop)作为优化函数，在学习速率设定为0.0001训练到稳定收敛。为了避免过度拟合，引入了正则化的早期停止技术，其中最大训练周期数为2000。

10)在BiGRU-CNN混合模型的末尾附加两层全连接层，全连接层表示为

X

其中，σ(·)为激活函数，使用Sigmoid激活函数，W

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。