(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111491303.4 (22)申请日 2021.12.08 (71)申请人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街西段438号 (72)发明人 郭保苏　董昊　吴凤和　韩天杰　 温银堂　张玉燕　 (74)专利代理 机构 北京孚睿湾知识产权代理事 务所(普通 合伙) 11474 代理人 王冬杰 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) B23Q 17/09(2006.01) G06F 119/04(2020.01)G06F 119/14(2020.01) (54)发明名称 基于深度学习的刀具磨损预测方法 (57)摘要 本发明提供一种基于深度学习的刀具磨损 预测方法， 其包括以下步骤， 步骤一： 采集数控机 床加工数据； 步骤二： 对步骤一得到的初始数据 进行小波分解处理； 步骤三： 借助于深度学习网 络训练刀具磨损预测模型； 步骤四： 判断步骤三 得到的训练结果是否符合要求； 步骤五： 采集在 线加工数据， 完成刀具磨损的实时预测。 本发明 可对刀具磨损采集的数据实现自动降噪， 准确高 效地提取数据特征， 具有预测准确率高， 计算速 度快， 更新速度快等优点。 本发明的应用进一步 提升加工的安全性， 不仅有利于保证加工质量， 还有助于减少材 料损失， 减少加工废品的产生。 权利要求书2页 说明书7页 附图5页 CN 114297912 A 2022.04.08 CN 114297912 A 1.一种基于深度学习的刀具磨损预测方法， 其特 征在于， 其包括以下步骤： 步骤1： 采集数控机床加工数据： 采集数控机床加工过程中的七个维度数据， 并以等时间间隔保存所述七个维度数据， 用作模型训练的初始数据； 步骤2： 对步骤1得到的初始数据进行小 波分解处 理： 对所有初始数据均进行小波分解处理， 首先将初始数据分为低频数据和高频数据， 之 后按照第二层小波分解低频部分、 第二层小波分解高频部分、 第一层小波分解高频部分的 顺序传入小 波分解模型中进行计算， 得到 离散的离线数据集； 其中， 小波分解模型采用的阈值函数为Symlet小波函数族中的smy8小波基函数， 对初 始数据进行一维2层小 波分解， s my8小波基函数计算过程的表达式如下 所示： 式中： x表示输入数据， 即为初始 数据， 表示x向上取整数； y表示输出数据， 即为 处理 后的离散数据； sgn()表示 函数返回参数的正负号； τ 为阈值； 步骤3： 借助于深度学习网络训练刀具磨损预测模型， 其包括以下子步骤： S31、 建立刀具磨损预测模型， 刀具磨损预测模型包含由卷积层、 归一化、 激活函数组成 的前学习摸块和BoTNet深度学习模块； S32、 训练带阈值模块的BoTNet深度学习模块： 获取步骤2小波分解处理后得到的离线 数据集， 离线数据集包括刀具切削过程中的初始数据以及与其对应的磨损值， 将整个离线 数据集划分为训练集和验证集， 传入基于深度学习的刀具磨损预测模型中进行训练， 数据 依次经过刀具磨损预测模型的BoTNet深度学习模块， 再与传入数据相加， 最后传入到全连 接层， 完成训练过程， 输出训练结果； 其中， BoTNet深度学习模块的迭代计算模型如下式所示： 式中： i表示层数的编号,i∈(1,L)； L表示最后一层的编号； RFi表示第i层的感受野； ki 是第i层卷积核尺寸； Sj表示第j层卷积步长； BoTNet深度学习模块的节点更新计算， 其计算方法如下式所示： 式中： C表示代价函数， xl表示第l层的输入参数； xi表示第i层的输入参数； wi表示第i层 的参数， F(xi,wi)表示第i层的残差函数； 其中， 残差函数的具体 计算方法如下式所示： F(xi,wi)＝relu(w2·(relu(w1xi+b))) 式中： relu表示激活函数； xi表示第i层的传入数据； w1和w2分别表示第1层和第2层的参 数； b表示当前节点； 步骤4： 判断步骤3得到的训练结果是否符合要求：权　利　要　求　书 1/2 页 2 CN 114297912 A 2计算验证集的平均绝对误差， 当验证集的平均绝对误差小于误差阈值 时则训练结果符 合要求， 模型完成训练， 保存训练好的刀具预测模 型并应用到在线刀具磨损预测分析中； 所 述带阈值模块的BoTNet深度学习网络的损失函数验证集的平均绝对误差计算公式如下所 示： 式中： RMSE表示均方根误差计算结果； m表示数据个数； ym表示第m个刀具磨损预测值； 表示第m个刀具磨损真实值； M表示验证集的数据个数； 步骤5： 采集在线加工数据， 进行实时预测： 获取步骤4保存好的刀具预测模型， 将在线采集的七个维度 数据进行步骤2所述的小波 分解处理， 传入刀具 预测模型 得到刀具磨损情况的预测值。 2.如权利要求1所述的基于深度学习的刀具磨损预测方法， 其特征在于， 步骤1中采集 数控机床的加工数据， 需要在机床工作台安装三类传感器用来采集数据， 采集的七个维度 的数据具体包括 实际切削力在空间坐标系上的三 维数据， 实际加速度在空间坐标系上的三 维数据以及声发射 一维数据， 之后将七个维度数据分别单独保存。 3.如权利要求1所述的基于深度学习的刀具磨损预测方法， 其特征在于， 所述步骤2中 的阈值函数具体采用Symlet小波函数族中的smy8小波基函数， 对输入数据进行一维2层小 波分解； 处理数据流程为： 先对输入数据进行绝对值处理后传入全局平均池化层获得一维 矢量， 再经过2层 全连接层获得缩放参数， 将第一层 全连接层的输出大小由h扩大为2h， 这样 的改变是为了让阈值模块学习到更多的内容， 缩放参数经过Sigmoid函数缩放到(0， 1)的范 围， 再与之前全局平均池化后的一维向量相乘， 获得一组阈值。 4.如权利要求1所述的基于深度学习的刀具磨损预测方法， 其特征在于， 所述步骤S31 中的刀具磨损预测模型对传入数据进行两次归一化、 激活函数和卷积层处理， 两个卷积层 的卷积核大小均为3， 第一个卷积层的步长为1， 第二个卷积层的步长为2， 处理后的数据传 入阈值模块获得一组阈值， 按照这组阈值对数据进行阈值降噪， 与最初池化处理后的传入 数据相加， 最终经 过归一化和激活函数处 理后， 传入到全连接层输出刀具磨损值。 5.如权利要求1所述的基于深度学习的刀具磨损预测方法， 其特征在于， 所述步骤S32 中阈值模块是指经BoTNet深度学习模块处理后的数据传 入阈值模块 获得一组阈值， 按照该 组阈值对 数据进行阈值降噪； 所述的BoTNet深度学习模块中包含的两个卷积层的卷积核 大 小均为3， 第一个卷积层的步长为1， 第二个卷积层的步长为2。 6.如权利要求1所述的基于深度学习的刀具磨损预测方法， 其特征在于， 所述步骤3中 残差函数需要将阈值模块加入到残差模块中， 并随模型一起训练学习， 自动获得最佳阈值， 进行自动降噪。 7.如权利要求1所述的基于深度学习的刀具磨损预测方法， 其特征在于， 步骤4中的误 差阈值为1.5。权　利　要　求　书 2/2 页 3 CN 114297912 A 3