【技術實現步驟摘要】
本專利技術屬于刀具磨損預測，具體涉及一種基于realnvp模型進行數據增強的刀具磨損預測方法。
技術介紹
1、信息與通信技術與先進制造的結合開啟了智能制造的新時代，這是該行業未來的關鍵趨勢。預測性健康管理(phm)在這一轉變中至關重要，其廣泛用于制造系統中，以維持切削工具，特別是那些容易受到金屬切削中熱機械耦合影響的工具的完整性、精確性以及高效性。過去的研究表明，刀具的異常狀態導致了約10-40％的機器停機時間，嚴重影響產品質量，并且容易導致機床的損壞。因此，實施實時的刀具狀態監測(tcm)是維持穩定生產、最小化質量問題并防止由于刀具磨損或故障造成的設備損害的關鍵，同時也能避免因過早更換刀具而造成的利潤損失。
2、當前的刀具磨損監測方法大多采用數據驅動方法，這種方法分為直接和間接兩種方式，具體的分類取決于收集的信號數據類型。直接方法使用工具圖像來收集狀態信息，其結果準確，但是這種方法會因為工具運動、切屑生成和冷卻劑的復雜性使得圖像采集復雜化，提高了成像設備的成本。而間接方法則通過在加工過程中由傳感器收集的信號推斷刀具磨損，這種方法雖然精確度比不上直接方法，但是能在生產過程中實時進行刀具磨損預測，確保生產活動更安全、更可靠。
3、現有的針對傳感器數據進行刀具磨損的預測模型，在其訓練過程中，常常會遇到訓練集穩定磨損階段數據過多，而初期磨損階段以及急速磨損階段數據較少的情況，這就導致訓練出的模型對于刀具初期磨損階段以及急速磨損階段的磨損值預測值準確度不高，影響刀具預測模型的整體預測效果。
1、本專利技術旨在解決現有刀具磨損預測模型在少見磨損條件下準確性不足的問題，提供了一種基于realnvp模型進行數據增強的刀具磨損預測方法。
2、本專利技術技術方案為一種基于realnvp模型進行數據增強的刀具磨損預測方法，該方法包括：
3、步驟1：采集樣本數據與預處理，
4、在切割過程中采集刀具切削力，采集刀具震動信號，和x、y、z三個方向的聲音信號；每次加工完成后通過電子顯微鏡觀測刀具磨損狀態，對x、y、z三刃銑刀的磨損情況進行量化，計算其磨損量的平均值以評估整體磨損值；并結合從多傳感器采集的數據與電子顯微鏡觀測到的刀具磨損結果，構建一個包含傳感器信號與刀具磨損量相對應關系的綜合數據集；
5、對綜合數據集進行去噪、標準化處理；
6、步驟2：構建樣本增強模型，
7、構建了一個包含十個耦合層的realnvp模型，每個耦合層均由深度神經網絡組成，深度神經網絡包含兩個隱藏層，每個隱藏層配置512個隱藏單元；
8、每個耦合層采用非體積保持變換，變換方法為：
9、y1:d＝x1:d
10、ya+1:d＝xa+1:d☉exp(s(x1：d))+t(x1:d)
11、其中，x1：d和xd+1：d分別是輸入向量x的前半部和后半部，y1：d、yd+1：d表示變換后輸出向量的前半部分和后半部分，s和t是對前半部x1：d的函數，產生尺度和平移參數，d表示數據的總維度數，d表示當前操作的維度，⊙表示元素級的乘法，即xt，d+1：d中的每個元素都與exp(s(xt，d))的結果相乘；此結構確保了一部分輸入x1：d直接映射到輸出y1：d，而另一部分xd+1：d經過變換；這樣的設計使變換保持可逆，同時確保部分輸入的信息直接傳遞到輸出，增加模型的靈活性和表達能力；
12、其中，y1：d、yd+1：d表示變換后輸出向量的前半部分和后半部分，x1：d和xd+1：d分別是輸入向量x的前半部和后半部，s()和t()是對前半部x1：d產生尺度變換和平移變換的函數；
13、步驟3：樣本數據增強與訓練集構建；
14、采用步驟2構建的模型根據現有的樣本生成潛在空間的新樣本，再采用逆變換f-1()將新樣本從潛在空間映射回原始特征空間，逆變換公式為:
15、
16、其中，z是從潛在高斯分布n(0,i)中采樣得到的潛在空間新樣本，f-1是realnvp的逆映射函數；
17、步驟4：采用得到的所有樣本，訓練一個深度卷積神經網絡-多通道雙向長短期記憶模型，采用訓練好的深度卷積神經網絡-多通道雙向長短期記憶模型對刀具磨損情況進行預測。
18、進一步的，所述步驟2中在模型的每個耦合層中，s()和t()函數根據數據的前向傳播和反向傳播動態更新；具體來說，當數據流經耦合層時，根據該層輸入數據實時計算s()和t()函數的輸出，確保函數能適應當前數據的特征。在訓練過程中，通過計算損失函數相對于s()和t()函數參數的梯度，并使用這些梯度進行參數更新，優化模型性能；這種更新機制使s()和t()函數能有效適應數據特征變化，增強模型的數據處理能力；
19、更新方法為：
20、s′(x)＝s(x)·(1+α·σ(w·x+b))
21、t′(x)＝t(x)+β·σ(w·x+b)
22、其中，σ是激活函數，α和β是調整率，w和b是權重和偏置，這些參數在模型訓練過程中學習得到，s(x)、t(x)表示更新前的尺度變換、平移變換函數，s′(x)、t′(x)表示更新后的尺度變換、平移變換函數。
23、進一步的，所述步驟3中對新生成的樣本進行篩選，篩選出刀具磨損值在150至300范圍內的數據進行后續訓練。
24、進一步的，所述步驟3中當新樣本數據被模型逆函數f-1轉換并輸入到模型中后，根據生成數據的特性及其與原始數據特性之間的偏差進行s()和t()t函數的更新；更新方法為：
25、s′new(x)＝sold(x)+λs·(μreal-μgen)
26、t′new(x)＝told(x)+λt·(σreal-σgen)
27、其中，μreal和σreal分別是真實數據的均值和標準差，μgen和σgen是生成數據的均值和標準差；λs和λt是學習率參數，用于調節尺度和平移函數更新的幅度，sold(x)、told(x)更新前的尺度變換、平移變換函數，s′new(x)、t′new(x)表示更新后的尺度變換、平移變換函數；
28、此類更新特別依賴于模型對新情況的適應性評估，如在新數據分布下模型的表現，以及是否滿足預定的性能標準。這種更新機制使得模型不僅能處理訓練期間見過的數據，也能適應全新生成的數據類型，從而提高其通用性和靈活性。
29、步驟2依賴于常規的模型訓練和數據批次，而步驟3的更新依賴于新的數據生成和特定條件的滿足，如模型在處理非常規數據或新生成數據時的表現，即步驟2的更新更加常規和周期性，步驟3的更新可能更加條件性，依賴于模型在新情境下的適應和表現。
30、進一步的，所述步驟4中的深度卷積神經網絡-多通道雙向長短期記憶模型的損失函數采用均方誤差，公式為其中yi是真實標簽，是預測值，n是數據集中的樣本總數，采用平均絕對百分比誤差mape作為評價指標，公式為：本文檔來自技高網...
【技術保護點】
1.一種基于RealNVP模型進行數據增強的刀具磨損預測方法，該方法包括：
2.如權利要求1所述的一種基于RealNVP模型進行數據增強的刀具磨損預測方法，其特征在于，所述步驟2中在模型的每個耦合層中，s()和t()函數根據數據的前向傳播和反向傳播動態更新；具體來說，當數據流經耦合層時，根據該層輸入數據實時計算s()和t()函數的輸出，確保函數能適應當前數據的特征。在訓練過程中，通過計算損失函數相對于s()和t()函數參數的梯度，并使用這些梯度進行參數更新，優化模型性能；這種更新機制使s()和t()函數能有效適應數據特征變化，增強模型的數據處理能力；
3.如權利要求1所述的一種基于RealNVP模型進行數據增強的刀具磨損預測方法，其特征在于，所述步驟3中對新生成的樣本進行篩選，篩選出刀具磨損值在150至300范圍內的數據進行后續訓練。
4.如權利要求1所述的一種基于RealNVP模型進行數據增強的刀具磨損預測方法，其特征在于，所述步驟3中當新樣本數據被模型逆函數f-1轉換并輸入到模型中后，根據生成數據的特性及其與原始數據特性之間的偏差進行s()
5.如權利要求1所述的一種基于RealNVP模型進行數據增強的刀具磨損預測方法，其特征在于，所述步驟4中的深度卷積神經網絡-多通道雙向長短期記憶模型的損失函數采用均方誤差，公式為其中yi是真實標簽，是預測值，n是數據集中的樣本總數，采用平均絕對百分比誤差MAPE作為評價指標，公式為：
...【技術特征摘要】
1.一種基于realnvp模型進行數據增強的刀具磨損預測方法，該方法包括：
2.如權利要求1所述的一種基于realnvp模型進行數據增強的刀具磨損預測方法，其特征在于，所述步驟2中在模型的每個耦合層中，s()和t()函數根據數據的前向傳播和反向傳播動態更新；具體來說，當數據流經耦合層時，根據該層輸入數據實時計算s()和t()函數的輸出，確保函數能適應當前數據的特征。在訓練過程中，通過計算損失函數相對于s()和t()函數參數的梯度，并使用這些梯度進行參數更新，優化模型性能；這種更新機制使s()和t()函數能有效適應數據特征變化，增強模型的數據處理能力；
3.如權利要求1所述的一種基于realnvp模型進行數據增強的刀具磨損預測方法，其...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。