(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 202111652049.1 (22)申请日 2021.12.3 0 (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 吴凤和　章正柱　张宁　蒋展鹏　 孙迎兵　郭保苏　柴海宁　 (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 韩燕 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 预测面向复杂多变工况的切削刀具剩余寿 命的方法 (57)摘要 本发明提供一种预测面向复杂多变工况的 切削刀具剩余寿命的方法， 具体步骤为： S1、 采集 数控系统的NC变量数据， 并标记切削刀具的剩余 寿命； S2、 利用压缩感知方法对采集的NC变量数 据进行降噪处理； S3、 根据工况之间的差异对S2 处理的NC变量数据进行领域划分， 得到切削刀具 的源域特征空间和目标域特征空间； S4、 通过一 维残差块堆叠的方式从切削刀具的源域特征空 间和目标域特征空间中提取切削刀具寿命的敏 感特征； S5、 根据S4提取的切削刀具寿命的敏感 特征， 利用领域对抗方法与数据分布自适应方法 构建刀具剩余寿命预测迁移学习框架。 本发明不 仅可以提高单一工况下的刀具剩余寿命预测精 度， 且在复杂多变工况下具备获得良好的泛化能 力。 权利要求书3页 说明书10页 附图3页 CN 114398825 A 2022.04.26 CN 114398825 A 1.一种预测面向复杂多变工况的切削刀具剩余寿命的方法， 其特征在于， 具体实施步 骤如下： S1、 根据切削加工设备内置的传感器， 采集数控系统的NC变量数据， 并标记切削刀具的 剩余寿命； S2、 利用压缩感知方法对 采集的NC变量数据进行降噪处 理， 获取平稳信号； S3、 根据工艺参数、 切削刀具编号和毛坯精度工况之间的差异对步骤S2处理的NC变量 数据进行 领域划分， 得到切削刀具的源域特 征空间和目标域特 征空间； S4、 通过一维残差块堆叠的方式从切削刀具的源域特征空间和目标域特征空间中提取 切削刀具寿命的敏感特 征： S41、 建立切削刀具的恒等残差块模型： S411、 构建恒等残差块模型的第一卷积层： 根据卷积层深度及特征维度， 设定滤波器数 量、 卷积核尺寸和步长以及随机失活率， 并选取RELU激活函数， 其 函数表达式如下： 其中， x表示激活函数的输入； S412、 对第一卷积层进行正则化处理： 引入批正则化层和随机失活层， 并按着批正则化 层‑RELU激活函数 ‑随机失活层 ‑第一卷积层的顺序， 对第一卷积层的输入进 行正则化处理， 从而构造一种预激活结构； S413、 构建恒等残差块模型的第二卷积层： 为了提取卷积层更深层次的高级特征， 设定 更多的滤波器数量， 同时根据特 征维度， 设定卷积核尺寸和步长以及随机失活率； S414、 将第一卷积层的输入与第二卷积层的输出直连来缓解梯度消失并避免模型退 化， 获得切削刀具的恒等残差块模型； S42、 建立切削刀具的衰减残差块模型： S421、 根据步骤S41 1中构建第一卷积层的方法构建衰减残差块模型的第一卷积层； S422、 在步骤S413中构 建第二卷积层的方法的基础上， 通过改变第二卷积层的步长值， 获得衰减残差块模型的第二卷积层； S423、 利用最大池化层将第一卷积层的输入与第二卷积层的输出进行直连， 根据降维 后的特征维度， 设定池化尺寸和步长， 获得切削刀具的衰减残差块模型； S5、 根据步骤S4提取的切削刀具寿命的敏感特征， 利用领域对抗方法与数据分布自适 应方法构建刀具剩余寿命预测迁移学习框架： S51、 将步骤S4提取的切削刀具寿命的敏感特征输入到全连接层进行特征加权与扁平 化处理， 将从切削刀 具源域特征空间和目标域特征空间提取的敏感特征分别用FC1S、 FC2S 和FC1T、 FC2T表示； S52、 利用数据分布自适应方法缩小步骤S51中FC层中源域特征空间和目标域特征空间 的空间分布差异， 以多核最大均值差异作为不同领域间数据分布差异的量化指标， 其表达 式为： 权　利　要　求　书 1/3 页 2 CN 114398825 A 2其中， DK表示切削刀具源域特征空间和目标域特征空间的多核最大均值差异， DFC2S表示 源域特征空间， DFC2T表示目标域特征空间， ns和nt分别表示切削刀具源域特征空间和目标域 特征空间的样本数量， 和 分别表示切削刀具源域特征空间和目标域特征空间的特征 样本， K(·)为由多项式核与高斯核 线性组合得到的核函数， 其表达式为： 其中， αp、 βu是核函数的权重系数， kp、 ku分别表示多项 式核函数与高斯核函数， k表示组 合核函数； S53、 将步骤S4建立的恒等残差块结构和衰减残差块结构与FC1和FC2层视为特征提取 函数Gf(·； θf)， 并建立领域判别函数Gd(·； θd)与切削刀具寿命 预测函数Gc(·； θc)， 将领域 判别函数Gd(·； θd)与切削刀具寿命预测 函数Gc(·； θc)间构成对抗学习机制， 具体表达式 如下： 其中， L0是优化目标， 由刀 具寿命预测误差Lc和领域判别误差Ld组成； 分别 是θf， θc， θd的最优值， 该参数 经过反向传播机制进行 更新。 2.根据权利要求1所述的预测面向复杂多变工况的切削刀具剩余寿命的方法， 其特征 在于， 所述步骤S1 中， 所述NC变量数据， 其包括主轴振动、 主轴电流、 主轴扭矩、 进 给速度、 切 削刀具名称和已加工件数。 3.根据权利要求1所述的预测面向复杂多变工况的切削刀具剩余寿命的方法， 其特征 在于， 所述 步骤S2中， 所述压缩感知方法， 其包括稀疏表示、 压缩测量和重构去噪。 4.根据权利要求1或者3所述的预测面向复杂多变工况的切削刀具剩余寿命的方法， 其 特征在于， 所述 步骤S2具体包括以下步骤： S21、 利用离散傅里叶正交基对步骤S1采集的NC变量数据进行稀疏表示， 具体表达式如 下： x＝Ψ·α 其中， x为原 始信号， Ψ为离 散傅里叶正交基， α 为稀疏向量； S22、 利用高斯随机测量矩阵对步骤S21处理的NC变量数据进行压缩测量， 具体表达式 如下： 其中， y为压缩信号， Φ为 高斯随机测量矩阵， Ψ为离散傅里叶正交基， 为观测矩阵， x 为原始信号， α 为稀疏向量； S23、 利用l0范数优化NC变量数据的重构过程， 通过正交匹配追踪算法精准重构出去噪 的信号， 从而得到降噪后的数据样本 。 5.根据权利要求1所述的预测面向复杂多变工况的切削刀具剩余寿命的方法， 其特征 在于， 所述 步骤S3具体包括以下步骤：权　利　要　求　书 2/3 页 3 CN 114398825 A 3