本发明涉及高速铣削加工过程铣刀磨损状态监测，具体是涉及一种铣刀磨损量智能监测方法。
背景技术：
1、制造业的快速发展对机床加工精度的要求越来越高，刀具作为加工工件的关键执行者与工件直接接触，对工件质量有直接影响。刀具磨损状态监测作为一种先进制造技术，是实现机床不间断生产、加工自动化及工件高质量生产的关键。刀具边缘与工件之间不可避免的摩擦，导致加工过程中出现刀具故障的时间占总机械故障时间的7%～20%，刀具本身和刀具更换成本占总加工成本的3%～12%，造成生产力和利润的巨大损失。因此有必要对刀具磨损状态进行实时准确监测，以降低生产成本、提高刀具利用率与工件质量。
2、刀具磨损状态监测方法主要分为直接法和间接法。直接法是直接识别刀刃外观、表面质量或几何形状的变化。直接法虽然监测精度高，但需要停机监测，不能检测出刀具在加工过程中突然出现的磨损或破坏。间接法是利用传感器采集刀具在切削过程中同步产生的相关参量，并通过建立特征信号与刀具磨损量之间的关系来预测刀具实际磨损情况。间接法所采集的信号可能因加工工序或环境的影响而含有冗余信息，但可在刀具切削状态下进行实时在线检测，便于实现刀具磨损状态的智能化监测，因此成为了一种主流方法。间接法实现步骤主要包括：信号采集、信号预处理、特征提取、预测模型构建及磨损预测。间接法常用的预测模型有传统的机器学习法，该模型被认为是一种有效的刀具磨损状态识别方法，被广泛应用于刀具磨损状态监测和识别研究中，但浅层次的机器学习法在处理高维数据时容易出现过拟合、维数灾难等问题，另一方面，采集数据的本质为时间序列数据，上述模型无法用于序列数据建模，进而无法挖掘序列数据隐藏的序列特征。与浅层机器学习相比，深度学习模型在数据量、非线性关系和收敛性能等方面的处理能力都有明显的优势。深度学习模型在处理时间序列数据中复杂的非线性关系时有自适应、自组织学习机制，具有有效的预测能力。
3、综上所述，提供更精确的提取序列数据隐藏的敏感特征的方法，以及优化模型参数对提高铣刀磨损量的预测具有重要意义。
技术实现思路
1、为解决现有技术存在的问题或改进需要，本发明提供了一种铣刀磨损量智能监测方法。该发明通过时域、频域及时频域方法提取切削力与振动信号中的时间序列特征，且将该特征输入改进的长短期记忆网络快速建立了准确有效的铣刀磨损量预测模型，该模型具有预测精度高，适用性强的特点，可实现铣刀磨损量的高精度预测，对提高工件质量与加工效率具有重要意义。
2、为解决上述技术问题，本发明所提供的技术方案为：一种铣刀磨损量智能监测方法，其特征在于，包括以下步骤：
3、 s11、利用测力传感器、加速度传感器及其附属装置采集铣刀加工过程中产生的力与振动信号；
4、s12、采用时域、频域及时频域方法从原始信号中提取时序特征，通过特征降维的方法去除特征中包含的冗余信息，然后将优化后的特征划分为训练序列样本和测试序列样本；
5、 s13、构建网络模型，将训练序列样本归一化后输入模型进行训练；
6、 s14、测试序列样本输入训练好的模型可得到最终预测结果。
7、进一步设置是所述步骤s11中，利用测力传感器、加速度传感器及其附属装置所采集信号包括：x、y、z三个机床加工方向上的力与振动信号。
8、进一步设置是所述步骤s12中，采用时域、频域及时频域方法提取步骤s11所采集信号的时序特征具体包括： 时域的均值、标准差、方根幅值、均方根、峰峰值、偏度因子、峭度、峰值因子、裕度因子、波形因子及脉冲因子，频域的平均频率、重心频率、频率方差、频率标准差及频率均方根，时频域特征是对信号进行三层小波包分解后获得8个频带能量。
9、进一步设置是，所述步骤s12中去除时域、频域与时频域特征中包含的冗余信息包括：使用皮尔逊相关系数公式计算所提取特征与铣刀磨损量的相关密切程度系数，并将系数绝对值大于等于一定值的特征作为最优特征，相关系数表达式如下：
10、
11、式中，为协方差，分别为 x和 y的标准差。
12、进一步设置是所述步骤s13中，构建网络模型包括：由ga和lstm构成改进模型ga-lstm，其中ga模型中使用二进制编码染色体种群，设定种群规模、交叉概率、变异概率等模型参数的值，设置学习率、隐含层神经元数等待优化参数的优化范围,将lstm损失函数作为评价染色体适应度的优劣指标，具体表达式如下：
13、
14、式中， n为数据集大小， y i为第 i时刻的实测值，为第 i时刻的预测值。
15、lstm模型中的优化器采用adam，并设定最大迭代次数、梯度阈值、训练轮次等相关模型参数的值，在达到设定训练轮次后通过乘以相关因子来降低学习率。
16、进一步设置是所述步骤s13中，训练改进模型ga-lstm包括：训练前将ga模型寻出的学习率与隐藏层神经元数最优值输入lstm模型，然后将训练序列样本归一化后输入改进模型ga-lstm进行训练，训练时将遵循前向计算公式，计算每个神经元的输出值，反向计算误差，计算权重梯度并进行迭代调整，达到最大迭代次数后输出当前的训练预测模型。其计算公式如下：
17、
18、式中， w、 b分别表示权重和偏置。
19、进一步设置是所述步骤s14中，测试序列样本输入训练好的模型可得到最终预测结果包括：将归一化后的测试序列样本输入上述训练好的ga-lstm模型中，最终将输出铣刀磨损预测值，根据铣刀磨损预测值以及结合实际加工状况进行刀具补偿或更改加工策略。
20、本发明的有益效果是：
21、本发明一方面利用了特征提取与降维的方法有效提取了与铣刀磨损量密切相关的时域、频域及时频域特征，降低了模型计算的复杂程度，提高了模型的预测效率及预测精度；另一方面利用了ga系统内部对参数进行优胜劣汰而求解出最优化参数的作用，求解出了隐藏层神经元数和学习率参数的最优值，并将参数最优值输入到lstm模型中，从而达到对模型的改进效果，改进后的ga-lstm模型不仅有更高的预测精度，模型稳定性也有较大提升，对实现刀具磨损状态的实时有效与稳定的监测具有实际性意义。
1.一种铣刀磨损量智能监测方法，其特征在于：
2.根据权利要求1所述一种铣刀磨损量智能监测方法，其特征在于，所述的步骤s1中，测力传感器与振动传感器所采集的g0 包括x、y、z三个机床加工方向上的力与振动信号。
3.根据权利要求1所述一种铣刀磨损量智能监测方法，其特征在于，所述的步骤s2中，提取步骤s1所采集g0的特征g1，包括：时域特征的均值、标准差、方根幅值、均方根、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子及脉冲因子，频域特征的平均频率、重心频率、频率方差、频率标准差及频率均方根，时频域特征是对原始信号进行三层小波包分解后获得8个频带能量值。
4.根据权利要求1所述一种铣刀磨损量智能监测方法，其特征在于，所述的步骤s2中，去除g1中包含的冗余信息，从而达到特征优化与降维的目的，包括：使用皮尔逊相关系数公式计算g1与铣刀磨损量的相关密切程度系数，并将系数绝对值大于等于一定值的g1作为优化与降维后的g2，相关系数表达式为：
5.式(1)中，为协方差，分别为x和y的标准差。
6.根据权利要求1所述一种铣刀磨损量智能监测方法，其特征在于，所述的步骤s3中，构建网络模型，包括：由ga和lstm构成改进模型ga-lstm，其中ga模型中使用二进制编码染色体种群，设定种群规模、交叉概率、变异概率等模型参数的值，设置学习率、隐含层神经元数等被优化参数的优化范围，将lstm损失函数作为评价染色体适应度的优劣指标，具体表达式为：
7.式(2)中，n为数据集大小，yi为第i时刻的实测值，为第i时刻的预测值。
8.lstm模型中采用adam优化器，并设定最大迭代次数、梯度阈值、训练轮次等相关的模型参数，当达到设定训练轮次后通过乘以相关因子来降低学习率。
9.根据权利要求1所述一种铣刀磨损量智能监测方法，其特征在于，所述的步骤s3中，训练改进的模型ga-lstm，包括：训练前将ga模型寻出的学习率与隐藏层神经元数最优值输入lstm模型，将g3归一化后输入改进模型ga-lstm进行训练，训练时将遵循前向计算公式，计算每个神经元的输出值，反向计算误差，计算权重梯度并进行迭代调整，达到最大迭代次数后输出当前的训练预测模型，具体计算公式为：
10.式(3)中，w、b分别表示权重和偏置。
11.根据权利要求1所述一种铣刀磨损量智能监测方法，其特征在于，所述的步骤s4中，将g4输入训练好的模型可得到最终的预测结果，包括：g4归一化后输入上述训练好的ga-lstm模型中，最终将输出铣刀磨损预测值，根据铣刀磨损预测值以及结合实际加工状况进行刀具补偿或更改加工策略。
