(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110740028.9 (22)申请日 2021.07.01 (65)同一申请的已公布的文献号 申请公布号 CN 113458873 A (43)申请公布日 2021.10.01 (73)专利权人 太原科技大 学 地址 030024 山西省太原市万柏林区窊流 路66号 (72)发明人 陈高华　周子涵　丁庆伟　 (74)专利代理 机构 太原中正和专利代理事务所 (普通合伙) 14116 代理人 焦进宇 (51)Int.Cl. B23Q 17/09(2006.01) G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) G06F 119/02(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 104484833 A,2015.04.01CN 110221580 A,2019.09.10 CN 110561191 A,2019.12.13 CN 107767022 A,2018.0 3.06 CN 111136509 A,2020.0 5.12 CN 112945552 A,2021.0 6.11 CN 10859590 5 A,2018.09.28 CN 113043073 A,2021.0 6.29 CN 105834835 A,2016.08.10 US 2018275 630 A1,2018.09.27 KR 10-2018-0048218 A,2018.0 5.10 陈高华等.基于Elman神经网络的二自由度 内模控制方法研究. 《计算机 应用与软件》 .2012, 第29卷(第4期),第167-169页、 第182页. Khalid Elbaz等.Predicti on of Disc Cutter Life Duri ng Shield T unneling with AI via the I ncorporati on of a Genetic Algorithm i nto a GMDH -Type Neural Network. 《Engi neering》 .2021,(第7期),第238- 251页. 李悦.多传感器信息融合在刀具磨损在线监 测中的应用研究. 《中国优秀硕士学位 论文全文 数据库工程科技 Ⅰ辑》 .2021,(第3期),全 文. 审查员 覃超 (54)发明名称 一种刀具磨损量和剩余寿 命预测的方法 (57)摘要 一种刀具磨损量和剩余寿命 预测的方法， 属 于机械可靠性技术领域， 其实施步骤如下： 1、 在 切削实验平台安装测 力仪和加速度传感器， 获取 反映刀具状态的实时监测数据； 2、 对采集到的切 削力信号和振动信号进行预处理； 3、 对 预处理后 的信号进行降噪和特征提取； 4、 将遗传算法和双 隐层Elman神经网络 结合， 建立一个收敛速度快、 预测精度高的改进Elman神经网络预测模型； 5、 训练预测模 型， 并利用预测模型同时预测 刀具磨 损量和剩余寿命， 本发明的优点是在刀具加工时实时获取刀具状态信息， 保证加工过程的可靠有 效运行。 权利要求书3页 说明书7页 附图15页 CN 113458873 B 2022.03.11 CN 113458873 B 1.一种刀具磨损量和剩余寿命预测的方法， 其特 征在于： 包括以下步骤： 步骤1)在切削实验平台安装测力 仪和加速度传感器， 获取反映刀具状态的实时监测数 据， 测力仪安装在工作台上， 加速度传感器安装在被加工 工件上； 步骤2)对 采集到的切削力 信号和振动信号进行 预处理； 步骤3)对预处 理后的切削力 信号和振动信号进行降噪处 理； 步骤4)对降噪处 理后的切削力 信号和振动信号进行 特征值提取； 步骤5)将遗传算法和双隐层Elman神经网络结合， 利用遗传算法对网络的权值和阈值 进行初始化， 建立 一个收敛速度快、 预测精度高的改进Elman神经网络预测模型； 一、 双隐层Elman神经网络的搭建： u(t‑1)为神经网络模型的输入矩阵， x1(t)为第一隐含层的输出， x2(t)为第二隐含层的 输出， xc1(t)为第一隐含层对应的承接层输出， xc2(t)为第二隐含层对应的承接层输出， ω1 (t)为第一承 接层到第一隐含层之间的权值， ω2(t)为输入层到第一隐含层之间的权值， ω3 (t)为第一隐含层到第二隐含层之间的权值， ω4(t)为第二承接层到第二隐含层之间的权 值， ω5(t)为第二隐含层到输出层之间的权值； f为隐含层的激励函数， g为输出层的激励 函 数， f和g均选用Sigmo id函数， 神经 元节点代 表的含义和函数表达式如下： 输入层： 输入经 过特征提取后的监测信号数据集， 用u(t ‑1)表示； 第一隐含层： 函数表达式为x1(t)＝f(ω1(xc1(t)+ω2(u(t‑1)))； 第一隐含层对应承接层： 承接层函数表达式为xc1(t)＝xc1(t‑1)； 第二隐含层： 第二承接层函数表达式为x2(t)＝f(ω4xc1(t)+ω3x1(t‑1))； 第二隐含层对应承接层： 函数表达式为xc2(t)＝xc2(t‑1)； 输出层： 输出刀具磨损量和剩余寿命预测结果， 函数表达式y(t)＝g(ω5x2(t))； 二、 利用遗传算法对网络的权值和阈值进行初始化， 具体过程如下： 1、 种群初始化： 以Elman神经网路的权值、 阈值看作种群内部的个 体， 按照二进制要求完成实数编码； 2、 确定适应度函数： 预测模型的预测结果与期望结果之间的绝对误差和其所对应的适应度值计算公式： 其中， n代表网络中的节点个数， yi为Elman神经网络中的第i个节点的期望输出， oi为第 i个节点的预测值， k 为系数， 对于适应度高的个 体得以保留至下一代； 3、 遗传操作阶段： 按照遗传定理中的选择、 交叉、 变异的规则实现对个体的重新编码排列， 得到高适应度 的个体； 选择操作： 运用轮 盘赌的方法实现对适应度比例的选择， 选择概 率pi的确定规则： 其中， Fi为个体i的适应度值， 适应度越小个体越优秀， 在完成对个体选 择之前会对适应 度值求导， N为种群个体数； 交叉操作： 交叉操作的实现是对编码的实数进行交叉互换， 第k个染色体ak和第l个染色权　利　要　求　书 1/3 页 2 CN 113458873 B 2体的交叉规则为： 其中， b为[0， 1]间随机取值； 变异操作： 对随机个 体进行变异的原则为： ； 其中， amax为基因上界， amin为基因下界； 同时 r2为随机数， g为迭代 次数， Gmax为最大进化次数， r在[0， 1]区间内随机取值； 三、 将训练数据输入网络采用L ‑M算法训练网络修 正各权值； L‑M算法是一种类似于拟牛顿算法的权值修正方法， 牛顿法是一种基于泰勒级数的快 速优化算法， 迭代公式为： ω(n+1)＝ω(n) ‑H‑1(n)g(n)， 其中， H代表误差性能函数Hessi an 矩阵， 而L ‑M算法则是在拟牛顿算法的基础上， 将Hessian矩阵近似为H＝JTJ， 梯度可表示成 l＝JTe， 且J矩阵修 正权值原理依据原则为： ω(t+1)＝ω(n) ‑[JTJ+ μI]‑1JTe； 根据L‑M算法的原理可知， 当μ＝0时， L ‑M算法可以退化成拟牛顿算法； 当μ很大的时候 近似于步长较小的梯度下； 同时， 由于矩阵J的计算比牛顿矩阵计算更为简便， 可以提升模 型的学习效率； 步骤6、 利用训练的改进型Elman神经网络预测模型输入测试数据预测刀具的磨损量和 剩余寿命。 2.根据权利要求1所述一种刀具磨损量和剩余寿命预测的方法， 其特征在于： 所述步骤 2)中运用奈奎斯特采样定理对采集到的切削力信号和振动信号进 行降采样预 处理； 并按照 监测信号所对应的磨损状态进行划分， 便 于后续信号处 理。 3.根据权利要求1所述一种刀具磨损量和剩余寿命预测的方法， 其特征在于： 所述步骤 3)中运用盲源分离中的快速独立成分分析法对采集到的信号进行降噪处理， 具体步骤如 下： 301)对获取的监测信号数据集X进行中心化处 理， 使得数据集的均值 为0； 302)将中心化后的数据集进行白化处 理， 得到新的数据集Z； 303)随机产生初始化向量设定为 Wp； 304)根据迭代公式 实现对向量的迭代， 其中， E为 均值计算， g为非线性 函数， 通常取 得g＝tan(a1y)， a1为常数， 范围为[1， 2]， 一般取1； 305)通过令 实现对Wp的标准化； 306)循环304)， 直至Wp收敛， 若Wp收敛或满足最大迭代次数， 则说 明对输入的X实现了分 离， 并将分离后所 得的源信号输出。 4.根据权利要求1所述一种刀具磨损量和剩余寿命预测的方法， 其特征在于： 所述步骤 4)中运用小波包频带能量分析法对降噪后监测信号进 行特征值提取， 通过对监测信号进 行 小波包分解和重构， 实现对信号的频带分解， 同时， 依据小波包能量守恒公式， 得到重构后权　利　要　求　书 2/3 页 3 CN 113458873 B 3