一种刀具磨损量预测方法、设备、介质及产品
本发明涉及刀具磨损量预测领域，特别是涉及一种刀具磨损量预测方法、设备、介质及产品。
背景技术：
1、在刀具磨损量预测中，预测模型需要实时输出某一时刻的磨损量数据，并且刀具磨损量数值具有随切削时间逐步增大这一规律。因此应充分关注此规律对刀具磨损量预测方法研究的影响。
2、残差神经网络(residual neural network，resnet)目前被广泛应用在各类预测研究中。然而在刀具磨损量预测研究中，resnet网络的应用仍然存在以下两个问题。首先，当采用resnet网络对一维数据信号进行特征提取时，需要对网络结构进行改进；其次，当采用resnet网络构建预测模型时，模型在使用过程中容易产生过拟合现象。
技术实现思路
1、本发明的目的是提供一种刀具磨损量预测方法、设备、介质及产品，以解决采用resnet网络所构建的预测模型在使用过程中容易产生过拟合现象的问题。
2、为实现上述目的，本发明提供了如下方案：
3、一种刀具磨损量预测方法，包括：
4、利用基于se模块的se-resnet50模型提取刀具磨损量数据训练集中的多种融合的一维信号；所述一维信号为直接从机床上采集的原始时频域信号；所述刀具磨损量数据为显微镜系统测量的铣刀侧面磨损值；所述原始时频域信号包括切削力信号、振动信号以及高频应力波信号；所述se-resnet50模型为通过将se模块嵌入至resnet50残差神经网络中构建得到的网络模型；所述se模块为基于挤压激励的注意力机制模块；
5、打乱所述原始时频域信号的时序变化规律，并利用打乱后的原始时频域信号训练所述se-resnet50模型，生成训练好的se-resnet50模型，输出刀具磨损量的训练结果；
6、根据所述训练好的se-resnet50模型预测刀具磨损量。
7、可选的，所述根据所述训练好的se-resnet50模型预测刀具磨损量，之后还包括：
8、提取并打乱刀具磨损量数据测试集中的一维信号，将打乱后的一维信号输入至所述训练好的se-resnet50模型，输出刀具磨损量的测试结果；
9、将所述训练结果以及所述预测结果按照时间序列合成刀具磨损量预测曲线；
10、对比刀具磨损量预测曲线与实际刀具磨损量曲线，评估所述训练好的se-resnet50模型的刀具磨损量预测效果。
11、可选的，se-resnet50模型包括依次连接的1个第一卷积层、4个第二卷积层以及一个全连接层；每个所述第二卷积层中均嵌有se模块；两个所述第二卷积层之间添加注意力机制函数，所述注意力机制函数用于评定卷积层之间输出的权重；4个第二卷积层中se模块的堆叠层数分别为3个、4个、6个以及3个；
12、所述卷积层为c＝{c1,c2,c3,…cn}；其中，c为卷积层输入的刀具损失量数据集，所述刀具损失量数据集为刀具损失量训练集或刀具损失量测试集；cn为刀具损失量数据集中的第n个输入数据；
13、所述注意力机制函数为其中，zi为待识别区域，fatt函数在各个卷积层间加入注意力权重；ci为刀具损失量数据集中的第i个输入数据。
14、可选的，所述se模块，具体包括：依次连接的残差网络卷积层、全局池化层、第一全连接层、relu激活函数层、第二全连接层以及sigmoid激活函数层以及调节层；其中，所述残差网络卷积层还与所述调节层直接连接。
15、可选的，所述se模块的数据处理流程为：
16、在所述残差网络卷积层中，利用卷积操作，将输入尺寸为h1×w1×c1的特征样本x转换成尺寸为h×w×c的特征样本u；其中，h和h1均为信号长度，w和w1均为信号宽度，c和c1均为信号特征通道数；
17、在所述全局池化层中，利用挤压操作，将所述特征样本u通过全局平均池化计算得到1×1×c的特征向量；
18、在所述第一全连接层中，利用激励操作将1×1×c的特征向量输入特征通道数相同的第一全连接层；
19、调用所述relu激活函数层中的relu激活函数计算所述第二全连接层；
20、调用所述sigmoid激活函数层中的sigmoid激活函数生成所述调节层内每个特征通道的权重；
21、利用加权操作将所述调节层输出的特征向量与所述特征样本u的特征权重相乘，得到se模块最终输出的特征向量
22、可选的，所述一维信号的提取过程为：
23、将所述一维信号作为原矩阵x1,n；
24、利用一维卷积层通过滑动一个1×k的卷积核w沿时间轴方向进行卷积操作，提取得到所述原矩阵对应的特征矩阵a1,i；其中，i为输出的位置，j为卷积核的位置，s为步长，b为偏置，m为卷积核进行卷积操作的次数，w1,j为卷积核参数矩阵，x1,(i-1)×s为原信号矩阵。
25、可选的，打乱所述原始时频域信号的时序变化规律，并利用打乱后的原始时频域信号训练所述se-resnet50模型，生成训练好的se-resnet50模型，输出刀具磨损量的训练结果，具体包括：
26、采用随机洗牌函数打乱所述原始时频域信号的时序变化规律；
27、利用打乱后的原始时频域信号训练所述se-resnet50模型，在训练过程中，判断损失函数是否收敛；
28、若所述损失函数收敛，将所述se-resnet50模型作为训练好的se-resnet50模型，并输出刀具磨损量的训练结果；
29、若所述损失函数不收敛，调整所述se-resnet50模型的模型参数，利用打乱后的原始时频域信号重新训练调整后的se-resnet50模型，直至所述损失函数收敛。
30、一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述刀具磨损量预测方法。
31、一种计算机可读存储介质，其上存储有计算机程序该计算机程序被处理器执行时实现上述刀具磨损量预测方法。
32、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述刀具磨损量预测方法。
33、根据本发明提供的具体实施例，本发明公开了以下技术效果：针对以上两个问题，本发明基于乱序训练的挤压激励残差神经网络(squeeze-and-excitation residualneural network，se-resnet)提供了一种刀具磨损量预测方法，首先通过构建基于挤压激励(squeeze andexcitation，se)模块的se-resnet50模型进行特征提取，该se模块为基于挤压激励的注意力机制模块，通过注意力机制提高se-resnet50模型对一维信号的特征提取能力，进而学习更多适合的特征改善模型的过拟合；其次在se-resnet50模型预测时，通过在训练阶段打乱原始时频域信号的时序变化规律，增强训练数据多样性进一步解决预测模型的过拟合问题。
技术特征：
1.一种刀具磨损量预测方法，其特征在于，包括：
2.根据权利要求1所述的刀具磨损量预测方法，其特征在于，所述根据所述训练好的se-resnet50模型预测刀具磨损量，之后还包括：
3.根据权利要求1所述的刀具磨损量预测方法，其特征在于，se-resnet50模型包括依次连接的1个第一卷积层、4个第二卷积层以及一个全连接层；每个所述第二卷积层中均嵌有se模块，4个第二卷积层中se模块的堆叠层数分别为3个、4个、6个以及3个；两个所述第二卷积层之间添加注意力机制函数，所述注意力机制函数用于评定卷积层之间输出的权重；
4.根据权利要求1所述的刀具磨损量预测方法，其特征在于，所述se模块，具体包括：依次连接的残差网络卷积层、全局池化层、第一全连接层、relu激活函数层、第二全连接层以及sigmoid激活函数层以及调节层；其中，所述残差网络卷积层还与所述调节层直接连接。
5.根据权利要求4所述的刀具磨损量预测方法，其特征在于，所述se模块的数据处理流程为：
6.根据权利要求1所述的刀具磨损量预测方法，其特征在于，所述一维信号的提取过程为：
7.根据权利要求1所述的刀具磨损量预测方法，其特征在于，打乱所述原始时频域信号的时序变化规律，并利用打乱后的原始时频域信号训练所述se-resnet50模型，生成训练好的se-resnet50模型，输出刀具磨损量的训练结果，具体包括：
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述刀具磨损量预测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述刀具磨损量预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述刀具磨损量预测方法。
技术总结
本发明提供了一种刀具磨损量预测方法、设备、介质及产品，涉及刀具磨损量预测领域，方法包括：利用基于SE模块的SE‑ResNet50模型提取刀具磨损量数据训练集中的多种融合的一维信号；所述一维信号为直接从机床上采集的原始时频域信号；所述SE‑ResNet50模型为通过将SE模块嵌入至ResNet50残差神经网络中构建得到的网络模型；所述SE模块为基于挤压激励的注意力机制模块；打乱所述原始时频域信号的时序变化规律，并利用打乱后的原始时频域信号训练所述SE‑ResNet50模型，生成训练好的SE‑ResNet50模型，输出刀具磨损量的训练结果；根据所述训练好的SE‑ResNet50模型预测刀具磨损量。本发明能够降低预测模型在使用过程中产生的过拟合现象。
技术研发人员：王宇钢,唐祎晖,赵华通,周立垚
受保护的技术使用者：辽宁工业大学
技术研发日：
技术公布日：2024/9/23