刀具磨损状态1GTO-CNN-LSTM模型监测流程

在自动化生产过程中，一个高精度的磨损监测模型能够非常有效地对未来刀具磨损状态进行识别，探讨刀具磨损值在处于急剧磨损阶段前就能够实现智能换刀有一定的现实意义。因此提出了一种基于GTO算法多目标优化的CNN-LSTM刀具磨损状态监测方法，该方法将卷积神经网络(CNN)作为特征提取器，将长短时记忆网络(LSTM)作为训练器对刀具磨损值进行实时监测，并利用GTO算法对模型中的网络结构参数进行多目标优化，实现全局寻优，提高模型的监测效果，如图1所示。其GTO-CNN-LSTM刀具磨损监测模型的具体步骤如下所示:

步骤1:利用传感器对7个通道的原始信号进行提取，分别在时域、频域、时频域进行特征提取与融合,并基于Pearson-KPCA算法构建刀具状态监测模型的样本数据集。

步骤 2:利用 GTO多目标优化模块对 CNN-LSTM网络结构中 11个待优化的超参数进行初始化,为寻找 CNN-LSTM模型最佳超参数解集做准备。

步骤 3:将步骤 1形成的刀具磨损样本数据集划分为训练集、验证集和测试集,其划分比例为 7: 1: 2,同时将初始化的超参数输入 CNN-LSTM模型。

步骤 4:将训练集输入 CNN模块中进行卷积堆叠和池化压缩操作,提取出原始数据的深层特征,输出一个压缩的刀具磨损特征映射向量。

步骤 5:将压缩的特征向量输入到长短时记忆网络(LSTM)模块, LSTM网络进一步捕捉刀具磨损数据的时间依赖特征。

步骤6:利用步骤2提供的11个初始参数进行CNN-LSTM的训练，使用全连接层和Softmax层得到概率序列并计算目标函数;若达不到训练终止条件，则返回步骤4继续上述计算，直至达到最大迭代次数或目标函数收敛为止。

步骤7:将步骤3形成的验证集输入训练好的CNN-LSTM模型并计算预测值与实际值之间的均方误差(MSE)，若未达到终止条件，GTO多目标优化模块通过探索过程和开发过程迭代更新种群个体的位置，直至找到最优的网络结构参数解集止。

步骤8:将步骤3形成的测试集和步骤7得到的最优网络结构参数解集输入至训练好的CNN-LSTM模型中进行刀具磨损值的回归预测，然后对GTO-CNN-LSTM模型的预测效果进行评估。

刀具磨损状态1GTO-CNN-LSTM模型监测流程

产品视频

U30五轴加工中心视频

U30Pro五轴加工中心视频

U600S五轴加工中心视频

联系我们

关注官方微信