论文部分内容阅读
机械加工过程中刀具状态异常检测可以保证刀具加工的安全性与稳定性,传统的刀具数据检测方式较为单一,使用的是工业上传统的3sigmod方法进行计算,得出异常数据,之后进行处理。这样的处理方式可能会延长检测时间,进而使得刀具寿命变短,磨损更加严重,如何将刀具异常数据用人工智能的方法进行检测成为加工过程中刀具状态检测的关键。本文针对刀具数据的特点,提出了基于LSTM的刀具单序列数据的异常检测以及多维刀具数据的预测,采用了关联分析方法对多序列数据进行分析并预测。第一是针对单序列的切削力数据,通过引入LSTM神经网络算法,并对神经元个数以及神经网络层数进行设置,利用已有数据先进行参数设置,将迭代次数,滑动窗口参数等调到最佳之后,利用LSTM的模型进行训练,之后得到预测结果与真实值进行差值计算,求得差值概率密度函数值,与设置的正常阈值进行比较,得出异常值,实验结果表明,该方法得到了切削力异常值,并且结果较为准确。接下来的方法是将刀具数据进行相关性计算。由于所收集到的刀具数据并不只是一维数据,还包括其他方面的数据,为了更好的预测刀具数据,首先使用皮尔逊系数计算方法,将序列之间的关联性进行计算,得到强关联矩阵,将强关联矩阵中数据放入训练好的LSTM模型当中去训练预测,并将结果与单序列预测结果进行比对,结果表明,多序列的预测精度较单序列的预测精度更强,并且损失函数更小,准确性更高。在将神经网络算法与传统的3sigmod以及时间关联性分析结合到一起之后,可以有效的将未来时间可能会发生的异常预测出来,可以有效规避加工过程中的问题,提升加工效率。