技术领域
[0001] 本
发明涉及一种飞锯寿命预测方法，尤其涉及一种基于循环神经网络(RNN)在工业锯切寿命预测方法的改进。
背景技术
[0002] 随着人类社会的不断发展，机械自动化程度越来越高，传统依据经验的生产方式已经难以满足工业
精度的要求。为了有效的解决当前难题，在工业制造中引入了
机器学习的相关技术，帮助用户摆脱以往的经验。同时，建立
锯片的磨损情况记录，便于在不同切割材料的情况下，对于实现该
算法的使用进行了选择，这样不仅保证了加工
质量，也提高了加工效率，还降低了加工成本。
[0003] 锯片磨损监测和预测锯片的剩余使用寿命(RUL)一直是一个研究领域，因为锯片中的磨损会降低产品的表面质量及其尺寸精度。而已有的众多方法中，用于解决寿命预测问题的方法大致可以分为3类：(1)基于故障机理的方法，其是一种根据故障发生的内在机制和根本原因进行间接预测的方法；(2)数据驱动的方法，其是一种应用统计学或者机器学习等技术手段对可靠性指标进行直接预测的方法；(3)融合的方法，这种方法是一种结合故障机和数据驱动相结合的方法。近年来由于
人工智能发展的火热，机器学习技术在工业领域的应用已经相当普遍。锯切数据表现为规则性很强的曲线形态并且能够被单一模型很好地拟合和预测，但是工业环境复杂，噪声干扰较多，单一的模型预测已经很难满足当前的应用需求。因此，本
专利利用Kalman滤波算法的特点，实时模拟添加工业噪声，并结合RNN的记忆功能，这样可以有效的提高预测精度，使该网络模型预测值逐渐逼近真实值。
发明内容
[0004] 发明目的：为了克服
现有技术中存在的不足，本发明提供一种基于kalman-RNN神经网络的飞锯寿命预测方法，首先，采集锯片磨损数据集，这为以后进行对比分析做准备。然后，对被切材料、锯片直径、锯切速度、锯切深度、锯切宽度、每齿进刀量、齿数、齿距等工艺参数进行分析，最终选择锯片直径、锯切速度、锯切深度、锯切宽度、每齿进刀量、齿数、齿距作为神经网络的输入；神经网络对应时刻输出为预测的寿命，即磨损百分比，并结合Kalman滤波技术将其和对应时刻的实际测量值进行融合、比对、更新神经网络对应时刻的输出，实现锯片寿命的预测，同时依此提高该算法寿命预测的精度。
[0005] 技术方案：为实现上述目的，本发明采用的技术方案为：
[0006] 一种基于kalman-RNN神经网络的飞锯寿命预测方法，包括以下步骤：
[0007] 步骤1，利用热
电压测量法，采集某一类型锯片在锯切某一类
型材料时的磨损数据集，作为样本数据。
[0008] 步骤2，寿命
预测模型的建立：根据样本数据建立Kalman-RNN锯片寿命预测模型，Kalman-RNN锯片寿命预测模型是基于RNN网络模型建立的，在RNN网络模型中引入Kalman滤波技术结合当前实际的锯片磨损om来更新基于RNN网络模型的磨损预测模型的预测结果op。若调整后的误差小于调整前的，则用更新后的锯片磨损量of调整RNN网络模型，即
修改RNN网络模型的训练样本，若调整后的误差大于调整前的，那么该次就不进行RNN网络模型的调整，这样就会使得RNN网络模型的预测精度进一步提高。
[0009] RNN网络模型包括
输入层、
隐藏层、
输出层，隐藏层具有记忆功能，即隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。t-1，t，t+1表示时间序列，X＝(x1,x2,x3,...,xt-1,xt,xt+1)表示样本数据。st表示样本在时间t处的记忆，st＝f(Wst-1+Uxt)。W表示输入的权重，U表示此刻输入的样本权重，V表示输出的样本权重。
[0010] 在t＝1时刻，一般初始化输入S0＝0，随机初始化W，U，V进行下面的公式计算：
[0011] h1＝Ux1+Ws0 (1)
[0012] s1＝f(h1)
[0013] o1＝g(Vs1)
[0014] 公式(1)中的f，g均为激活函数，在这里分别选用tanh，softmax作为激活函数。
[0015] RNN网络模型的前向传播方式：
[0016] 时间向前推进，此时状态为s1作为时刻1的记忆状态将参与下一时刻的预测活动，相关公式如下：
[0017] h2＝Ux2+Ws1 (2)
[0018] s2＝f(h2)
[0019] o2＝g(Vs2)
[0020] 依此类推，得到最终输出值为：
[0021] ht＝Uxt+Wst-1 (3)
[0022] st＝f(ht)
[0023] ot＝g(Vst)
[0024] 其中，ht表示t时刻隐层的输入，xt表示样本在t时刻输入层的输入(输出)，st表示样本在t时刻的记忆状态，ot表示样本在t时刻输出层的输出；
[0025] RNN网络模型的反向传播方式：
[0026] 为了W，U，V三个权重系数的更新，每次的输出值ot都会产生一个误差值et，这时利用Kalman滤波算法来对误差进行缩小，更新ot的值，从而提高每个时间
节点的预测精度。
[0027] Kalman滤波算法包括两个过程：预测阶段与校正阶段，在预测阶段，
滤波器使用上一状态的估计，做出对当前状态的预测。在校正阶段，滤波器利用对当前状态的观测值修正在预测阶段获得的预测值，以获得一个更接进真实值的新估计值。计算过程如下：
[0028] 预测阶段：
[0029]
[0030] P′k＝Apk-1AT+Q
[0031] 校正阶段：
[0032]
[0033] Kk＝P′kHT(HP′kHT+R)-1
[0034]
[0035] 更新协方差估计：
[0036] PK＝(I-KkH)P′k (8)
[0037] 其中， 预测值，A为状态转移矩阵， 卡尔曼估计值，xk真实值，B为输入增益矩阵，uk系统输入向量，P′k预测误差协方差矩阵，Pk卡尔曼估计误差协方差矩阵，Q、R表示协方差矩阵， 测量余量，zk观测变量，H为测量矩阵，Kk卡尔曼增益。
[0038] 引入Klaman滤波算法，结合当时的实际锯片磨损量调整RNN网络模型的预测结果，这样调整后的锯片磨损量就能够反映出由于加工条件及环境的变化引起的锯片磨损的变化。用调整后的锯片磨损量更新RNN网络模型在该时刻的预测数据后再进行下一步的锯片磨损量的预测，这样下一步的预测结果就能够反映出加工条件及环境的变化：
[0039] of＝op+Kk(om-Hop)
[0040] 其中，op为RNN网络模型在T+1时刻的预测结果，om为T+1时刻锯片磨损量的测量值，of是利用Kalman滤波算法结合锯片的实际磨损量om更新RNN网络模型预测结果后的融合数据，oe表示预测模型最终的预测结果。
[0041] 优选的：热电压测量法为：利用
热电效应原理，即两种不同导体的
接触点在受热时，将在两导体的另一端之间产生一个电压，这个电压的大小取决于导体的电特性及接触点与自由端之间的
温度差。锯片和加工
工件是由不同的材料构成时，在锯片与工件之间就产生一个与切削温度相关的热电压。这个电压作为锯片磨损量的一个度量。
[0042] 优选的：磨损数据集包括锯片直径、锯切速度、锯切深度、锯切宽度、每齿进刀量、齿数、齿距。
[0043] 优选的：Kalman滤波算法的系统离散型
状态方程如下：
[0044] 由k-1时刻到k时刻，系统状态预测方程
[0045] xk＝Axk-1+Buk-1+wk-1 (4)
[0046] 系统状态观测方程：
[0047] zk＝Hxk+vk
[0048] 其中，xk表示锯片从加工时刻0到加工时刻t的磨损量，zk表示锯片从加工时刻0到加工时刻t的观测磨损量。uk表示锯片从加工时刻t到加工时刻t+1的磨损量。wk为均值为0且协方差矩阵为Q同时服从正态分布的过程噪声。vk为均值为0且协方差矩阵为R同时服从正态分布的观测噪声。A为状态转移矩阵。B为输入增益矩阵。H为测量矩阵。
[0049] 优选的：初始状态x0、每一时刻的噪声w1,...,wk、观测磨损量v1,...vk都认为是互相独立的。
[0050] 本发明相比现有技术，具有以下有益效果：
[0051] 近年来由于人工智能发展的火热，机器学习技术在工业领域的应用已经相当普遍。锯切数据表现为规则性很强的曲线形态并且能够被单一模型很好地拟合和预测，但是工业环境复杂，噪声干扰较多，单一的模型预测已经很难满足当前的应用需求。因此，本发明利用Kalman滤波算法的特点，实时模拟添加工业噪声，并结合RNN网络模型的记忆功能，这样可以有效的提高预测精度，使该RNN网络模型预测值逐渐逼近真实值。这样不仅保证了加工质量，也提高了加工效率，还降低了加工成本。
附图说明
[0052] 图1为RNN结构图；
[0053] 图2为卡尔曼滤波算法原理图；
[0054] 图3 Kalmna-RNN模型的输出
数据处理结构图；
[0055] 图4 Kalmna-RNN预测系统总体结构图。
具体实施方式
[0056] 下面结合附图和具体
实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本
申请所附
权利要求所限定的范围。
[0057] 一种基于kalman-RNN神经网络的飞锯寿命预测方法，如图4所示，包括以下步骤：
[0058] 首先，利用热电压测量法，采集某一类型锯片在锯切某一类型材料时的磨损数据集，这为以后进行对比分析做准备。其原理为，利用热电效应原理，即两种不同导体的接触点在受热时，将在两导体的另一端之间产生一个电压，这个电压的大小取决于导体的电特性及接触点与自由端之间的温度差。锯片和加工工件是由不同的材料构成时，在锯片与工件之间就可以产生一个与切削温度相关的热电压。这个电压就可以作为锯片磨损量的一个度量，因为随着锯片磨损量的增大，热电压也随之增大。
[0059] 然后，实现该算法寿命预测模型的建立。对被切材料、锯片直径、锯切速度、锯切深度、锯切宽度、每齿进刀量、齿数、齿距等工艺参数进行分析，最终选择锯片直径、锯切速度、锯切深度、锯切宽度、每齿进刀量、齿数、齿距作为神经网络的输入；神经网络对应时刻输出为预测的寿命，即磨损百分比，并结合Kalman滤波技术将其和对应时刻的实际测量值进行融合、比对、更新神经网络对应时刻的输出，依此提高该算法寿命预测的精度。基于RNN网络模型，其网络结构图如图1所示，由三部分组成，分别是输入层，隐藏层，输出层。并且会发现在隐藏层有一个箭头表示数据的循环更新,这个就是实现时间记忆功能的方法。t-1，t，t+1表示时间序列，X＝(x1,x2,x3,...,xt-1,xt,xt+1)表示输入的实现该算法样本数据。st表示样本在时间t处的记忆，st＝f(Wst-1+Uxt)。W表示输入的权重，U表示此刻输入的样本权重，V表示输出的样本权重。
[0060] 在t＝1时刻,一般初始化输入S0＝0，随机初始化W，U，V进行下面的公式计算：
[0061] h1＝Ux1+Ws0 (1)
[0062] s1＝f(h1)
[0063] o1＝g(Vs1)
[0064] 公式(1)中的f，g均为激活函数，在这里分别选用tanh，softmax作为激活函数。
[0065] 时间向前推进，此时状态为s1作为时刻1的记忆状态将参与下一时刻的预测活动，相关公式如下：
[0066] h2＝Ux2+Ws1 (2)
[0067] s2＝f(h2)
[0068] o2＝g(Vs2)
[0069] 依此类推，可以得到最终输出值为：
[0070] ht＝Uxt+Wst-1 (3)
[0071] st＝f(ht)
[0072] ot＝g(Vst)
[0073] 前面介绍了RNN的前向传播的方式，现在介绍RNN的反向传播，为了W，U，V三个权重系数的更新。每次的输出值ot都会产生一个误差值et。这时利用Kalman滤波算法来对误差进行缩小，更新ot的值，从而提高每个时间节点的预测精度。
[0074] 卡尔曼滤波(Kalman filtering)一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程，所以适用于锯片磨损状态的预测。Kalman滤波算法的核心是Kalman滤波递推方程，算法主要过程如下：
[0075] 系统离散型状态方程如下：
[0076] 由k-1时刻到k时刻，系统状态预测方程
[0077] xk＝Axk-1+Buk-1+wk-1 (4)
[0078] 系统状态观测方程：
[0079] zk＝Hxk+vk (5)
[0080] 变量说明：
[0081] xk表示锯片从加工时刻0到加工时刻t的磨损量(系统状态)，zk表示锯片从加工时刻0到加工时刻t的观测磨损量(观测值)；uk：系统输入向量，表示锯片从加工时刻t到加工时刻t+1的磨损量；wk：均值为0，协方差矩阵为Q，且服从正态分布的过程噪声；vk：均值为0，协方差矩阵为R，且服从正态分布的观测噪声；A：状态转移矩阵；B：输入增益矩阵；H：测量矩阵。
[0082] 初始状态以及每一时刻的噪声x0，w1,...,wk，v1,...vk都认为是互相独立的，实际上，很多真实世界的动态系统都并不确切的符合这个模型；但是由于卡尔曼滤波器被设计在有噪声的情况下工作，一个近似的符合已经可以使这个滤波器非常有用了。
[0083] 卡尔曼估计实际由两个过程组成：预测与校正，在预测阶段，滤波器使用上一状态的估计，做出对当前状态的预测。在校正阶段，滤波器利用对当前状态的观测值修正在预测阶段获得的预测值，以获得一个更接进真实值的新估计值。计算过程如下。
[0084] 预测：
[0085]
[0086] P′k＝Apk-1AT+Q
[0087] 校正：
[0088]
[0089] Kk＝P′kHT(HP′kHT+R)-1
[0090]
[0091] 更新协方差估计：
[0092] PK＝(I-KkH)P′k (8)
[0093] 相关变量说明：
[0094] xk真实值； 卡尔曼估计值；Pk卡尔曼估计误差协方差矩阵； 预测值；P′k预测误差协方差矩阵；Kk卡尔曼增益； 测量余量。
[0095] Kalman滤波算法原理图如图2所示。基于RNN的锯片寿命测模型虽然可以预测锯片寿命，但当锯片的加工条件及环境等因素发生变化时，其预测出的锯片磨损量并不能很好地反映出变化的情况。引入Klaman滤波，结合当时的实际锯片磨损量调整RNN网络模型的预测结果，这样调整后的锯片磨损量就能够反映出由于加工条件及环境的变化引起的锯片磨损的变化。用调整后的锯片磨损量更新RNN模型在该时刻的预测数据后再进行下一步的锯片磨损量的预测，这样下一步的预测结果就能够反映出加工条件及环境的变化。
[0096] Kalman-RNN锯片寿命预测模型的数据处理结构如图3所示。op为RNN模型在T+1时刻的预测结果；om为T+1时刻锯片磨损量的测量值；of是利用Kalman滤波技术结合锯片的实际磨损量om更新RNN模型预测结果后的融合数据，即of＝op+Kk(om-Hop)；oe是Kalman-RNN模型预测的锯片磨损量。
[0097] Kalman-RNN锯片寿命预测模型是基于RNN模型建立的。Kalman-RNN模型中引入Kalman滤波技术结合当前实际的锯片磨损om来更新基于RNN的磨损预测模型的预测结果op。若调整后的误差小于调整前的，则用更新后的锯片磨损量of调整RNN模型，即修改RNN的训练样本，若调整后的误差大于调整前的，那么该次就不进行模型的调整，这样就会使得模型的预测精度进一步提高。
[0098] Kalman-RNN的误差反向传播和原RNN一样，运用
梯度下降法进行更新，这里不在阐述。由上面实验推导得出预测系统总体结构图，如图4所示。
[0099] 性能测试采取以下的几个误差评价函数分析模型的预测值和真实值之间的关系：
[0100] (1)平均绝对误差，是一个用来衡量预测值和测量值之间偏离的量，结果越小表示实际值和预测值越接近。
[0101] (2)均方根误差，是用来衡量预测值和实际值之间的偏离程度，结果越小表示实际值和预测值偏离越小。
[0102] (3)均等系数，是用来拟合刀具的预测磨损量和测量值之间的关系，通常均等系数的值小于1，且其值越接近1表明预测值和实际值的拟合度越好。
[0103] 以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
