(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111236480.8 (22)申请日 2021.10.23 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 蒋腾远　周竞涛　曹宇　王明微　 (74)专利代理 机构 西北工业大 学专利中心 61204 代理人 陈星 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) G06K 9/00(2022.01) (54)发明名称 一种基于DA E-RNN的数控铣削表面粗糙度预 测方法 (57)摘要 本发明提出了一种基于DAE ‑RNN的数控铣削 表面粗糙度预测方法， 首先， 对采集的多源异构 数据进行预处理。 其次， 基于深度自编码器， 构建 具有多个隐层的编码层 ‑解码层结构， 形成深度 自编码器， 通过神经网络逐层降维， 自动从高维 时变工况中提取本质特征， 对于非时变工况特征 采用人工提取方式提取特征； 然后， 利用提取的 时变工况特征和非时变工况特征组成多源异构 特征集作为样本， 建立并训练基于循环神经网络 的铣削表 面粗糙度预测模型， 实现变工况场景下 零件表面粗糙度的预测。 通过本发明， 能够对加 工过程多源异构具有时序关联性的加工过程进 行质量监控， 采用DAE进行特征提取、 采用RNN进 行表面粗糙度预测， 从而提高产品加工过程质量 监控能力与表面 粗糙度预测效率。 权利要求书1页 说明书6页 附图2页 CN 114357851 A 2022.04.15 CN 114357851 A 1.一种基于DAE ‑RNN的数控铣削表面 粗糙度预测方法， 其特 征在于： 包括以下步骤： 步骤1： 获取数控铣削过程中的时变工况数据和非时变工况数据， 所述 时变工况数据指 铣削加工过程中随时间变化而变化的工况数据， 所述 非时变工况数据指整个加工过程中不 随时间变化的工况 数据； 步骤2： 对时变工况数据进行预处理后得到标准数据， 然后采用深度自编码器自适应地 提取出时变工况数据对应的特征向量； 对于非时变工况数据， 采用人工方法提取非时变工 况特征； 步骤3： 建立循环神经网络， 以时变工况数据 特征向量和非时变工况特征组合得到的多 源异构特征集和对应的表面粗糙度值作为样本， 划分训练集和测试集， 导入循环神经网络 中进行训练， 得到表面 粗糙度预测模型； 步骤4： 通过步骤3得到的表面粗糙度预测模型， 利用实际数控铣削过程中实时获取的 多源异构特 征， 实现变工况 下数控铣削零件表面 粗糙度的实时预测。 2.根据权利要求1所述一种基于DAE ‑RNN的数控铣削表面粗糙度预测方法， 其特征在 于： 所述时变工况数据包括切削力信号、 振动信号、 功率信号、 夹紧力信号、 切削液品况信 号、 主轴扭矩、 机床主轴温度、 加工环境数据、 机床运行状态数据、 零部件质量数据； 所述非 时变工况 数据包括刀具参数、 主轴转速、 进给速度、 零件材 料。 3.根据权利要求1所述一种基于DAE ‑RNN的数控铣削表面粗糙度预测方法， 其特征在 于： 在获取数控铣削过程中的时变工况数据和非时变工况数据后， 根据加工过程数据的采 样周期， 构造加工过程动态时间窗的长度， 根据构 造的动态时间窗， 生成加工过程时变工况 数据矩阵和非时变工况 数据矩阵， 对不均匀的加工过程数据进行动态关联。 4.根据权利要求1所述一种基于DAE ‑RNN的数控铣削表面粗糙度预测方法， 其特征在 于： 对于数控铣削过程中获取 的时变工况数据， 首先采用均值插补中的分层均值插补方法 对缺失值进行补 充， 再采用小波阈值降噪方法进 行降噪滤波处理， 最后利用Z ‑score归一化 方法得到符合标准 正态分布的标准 化时变工况 数据。 5.根据权利要求4所述一种基于DAE ‑RNN的数控铣削表面粗糙度预测方法， 其特征在 于： 采用均值插补中的分层均值插补方法对缺失值进行补充的过程为： 在插补前对依据变 量的属性特征对变量进行了精细的分层， 确保每层中的数据都具备相似的特点， 而后再将 每一层中未缺失单 元中的数据均值当作该层中缺失单 元中的插补值。 6.根据权利要求1所述一种基于DAE ‑RNN的数控铣削表面粗糙度预测方法， 其特征在 于： 所述深度自编码器在自编码 器的基础上， 分别在编 码层和解码层中增加多个隐层， 通过 神经网络逐层降维， 自动 从高维时变工况中提取本质特征， 并利用反向传播算法优化特征 提取效率。 7.根据权利要求1所述一种基于DAE ‑RNN的数控铣削表面粗糙度预测方法， 其特征在 于： 所述循环神经网络正向传播公式为 ht＝fa(Wxhxt+Whhht‑1+bh) yt＝Whyht+by 其中t为某一时刻； W为权重矩阵： Wxh为输入层到隐藏层的权重矩阵， Whh为隐藏层到隐藏 层的权重矩阵， Why为隐藏层到输出层的权重矩阵； b为偏置向量： bh为隐藏层的偏置向量， by 为输出层的偏置向量； fa为激活函数。权　利　要　求　书 1/1 页 2 CN 114357851 A 2一种基于DAE ‑RNN的数控铣削表面 粗糙度预测方 法 技术领域 [0001]本发明涉及 机械加工技术领域， 具体为一种基于DAE ‑RNN的数控铣削表面粗糙  度 预测方法， 用于铣削加工过程中表面 粗糙度的实时预测。 背景技术 [0002]表面粗糙度指加工表面具有的较小间距和微小峰谷的不平度， 是衡量零件表面质   量的重要参数。 对于一些重要零件， 表面质量缺陷有可能导致零件性能发生变化， 甚  至影 响整个工件的质量及使用性能， 以往表面粗糙度测量一般在零件加工完成之后进  行检测， 成本高且效率低， 无法及时发现表面质量问题， 从而造成零件质量超差等问  题的发生， 这 种非实时检测方法已经不适用于目前高精度、 智能化的生产要求。 因此，  如何实时预测工 件表面粗糙度， 提高预测精度和泛化能力， 是解决上述质量问题的关  键问题所在。 [0003]传统的表面粗糙度预测是在零件加工完成后， 通过与样本表面比较、 千分尺测量、   印模等方法， 再结合机加工技术人员的经验， 主观的进行判断。 这种传统的方法会产  生如 下问题： 一方面， 传统测量方法存在一定测量误差， 且影响零件表 面粗糙度的因  素众多， 人 工判断的主观性较强， 考虑不够全面； 另一方面， 加工后再测量的方法不  能及时发现零件 表面缺陷， 不仅增 加了时间成本， 严重时会造成昂贵的零件报 废。 [0004]随着智能制造及相应技术的推行和在机测量技术的发展， 大量传感器和信号检测   设备被应用于实际生产中， 为表面粗糙度预测提供了新的方向。 实际加工中， 零件表  面粗 糙度的影响因素有刀具及参数、 工艺参数、 设备状态等 非时变工况以及力信号、  振动信号、 功率信号等时变工况， 这些工况产生了大量的高维、 非线性的多源异构数  据， 而在这些多 源异构数据中蕴涵着加工零部件表面质量变化趋势， 因此， 如何有效  地处理这些多源异构 数据并实时预测零件表面 粗糙度具有重要的现实意 义。 [0005]国内外学者已经针对零件表面粗糙度预测方法展开了大量的研究， 应用较为广泛   的有回归分析法和人工神经网络等， 主要通过采集加工过程中与表面粗糙度相关的各  类 传感器信号， 如切削力信号、 振动信号、 声发射信号、 电流(功率)信号以及工艺  参数等， 并 基于时域、 频域、 时频域分析手段或机器学习 方法提取采集信号的特征，  利用这些信号特 征与表面粗糙度之间的强相关性， 预测加工零件的表面粗糙度。 现有  表面粗糙度预测研究 虽然能够在一定程度上预测表面粗糙度， 但存在以下不足： (1)  未充分考虑工况因素对表 面粗糙度的影响， 模 型仅在给定的工况条件 下适用， 泛化能  力差； (2)特征提取依赖人工经 验， 无法较为全面地提取出原始数据的本质特征； (3)  深度学习模型初始 化不合理、 网络层 数太深易 导致过拟合问题， 影响预测模型精度。 发明内容 [0006]要解决的技 术问题 [0007]为解决现有铣削过程零件表面粗糙度预测技术中， 难以高效提取特征信号并实时   预测表面粗糙度， 本发明提出了一种基于DAE ‑RNN的数控铣削表面粗糙度预测方法，  主要说　明　书 1/6 页 3 CN 114357851 A 3