一种数控机床刀具剩余使用寿命预测方法、系统及应用

摘要

本发明属于机械技术领域，公开了一种数控机床刀具剩余使用寿命预测方法、系统及应用，所述数控机床刀具剩余使用寿命预测方法包括：采集数控机床工作过程中的控制器信号和传感器信号，并对信号进行预处理、特征提取以及特征选择，挖掘各种信号中与刀具磨损相关的信息；利用长短时记忆网络与注意力机制建立刀具剩余使用寿命预测模型，实现数控机床刀具的剩余使用寿命预测。本发明通过采集数控机床工作过程中的控制器信号和传感器信号，利用多源信息建立刀具剩余使用寿命预测模型，充分考虑了不同类型的信号反映的刀具磨损情况，有效地克服了现有技术用单一信号建立预测模型的局限性，使得本发明提高了刀具剩余使用寿命预测模型的泛化能力。

权利要求

1.一种数控机床刀具剩余使用寿命预测方法，其特征在于，所述数控机床刀具剩余使用寿命预测方法包括：采集数控机床工作过程中的控制器信号和传感器信号，并对信号进行预处理、特征提取以及特征选择，挖掘各种信号中与刀具磨损相关的信息；利用长短时记忆网络与注意力机制建立刀具剩余使用寿命预测模型，实现数控机床刀具的剩余使用寿命预测；

所述数控机床刀具剩余使用寿命预测方法包括以下步骤：

步骤一，信号采集与处理；

步骤二，信号特征提取；

步骤三，信号特征选择；

步骤四，建模预测；

步骤一中，所述信号采集与处理，包括：

(1)采集数控机床工作过程中的信号，即控制器信号和传感器信号，控制器信号主要包括主轴负载和三个方向的机械坐标即x轴机械坐标、y轴机械坐标以及z轴机械坐标，传感器信号主要包括电流信号和三个方向的振动信号即x轴方向振动信号、y轴方向振动信号、z轴方向振动信号；

(2)将采集的信号进行预处理，首先根据三个方向的机械坐标和主轴负载剔除未接触加工对象时采集的信号，然后进行缺失值、异常值处理，最后利用最小二乘法将信号中的异常趋势项进行去除；

其中，所述利用最小二乘法将信号中的异常趋势项去除，包括：首先利用高阶多项式拟合信号，再根据最小二乘法原理选取合适的多项式系数，使得信号与其拟合信号的误差平方和最小，然后将选取的多项式系数代入高阶多项式中，得到信号的趋势项，最后将信号减去趋势项，得到去除趋势项后的信号；

步骤二中，所述信号特征提取，包括：

从时域、频域以及时频域三个方面，将步骤一得到的信号进行特征提取；

步骤三中，所述信号特征选择，包括：

(1)利用单调性和趋势性这两个评价标准，将步骤二得到的信号特征进行筛选，包括：①按照下式，计算步骤二得到的每个信号特征单调性值和趋势性值：其中，Smon为单个信号特征的单调性值，T为单个信号特征的样本长度，dH表示单个特征中每个样本与前一个样本的差值；

其中，Stred为单个信号特征的趋势性值，T为单个信号特征的样本长度，xi为单个信号特征的第i个样本，为单个信号特征的均值，ti为xi对应的累计工作时间，为累计工作时间序列的均值；

②将每个信号特征单调性值和趋势性值的均值作为综合评价值，所有信号特征的综合评价值组成综合评价矩阵；

③将综合评价矩阵进行归一化，选取综合评价值大于0.5的信号特征组成矩阵，得到筛选后的信号特征；

(2)利用核主成分分析算法对筛选得到的信号特征进行降维处理，包括：①将筛选得到的信号特征进行标准化处理；

②选定核函数，计算核矩阵；

③将核矩阵进行中心化，得到中心化核矩阵；

④计算中心化核矩阵的特征值和特征向量，将特征值按降幂排序；

⑤设定累计贡献率的阈值为90％，确定主元个数p，选取前p个特征值对应的特征向量组成矩阵，得到降维后的信号特征。

2.如权利要求1所述的数控机床刀具剩余使用寿命预测方法，其特征在于，步骤四中，所述建模预测，包括：将步骤三得到的信号特征进行归一化处理，以磨损比，即剩余工作时间除以刀具总工作时间作为剩余使用寿命标签，构造训练集，建立结合注意力机制的长短时记忆网络预测模型，进行刀具的剩余使用寿命预测。

3.如权利要求2所述的数控机床刀具剩余使用寿命预测方法，其特征在于，所述建立结合注意力机制的长短时记忆网络预测模型，包括：结合注意力机制的长短时记忆网络的结构依次为：输入层、LSTM网络层、注意力机制层、全连接层以及输出层，将LSTM网络层的输出神经元个数设置为70，全连接层的神经元个数设置为1024，输出层的神经元个数设置为1。

4.一种实施权利要求1～3任意一项所述的数控机床刀具剩余使用寿命预测方法的数控机床刀具剩余使用寿命预测系统，其特征在于，所述数控机床刀具剩余使用寿命预测系统包括：信号采集与处理模块，用于采集数控机床工作过程中的信号，并将采集得到的信号进行预处理；

信号特征提取模块，用于从时域、频域以及时频域三个方面，将采集得到的信号进行特征提取；

信号特征选择模块，用于利用单调性和趋势性这两个评价标准，将信号特征进行筛选，再利用核主成分分析算法对筛选得到的信号特征进行降维处理；

建模预测模块，用于将信号特征进行归一化处理，以磨损比，即剩余工作时间除以刀具总工作时间作为剩余使用寿命标签，构造训练集，建立结合注意力机制的长短时记忆网络预测模型，进行刀具的剩余使用寿命预测。

5.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～

3任意一项所述的数控机床刀具剩余使用寿命预测方法。

6.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求4所述的数控机床刀具剩余使用寿命预测系统。

说明书

一种数控机床刀具剩余使用寿命预测方法、系统及应用

技术领域

[0001] 本发明属于机械技术领域，尤其涉及一种数控机床刀具剩余使用寿命预测方法、系统及应用。

背景技术

[0002] 目前，作为数控加工中十分重要的部件，刀具磨损带来的问题是数控加工过程中面临的主要难题之一。在数控机床的铣削过程中，刀具的磨损退化是不可避免的。而一旦发生刀具失效，工件的表面质量会达不到要求，从而导致加工效率低下，磨损严重时甚至会造成机床的损坏。因此，有效地预测刀具的剩余使用寿命对提高数控机床的生产效率具有十分重要的意义。目前，采用数据驱动结合机器学习手段是刀具寿命预测技术领域主流的方法与技术，但也存在一定的局限性。

[0003] 成都数之联科技有限公司在其申请的专利文献“刀具寿命预测方法”(专利申请号：201811069400.2，公开号：CN109465676A)中提出了一种刀具寿命预测方法。该方法的步骤是：首先通过特征学习提取电流信号的特征值，再对电流信号进行数据清洗，然后通过机器学习和深度学习方法分析电流信号与刀具寿命之间的关系，建立刀具寿命预测模型。该方法虽然能实现刀具剩余寿命的准确预估，提高生产产品的成品率。但是，该方法仍然存在的不足之处是，仅考虑了加工机台的主轴电流信号，未考虑不同信号反映了刀具的不同磨损情况，用单一信号建立预测模型存在较大的局限性，且模型泛化能力较差，不利于实际生产中的推广使用。

[0004] 通过上述分析，现有技术存在的问题及缺陷为：现有采用数据驱动结合机器学习手段预测刀具寿命的方法，仅考虑了加工机台的主轴电流信号，未考虑不同信号反映了刀具的不同磨损情况，用单一信号建立预测模型存在较大的局限性，且模型泛化能力较差，不利于实际生产中的推广使用。

[0005] 解决以上问题及缺陷的难度为：摆脱用单一信号建模的应用局限性，使模型能从不同信号中学习到刀具的不同磨损信息。

[0006] 解决以上问题及缺陷的意义为：现有技术考虑的信号过于单一，通过信号特征提取挖掘出不同信号中与刀具磨损相关的信息，并将这些磨损相关信息进行融合，从而提高模型的泛化能力。本发明旨在提出一种多源信息融合的刀具剩余使用寿命预测方法。

发明内容

[0007] 针对现有技术存在的问题，本发明提供了一种数控机床刀具剩余使用寿命预测方法、系统及应用，尤其涉及一种基于多源信息融合的数控机床刀具剩余使用寿命预测方法、系统及应用，旨在解决现有技术中用单一信号建立预测模型泛化能力较差的问题。

[0008] 本发明是这样实现的，一种数控机床刀具剩余使用寿命预测方法，所述数控机床刀具剩余使用寿命预测方法包括：

[0009] 采集数控机床工作过程中的控制器信号和传感器信号，并对信号进行预处理、特征提取以及特征选择，挖掘各种信号中与刀具磨损相关的信息；利用长短时记忆网络与注意力机制建立刀具剩余使用寿命预测模型，实现数控机床刀具的剩余使用寿命预测。

[0010] 进一步，所述数控机床刀具剩余使用寿命预测方法包括以下步骤：

[0011] 步骤一，信号采集与处理；

[0012] 步骤二，信号特征提取；

[0013] 步骤三，信号特征选择；

[0014] 步骤四，建模预测。

[0015] 进一步，步骤一中，所述信号采集与处理，包括：

[0016] (1)采集数控机床工作过程中的信号，即控制器信号和传感器信号，控制器信号主要包括主轴负载和三个方向的机械坐标即x轴机械坐标、y轴机械坐标以及z轴机械坐标，传感器信号主要包括电流信号和三个方向的振动信号即x轴方向振动信号、y轴方向振动信号、z轴方向振动信号；

[0017] (2)将采集的信号进行预处理，首先根据三个方向的机械坐标和主轴负载剔除未接触加工对象时采集的信号，然后进行缺失值、异常值处理，利用最小二乘法将信号中的异常趋势项进行去除。

[0018] 其中，所述利用最小二乘法将信号中的异常趋势项去除，包括：

[0019] 首先利用高阶多项式拟合信号，再根据最小二乘法原理选取合适的多项式系数，使得信号与其拟合信号的误差平方和最小，然后将选取的多项式系数代入高阶多项式中，得到信号的趋势项，最后将信号减去趋势项，得到去除趋势项后的信号。

[0020] 进一步，步骤二中，所述信号特征提取，包括：

[0021] 从时域、频域以及时频域三个方面，将步骤一得到的信号进行特征提取。

[0022] 进一步，步骤三中，所述信号特征选择，包括：

[0023] (1)利用单调性和趋势性这两个评价标准，将步骤二得到的信号特征进行筛选，包括：

[0024] ①按照下式，计算步骤二得到的每个信号特征单调性值和趋势性值：

[0025]

[0026] 其中，Smon为单个信号特征的单调性值，T为单个信号特征的样本长度，dH表示单个特征中每个样本与前一个样本的差值；

[0027]

[0028] 其中，Stred为单个信号特征的趋势性值，T为单个信号特征的样本长度，xi为单个信号特征的第i个样本，为单个信号特征的均值，ti为xi对应的累计工作时间，为累计工作时间序列的均值；

[0029] ②将每个信号特征单调性值和趋势性值的均值作为综合评价值，所有信号特征的综合评价值组成综合评价矩阵；

[0030] ③将综合评价矩阵进行归一化，选取综合评价值大于0.5的信号特征组成矩阵，得到筛选后的信号特征。

[0031] (2)利用核主成分分析算法对筛选得到的信号特征进行降维处理，包括：

[0032] ①将筛选得到的信号特征进行标准化处理；

[0033] ②选定核函数，计算核矩阵；

[0034] ③将核矩阵进行中心化，得到中心化核矩阵；

[0035] ④计算中心化核矩阵的特征值和特征向量，将特征值按降幂排序；

[0036] ⑤设定累计贡献率的阈值为90％，确定主元个数p，选取前p个特征值对应的特征向量组成矩阵，得到降维后的信号特征。

[0037] 进一步，步骤四中，所述建模预测，包括：

[0038] 将步骤三得到的信号特征进行归一化处理，以磨损比，即剩余工作时间除以刀具总工作时间作为剩余使用寿命标签，构造训练集，建立结合注意力机制的长短时记忆网络预测模型，进行刀具的剩余使用寿命预测。

[0039] 进一步，所述建立结合注意力机制的长短时记忆网络预测模型，包括：

[0040] 结合注意力机制的长短时记忆网络的结构依次为：输入层、LSTM网络层、注意力机制层、全连接层以及输出层，将LSTM网络层的输出神经元个数设置为70，全连接层的神经元个数设置为1024，输出层的神经元个数设置为1。

[0041] 本发明的另一目的在于提供一种应用所述的数控机床刀具剩余使用寿命预测方法的数控机床刀具剩余使用寿命预测系统，所述数控机床刀具剩余使用寿命预测系统包括：

[0042] 信号采集与处理模块，用于采集数控机床工作过程中的信号，并将采集得到的信号进行预处理；

[0043] 信号特征提取模块，用于从时域、频域以及时频域三个方面，将采集得到的信号进行特征提取；

[0044] 信号特征选择模块，用于利用单调性和趋势性这两个评价标准，将信号特征进行筛选，再利用核主成分分析算法对筛选得到的信号特征进行降维处理；

[0045] 建模预测模块，用于将信号特征进行归一化处理，以磨损比，即剩余工作时间除以刀具总工作时间作为剩余使用寿命标签，构造训练集，建立结合注意力机制的长短时记忆网络预测模型，进行刀具的剩余使用寿命预测。

[0046] 本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

[0047] 采集数控机床工作过程中的控制器信号和传感器信号，并对信号进行预处理、特征提取以及特征选择，挖掘各种信号中与刀具磨损相关的信息；利用长短时记忆网络与注意力机制建立刀具剩余使用寿命预测模型，实现数控机床刀具的剩余使用寿命预测。

[0048] 本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的数控机床刀具剩余使用寿命预测系统。

[0049] 结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的数控机床刀具剩余使用寿命预测方法，涉及数控机床刀具寿命预测技术领域中的一种基于多源信息融合的数控机床刀具剩余使用寿命预测方法技术，可用于对数控机床刀具剩余使用寿命进行预测，解决刀具剩余使用寿命预测的模型泛化能力问题。

[0050] 本发明通过采集数控机床工作过程中的控制器信号和传感器信号，利用多源信息建立刀具剩余使用寿命预测模型，充分考虑了不同类型的信号反映的刀具磨损情况，有效的客服了现有技术用单一信号建立预测模型的局限性，使得本发明提高了刀具剩余使用寿命预测模型的泛化能力。

[0051] 本发明从时域、频域、时频域三方面综合提取振动和电流信号特征，并利用单调性和趋势性指标进行特征筛选，提高了多源信号的利用效能。同时，本发明采用长短期记忆网络建立刀具剩余使用寿命预测模型，并采用基于本地的注意力机制方式，在输出层加入注意力机制，进一步提高了模型预测精度。

附图说明

[0052] 为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

[0053] 图1是本发明实施例提供的数控机床刀具剩余使用寿命预测方法流程图。

[0054] 图2是本发明实施例提供的数控机床刀具剩余使用寿命预测方法原理图。

[0055] 图3是本发明实施例提供的数控机床刀具剩余使用寿命预测系统结构框图；

[0056] 图中：1、信号采集与处理模块；2、信号特征提取模块；3、信号特征选择模块；4、建模预测模块。

[0057] 图4是本发明实施例提供的预测的结果示意图。

[0058] 图4(a)是本发明实施例提供的实验一02号刀具的预测结果示意图。

[0059] 图4(b)是本发明实施例提供的实验一03号刀具的预测结果示意图。

[0060] 图4(c)是本发明实施例提供的实验二01号刀具的预测结果示意图。

[0061] 图4(d)是本发明实施例提供的实验二03号刀具的预测结果示意图。

[0062] 图4(e)是本发明实施例提供的实验三01号刀具的预测结果示意图。

[0063] 图4(f)是本发明实施例提供的实验三02号刀具的预测结果示意图。

具体实施方式

[0064] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0065] 针对现有技术存在的问题，本发明提供了一种数控机床刀具剩余使用寿命预测方法、系统及应用，下面结合附图对本发明作详细的描述。

[0066] 如图1所示，本发明实施例提供的数控机床刀具剩余使用寿命预测方法包括以下步骤：

[0067] S101，信号采集与处理：采集数控机床工作过程中的信号，并将采集得到的信号进行预处理；

[0068] S102，信号特征提取，从时域、频域以及时频域三个方面，将S101采集得到的信号进行特征提取；

[0069] S103，信号特征选择，利用单调性和趋势性这两个评价标准，将信号特征进行筛选，再利用核主成分分析算法对筛选得到的信号特征进行降维处理；

[0070] S104，建模预测：将信号特征进行归一化处理，以磨损比，即剩余工作时间除以刀具总工作时间作为剩余使用寿命标签，构造训练集，建立结合注意力机制的长短时记忆网络预测模型，进行刀具的剩余使用寿命预测。

[0071] 本发明实施例提供的数控机床刀具剩余使用寿命预测方法原理图如图2所示。

[0072] 如图3所示，本发明实施例提供的数控机床刀具剩余使用寿命预测系统，包括：

[0073] 信号采集与处理模块1，用于采集数控机床工作过程中的信号，并将采集得到的信号进行预处理；

[0074] 信号特征提取模块2，用于从时域、频域以及时频域三个方面，将采集得到的信号进行特征提取；

[0075] 信号特征选择模块3，用于利用单调性和趋势性这两个评价标准，将信号特征进行筛选，再利用核主成分分析算法对筛选得到的信号特征进行降维处理；

[0076] 建模预测模块4，用于将信号特征进行归一化处理，以磨损比，即剩余工作时间除以刀具总工作时间作为剩余使用寿命标签，构造训练集，建立结合注意力机制的长短时记忆网络预测模型，进行刀具的剩余使用寿命预测。

[0077] 下面结合实施例对本发明的技术方案作进一步描述。

[0078] 实施例1

[0079] 参照图2，对本发明实现的步骤作进一步的详细说明。

[0080] 步骤1，信号采集与处理。

[0081] 第1步，采集数控机床工作过程中的信号，即控制器信号和传感器信号，控制器信号主要包括主轴负载和三个方向的机械坐标即x轴机械坐标、y轴机械坐标以及z轴机械坐标，传感器信号主要包括电流信号和三个方向的振动信号即x轴方向振动信号、y轴方向振动信号、z轴方向振动信号以及电流信号。

[0082] 第2步，将采集的信号进行预处理，首先根据三个方向的机械坐标和主轴负载剔除未接触加工对象时采集的信号，然后进行缺失值、异常值处理，利用最小二乘法将信号中的异常趋势项进行去除。

[0083] 所述的利用最小二乘法将信号中的趋势项进行去除的步骤为：首先利用高阶多项式拟合信号，再根据最小二乘法原理选取合适的多项式系数，使得信号与其拟合信号的误差平方和最小，然后将选取的多项式系数代入高阶多项式中，得到信号的趋势项，最后将信号减去趋势项，得到去除趋势项后的信号。

[0084] 步骤2，信号特征提取。

[0085] 从时域、频域以及时频域三个方面，将步骤1得到的信号进行特征提取。

[0086] 步骤3，信号特征选择。

[0087] 利用单调性和趋势性这两个评价标准，将步骤2得到的信号特征进行筛选。

[0088] 第1步，按照下式，计算步骤2得到的每个信号特征单调性值和趋势性值。

[0089]

[0090] 其中，Smon为单个信号特征的单调性值，T为单个信号特征的样本长度，dH表示单个特征中每个样本与前一个样本的差值。

[0091]

[0092] 其中，Stred为单个信号特征的趋势性值，T为单个信号特征的样本长度，xi为单个信号特征的第i个样本， 为单个信号特征的均值，ti为xi对应的累计工作时间，为累计工作时间序列的均值。

[0093] 第2步，将每个信号特征单调性值和趋势性值的均值作为综合评价值，所有信号特征的综合评价值组成综合评价矩阵。

[0094] 第3步，将综合评价矩阵进行归一化，选取综合评价值大于0.5的信号特征组成矩阵，得到筛选后的信号特征。

[0095] 再利用核主成分分析算法对筛选得到的信号特征进行降维处理。

[0096] 第1步，将筛选得到的信号特征进行标准化处理。

[0097] 第2步，选定核函数，计算核矩阵。

[0098] 第3步，将核矩阵进行中心化，得到中心化核矩阵。

[0099] 第4步，计算中心化核矩阵的特征值和特征向量，将特征值按降幂排序。

[0100] 第5步，设定累计贡献率的阈值为90％，确定主元个数p，选取前p个特征值对应的特征向量组成矩阵，得到降维后的信号特征。

[0101] 步骤4，建模预测。

[0102] 将步骤3得到的信号特征进行归一化处理，以磨损比(剩余工作时间除以刀具总工作时间)作为剩余使用寿命标签，构造训练集，建立结合注意力机制的长短时记忆网络预测模型，进行刀具的剩余使用寿命预测。

[0103] 结合注意力机制的长短时记忆网络的结构依次为：输入层、LSTM网络层、注意力机制层、全连接层以及输出层，将LSTM网络层的输出神经元个数设置为70，全连接层的神经元个数设置为1024，输出层的神经元个数设置为1。

[0104] 实施例2

[0105] 本发明的实施例使用的数据集是第二届工业大数据创新竞赛中的富士康机加刀具数据，数据采集自数控机床真实加工过程中，一把全新的刀具从开始正常加工直至刀具寿命终止时停止采集。

[0106] 1)信号采集与处理。

[0107] 1.1)采集数控机床工作过程中的信号，即控制器信号和传感器信号，控制器信号主要包括主轴负载和三个方向的机械坐标即x轴机械坐标、y轴机械坐标以及z轴机械坐标，传感器信号主要包括电流信号和三个方向的振动信号即x轴方向振动信号、y轴方向振动信号、z轴方向振动信号以及电流信号。

[0108] 总共采集了3把刀具的信号，分别为01号刀具、02号刀具以及03号刀具，其中，控制器信号的采样频率为33Hz，传感器信号的采样频率为25600Hz。

[0109] 1.2)将采集的信号进行预处理，首先根据三个方向的机械坐标和主轴负载剔除未接触加工对象时采集的信号，然后进行缺失值、异常值处理，利用最小二乘法将信号中的异常趋势项进行去除。

[0110] 所述的利用最小二乘法将信号中的趋势项进行去除的步骤为：首先利用高阶多项式拟合信号，再根据最小二乘法原理选取合适的多项式系数，使得信号与其拟合信号的误差平方和最小，然后将选取的多项式系数代入高阶多项式中，得到信号的趋势项，最后将信号减去趋势项，得到去除趋势项后的信号。

[0111] 2)信号特征提取。

[0112] 从时域、频域以及时频域三个方面，将步骤1)得到的信号进行特征提取。

[0113] 3)信号特征选择。

[0114] 3.1)利用单调性和趋势性这两个评价标准，将步骤2)得到的信号特征进行筛选。

[0115] 3.1.1)按照下式，计算步骤2)得到的每个信号特征单调性值和趋势性值。

[0116]

[0117] 其中，Smon为单个信号特征的单调性值，T为单个信号特征的样本长度，dH表示单个特征中每个样本与前一个样本的差值。

[0118]

[0119] 其中，Stred为单个信号特征的趋势性值，T为单个信号特征的样本长度，xi为单个信号特征的第i个样本，x为单个信号特征的均值，ti为xi对应的累计工作时间，为累计工作时间序列的均值。

[0120] 3.1.2)将每个信号特征单调性值和趋势性值的均值作为综合评价值，所有信号特征的综合评价值组成综合评价矩阵。

[0121] 3.1.3)将综合评价矩阵进行归一化，选取综合评价值大于0.5的信号特征组成矩阵，得到筛选后的信号特征。

[0122] 3.2)利用核主成分分析算法对筛选得到的信号特征进行降维处理。

[0123] 3.2.1)将筛选得到的信号特征进行标准化处理。

[0124] 3.2.2)选定核函数，计算核矩阵。

[0125] 3.2.3)将核矩阵进行中心化，得到中心化核矩阵。

[0126] 3.2.4)计算中心化核矩阵的特征值和特征向量，将特征值按降幂排序。

[0127] 3.2.5)设定累计贡献率的阈值为90％，确定主元个数p，选取前p个特征值对应的特征向量组成矩阵，得到降维后的信号特征。

[0128] 4)建模预测。

[0129] 将步骤3)得到的信号特征进行归一化处理，以磨损比(剩余工作时间除以刀具总工作时间)作为剩余使用寿命标签，构造训练集，建立结合注意力机制的长短时记忆网络预测模型，进行刀具的剩余使用寿命预测。

[0130] 结合注意力机制的长短时记忆网络的结构依次为：输入层、LSTM网络层、注意力机制层、全连接层以及输出层，将LSTM网络层的输出神经元个数设置为70，全连接层的神经元个数设置为1024，输出层的神经元个数设置为1。

[0131] 通过设置不同的实验证明了结合注意力机制的长短时记忆网络预测模型在刀具剩余使用寿命预测问题中的准确性和泛化能力。实验一的训练集为01号刀具，测试集为02号刀具和03号刀具；实验二的训练集为02号刀具，测试集为01号刀具和03号刀具；实验三的训练集为03号刀具，测试集为01号刀具和02号刀具，各实验的预测结果如图4所示。

[0132] 在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

[0133] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。