本发明公开了一种基于刀路运行轨迹的刀具寿命预测方法，根据NC程式提取所有刀具加工路径与刀具加工参数，基于刀具每道加工工序前的数字化模型，根据每道加工工序的刀具加工路径，计算每道加工工序后工件几何的过程模型；根据工件几何的过程模型与刀具加工路径，将刀具加工路径依据单位时间划分，计算刀具每个时间点的切削量；得到已报废刀具历史加工参数信息，基于深度学习，建立刀具受力情况与寿命关系的刀具寿命预测模型；对当前刀具已加工的仿真参数进行预测，得到当前刀具的剩余使用寿命预期。本发明能够提高刀具寿命预测精度。
1.一种基于刀路运行轨迹的刀具寿命预测方法，其特征在于，包括以下步骤：S1、加工信息提取：
根据NC程式提取所有刀具加工路径与刀具加工参数，刀具加工参数包括刀具类型、切削速度和进给速度，通过与MES系统对接获取刀具编号；
基于刀具每道加工工序前的数字化模型，根据每道加工工序的刀具加工路径，计算每道加工工序后工件几何的过程模型；
根据工件几何的过程模型与刀具加工路径，将刀具加工路径依据单位时间划分，计算刀具每个时间点的切削量；
将所有刀具在加工过程中的切削速度、进给速度和切削量，以数组的形式进行存储；
统计MES系统中所有已报废刀具编号，结合S1‑S4，得到已报废刀具历史加工参数信息，根据刀具连续工作导致扣减寿命的原理，基于深度学习，建立刀具受力情况与寿命关系的刀具寿命预测模型；所述的S5具体为：
5.2根据S1、S2、S3中的计算步骤，得到已报废刀具历史加工参数信息；
5.3刀具连续工作导致扣减寿命转换为2次多项式来进行拟合，得到公式：Σ(a1*Ty+a2*Ty^2+a0)*(b1*Tn+b2*Tn^2+b0)；Tn标识连续切削时间；a1、a2、Ty、a0、b1、b2、b0分别为多项式待求系数，将由深度学习网络训练得到；
5.4深度学习网络采用多层全连接层网络+LSTM网络组合，全连接层网络用于进行所述公式拟合，LSTM用于递归之前刀具使用情况对当前刀具寿命的影响；深度学习网络的输入为单把刀具历史加工持续时间与加工过程切削力，全连接层的输出为单次加工寿命损耗；
LSTM网络的输入为全连接层输出的寿命损耗的累加，LSTM网络的输出为当前加工执行后刀具的总寿命损耗；
5.5设置深度学习模型训练迭代终止条件，当满足迭代终止条件时，由训练模型中的全连接层直接输出刀具寿命预测模型；
使用刀具寿命预测模型，对当前刀具已加工的仿真参数进行预测，得到当前刀具的剩余使用寿命预期。
2.根据权利要求1所述的基于刀路运行轨迹的刀具寿命预测方法，其特征在于，所述S1通过读取数据加工的NC文件，解析其中文本数据得到刀具加工路径与刀具加工参数，提取关键词规则基于ISO标准。
3.根据权利要求2所述的基于刀路运行轨迹的刀具寿命预测方法，其特征在于，所述的刀具加工路径包括圆弧段和直线段，按以下步骤提取：根据刀具编号在MES系统中查询使用过该刀具的NC程式；
通过识别NC程式中G01指令，得到直线插补运动起始点与终止点；
通过识别NC程式中G02/G03指令，得到圆弧插补运动的起始点、终止点以及圆弧半径；
将圆弧与直线参数转换成三维曲线并记录每段曲线在NC程式中对应的行号；
通过识别NC程式中G41/G42得到刀具运动半径补正参数，并记录行号，将所有补正参数转换为[{“行号”:12,”半径补正量”:0.02},{“行号”:42,”半径补正量”:‑0.02}]类型的序列化数据格式；
通过识别NC程式中的G43/G44得到刀具长度补正参数，并记录行号，将所有长度补正参数转换为[{“行号”:20”长度补正量”:0.1},{“行号”:50,”半径补正量”:0.0}]类型的序列化数据格式；
每行补正参数将会影响之后的直线插补与圆弧插补指令，直至出现新的补正参数进行替代；根据补正量及补正方向对圆弧与直线运动轨迹进行偏移。
4.根据权利要求2所述的基于刀路运行轨迹的刀具寿命预测方法，其特征在于，所述的切削速度通过以下步骤获得：根据刀具型号从刀具数据库中查询到刀具直径D；
通过识别NC程式中M03/M04指令得到主轴转动参数，并记录M03/M04指令行号，从而获得主轴转数N；
根据公式：切削速度Vc＝π*D*N/1000，计算得到切削速度，并将切削速度参数转换为[{“行号”:10,”切削速度”:0.05},{“行号”:80,”切削速度”:0.025}]类型的序列化数据格式。
5.根据权利要求2所述的基于刀路运行轨迹的刀具寿命预测方法，其特征在于，所述的进给速度通过以下步骤获得：通过识别NC程式中M03/M04指令得到主轴转动参数并记录M03/M04指令行号，从而获得主轴转数N；
通过识别NC程式中F指令得到刀具进给速度F，并记录F指令行号；
根据公式：进给速度V＝N×F，计算进给速度V，每当存在N值与F值修改的代码行，就插入一项进给速度：进给速度转换格式为[{“行号”:10,”进给速度”:0.2},{“行号”:100,”进给速度”:0.5}]。
6.根据权利要求3所述的基于刀路运行轨迹的刀具寿命预测方法，其特征在于，所述的S2具体为：根据刀具编号从刀具数据库中查询刀具的数字化模型；
使用偏移后的刀具加工路径作为引导线，对刀具运动方向截面线进行扫掠，创建扫掠模型；
使用工件加工前的数字化模型与扫掠模型进行求差，得到完成本次加工后的工件几何的过程模型。
7.根据权利要求1所述的基于刀路运行轨迹的刀具寿命预测方法，其特征在于，所述的S3具体为：
3.1将本次加工前的工件与刀具的数字化模型进行三角网格化；
3.2将工件三角网格与刀具三角网格转换为精度为S的八叉树网格，转换过程如下：
3.2.1八叉树初始方块中心以刀具中心为基准，向运动方向偏移X，X为仿真精度，使八叉树初始方块正好将刀具完整包络；
3.2.2若八叉树网格包含三角网格中的任意三角形，且当前八叉树网格尺寸大于转换精度S，则继续细分八叉树；
3.2.3若八叉树网格不包含三角网格中的任意三角形，或八叉树网格尺寸小于转换精度S，则结束当前网格细分任务；
3.3计算工件八叉树网格与刀具八叉树网格中各单元格的贴合情况，计工件八叉树网格中与刀具八叉树网格中相贴合的单元格数目为Tg；
3.4刀具受压面积与Tg成正相关，刀具的切削量为Tg*V，刀具的切削力Ty＝k*Tg*V，k为工件材料硬度系数，V为进给速度；
3.5设起始切削点为A0，每间隔L切削距离重复3.1‑3.4进行一次受力情况仿真计算；整个刀具加工路径上的各仿真点记A0、A1、A2……An；
3.6比较A1与A0受力差值比例：|A1‑A0|/max(A0,A1),若差值比例小于标准值，则认为两点受力情况接近，进行合并；结合刀具进给速度得到每个受力区间的加工时间参数，合并后的序列化参数表达为：{“加工时间”:[0,30],”切削力”:200}；切削力为A0、A1两点切削力的均值；
3.7继续比较A2与A0/A1点受力差值比例：|A2‑(A0+A1)/2|/max(A2,(A0+A1)/2)，若差值比例小于标准值，则将其与A0、A1进行合并，合并后的序列化参数表达为：{“加工时间”:[0,45],”切削力”:210}，按3.7继续比较A3与合并后的A0/A1/A2点受力差值比例，如此直到An；若差值大于标准值，则将A2作为一个新的起始切削点A0，A2之后的各仿真点A3……An成为新的A1……An‑2，并重复3.6；
3.8最终得到加工过程受力情况参数数组并提交至MES系统数据库，序列化格式如下：[{“加工时间”:[0,45],”切削力”:200},{“加工时间”:[45,60],”切削力”:210}]。
8.根据权利要求1所述的基于刀路运行轨迹的刀具寿命预测方法，其特征在于，所述的S6具体为：根据待加工工件所使用的刀具型号查询刀库中刀具编号，根据刀具编号查询刀具累计损耗寿命U损；
通过S1、S2、S3得到本次工件加工过程中刀具仿真参数，将仿真参数代入S5构建的刀具寿命预测模型进行计算，得到当前刀具的剩余使用寿命预期U预。
9.根据权利要求1所述的基于刀路运行轨迹的刀具寿命预测方法，其特征在于，所述的S6还包括：记刀具理论寿命为U理，若(U损+U预)/U理<第一预设比例，认为本次加工可安全使用次刀具；若(U损+U预)/U理>＝第一预设比例且(U损+U预)/U理<＝第二预设比例，则在MES系统中给出预警；若(U损+U预)/U理>第二预设比例则通知现场进行换刀处理；
一种基于刀路运行轨迹的刀具寿命预测方法
技术领域
[0001] 本发明涉及数控加工刀具寿命管理领域，尤其涉及一种基于刀路运行轨迹的刀具寿命预测方法。
背景技术
[0002] 目前大多数刀具寿命预测的方式都是采用与加工工件类型及工艺直接关联：根据刀具性能参数与加工经验设置一个初始寿命，将加工工件分为几大类型，每类工件又按照粗、中、精加工类型设定分配不同的寿命损耗数值。每次使用刀具后，刀具寿命就会减去当前加工类型的寿命损耗。
[0003] 对于加工工件类型较多的情况下，很难有效的统计出不同类型工件刀具的加工损耗数值。工件分类困难，有些工件虽然类型相同，但实际尺寸可能存在量级上的差别，导致设定的损耗参数不合理。在加工过程中，对细节考虑不足，例如：单项切削和往返切削都能够加工平面，但两者加工轨迹与切削过程中的刀具受到阻力都存在明显差别。各项因素累加后往往会对刀具寿命预测产生极大的偏差。
发明内容
[0004] 本发明主要目的在于，提供一种基于刀路运行轨迹的刀具寿命预测方法，提高预测精度。
[0005] 本发明所采用的技术方案是：一种基于刀路运行轨迹的刀具寿命预测方法，包括以下步骤：
[0006] S1、加工信息提取：
[0007] 根据NC程式提取所有刀具加工路径与刀具加工参数，刀具加工参数包括刀具类型、切削速度和进给速度，通过与MES系统对接获取刀具编号；
[0008] S2、工件加工过程模型重建：
[0009] 基于刀具每道加工工序前的数字化模型，根据每道加工工序的刀具加工路径，计算每道加工工序后工件几何的过程模型；
[0010] S3、切削量计算：
[0011] 根据工件几何的过程模型与刀具加工路径，将刀具加工路径依据单位时间划分，计算刀具每个时间点的切削量；
[0012] S4、序列化参数存储：
[0013] 将所有刀具在加工过程中的切削速度、进给速度和切削量，以数组的形式进行存储；
[0014] S5、建立刀具寿命预测模型：
[0015] 统计MES系统中所有已报废刀具编号，结合S1‑S4，得到已报废刀具历史加工参数信息，根据刀具连续工作导致扣减寿命的原理，基于深度学习，建立刀具受力情况与寿命关系的刀具寿命预测模型；
[0016] S6、预测当前刀具使用寿命：
[0017] 使用刀具寿命预测模型，对当前刀具已加工的仿真参数进行预测，得到当前刀具的剩余使用寿命预期。
[0018] 按上述方案，所述S1通过读取数据加工的NC文件，解析其中文本数据得到刀具加工路径与刀具加工参数，提取关键词规则基于ISO标准。
[0019] 按上述方案，所述的刀具加工路径包括圆弧段和直线段，按以下步骤提取：
[0020] 根据刀具编号在MES系统中查询使用过该刀具的NC程式；
[0021] 通过识别NC程式中G01指令，得到直线插补运动起始点与终止点；
[0022] 通过识别NC程式中G02/G03指令，得到圆弧插补运动的起始点、终止点以及圆弧半径；
[0023] 将圆弧与直线参数转换成三维曲线并记录每段曲线在NC程式中对应的行号；
[0024] 通过识别NC程式中G41/G42得到刀具运动半径补正参数，并记录行号，将所有补正参数转换为[{“行号”:12,”半径补正量”:0.02},{“行号”:42,”半径补正量”:‑0.02}]类型的序列化数据格式；
[0025] 通过识别NC程式中的G43/G44得到刀具长度补正参数，并记录行号，将所有长度补正参数转换为[{“行号”:20”长度补正量”:0.1},{“行号”:50,”半径补正量”:0.0}]类型的序列化数据格式；
[0026] 每行补正参数将会影响之后的直线插补与圆弧插补指令，直至出现新的补正参数进行替代；根据补正量及补正方向对圆弧与直线运动轨迹进行偏移。
[0027] 按上述方案，所述的切削速度通过以下步骤获得：
[0028] 根据刀具型号从刀具数据库中查询到刀具直径D；
[0029] 通过识别NC程式中M03/M04指令得到主轴转动参数，并记录M03/M04指令行号，从而获得主轴转数N；
[0030] 根据公式：切削速度Vc＝π*D*N/1000，计算得到切削速度，并将切削速度参数转换为[{“行号”:10,”切削速度”:0.05},{“行号”:80,”切削速度”:0.025}]类型的序列化数据格式。
[0031] 按上述方案，所述的进给速度通过以下步骤获得：
[0032] 通过识别NC程式中M03/M04指令得到主轴转动参数并记录M03/M04指令行号，从而获得主轴转数N；
[0033] 通过识别NC程式中F指令得到刀具进给速度F，并记录F指令行号；
[0034] 根据公式：进给速度V＝N×F，计算进给速度V，每当存在N值与F值修改的代码行，就插入一项进给速度：进给速度转换格式为[{“行号”:10,”进给速度”:0.2},{“行号”:100,”进给速度”:0.5}]。
[0035] 按上述方案，所述的S2具体为：
[0036] 根据刀具编号从刀具数据库中查询刀具的数字化模型；
[0037] 基于刀具的数字化模型，创建刀具运动方向截面线；
[0038] 使用偏移后的刀具加工路径作为引导线，对刀具运动方向截面线进行扫掠，创建扫掠模型；
[0039] 使用工件加工前的数字化模型与扫掠模型进行求差，得到完成本次加工后的工件几何的过程模型。
[0040] 按上述方案，所述的S3具体为：
[0041] 3.1将本次加工前的工件与刀具的数字化模型进行三角网格化；
[0042] 3.2将工件三角网格与刀具三角网格转换为精度为S的八叉树网格，转换过程如下：
[0043] 3.2.1八叉树初始方块中心以刀具中心为基准，向运动方向偏移X，X为仿真精度，使八叉树初始方块正好将刀具完整包络；
[0044] 3.2.2若八叉树网格包含三角网格中的任意三角形，且当前八叉树网格尺寸大于转换精度S，则继续细分八叉树；
[0045] 3.2.3若八叉树网格不包含三角网格中的任意三角形，或八叉树网格尺寸小于转换精度S，则结束当前网格细分任务；
[0046] 3.3计算工件八叉树网格与刀具八叉树网格中各单元格的贴合情况，计工件八叉树网格中与刀具八叉树网格中相贴合的单元格数目为Tg；
[0047] 3.4刀具受压面积与Tg成正相关，刀具的切削量为Tg*V，刀具的切削力Ty＝k*Tg*V，k为工件材料硬度系数，V为进给速度；
[0048] 3.5设起始切削点为A0，每间隔L切削距离重复3.1‑3.4进行一次受力情况仿真计算；整个刀具加工路径上的各仿真点记A0、A1、A2……An；
[0049] 3.6比较A1与A0受力差值比例：|A1‑A0|/max(A0,A1),若差值比例小于标准值，则认为两点受力情况接近，进行合并；结合刀具进给速度得到每个受力区间的加工时间参数，合并后的序列化参数表达为：{“加工时间”:[0,30],”切削力”:200}；切削力为A0、A1两点切削力的均值；
[0050] 3.7继续比较A2与A0/A1点受力差值比例：
[0051] |A2‑(A0+A1)/2|/max(A2,(A0+A1)/2)，若差值比例小于标准值，则将其与A0、A1进行合并，合并后的序列化参数表达为：{“加工时间”:[0,45],”切削力”:210}，按3.7继续比较A3与合并后的A0/A1/A2点受力差值比例，如此直到An；若差值大于标准值，则将A2作为一个新的起始切削点A0，A2之后的各仿真点A3……An成为新的A1……An‑2，并重复3.6；
[0052] 3.8最终得到加工过程受力情况参数数组并提交至MES系统数据库，序列化格式如下：[{“加工时间”:[0,45],”切削力”:200},{“加工时间”:[45,60],”切削力”:210}]。
[0053] 按上述方案，所述的S5具体为：
[0054] 5.1统计MES系统中所有已报废刀具编号；
[0055] 5.2根据S1、S2、S3中的计算步骤，得到已报废刀具历史加工参数信息；
[0056] 5.3刀具连续工作导致扣减寿命转换为2次多项式来进行拟合，得到公式：Σ(a1*Ty+a2*Ty^2+a0)*(b1*Tn+b2*Tn^2+b0)；Tn标识连续切削时间；a1、a2、Ty、a0、b1、b2、b0分别为多项式待求系数，，将由深度学习网络训练得到；
[0057] 5.4深度学习网络采用多层全连接层网络+LSTM网络组合，全连接层网络用于进行所述公式拟合，LSTM用于递归之前刀具使用情况对当前刀具寿命的影响；深度学习网络的输入为单把刀具历史加工持续时间与加工过程切削力，全连接层的输出为单次加工寿命损耗；LSTM网络的输入为全连接层输出的寿命损耗的累加，LSTM网络的输出为当前加工执行后刀具的总寿命损耗；
[0058] 5.5设置深度学习模型训练迭代终止条件，当满足迭代终止条件时，由训练模型中的全连接层直接输出刀具寿命预测模型。
[0059] 按上述方案，所述的S6具体为：
[0060] 根据待加工工件所使用的刀具型号查询刀库中刀具编号，根据刀具编号查询刀具累计损耗寿命U损；
[0061] 通过S1、S2、S3得到本次工件加工过程中刀具仿真参数，将仿真参数代入S5构建的刀具寿命预测模型进行计算，得到当前刀具的剩余使用寿命预期U预。
[0062] 按上述方案，所述的S6还包括：记刀具理论寿命为U理，若(U损+U预)/U理<第一预设比例，认为本次加工可安全使用次刀具；若(U损+U预)/U理>＝第一预设比例且(U损+U预)/U理<＝第二预设比例，则在MES系统中给出预警；若(U损+U预)/U理>第二预设比例则通知现场进行换刀处理；
[0063] 所述的第一预设比例<第二预设比例<＝100％。
[0064] 本发明产生的有益效果是：本发明方法基于NC程式，提取准确的刀具加工路径和刀具加工参数，通过分析历史刀具加工参数与使用寿命，训练出刀具寿命预测模型，从而预测刀具剩余寿命，从而提高了预测精度。
附图说明
[0065] 下面将结合附图及实施例对本发明作进一步说明，附图中：
[0066] 图1是本发明一实施例的方法流程图。
[0067] 图2是NC程式ISO标准代码表。
[0068] 图3是刀具受力状态区域划分示意图。
具体实施方式
[0069] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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用以解释本发明，并不用于限定本发明。
[0070] 如图1所示，本发明提供一种基于刀路运行轨迹的刀具寿命预测方法，包括以下步骤：
[0071] S1、加工信息提取：根据NC程式提取所有刀具加工路径与刀具加工参数，刀具加工参数包括刀具类型、切削速度和进给速度，通过与MES系统(车间生产管理系统)对接获取刀具编号。所述S1通过读取数据加工的NC文件(数字控制文件Numerical Control)，解析其中文本数据得到刀具加工路径与刀具加工参数，提取关键词规则基于ISO标准，如图2所示。
[0072] NC程式文本样式如下：
[0073] T09 M06
[0074] G00 G90 X‑20.Y‑10.S2300 M03
[0075] G43 Z30.H00
[0076] Z1.
[0077] G41 G01 X‑20.462Y‑10.192F500.M08
[0078] G17 G03 X‑20.Y‑12.5I.462J‑1.108
[0079] #101＝‑0.500
[0080] #102＝‑21.500
[0081] WHILE[#101GE#102]DO1
[0082] X‑20.Y‑12.5Z#101I0.0 J2.5
[0083] #101＝‑#101+[‑1.500]
[0084] END1
[0085] I0.0 J2.5
[0086] X‑19.538Y‑10.192I0.0 J1.2
[0087] G40 G01 X‑20.Y‑10.Z‑21.5
[0088] G00 Z30.
[0089] M02
[0090] ％
[0091] 其中，所述的刀具加工路径包括圆弧段和直线段，按以下步骤提取：
[0092] 根据刀具编号在MES系统中查询使用过该刀具的NC程式；
[0093] 通过识别NC程式中G01指令，得到直线插补运动起始点与终止点；
[0094] 通过识别NC程式中G02/G03指令，得到圆弧插补运动的起始点、终止点以及圆弧半径；
[0095] 将圆弧与直线参数转换成三维曲线并记录每段曲线在NC程式中对应的行号；
[0096] 通过识别NC程式中G41/G42得到刀具运动半径补正参数，并记录行号，将所有补正参数转换为[{“行号”:12,”半径补正量”:0.02},{“行号”:42,”半径补正量”:‑0.02}]类型的序列化数据格式；
[0097] 通过识别NC程式中的G43/G44得到刀具长度补正参数，并记录行号，将所有长度补正参数转换为[{“行号”:20”长度补正量”:0.1},{“行号”:50,”半径补正量”:0.0}]类型的序列化数据格式；
[0098] 每行补正参数将会影响之后的直线插补与圆弧插补指令，直至出现新的补正参数进行替代；根据补正量及补正方向对圆弧与直线运动轨迹进行偏移。
[0099] 所述的切削速度通过以下步骤获得：
[0100] 根据刀具型号从刀具数据库中查询到刀具直径D；
[0101] 通过识别NC程式中M03/M04指令得到主轴转动参数，并记录M03/M04指令行号，从而获得主轴转速N(rpm)；
[0102] 根据公式：切削速度Vc＝π*D*N/1000，计算得到切削速度，并将切削速度参数转换为[{“行号”:10,”切削速度”:0.05},{“行号”:80,”切削速度”:0.025}]类型的序列化数据格式。
[0103] 所述的进给速度通过以下步骤获得：
[0104] 通过识别NC程式中M03/M04指令得到主轴转动参数并记录M03/M04指令行号，从而获得主轴转数N(rpm)；
[0105] 通过识别NC程式中F指令得到刀具进给速度F(即每转进刀量，mm/rev)，并记录F指令行号；
[0106] 根据公式：进给速度V＝N×F，计算进给速度V，每当存在N值与F值修改的代码行，就插入一项进给速度：进给速度转换格式为[{“行号”:10,”进给速度”:0.2},{“行号”:100,”进给速度”:0.5}]。
[0107] S2、工件加工过程模型重建：基于刀具每道加工工序前的数字化模型，根据每道加工工序的刀具加工路径，计算每道加工工序后工件几何的过程模型。具体为：根据刀具编号从刀具数据库中查询刀具的数字化模型；基于刀具的数字化模型，创建刀具运动方向截面线；使用偏移后的刀具加工路径作为引导线，对刀具运动方向截面线进行扫掠，创建扫掠模型；使用工件加工前的数字化模型与扫掠模型进行求差，得到完成本次加工后的工件几何的过程模型。
[0108] S3、切削量计算：
[0109] 根据工件几何的过程模型与刀具加工路径，将刀具加工路径依据单位时间划分，计算刀具每个时间点的切削量。
[0110] 所述的S3具体为：
[0111] 3.1将本次加工前的工件与刀具的数字化模型进行三角网格化；
[0112] 3.2将工件三角网格与刀具三角网格转换为精度为S(例如0.1mm)的八叉树网格，转换过程如下：
[0113] 3.2.1八叉树初始方块中心以刀具中心为基准，向运动方向偏移X，X为仿真精度(例如2mm)，使八叉树初始方块正好将刀具完整包络；
[0114] 3.2.2若八叉树网格包含三角网格中的任意三角形，且当前八叉树网格尺寸大于转换精度S，则继续细分八叉树；
[0115] 3.2.3若八叉树网格不包含三角网格中的任意三角形，或八叉树网格尺寸小于转换精度S，则结束当前网格细分任务；
[0116] 3.3计算工件八叉树网格与刀具八叉树网格中各单元格的贴合情况，计工件八叉树网格中与刀具八叉树网格中相贴合的单元格数目为Tg；
[0117] 3.4刀具受压面积与Tg成正相关，刀具的切削量为Tg*V，刀具的切削力即刀具所受压力Ty＝k*Tg*V，k为工件材料硬度系数，V为进给速度；
[0118] 3.5如图3所示，设起始切削点为A0，每间隔L切削距离重复3.1‑3.4进行一次受力情况仿真计算；整个刀具加工路径上的各仿真点记A0、A1、A2……An；
[0119] 3.6比较A1与A0受力差值比例：|A1‑A0|/max(A0,A1),若差值比例小于标准值，则认为两点受力情况接近，进行合并；结合刀具进给速度得到每个受力区间的加工时间参数，合并后的序列化参数表达为：{“加工时间”:[0,30],”切削力”:200}；切削力为A0、A1两点切削力的均值；
[0120] 3.7继续比较A2与A0/A1点受力差值比例：
[0121] |A2‑(A0+A1)/2|/max(A2,(A0+A1)/2)，若差值比例小于标准值，则将其与A0、A1进行合并，合并后的序列化参数表达为：{“加工时间”:[0,45],”切削力”:210}，按3.7继续比较A3与合并后的A0/A1/A2点受力差值比例，如此直到An；若差值大于标准值，则将A2作为一个新的起始切削点A0，A2之后的各仿真点A3……An成为新的A1……An‑2，并重复3.6；
[0122] 3.8最终得到加工过程受力情况参数数组并提交至MES系统数据库，序列化格式如下：[{“加工时间”:[0,45],”切削力”:200},{“加工时间”:[45,60],”切削力”:210}]。
[0123] 八叉树(Octree)是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，这八个子节点所表示的体积元素加在一起就等于父节点的体积。一般中心点作为节点的分叉中心。八叉树若不为空树的话，树中任一节点的子节点恰好只会有八个，或零个，也就是子节点不会有0与8以外的数目。
[0124] 八叉树叶子节点代表了分辨率最高的情况。例如分辨率设成0.1cm，那么每个叶子就是一个1mm的小方块。
[0125] S4、序列化参数存储：将所有刀具在加工过程中的切削速度、进给速度和切削量，以数组的形式进行存储。
[0126] S5、建立刀具寿命预测模型：统计MES系统中所有已报废刀具编号，结合S1‑S4，得到已报废刀具历史加工参数信息，根据刀具连续工作导致扣减寿命的原理，基于深度学习，建立刀具受力情况与寿命关系的刀具寿命预测模型。
[0127] 所述的S5具体为：
[0128] 5.1统计MES系统中所有已报废刀具编号；
[0129] 5.2根据S1、S2、S3中的计算步骤，得到已报废刀具历史加工参数信息；
[0130] 5.3刀具连续工作导致扣减寿命转换为2次多项式来进行拟合，得到公式：Σ(a1*Ty+a2*Ty^2+a0)*(b1*Tn+b2*Tn^2+b0)；Tn标识连续切削时间；a1、a2、Ty、a0、b1、b2、b0分别为多项式待求系数，将由深度学习网络训练得到。
[0131] 5.4深度学习网络采用多层全连接层网络+LSTM网络组合，全连接层网络用于进行所述公式拟合，LSTM用于递归之前刀具使用情况对当前刀具寿命的影响；深度学习网络的输入为单把刀具历史加工持续时间与加工过程切削力，全连接层的输出为单次加工寿命损耗；LSTM网络的输入为全连接层输出的寿命损耗的累加，LSTM网络的输出为当前加工执行后刀具的总寿命损耗；
[0132] 5.5设置深度学习模型训练迭代终止条件，当满足迭代终止条件时，由训练模型中的全连接层直接输出刀具寿命预测模型。本实施例中，迭代终止条件为：1000次迭代或模型在测试集上准确率达到90％。
[0133] S6、预测当前刀具使用寿命：使用刀具寿命预测模型，对当前刀具已加工的仿真参数进行预测，得到当前刀具的剩余使用寿命预期。
[0134] 所述的S6具体为：
[0135] 根据待加工工件所使用的刀具型号查询刀库中刀具编号，根据刀具编号查询刀具累计损耗寿命U损；
[0136] 通过S1、S2、S3得到本次工件加工过程中刀具仿真参数，将仿真参数代入S5构建的刀具寿命预测模型进行计算，得到当前刀具的剩余使用寿命预期U预。
[0137] 进一步的，所述的S6还可以包括：记刀具理论寿命为U理，若(U损+U预)/U理<第一预设比例，认为本次加工可安全使用次刀具；若(U损+U预)/U理>＝第一预设比例且(U损+U预)/U理<＝第二预设比例，则在MES系统中给出预警；若(U损+U预)/U理>第二预设比例则通知现场进行换刀处理；所述的第一预设比例<第二预设比例<＝100％。本实施例中，第一预设比例为80％，第二预设比例为100％。
[0138] 本发明通过NC程式获取工件的参数信息并分析，建立刀具寿命预测模型，基于刀具轨迹仿真进行刀具寿命预测，提高了刀具寿命的预测精度，避免工件寿命的预测偏差。
[0139] 应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
