本發(fā)明涉及一種基于lstm神經(jīng)網(wǎng)絡(luò)及pid優(yōu)化的數(shù)控機(jī)床多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的智能控制系統(tǒng)。屬于數(shù)控加工制造領(lǐng)域。

背景技術(shù)：

1、在推動(dòng)人類文明進(jìn)步的同時(shí)，也解放了大量的體力勞動(dòng)，為人類帶來了不可估量的經(jīng)濟(jì)效益。據(jù)有關(guān)文獻(xiàn)統(tǒng)計(jì)，從1870年至2010年期間，全世界制造過程的效率提高了近百倍"，而制造效率的提升，無疑是得益于計(jì)算機(jī)科學(xué)技術(shù)、現(xiàn)代通信與測(cè)量技術(shù)等高技術(shù)領(lǐng)域的快速發(fā)展，尤其是近年來通過集成制造技術(shù)、人工智能等發(fā)展起來的一種新型制造工程技術(shù)——智能制造技術(shù)(intelligent?manufacturing?technology，簡(jiǎn)稱imt)與智能制造系統(tǒng)(intelligentmanufacturing?system，簡(jiǎn)稱ims)，被譽(yù)為能“帶來真正的第二次工業(yè)革命”。ims和imt研究的主要內(nèi)容如圖1所示。

2、近年來，隨著航空航天、醫(yī)療器械、交通工具、模具加工等高精端制造業(yè)的急速發(fā)展，導(dǎo)致大量制造工藝非常復(fù)雜的異型零部件、薄壁型零件、整體結(jié)構(gòu)件等的出現(xiàn)，同時(shí)對(duì)加工表面質(zhì)量提出了比原來更加苛刻的要求。為了滿足這些特殊的需求，為了保證整個(gè)自動(dòng)化加工過程可靠、持續(xù)而又穩(wěn)定的運(yùn)行，人工智能系統(tǒng)成為目前整個(gè)數(shù)控制造領(lǐng)域急需引入的一項(xiàng)關(guān)鍵技術(shù)，例如開發(fā)專家系統(tǒng)、創(chuàng)建人工智能知識(shí)庫等。這些類型的人工智能系統(tǒng)通常是一些大型數(shù)據(jù)管理系統(tǒng)，涉及許多跨學(xué)科、跨領(lǐng)域的技術(shù)，特別是其數(shù)據(jù)庫的搭建，往往還需要進(jìn)行大量的試驗(yàn)來不斷豐富其數(shù)據(jù)庫內(nèi)容，保證系統(tǒng)能給出更優(yōu)更合理的加工參數(shù)選擇。

3、1.數(shù)控機(jī)床：數(shù)控機(jī)床是一種利用計(jì)算機(jī)程序來控制刀具在工件上進(jìn)行加工的機(jī)床。相比于傳統(tǒng)的手動(dòng)或半自動(dòng)機(jī)床，數(shù)控機(jī)床具有高精度、高效率和靈活性強(qiáng)等優(yōu)點(diǎn)。然而，在復(fù)雜的切削過程中，如高速切削或難加工材料的切削，對(duì)機(jī)床的多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置控制要求更高。

4、2.多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置控制系統(tǒng)：多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置控制系統(tǒng)是數(shù)控機(jī)床中的重要組成部分，負(fù)責(zé)控制刀具在加工過程中的運(yùn)動(dòng)軌跡、速度和力量等參數(shù)。為了實(shí)現(xiàn)高精度的加工，需要對(duì)多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的控制進(jìn)行優(yōu)化，并考慮切削振動(dòng)、熱變形等因素對(duì)加工質(zhì)量的影響。

5、3.lstm神經(jīng)網(wǎng)絡(luò)：lstm(long?short-term?memory)神經(jīng)網(wǎng)絡(luò)是一種遞歸神經(jīng)網(wǎng)絡(luò)，適用于處理時(shí)間序列數(shù)據(jù)。它具有記憶單元，可以有效地捕捉序列中的長(zhǎng)期依賴關(guān)系。在多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置控制中，lstm可以用于學(xué)習(xí)和預(yù)測(cè)切削過程中的動(dòng)態(tài)變化，從而實(shí)現(xiàn)更準(zhǔn)確的控制。

6、4.pid優(yōu)化：pid(proportional-integral-derivative)控制器是一種常用的反饋控制方法，通過根據(jù)誤差信號(hào)來調(diào)整輸出信號(hào)，以使系統(tǒng)的響應(yīng)達(dá)到期望值。在多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置控制系統(tǒng)中，pid優(yōu)化可以用于自動(dòng)調(diào)節(jié)多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的位置、速度和力量等參數(shù)，以提高加工質(zhì)量和效率。

7、基于lstm神經(jīng)網(wǎng)絡(luò)和pid優(yōu)化的數(shù)控機(jī)床多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置智能控制系統(tǒng)的研究旨在通過利用深度學(xué)習(xí)和優(yōu)化算法，提高機(jī)床多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的精度和穩(wěn)定性，降低切削振動(dòng)和熱變形對(duì)加工質(zhì)量的影響。這種智能控制系統(tǒng)可以實(shí)時(shí)監(jiān)測(cè)和調(diào)整切削過程中的關(guān)鍵參數(shù)，從而實(shí)現(xiàn)更高水平的自動(dòng)化加工。

8、鑒于大型數(shù)據(jù)管理系統(tǒng)的實(shí)現(xiàn)需要大量的人力物力，并且非一朝一夕所能實(shí)現(xiàn)，因此本文選擇以嵌入式微控制系統(tǒng)為核心的智能化系統(tǒng)作為研究對(duì)象，考慮到多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置系統(tǒng)作為高速切削加工的一項(xiàng)關(guān)鍵技術(shù)，最終選擇實(shí)現(xiàn)多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置智能控制系統(tǒng)的關(guān)鍵技術(shù)作為研究對(duì)象，并進(jìn)行相關(guān)的基礎(chǔ)性研究。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是克服現(xiàn)有技術(shù)中的不足,提供一種基于lstm神經(jīng)網(wǎng)絡(luò)及pid優(yōu)化的數(shù)控機(jī)床多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的智能控制系統(tǒng)。這種基于lstm神經(jīng)網(wǎng)絡(luò)及pid優(yōu)化的數(shù)控機(jī)床多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的智能控制系統(tǒng)的構(gòu)建及工作方法,包括以下:

2、基于lstm神經(jīng)網(wǎng)絡(luò)及pid優(yōu)化的數(shù)控機(jī)床多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的智能控制系統(tǒng)的
技術(shù)實(shí)現(xiàn)要素：
如下：

3、1.數(shù)據(jù)采集與預(yù)處理：系統(tǒng)通過傳感器實(shí)時(shí)采集數(shù)控機(jī)床多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的運(yùn)行數(shù)據(jù)，包括多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的振動(dòng)、溫度、切削力等信息。采集的數(shù)據(jù)經(jīng)過預(yù)處理，包括去噪、濾波和特征提取等步驟。

4、2.lstm神經(jīng)網(wǎng)絡(luò)模型：建立基于lstm(長(zhǎng)短期記憶)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，該模型可以學(xué)習(xí)和預(yù)測(cè)多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置振動(dòng)、溫度和切削力等參數(shù)的變化趨勢(shì)。通過訓(xùn)練模型，系統(tǒng)可以根據(jù)實(shí)時(shí)數(shù)據(jù)預(yù)測(cè)多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的運(yùn)行狀態(tài)和壽命。

5、這種基于lstm神經(jīng)網(wǎng)絡(luò)及pid優(yōu)化的智能控制系統(tǒng)可以實(shí)現(xiàn)對(duì)數(shù)控機(jī)床多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的智能化監(jiān)測(cè)和控制，提高多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的使用壽命和切削效率，減少刀具的損耗和設(shè)備的維護(hù)成本。同時(shí)，它也可以提供實(shí)時(shí)的運(yùn)行狀態(tài)和優(yōu)化建議，幫助用戶做出更好的決策和調(diào)整。lstm的單元更新主要由3個(gè)門控制,其中控制神經(jīng)單元決定其需要遺忘哪些信息,遺忘門為

6、ft＝σ(wt·[ht-1,xt]+bf)

7、負(fù)責(zé)更新細(xì)胞狀態(tài)的輸入門為

8、it＝σ(wi·[ht-1,xt]+bi)

9、

10、決定當(dāng)前時(shí)刻細(xì)胞輸出的輸出門為

11、ot＝σ(wxo·xt+wxo·ht-1+bo)

12、ht＝ot·tanh(ct)

13、lstm的細(xì)胞狀態(tài)為

14、

15、上式中,xt為t時(shí)刻lstm單元的輸入；ht-1,為t-1時(shí)刻lstm單元的輸入；wf為遺忘門gf,的權(quán)重矩陣；wi為輸入門gi的權(quán)重矩陣；wo為輸出門go的權(quán)重矩陣；bf為遺忘門gf,的偏置項(xiàng)；bi為輸入門gi的偏置項(xiàng)；bo為輸出門go的偏置項(xiàng)；ft為遺忘門gf在t時(shí)刻的狀態(tài),it為輸入門gi在t時(shí)刻的狀態(tài),ot為輸出門go在t時(shí)刻的狀態(tài)；σ為sigmoid激活函數(shù),tanh為雙曲函數(shù)的激活函數(shù),ct為t時(shí)刻的lstm單元狀態(tài),為t時(shí)刻輸入的臨時(shí)狀態(tài),wc、bc分別為計(jì)算的權(quán)重矩陣及偏置項(xiàng),ht為t時(shí)刻lstm單元的輸出；

16、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)在隱含層內(nèi)部的計(jì)算當(dāng)中增加了細(xì)胞狀態(tài)(cell?state)和門機(jī)制(gate)的概念。其中，細(xì)胞狀態(tài)是長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的核心結(jié)構(gòu)，循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中的每一個(gè)隱含單元，在長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中則變成了一個(gè)個(gè)具有記憶功能的細(xì)胞，會(huì)在時(shí)間軸上進(jìn)行傳遞。而后使用門機(jī)制來有選擇地控制細(xì)胞信息的記憶。正是因?yàn)榧?xì)胞狀態(tài)的存在，其中存儲(chǔ)的歷史信息不會(huì)輕易改變，具有很好的記憶力，使得lstm適合長(zhǎng)依賴問題。lstm中有三個(gè)門，分別是“遺忘門”、“記憶門”和“輸出門”，其中“遺忘門”用來選擇性遺忘某些歷史信息；“記憶門”用來加強(qiáng)對(duì)某些歷史信息的記憶；“輸出門”負(fù)責(zé)對(duì)長(zhǎng)短期記憶信息進(jìn)行綜合考慮，生成輸出信號(hào)。神經(jīng)網(wǎng)絡(luò)的長(zhǎng)期依賴問題,避免像循環(huán)神經(jīng)網(wǎng)絡(luò)rnn在處理長(zhǎng)序列數(shù)據(jù)上會(huì)產(chǎn)生梯度消失的情況。lstm主要由遺忘門f,輸入門it。記憶單元c以及輸出門ot組成，單元結(jié)構(gòu)如圖3所示。

17、bp神經(jīng)網(wǎng)絡(luò)是當(dāng)今世界上使用最多、最有效的一種神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)最為關(guān)鍵的問題是代價(jià)函數(shù)c與網(wǎng)絡(luò)中任意加權(quán)w(或者偏差b)之間的偏導(dǎo)數(shù)通過對(duì)該公式的考察，我們可以得出隨著加權(quán)與偏離之間的浮動(dòng)，損失函數(shù)會(huì)出現(xiàn)急劇的增加或減少。后向傳播是一種快速學(xué)習(xí)的算法，盡管其公式有些繁瑣，但有也有一個(gè)優(yōu)點(diǎn)，那就是對(duì)每一要素都進(jìn)行了簡(jiǎn)單的說明。這確實(shí)給了一個(gè)很好的學(xué)習(xí)機(jī)會(huì)，讓我們加強(qiáng)了對(duì)加權(quán)與偏離如何影響整個(gè)網(wǎng)絡(luò)行為的認(rèn)知。

18、該網(wǎng)絡(luò)的結(jié)構(gòu)較為簡(jiǎn)單，在實(shí)際場(chǎng)景中的bp神經(jīng)網(wǎng)絡(luò)只會(huì)使用少量的隱藏層，為了防止性能方面的損失，這里我們只討論含有一個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)，如圖6所示:

19、該網(wǎng)絡(luò)包含三層結(jié)構(gòu)，即輸入層、隱含層以及輸出層。其中；輸入層向量如式所示:x＝(x1,x2,···,xi,···,xn)t

20、圖中x0＝-1是被設(shè)定用于將閾值導(dǎo)入隱含層的神經(jīng)元；隱含層輸出向量如式所示：y＝(y1,y2,···,yj,···,ym)t

21、圖中y0＝-1是被設(shè)定用于將閾值導(dǎo)入輸出層的神經(jīng)元；輸出層輸出向量如式所示：o＝(o1,o2,···,ok,···,ol)t

22、期望輸出向量如式所示：d＝(d1,d2,···,dk,···,dl)t

23、輸入層到隱藏層之間的權(quán)重矩陣，如式所示：v＝(v1,v2,···,vj,···,vm)

24、其中列向量式vj，代表了隱含層第j個(gè)神經(jīng)元所相應(yīng)的權(quán)值矢量；隱含層到輸出層之間的權(quán)值矩陣，如式所示：w＝(w1,w2,···,wj,···,wl)

25、其中列向量wk表示輸出層第k個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量。

26、由此可見，bp神經(jīng)網(wǎng)絡(luò)也應(yīng)該看成一種非線性函數(shù)o＝f(x)，其矢量x就是函數(shù)的自變數(shù)，而向量o是函數(shù)的因變數(shù)。當(dāng)輸入層種存在n個(gè)節(jié)點(diǎn)，而輸出層也存在l個(gè)節(jié)點(diǎn)時(shí)，就表明該網(wǎng)絡(luò)中存在著一種從不同自變數(shù)到每個(gè)因變數(shù)的函數(shù)或映射關(guān)聯(lián)。但是，bp神經(jīng)網(wǎng)絡(luò)在實(shí)際使用時(shí)也會(huì)出現(xiàn)某些缺點(diǎn)，如下所示：

27、1)容易陷入局部最小值；

28、2)收斂速度較慢；

29、3)結(jié)構(gòu)選擇缺乏理論指導(dǎo)；

30、4)網(wǎng)絡(luò)泛化能力差；

31、5)沒有將樣本選取問題納入到系統(tǒng)影響中；

32、6)沒有考慮傳遞函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的影響

33、全連接層最后的輸出節(jié)點(diǎn)為多個(gè),最終輸出為全連接層多個(gè)輸出的均值,相對(duì)于現(xiàn)有機(jī)組預(yù)測(cè)模型,多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置預(yù)測(cè)模型預(yù)測(cè)效果明顯提升；將處理、排序完成的數(shù)據(jù)輸入多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置預(yù)測(cè)模型,根據(jù)公式，依次計(jì)算1.2收集到的相應(yīng)數(shù)據(jù)類型的數(shù)據(jù),得到lstm神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)；將lstm神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)再送入bp神經(jīng)網(wǎng)絡(luò)進(jìn)行二次計(jì)算,bp神經(jīng)網(wǎng)絡(luò)的最后一層有多個(gè)節(jié)點(diǎn)，多個(gè)節(jié)點(diǎn)輸出多個(gè)預(yù)測(cè)結(jié)果,以多個(gè)預(yù)測(cè)結(jié)果的均值作為多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置預(yù)測(cè)模型的最終預(yù)測(cè)值；最后采用adam方法對(duì)多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置預(yù)測(cè)模型進(jìn)行迭代訓(xùn)練尋優(yōu),當(dāng)多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置預(yù)測(cè)模型的預(yù)測(cè)精度達(dá)到設(shè)定值(99％)以上時(shí),停止迭代訓(xùn)練；

34、3.pid優(yōu)化控制：利用pid(比例、積分、微分)控制算法對(duì)多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)調(diào)整和優(yōu)化。pid控制器根據(jù)lstm模型的預(yù)測(cè)結(jié)果和實(shí)際反饋數(shù)據(jù)，自動(dòng)調(diào)整多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的運(yùn)行參數(shù)，如切削速度、進(jìn)給速度和冷卻液流量等，以達(dá)到最佳的切削效果和刀具壽命，提高串級(jí)pid系統(tǒng)在劇烈變動(dòng)工況下的控制品質(zhì)，主pid控制器仍進(jìn)行粗調(diào)修正,保證串級(jí)pid系統(tǒng)的準(zhǔn)確性,從而在仍保證了控制準(zhǔn)確性的前提下,增強(qiáng)了串級(jí)pid系統(tǒng)對(duì)于劇烈變動(dòng)工況的承受能力；

35、4.智能決策與優(yōu)化：系統(tǒng)根據(jù)lstm模型的預(yù)測(cè)結(jié)果和pid控制器的調(diào)整，智能地決策是否需要進(jìn)行刀具更換、切削參數(shù)調(diào)整或設(shè)備維護(hù)等操作。系統(tǒng)還可以根據(jù)歷史數(shù)據(jù)和經(jīng)驗(yàn)規(guī)則，優(yōu)化多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的使用方案，提供最佳的切削策略和工藝參數(shù)。

36、5.用戶界面與遠(yuǎn)程監(jiān)控：系統(tǒng)提供用戶友好的界面，顯示實(shí)時(shí)的多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置運(yùn)行狀態(tài)、預(yù)測(cè)結(jié)果和優(yōu)化建議。同時(shí)，系統(tǒng)支持遠(yuǎn)程監(jiān)控和控制，用戶可以通過互聯(lián)網(wǎng)遠(yuǎn)程訪問系統(tǒng)，監(jiān)控和管理數(shù)控機(jī)床多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的運(yùn)行情況。

37、作為優(yōu)選的,1、收集的數(shù)據(jù)包括:磨損量、切削深度、進(jìn)給速度、尺寸，多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置材質(zhì)，硬度。等二百多個(gè)對(duì)多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置有影響的參數(shù)。

38、作為優(yōu)選的,2、中多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置預(yù)測(cè)值為運(yùn)動(dòng)檢測(cè)值。

39、作為優(yōu)選的,2、中設(shè)定時(shí)延為10秒。

40、作為優(yōu)選的,1、中的預(yù)測(cè)精度設(shè)定值為99％。

41、本發(fā)明的有益效果是:

42、為減少多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置更換和損壞調(diào)整對(duì)于專家經(jīng)驗(yàn)的依賴,同時(shí)改善多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置運(yùn)動(dòng)調(diào)節(jié)系統(tǒng)的調(diào)節(jié)效果,本發(fā)明在現(xiàn)有的多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置自動(dòng)調(diào)節(jié)的基礎(chǔ)上,建立多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的預(yù)測(cè)模型,改良多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置pid系統(tǒng)結(jié)構(gòu),通過深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對(duì)多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的預(yù)測(cè),利用多軸聯(lián)動(dòng)的刀具穩(wěn)定裝置的預(yù)測(cè)數(shù)值,改良機(jī)床正常運(yùn)行的pid控制邏輯,顯著改善其調(diào)節(jié)品質(zhì)；

43、本發(fā)明也可用于其他工業(yè)系統(tǒng)的pid控制系統(tǒng)改善,如數(shù)控機(jī)床刀具控制系統(tǒng)、化工廠液位控制系統(tǒng)等。