(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 202111571489.4 (22)申请日 2021.12.21 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 段暕　梁健强　史铁林　詹小斌　 胡铖　杨静　 (74)专利代理 机构 华中科技大 学专利中心 42201 代理人 孔娜 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06K 9/00(2022.01) (54)发明名称 一种基于改进PCANet模型的铣刀磨损预测 方法 (57)摘要 本发明属于刀具状态 监测相关技术领域， 其 公开了一种基于改进PCANet模型的铣刀磨损预 测方法， 包括以下步骤： (1)将训练集输入到改进 PCANet模型， 以对进行训练； 改进PCANet模型分 为APCANet ‑MP模型和SVR模型， APCANet ‑MP模型 又分为三个阶段， 第一阶段和第二阶段的数据处 理方式完全一致， 都包括预处理层、 PCA卷积层和 激活层； 后处理阶段包括最大池化层和输出层； SVR模型采用linear核 函数； (2)应用评价指标对 训练后的改进PCANet模型进行评估， 根据评估结 果对改进PCANet模型的结构参数进行优化； (3) 将待预测铣刀的信号数据输入优化后的改进 PCANet模型， 以进行铣刀磨损预测。 本发明缩减 了参数规模， 提高了分析效率与预测精度。 权利要求书2页 说明书9页 附图2页 CN 114239810 A 2022.03.25 CN 114239810 A 1.一种基于改进PCANet模型的铣刀磨损预测方法， 其特征在于， 所述预测方法包括以 下步骤： (1)将铣削加工过程中的信号数据组成的训练集输入到改进PCANet模型， 以对PCANet 模型进行训练； 其中， 改进PCANet模型分为APCANet ‑MP模型和SVR模型两个部分， APCANet ‑ MP模型又分为三个阶段， 第一阶段和第二阶段的数据处理方式完全一致， 都包括预 处理层、 PCA卷积层和激活层； 后处 理阶段包括 最大池化层和输出层； SVR模型采用l inear核函数； (2)应用评价指标对训练后的改进PCANet模型进行评估， 根据评估结果对改进PCANet 模型的结构参数进行优化； (3)将待预测磨损的铣刀的信号数据输入优化后的改进PCANet模型， 以进行铣刀磨损 预测。 2.如权利要求1所述的基于改进PCANet模型的铣刀磨损预测方法， 其特征在于： SVR模 型对应的正则化 参数C采用默认值1。 3.如权利要求1所述的基于改进PCANet模型的铣刀磨损预测方法， 其特征在于： APCANet‑MP模型用于自适应提取数据特征； SVR模型用于根据筛选出的敏感特征进行铣刀 磨损量的预测。 4.如权利 要求1所述的基于改进PCANet模型的铣刀磨损预测方法， 其特征在于： 第一阶 段及第二阶段均用于从输入的样本数据中 自适应习得敏感特征； 后处理阶段用于筛选敏感 特征以供后续的铣刀磨损预测。 5.如权利 要求1所述的基于改进PCANet模型的铣刀磨损预测方法， 其特征在于： 第一阶 段的预处理层中， 输入数据为STFT得到的时频矩阵， 对于输入的训练样本集Y＝[y1,y2,…, yn]中的第p个样本 n为样本数量， p＝1,2, …,n； k表示特征图的边长， 首先采用 CNN网络卷积层中滑窗的方式处理yp； 然后对Yp中的每个样本都分别去均值， 得到 每个样本的均值为对应的m2个像素点的均值； 对 训 练 样 本 集 Y 中 的 每 一 个 样 本 进 行 相同 的 操 作 ， 得 到 去 均 值 后 的 样 本 集 6.如权利 要求5所述的基于改进PCANet模型的铣刀磨损预测方法， 其特征在于： 后续的 PCA卷积层首先借助P CA变换计算去均值后的样 本集对应的卷积核， 然后再将卷积核与 原始 样本进行 卷积操作， 从而突出原 始样本中隐藏的敏感特 征信息。 7.如权利 要求6所述的基于改进PCANet模型的铣刀磨损预测方法， 其特征在于： 设第一 阶段中PCA滤波器数量 为L1， 第r个PCA滤波器滤波后获取的卷积核 的计算公式为： 其中， vec2mat函数用于将特征向量映射到卷积核； qr函数用于计算目标变量的第r 个主 成分对应的特 征向量； 然后， 将得到的卷积核与原 始输入样本按下式进行 卷积运算： 权　利　要　求　书 1/2 页 2 CN 114239810 A 2其中， 代表第一阶段PCA卷积层的输出 结果； *代 表卷积运 算； 最后， 经过激活层后即可获得第一阶段的输出值 其中， factive代表激活函数。 8.如权利要求1所述的基于改进PCANet模型的铣刀磨损预测方法， 其特征在于： 步骤 (2)中， 根据前期预实验 结果来确定模型中参数的取值范围， 再采用节点搜索法设计参数优 化实验， 最后应用回归评价指 标均方根误差RMSE和决定系数R2分别对不同参数组合的训练 后模型进行定量评估， 根据评估结果确定最优的模型结构参数组合， 继而对改进PCANet模 型的参数进行优化。 9.如权利 要求1所述的基于改进PCANet模型的铣刀磨损预测方法， 其特征在于： 后处理 阶段中， 最大池化层采用滑窗的方式对目标特征图按照特定的操作取值， 操作过程 fmax_pooling采用的公式为： fmax_pooling(Ywp)＝max{Ym×m,2} 其中， Ywp代表待池化的特征图； Ym×m,2代表通过滑窗选取的特征矩阵集合， 滑窗尺寸为m ×m， 步长为2； max函数对集 合中的每一个矩阵分别取最大值。 10.如权利 要求1所述的基于改进PCANet模型的铣刀磨损预测方法， 其特征在于： PCA卷 积层的滤波器数量Lf为8， 滤波器尺寸m为3； 评价指标采用均方根误差RMSE和决定系数R2， 对 应的计算公式分别为： 其中， M代表样本的数量； s代表样本的序 号； W＝[w1,w2,…,wM]代表刀具真实磨损值； 对 应的 代表刀具预测磨损值； 代表刀具真实磨损值的均值。权　利　要　求　书 2/2 页 3 CN 114239810 A 3