(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211031426.4 (22)申请日 2022.08.26 (65)同一申请的已公布的文献号 申请公布号 CN 115099374 A (43)申请公布日 2022.09.23 (73)专利权人 江南大学 地址 214122 江苏省无锡市滨湖区蠡湖大 道1800号 (72)发明人 王正桓　王强　俞伟　方伟　 张超锋　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 吕永芳 (51)Int.Cl. G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 20/00(2019.01) H04W 4/38(2018.01) B23Q 17/09(2006.01) 审查员 徐晓艳 (54)发明名称 基于5G多元混合结构网络铣削切削力预测 系统及方法 (57)摘要 本发明公开了一种基于5G多元混合结构网 络铣削切削力预测系统及方法， 属于钛合金铣削 加工领域。 所述方法考虑了铣削特征间的关系和 相互影响， 设计了一种多元混合结构网络以及新 的特征数学模 型对特征进行计算， 使得在进行切 削力预测时充分发掘不同特征及特征间关系在 切削力预测中的作用， 从而 得到更加精准的预测 结果； 进一步的， 本申请将特征计算放在本地， 而 利用云端的强大计算资源实现切削力预测， 达到 合理分配计算资源的效果； 进一步的， 本申请将 特征和特征变换后的结果保存在本地， 并且经云 端计算后的结果返回给边缘网关设备， 经过边缘 网关设备保存在本地的存储上， 便于后续本地化 快速的规则匹配和数据存 储。 权利要求书4页 说明书14页 附图8页 CN 115099374 B 2022.11.22 CN 115099374 B 1.一种基于5G多元混合结构网络铣削加工切削力预测系统， 其特征在于， 所述系统包 括： 用于采集钛合金刀具铣削过程中的初始特征值的传感器、 本地边缘网关设备、 CPE设 备、 UPF设备、 本地存 储设备以及云端服 务器； 每个本地边缘网关设备与若干传感器相连， 并根据传感器采集的钛合金刀具铣削过程 中的初始特征值计算得到新的铣削特征值FN， 所述新的铣削特征值FN构成原始输入特征集 作为后续云端进 行切削力预测的输入 数据； 所述本地边缘网关设备依次通过CP E设备和UPF 设备与云端服 务器相连； 并且与本地存 储设备相连以便将原 始输入特 征集进行本地存 储； 所述云端服务器采用多元混合结构网络根据原始输入特征集进行切削力预测， 并在得 到切削力预测 值后通过本地边缘网关设备将其转存在本地存储设备上作为该种钛合金刀 具的铣削参数规则以便后续 查询使用； 所述多元混合结构网络为4层融合网络结构， 其中第一层和第二层均采用不同的基学 习器组合； 所述第一层包含4个基学习器， 分别为极端梯度提升决策树XGBoost、 极端随机树 ET、 随机森林RF和梯度提升 决策树GBDT； 第二层包含3个基学习器， 分别为极端梯度提升 决 策树XGBoost、 极端随机树ET和岭回归Ri dge； 第三层神经网络层采用多层感知机MLP； 第四 层采用岭回归Ridge； 第一层根据原始输入特征集计算完成后， 4个基学习器的预测结果和原始输入特征集 一起构成第二层的输入特征送入第二层进行计算； 第二层计算结果输出到第三层； 第三层 采用MLP前馈式神经网络实现该层的神经网络结构； 第四层 线性回归层 采用Ridge算法获得 最终切削力预测值； 针对多元混合结构网络第一层的随机森林RF基学习器， 计算过程包括： 将原始输入特征集分成n份， 使用随机采样构造特征子集， 设定RF主要 的构建参数： RF 构建的决策树数目为100， 每颗决策树的最大深度为5， 构建决策树最优模型时考虑的最大 特征比例为0.5； 按照主 要的构建参数， 构建RF并输出 预测值； 针对多元混合结构网络第一层的极端随机树ET基学习器， 计算过程包括： 将原始输入特征集分成n份， 使用所有特征集数据集进行特征采样， 设定ET主要的构建 参数： 构建的决策树数 目为200， 每颗决策树的最大深度为15， 构建决策树最优模型时考虑 的最大特征比例为0.5； 按照主 要的构建参数， 构建ET并输出 预测值； 针对多元混合结构网络第一层的梯度提升决策树GBDT基学习器， 计算过程包括： 设定决策树数目最大数为200， 每颗决策树的学习率为0.05， 构 建决策树最优模型 时考 虑的最大特征比例为0.2， 决策树内部节点再划分所需最小样 本数为20， 决策树最大深度为 6； 按照上述构建参数， 构建 GBDT并输出 预测值； 针对多元混合结构网络第一层的极端梯度提升决策树XGBoost基学习器， 计算过程包 括： 设定决策树数目最大数为1000， 每颗决策树的学习率为0.005， 惩罚系数为1.0， 决策树 最大深度为5， 在输入的特征样本中随机选择90％的样本 建立决策树， 并在选定样 本中随机 选择70％的样本特 征建立决策树； 按照上述构建参数， 构建 GBDT并输出 预测值； 所述多元混合结构网络的第三层所采用的MLP有两层隐藏层， 第一层隐藏层有100个神 经元， 第二层也有50个神经元； 采用relu函数作为激活函数； 权重优化器采用adam； 正则化权　利　要　求　书 1/4 页 2 CN 115099374 B 2项参数为0.01； 随机优化的minibatches的大小采用默认的 ‘auto’； 用于权重更新的学习率 为adaptive； 学习率初始值为0.001； 采用默认的逆扩展学习率指数， 该指数默认值为0.5； 最大迭代 次数为200； 每次迭代时对样本进行清洗； 按照上述参数设定， 输出第三层计算结 果。 2.根据权利要求1所述的系统， 其特征在于， 所述传感器采集的钛合金刀具铣削过程中 的初始特征值包括： 主轴转速r、 时间t、 切削力F、 力矩M、 刀具位置Pos、 加工件角度Agel、 加 速度ai、 进给速度V、 轴向切深Ax_dep、 径向切深Ra_dep、 温度T。 3.根据权利要求2所述的系统， 其特 征在于， 所述 新的铣削特 征值FN的计算公式为： FN＝F(xl)+Ft其中， F(xl)为传感器采集的钛合金刀具铣削过程中的初始特征值， xl表示 任一初始特 征， Ft表达式为： 其中， S为协方差矩阵， wi为第i个初始特征值xi对应的特征权重系数， i＝{1， 2， ...， n}； wij为第i个初始特 征xi和第j个初始xj间的关系 系数， T表示 转置操作。 4.根据权利要求3所述的系统， 其特征在于， 所述传感器包括： 四向测力仪， 红外温度传 感器， 位置传感器， 加速度传感器。 5.一种基于5G多元混合结构网络铣削加工切削力预测方法， 其特征在于， 所述方法包 括： 步骤一， 利用安装在机床上的传感器采集初始特征值， 所述初始特征值包括： 主轴转速 r、 时间t、 切削力F、 力矩M、 刀具位置Pos、 加工件角度Agel、 加速度ai、 进给速度V、 轴向切深 Ax_dep、 径向切深Ra_dep、 温度T； 步骤二， 将所采集的初始特征值传输至本地边缘网关设备， 由本地边缘网关设备根据 新的特征数学模型计算 新的铣削特 征值FN， 新的铣削特 征值FN构成原始输入特 征集； 步骤三， 将原始输入特征集传至CPE设备， 由CPE设备上传到UPF设备， 并 由UPF设备路由 到云端服 务器， 云端服 务器采用多元混合结构网络进行切削力预测； 所述多元混合结构网络为4层融合网络结构， 其中第一层和第二层均采用不同的基学 习器组合； 所述第一层包含4个基学习器， 分别为极端梯度提升决策树XGBoost、 极端随机树 ET、 随机森林RF和梯度提升 决策树GBDT； 第二层包含3个基学习器， 分别为极端梯度提升 决 策树XGBoost、 极端随机树ET和岭回归Ri dge； 第三层神经网络层采用多层感知机MLP； 第四 层采用岭回归Ridge； 第一层根据原始输入特征集计算完成后， 4个基学习器的预测结果和原始输入特征集 一起构成第二层的输入特征送入第二层进行计算； 第二层计算结果输出到第三层； 第三层 采用MLP前馈式神经网络实现该层的神经网络结构； 第四层 线性回归层 采用Ridge算法获得 最终切削力预测值。 6.根据权利要求5所述的方法， 其特征在于， 所述步骤三中云端服务器采用多元混合结 构网络进行切削力预测时第一层的计算过程包括： 针对多元混合结构网络第一层的随机森林RF基学习器， 计算过程包括：权　利　要　求　书 2/4 页 3 CN 115099374 B 3