一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法

摘要

本发明公开了一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法。将测力仪和加速度传感器安装于数控机床工作台夹具及工件上，采集三向力信号和振动加速度信号，并将收集到的数据进行数据预处理，对同一列数据进行归一化处理、统一分段，将一维数据转化为二维数据作为输入，再由联合模型中的卷积神经网络提取抽象特征，由联合模型中的长短时记忆神经网络寻找数据之间的关联性，最后输出刀具的磨损状态。本发明所建立的双网络结构串行设置，能够将两种信号之间的内部联系建立起来，并且通过卷积来提取更抽象的特征，再由长短时记忆确立其时序特性，从而达到建立数据与模型更深层次联系的目的，在各类机床上都具有适用性。

说明书

技术领域

本发明属于一种数控机床加工工具状态识别方法，属于一类数控机床加工工具状态识别领域，或是深度学习的铣刀状态识别方法。

背景技术

刀具磨损状态识别是在生产加工过程中，通过若干个传感器，将生产加工过程中的原始信号采集至计算机，通过对原始信号进行一系列的信号处理，从而建立起与刀具磨损状态的确定性关系，最后通过智能状态识别算法来识别刀具当前所处的磨损状态。

根据其所用识别模型的网络结构深浅，可以将其分为两类，一类是“特征提取+机器学习”的浅层识别模型，另一类是通过建立深层网络，模拟人脑学习过程，直接对原始信号逐层抽离学习其特征信息，最后识别刀具所处磨损状态。

刀具磨损状态监测根据监测的手段不同可以分为两种方法：直接监测法和间接监测法；刀具磨损直接监测法主要是通过直接观测刀具表面形貌的方法来判断刀具当前的磨损状态，属于离线监测方法，包括接触法、放射线法、光学图像法等，直接监测法虽然能够精确的获得刀具的磨损状态，但是由于大多数情况时都需要停车测量，虽然具有精度较高的优点，但只能在停车状态下检测，从而极大的影响生产节拍；随着刀具磨损量的不断变化，与切削过程紧密相关的物理信号会产生一定的变化，间接监测法就是利用这一规律，通过切削过程中各种物理信号的变化来确定刀具当前所处的状态，包括监测力信号、振动信号、声发射信号等方法。

近些年随着工业大数据的不断发展，故障诊断的应用场景已经转为数据量大，故障特征复杂，故障种类繁多，基于传统机器学习的浅层网络模型无法建立复杂的映射关系，诊断模型的识别精度与泛化能力均存在不足，而深度学习模型通过模拟人脑的学习过程，构建深层神经网络模型，通过多层模型实现逐层抽取特征信息，学习数据中隐藏的高阶特征，从而建立更复杂的映射模型，同时深度学习模型还可以避免传统机器学习中特征提取依靠个人经验及模型不稳定等问题。目前在刀具磨损领域深度学习方法也得到了应用。

传统的机器学习方法无法体现磨损量时序上发生的变化，因此，提出一种自提特征、找寻刀具信号之间内部联系的卷积和长短时记忆神经网络的联合网络，十分重要。

发明内容

为将自提特征和数据之间的连续性共同结合起来，本发明提出了一种通过卷积神经网络提取数据特征，然后输入长短时记忆神经网络判别数据之间的关联性，最后通过归一化指数函数进行刀具磨损状态识别的方法，具有端对端、不需专家经验、节约挑选特征成本等优势。

为实现上述功能，本发明的技术方案具体包括以下技术步骤：

(1)将测力仪和压电式加速度传感器安装于数控机床工作台夹具及工件上，然后在恒定工况下，使用恒定的切削参数对材料进行侧边铣削，同时将测力仪连接电荷放大器，采集三向力信号和振动加速度信号；

(2)进行数据预处理，根据刀具的不同磨损状态(磨损初期、稳定磨损期、急剧磨损期、刀具失效期)，将信号进行分段，并为每个分段信号与对应磨损状态进行关联标识。数据为XYZ三个方向的力信号和XYZ三个方向的振动信号总共六维，对每一个维的信号数据进行归一化处理，并且进行统一分段，具体如下：每一个维度的数据的总长度可设为x,在统一划分后，数据变成x_m，n,其中m为数据划分的列数，n为数据划分的长度，可以理解为x＝m×n，一维的数据在经过划分后变成了二维数据输入模型；

(3)将分段好的数据输入卷积神经网络，通过不同大小的卷积核，实现数据的深度扩充，根据设定的卷积核数量，数据增加了一个新的维度p,从而使得数据的深度得到了增加，数据变成了x_m，n，p，同时因为卷积核本身有大小，对数据进行零补，防止数据的长度发生改变导致减少；

(4)经过卷积网络的数据，再通过池化层，减小特征映射的大小，防止过拟合；

(5)按照时间的关联性特点，再输入长短时记忆神经网络，将数据重新变成了两维，最后连接SoftMax层进行刀具磨损状态辨识，输出所述的刀具磨损状态分类。

与现有技术相比，本发明至少取得了以下有益效果：

(1)避免了在停车状态下进行刀具检测，从而影响生产节拍。采用本申请中提出的方法，在判别刀具处于初期磨损或正常磨损期时，刀具仍然可以照常工作，不需在意刀具的更换问题；当判别刀具处于急剧磨损期时，提醒操作人员警惕刀具的使用及磨损消耗，时刻注意换刀；当判别刀具处于刀具失效期时，提醒操作人员立即更换刀具，确保加工的精准度和准确性。

(2)本发明采用的双网络串行结构，克服了仅采用单一神经网格进行刀具磨损预测的技术偏见，突破了单一网络结构只能够利用单一特性的特点，利用卷积神经网络在降低频率方差方面的优势和长短时记忆神经网络在时间模型上的优势形成串行结构，能够在更少的迭代次数下达到相对于单网络结构更高的精度。

(3)本发明中采用的方法不需要传统的特征提取，能够很好地实现端对端地提取特征，减少专家经验挑选特征的问题，消除了不合适特征的干扰。本发明中采用的方法无需挑选特征，节省了挑选特征所消耗的成本。

(4)本发明中利用池化层减小特征映射的大小，有效的防止了过拟合。通过反向传播算法训练模型，调整整个网络模型的权值和偏置，直到迭代次数达到设定值为止。

附图说明

图1为本发明刀具磨损状态识别方法流程图；

图2为振动信号采集数据；

图3为力信号采集数据；

图4为联合网络结构图；

图5为刀具磨损失效图；

图6为辨识精度迭代图；

图7为本发明与其他典型方法的刀具磨损辨识精度和效率对比图。

具体实施方法

下面结合实例以及附图对本发明作进一步说明：

本发明基于卷积和长短时记忆神经网络联合模型的刀具磨损状态辨识方法具体包括以下技术步骤：

将Kistler 9272型三向测力仪和1A302E型三向压电式加速度传感器安装于数控机床工作台夹具及工件上，然后在恒定工况下，使用恒定的切削参数对材料进行侧边铣削，同时将测力仪连接Kistler5070A电荷放大器，采集三向力信号和振动加速度信号，图2为振动信号采集数据，所用机床为XK714D陕西汉川机床，图3为力信号采集数据。

收集到足够的数据后，先进行数据预处理，对同一列数据进行归一化处理，将数据归一化到[0,1]的范围内，并且进行统一分段，数据的总长度设为x,则在统一划分后，数据变成x_m，n,其中m为数据划分的列数，n为数据划分的长度，可以认为为x＝m×n，一维的数据在经过划分后变成了二维数据输入模型。

整个联合网络结构如图4，数据通过卷积神经网络，数据的深度由之前的1变成了p，p的数量为设置的卷积核数量，同时经过池化层，缩小数据的长度，输出的数据长度为m/2，再按照时间的关联性特点，将该数据输入长短时记忆神经网络，最后连接SoftMax层进行刀具磨损状态的辨识分类，同时调整参数，改善模型，达到最好效果。

在卷积网络中，卷积网络公式如下：

y_i，j，k是卷积的输出层，1≤i≤m，m是样本的数量，1≤j≤p，p是卷积核的长度，1≤k≤n、f是激活函数，通常一个双曲正切、RELU、或Sigmoid函数，x_i，k为输入数据，*为卷积运算，k是权重，bi是偏置量。

池化层是为了减小特征映射的大小，防止过拟合。池层的输出是之前特征映射的局部最大值，可以表示为：

z_i，j，k＝max(x_2i-1，j，k，x_2i，j，k)

其中z_i，j，k是池化层的输出，且1≤l≤m/2。

将卷积神经网络的输出作为长短时记忆神经网络的输入，减小时间序列的方差。卷积层的输出层分为m/2段，这意味着长短时记忆神经网络的输入具有同样的时间序列。长短时记忆神经网络包含三个门，分别是输入门、输出门和遗忘门。

遗忘门决定了可以传递多少先前的信息，其输出计算式如下：

f_t＝σ(w_fzz_t+w_hfh_t-1+b_f)

σ是一个Sigmoid的函数，w是权值，z_t为当前输入，1≤t≤m/2,，h_t-1是前一个细胞的输出；b_f是偏置量。

输入门决定了可以保存在单元格中的新信息，计算式为:

i_t＝σ(w_ziz_t+w_hih_t-1+b_i)

输出门决定要从单元格状态输出什么信息，其输出可以表示如下:

o_t＝σ(w_zoz_t+w_hoh_t-1+b_o)

h_t＝o_t×tanh(c_t)

用于辨识分类的SoftMax层，计算式如下:

其中u_i是第i^th层的输出。

在SoftMax层之后可以得到输出类的预测值，并与实验的真实值进行比较。反向传播(BP)算法训练模型，可以调整整个网络的权值和偏置，再通过比较输出的预测值和真实值的误差，计算误差函数L使得模型在训练集上的误差最小化，L计算式如下:

其中m为样本数量，u为真实标签，u′为输出结果。

在反向传播过程中，不断调整整个网络的权值和偏置值，直到迭代次数达到设定值为止。参数调整可以表示为:

ε是学习速率,确定参数的更新速度；w_t>t表示第t次迭代中权值和偏置值；w_t-1b_t-1表示第(t-1)次迭代中权值和偏置值。

使用在XK714D陕西汉川机床上，切削参数选用转速800r/min，切削深度3mm，切削宽度2.2mm的恒定工况，力信号和振动信号的采样频率同为10KHZ，进行数据统一分段后，随机划分训练集、测试集，在经过19次恒定工况走刀后，刀具失效，图5为刀具后刀面磨损失效图。设置学习率ε为0.0003，使用RMSprop方法进行梯度优化，最大迭代次数设置为200次，图6为辨识精度迭代图。

刀具按照不同的磨损量，共划分为四类。根据模型设置要求，将其表述为刀具的初期磨损、正常磨损期、急剧磨损期和刀具失效期，结合神经网络输出层数量可以将磨损类别表现为

[0,0,0,1] [0,0,1,0] [0,1,0,0] [1,0,0,0]

总共四类。

本发明使用了多组实验数据进行验证，实验结果有效，阶段划分十分明确，将Kistler 9272型三向测力仪和1A302E型三向压电式加速度传感器安装于数控机床工作台夹具及工件上，然后在恒定工况下，使用恒定的切削参数对材料进行侧边铣削，同时将测力仪连接Kistler5070A电荷放大器，采集三向力信号和振动加速度信号，收集到足够的数据后，先进行数据预处理，对数据进行归一化处理，将数据归一化到[0,1]的范围内，并且进行统一分段，将一维数据转化为二维数据进行输入，再将模型输入整个联合网络结构，由卷积神经网络提取抽象特征，长短时记忆神经网络寻找数据之间的关联性，将网络串联起来，使得网络结构更能够挖掘出数据之间的联系，本发明所建立的双网络结构串行设置，为首次提出，具有创新性和可行性。

图7为本发明与其他典型方法对于刀具磨损辨识的精度和效率对比，测试硬件条件为处理器Xeon(R)E5620，内存16G，GPU为Quadro 4000。

本发明由机床铣削加工过程中的多组刀具磨损量的分类判别证明了方法的可行性，在模型判别刀具处于初期磨损或正常磨损期时，刀具仍然可以照常工作，不需在意刀具的更换问题，当模型判别刀具处于急剧磨损期时，需要操作人员警惕刀具的使用及磨损消耗，时刻注意换刀，当模型判别刀具处于刀具失效期时，操作人员即可更换刀具，确保加工的精准度和准确性。

以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。