CN107584334B - 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 - Google Patents

Abstract

一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法，其特征在于构建了包含深度置信网络和卷积神经网络两级深度学习模型，基于大量数控加工监测信号训练深度学习网络，进而实现刀具状态的实时监测；首先采用大量监测信号数据训练深度置信网络，实现监测信号特征的自动提取，并构建信号特征输入矩阵，然后建立监测信号与工艺信息和几何信息的关联关系，构建卷积神经网络，通过大量样本数据对卷积神经网络进行训练，建立监测信息与刀具状态的映射关系，最后根据数控加工过程中的实时监测信息，通过训练后的深度学习模型判断刀具状态。本发明既适用于大批量零件生产，也适用于小批量甚至是单件生产时复杂结构件的数控加工刀具状态监测。

Description

一种基于深度学习的复杂结构件数控加工刀具状态实时监测 方法

技术领域

本发明属于数控加工刀具状态监测领域，涉及一种数控加工刀具状态实时监测技术， 具体地说是一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法。

背景技术

数控加工过程中的刀具状态包括正常状态，磨损、断裂、意外掉落等非正常状态，非 正常状态的刀具会导致零件表面质量变差，尺寸超差、引起颤振，影响加工精度，增加加工成本。在单件小批量生产模式下零件报废带来的成本和生产周期问题远比大批量零件生产时严重。据调研，使用装备监控系统的数控机床可以保证加工质量，提高加工效率，节 约生产费用达30％。

传统的数控加工刀具状态监测方法通过监测加工过程中传感器采集的各类信号，间接 判断刀具状态。由于受到加工过程中的加工参数、零件材料等因素影响，刀具状态的监测 需要人为经验的干预，导致监测结果不准确以及适用性不广泛，特别是对于单件、小批量 生产的复杂结构件，传统的刀具监测方法无法适用。目前，这类系统软件有德国的ARTIS 系统以及以色列的OMAT系统等。它们主要适用于大批量生产时数控加工状态监测，在单 件小批量生产时机床数控加工状态监测时尚有误报警的问题未能解决。

近年来，由于数据量的不断积累以及计算机性能的极大提升，大数据与人工智能领域 得到了重大的突破。在数控加工过程中，海量传感器信号数据的积累，以及大型计算机的 强大计算能力，为刀具监测搭建了良好的平台。

本发明提出一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法，其特征 在于构建了包含深度置信网络和卷积神经网络两级深度学习模型，基于大量数控加工监测 信号训练深度学习网络，进而实现刀具状态的实时监测；首先采用大量监测信号数据训练 深度置信网络，实现监测信号特征的自动提取，并构建信号特征输入矩阵，然后建立监测 信号与工艺信息和几何信息的关联关系，构建卷积神经网络，通过大量样本数据对卷积神 经网络进行训练，建立监测信息与刀具状态的映射关系，最后根据数控加工过程中的实时 监测信息，通过训练后的深度学习模型判断刀具状态。本发明不仅能够适用于大批量零件 生产时数控加工刀具状态监测，也能够适应于小批量甚至是单件生产时复杂结构件的数控 加工刀具状态监测，适用范围更广。

发明内容

本发明的目的是针对现有技术监测学习工作量大，模型泛化能力差，零件适应性差的 问题，为了实时掌握数控加工刀具状态，发明一种基于深度学习的复杂结构件数控加工刀 具状态实时监测方法。

本发明的技术方案是：

一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法，其特征在于构建了 包含深度置信网络和卷积神经网络两级深度学习模型，基于大量数控加工监测信号训练深 度学习网络，进而实现刀具状态的实时监测；首先采用大量监测信号数据训练深度置信网 络，实现监测信号特征的自动提取，并构建信号特征输入矩阵，然后建立监测信号与工艺 信息和几何信息的关联关系，构建卷积神经网络输入矩阵，通过大量样本数据对卷积神经 网络进行训练，建立监测信息与刀具状态的映射关系，最后根据数控加工过程中的实时监 测信息，通过训练后的深度学习模型判断刀具状态。

具体步骤如下：

步骤1：训练样本数据库建立。选择典型传感器信号数据，对每一类信号数据进行离 散并分别存储，并贴上相应的刀具状态标签，作为训练样本。

步骤2：深度学习模型的构建与训练。构建深度置信网络，输入原始信号数据，输出信号特征提取结果，采用无标签的训练集样本训练网络。构建卷积神经网络，输入监测信息矩阵，输出刀具状态辨识结果，采用有标签的训练集样本训练网络。

步骤3：数控加工刀具状态监测。在数控加工过程中，监测步骤1所述的传感器信号数据，输入步骤2中训练好的两个深度网络，通过深度置信网络进行预处理，提取信号特征，通过卷积神经网络进行刀具状态辨识，判断刀具状态，异常则报警或停机，正常则继 续监测直到加工完成。

所述采集的监测信息有：切削物理量、切削参数信息、刀具信息、加工特征几何信息 等，其中切削物理量包括三向切削力信号、声发射信号、振动信号、主轴功率信号等，切削参数信息包括切深、切宽、进给速度、主轴转速等，刀具信息包括刀具直径、圆角半径、 刀具材料等，加工特征几何信息包括直线和圆弧。

所述样本数据库构建方法为：采集不同种类的监测信号S_m，其中m表示监测信号类型，分别存储t时间段内的信号数据其对应的切削参数信息、加工特征几何信息和刀 具信息，以及代表其刀具状态的样本标签，其中t可以取0.5s～1s内的时间段，以每一段时 间t存储的监测信息作为一个训练样本；对不同种类的监测信号数据进行分层采样，得到 每一类监测信号数据对应的训练集S、验证集V和测试集T。

建立监测信号与工艺信息和几何信息的关联关系指的是将监测信号与加工对象的工 艺信息即切深、切宽等以及几何信息即直线或者圆弧等信息关联对应起来，构建输入向量。

所述深度置信网络的构建方法为：堆叠k个受限玻尔兹曼机，k的值取决于输入原始 监测信号的个数数量级a和输出信号特征提取结果的个数数量级b，对某一类监测信号的原始信号数据构建向量P＝{p₁,p₂,……p_c}，作为第一个受限玻尔兹曼机的显层神经元，通过无监督学习方法对P进行编码，输出向量即监测 信号第一次特征提取结果，构成隐层神经元；通过Gibbs采样和对比散度算法，采用大量 无标签的监测信号训练集数据对网络进行训练，得到权重矩阵W₁，以Q₁作为下一个受限 玻尔兹曼机的输入，重复上述步骤，进行监测信号的二次特征提取；经过k个受限玻尔兹 曼机，得到最终的监测信号特征提取结果和深度置信网络的权 重W＝{W₁，W₂，……W_k}；对不同的监测信号分别构建深度置信网络。

所述监测信息的卷积神经网络输入矩阵构建方法为：把深度置信网络提取的各类信号 特征向量分别排列成s×s的信号特征矩阵簇M_m：

其中s×s＝l；以信号特征矩阵簇M_m作为卷积神经网络的输入，即C1层监测信息特征图谱， 数量为m。

所述卷积神经网络的构建方法为：建立u个卷积层和v个池化层，其中u和v通过验证集V进行参数调整获得；对C1层的m个监测信息特征图谱进行池化操作，得到池化层 S2，实现监测信息与刀具状态关联特征的抽象化；选择x个大小为n×n的卷积核，与S2 层中池化过后的m个监测信息特征图谱进行卷积运算，得到卷积层C3的y个监测信息特 征图谱，实现监测信息与刀具状态关联特征的提取，其中x，y，n通过验证集V进行参数 调整获得；重复上述步骤；提取训练样本对应的切削参数、刀具信息和几何信息，构建工 艺信息向量b，并添加至最后一层的监测信息特征图谱；对包含最后一层的监测信息特征 图谱和工艺信息向量b的网络层与刀具状态分类结果层进行全连接；通过反向传播算法， 采用大量有标签的监测信号训练集数据对网络进行训练，得到网络的参数，建立输入监测 信息矩阵与刀具状态的映射关系。

所述刀具状态的实时辨识方法为：以样本数据库中的信号采集频率采集数控加工过程 中的各类传感器信号和对应的切削参数，以相同的时间间隔离散信号数据，输入训练好的 深度置信网络中进行信号预处理，构建监测信息矩阵；把监测信息矩阵输入训练后的卷积 神经网络中，输出刀具状态辨识结果，判断刀具状态，若刀具正常，则继续加工，反之则 停机。

本发明的有益效果是：

本发明在大数据背景下基于深度学习方法进行数控加工刀具状态的实时监测，建立包 含深度置信网络和卷积神经网络的两级深度学习模型，通过深度置信网络提取信号敏感特 征量，通过卷积神经网络融合信号特征、切削参数、几何形状，建立切削物理量、切削参 数、刀具信息、加工特征几何信息与刀具状态的关联，实现刀具状态的实时监测。不仅能 够适用于大批量零件生产时数控加工状态监控，也能够适应于小批量甚至是单件零件生产 时的数控加工状态监控，适用范围更广。

本发明实现数控加工状态在线监控，无需停机占用加工时间。有效缩短生产周期，降 低生产成本。

附图说明

图1是本发明基于深度学习的复杂结构件数控刀具加工状态实时监测方法流程图。

图2是典型飞机结构件的俯视图。

图3是示例的深度置信网络的结构图，RBM代表受限玻尔兹曼机，两个RBM堆叠 成深度置信网络。

图4是卷积神经网络的结构图。

具体实施方式

下面结构附图和实施例对本发明作进一步的说明。

一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法，如图1所示，它包 括以下具体步骤如下：

步骤1：训练样本数据库建立；选择典型传感器信号数据，对每一类信号数据进行离 散并分别存储，并贴上相应的刀具状态标签，作为训练样本；

步骤2：深度学习模型的构建与训练；构建深度置信网络，输入原始信号数据，输出信号特征提取结果，采用无标签的训练集样本训练网络；构建卷积神经网络，输入监测信息矩阵，输出刀具状态辨识结果，采用有标签的训练集样本训练网络；

步骤3：数控加工刀具状态监测；在数控加工过程中，监测步骤1所述的传感器信号数据，输入步骤2中训练好的两个深度网络，通过深度置信网络进行预处理，提取信号特征，通过卷积神经网络进行刀具状态辨识，判断刀具状态，异常则报警或停机，正常则继 续监测直到加工完成。

下面以图2所示的飞机结构件作为具体实施案例作进一步的说明。

根据图1所示的基于深度学习的复杂结构件数控刀具加工状态实时监测方法流程图， 它主要由深度学习模型训练、数控加工刀具状态监测两部分组成。具体步骤如下：

1、以侧铣该零件的槽内型为例，选择3600HZ频率下的四类传感器监测信号：切削力 信号、声发射信号、振动信号、主轴功率信号，并采集对应的切削参数信息、加工特征几何信息和刀具信息。

2、以1s的时间间隔离散各类信号数据，与其相应的刀具状态标签一起分别存储，每 个样本包含3600个数据，其中正常状态刀具信号样本数10000，磨损状态刀具信号样本数 10000，断刀状态信号样本数5000，掉刀状态信号样本数5000，以此构建训练样本数据库； 采用分层采样方法，得到训练集S、验证集V和测试集T所占百分比分别为70％、20％和10％。

3、堆叠2个受限玻尔兹曼机构建深度置信网络，第一个受限玻尔兹曼机显层神经元 个数为3600，隐层神经元个数为1024，即第二个受限玻尔兹曼机的显层神经元，第二个受限玻尔兹曼机的隐层神经元个数为784，即最终的特征提取结果，以切削力合力信号为例，原始信号数据构建向量P＝{F₁,F₂,……F₃₆₀₀}，其中F_i表示监测到的原始切削力大小， P为第一个受限玻尔兹曼机的输入，输出向量通过Gibbs采 样和对比散度算法，采用样本数据库中的无标签训练集数据对网络进行训练，得到权重矩 阵W₁，以Q₁作为第二个受限玻尔兹曼机的输入，输出向量采用同样的方法和训练数据训练网络，得到权重W₂，对其他三类监测信号分别构建深度 置信网络并训练。

3、把深度置信网络提取的四类信号特征向量排列成28×28的信号特征矩阵簇M_m(m＝1， 2，3，4)：

以信号特征矩阵簇M_m作为卷积神经网络的输入，即C1层监测信息特征图谱，数量为4。

4、建立卷积神经网络对刀具状态进行分类，如图4所示，卷积神经网络共有6层，输入的每个监测信息矩阵大小为28×28，构成卷积层C1；S2层是池化层，有4个大小为 14×14的特征图谱，特征图谱中的每个单元与C1中相对应的特征图谱的2×2领域相连接， 领域不重叠，S2层每个单元的4个输入相加，乘以一个可训练的参数，再加上一个可训练 的偏置，结果通过sigmoid函数计算；C3层也是一个卷积层，通过16个大小为5×5的不 同卷积核与S2层的4个特征图谱分别作卷积运算，采用部分连接，得到16个大小为10 ×10的特征图谱；S4层是池化层，有16个大小为5×5的特征图谱，连接方式与C1层和 S2层相同；C5层是一个卷积层，有108个5×5的卷积核，对应108个特征图谱，每个单 元与S4层的全部16个单元的5×5领域相连接，由于S4层的特征图谱大小也为5×5，所 以C5层是特征图谱大小为1×1，这构成了S4与C5之间的全连接；提取训练样本对应的 切削参数、刀具信息和几何信息，构建工艺信息向量b，并添加至C5层；F6层有80个单 元，与C5层全连接，F6层计算输入向量和权重向量之间的点积，再加上一个偏置，然后 将其传递给sigmoid函数产生单元i的一个状态；输出层由欧式径向基函数单元组成，每 类一个单元，每个单元80个输入，输出4个单元，分别表示4类刀具状态，{1，0，0， 0}表示正常状态，{0，1，0，0}表示磨钝状态，{0，0，1，0}表示断刀状态，{0，0，0， 1}表示掉刀状态；最后通过反向传播算法，采用样本数据库中的有标签训练数据对网络进 行训练。测试结果表明泛化误差达到2.4％。

5、对飞机结构件的典型槽特征做刀具状态实时监测实验，分别用正常状态刀具和磨 钝状态刀具侧铣槽内型；以3600Hz的频率实时采集切削过程中的切削力合力信号、振动信号、声发射信号和主轴功率信号以及对应的切削参数，每隔1s把采集到的信号数据输入训练好的深度置信网络中进行预处理，对预处理后的信号数据构建输入矩阵，并输入训练好的卷积神经网络中进行刀具状态辨识。分别对正常刀具和磨钝刀具进行50组实验，其 中两组正常刀具实验被误判为磨钝状态，一组磨钝刀具被误判为正常状态，辨识准确率达 到97％。

本发明未涉及部分与现有技术相同或可采用现有技术加以实现。

Claims (6)

1.一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法，通过构建包含深度置信网络和卷积神经网络两级深度学习模型，基于大量数控加工监测信号训练深度学习网络，进而实现刀具状态的实时监测，它包括以下步骤：

首先，采用大量数控加工监测信号数据训练深度置信网络，实现数控加工监测信号特征的自动提取，并构建信号特征输入矩阵；

其次，建立数控加工监测信号与工艺信息和几何信息的关联关系，构建卷积神经网络，通过大量样本数据对卷积神经网络进行训练，建立监测信息与刀具状态的映射关系；

最后，根据数控加工过程中的实时监测信息，通过训练后的深度学习模型判断刀具状态；

其特征是所述的深度置信网络的构建方法为：堆叠k个受限玻尔兹曼机，k的值取决于输入原始监测信号的个数数量级a和输出信号特征提取结果的个数数量级b，对某一类监测信号的原始信号数据构建向量P＝{p₁,p₂,……p_c}，作为第一个受限玻尔兹曼机的显层神经元，通过无监督学习方法对P进行编码，输出向量即监测信号第一次特征提取结果，构成隐层神经元；通过Gibbs采样和对比散度算法，采用大量无标签的监测信号训练集数据对网络进行训练，得到权重矩阵W₁，以Q₁作为下一个受限玻尔兹曼机的输入，重复上述步骤，进行监测信号的二次特征提取；经过k个受限玻尔兹曼机，得到最终的监测信号特征提取结果和深度置信网络的权重W；对不同的监测信号分别构建深度置信网络。

2.根据权利要求1所述的方法，其特征是所述的数控加工监测信号包括：切削物理量、切削参数信息、刀具信息、加工特征几何信息，其中切削物理量包括三向切削力信号、声发射信号、振动信号、主轴功率信号，切削参数信息包括切深、切宽、进给速度、主轴转速，刀具信息包括刀具直径、圆角半径、刀具材料，加工特征几何信息包括直线和圆弧。

3.根据权利要求1所述的方法，其特征是样本数据库构建方法为：采集不同种类的监测信号S_m，其中m表示监测信号类型，分别存储t时间段内的信号数据其对应的切削参数信息、加工特征几何信息和刀具信息，以及代表其刀具状态的样本标签，其中t可以取0.5s～1s内的时间段，以每一段时间t存储的监测信息作为一个训练样本；对不同种类的监测信号数据进行分层采样，得到每一类监测信号数据对应的训练集S、验证集V和测试集T。

4.根据权利要求1所述的方法，其特征是所述的信号特征输入矩阵的构建方法为：把深度置信网络提取的各类信号特征向量分别排列成s×s的信号特征矩阵簇M_m： 其中s×s＝l；以信号特征矩阵簇M_m作为卷积神经网络的输入，即C1层监测信息特征图谱，数量为m。

5.根据权利要求1所述的方法，其特征是所述的卷积神经网络的构建方法为：建立u个卷积层和v个池化层，其中u和v通过验证集V进行参数调整获得；对C1层的m个监测信息特征图谱进行池化操作，得到池化层S2，实现监测信息与刀具状态关联特征的抽象化；选择x个大小为n×n的卷积核，与S2层中池化过后的m个监测信息特征图谱进行卷积运算，得到卷积层C3的y个监测信息特征图谱，实现监测信息与刀具状态关联特征的提取，其中x，y，n通过验证集V进行参数调整获得；重复上述步骤；提取训练样本对应的切削参数、刀具信息和几何信息，构建工艺信息向量b，并添加至最后一层的监测信息特征图谱；对包含最后一层的监测信息特征图谱和工艺信息向量b的网络层与刀具状态分类结果层进行全连接；通过反向传播算法，采用大量有标签的监测信号训练集数据对网络进行训练，得到网络的参数，建立输入监测信息矩阵与刀具状态的映射关系。

6.根据权利要求1所述的方法，其特征是所述的刀具状态的实时监测是指：以样本数据的信号采集频率采集数控加工过程中的各类传感器信号和对应的切削参数、刀具信息和几何信息，以t时间间隔离散信号数据，输入训练后的深度置信网络中进行信号预处理，构建监测信息矩阵；把监测信息矩阵输入训练后的卷积神经网络中，输出刀具状态辨识结果，判断刀具状态，若刀具正常，则继续加工，反之则报警停机。