CN107877262A

CN107877262A - 一种基于深度学习的数控机床刀具磨损监测方法

Info

Publication number: CN107877262A
Application number: CN201711117628.XA
Authority: CN
Inventors: 罗博; 李斌; 王光铭; 刘红奇; 毛新勇
Original assignee: Huazhong University of Science and Technology
Current assignee: Wuhan Qingyi Intelligent Manufacturing Co ltd
Priority date: 2017-11-13
Filing date: 2017-11-13
Publication date: 2018-04-06
Anticipated expiration: 2037-11-13
Also published as: CN107877262B

Abstract

本发明属于数控机床刀具磨损监测技术领域，并具体公开了一种基于深度学习的数控机床刀具磨损监测方法，包括如下步骤：采集数控机床主轴电机的三相电流信号，从三相电流信号中截取与待监测刀具对应的电流信号，对电流信号进行分段将其分成M段电流信号，然后计算每段电流信号的均方根值；对每段电流信号进行规整处理，将规整处后的各段电流信号输入稀疏自动编码网络中进行训练，并将每次训练得到的最后一个编码矢量作为特征向量输出；计算特征向量间的K值，并根据K值获得K值拟合曲线，根据K值拟合曲线实现刀具磨损的监测。本发明可快速准确的识别出不同加工条件下的各种刀具的磨损状态，具有监测诊断精度高，监测实时性强，适用性强等优点。

Description

一种基于深度学习的数控机床刀具磨损监测方法

技术领域

本发明属于数控机床刀具磨损监测技术领域，更具体地，涉及一种基于深度学习的数控机床刀具磨损监测方法。

背景技术

数控机床刀具磨损监测是指在产品加工过程中，计算机通过检测各类传感器信号变化，判断和预测刀具是否磨损。刀具磨损监测过程本质是一个模式识别过程，一个完整的刀具磨损监控系统由研究对象(刀具)、加工条件、传感器网络、信号处理、特征提取及模式识别等部分组成。

由于加工过程中刀具不可避免的磨损，会直接影响到机床的利用率和工件的质量，轻者造成加工工件质量下降，重者导致工件报废，在极端情况下甚至可能损坏某些机械零件。因此，在加工过程中，需要实时快速地检测出刀具的磨损状态。

经过几十年的发展，刀具的监测技术在广度和深度上都已经达到了一定的水平，但是到目前还没有一种能适用于不同的加工条件下并能监测各种刀具磨损的方法，现有的各种方法的适用范围都有限，还远没有达到自动化、智能化的要求，在实际应用方面还都存在着一定的局限性，例如存在监测实时性不够和漏报、误报的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度学习的数控机床刀具磨损监测方法，该方法能够摆脱对大量信号处理技术与诊断经验的依赖，实现刀具破损特征的自适应提取，具有监测诊断精度高，监测实时性强，适用性强等优点，可以快速准确的识别出不同加工条件下的各种刀具的磨损状态。

为实现上述目的，本发明提出了一种基于深度学习的数控机床刀具磨损监测方法，其包括如下步骤：

(1)采集数控机床主轴电机的三相电流信号，从该三相电流信号中截取与待监测刀具对应的电流信号，对该电流信号进行分段，以将其分成与M个加工工件的加工过程对应的M段电流信号，然后计算每段电流信号的均方根值；

(2)对每段电流信号进行规整处理，使各段电流信号长度一致，然后将规整处理后的各段电流信号分别输入稀疏自动编码网络中进行训练，并将每次训练得到的最后一个编码矢量作为特征向量输出，共输出M个特征向量；

(3)计算特征向量间的K值，并根据K值获得K值拟合曲线，根据该K值拟合曲线实现刀具磨损的监测。

作为进一步优选的，所述将规整处理后的各段电流信号输入稀疏自动编码网络进行训练具体包括：

(2.1)将规整处理后的各段电流信号作为输入信号输入稀疏自动编码网络，对输入信号进行编码获得编码矢量，对编码矢量进行重构获得重构数据；

(2.2)将重构数据作为输入信号输入稀疏自动编码网络，再次进行编码与重构获得重构数据；

(2.3)重复步骤(2.2)直至重构误差小于预设值，以此完成稀疏自动编码网络的训练。

作为进一步优选的，所述编码矢量用h^m表示，并采用下式构建：

h^m＝f_θ(x^m)

式中，f_θ为编码函数，x^m为电流信号，1≤m≤M，M为加工工件的个数。

作为进一步优选的，所述重构数据用表示，并采用下式构建：

式中，g_θ′为解码函数。

作为进一步优选的，所述重构误差用表示，并满足下述条件：

式中，N为向量维数。

作为进一步优选的，采用如下公式计算特征向量间的K值：

式中，h¹为第一段电流信号输入稀疏自动编码网络进行训练获得的最后一个编码矢量，h^j为第j段电流信号输入稀疏自动编码网络进行训练获得的最后一个编码矢量，2≤j≤M，W为单位矩阵。

总体而言，本发明的优势在于摆脱了对大量信号处理技术与诊断经验的依赖，能够无监督并自适应地提取出隐藏于刀具状态所对应的信号内部的高层特征，监测系统可靠性和鲁棒性较高，在监测复杂刀具工况的情况下，本发明方法具有更高的效率以及更少的人工干扰度，通过提高和完善智能化监测系统的自学习、自组织、自适应、自我决策以及自我诊断的能力，能准确快速的实现刀具磨损状态的监测，能很好地满足实际生产的需要。

附图说明

图1为本发明实施例提供的基于深度学习理论的数控机床刀具磨损监测方法的流程框图；

图2为本发明电流信号采集及预处理过程示意图；

图3为本发明刀具刀齿正常的电流信号均方根值图；

图4为本发明刀具刀齿破损的电流信号均方根值图；

图5为本发明稀疏自动编码网络示意图；

图6(a)-(f)分别为六把磨损刀具的刀口图；

图7(a)-(c)分别为与图6(a)-(c)中三把刀对应的K值劣化曲线图；

图8(d)-(f)分别为与图6(d)-(f)中三把刀对应的K值劣化曲线图；

图9为六把刀的K值拟合曲线。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明公开了一种基于深度学习理论的数控机床刀具磨损监测方法，该方法通过采集刀具加工全生命周期的机床主轴三相电流信号，使用深度学习理论中的稀疏自编码算法提取出信号的特征向量，然后，提出一个用以表征两个不同相位特征向量相似度的参数，并且可以用该参数来表征刀具的磨损。由于提取出的特征向量包含很多信息，是一般的总体的特征，该方法可以监测加工过程中的微量磨损。为了验证该方法，本发明采集了发动机加工线上的五个月的连续电流信号，进行处理后，结果显示该参数能很好的表征刀具磨损状态。此外，发明人还发现刀具磨损形状和速度与通过稀疏特征向量计算出的参数的波动高度吻合。这意味着可以建立刀具磨损实时监测模型，实现对刀具磨损状态的智能化在线监测和预测。

本发明通过构建稀疏自编码网络结构，通过编码网络将高维空间的输入数据转换为低维空间的编码矢量，通过解码网络将低维空间的编码矢量重构回原来的输入数据，组合底层特征形成更加抽象的高层特征，其优势在于在无需依赖人工经验以及丰富的信号处理技术的前提下，能够无监督并自适应地提取出隐藏于刀具状态所对应的信号内部的高层特征，所以在监测复杂刀具工况的情况下，本发明所提出的方法具有更高的效率以及更少的人工干扰度。

该方法具体包括如下步骤：

(1)获取样本集

利用霍尔电流传感器采集数控机床主轴电机的三相电流信号，由于该三相电流信号包含了所有刀具全生命周期内(即从刀具开始使用直到报废)的加工信息，并且每把刀在其全生命周期内可以加工多个工件，例如M个，因此首先可以从三相电流信号中提取与待监测刀具全生命周期加工过程对应的电流信号，然后对该电流信号进行分段以获取该把刀具对应的每个工件加工过程的电流信息，电流信号的段数与加工工件的数量一致，例如，当该把刀具在其全生命周期内共可以加工M个工件，那么就具有M段电流信号，每段信号与对应加工工件的加工过程对应，最后对每段电流信号(每段电流信号均为三相电流信号，具有三个向量)计算均方根，以把三相电流信号的三个向量变成一个向量，得到一系列由单个向量表示的电流信号。

(2)数据规整及训练

为了使各段数据便于输入深度学习网络进行训练，对各段由单个向量表示的电流信号做规整处理以使其长度一致作为稀疏自编码网络的输入样本集，然后将规整处理后的各段电流信号分别输入稀疏自动编码网络进行训练，并将每次训练得到的最后一个编码矢量作为特征向量输出，即首先将第一段电流信号输入稀疏自动编码网络进行训练可输出一个特征向量，再将第二段电流信号输入稀疏自动编码网络进行训练可再输出一个特征向量，以此类推，共可输出M个特征向量。

具体采用如下方式进行训练：

(2.1)将规整处理后的各段电流信号(譬如第一段电流信号，每段电流信号均需要进行训练)作为输入信号输入稀疏自动编码网络，利用编码层对输入信号进行编码获得编码矢量，以将高维空间的输入数据转换为低维空间的编码矢量，即实现降维，利用解码层对编码矢量进行重构获得重构数据，以将低维空间的编码矢量重构回原来的输入数据，使得编码矢量成为输入数据的一种特征表示，最后一层码矢量为需要的低维矢量；

(2.3)重复步骤(2.2)直至重构误差小于预设值，以此完成稀疏自动编码网络的训练，其中预设值可以根据实际需要进行设定，预设值越小表示重构数据与原始数据越接近，即通过多次编码和解码(即逐级降维)对原始信号进行逐层特征变换，将样本在原空间的特征表示变换到新的特征空间，自动地学习得到层次化的特征表示，通过最终输出与原始输入的对比误差(即重构误差)，逐渐调节整个网络参数，最小化重构误差，直到达到良好的训练结果，对比误差越小，低维的码矢量越能更好的表示原高维矢量，对比误差随训练次数的增多而下降，本发明取训练次数为5000次。

其中，编码矢量用h^m表示，并采用下式构建：

h^m＝f_θ(x^m)＝s_f(Wx^m+b)

式中，f_θ为编码函数，x^m为第m段电流信号，1≤m≤M，M为加工工件的个数，s_f为编码网络的激活函数，θ为编码网络的参数集合，且θ＝{W,b}，W、b为神经网络编码权值。

重构数据用表示，并采用下式构建：

式中，g_θ′为解码函数，θ′为解码网络的参数集合，且θ′＝{W′,d}，W′,d为神经网络解码权值。

重构误差用表示，并满足下述条件：

式中，N为向量维数。

(3)磨损监测

计算特征向量间的K值，并根据K值获得K值拟合曲线，根据该K值拟合曲线判断对刀具的磨损进行监测，K值表示两个N维向量之间的相关性，K值越接近于0，表示两向量之间的相关性越高，否则互不相关，具体采用下公计算特征向量间的K值：

式中，h¹为第一段电流信号输入稀疏自动编码网络进行训练获得的最后一个编码矢量，h^j为第j段电流信号输入稀疏自动编码网络进行训练获得的最后一个编码矢量，2≤j≤M，W为单位矩阵，即共可以获得M-1个K值。

下面以发动机缸体生产线加工过程中的刀具监测为例，对本发明的方法进行说明。

如图1所示，本发明实例具体实施步骤如下：

(1)将霍尔电流传感器布置在数控机床主轴上，采集主轴电机的三相电流信号数据，采集端将采集到的电流信号转化成电压，再输入到采集系统通过A/D转换成电流数字信号，将每把刀的全生命周期加工过程中的电流信号进行分段截取，将整个电流信号分段成每个工件加工过程的电流信号，并对每段电流信号进行均方根计算将每段三相电流信号统一为单个向量的电流信号，得到一系列工件电流信号均方根值，刀齿正常和破损的电流信号均方根值如图3和图4。

(2)对每段由单个向量表示的电流信号进行规整处理使各段电流信号长度一致，具体可采用现有的任何一种规整处理方式进行信号的规整处理，以使各段电流信号长度一致即可，在此只做简要说明。规整处理的基本思想是，对一列n个点时间序列信号，用后一个点的值减前一个点的值，得到n-1个差值，找到差值的绝对值最小的值，将其对应的两个点求个均值代替原来的两个值，这样n个点的信号就变成n-1个点的信号，依次进行，直到规整到想要的长度。例如，一个长度为5的信号1,4,2,8,11；其前后差值为3,-2,6,3，绝对值最小的对应的点为4,2；求点4和2的均值为3，取3代替原始两个数据4和2，规整为长度为4的信号变为1,3,8,11。

(3)将规整处理后的信号输入稀疏自动编码网络进行训练，如图5所示，稀疏编码网络的训练步骤如下：

给定一个无标签的已预处理好的电流信号样本集编码网络通过编码函f_θ将每一个训练样本x^m变换为编码矢量h^m，M为加工工件的个数：

h^m＝f_θ(x^m)＝s_f(Wx^m+b)

式中，s_f为编码网络的激活函数；θ为编码网络的参数集合，且θ＝{W,b}

，W、b为神经网络编码权值；

然后编码矢量h^m通过解码函数g_θ′反向变换为x^m的一种重构表示

式中，s_g为解码网络的激活函数，θ′为解码网络的参数集合，且θ′＝{W′,d}，W′,d为神经网络解码权值；

通过最小化x^m与的重构误差即进行多次重复编码再解码使得重构误差小于预设值，以此完成整个网络的训练，并将最后一次获得的编码矢量作为特征向量输出，每一段电流信号均可获得一个特征向量，共可获得M个特征向量。

其中，以下式表示：

式中，N为向量维数，重构误差足够小后就表示码矢量hm还可以表示原来的矢量xm，为目标函数，随训练次数的增多会逐渐下降，训练次数可以根据实际限定，例如训练5000次。

(4)根据M个特征向量计算特征向量间的K值，可获得M-1个K值，根据M-1个K值绘制K值劣化曲线图，并进行拟合获得K值拟合曲线，然后通过分析研究K值拟合曲线，即可实现刀具磨损的监测，具体的通过K值拟合曲线与预设的阈值进行比较判断刀具是否需要更换(即磨损程度是否大到已无法继续使用)，当大于阈值时，可继续使用不用更换，当小于等于阈值时，需更换刀具，其中预设的阈值根据实际需要进行限定。

具体的，可采用现有技术中任务曲线拟合手段进行K值拟合，本发明只做示例性说明，例如在Matlab程序上对所有K值曲线图进行曲线拟合的操作，由于K值的变化规律最接近于多项式曲线，故选用多项式项对K值曲线进行拟合。为最好地反映K值变化规律并且防止过拟合的情况出现，在拟合过程中，选择确定系数(R-square值)最接近于1同时误差平方和(SSE)最接近于0的曲线，并记录相应的多项式系数与拟合参数，其中多项式表达式为：f(x)＝a·x⁴+b·x³+c·x²+d·x¹+e，x具体为各K值，所有K值曲线图拟合结果以及拟合参数如图8与表1所示。

表1六把刀对应的拟合多项式的参数值

具体的，针对发动机缸体断面的铣削加工，采用的八齿盘铣刀，根据零件的加工工艺要求及铣刀的性能，经分析计算，其K值阈值为-2.498，在图9上绘制出K＝-2.498水平线，拟合曲线在该线以下即认为刀具磨损量已大到不能满足零件加工质量要求，需更换，拟合曲线在该线以上，无需更换刀具。

图6(a)-(f)为本发明所研究的六把磨损的刀口图；图7(a)-(c)和图8(d)-(f)为与图6中六把刀对应的K值劣化曲线图；图9为本发明研究的六把刀的K值拟合曲线。根据图7(a)、(c)和图8(f)可知，在最初的加工过程中，由于刀具属于正常状态，K值处于一个很小的波动范围内，此时说明刀具正常或者未磨损在加工过程中具备稳定性，而随着刀具的不断切削，如图7(b)、图8(d)和(e)，T值越来越大，刀具逐渐磨损，刀具处于中度甚至重度磨损状态，此时发现K值的波动范围极大，证明刀具的严重磨损在加工过程中具备极不稳定性，此时若继续用于生产加工，零件的表面质量及其精度无法控制。同时，从整个K值变化图中可以看出，尽管K值的波动范围随着T值的增加而不断增大，但K值的大体趋势是逐渐减少的，这一点说明了刀具处于不断磨损而又逐重的状况。

综上，基于本发明提出的方法对刀具磨损状态信号的高层特征提取完毕并对其进行分析之后发现，该方法无论是从刀具磨损状态的细节性解释上与在正确描述刀具磨损状态的准确性上还是从该方法在应用方面的泛化性与稳定性来说，其所针对的刀具大数据磨损状态识别与监测诊断的研究都具有极大的意义。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于深度学习的数控机床刀具磨损监测方法，其特征在于，包括如下步骤：

(1)采集数控机床主轴电机的三相电流信号，从该三相电流信号中截取与待监测刀具对应的电流信号，对该电流信号进行分段，以将其分成与M个加工工件的加工过程对应的M段电流信号，然后计算每段电流信号的均方根；

2.如权利要求1所述的基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述将规整处理后的各段电流信号输入稀疏自动编码网络进行训练具体包括：

3.如权利要求2所述的基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述编码矢量用h^m表示，并采用下式构建：

h^m＝f_θ(x^m)

4.如权利要求3所述的基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述重构数据用表示，并采用下式构建：

<mrow> <msup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>m</mi> </msup> <mo>=</mo> <msub> <mi>g</mi> <msup> <mi>&theta;</mi> <mo>&prime;</mo> </msup> </msub> <mrow> <mo>(</mo> <msup> <mi>h</mi> <mi>m</mi> </msup> <mo>)</mo> </mrow> </mrow>

式中，g_θ′为解码函数。

5.如权利要求3所述的基于深度学习的数控机床刀具磨损监测方法，其特征在于，所述重构误差用表示，并满足下述条件：

式中，N为向量维数。

6.如权利要求1所述的基于深度学习的数控机床刀具磨损监测方法，其特征在于，采用如下公式计算特征向量间的K值：