CN110488607A - 一种基于卷积残差网络和迁移学习对车刀磨损的识别方法 - Google Patents

Abstract

一种基于卷积残差网络和迁移学习对车刀磨损识别方法，包括以下步骤：(1)将机床上各车刀所对应的电流信号按照等段等量提取出来作为训练样本进行训练；(2)利用卷积神经网络与残差单元模块构成残差网络以解决梯度爆炸问题；(3)利用残差网络构造的模型并进行训练，得到特征并提取最优模型下的网络参数；(4)利用迁移学习继续优化模型，将该模型下的最优网络参数进行保存；(5)将待测电流信号输入步骤(4)得到判别结果。(6)将不同的判定结果输入数据库进行再次模型优化。本发明利用残差网络得到相应参数模型及利用迁移学习使模型优化，能够通过增加网络深度，提高网络性能及使用少量的数据就能够准确判别车刀的使用情况。

Description

一种基于卷积残差网络和迁移学习对车刀磨损的识别方法

技术领域

本发明涉及机械数控领域，具体是一种基于卷积残差网络和迁移学习对车刀磨损的识别方法。

背景技术

数控机床是机械生产与加工重要的工具，其中刀具更是机床中的重要组成部分，一个好的刀具能够提高工件的利用率，精确加工；反之，磨损的刀具在加工过程中容易造成加工工件质量下降或者工件加工失败，更有可能对机床本身造成影响。识别方法可计算机通过检测车刀的主要信号，来判断和预测刀具是否磨损。

经过多年的发展，刀具的磨损识别基本上都有一定的方法，但是在任何的加工条件下去识别车刀的磨损，目前来说还是较为困难。因为，目前存在的方法都有一定的局限性，误报和错报的可能，对磨损的判定未能带来足够的准确。这样使得对车刀的磨损判定不准确，容易造成经济上的浪费。此外，在也存在一定的数据提取困难，数据量不足的情况，对车刀的分析也容易造成一定的困难。

针对现有技术存在的缺陷，本发明提供一种基于残差网络和迁移学习对车刀磨损的识别方法，该方法首先利用深度学习中的残差网络解决了传统机器学习解决深度神经网络梯度消失和梯度爆炸问题，然后利用迁移学习解决了采集的车刀信号样本不足的问题。

发明内容

本发明的目的在于提供一种基于卷积残差网络和迁移学习对车刀磨损的识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于残差网络和迁移学习对车刀磨损的识别方法，包括以下步骤：

(1)将数控机床上未磨损车刀与磨损车刀和损坏车刀所对应的电流信号按照等段等量提取出来作为训练样本进行训练；

(2)利用卷积核与残差模块构成残差卷积网络，以减少深度神经网络梯度消失和梯度爆炸问题；

(3)运用残差卷积网络构造的模型并进行训练，提取最优训练模型下的网络参数；

(4)利用迁移学习继续优化模型，保存最优模型下的网络参数；

(5)将待测数据输入步骤(4)得到的分类模型，得到判别结果；

(6)将不同的判断结果输入数据库进行再次模型优化。

本发明可实现通过对一段车刀电流信号进行分析，并判断车刀的磨损情况，进而得出正常电流信号、磨损车刀电流信号、损坏车刀所对应电流信号以及噪声信号这几种分类情况的其中一种情况。

在所述步骤(1)中，训练数据集来源于现有的数控车刀所对应的电流信号数据，也可以是从以往车刀上进行采集的电流信号作为训练数据集合，但是这些来源的数据需包含正常电流信号，已磨损车刀所对应车刀信号，损坏车刀所对应电流信号和噪声信号这四类信号种类，上述种类信号需要进行标注分类，且将选取的上述信号作为训练集合，并且取等长信号及数量一致。

进一步，上述步骤(4)中，对设计好的网络结构进行重新初始化，并进行特征迁移，将提取到的最优参数赋值给新的迁移网络，包括如下子步骤：

(4-1)选取部分待测数据构建电流信号片段数据集，数据集包含正常电流信号、磨损车刀电流信号、损坏车刀所对应电流信号以及噪声信号这几种数据；

(4-2)将所得到的数据，利用卷积核与残差模块构成残差卷积网络进行训练，得到预测模型，并得到相关的磨损特征；

(4-3)需要重新构造一个与原卷积残差网络相同结构的迁移网络并进行特征迁移，即提取原卷积残差网络最优模型下的参数并赋值给新的迁移网络；

(4-4)利用步骤(4-1)所获得的数据集，对迁移网络的部分卷积残差层继续做优化训练，调整参数；

继续重复步骤(4-4)，进行多次参数优化后，确定最优模型结构。

对迁移网络模型具体描述如下：

对迁移网络中的N1层参数进行数据保留，对迁移网络中的N2层参数进行初始化，对N3及后面的层数进行不断数据优化，确定最佳参数模型。

本发明的有益效果主要表现在：利用深度学习中的卷积残差网络解决了传统机器学习解决深度神经网络梯度消失和梯度爆炸问题，然后利用迁移学习解决了采集的车刀信号样本不足的问题。更加方便，效率更加高，精度更准确；同时，利用残差网络得到相应参数模型及利用迁移学习使模型优化，能够准确的判别车刀的使用情况，提高了模型的泛化能力和鲁棒性。

附图说明

图1为本发明的流程图；

图2为本发明的残差网络原理图；

图3为本发明的残差网络示意图；

图4为本发明的迁移学习流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-4，本发明实施例中，一种基于卷积残差网络和迁移学习对车刀磨损的识别方法，包括以下步骤：

(1)将数控机床上未磨损车刀与磨损车刀和损坏车刀所对应的电流信号按照等段等量提取出来作为训练样本进行训练；

(2)构建卷积神经网络和残差单元并组合成为卷积残差网络；

(3)利用残差卷积网络构造模型并进行训练，提取最优训练模型下的网络参数；

(4)迁移学习继续优化模型，保存最优模型下的网络参数；

(5)将被测车刀中所带有的电流数据输入步骤(4)中的模型，确定判断结果；

(6)将不同的判断结果输入在先实验所得的结果数据中进行再次优化，优化得到的最终判断结果传入结果数据库中。

参照图1-4，本方法可实现针对车刀所对应的一段电流信号进行分析，并判断车刀是否具有正常电流信号或者是已磨损车刀所对应车刀信号，损坏车刀所对应电流信号和噪声信号特征。

所述步骤(1)中，训练数据集可来源于现有的数控车刀所对应的电流信号数据，也可以是从以往的车刀上进行采集的电流信号作为训练数据集合，但是这些来源的数据需要包含正常电流信号，已磨损车刀所对应车刀信号，损坏车刀所对应电流信号和噪声信号这四类信号种类，上述种类信号需要进行标注分类，且将选取的上述信号作为训练集合，并且取等长信号。

所述步骤(2)构建的残差网络包含1个非残差模块和16个残差模块，其具体结构如下：

非残差模块1结构：

1)第一层：一维卷积层，卷积核尺寸为N，滤波器个数为M，步长为S；

2)第二层：非线性ReLU激活函数层；

3)第三层：批标准化层。

残差模块1结构：

1)第一层：一维卷积层，卷积核尺寸为N，滤波器个数为M，步长为S；

2)第二层：标准化层；

3)第三层：非线性ReLU激活函数层；

4)第四层：随机丢弃层，丢弃概率为P；

5)第五层：一维卷积层，卷积核尺寸为N，滤波器个数为M，步长为S；

6)第六层：池化层，池化尺寸为2，步长为2；

7)残差层：池化层，池化尺寸为2，步长为2，残差层的输入来自上一模块的最后一层，输出与本模块的最后一层进行线性叠加构成残差模块。

残差模块2结构：

1)第一层：批标准化层；

2)第二层：非线性ReLU激活函数层；

3)第三层：随机丢弃层，丢弃概率为P；

4)第四层：一维卷积层，卷积核尺寸为N，滤波器个数为M，步长为S；

5)第五层：批标准化层；

6)第六层：非线性ReLU激活函数层；

7)第七层：随机丢弃层，丢弃概率为P；

8)第八层：一维卷积层，卷积核尺寸为N，滤波器个数为M，步长为S；

9)残差层：大池化层，池化尺寸为2，步长为2，残差层的输入来自上一模块的最后一层，输出与本模块的最后一层进行线性叠加构成残差模块。

残差模块3结构：

1)第一层：标准化层；

2)第二层：非线性ReLU激活函数层；

3)第三层：随机丢弃层，丢弃概率为P；

4)第四层：一维卷积层，卷积核尺寸为N，滤波器个数为M，步长为S；

5)第五层：标准化层；

6)第六层：非线性ReLU激活函数层；

7)第七层：随机丢弃层，丢弃概率为P；

8)第八层：一维卷积层，卷积核尺寸为N，滤波器个数为M，步长为S；

9)第九层：最大池化层，池化尺寸为2，步长为2；

10)残差层：最大池化层，池化尺寸为2，步长为2，残差层的输入来自上一模块的最后一层，输出与本模块的最后一层进行线性叠加构成残差模块。

残差模块4和模块2相同。

残差模块5和模块3相同。

残差模块6的卷积层结构和模块2相同，第八层卷积滤波器个数为2M。残差模块6的

残差层为一维卷基层，卷积核尺寸为N，滤波器个数为2M，步长为S。

残差模块7结构和模块3相同，第四层和第八层的卷积滤波器个数为2M。

残差模块8结构和模块2相同，第四层和第八层的卷积滤波器个数为2M。

卷积模块9和模块7相同。

卷积模块10结构和模块6结构相同，第四层卷积滤波器个数为2M，第八层卷积滤波器个数为3M，残差层卷积滤波器个数为3M。

卷积模块11结构和模块3相同，第四层和第八层的卷积滤波器个数为3M。

卷积模块12结构和模块2相同，第四层和第八层的卷积滤波器个数为3M。

卷积模块13结构和模块11相同。

卷积模块14结构和模块6结构相同，第四层卷积滤波器个数为3M，第八层卷积滤波器个数为4M，残差层卷积滤波器个数为4M。

卷积模块15结构和模块3相同，第四层和第八层的卷积滤波器个数为4M。

卷积模块16结构和模块2相同，第四层和第八层的卷积滤波器个数为4M。

所述步骤(4)中，重新初始化相同结构的网络，并进行特征迁移，将提取到的最优参数赋值给新的迁移网络，包括如下子步骤：

(4-1)选取部分待测数据电流信号片段数据集，数据集包含正常信号、正常电流信号、非正常电流信号、噪声信号这几类标签；

(4-2)一种基于卷积残差网络和迁移学习对车刀磨损的识别方法，其特征在于，需要对上述结构进行初始化，并将步骤(3)所获得的特征进行迁移，将获取到的最优参数赋值给新的迁移网络；

(4-3)利用步骤(4-1)所获得的数据集，对迁移网络的部分残差层进行优化训练，调整参数，保存最优模型结构。

利用步骤所获得的电流信号数据集，对迁移网络的部分卷积残差层继续做优化训练，调整参数，保存最优模型结构。

对残差网络描述如下

定义残差网络公式：

y＝F(x,{Wi})+x.

其中x和y分别表示层的输入和输出，函数F(x,{Wi})代表着学到的残差映射。

将式子进行变形：

y＝F(x,{Wi})+WsX.

其中Ws用来解决维度不匹配的问题。残差函数F的形势是灵活可变的。其中，残差模块由残差函数与相对应输入的恒等映射。通过ReLU激活函数形成。“残差网络”则由多个残差模块堆叠而成。

对迁移网络模型具体描述如下：

对迁移网络中的N1层参数进行数据保留，对迁移网络中的N2层参数进行初始化，对N3及后面的层数进行不断数据优化，确定最佳参数模型；

对N2层：需构造和残差网络结构类似的网络结构，且需对模型进行特征迁移，即提取原残差网络最优模型下的参数并赋值给新的迁移网络，特征信号包括为：正常电流信号、其他非正常电流信号、噪声信号。

对N2+n层：需构造和原卷积残差网络结构相同，且需对模型进行特征迁移，即提取原残差网络最优模型下的参数并赋值给新的迁移网络，特征信号包括为：具有已磨损车刀所对应车刀信号，损坏车刀所对应电流信号和无法识别的电流信号。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于残差网络和迁移学习对车刀磨损的识别方法，其特征在于，包括以下步骤：

(1)将数控机床上未磨损车刀与磨损车刀和损坏车刀所对应的电流信号按照等段等量提取出来作为训练样本进行训练；

(2)利用卷积神经网络与残差单元结合构成残差神经网络；

(3)利用残差网络构造的模型并进行训练，得到特征并提取最优模型下的网络参数；

(4)利用迁移学习继续优化模型，确定最优模型下的网络参数；

(5)将被测车刀中所带有的电流数据输入步骤(4)中的模型，确定判断结果；

(6)将不同的判断结果输入在先实验所得的结果数据中进行再次优化，优化得到的最终判断结果传入结果数据库中。

2.如权利要求1所述的一种基于卷积残差网络和迁移学习对车刀磨损的识别方法，其特征在于，所述步骤(1)中，收集的训练数据集来源于已使用数控机床主轴电机的电流信号。

3.如权利要求1或2所述的一种基于残差网络和迁移学习对车刀磨损的识别方法，其特征在于，所述步骤(4)中，需将系统进行初始化，重新构建结构相同的网络结构并将步骤(3)所获得的特征进行迁移，将获取到的最优参数赋值给新的迁移网络，包括如下子步骤：

(4-1)将收集的数据集分为两部分；一部分为待测数据，一部分为测试数据，其中数据集包含正常电流信号、非正常电流信号、噪声信号这几类标签；

(4-2)利用步骤(4-1)所获得的数据集，对迁移网络的部分残差层进行优化训练，调整参数，保存最优模型结构。

4.如权利要求1所述的一种基于卷积残差网络和迁移学习对车刀磨损的识别方法，其特征在于，所述步骤(6)的中对迁移模型所得到的判断结果进行分类：对判断的损坏或磨损的车刀进行报警处理，对判断车刀情况的数据放入步骤(4)对模型进行再次优化。