CN110576336A - 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 - Google Patents

Abstract

本发明提供基于SSAE‑LSTM模型的深孔加工刀具磨损量监测方法，属于刀具磨损状态监测技术领域。先在深孔加工机床的两个刀杆保持架轴瓦外部分别安装两个三向加速度传感器，在深孔工件加工入口处安装传声器，采集加工过程中的刀杆振动和切削声音数据；然后利用采集到的数据对堆叠自编码器进行贪婪逐层训练，用训练好的堆叠自编码器对数据进行特征选择，得到精简后的数据；再用精简后的数据对长短时记忆网络进行训练，如果训练预测误差低于设定的δ值，则模型可用于刀具磨损量预测；在实时监测时，将实时的振动和声音数据输入训练好的堆叠自编码器和长短时记忆网络中，网络输出刀具的磨损量。该方法可实现深孔加工过程中刀具磨损量的监测。

Description

基于SSAE-LSTM模型的深孔加工刀具磨损量监测方法

技术领域

本发明属于刀具磨损状态监测技术领域，具体为一种基于SSAE-LSTM模型的深孔加工刀具磨损量监测方法。

背景技术

在加工大深径比的孔类零件时，如钻削、镗削、扩孔等，切削区域一般出于深孔内部，深孔内部充斥着大量的切削液和切屑，且刀具的位置一直在运动，所以机床操作者，无法用肉眼去确定深孔加工刀具的磨损状态。机床操作者只能依靠个人经验，通过观察流出的切屑、触摸刀杆感知其振动，来确定深孔内部刀具的切削状态，无法准确的判断刀具的磨损状态。当刀具磨损量超出可用范围时，如果不能及时做出判断并采取相应措施，可能会导致零件的报废。

在专利“基于残差卷积神经网络的刀具磨损量的建模和监测方法”(申请号：CN201810977274.4)中利用切削力、振动以及声发射信号训练残差卷积网络建立刀具磨损量的模型，以刀具磨损量作为输出，根据监督式学习的方法建立从信号到磨损量的模型，解决了刀具磨损量预测的问题。在专利“一种基于深度学习的数控机床断刀检测系统及方法”，申请号：CN201910228970.X中利用图像数据采集模块拍摄切削加工过程中刀具切削工件的视频，利用图像数据预处理模块提取视频中的图像，并对提取的图像进行定位、裁剪和归一化处理，利用集成有断刀判别器的边缘计算模块接收处理后的图像，并利用预先训练的卷积神经网络前向推理得到断刀判别结果。但是由于深孔加工，切削区域位于深孔内部，所以切削力信号和刀具图像数据难以获取，无法实现深孔刀具磨损量的监测。

通过分析上述专利可知，上述刀具监测方法难以在深孔加工中使用。本发明针对深孔加工中刀具磨损量难以监测的问题，提出了一种对深孔加工刀具进行磨损量监测的方法。

发明内容

本发明的目的为提供一种有效的深孔加工刀具磨损量监测方法，解决深孔加工刀具磨损量难以监测的问题。

为解决上述问题，本发明的技术方案为：首先，在深孔加工机床的两个刀杆保持架轴瓦外部分别安装两个三向加速度传感器，在深孔工件加工入口处安装一个传声器，采集加工过程中的刀杆振动和切削声音数据；然后利用采集到的数据对堆叠稀疏自编码器(SSAE)网络进行贪婪逐层训练，用训练好的SSAE网络对数据进行特征选择，得到精简后的数据；再用精简后的数据对长短时记忆(LSTM)网络进行训练，如果训练预测误差低于设定的δ值，则该LSTM网络可用于刀具磨损量预测；在实时监测时，将训练好的SSAE网络和LSTM网络组合成SSAE-LSTM模型，将实时的振动和声音数据输入SSAE-LSTM模型中，模型输出刀具的磨损量。

本方法的具体步骤如下：

1.一种基于SSAE-LSTM模型的深孔加工刀具磨损量监测方法，其特征在于，步骤如下：

第一步，深孔加工过程中的振动和声音信息采集

将加速度传感器通过磁座吸附在刀杆保持架的轴瓦外部，将传声器放置于深孔工件加工入口处，对加工过程中的刀杆振动以及切削噪声进行采集；

第二步，SSAE模型的构建和训练

将采集到的振动和声音数据拆分成样本数据；设拆分后的某一个训练样本数据为x＝[x₁,x₂,…,x_i]，则稀疏自动编码器SAE的输入输出关系表示为：

式中，f(·)表示神经元的激活函数，表示输入层与隐含层的权重，表示隐含层与输出层的权重，示隐含层各神经元的偏置，表示输出层各神经元的偏置；

将SAE的损失函数定义为重构后的数据与原始数据的均方误差L：

式中，是SAE器的输出数据；β是稀疏惩罚项参数，作用是稀疏惩罚项在损失函数当中所占的比重；ρ是稀疏性参数；是隐含层第g个神经元的激活度；通过误差反向传播和梯度下降法调整SAE各层参数，使损失函数值达到最小；

将多个SAE组成堆叠自编码器网络SSAE，采用贪婪逐层训练法训练SSAE网络，其过程为：首先利用样本数据来训练网络的第1层，该层将样本数据转换为由隐含层输出值组成的特征向量A；然后把A作为第2层的的输入，训练得到第2层的特征向量B；以此类推至各层训练完毕；训练完成后，将所有样本数据输入SSAE网络，得到特征向量；

第三步，深度LSTM网络的构建和训练

设长短时记忆LSTM网络的记忆单元在每一个时间步长t更新一次，则其输入门的值i_t和记忆单元候选状态值分别为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

则其t时刻遗忘门的值f_t为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

由输入门、遗忘门和记忆单元候选状态的值计算出记忆单元t时刻当前值C_t：

最后可得记忆单元输出值h_t为：

h_t＝σ(W_o[h_t-1,x_t]+b_o)*tanh(C_t)

式中，x_t为t时刻记忆单元的输入；W为模型的权重参数；b为模型的偏差向量；σ和tanh为Sigmoid激活函数和Tanh激活函数；将多层LSTM网络堆叠起来，构成深度LSTM网络；

将特征向量分成训练集特征向量和测试集特征向量；以训练集特征向量作为深度LSTM网络的输入数据，对深度LSTM网络进行训练，输出深孔加工刀具的磨损量；然后再用测试集特征向量对深度LSTM网络进行测试。如果预测平均误差低于设定的δ值，则测试合格，模型用于磨损量监测；反之，则测试不合格，回到第二步重新对网络进行训练；

第四步，深孔加工刀具磨损量的实时监测

将训练好的SSAE网络和深度LSTM网络进行连接生成SSAE-LSTM模型；在实际加工过程中，将实时数据输入至SSAE-LSTM模型中，输出刀具磨损量。

本发明的有益效果：通过该方法，降低对机床操作工经验的依赖，提高加工效率，降低废品率。相较于切削力监测法和图像监测法，硬件成本相对较低。通过SSAE网络对原始数据进行自适应的特征选择，去除冗余数据，提高预测模型的泛化能力，加快预测速度和准确度。

附图说明

图1为深孔加工刀具磨损量监测流程图。

图2为深孔加工机床传感器布置示意图。

图3为深孔加工刀具磨损量监测模型

图4为刀具磨损量预测图。

图中：1-工件；2-机床齿轮箱；3-传声器；4-床身；5-#1三向加速度传感器；6-刀杆；7-#2三向加速度传感器。

具体实施方式

为了使本发明的技术方案和有益效果更加清晰明了，下面结合深孔加工刀具磨损量监测的具体实施方式并参照附图，对本发明作详细说明。本实施例是以本发明的技术方案为前提进行的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

以一台卧式深孔镗床加工深孔为例，详细说明本发明的实施方式。

第一步，深孔加工过程中的振动和声音信息采集

将传声器3固定在工件右端，对准工件内孔。#1三向加速度传感器5和#2三向加速度传感器7用磁座吸附到刀杆保持架轴瓦侧面，安装方式如图2所示。设置采样频率5000Hz，采集加工过程中的振动和声信号。

第二步，SSAE网络的构建和训练

将采集到的数据拆分成5000个训练样本和1000个测试样本，每个样本包含7000个数据。

堆叠3个SAE构建SSAE网络。第一个SAE输入层和输出层神经元个数均为7000，隐层神经元个数为4000。第二个SAE输入输出层神经元个数均为4000，隐层神经元个数为2000。第三个SAE输入输出层神经元个数为2000，隐层神经元个数为700。采用贪婪训练法，用训练样本对SSAE网络逐层进行训练。使用测试样本对SSAE网络进行测试。测试合格后，将所有样本输入SSAE网络，经过特征提取后，得到精简后的训练集特征向量5000个和测试集特征向量1000个。

第三步，深度LSTM网络的构建与训练

构建深度LSTM网络，其输入层神经元个数为700，两个隐层神经元个数分别为200和100，输出层神经元个数为1。取训练集特征向量作为深度LSTM网络的输入数据，对深度LSTM网络进行训练，输出刀具的磨损量。采用测试集特征向量对训练好的深度LSTM网络进行测试，得到测试平均误差为0.0121mm，低于设定最大平均误差δ＝0.025mm，模型测试合格。

第四步，深孔加工刀具磨损量的实时监测

将训练好的SSAE网络和深度LSTM网络进行连接生成SSAE-LSTM模型，如图3所示。把实时振动和声音数据输入至模型中，对深孔加工过程中的刀具磨损量进行监测。监测结果如图3所示，预测平均误差为0.0142mm，预测效果良好。

Claims (1)

1.一种基于SSAE-LSTM模型的深孔加工刀具磨损量监测方法，其特征在于，步骤如下：

第一步，深孔加工过程中的振动和声音信息采集

将加速度传感器通过磁座吸附在刀杆保持架的轴瓦外部，将传声器放置于深孔工件加工入口处，对加工过程中的刀杆振动以及切削噪声进行采集；

第二步，SSAE模型的构建和训练

将采集到的振动和声音数据拆分成样本数据；设拆分后的某一个训练样本数据为x＝[x₁,x₂,…,x_i]，则稀疏自动编码器SAE的输入输出关系表示为：

式中，f(·)表示神经元的激活函数，表示输入层与隐含层的权重，表示隐含层与输出层的权重，示隐含层各神经元的偏置，表示输出层各神经元的偏置；

将SAE的损失函数定义为重构后的数据与原始数据的均方误差L：

式中，是SAE器的输出数据；β是稀疏惩罚项参数，作用是稀疏惩罚项在损失函数当中所占的比重；ρ是稀疏性参数；是隐含层第g个神经元的激活度；通过误差反向传播和梯度下降法调整SAE各层参数，使损失函数值达到最小；

将多个SAE组成堆叠自编码器网络SSAE，采用贪婪逐层训练法训练SSAE网络，其过程为：首先利用样本数据来训练网络的第1层，该层将样本数据转换为由隐含层输出值组成的特征向量A；然后把A作为第2层的的输入，训练得到第2层的特征向量B；以此类推至各层训练完毕；训练完成后，将所有样本数据输入SSAE网络，得到特征向量；

第三步，深度LSTM网络的构建和训练

设长短时记忆LSTM网络的记忆单元在每一个时间步长t更新一次，则其输入门的值i_t和记忆单元候选状态值分别为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

则其t时刻遗忘门的值f_t为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

由输入门、遗忘门和记忆单元候选状态的值计算出记忆单元t时刻当前值C_t：

最后可得记忆单元输出值h_t为：

h_t＝σ(W_o[h_t-1,x_t]+b_o)*tanh(C_t)

式中，x_t为t时刻记忆单元的输入；W为模型的权重参数；b为模型的偏差向量；σ和tanh为Sigmoid激活函数和Tanh激活函数；将多层LSTM网络堆叠起来，构成深度LSTM网络；

将特征向量分成训练集特征向量和测试集特征向量；以训练集特征向量作为深度LSTM网络的输入数据，对深度LSTM网络进行训练，输出深孔加工刀具的磨损量；然后再用测试集特征向量对深度LSTM网络进行测试；如果预测平均误差低于设定的δ值，则测试合格，模型用于磨损量监测；反之，则测试不合格，回到第二步重新对网络进行训练；

第四步，深孔加工刀具磨损量的实时监测

将训练好的SSAE网络和深度LSTM网络进行连接生成SSAE-LSTM模型；

在实际加工过程中，将实时数据输入至SSAE-LSTM模型中，输出刀具磨损量。