CN111136509A - 一种基于elm-sdae算法的刀具状态监测方法 - Google Patents

Abstract

本发明属于刀具状态监测技术领域，提供了一种基于ELM‑SDAE算法的刀具状态监测方法，先通过三向加速度传感器采集加工过程中的振动信号；再采用线性插值的方法对缺失值进行插补，采用朴素随机欠采样和添加白噪声的方法，对数据进行平衡处理，将振动信号进行矢量叠加获取主振动方向的有效值；接着构建ELM‑SDAE网络，采用贪婪逐层方法对网络模型进行训练；最后将实际加工过程中的实时振动经数据预处理后输入ELM‑SDAE网络中，网络输出刀具的当前状态，实现刀具状态的实时监测。本方法减少人工和专家经验的参与，避免训练过程可能陷入局部最优、学习率慢等能导致模型训练失败和泛化能力不足的情况，大幅度缩减网络的训练时间。

Description

一种基于ELM-SDAE算法的刀具状态监测方法

技术领域

本发明属于刀具状态监测技术领域，具体为一种基于极限学习机的堆叠去噪自编码器(Extreme Learning Machine-Stacked Denoising Autoencoders,ELM-SDAE)算法的刀具状态监测方法。

背景技术

在机械加工领域，刀具状态直接影响被加工零件的加工精度和表面质量。在常规切削加工中，一般由有经验的加工人员根据加工噪声、切屑颜色、切削振动以及刀具的切削时间来估计磨损情况。但由于工人经验的局限性，无法精确判断刀具是否磨损，可能发生磨损刀具仍在继续加工的情况，降低了加工质量；也可能发生尚未磨损的刀具被提前换掉的情况，造成浪费，提高了生产成本。因此，如何准确、高效地实现对刀具状态的在线监测已经成为机械加工领域的关键问题之一。

目前，国内外学者在刀具状态监测方面进行了一定的研究。在专利“Method andapparatus for efficient use of CNC machine shaping tool including cessationof use no later than the onset of tool deterioration by monitoring audiblesound during shaping”(WO/2017/192821)中，通过将采集的声信号进行降噪处理后，进行特征提取和数据平衡，并将主成分向量与标记的状态数据进行比较，从而判断当前刀具所处状态。在专利“基于小波包分析与RBF神经网络的刀具磨损在线监测方法”(CN108356606A)中，采集数控机床铣削加工时的切削力信号并测量加工后刀具的后刀面磨损量，通过小波包分析和滤波处理获取刀具磨损特征值后，利用RBF神经网络实现刀具后刀面磨损量的预测。

综上所述，目前在刀具状态监测方面的研究仍然很少且存在一些问题，如：(1)多依赖人工经验提取数据特征，使得数据处理过程繁琐化。(2)网络的训练过程耗时长且可能出现陷入局部最优、学习率慢等导致模型训练失败和泛化能力不足的情况。本发明针对传统神经网络监测刀具状态存在的问题，提出一种基于ELM-SDAE算法的刀具状态监测方法。

发明内容

本发明的目的为提供一种基于ELM-SDAE算法的刀具状态监测方法，解决现有监测方法依赖人工经验提取信号特征、训练过程耗时长且容易陷入局部最优的难题，实现了刀具状态的实时监测。

为解决上述技术问题，本发明的技术方案为：首先，通过三向加速度传感器采集加工过程中的振动信号；然后，采用线性插值的方法对缺失值进行插补，采用朴素随机欠采样和添加白噪声的方法，对数据进行平衡处理，将振动信号进行矢量叠加获取主振动方向的有效值；接着，构建ELM-SDAE网络，采用贪婪逐层方法对网络模型进行训练；最后，将实际加工过程中的实时振动经数据预处理后输入ELM-SDAE网络中，网络输出刀具的当前状态，从而实现刀具状态的实时监测。

一种基于ELM-SDAE算法的刀具状态监测方法，具体步骤如下：

第一步，加工过程中的振动信息采集

采用三向加速度传感器采集数控机床加工过程中的振动信号，从该三向振动信号中截取与待监测刀具对应的振动信号，并将其分成与K个加工工件的加工过程对应的K段振动信号。

第二步，采集数据的预处理

首先，考虑到信号采集过程中出现的数据异常情况，对振动信号进行数据清洗。采用线性插值方法对缺失值进行插补计算。

假设已知两点坐标(x₀,y₀)和(x₁,y₁)，区间[x₀,x₁]内某一位置的纵坐标y通过式(1)线性插值后计算得到。

其次，针对实际加工过程中，刀具多处于正常状态的情况，采用朴素随机欠采样降低正常状态刀具数据量，采用添加高斯白噪声的方式对磨钝或断刀状态数据进行数据增强。然后，对采集的加工过程振动信号进行规整处理，使各段振动信号长度一致。最后，将三个方向的振动信号V_x、V_y、V_z进行矢量叠加，获取主振动方向的有效值V。

第三步，ELM-SDAE网络的构建和训练

在特征提取阶段，假设样本个数为N，第一个ELM-DAE网络的输入层和输出层节点数均为

隐含层节点数为

首先，将振动信号V按照一定比例置为0或其他值，从而获得“破坏”后的振动信号

并将网络的期望输出替换成振动信号V；然后，为增强自编码器网络的泛化性能，随机生成正交化的隐含层参数。去噪自编码器网络输入与输出的关系由式(2)表示。

其中，

为隐含层的输出矩阵，

为隐含层节点的输出权值向量，W₁为特征提取阶段隐含层节点的输入权值向量，b₁为特征提取阶段节点的偏置向量，g(·)为网络的激活函数。

为了提高网络的泛化能力，在损失函数中添加正则项，如式(3)所示。

其中，C₁为特征提取阶段网络的正则化系数，影响特征提取阶段网络的泛化性能。

隐含层和输出层之间的连接权重β₁可根据式(4)进行计算：

对于由k个ELM-DAE网络堆叠而成的神经网络，第k个网络的输出即从振动信号中提取的特征可以通过式(5)进行计算：

其中，当k为1时，

在堆叠后的ELM-SAE网络中，如果第k层神经元的个数与第k-1层神经元个数相同，则激活函数采用线性函数，否则采用非线性激活函数。

在分类阶段，假设训练集样本个数为M，ELM网络的输入层神经元节点数为L₂，输出层神经元节点数即刀具状态类别为L₃，隐含层节点数为N₂，网络的期望输出为Y∈

随机生成正交化隐含层参数后，隐含层的输出权值可由公式(7)计算。

其中，W₂为分类阶段隐含层的输入权值向量，b₂为分类阶段节点的偏置向量，C₂为分类阶段正则化系数，影响分类阶段网络的分类性能。

第四步，刀具状态的实时监测

在实际加工过程中，将实时数据经数据预处理后输入至训练后的ELM-SDAE网络模型中，模型输出刀具的实时状态。当刀具状态正常时，模型输出为0；当刀具状态为断刀时，模型输出为1；当刀具状态为磨钝时，模型输出为2。

本发明的有益效果：通过该方法，实现了刀具状态的实时监测，避免了特征工程专家的参与，缩短了网络的训练时间，降低了对机床操作工人经验的依赖，有利于提高加工效率，降低生产成本。

本发明与现有技术相比，其优点在于：

(1)与反馈神经网络相比，极限学习机算法可以避免训练过程可能陷入局部最优、学习率慢等能够导致模型训练失败和泛化能力不足的情况。

(2)与传统堆叠去噪自编码器相比，ELM-SDAE算法摒弃了传统的迭代误差调整策略，改成随机设置隐层权重与偏置，并求解输出层权重矩阵，计算时间得到了大幅缩减。

(3)通过基于极限学习机的堆叠去噪自编码器网络自动提取信号的深层次特征，减少了人工和专家经验的参与，避免由于引入人为因素所造成的干扰，省时省力。

附图说明

图1为基于ELM_SDAE算法的刀具状态监测流程图。

图2为深孔镗床传感器布置示意图。

图3(a)为断刀状态三向加速度传感器Y向振动时域图；(b)为磨钝状态三向加速度传感器Y向振动时域图；(c)为正常状态三向加速度传感器Y向振动时域图。

图4(a)为退化前的合成振动数据；(b)为退化后的合成振动数据。

图5为ELM-SDAE网络原理图。

图6为网络的预测结果图。

图中：1工件保持架；2工件；3电机；4机床齿轮箱；5床身；6-1#三向加速度传感器；7-2#三向加速度传感器；8刀杆；9刀杆保持架。

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，下面结合深孔镗刀状态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，深孔镗削过程中的振动信号采集

通过磁性吸座将#1三向加速度传感器6和#2三向加速度传感器7吸附在深孔镗床刀杆保持架轴瓦侧面。数据采集软件的采样频率设置为1000Hz，采集加工过程中的振动。根据加工过程中刀具状态的变化将振动信号划分成6469段振动信号，其中正常状态数据6360段，断刀状态数据87段，磨钝状态数据22段。

第二步，采集数据的预处理

首先，利用线性插值方法对原始数据进行缺失值插补，其次，对正常状态的刀具数据进行朴素随机欠采样，获得400段振动信号数据，对磨钝状态数据进行加噪，添加三种不同强度的高斯白噪声，从而获得共88段振动信号数据，然后，对采集的加工过程振动信号进行规整处理，使各段振动信号长度为1000采样点。最后，两个三向加速度传感器采集的三个方向的振动信号V_x、V_y、V_z进行矢量叠加，获取主振动方向的有效值。

第三步，ELM-SDAE网络的构建和训练

堆叠由四个基于ELM算法的去噪自编码器和一个ELM分类器组成的ELM-SDAE网络。其中，四个去噪自编码器的退化率为0.1，正则化系数C₁为1000，正则化系数C₂为1e7，激活函数为双曲正切函数，第一个去噪自编码器输入层和输出层神经元个数均为2000，隐层神经元个数为1200。第二个去噪自编码器输入层和输出层神经元个数均为1200，隐层神经元个数为400。第三个去噪自编码器输入层和输出层神经元个数均为400，隐层神经元个数为150。第四个去噪自编码器输入层和输出层神经元个数均为150，隐层神经元个数为50。将数据按照4:1的比例划分训练集和测试集，其中训练集样本数为452，测试集样本数为123。基于贪婪学习的方法，使用未被利用的5960个正常状态数据对自编码器进行训练，将训练集数据输入训练后的堆叠去噪自编码器获得深层次特征，并对网络分类器进行训练，输出刀具的三种状态。再用测试集数据对网络进行测试，测试准确率达93.5％，模型可以用于刀具状态的监测。

第四步，深孔镗刀状态的实时监测

将实际加工过程采集的实时振动经数据预处理后输入至ELM-SDAE网络中，对镗削加工过程中的刀具状态进行监测。

应该说明的是，本发明的上述具体实施方式仅用于示例性阐述本发明的原理和流程，不构成对本发明的限制。因此，在不偏离本发明精神和范围的情况下所做的任何修改和等同替换，均应包含在本发明的保护范围内。

Claims (1)

1.一种基于ELM-SDAE算法的刀具状态监测方法，其特征在于：首先，通过三向加速度传感器采集加工过程中的振动信号；然后，采用线性插值的方法对缺失值进行插补，采用朴素随机欠采样和添加白噪声的方法，对数据进行平衡处理，将振动信号进行矢量叠加获取主振动方向的有效值；接着，构建ELM-SDAE网络，采用贪婪逐层方法对网络模型进行训练；最后，将实际加工过程中的实时振动经数据预处理后输入ELM-SDAE网络中，网络输出刀具的当前状态，从而实现刀具状态的实时监测；具体步骤如下：

第一步，加工过程中的振动信息采集

采用三向加速度传感器采集数控机床加工过程中的振动信号，从该三向振动信号中截取与待监测刀具对应的振动信号，并将其分成与K个加工工件的加工过程对应的K段振动信号；

第二步，采集数据的预处理

首先，考虑到信号采集过程中出现的数据异常情况，对振动信号进行数据清洗；采用线性插值方法对缺失值进行插补计算；

假设已知两点坐标(x₀,y₀)和(x₁,y₁)，区间[x₀,x₁]内某一位置的纵坐标y通过式(1)线性插值后计算得到：

其次，针对实际加工过程中，刀具多处于正常状态的情况，采用朴素随机欠采样降低正常状态刀具数据量，采用添加高斯白噪声的方式对磨钝或断刀状态数据进行数据增强；然后，对采集的加工过程振动信号进行规整处理，使各段振动信号长度一致；最后，将三个方向的振动信号V_x、V_y、V_z进行矢量叠加，获取主振动方向的有效值V；

第三步，ELM-SDAE网络的构建和训练

在特征提取阶段，假设样本个数为N，第一个ELM-DAE网络的输入层和输出层节点数均为

隐含层节点数为

首先，将振动信号V按照比例置为0或其他值，从而获得“破坏”后的振动信号

并将网络的期望输出替换成振动信号V；然后，为增强自编码器网络的泛化性能，随机生成正交化的隐含层参数；去噪自编码器网络输入与输出的关系由式(2)表示：

其中，

为隐含层的输出矩阵，

为隐含层节点的输出权值向量，W₁为特征提取阶段隐含层节点的输入权值向量，b₁为特征提取阶段节点的偏置向量，g(·)为网络的激活函数；

为了提高网络的泛化能力，在损失函数中添加正则项，如式(3)所示：

其中，C₁为特征提取阶段网络的正则化系数，影响特征提取阶段网络的泛化性能；

隐含层和输出层之间的连接权重β₁根据式(4)进行计算：

对于由k个ELM-DAE网络堆叠而成的神经网络，第k个网络的输出即从振动信号中提取的特征通过式(5)进行计算：

其中，当k为1时，

在堆叠后的ELM-SAE网络中，如果第k层神经元的个数与第k-1层神经元个数相同，则激活函数采用线性函数，否则采用非线性激活函数；

在分类阶段，假设训练集样本个数为M，ELM网络的输入层神经元节点数为L₂，输出层神经元节点数即刀具状态类别为L₃，隐含层节点数为N₂，网络的期望输出为

随机生成正交化隐含层参数后，隐含层的输出权值由公式(7)计算：

其中，W₂为分类阶段隐含层的输入权值向量，b₂为分类阶段节点的偏置向量，C₂为分类阶段正则化系数，影响分类阶段网络的分类性能；

第四步，刀具状态的实时监测

在实际加工过程中，将实时数据经数据预处理后输入至训练后的ELM-SDAE网络模型中，模型输出刀具的实时状态；当刀具状态正常时，模型输出为0；当刀具状态为断刀时，模型输出为1；当刀具状态为磨钝时，模型输出为2。

Images