CN111366123A - 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 - Google Patents

Abstract

本发明属于机械加工技术领域，提供了一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法。首先，采集加工过程中的振动信号；下一步，测量零件表面粗糙度和刀具磨损情况，并将测得结果与振动信号分别对应；其次，进行样本扩充，提取特征并归一化处理；然后，构建基于深度置信网络的多任务预测模型，并将零件表面粗糙度和刀具磨损情况作为模型输出，提取特征作为输入，建立多任务DBN网络预测模型；最后，进行试验验证，振动信号输入多任务预测模型中，预测表面粗糙度以及刀具磨损状况。该方法的最大优点：一次建模实现零件表面粗糙度和刀具磨损的在线预测，充分利用了监测数据包含的隐藏信息，减少了工作量以及模型建立的成本。

Description

一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法

技术领域

本发明属于机械加工技术领域，涉及一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法。

背景技术

表面质量是决定机械加工性能的重要因素，优质的零件表面可显著提高零件的疲劳强度、耐腐蚀性和蠕变寿命。在零件加工中，表面粗糙度是加工表面质量的主要指标之一。表面粗糙度会影响零件的功能属性，如接触引起的表面摩擦和磨损等。刀具磨损是金属切削加工中存在的一种正常现象。加工使刀具刃口钝化，增加刀具与工件之间的摩擦，同时也增加功率的消耗，若不能及时判断刀具磨损状态，会降低工件的尺寸精度，增大表面粗糙度，甚至会使工件完全损坏。在大批量零件加工中，刀具磨损会恶化零件表面粗糙度，零件表面粗糙度变化会表征刀具磨损情况。因此，实现零件表面粗糙度和刀具磨损的精准预测能显著提高零件的加工质量和加工效率。

目前学者在零件表面粗糙度和刀具磨损预测方面进行了大量的研究。在专利《一种基于GA-ELM算法的模具钢铣削表面粗糙度预测系统》(申请号：CN201810329036.2)中，利用GA-ELM算法建立预测模型，并进行表面粗糙度预测；在专利《Machined surface qualityevaluation device》(专利号：US20180307198A1)中，机械加工表面质量评估装置包括机器学习装置，该机器学习装置将对工件的加工表面质量的检查结果作为状态变量进行观察，获取表示观察者对工件的加工表面质量的评价结果的标签数据，并学习该状态变量和标签数据的相互关联方式，实现表面质量的评估；在专利《Manufacturing efficiencyoptimization platform and tool condition monitoring and prediction method》(专利号：US 20160349737 A1)中，利用传感器数据持续监测和分析设备状态并预测功耗趋势，当功率增加以及振动增加到预定水平时，表明刀具已磨损至需更换的程度；在专利《基于改进的BP神经网络的刀具磨损预测方法》(申请号：CN201811122597.1)中，通过聚类算法对刀具数据进行分类筛选，对数据进行归一化处理，建立BP神经网络模型，并利用建立好的神经网络预测刀具磨损状态；在专利《一种基于振动频谱和神经网络的刀具磨损测量方法》(申请号：CN201810685382.4)中，采用振动传感器采集切削过程中的振动信号，并对振动信号进行傅立叶变换，将频谱集中区域的振动幅值输入到神经网络中进行训练，建立起振动频谱和刀具磨损量之间的映射关系，预测刀具磨损。上述预测方法只依赖历史进程数据，采集加工过程中的动态信号并提取识别信号特征，不需要先验物理知识，对人员要求较低，精度、实时性和适应范围较好。

然而，目前预测方法存在一些问题，如：(1)有一些采用传统的智能算法和机器学习算法，这些网络通常是浅层结构，限制了网络学习切削动态参数与零件粗糙度和刀具磨损之间复杂非线性映射关系的能力。(2)只能单独实现零件表面粗糙度的预测或刀具磨损的预测，没有同时实现零件表面粗糙度和刀具磨损预测研究的研究。本发明针对上述问题提出一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法，可同时实现零件表面粗糙度和刀具磨损的预测。

发明内容

本发明的目的为提供一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法，解决现有预测方法只能单独实现零件表面粗糙度预测或刀具磨损预测的问题。该方法可以同时实现零件表面粗糙度和刀具磨损的预测。

本发明的技术方案：

一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法，步骤如下：

首先，利用三向加速度传感器采集加工过程中主轴的振动信号；下一步，利用专用测量仪器测量零件的表面粗糙度以及刀具磨损情况，将获得的粗糙度和刀具磨损情况分别与振动信号分别对应；其次，对采集到的振动信号添加不同强度的高斯白噪声，提取振动信号的特征并进行归一化处理；接着，利用专用测量仪器测量零件的表面粗糙度以及刀具的磨损情况；然后，构建基于深度置信网络(Deep Belief Networks,DBN)的多任务预测模型，改进DBN现有网络结构，使DBN具有多任务学习的能力，并将零件表面粗糙度和刀具磨损情况作为模型输出，提取的动态信号特征作为输入，建立多任务网络预测模型；最后，进行试验验证，将实际加工过程中的实时振动信号经数据预处理后输入多任务预测模型中，预测模型输出零件表面粗糙度以及刀具磨损状况，从而实现零件表面粗糙度和刀具磨损的预测；

第一步，加工过程中振动信号采集

将三轴加速度传感器安装在主轴靠近刀柄位置处，采集数控机床加工过程中主轴的振动信号，从该三向振动信号中截取机床负载时的振动信号；

第二步，零件表面粗糙度与刀具磨损的测量

利用测量设备检测零件表面粗糙度以及刀具磨损情况；零件表面粗糙度测量时，先将零件表面以取样长度为标准进行等间隔划分，在每个区间测得一个粗糙度值，并按照粗糙度大小划分零件表面质量合格与否；刀具磨损情况检测，每隔固定的切削距离检测刀具磨损情况，并以刀具有无明显磨损与破损将刀具分为正常、磨损和破损三种状态；最后，以每个取样长度对应的振动数据长短为标准等间隔划分采集的加工过程振动数据，并将表面粗糙度标签和刀具磨损状态标签与划分后的振动数据分别对应；

第三步，样本扩充并提取特征

(1)样本扩充

根据式(1)对采集到的振动信号添加M种程度的高斯白噪声；

式中：

为原始振动信号，s为样本索引，k是不同强度参数，i＝1,2,...,M用于控制不同的噪声水平，σ是样本的标准方差；加噪后，每一个样本扩展为M+1组样本

样本扩充为：

(2)动态信号特征提取及归一化

本方法根据式(3)～(7)所提取的方差、均方根、峭度、脉冲因子和偏度特征，并对所提取的特征进行归一化处理；

式中：V_i ^s(t)为一个样本的振动数据，t为振动数据的索引，N为每个样本包含的数据个数，

每个样本的均值；

第四步，基于改进DBN的多任务预测模型的构建与训练

(1)改进的深度置信网络的构建

基于深度置信网络构建深度神经网络A；深度神经网络A由3层受限玻尔兹曼机和一个BP网络构成；其中，受限玻尔兹曼机是基于能量的模型，其联合概率分布由能量函数指定，其能量函数的定义如式(8)所示：

其中，v_α和h_β是可见单元α和隐藏单元β的二进制状态，θ＝{w,b,a}是模型的参数：w_αβ是可见单元α和隐藏单元β之间的权重，b_α和a_β是其偏置，V和H是可见单元和隐藏单元个数；

隐藏神经元的能量为：

同理，可见神经元的能量为：

将输入层至第1层玻尔兹曼机记为B1，从第2层受限波尔兹曼机至输出层记为B2，复制B2并记作B3；将B3与神经网络A第1层的受限波尔兹曼机相连，此时网络结构B2与B3并列排布并与B1相连；根据任务需求设置B2和B3输出层节点的个数即完成对深度置信网络的改进；改进后的深度置信网络B由网络结构B1、B2以及B3组成，可实现多任务学习的功能；

(2)改进的深度置信网络的训练

首先采用贪婪算法对深度神经网络A中的各层受限波尔兹曼机进行无监督预训练，并将训练后深度神经网络A的权重赋给深度置信网络B；然后基于反向传播算法对多任务深度置信网络B进行有监督微调，其损失函数按式进行计算将损失函数(式11)调至最优，得到多任务预测模型；

其中，W为多任务模型中的任务总数，λ_i为每个任务所占权重，m为微调样本总量，

为实际标签，y_k为预测标签；

第五步，零件表面粗糙度和刀具磨损预测

在实际加工过程中，将采集到的振动数据经预处理后输入至训练后的多任务预测模型中，模型输出零件表面粗糙度和刀具状态；任务1：零件表面粗糙度合格时输出1，否则为0；任务2：刀具未磨损是输出0，磨损时输出1，破损时输出2。

本发明的有益效果：在多任务预测模型建立后，只需通过监测机床加工过程中的动态信号即可实现零件表面粗糙度和刀具磨损的在线预测，能够及时提醒操作人员零件表面粗糙度情况以及是否需要更换刀具，有利于提高零件的生产效率和质量。

本发明与现有技术相比，其优点在于：通过一次建模即可实现零件表面粗糙度和刀具磨损的在线预测，充分利用监测数据包含的隐藏信息，避免了重复性的工作，减少了工作量及模型建立的成本。

附图说明

图1是多任务DBN预测模型训练流程图。

图2是多任务DBN预测模型网络结构图。

图3是刀具磨损预测准确率混淆矩阵。

图4是零件粗糙度预测准确率混淆矩阵。

具体实施方式

为了使本发明的目的、技术方案和优点更加清晰明了，下面结合附图对本发明作详细说明。

在三轴立式加工中心上，利用立式铣刀进行切削试验。其中，三轴立式加工中心的基本信息为：X轴、Y轴和Z轴的最大行程为710mm、500mm和350mm，最大进给速度分别为32m/min、32m/min和30m/min；主轴最高转速为15000r/min。刀具的基本信息为：刀具类型为立式铣刀；刀具材料为硬质合金；刀具直径为10mm；刀具刃数为4。被切工件基本信息为：工件材料为45#钢；工件形状200mm X 100mm X 10mm。切削工艺参数为：切深为2mm；进给速度为80mm/min；主轴转速为6000r/min。

多任务模型训练过程如图1所示，具体实施方式如下：

第一步，采集加工过程中振动信号

在上述三轴立式加工中心进行切削实验，将三轴加速度传感器安装在主轴靠近刀柄位置处，以采样频率1000Hz采集加工过程中的主轴X、Y、Z三个方向的主轴振动信号，并保存。

第二步，零件表面粗糙度与刀具磨损的测量

利用专用测量设备检测零件表面粗糙度以及刀具磨损情况。表面粗糙度测量时，先将零件表面以取样长度(4mm)为标准进行等间隔划分，在每个区间测得一个粗糙度值Ra，并按照粗糙度大小以阈值0.8μm划分零件表面质量合格与否。刀具磨损情况检测，每隔切削距离100mm检测刀具磨损情况，并以刀具有无明显磨损与破损将刀具分为正常、磨损和破损三种状态。最后，以每个取样长度对应的振动数据长短为标准等间隔划分采集的加工过程振动数据共获得119段振动数据，并将表面粗糙度标签和刀具磨损状态标签与划分后的振动数据分别对应，可获得119组样本集。

第三步，样本扩充及特征提取

根据式(1)对分段后的振动信号添加4种不同程度高斯白噪声。扩充后，样本总量为595组。然后，根据式(3)～(7)提取动态信号的特征，提取的特征包括：峭度、裕度因子、均方根、方差和偏度，由于振动信号分为三个方向，每个样本共包含15个特征。

第四步，基于改进DBN的多任务预测模型的构建与训练

基于深度置信网络构建深度神经网络A。该网络由3层受限玻尔兹曼机和一个BP网络构成，输入层神经元节点数为15，每层受限玻尔兹曼机的神经元节点数为：200、80和60，输出层为2。将从第2层受限波尔兹曼机至输出层复制，将网络B3与第2层的受限波尔兹曼机相连，并根据任务2的要求设置B3输出层节点个数为3即完成对深度置信网络的改进,。基于改进DBN的多任务预测模型B的网络结构为：15-200-80(80)-60(60)-2(3)，即可实现多任务预测的功能。将数据集按4:1的比例随机划分训练集合测试集，首先利用训练集数据对神经网络A的权重进行无监督微调，初步确定网络权重，此时设定的学习率为0.05，迭代次数1000次；接下来将训练后的神经网络A的权重赋值给预测模型B，作为有监督微调多任务预测模型B的初始参数值。然后利用表面粗糙度标签和刀具磨损标签以及对应的振动信号特征交替训练多任务预测模型B，对预测模型权重微调，将损失函数(式8)调至最小，使整个多任务网络达到最优，最终得到基于改进DBN的多任务预测模型。再用测试集数据对多任务模型进行测试。结果表明，提出的多任务预测模型对刀具预测模型对刀具磨损预测的准确率为99％，零件表面粗糙度的预测准确率为93％。多任务预测模型可以用于刀具磨损和零件表面粗糙度预测。

第五步，零件表面粗糙度和刀具磨损的预测

将实际加工过程采集的实时振动经数据预处理后输入至基于改进DBN的多任务预测模型中，得到对应的零件表面粗糙度和刀具磨损的情况。

Claims (1)

1.一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法，其特征在于，步骤如下：

第一步，加工过程中振动信号采集

将三轴加速度传感器安装在主轴靠近刀柄位置处，采集数控机床加工过程中主轴的振动信号，从该三向振动信号中截取机床负载时的振动信号；

第二步，零件表面粗糙度与刀具磨损的测量

利用测量设备检测零件表面粗糙度以及刀具磨损情况；零件表面粗糙度测量时，先将零件表面以取样长度为标准进行等间隔划分，在每个区间测得一个粗糙度值，并按照粗糙度大小划分零件表面质量合格与否；刀具磨损情况检测，每隔固定的切削距离检测刀具磨损情况，并以刀具有无明显磨损与破损将刀具分为正常、磨损和破损三种状态；最后，以每个取样长度对应的振动数据长短为标准等间隔划分采集的加工过程振动数据，并将表面粗糙度标签和刀具磨损状态标签与划分后的振动数据分别对应；

第三步，样本扩充并提取特征

(1)样本扩充

根据式(1)对采集到的振动信号添加M种程度的高斯白噪声；

式中：

为原始振动信号，s为样本索引，k是不同强度参数，i＝1,2,...,M用于控制不同的噪声水平，σ是样本的标准方差；加噪后，每一个样本扩展为M+1组样本

样本扩充为：

(2)动态信号特征提取及归一化

本方法根据式(3)～(7)所提取的方差、均方根、峭度、脉冲因子和偏度特征，并对所提取的特征进行归一化处理；

式中：V_i ^s(t)为一个样本的振动数据，t为振动数据的索引，N为每个样本包含的数据个数，

每个样本的均值；

第四步，基于改进DBN的多任务预测模型的构建与训练

(1)改进的深度置信网络的构建

基于深度置信网络构建深度神经网络A；深度神经网络A由3层受限玻尔兹曼机和一个BP网络构成；其中，受限玻尔兹曼机是基于能量的模型，其联合概率分布由能量函数指定，其能量函数的定义如式(8)所示：

其中，v_α和h_β是可见单元α和隐藏单元β的二进制状态，θ＝{w,b,a}是模型的参数：w_αβ是可见单元α和隐藏单元β之间的权重，b_α和a_β是其偏置，V和H是可见单元和隐藏单元个数；

隐藏神经元的能量为：

同理，可见神经元的能量为：

将输入层至第1层玻尔兹曼机记为B1，从第2层受限波尔兹曼机至输出层记为B2，复制B2并记作B3；将B3与神经网络A第1层的受限波尔兹曼机相连，此时网络结构B2与B3并列排布并与B1相连；根据任务需求设置B2和B3输出层节点的个数即完成对深度置信网络的改进；改进后的深度置信网络B由网络结构B1、B2以及B3组成，可实现多任务学习的功能；

(2)改进的深度置信网络的训练

首先采用贪婪算法对深度神经网络A中的各层受限波尔兹曼机进行无监督预训练，并将训练后深度神经网络A的权重赋给深度置信网络B；然后基于反向传播算法对多任务深度置信网络B进行有监督微调，其损失函数按式进行计算将损失函数(式11)调至最优，得到多任务预测模型；

其中，W为多任务模型中的任务总数，λ_i为每个任务所占权重，m为微调样本总量，

为实际标签，y_k为预测标签；

第五步，零件表面粗糙度和刀具磨损预测

在实际加工过程中，将采集到的振动数据经预处理后输入至训练后的多任务预测模型中，模型输出零件表面粗糙度和刀具状态；任务1：零件表面粗糙度合格时输出1，否则为0；任务2：刀具未磨损是输出0，磨损时输出1，破损时输出2。

Images