CN111761409A

CN111761409A - 一种基于深度学习的多传感器数控机床刀具磨损监测方法

Info

Publication number: CN111761409A
Application number: CN202010656417.9A
Authority: CN
Inventors: 张楠; 陈红霞; 刘佳; 包晓燕; 刘珍
Original assignee: Inner Mongolia University of Technology
Current assignee: Inner Mongolia University of Technology
Priority date: 2020-07-09
Filing date: 2020-07-09
Publication date: 2020-10-13

Abstract

本发明公开一种基于深度学习的多传感器数控机床刀具磨损监测方法，包括：采集数控机床加工过程中的切削力、振动信号，并截取相同时间间隔的若干段信号；分别对所截取的每一段信号进行归一化处理，以及利用主成分分析法进行约减；基于卷积自编码器构建数控机床刀具磨损识别模型，并对其进行训练；数控机床刀具磨损识别模型包括卷积层、线性整流层、池化层、辅助层；将实时采集的切削力、振动信号经过归一化处理并利用主成分分析法进行约减后，输入训练好的数控机床刀具磨损识别模型，得到刀具磨损状态识别结果。本发明能够实时准确地对不同工况下各种刀具的磨损状态进行识别。

Description

一种基于深度学习的多传感器数控机床刀具磨损监测方法

技术领域

本发明涉及数控机床刀具磨损监测技术领域，特别是涉及一种基于深度学习的多传感器数控机床刀具磨损监测方法。

背景技术

数控机床刀具磨损状态监测是指在加工过程中，通过各种传感器信号实时监测刀具磨损状态。刀具磨损监测是一个状态识别过程，完整的刀具磨损监测系统由刀具、加工环境、传感器、信号处理、特征提取和状态识别等组成。

在加工过程中刀具会磨损，磨损会影响加工效率和工件表面完整性，更有甚者会损坏工件和破坏机床加工精度。因此，加工中需要实时监测刀具磨损状态。

经过大量的研究和实践，刀具磨损状态监测技术已经形成了比较完善的体系，现有的方法大多数都依赖于大量的信号处理技术和诊断经验，这使得提取的磨损特征不能准确全面的反应刀具磨损状态，造成后续的状态识别精度低下；随着智能制造和大数据时代的到来，传感器类型十分丰富，监测数据量极其庞大，状态识别前对所有数据信号进行处理，提取磨损特征，耗时长，效率低，而且通用的信号处理技术都是针对同一类传感器的，不同类的传感器信号没办法进行融合；因此，亟需一种能在大量庞杂的监测数据中自动提取磨损特征，且能融合各类传感器信号，并准确识别刀具磨损状态的监测技术。

发明内容

本发明的目的是提供一种基于深度学习的多传感器数控机床刀具磨损监测方法，以解决现有技术中存在的技术问题，不依赖于传统的信号处理技术和诊断经验，实现了对刀具磨损特征的自提取，并融合了不同类型的传感器信息，能够实时准确地对不同工况下各种刀具的磨损状态进行识别。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于深度学习的多传感器数控机床刀具磨损监测方法，包括如下步骤：

采集数控机床加工过程中的切削力、振动信号，并从所采集的切削力、振动信号中，截取相同时间间隔的若干段信号；

分别对所截取的每一段切削力、振动信号进行归一化处理，利用主成分分析法将归一化处理后的切削力、振动信号的多维时间序列进行约减，得到刀具样本集；

基于卷积自编码器构建数控机床刀具磨损识别模型，并利用刀具样本集对数控机床刀具磨损识别模型进行训练；所述数控机床刀具磨损识别模型包括卷积层、线性整流层、池化层、辅助层；

将实时采集的切削力、振动信号经过归一化处理并利用主成分分析法进行约减后，输入训练好的数控机床刀具磨损识别模型，得到刀具磨损状态识别结果。

优选地，所述卷积层将卷积自编码器中输入的信号数据进行变换，由时域描述变换为频域描述，并提取所述刀具样本集的频域特征；所述时域描述包括信号数据的均值、均方值，所述频域描述包括频谱和功率谱。

优选地，所述辅助层包括截断层和批量标准化层；通过所述截断层截断卷积自编码器中部分神经元之间的联系，通过批量标准化层对卷积自编码器中批量输入的数据进行标准化操作。

优选地，所述线性整流层采用线性整流函数ReLU。

优选地，对数控机床刀具磨损识别模型进行训练的具体过程包括：

将所述刀具样本集按预设比例划分为训练集、验证集、测试集；

将数控机床刀具磨损状态划分为若干等级，基于所划分的等级对验证集数据进行加标签处理；

对训练集数据进行加噪处理；

将加噪声处理后的训练集数据输入数控机床刀具磨损识别模型，进行训练，通过训练提取训练集数据的频域特征，即刀具的磨损特征；

基于卷积自编码器获取的刀具磨损特征以及加标签处理后的验证集数据，采用误差反向传播算法对卷积自编码器参数进行微调，完成数控机床刀具磨损识别模型的训练；

将测试集数据输入训练好的数控机床刀具磨损识别模型，检查数控机床刀具磨损识别模型对刀具磨损状态的识别精度。

优选地，对训练集数据进行加噪处理的具体方法包括：

首先，对训练集数据进行随机置0处理；

其次，在随机置0的基础上，将部分0进行随机置1处理。

本发明公开了以下技术效果：

(1)本发明采集切削力、振动信号对数控机床刀具磨损状态进行监测，并对所采集的切削力、振动信号进行归一化处理和约减处理，有效融合了多源数据，保证了监测结果的准确性；

(2)本发明基于卷积自编码器构建数控机床刀具磨损识别模型，有效实现了刀具磨损特征的自提取，不依赖于传统的信号处理技术和诊断经验，保证了刀具磨损监测结果的准确性；

(3)本发明通过卷积自编码器中的卷积层提取刀具的频域特征，将输入信号数据由时域描述变换为频域描述，将数据由离散信号变换为连续信号，从而有效降低噪声的干扰；同时，通过频域特征能够准确表示刀具的磨损程度，实现了刀具磨损的实时准确监测；

(4)本发明卷积自编码器还包括辅助层，辅助层包括截断层和批量标准化层；通过截断层截断部分神经元之间的联系，减少过渡拟合，通过批量标准化层对批量输入的数据进行标准化操作，降低神经网络学习对参数初始化方法的依赖，使得输入的数据分布稳定，加速神经网络的收敛速度，从而实现数控机床刀具磨损识别模型识别精度及识别效率的同时兼顾；

(5)本发明线性整流层采用线性整流函数ReLU，不仅能够确保数学运算的准确性，而且能够有效避免梯度爆炸和梯度消失的问题，提高数控机床刀具磨损识别模型的鲁棒性；

(6)本发明通过对训练集数据进行随机置0和置1处理，给数据添加了多余的、非本身的特征，极大干扰了识别模型解析、抽象特征的能力，且噪声具有多元化和不可预判性，极大提高了数控机床刀具磨损识别模型的鲁棒性和收敛性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于深度学习的多传感器数控机床刀具磨损监测方法流程图。

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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1所示，本实施例提供一种基于深度学习的多传感器数控机床刀具磨损监测方法，具体包括如下步骤：

S1、采集数控机床加工过程中的切削力、振动信号，并从所采集的切削力、振动信号中截取相同时间间隔的若干段信号；

在数控机床的加工过程中，切削力对整个加工过程具有重要影响；在切削的过程中，切削力导致了切削热的产生，切削热使刀具产生不同程度的磨损，进而降低刀具的耐用度以及加工表面的质量，进而影响整个加工过程。

本实施例将切削力分解成X、Y、Z三个互相垂直的力来进行测量。传统的测量方法采用测力仪直接对切削力进行测量，受测力仪尺寸和安装方面的限制，难以在实际加工中推广应用；在数控机床加工过程中，当切削力发生变化时，进给电机电流会有相应的变化，因此，本实施例通过测量进给电机电流来间接测量切削力在X、Y、Z三个方向上的分力，即通过实时检测进给电机电流，建立电流与切削力在X、Y、Z三个方向上的分力之间的数学模型，通过所建立的数学模型完成切削力的测量。

刀具在切削过程中，工件与磨损的刀刃部侧面摩擦，产生不同频率的振动，振动信号是一种对刀具磨损、破损敏感度非常高的征兆信号，因此，能够很好的表征刀具磨损信息。本实施例采用3个加速度传感器分别监测X、Y、Z三个方向的振动情况。

本实施例采集多场景下数控机床加工过程中的切削力、振动信号数据，多场景包括：不同加工速度、不同工件。

不同刀具磨损状态下，振动信号的频谱和功率谱也不相同，随着刀具的磨损，峰值逐渐增大，增大越明显说明刀具磨损越剧烈，测得的振动幅值和振动信号功率越大。

S2、分别对所截取的每一段切削力、振动信号进行归一化处理，利用主成分分析法将归一化处理后的切削力、振动信号的多维时间序列进行约减，使约简后的多维时间序列变为一维时间序列，得到刀具样本集，将刀具样本集按7:3:1的比例划分为训练集、验证集、测试集。

通过归一化处理，将切削力、振动信号数据均转换为(0,1)之间的小数，消除数据量纲，使各段切削力、振动信号长度一致，从而实现多源数据的融合。

利用主成分分析法将归一化处理后的切削力、振动信号的多维时间序列进行约减，使约简后的多维时间序列变为一维时间序列的具体方法包括：

1)切削力、振动信号的多维时间序列由切削力、加速度传感器在均匀的时间间隔内连续采样得到，每个信号对应一个维度，定义样本数为l的多维时间序列S＝{S₁,S₂,…,S_l}，每个多维时间序列样本

n、m表示多维时间序列样本S_i的行数和列数，计算每个多维时间序列样本的协方差矩阵C_i(i＝1,2,…,l)；

2)计算所有样本的平均协方差矩阵

3)计算平均协方差矩阵

的特征值和特征向量；

4)根据特征值的数值大小对特征值进行排序，并确定对应的特征向量的次序；

5)根据方差贡献率确定要保留的维数p；

6)根据要保留的维数以及特征值的排序结果对多维时间序列进行约减，得到约减后的序列Y_i，组成多维时间序列数据矩阵；

7)从Y_i，组成多维时间序列数据矩阵中选择一列，并进行转置，添加到一维行向量V；遍历所有列数，将所有列均添加到一维行向量。

S3、基于卷积自编码器构建数控机床刀具磨损识别模型，并对数控机床刀具磨损识别模型进行训练；

AE(Auto-Encoder，自动编码器)是一种无监督学习算法，通过学习一个尽可能恢复自身的非线性编码，获取输入数据的深层次本质特征表示；AE首先对输入数据进行编码，得到隐藏层的特征表示，然后对隐藏层的特征表示进行解码得到重构数据，再使用误差反向传播算法训练网络，使得重构数据尽可能地等于输入数据，得到编码结果。

卷积自编码器属于传统自编码器的一个特例，使用卷积层和池化层替代了原来的全连接层；卷积自编码器采用卷积的方式对输入信号进行变换，且权重共享，提取数据的深层特征。

卷积自编码器包括卷积层、线性整流层、池化层；通过卷积层对输入信号进行变换，将信号的时域描述变换为频域描述，并提取输入信号的频域特征；通过频域特征的提取，将数据由离散信号变换为连续信号，从而有效降低噪声的干扰；其中，时域描述包括信号数据的均值、均方值；频域描述包括频谱和功率谱；通过卷积层所提取的频谱特征和功率谱特征，能够准确表示刀具的磨损程度，实现刀具磨损状态的识别。

池化层与卷积层交替建立，池化层对经过卷积层处理的输入数据进行缩减采样，本实施例采样方式为最大值采样，保留输入数据各个自己中的最大值，进一步减少数据的规模。

线性整流层采用ReLU(Rectified Linear Unit，线性整流函数)作为神经网络的激活函数，将所有的负值校正为零，确保数学运算的正确性，从而提高数控机床刀具磨损识别模型的鲁棒性。同时，基于误差反向传播算法本身存在容易出现梯度爆炸、梯度消失的问题，本实施例将ReLU作为激活函数，能够有效避免梯度爆炸和梯度消失的问题，提高数控机床刀具磨损识别模型的鲁棒性。

卷积自编码器还包括辅助层，辅助层包括截断层和批量标准化层；通过截断层截断部分神经元之间的联系，减少过渡拟合，通过批量标准化层对批量输入的数据进行标准化操作，降低神经网络学习对参数初始化方法的依赖，使得输入的数据分布稳定，加速神经网络的收敛速度，从而实现数控机床刀具磨损识别模型识别精度及识别效率的同时兼顾；其中，辅助层的层间位置和数量根据实际需要进行设置。

对数控机床刀具磨损识别模型进行训练的具体过程包括：

1)将数控机床刀具磨损状态划分为若干等级，基于所划分的等级对验证集数据进行加标签处理；

本实施例基于专家经验，将数控机床刀具磨损状态划分为磨损初期、正常磨损期、剧烈磨损期。

2)对训练集数据进行加噪处理；

受加工材料的形状、余量影响，以及机床、刀具的刚性影响，数控机床加工车间噪音大，最大超过80分贝，通过所采集的切削力、振动信号直接对数控机床刀具磨损识别模型进行训练，无法保证数控机床刀具磨损识别模型的鲁棒性及收敛性。本实施例对输入数控机床刀具磨损识别模型的训练数据进行加噪处理。具体加噪方法为：

首先，对输入数控机床刀具磨损识别模型的训练集数据进行随机置0处理，对原始训练集数据进行破坏；

其次，在随机置0的基础上，将部分0进行随机置1处理；

其中，置0率和置1率的大小对提取特征和还原数据具有较大影响，本实施例中置0率设为0.25，置1率设为0.1。

通过随机置0和置1处理，给数据添加了多余的、非本身的特征，极大干扰了识别模型解析、抽象特征的能力，且噪声具有多元化和不可预判性，极大提高了数控机床刀具磨损识别模型的鲁棒性和收敛性。

3)将加噪声处理后的训练集数据输入数控机床刀具磨损识别模型，进行训练，通过训练提取训练集数据的频域特征，即刀具磨损特征。

4)基于卷积自编码器重构得到的刀具磨损特征以及加标签处理后的验证集数据，采用误差反向传播算法对卷积自编码器参数进行微调，完成数控机床刀具磨损识别模型的训练。

5)将测试集数据输入训练好的数控机床刀具磨损识别模型，检查数控机床刀具磨损识别模型对刀具磨损状态的识别精度。

本实施例采用F1度量作为深度神经网络识别精度的评价指标。

S4、将实时采集的切削力、振动信号经过归一化处理并利用主成分分析法进行约减后，输入训练好的数控机床刀具磨损识别模型，得到刀具磨损状态识别结果。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims

1.一种基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，所述卷积层将卷积自编码器中输入的信号数据进行变换，由时域描述变换为频域描述，并提取所述刀具样本集的频域特征；所述时域描述包括信号数据的均值、均方值，所述频域描述包括频谱和功率谱。

3.根据权利要求1所述的基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，所述辅助层包括截断层和批量标准化层；通过所述截断层截断卷积自编码器中部分神经元之间的联系，通过批量标准化层对卷积自编码器中批量输入的数据进行标准化操作。

4.根据权利要求1所述的基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，所述线性整流层采用线性整流函数ReLU。

5.根据权利要求1所述的基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，对数控机床刀具磨损识别模型进行训练的具体过程包括：

对训练集数据进行加噪处理；

6.根据权利要求5所述的基于深度学习的多传感器数控机床刀具磨损监测方法，其特征在于，对训练集数据进行加噪处理的具体方法包括：

首先，对训练集数据进行随机置0处理；

其次，在随机置0的基础上，将部分0进行随机置1处理。