CN111814728A - 数控机床刀具磨损状态识别方法和存储介质 - Google Patents
数控机床刀具磨损状态识别方法和存储介质 Download PDFInfo
- Publication number
- CN111814728A CN111814728A CN202010710401.1A CN202010710401A CN111814728A CN 111814728 A CN111814728 A CN 111814728A CN 202010710401 A CN202010710401 A CN 202010710401A CN 111814728 A CN111814728 A CN 111814728A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- neural network
- wear state
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000005520 cutting process Methods 0.000 title claims description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 230000015654 memory Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 27
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 25
- 238000005299 abrasion Methods 0.000 claims abstract description 25
- 238000003754 machining Methods 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 95
- 238000012549 training Methods 0.000 claims description 39
- 239000002356 single layer Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000004080 punching Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 238000005553 drilling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 206010000372 Accident at work Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- IXKSXJFAGXLQOQ-XISFHERQSA-N WHWLQLKPGQPMY Chemical compound C([C@@H](C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(O)=O)NC(=O)[C@@H](N)CC=1C2=CC=CC=C2NC=1)C1=CNC=N1 IXKSXJFAGXLQOQ-XISFHERQSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了数控机床刀具磨损状态识别方法和存储介质，将采集到的机床加工时的电流信号序列输入预先训练完成的CBLSTM算法模型得到电流信号序列处于正常磨损和异常磨损的概率，通过将卷积神经网络，双层双向长短期记忆循环神经网络和全连接网络以串行的方式结合构建CBLSTM算法模型，可以充分的利用三者的优势并用于刀具磨损的状态识别，卷积神经网络可以首先提取出信号序列的一系列局部特征，并输出包含多个局部特征的时间序列；双向长短期记忆循环神经网络能学习该时间序列双向的长期时间依赖关系，从而输出包含时序信息的特征向量；然后利用全连接网络的拟合能力，将提取的特征映射到正常磨损状态与异常磨损状态的概率上；提高了识别效率和识别精度。
Description
技术领域
本发涉及了一种数控机床刀具磨损状态的在线监测方法，属于工业故障诊断领域。
背景技术
数控机床是自动化生产中常见的一种加工机械，它是一种装有程序控制系统的自动化机床。在数控机床加工过程中，其所装配的铣刀磨损的速度很快，刀具的磨损将直接影响数控机床的加工质量，当刀具被过度磨损时，甚至会出现断刀等工业事故。为了防患于未然，我们亟需一种适合于数控机床刀具磨损的状态检测技术，从而最大化降低因刀具过度磨损而带来的损失与风险。
刀具的磨损状态识别一般分为直接法和间接法。直接法是通过测量仪器直接测量刀具的磨损变化，包括直接测量磨损量，电阻监测，放射线监测等。然而，直接识别往往是比较困难且不够及时的。这需要精密的测量手段和专业的技术支持，但这在大多数工业场合是没有的。为了能够准确且快速的诊断数控机床的刀具磨损情况，现在，一些基于数据的间接识别方法被提出。这种方法主要是通过采集加工过程中，数控机床所产生的与刀具磨损相关的信号数据，然后对信号进行处理，最后使用人工智能技术对刀具的磨损状态进行模式识别。
但是目前对刀具的磨损状态识别方法的准确度和识别效率有待提高，这是本领域目前需要解决的技术问题。
发明内容
本发明旨在提高目前刀具磨损状态识别方法的准确度和识别效率，提供数控机床刀具磨损状态识别方法和系统。
为实现是上述技术目的，本发明采用以下技术方案。
数控机床刀具磨损状态识别方法，包括以下步骤：
将采集到的机床加工时的电流信号序列输入预先训练完成的CBLSTM(Convolutional Bi-directional LSTM，卷积双向LSTM循环神经网络)算法模型得到一组电流信号序列处于正常磨损状态和异常磨损状态对应的概率，所述CBLSTM算法模型包括依次连接的单层卷积神经网络、双层双向长短期记忆循环神经网络、单层全连接网络以及与单层全连接网络层连接的输出层。
进一步地，所述CBLSTM算法模型的构建方法具体包括：
构造单层卷积神经网络：所述单层卷积神经网络包括了一个一维卷积层和最大池化层；通过卷积层的K个卷积核对输入的电流信号序列进行卷积操作，得到K个特征图；通过最大池化层对经卷积层后的每个特征图进行池化压缩，得到压缩后的包含K个局部特征的时间序列；
构造双层双向长短期记忆循环神经网络(Bi-directional LSTM)：所述双层双向长短期记忆循环神经网络的每一层Bi-directional LSTM包含了两层计算方向相反的长短期记忆循环神经网络(LSTM),每层LSTM网络包括M个LSTM单元。将卷积神经网络输出的时间序列输入该网络，经过两层连续的Bi-directional LSTM网络计算，得到包含时间信息的特征序列；
构建单层全连接网络：将所述双层双向长短期记忆循环神经网络的输出输入到该单层全连接网络层；
构建输出层：所述输出层神经元数为2；将单层全连接网络层的输出输入到该输出层，得到异常磨损状态和正常磨损状态对应的概率。
再进一步地，所述双层双向长短期记忆循环神经网络和全连接网络层后均设置dropout正则化。
再进一步地，单层卷积神经网络层与单层全连接网络的激活函数选择线性整流函数；双向长短期记忆循环神经网络的激活函数为该网络结构自带的激活函数；输出层的激活函数选择Softmax进行二分类。
再进一步地，训练所述CBLSTM算法模型的方法如下：
根据采集的电流信号数据获得的训练数据、验证数据和测试数据，
利用训练数据、验证数据训练预先构建的CBLSTM算法模型，再使用测试数据测试训练好模型的识别性能；其中获得训练数据、验证数据和测试数据具体方法如下：
采集机床加工时的电流信号序列数据，并记录每打N个孔后的刀具磨损量数据(一般选择刀具被磨损的厚度)；将每打N个孔所采集到的信号序列数据分为一组，与当前测得磨损量数据对应，得到各组信号序列，每组序列长度均为L；
对信号序列中磨损量数据大于设定刀具磨损量阈值的，将该组数据分类为异常磨损状态，否则分类为正常磨损状态得到原始数据集；
采用自适应综合过采样对原数据集中的分类为异常磨损状态的数据进行数据加强，生成新的异常磨损状态数据，与原始正常磨损状态数据组合成加强后的数据集；将加强后的数据集按预设比例划分，得到训练数据，验证数据和测试数据。
再进一步地，采用自适应综合过采样对原数据集中的分类为异常磨损状态的数据进行数据加强，生成新的异常磨损状态数据的具体方法包括以下步骤：
S221.计算所需要生成的分类为异常磨损状态的样本数，如下式(1)所示,其中G是所需生成的样本数；smaj代表正常磨损状态类样本数，smin代表异常状态类样本数，β∈[0,1]是预设的平衡水平；
G＝(|smaj-smin|)×β (1),
S222.对于每一个属于异常状态类样本的样本xi分别利用欧拉距离找出它们的K近邻样本，并计算相应的r比率，r比率的计算式如下式(2)所示，其中Δi代表在xi的K近邻中属于正常磨损状态类样本的数量；Z是标准化常量，该常量使得所有xi的r比率之和为1，即∑ri＝1；
S223.计算对每个异常状态类样本xi应该生成的样本数，如下式(3)所示，其中gi就是根据异常状态类样本xi所需要生成的样本数。
gi＝ri×G，i＝1，2，3...|smin| (3),
S224.对于每一个异常状态类样本xi，根据上式生成gi个新的异常状态类样本样本,其中xik是xi的其中一个K近邻，且xik也为异常状态类样本；
是一个随机数；xnew即代表新生成的样本，采用公式(4)计算：
再进一步地，获得加强后的数据集之后划分训练数据之前，还包括清除加强后的数据集中构成Tomek Link的样本对。
再进一步地，训练所述CBLSTM算法模型的目标是降低焦点损失(Focal Loss)直至满足预设退出要求，所述焦点损失的计算方式如下式(5)所示，其中L是焦点损失值，y是样本真实类别，y’是模型预测值，α，γ是设定的因子；α为平衡因子，用于平衡数据集的正负样本不均；
再进一步地，训练所述CBLSTM算法选择Adam优化器，将训练集分批次输入算法模型进行训练，并在训练过程中实时监测中间模型在验证数据上的表现。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如以上技术方案所提供的数控机床刀具磨损状态识别方法的步骤。
有益技术效果：
本发明通过将卷积神经网络，双向长短期记忆网络和全连接网络以串行的方式结合构建CBLSTM算法模型，可以充分的利用三者的优势并用于刀具磨损的状态识别，卷积神经网络可以首先提取出信号序列的一系列局部特征，并输出包含多个局部特征的时间序列；双向长短期记忆网络能学习该时间序列长期的双向时间依赖关系，从而输出包含时序信息的特征向量；然后利用全连接网络的拟合能力，将提取的特征映射到正常磨损状态与异常磨损状态的概率上；提高了识别效率和识别精度。
本发明在训练CBLSTM算法模型之前采用自适应综合过采样对原数据集中的分类为异常磨损状态的数据进行数据加强，生成新的平衡数据集，使的模型的学习变简单；训练模型时选择降低模型的焦点损失，以使模型更关注难分类样本，进一步提高了识别的精度。
附图说明
图1是本发明具体实施例识别数控机床刀具磨损状态的流程图；
图2是本发明实例中数控机床的主轴驱动系统；
图3是本发明实例中采样软件BSI中的主轴扭矩信号；
图4是本发明实例中用于识别数控机床刀具磨损状态的CBLSTM算法模型示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细说明。
实施例一、数控机床刀具磨损状态识别方法，包括：将采集到的机床加工时的电流信号序列输入预先训练完成的CBLSTM算法模型得到电流信号序列处于正常磨损和异常磨损的概率，所述CBLSTM算法模型包括依次连接的单层卷积神经网络、双层双向长短期记忆循环神经网络、单层全连接网络以及与单层全连接网络层连接的输出层。
本实施例中所述CBLSTM算法模型的构建方法具体包括：
构造单层卷积神经网络：所述单层卷积神经网络包括了一个一维卷积层和最大池化层；通过卷积层的K个卷积核对输入的信号序列进行卷积操作，得到K个特征图；通过最大池化层对经卷积层后的每个特征图进行池化压缩，得到压缩后包含K个局部特征的时间序列；
构造双层双向长短期记忆循环神经网络(Bi-directional LSTM)：所述双层双向长短期记忆循环神经网络的每一层Bi-directional LSTM包含了两层计算方向相反的长短期记忆循环神经网络(LSTM),每层LSTM网络包括M个LSTM单元。将卷积神经网络输出的时间序列输入该网络，经过两层连续的Bi-directional LSTM网络计算，得到包含时间信息的特征序列；
构建单层全连接网络：将所述双层双向长短期记忆循环神经网络的输出输入到该网络层；
构建输出层：所述输出层神经元数为2；将单层全连接网络层的输出输入到该层，得到异常磨损状态和正常磨损状态对应的概率。
所述双层双向长短期记忆循环神经网络和全连接网络层后均设置dropout正则化。卷积神经网络层与全连接层激活函数选择线性整流函数；双向长短期记忆循环神经网络的激活函数为该网络结构自带的激活函数；输出层的激活函数选择Softmax进行二分类。
实施例二、数控机床刀具磨损状态识别方法，本实施例在实施例一的基础上，包括训练所述CBLSTM算法模型的步骤。
图1是本发明的流程示意图。在结合以上数据集的实施中，具体步骤如下：
S1.使用数控机床对工件进行深孔钻削实验，实验过程中采集数控机床伺服控制系统中主轴电机的扭矩信号数据(如图3所示)(在其它实施例中可根据需要采集其它信号数据，如声信号等)，并测量外齿后刀面的磨损量；
图2是该深孔钻床的主轴驱动系统，伺服控制器可将电机的控制信号传输到永磁交流伺服电机，伺服控制器可根据反馈信号如位移信号，速度信号来实时调整电机的控制信号，从而构成一个闭合控制回路。本实例所采集的数据即伺服控制系统中的主轴电机扭矩信号和机床的外齿后刀面磨损量。
在深孔钻削实验中，利用数控系统配套的软件BSI从伺服控制器中直接读取1维的主轴电机扭矩信号，如图3所示，采样的频率为10HZ。每打三个孔后就停机取下钻头放置于数码显微镜下拍摄图片并测量外齿后刀面的磨损厚度作为磨损量。同时将每打3个孔所采集到的扭矩信号序列分为一组。该机床每打3个孔可以采集到130个扭矩信号数据，故得到长度为130的时间序列数据；
最终采集到的原数据集包含896组信号序列，每组信号序列包含130个采样点。其中有885组正常磨损状态数据和11组异常磨损状态数据。
S2.对测量得到的数据进行数据预处理，包括：目标值标注即确定正常磨损状态类数据和异常磨损状态类数据，数据加强，数据清洗，和数据划分，得到具有刀具磨损状态标签的训练数据，验证数据和测试数据。具体数据加强、数据清洗和数据划分的方法可采用现有技术实现，本实施例不详细说明。
S3.构建CBLSTM算法模型；
本实例所构建的CBLSTM算法模型如图4所示。
本实例中的输入尺寸为(130×1)，其中130代表时间步，1即是每个时间点时的主轴扭矩信号幅值。
S31.构建单层卷积神经网络：
该层卷积神经网络包括了一个依次连接的卷积层和池化层组成；卷积层含有10个卷积核，卷积核尺寸为3，卷积步长设置为1，得到10个特征图，并采用边缘补零的方式使得每个特征图的长度与原时间序列长度相同，均为130；池化层采用最大池化法，池化窗口长度为5，对经卷积层后的每个特征图进行池化压缩。原信号首先输入该子网络，输出为尺寸是(26×10)的时间序列数据；
S32.构建双层双向长短期记忆循环神经网络：
构建一个双层双向长短期记忆循环神经网络(Bi-directional LSTM)。每一层Bi-directional LSTM包含了两层计算方向相反的长短期记忆循环神经网络(LSTM),每层LSTM包括M(本实施例取M为50)个LSTM记忆单元。输入数据经过连续的两层Bi-directionalLSTM网络计算输出包含时间信息的特征序列；将卷积神经网络输出的时间序列输入该网络，输出维度为100的特征向量；
S33.构建单层的全连接网络层。本实例中，该层包含512个神经元，由双层双向长短期记忆循环神经网络输出的特征向量输入该层后，输出维度为512的向量；
S34.构建输出层，神经元数为2。全连接网络层的输出将输入该层并输出异常磨损状态和正常磨损状态对应的概率；
在两层双向LSTM循环神经网络和全连接网络层后设置dropout正则化来防止过拟合，dropout率均为0.2。
上诉的卷积神经网络层和全连接网络层采用的激活函数均为线性整流函数(ReLU)；双向长短期记忆循环神经网络层采用自带激活函数；输出层采用Softmax激活函数。
S4.将训练数据输入到CBLSTM算法模型中训练模型，并使用验证数据协助调整模型；
训练模型的目标是降低该模型在新生数据集上的焦点损失(FocalLoss)，该函数通过在交叉熵函数上添加了α因子使模型更加关注少数类样本，添加γ因子使模型更关注易错分样本。本实例中由于用于训练的数据是生成的平衡数据集，设置α为0.5。为使模型更关注易错分样本，将γ设置为2。该损失函数由如下公式表示，其中L是焦点损失值，y是样本真实类别，y′是模型预测值，α，γ是人工调整的因子。
模型训练采用Adam优化器，学习率设置为0.001。
训练过程中将训练数据分批输入初始模型中，通过神经网络的反向传播算法进行训练，每批容量为50。每对所有训练数据训练完一轮，使用当前模型在验证数据上进行识别，根据模型在验证数据上的表现调整模型超参数或终止训练，使得模型能够同时在训练数据和验证数据上取得好的识别效果。
S5.将测试数据输入训练好的模型进行识别，模型输出信号序列处于正常磨损状态和异常磨损状态的概率，取概率较大者为模型识别的类型；
在数控机床进行加工的过程中，发生异常磨损的情况属于极少数，这使得一般获取到的数据集是极度不平衡的，不平衡的数据集使得神经网络模型的学习变得异常困难。因此，当下常见的技术在处理这类非平衡数据集时，往往识别的精度并不理想。
实施例三、在实施例二的基础上，本实施例为了考虑非平衡数据集对识别精度的影响，为了进一步提高识别精度，本实施例提供了数控机床刀具磨损状态识别方法，本实施例中数据预处理具体步骤如下：
S21.设定刀具磨损量的阈值为0.18mm，根据这一阈值，将磨损量大于0.18mm的分类为异常磨损状态，否则分类为正常磨损状态。并将所有的磨损状态标注为对应信号组的标签。使用0代表正常磨损状态，1代表异常磨损状态；
S22.原数据集为严重不平衡数据集(885:11)，故对原数据集采用自适应综合过采样对原数据集中的少数类数据(异常磨损状态数据)进行数据加强，生成新的异常磨损状态数据，使数据集平衡。由于工业加工中的异常数据相比正常数据往往是少数，使得一般用于模型训练的数据集是极度不平衡的。自适应综合过采样方法，可以就少量异常数据生成新的异常数据使数据集中不同类别间样本数达到平衡。平衡的数据集更易于深度学习模型的学习和训练。这种算法同时可以减轻传统SMOTE数据加强算法在生成数据时的过度生成和类重叠问题。
自适应综合过采样的具体步骤如下：
S221.计算为少数类样本所需要生成的样本数，如下式所示。其中G是所需生成的样本数；smaj和smin分别代表多数类样本数和少数类样本数；β∈[0,1]是预设的平衡水平；
G＝(|smaj-smin|)×β
S222.对于每一个属于少数类smin的样本xi分别利用欧拉距离找出它们的K近邻样本，并计算相应的r比率，r比率的计算式如下式所示。其中Δi代表在xi的K近邻中属于多数类样本的数量；Z是标准化常量，该常量使得所有xi的r比率之和为1，即∑ri＝1；
S223.计算对每个少数类样本xi应该生成的样本数，如下式所示。其中gi就是根据少数类样本xi所需要生成的样本数；
gi＝ri×G，i＝1，2，3...|smin|
S224.对于每一个xi∈smin，根据上式生成gi个新的少数类样本。其中xik是xi的其中一个K近邻，且xik∈smin；
是一个随机数；xnew即代表新生成的点；
S23.将数据集按6:2:2的比例进行划分，得到训练数据，验证数据和测试数据。最后训练数据包含1061个信号序列，验证数据包含354个信号序列，测试数据包含354个信号序列；
实施例四，在实施例三的基础上，为了消除重叠样本的影响，本实施例在步骤S22和步骤23之间还包括以下步骤：
清除数据集进中构成Tomek Link的样本以完成数据清洗。Tomek Link是数据集中两个互为最近邻的不同类别样本组成的样本对，通过清除加强后数据集中构成Tomek Link的样本对，以清除样本间重叠。经过该步骤后所得数据集共包含了1769组信号数据，其中正常信号885组，异常信号884组。
本发明实施例提供的数控机床刀具磨损状态识别方法基于CBLSTM算法模型和焦点损失，该方法同时结合了卷积神经网络，双向长短期记忆循环神经网络和全连接网络，利用双向长短期记忆循环神经网络的双向记忆能力和卷积神经网络的局部特征提取功能，提高模型的对时间依赖关系和空间依赖关系的学习能力，并结合焦点损失函数使模型在学习过程中更关注易错分的样本，同时采用一种数据加强与数据清洗结合的数据预处理技术，生成平衡的数据集，以使数据集变得更易于学习。
通过将实施例四训练好的模型在测试数据上进行识别，并计算一系列可以评价模型好坏的指标，包括：识别准确度，AUC指标以及焦点损失值。通过进行10次实验并取以上指标的平均值，最终实验结果如下表1所示.
表1最终实验结果
实验结果表明，该算法模型可以对数控机床的刀具磨损状态进行准确快速的识别。这为数控机床的加工加工过程中的刀具磨损状态识别提供了有效的方法，提高了工业加工的效率，并降低了因刀具过度磨损带来的损失。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.数控机床刀具磨损状态识别方法，其特征在于，包括以下步骤：
将采集到的机床加工时的电流信号序列输入预先训练完成的CBLSTM算法模型得到电流信号序列处于正常磨损状态和异常磨损状态对应的概率，所述CBLSTM算法模型包括依次连接的单层卷积神经网络、双层双向长短期记忆循环神经网络、单层全连接网络以及与单层全连接网络层连接的输出层。
2.根据权利要求1所述的数控机床刀具磨损状态识别方法，其特征在于，所述CBLSTM算法模型的构建方法具体包括：
构造单层卷积神经网络：所述单层卷积神经网络包括了一个一维卷积层和最大池化层；通过卷积层的K个卷积核对输入的电流信号序列进行卷积操作，得到K个特征图；通过最大池化层对经卷积层后的每个特征图进行池化压缩，得到压缩后包含K个局部特征的时间序列；
构造双层双向长短期记忆循环神经网络(Bi-directional LSTM)：所述双层双向长短期记忆循环神经网络的每一层Bi-directional LSTM包含了两层计算方向相反的长短期记忆循环神经网络(LSTM),每层LSTM网络包括M个LSTM单元；将卷积神经网络输出的时间序列输入该网络，经过两层连续的Bi-directional LSTM网络计算，得到包含时间信息的特征序列；
构建单层全连接网络：将所述双层双向长短期记忆循环神经网络的输出输入到该单层全连接网络；
构建输出层：所述输出层神经元数为2；将单层全连接网络层的输出输入到该输出层，得到异常磨损状态和正常磨损状态对应的概率。
3.根据权利要求2所述的数控机床刀具磨损状态识别方法，其特征在于，所述双层双向长短期记忆循环神经网络和全连接网络层后均设置dropout正则化。
4.根据权利要求2所述的数控机床刀具磨损状态识别方法，其特征在于，单层卷积神经网络与单层全连接网络的激活函数选择线性整流函数；双向长短期记忆循环神经网络的激活函数为该网络结构自带的激活函数；输出层的激活函数选择Softmax进行二分类。
5.根据权利要求2所述的数控机床刀具磨损状态识别方法，其特征在于，训练所述CBLSTM算法模型的方法如下：
根据采集的电流信号数据获得的训练数据、验证数据和测试数据，
利用训练数据、验证数据训练预先构建的CBLSTM算法模型，再使用测试数据测试训练好模型的识别性能；其中获得训练数据、验证数据和测试数据具体方法如下：
采集机床加工时的电流信号序列数据，并记录每打N个孔后的刀具磨损量数据；将每打N个孔所采集到的信号序列数据分为一组，与当前测得磨损量数据对应，得到各组序列，每组序列长度均为L；
对序列中磨损量数据大于设定刀具磨损量阈值的，将该数据分类为异常磨损状态，否则分类为正常磨损状态，得到原始数据集；
采用自适应综合过采样对原数据集中的分类为异常磨损状态的数据进行数据加强，生成新的异常磨损状态数据，与原始正常磨损状态数据组合得到加强后的数据集；将加强后的数据集按预设比例划分，得到训练数据，验证数据和测试数据。
6.根据权利要求5所述的数控机床刀具磨损状态识别方法，其特征在于，采用自适应综合过采样对原数据集中的分类为异常磨损状态的数据进行数据加强，生成新的异常磨损状态数据的具体方法包括以下步骤：
S221.计算所需要生成的分类为异常磨损状态的样本数，如下式(1)所示，其中G是所需生成的样本数；smaj代表正常磨损状态类样本数，smin代表异常状态类样本数，β∈[0，1]是预设的平衡水平；
G＝(|smaj-smin|)×β (1)，
S222.对于每一个属于异常状态类样本的样本xi分别利用欧拉距离找出它们的K近邻样本，并计算相应的r比率，r比率的计算式如下式(2)所示，其中Δi代表在xi的K近邻中属于正常磨损状态类样本的数量；Z是标准化常量，该常量使得所有xi的r比率之和为1，表达式为∑ri＝1；
S223.计算对每个异常状态类样本xi应该生成的样本数，如下式(3)所示，其中gi就是根据异常状态类样本xi所需要生成的样本数；
gi＝ri×G，i＝1，2，3...|smin| (3)，
S224.对于每一个异常状态类样本xi，根据上式生成gi个新的异常状态类样本样本，其中xik是xi的其中一个K近邻，且xik也为异常状态类样本；
是一个随机数；xnew即代表新生成的样本，采用公式(4)计算：
7.根据权利要求5所述的数控机床刀具磨损状态识别方法，其特征在于，获得加强后的数据集之后划分训练数据、验证数据、测试数据之前，还包括清除加强后的数据集中构成Tomek Link的样本对。
8.根据权利要求5所述的数控机床刀具磨损状态识别方法，其特征在于，训练所述CBLSTM算法模型的目标是降低焦点损失直至满足预设退出要求，所述焦点损失的计算方式如下式(5)所示，其中L是焦点损失值，y是样本真实类别，y’是模型预测值，α，γ是设定的因子；α为平衡因子，用于平衡数据集的正负样本不均；
9.根据权利要求5所述的数控机床刀具磨损状态识别方法，其特征在于，训练所述CBLSTM算法选择Adam优化器，将训练集分批次输入算法模型进行训练，并在训练过程中实时监测中间模型在验证数据上的表现。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～9任意一项权利要求所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010710401.1A CN111814728A (zh) | 2020-07-22 | 2020-07-22 | 数控机床刀具磨损状态识别方法和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010710401.1A CN111814728A (zh) | 2020-07-22 | 2020-07-22 | 数控机床刀具磨损状态识别方法和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111814728A true CN111814728A (zh) | 2020-10-23 |
Family
ID=72862191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010710401.1A Pending CN111814728A (zh) | 2020-07-22 | 2020-07-22 | 数控机床刀具磨损状态识别方法和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814728A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112705766A (zh) * | 2020-12-18 | 2021-04-27 | 成都航空职业技术学院 | 一种刀具非均匀磨损状态监测方法 |
| CN113084237A (zh) * | 2021-04-16 | 2021-07-09 | 贵州大学 | 铣刀磨损值的预测方法、装置、电子装置和存储介质 |
| CN113720862A (zh) * | 2021-08-17 | 2021-11-30 | 珠海格力电器股份有限公司 | 零件异常检测方法、装置、设备及存储介质 |
| CN114831643A (zh) * | 2022-07-04 | 2022-08-02 | 南京大学 | 一种心电信号监测装置和可穿戴设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109048492A (zh) * | 2018-07-30 | 2018-12-21 | 北京航空航天大学 | 基于卷积神经网络的刀具磨损状态检测方法、装置及设备 |
| CN109753923A (zh) * | 2018-12-29 | 2019-05-14 | 晋西车轴股份有限公司 | 刀具磨损量的监测方法、系统、设备及计算机可读存储介质 |
| CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
| CN110153802A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 |
| CN110576336A (zh) * | 2019-09-11 | 2019-12-17 | 大连理工大学 | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 |
| CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
-
2020
- 2020-07-22 CN CN202010710401.1A patent/CN111814728A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109048492A (zh) * | 2018-07-30 | 2018-12-21 | 北京航空航天大学 | 基于卷积神经网络的刀具磨损状态检测方法、装置及设备 |
| CN109753923A (zh) * | 2018-12-29 | 2019-05-14 | 晋西车轴股份有限公司 | 刀具磨损量的监测方法、系统、设备及计算机可读存储介质 |
| CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
| CN110153802A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 |
| CN110576336A (zh) * | 2019-09-11 | 2019-12-17 | 大连理工大学 | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 |
| CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
Non-Patent Citations (4)
| Title |
|---|
| JOYCYF: "ADASYN: 自适应综合过采样", 《HTTPS://BLOG.CSDN.NET/WEIXIN_40118768/ARTICLE/DETAILS/80226423》 * |
| RUI ZHAO 等: "Learning to Monitor Machine Health with Convolutional Bi-Directional LSTM Network", 《SENSORS》 * |
| RUI ZHAO 等: "Learning to Monitor Machine Health with Convolutional Bi-Directional LSTM Networks", 《SENSORS》 * |
| 数据智能谷: "focal loss焦点损失", 《HTTPS://WWW.JIANSHU.COM/P/3E0511E02AD3》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112705766A (zh) * | 2020-12-18 | 2021-04-27 | 成都航空职业技术学院 | 一种刀具非均匀磨损状态监测方法 |
| CN113084237A (zh) * | 2021-04-16 | 2021-07-09 | 贵州大学 | 铣刀磨损值的预测方法、装置、电子装置和存储介质 |
| CN113720862A (zh) * | 2021-08-17 | 2021-11-30 | 珠海格力电器股份有限公司 | 零件异常检测方法、装置、设备及存储介质 |
| CN113720862B (zh) * | 2021-08-17 | 2023-01-13 | 珠海格力电器股份有限公司 | 零件异常检测方法、装置、设备及存储介质 |
| CN114831643A (zh) * | 2022-07-04 | 2022-08-02 | 南京大学 | 一种心电信号监测装置和可穿戴设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111814728A (zh) | 数控机床刀具磨损状态识别方法和存储介质 | |
| CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN110153802B (zh) | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 | |
| CN111633467B (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
| CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
| CN114295377B (zh) | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 | |
| CN113664612A (zh) | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 | |
| CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
| Tian et al. | Deep learning-based open set multi-source domain adaptation with complementary transferability metric for mechanical fault diagnosis | |
| CN117273440B (zh) | 基于深度学习的工程施工物联网监测管理系统及方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN114905335A (zh) | 一种结合域对抗和卷积神经网络的刀具磨损预测方法 | |
| CN110728377B (zh) | 一种面向机电设备的智能故障诊断方法及系统 | |
| Hou et al. | Tool wear state recognition under imbalanced data based on WGAN-GP and lightweight neural network ShuffleNet | |
| CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
| Kim et al. | AnoGAN-based anomaly filtering for intelligent edge device in smart factory | |
| Alshboul et al. | Empirical exploration of predictive maintenance in concrete manufacturing: Harnessing machine learning for enhanced equipment reliability in construction project management | |
| Sina et al. | Intelligent fault diagnosis of manufacturing processes using extra tree classification algorithm and feature selection strategies | |
| Wei et al. | Research on tool wear state identification method driven by multi-source information fusion and multi-dimension attention mechanism | |
| CN117874612A (zh) | 一种基于人工智能的电力系统设备模型异常检测方法 | |
| CN116910579A (zh) | 一种基于迁移学习的变工况机械加工颤振监测方法 | |
| CN117574109A (zh) | 一种基于磨损时序缓变规律的刀具状态监测模型在线学习方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |
|
| RJ01 | Rejection of invention patent application after publication |