CN111958321B - 基于深度神经网络的数控机床刀具磨损程度识别方法 - Google Patents

Abstract

本发明提出一种基于深度神经网络的数控机床刀具磨损程度识别方法，解决数控机床加工过程中刀具磨损程度准确、稳定的在线检测问题。首先为数控机床主轴和工作台配置振动传感器采集其加工过程产生的主轴、工作台振动数据，并且获取数控机床的加工参数和刀具、工件的材料信息；其次对振动数据进行预处理，提高振动数据的可利用性；最后，基于深度神经网络建立振动数据与数控机床刀具磨损程度识别，包括基于自编码器的振动数据特征提取、基于one‑hot的加工特征数据编码和基于多维特征数据的刀具磨损状态识别三个部分，进而实现对刀具磨损程度的准确在线识别。

Description

基于深度神经网络的数控机床刀具磨损程度识别方法

技术领域

本发明涉及数控机床刀具磨损检测技术领域，具体为一种基于深度神经网络的数控机床刀具磨损程度识别方法。

背景技术

数控机床加工过程中，机床刀具对于在制品的加工质量有着重要影响，并且，随着走刀次数增加，刀具会不可避免地磨损。磨损的刀具一方面会降低数控机床的加工精度，甚至导致在制品的报废，另一方面刀具的不正常或过度磨损会引发断刀、崩刃等刀具故障，进而引起主轴等零部件损伤，带来生产和经济损失。因而，在数控机床加工过程中，需要对刀具磨损程度进行评估，选择合适的时机来更换刀具，从而避免过早换刀造成的刀具损失，降低换刀过晚引起的机械故障发生率。传统的数控机床刀具磨损程度检测方式，是暂停机床加工过程，将刀具拆下通过仪器测量刀具的磨损量。随着智能传感器、实时传输技术的发展，可以为机床配置智能传感器，实时采集机床加工过程中的数据，进而综合分析涉及刀具磨损状态的数据来评估数控机床刀具的磨损程度。研究刀具磨损程度的检测方法，能够提前对刀具进行维修或更换，提高数控机床加工质量，保证机床加工过程连续可靠，减少因刀具故障造成的在制品、主轴损坏等经济损失。

近年来，在数控机床刀具磨损状态监测方面的研究主要有：

中国专利《基于振动信号和Stacking集成模型的刀具磨损状态监测方法》(CN109514349B)公开了一种基于振动信号和Stacking集成模型的刀具磨损状态监测方法，该方法通过检测数控机床加工过程中的机床主轴振动数据，进而通过对振动信号进行特征提取，并采用Stacking集成策略构建刀具磨损识别模型实现对刀具磨损程度的识别；中国专利《一种基于振动频谱和神经网络的刀具磨损测量方法》(CN108747590A)公开了一种基于振动频谱的刀具磨损测量方法，该方法通过利用神经网络建立振动频谱和刀具磨损之间的映射关系实现对刀具磨损状态的识别。

上述发明都对数控机床刀具磨损状态监测起到了一定的推动作用，然而在数控机床加工过程中，数控机床的振动信息只是反映刀具磨损状态的一个因素，刀具材质、工件材质以及加工参数的不同都会对刀具的磨损速度产生不同的影响，因而需综合分析影响刀具磨损程度的多维度因素，从而实现对刀具磨损程度的准确分析。此外，上述方法在采用神经网络对刀具磨损程度进行分析时，采用随机的初始化参数，使得模型的性能受随机初始化参数影响较大，导致刀具磨损程度分析模型的性能稳定性较差。

发明内容

在综合考虑刀具磨损程度的多维度因素的基础上，为解决数控机床加工过程中刀具磨损程度准确、稳定的在线检测问题，本发明设计了一种基于深度神经网络的数控机床刀具磨损程度识别方法。首先，通过物联网技术为数控机床主轴和工作台配置振动传感器采集其加工过程产生的主轴、工作台振动数据，并且获取数控机床的加工参数和刀具、工件的材料信息；其次，对数控机床的振动数据进行数据预处理，提高振动数据的可利用性，包括采用快速傅里叶变换将时域的振动数据转换成频域的振动数据和对处理后的振动数据归一化处理；最后，基于深度神经网络建立振动数据与数控机床刀具磨损程度识别，包括基于自编码器的振动数据特征提取、基于one-hot的加工特征数据编码和基于多维特征数据的刀具磨损状态识别三个部分，进而实现对刀具磨损程度的准确在线识别。

本发明解决其技术问题所采用的技术方案：

所述基于深度神经网络的数控机床刀具磨损程度识别方法，包括以下步骤：

步骤1：获取多源加工状态数据，具体包括以下步骤：

步骤1.1：根据振动数据采集需求及数控机床特点，为数控机床主轴和工作台配置能够实现相同采集频率的振动传感器，采用相同采集频率实时采集数控机床加工过程中主轴和工作台的振动数据；

步骤1.2：检测刀具VB面的磨损量；根据刀具VB面磨损量的大小，能够将其划分为不同等级的磨损程度类别；

步骤1.3：获取数控机床的加工参数、工件和刀具材质数据，包括主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型；

步骤2：对机床主轴和工作台振动数据进行预处理，提高振动数据的可用性，具体包括以下步骤：

步骤2.1：采用快速傅里叶变换将时域的振动数据转换为频域的振动数据；

步骤2.2：采用数据归一化方法将转换后的振动数据进行归一化处理。

步骤3：参照图2，建立基于深度神经网络的数控机床刀具磨损程度识别模型(DNN-TWR)，该模型包括基于自编码器的振动数据特征提取模块、基于one-hot编码的语义数据转码模块和基于多维特征数据的刀具磨损状态识别模块。其中，基于自编码器的振动数据特征提取模块采用稀疏自编码器(SAE)建立多个特征层来提取振动数据的特征；基于one-hot编码的语义数据转码模块通过将数值不连续的参数或者文本类型参数转换为特征向量，使其可以输入到深度神经网络中；基于多维特征数据的刀具磨损状态识别模块将上述两个模块得到的数据进行整合，作为本模块的输入，并通过SAE建立多个多维特征层进一步提取多源数据的综合特征，进而建立特征数据与刀具磨损状态的匹配过程。DNN-TWR的建立过程具体包括以下步骤：

步骤3.1：确定DNN-TWR的初始输入和最终输出参数：

步骤3.2：实施基于自编码器的振动数据特征提取过程，建立s个稀疏自编码器(SAE)，提取数控机床振动数据的特征，具体包括以下步骤：

步骤3.2.1：建立基于SAE的特征提取过程。

步骤3.2.2：通过步骤3.2.1建立SAE₁，将SAE₁编码过程的权重和阈值(w₁,b₁)用来初始化特征层1的权重和阈值(w₁,b₁)，进而得到特征层1的数据x^1,1；进而建立SAE₂来初始化特征层2的权重和阈值(w₂,b₂)，得到特征层2的数据x^1,2；以此类推，直到建立SAE_s，用来初始化特征层s的权重和阈值(w_s,b_s)，进而获取特征层s的数据x^1,s。

步骤3.3：实施基于one-hot的加工特征数据编码过程，基于one-hot编码形式，将主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型数据进行编码，获取上述数据的特征向量。

步骤3.4：基于步骤3.2和步骤3.3获得的多源特征数据，建立基于多维特征数据的刀具磨损状态识别过程，具体包括以下步骤：

步骤3.4.1：建立多维特征层s，将多源特征数据表示为一个向量X_s；

步骤3.4.2：通过步骤3.2.1建立SAE_s+1，将SAE_s+1编码过程的权重和阈值(w_s+1,b_s+1)用来初始化多维特征层s+1的权重和阈值(w_s+1,b_s+1)，进而得到多维特征层s+1的数据X_s+1；进而建立SAE_s+2来初始化多维特征层s+2的权重和阈值(w_s+2,b_s+2)，得到多维特征层s+2的数据X_s+2；以此类推，直到建立SAE_n，用来初始化多维特征层n的权重和阈值(w_n,b_n)，进而获取特征层n的数据X_n；

步骤3.4.3：采用Softmax函数识别刀具磨损程度类别。

步骤3.5：采用反向传播算法对DNN-TWR进行参数微调，得到具有良好刀具磨损程度识别性能的模型。

步骤4：基于建立的数控机床刀具磨损程度识别模型和实时多源加工状态数据，对数控机床刀具磨损程度进行识别，通过人机交互终端将刀具磨损程度动态识别结果实时展示给数控机床操作和管理人员，并在识别结果不准确时，对数控机床刀具磨损程度识别模型进行重新训练，以不断更新数控机床刀具磨损程度识别模型。

有益效果

与现有技术相比，本发明的优点是：鉴于刀具磨损是一个多因素耦合影响的结果(比如加工参数、材质、振动)，因而综合考虑多因素对提高刀具磨损识别模型的效果有重要作用。为此，本发明将主轴、工作台振动数据以及主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型数据纳入分析刀具磨损程度的影响因素；在此基础上，通过快速傅里叶变换预处理振动数据，使其可输入DNN，进而采用SAE降低振动数据维度并提取振动数据特征，采用one-hot编码将加工特征参数编码为特征向量；最后，集成上述多维度特征，使用SAE初始化刀具磨损状态识别过程的参数，提高模型性能稳定性。通过上述过程，在综合考虑影响刀具磨损状态的多因素的基础上，通过一系列数据处理与特征提取方法提高了数据的可用性和有效性，并避免由于随机初始化深度神经网络参数带来的模型性能鲁棒性低的缺陷，进而提高数控机床刀具磨损程度在线识别方法的性能。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明方法的总体流程图；

图2是本发明方法的基于深度神经网络的刀具磨损程度识别模型架构。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

参照图1，本发明设计了基于深度神经网络的数控机床刀具磨损程度识别方法，用于解决数控机床加工过程中刀具磨损程度在线检测问题。具体实施步骤如下：

步骤1：获取多源加工状态数据，具体包括以下步骤：

步骤1.1：根据振动数据采集需求及数控机床特点，为数控机床主轴和工作台配置相同采集频率的振动传感器，实时采集数控机床加工过程中主轴和工作台的振动数据；

步骤1.2：检测刀具VB面的磨损量；为了便于后续one-hot编码，根据刀具VB面磨损量的大小，将其划分为不同等级的磨损程度类别。

步骤1.3：获取数控机床的加工参数、工件和刀具材质数据，包括主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型。例如主轴转速、进给速度、切削深度可以由数控机床加工系统直接给出，而刀具材料类型、工件材料类型则可通过查询加工手册获得。

步骤2：对机床主轴和工作台振动数据进行预处理，提高振动数据的可用性，具体包括以下步骤：

步骤2.1：采用快速傅里叶变换将时域的振动数据转换为频域的振动数据；

步骤2.2：采用数据归一化方法将转换后的频域振动数据进行归一化处理。

步骤3：参照图2，建立基于深度神经网络的数控机床刀具磨损程度识别模型(DNN-TWR)，该模型包括基于自编码器的振动数据特征提取模块、基于one-hot编码的语义数据转码模块和基于多维特征数据的刀具磨损状态识别模块。其中，基于自编码器的振动数据特征提取模块采用稀疏自编码器(SAE)建立多个特征层来提取振动数据的特征；基于one-hot编码的语义数据转码模块通过将数值不连续的参数或者文本类型参数转换为特征向量，使其可以输入到深度神经网络中；基于多维特征数据的刀具磨损状态识别模块将上述两个模块得到的数据进行整合，作为本模块的输入，并通过SAE建立多个多维特征层进一步提取多源数据的综合特征，进而建立特征数据与刀具磨损状态的匹配过程。DNN-TWR的建立过程具体包括以下步骤：

步骤3.1：确定DNN-TWR的初始输入和最终输出参数：

DNN-TWR的初始输入为多源刀具加工数据，包括预处理后的数控机床主轴和工作台振动数据、主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型。其中，主轴和工作台振动数据点数目相同，表示为

主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型表示为

刀具磨损程度识别模型最终输出是刀具磨损程度类别，采用one-hot编码，表示为

步骤3.2：实施基于自编码器的振动数据特征提取过程，建立s个稀疏自编码器(SAE)，提取数控机床振动数据的特征，具体包括以下步骤：

步骤3.2.1：建立基于SAE的特征提取过程，具体包括以下步骤：

a.建立SAE的编码过程，从输入数据中提取特征表示为：

h＝f(wx+b)

式中，x和h是SAE的输入层和隐含层数据，(w,b)为SAE输入层到隐含层的权重和阈值，f(·)是编码函数。

b.建立SAE的解码过程，将特征重构为输入数据，表示为：

式中，

是SAE的输出层数据，

为SAE隐含层到输出层的权重和阈值，

是解码函数。

c.选取平均均方和函数作为误差函数，通过反向传播算法最小化误差函数，得到训练好的SAE。平均均方和函数表示为：

式中，K表示样本数目，k表示第k个样本。

步骤3.2.2：通过步骤3.2.1建立SAE₁，将SAE₁编码过程的权重和阈值(w₁,b₁)用来初始化特征层1的权重和阈值(w₁,b₁)，进而得到特征层1的数据x^1,1；进而建立SAE₂来初始化特征层2的权重和阈值(w₂,b₂)，得到特征层2的数据x^1,2；以此类推，直到建立SAE_s，用来初始化特征层s的权重和阈值(w_s,b_s)，进而获取特征层s的数据x^1,s，表示为：

步骤3.3：实施基于one-hot的加工特征数据编码过程，基于one-hot编码形式，将主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型数据进行编码，获取上述数据的特征向量，分别表示为：

步骤3.4：基于获得的多源特征数据，建立基于多维特征数据的刀具磨损状态识别过程，具体包括以下步骤：

步骤3.4.1：建立多维特征层s，将多源特征数据表示为一个向量X_s：

其中，X_s,k表示为

步骤3.4.2：通过步骤3.2.1建立SAE_s+1，将SAE_s+1编码过程的权重和阈值(w_s+1,b_s+1)用来初始化多维特征层s+1的权重和阈值(w_s+1,b_s+1)，进而得到多维特征层s1的数据X_s+1；进而建立SAE_s+2来初始化多维特征层s+2的权重和阈值(w_s+2,b_s+2)，得到多维特征层s+2的数据X_s+2；以此类推，直到建立SAE_n，用来初始化多维特征层n的权重和阈值(w_n,b_n)，进而获取特征层n的数据X_n；

步骤3.4.3：采用Softmax函数识别刀具磨损程度类别，具体包括以下步骤：

a.基于Softmax分类器，建立多维特征层n与输出层的映射关系，其中，第k个样本的映射关系表示为：

y_k＝softmax(ω_n+1·X_k+b_n+1)

式中，(ω_n+1,b_n+1)是多维特征层n到输出层的权重和阈值，softmax(·)是Softmax函数。

b.基于交叉熵误差函数，采用反向传播算法训练Softmax分类器。交叉熵损失函数表示为：

式中，

为DNN-TWR的期望输出，其中，

表示DNN-TWR第k个样本的期望输出，

表示DNN-TWR第k个样本的模型实际输出，M表示DNN-TWR的输出层神经元的数目。

步骤3.5：采用反向传播算法对DNN-TWR进行参数微调，得到具有良好刀具磨损程度识别性能的模型。

步骤4：基于建立的数控机床刀具磨损程度识别模型和多源加工状态数据，对数控机床刀具磨损程度进行识别，通过人机交互终端将刀具磨损程度动态识别结果实时展示给数控机床操作和管理人员，并在识别结果不准确时，对数控机床刀具磨损程度识别模型进行重新训练，以不断更新数控机床刀具磨损程度识别模型。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于深度神经网络的数控机床刀具磨损程度识别方法，其特征在于：包括以下步骤：

步骤1：获取多源加工状态数据，包括数控机床加工过程中主轴和工作台的振动数据，数控机床的加工参数、工件和刀具材质数据以及刀具VB面的磨损量，其中根据刀具VB面磨损量的大小，将其划分为不同等级的磨损程度类别；获取的数控机床的加工参数、工件和刀具材质数据包括主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型；

步骤2：对获取的主轴和工作台的振动数据进行预处理：将时域的振动数据转换为频域的振动数据，再对转换后的振动数据进行归一化处理；

步骤3：建立基于深度神经网络的数控机床刀具磨损程度识别模型，该模型包括基于自编码器的振动数据特征提取模块、基于one-hot编码的语义数据转码模块和基于多维特征数据的刀具磨损状态识别模块；

所述基于自编码器的振动数据特征提取模块采用稀疏自编码器SAE建立S个特征层来提取振动数据的特征；

所述基于one-hot编码的语义数据转码模块将数控机床的加工参数、工件和刀具材质数据转换为特征向量，使其可以输入到基于多维特征数据的刀具磨损状态识别模块中；

基于自编码器的振动数据特征提取模块的输出以及基于one-hot编码的语义数据转码模块的输出整合后作为所述基于多维特征数据的刀具磨损状态识别模块的输入；所述基于多维特征数据的刀具磨损状态识别模块采用稀疏自编码器SAE建立多个多维特征层进一步提取多源加工状态数据的综合特征，进而建立特征数据与刀具磨损状态的匹配过程；

步骤4：基于建立的数控机床刀具磨损程度识别模型和实时多源加工状态数据，对数控机床刀具磨损程度进行识别，并通过人机交互终端将刀具磨损程度动态识别结果进行实时展示。

2.根据权利要求1所述一种基于深度神经网络的数控机床刀具磨损程度识别方法，其特征在于：步骤1中，为数控机床主轴和工作台配置能够实现相同采集频率的振动传感器，采用相同采集频率实时采集数控机床加工过程中主轴和工作台的振动数据。

3.根据权利要求1所述一种基于深度神经网络的数控机床刀具磨损程度识别方法，其特征在于：步骤3中，基于深度神经网络的数控机床刀具磨损程度识别模型的建立过程具体包括以下步骤：

步骤3.1：确定基于深度神经网络的数控机床刀具磨损程度识别模型的初始输入和最终输出参数；

步骤3.2：实施基于自编码器的振动数据特征提取过程，建立s个稀疏自编码器SAE，提取数控机床振动数据的特征，具体包括以下步骤：

步骤3.2.1：建立基于SAE的特征提取过程；

步骤3.2.2：通过步骤3.2.1的方法建立SAE₁，将SAE₁编码过程的权重和阈值(w₁,b₁)用来初始化特征层1的权重和阈值(w₁,b₁)，进而得到特征层1的数据x^1,1；进而建立SAE₂来初始化特征层2的权重和阈值(w₂,b₂)，得到特征层2的数据x^1,2；以此类推，直到建立SAE_s，用来初始化特征层s的权重和阈值(w_s,b_s)，进而获取特征层s的数据x^1,s，表示为：

步骤3.3：实施基于one-hot的加工特征数据编码过程，基于one-hot编码形式，将主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型数据进行编码，获取主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型数据的特征向量，分别表示为：

步骤3.4：基于步骤3.2和步骤3.3获得的多源加工状态数据的特征数据，建立基于多维特征数据的刀具磨损状态识别过程，具体包括以下步骤：

步骤3.4.1：建立多维特征层s，将多源加工状态数据的特征数据表示为一个向量X_s；

其中，X_s,k表示为

步骤3.4.2：通过步骤3.2.1建立SAE_s+1，将SAE_s+1编码过程的权重和阈值(w_s+1,b_s+1)用来初始化多维特征层s+1的权重和阈值(w_s+1,b_s+1)，进而得到多维特征层s+1的数据X_s+1；进而建立SAE_s+2来初始化多维特征层s+2的权重和阈值(w_s+2,b_s+2)，得到多维特征层s+2的数据X_s+2；以此类推，直到建立SAE_n，用来初始化多维特征层n的权重和阈值(w_n,b_n)，进而获取特征层n的数据X_n；

步骤3.4.3：采用Softmax函数识别刀具磨损程度类别；

步骤3.5：采用反向传播算法对DNN-TWR进行参数微调，得到具有良好刀具磨损程度识别性能的模型。

4.根据权利要求3所述一种基于深度神经网络的数控机床刀具磨损程度识别方法，其特征在于：步骤3.1中，基于深度神经网络的数控机床刀具磨损程度识别模型的初始输入为预处理后的多源加工状态数据，包括预处理后的数控机床主轴和工作台振动数据、主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型；其中，主轴和工作台振动数据点数目相同，表示为

主轴转速、进给速度、切削深度、刀具材料类型、工件材料类型表示为

数控机床刀具磨损程度识别模型最终输出是刀具磨损程度类别，采用one-hot编码，表示为

5.根据权利要求3所述一种基于深度神经网络的数控机床刀具磨损程度识别方法，其特征在于：步骤3.2.1中，建立基于SAE的特征提取过程，具体包括以下步骤：

a.建立SAE的编码过程，从输入数据中提取特征表示为：

h＝f(wx+b)

式中，x和h是SAE的输入层和隐含层数据，w,b分别为SAE输入层到隐含层的权重和阈值，f(·)是编码函数；

b.建立SAE的解码过程，将特征重构为输入数据，表示为：

式中，

是SAE的输出层数据，

分别为SAE隐含层到输出层的权重和阈值，

是解码函数；

c.选取平均均方和函数作为误差函数，通过反向传播算法最小化误差函数，得到训练好的SAE；平均均方和函数表示为：

式中，K表示样本数目，k表示第k个样本。

6.根据权利要求3所述一种基于深度神经网络的数控机床刀具磨损程度识别方法，其特征在于：步骤3.4.3中，采用Softmax函数识别刀具磨损程度类别，具体包括以下步骤：

a.基于Softmax分类器，建立多维特征层n与输出层的映射关系，其中，第k个样本的映射关系表示为：

y_k＝softmax(ω_n+1·X_k+b_n+1)

式中，ω_n+1,b_n+1分别为多维特征层n到输出层的权重和阈值，softmax(·)是Softmax函数；

b.基于交叉熵误差函数，采用反向传播算法训练Softmax分类器，交叉熵损失函数表示为：

式中，

为DNN-TWR的期望输出，其中，

表示DNN-TWR第k个样本的期望输出，

表示DNN-TWR第k个样本的模型实际输出，M表示DNN-TWR的输出层神经元的数目。

7.根据权利要求1所述一种基于深度神经网络的数控机床刀具磨损程度识别方法，其特征在于：步骤4中，当判断识别结果不准确时，对数控机床刀具磨损程度识别模型进行重新训练，以不断更新数控机床刀具磨损程度识别模型。

Images