CN112766182A - 一种拉削刀具磨损状态识别方法 - Google Patents
一种拉削刀具磨损状态识别方法 Download PDFInfo
- Publication number
- CN112766182A CN112766182A CN202110089893.1A CN202110089893A CN112766182A CN 112766182 A CN112766182 A CN 112766182A CN 202110089893 A CN202110089893 A CN 202110089893A CN 112766182 A CN112766182 A CN 112766182A
- Authority
- CN
- China
- Prior art keywords
- layer
- tool
- network
- neural network
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000005299 abrasion Methods 0.000 claims abstract description 14
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 15
- 238000003754 machining Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000000306 recurrent effect Effects 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003746 surface roughness Effects 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06F2218/08—Feature extraction
-
- 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)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
一种拉削刀具磨损状态识别方法，属于工业故障诊断技术领域。本发明将采集到的三向振动信号输入预先训练完成的DSBiLSTM算法模型，输出当前的拉刀处于不同磨损状态的概率。刀具状态识别DSBiLSTM算法模型通过卷积神经网络、循环神经网络、全连接神经网络串行的方式构建，可以充分利用三者的优势，有效识别刀具磨损的状态。卷积神经网络适用于空间特征提取，强调几个相对的数据在相交和相离之间数据的上下层的联系，数据的处理在时序上相互独立。循环神经网络对于数据处理侧重于序列的顺序，提取包含时序信息的特征。全连接神经网络用于估计刀具的磨损状态，将提取的特征映射到分类的类别上。
Description
技术领域
本发明属于工业故障诊断技术领域，具体涉及一种拉削刀具磨损状态识别方法。
背景技术
拉床是自动化加工中常见的机床类型，因一次加工可以完成粗加工、半精加工和精加工等操作，加工生产率高，加工表面精度高，被广泛应用于航空航天等领域。在拉削加工的过程中，由于刀具与齿面的接触力，刀具表面会产生磨损。过度的磨损会导致刀具、工件和拉床的损坏。因此，在加工过程中监测刀具磨损状况是至关重要的，当存在刀具磨钝或损坏的情况时，及时采取适当的措施以防止产生灾难性的刀具和拉床故障。
刀具磨损的状态测量方法一般分为两种：直接法和间接法。直接法主要利用先进仪器测量磨损区域的实际尺寸，能直观准确的观测尺寸变化的情况。然而，对切削液、切屑、振动和各种其他环境干扰的敏感性导致它们通常需要在机床停机时执行，不能进行实时监测；与直接法相比，间接法在系统在线时更易于安装和实施，有利于在线检测刀具的磨损状态。间接方法通过采集切削力、扭矩、振动、声发射(AE)、主轴功率、电流、表面粗糙度和温度等一种或多种传感器信号，建立刀具磨损状态与传感器信号之间的映射关系，利用识别模型来实时监测刀具磨损状态。但是，目前刀具状态识别依赖经验知识提取传感器信号特征，通过机器学习算法完成刀具状态识别。该方法依赖个人经验且特征提取不充分，导致准确率和识别效率不高。因此，刀具磨损状态识别是本领域有待解决的问题。
发明内容
针对现有技术中存在的上述问题，本发明的目的在于提供一种拉削刀具磨损状态识别方法,能够提高刀具信号的特征利用率、识别准确率和识别效率。
本发明提供如下技术方案：一种拉削刀具磨损状态识别方法，其特征在于：包括以下步骤:
步骤1、构建DSBiLSTM算法模型作为刀具磨损状态识别模型，所述DSBiLSTM算法模型包括依据DenseNet模型设计的DenseNet(3-3)网络、两层堆叠的双向LSTM网络、全连接神经网络FNN和softmax层；
步骤2、在拉削刀具的刀盒上，沿着x,y,z三个方向粘附安装一组加速度传感器，实时采集拉削刀具在加工过程中的振动信号；
步骤3、选取实验刀具，对刀具进行拉削，收集拉削过程中原始的振动信号和对应的刀具磨损状态，对原始的振动信号进行小波变换去噪处理，将处理后的振动信号数据中的不平衡样本进行扩充并将各个磨损状态下的振动信号数据随机分为训练集、测试集和验证集；
步骤4、将步骤3中收集的训练集数据送入DSBiLSTM算法模型中的DenseNet(3-3)网络和两层堆叠的双向LSTM网络中对模型进行训练，并提取空间和时间上的特征；
步骤5、将步骤4中提取的特征送入FNN层和softmax层，得到当前的拉削刀具处于不同磨损状态的概率；
步骤6、定义交叉熵损失函数作为模型的损失函数，使用Adam优化算法计算误差梯度，并通过反向传播更新网络参数，直到最大迭代次数或最小化损失函数值，然后在验证集上，判断模型是否发生过拟合，若发生过拟合则停止训练，反之，通过调整模型的超参数，评价模型的泛化能力，寻找模型的最优超参数；
步骤7、将步骤6中训练好的DSBiLSTM算法模型在测试集上进行识别，并通过评价指标对模型进行评价。
所述的一种拉削刀具磨损状态识别方法，其特征在于所述DSBiLSTM算法模型具体的构建方法，包括如下步骤：
步骤1.1、构造DenseNet(3-3)网络：所述DenseNet(3-3)网络主要由DenseBlock模块和Transition模块组成，其中DenseBlock包含卷积层和Batch Normalization层，两层的特征图大小相同，层与层之间采用密集连接方式，所述Transition模块连接两个相邻的DenseBlock模块，并且通过Convolution层和Pooling层使特征图大小降低，通过DenseNet(3-3)网络提取空间信息特征后，保留高层并压缩特征；
步骤1.2、构造两层堆叠的双向LSTM网络：所述两层堆叠的双向LSTM网络中，每层双向LSTM包含两个方向的长短期记忆网络LSTM处理序列数据，且每层双向LSTM包含M个神经单元，通过DenseNet(3-3)网络的特征输入到两层堆叠的双向LSTM网络中，得到包含时间信息的特征序列；
步骤1.3、构建全连接神经网络FNN和softmax层，将两层堆叠的双向LSTM网络的最后一个隐藏层函数输出送入全连接神经网络FNN，再经过softmax层对刀具的磨损状态分类。
所述的一种拉削刀具磨损状态识别方法，其特征在于所述DenseNet(3-3)网络、全连接神经网络FNN使用ReLU激活函数，所述两层堆叠的双向LSTM网络、全连接神经网络FNN之后均设置Dropout正则化。
所述的一种拉削刀具磨损状态识别方法，其特征在于所述两层堆叠的双向LSTM网络之后接入全连接神经网络FNN,用于刀具磨损状态分类。
所述的一种拉削刀具磨损状态识别方法，其特征在于所述步骤1.3中，为了提高分类识别率，全连接层之后引入Softmax层，并表示为：
其中M表示类别的数量，
表示每个刀具磨损状态对应的概率。
在0到1区间之内，且
所述的一种拉削刀具磨损状态识别方法，其特征在于所述刀具磨损状态根据刀具磨损状态值分为初期磨损、正常磨损和磨钝三个状态，针对不同的磨损状态，通过one-hot方式对刀具磨损状态进行标签编码；
所述的一种拉削刀具磨损状态识别方法，其特征在于所述模型的损失函数为：
其中L表示损失函数,N表示样本的数量，M表示类别的数量，yij表示指示变量，pij表示对于观测样本i属于类别j的预测概率。
所述的一种拉削刀具磨损状态识别方法，其特征在于所述步骤4中，训练集信号送入DenseNet(3-3)和两层堆叠的双向LSTM网络之前，需要对训练集信号数据进行最大-最小归一化处理，以降低计算复杂度，处理公式如下：
其中，x表示传感器的信号输入值，
表示经过最小最大归一化处理后的信号输入值xmin表示信号中的最小值，xmax表示信号中的最大值。
所述的一种拉削刀具磨损状态识别方法，其特征在于所述步骤7中，评价指标包括查准率、召回率、准确率以及F1-score。
所述的一种拉削刀具磨损状态识别方法，其特征在于所述两层堆叠的双向LSTM网络中，双向LSTM网络能够使用两个单独的隐藏层在两个方向处理序列数据，然后反馈到同一输出层，前进、后退过程中隐藏层函数hj的定义过程见如下公式(1)、公式(2)及公式(3)：
其中，→表示前进的过程，←表示后退的过程，It是输入门、ft是遗忘门、ot是输出门、
是LSTM单元的内部状态、
是输出状态，bf、Uf和Wf分别是LSTM单元遗忘门的输入偏差、输入权重和循环权重，bI、UI和WI分别是LSTM单元遗忘门的输入偏差、输入权重和循环权重，bo、Uo和Wo分别是LSTM单元输出门的输入偏差、输入权重和循环权重，b、U和W分别是LSTM单元中的输入单元的输入偏差、输入权重和循环权重，x(t)表示当前时刻的输入向量，j是输入向量的数量，h(t-1)是前一时刻的输出，σ是Sigmoid函数，它将遗忘门设置为0到1之间的值，
是最后一个隐藏层的输出。
通过采用上述技术，与现有技术相比，本发明的有益效果如下：
本发明通过将采集到的三向振动信号输入预先训练完成的DSBiLSTM算法模型，输出当前的拉刀处于不同磨损状态的概率，该DSBiLSTM算法模型通过卷积神经网络、循环神经网络、全连接神经网络串行的方式构建，可以充分利用三者的优势，有效识别刀具磨损的状态；其中，采用DenseNet(3-3)网络作为卷积神经网络，用于空间特征提取，强调几个相对的数据在相交和相离之间数据的上下层的联系，数据的处理在时序上相互独立；采用两层堆叠的双向LSTM网络作为循环神经网络，该网络对于数据处理侧重于序列的顺序，当前的数据可能对未来的数据的发展产生影响，也可能与之前的数据有关联，从而提取包含时序信息的特征；设置的全连接神经网络FNN，用于估计刀具的磨损状态，将提取的特征映射到分类的类别上。
附图说明
图1为本发明的刀具磨损状态识别模型示意图；
图2为本发明的小波变换去噪流程图；
图3为本发明的刀具磨损状态识别流程图；
图4为本发明的加速度传感器安装示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
请参阅图1-4，一种拉削刀具磨损状态识别方法，包括以下具体步骤：
步骤1、构建DSBiLSTM算法模型作为刀具磨损状态识别模型，所述DSBiLSTM算法模型包括依据DenseNet模型设计的DenseNet(3-3)网络、两层堆叠的双向LSTM网络、全连接神经网络FNN和softmax层。
DSBiLSTM算法模型具体的构建方法，包括如下步骤：
步骤1.1、构造DenseNet(3-3)网络：所述DenseNet(3-3)网络主要由DenseBlock模块和Transition模块组成，其中DenseBlock包含卷积层和Batch Normalization层，每个层的特征图大小相同，层与层之间采用密集连接方式，所述Transition模块连接两个相邻的DenseBlock，并且通过Convolution层和Pooling层使特征图大小降低，通过DenseNet(3-3)网络提取空间信息特征后，保留高层信息并压缩特征；
步骤1.2、构造两层堆叠的双向LSTM网络：所述两层堆叠的双向LSTM网络中，每层双向LSTM包含两个方向的长短期记忆网络LSTM处理序列数据，且每层双向LSTM包含M个神经单元，通过DenseNet(3-3)网络的特征输入到两层堆叠的双向LSTM网络中，得到包含时间信息的特征序列；
步骤1.3、构建全连接神经网络FNN和softmax层，将两层堆叠的双向LSTM网络最后一层隐藏层的输出送入全连接神经网络FNN，再经过softmax层对刀具的磨损状态分类。
步骤2、在拉削刀具的刀盒上，沿着x,y,z三个方向粘附安装14个加速度传感器，用于实时采集拉削刀具在加工过程中的振动信号，刀盒水平安装，加速度传感器的安装位置如附图4所示；
步骤3、通过实验将三把刀具进行拉削，记录拉削过程中原始的振动信号和刀具磨损状态。采集信号的频率为2.56kHZ，根据拉削速度，一个拉削行程的有效时间约为3.9s，即每组信号可以采集到10000个有效振动信号数据。最后，将处理后的振动信号数据中的不平衡样本进行扩充并将各个磨损状态下的振动信号数据随机分为训练集、测试集和验证集；
其中，刀具磨损状态根据拉刀在超景深显微镜中观察到的磨损状态值进行分类，测量过程中选择拉刀最易磨损的后刀面的1/2处，并在白光干涉仪下观察刀具表面形态判定刀具模型状态，具体分为以下三种情况：初期磨损、正常磨损和磨钝，三种情况对应的磨损状态值范围分别为：[0,0.1mm]、[0.1mm,0.2mm]、[0.3mm,+∞]，针对不同的磨损状态值，通过one-hot方式对刀具磨损状态进行标签编码。
原始振动信号从加工现场收集，考虑到生产车间的加工设备和周围环境会不可避免的产生随机噪声，噪声会削弱后续算法的特征提取和磨损状态监测，因此本实施例采用小波去噪对原始信号进行去噪处理。由于不同的传感器数值上的差异，需要对信号数据进行归一化处理，以降低计算复杂度，采用最大-最小归一化，其公式如下：
其中，x表示传感器的信号输入值，
表示经过最小最大归一化处理后的信号输入值，xmin表示信号中的最小值，xmax表示信号中的最大值。
步骤4、利用训练集对DSBiLSTM算法模型进行训练，将训练集样本归一化后送入DSBiLSTM算法模型中的DenseNet(3-3)网络和两层堆叠的双向LSTM网络中对模型进行训练，并提取空间和时间上的特征，在两层堆叠的双向LSTM网络之后接入全连接神经网络FNN,用于刀具磨损状态分类；该全连接神经网络FNN使用Dropout层以避免过度拟合和引入ReLU函数标准化输出，为了提高分类识别率，全连接神经网络FNN之后引入Softmax层，并表示为：
其中M表示类别的数量，
表示每个刀具磨损状态对应的概率。
在0到1区间之内，且
步骤5、定义交叉熵损失函数作为模型的损失函数，它广泛作用分类模型损失函数或评估标准：
其中L表示损失函数,N表示样本的数量，N表示样本的数量，M表示类别的数量，yij指示变量(如果该类别和样本i的类别相同就是1，否则就是0)，pij对于观测样本i属于类别j的预测概率。
使用Adam优化算法计算误差梯度并更新网络参数，直到达到最大迭代次数(即epoch≤120)或最小化损失函数(即loss＜预设值)，输出最优参数。在验证集上，监控模型是否发生过拟合，若过拟合则停止训练。反之，通过调整模型的超参数，评价模型的泛化能力，寻找模型的最优超参数；
步骤6、将步骤5中训练好的DSBiLSTM算法模型在测试集上进行刀具磨损状态的识别，并通过计算一系列的指标评价模型的好坏，包括：查准率、召回率、准确率以及F1-score，最终的结果准确率达到99％，查准率为90％，召回率为100％，F1-score为94.7％。
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。这为拉削加工中的刀具磨损状态识别提供了有效的方法，提高了加工的效率，并降低了因刀具过度磨损带来的损失
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种拉削刀具磨损状态识别方法，其特征在于：包括以下步骤:
步骤1、构建DSBiLSTM算法模型作为刀具磨损状态识别模型，所述DSBiLSTM算法模型包括依据DenseNet模型设计的DenseNet(3-3)网络、两层堆叠的双向LSTM网络、全连接神经网络FNN和softmax层；
步骤2、在拉削刀具的刀盒上，沿着x,y,z三个方向粘附安装一组加速度传感器，实时采集拉削刀具在加工过程中的振动信号；
步骤3、选取实验刀具，对刀具进行拉削，收集拉削过程中原始的振动信号和对应的刀具磨损状态，对原始的振动信号进行小波变换去噪处理，将处理后的振动信号数据中的不平衡样本进行扩充并将各个磨损状态下的振动信号数据随机分为训练集、测试集和验证集；
步骤4、将步骤3中收集的训练集数据送入DSBiLSTM算法模型中的DenseNet(3-3)网络和两层堆叠的双向LSTM网络中对模型进行训练，并提取空间和时间上的特征；
步骤5、将步骤4中提取的特征送入FNN层和softmax层，得到当前的拉削刀具处于不同磨损状态的概率；
步骤6、定义交叉熵损失函数作为模型的损失函数，使用Adam优化算法计算误差梯度，并通过反向传播更新网络参数，直到最大迭代次数或最小化损失函数值，然后在验证集上，判断模型是否发生过拟合，若发生过拟合则停止训练，反之，通过调整模型的超参数，评价模型的泛化能力，寻找模型的最优超参数；
步骤7、将步骤6中训练好的DSBiLSTM算法模型在测试集上进行识别，并通过评价指标对模型进行评价。
2.根据权利要求1所述的一种拉削刀具磨损状态识别方法，其特征在于所述DSBiLSTM算法模型具体的构建方法，包括如下步骤：
步骤1.1、构造DenseNet(3-3)网络：所述DenseNet(3-3)网络主要由DenseBlock模块和Transition模块组成，其中DenseBlock包含卷积层和Batch Normalization层，两层的特征图大小相同，层与层之间采用密集连接方式，所述Transition模块连接两个相邻的DenseBlock模块，并且通过Convolution层和Pooling层使特征图大小降低，通过DenseNet(3-3)网络提取空间信息特征后，保留高层并压缩特征；
步骤1.2、构造两层堆叠的双向LSTM网络：所述两层堆叠的双向LSTM网络中，每层双向LSTM包含两个方向的长短期记忆网络LSTM处理序列数据，且每层双向LSTM包含M个神经单元，通过DenseNet(3-3)网络的特征输入到两层堆叠的双向LSTM网络中，得到包含时间信息的特征序列；
步骤1.3、构建全连接神经网络FNN和softmax层，将两层堆叠的双向LSTM网络的最后一个隐藏层函数输出送入全连接神经网络FNN，再经过softmax层对刀具的磨损状态分类。
3.根据权利要求2所述的一种拉削刀具磨损状态识别方法，其特征在于所述DenseNet(3-3)网络、全连接神经网络FNN使用ReLU激活函数，所述两层堆叠的双向LSTM网络、全连接神经网络FNN之后均设置Dropout正则化。
4.根据权利要求2所述的一种拉削刀具磨损状态识别方法，其特征在于所述两层堆叠的双向LSTM网络之后接入全连接神经网络FNN,用于刀具磨损状态分类。
5.根据权利要求2所述的一种拉削刀具磨损状态识别方法，其特征在于所述步骤1.3中，为了提高分类识别率，全连接层之后引入Softmax层，并表示为：
其中M表示类别的数量，
表示每个刀具磨损状态对应的概率，
在0到1区间之内，且
6.根据权利要求1所述的一种拉削刀具磨损状态识别方法，其特征在于所述刀具磨损状态根据刀具磨损状态值分为初期磨损、正常磨损和磨钝三个状态，针对不同的磨损状态，通过one-hot方式对刀具磨损状态进行标签编码。
7.根据权利要求5所述的一种拉削刀具磨损状态识别方法，其特征在于所述模型的损失函数为：
其中L表示损失函数,N表示样本的数量，M表示类别的数量，yij表示指示变量，pij表示对于观测样本i属于类别j的预测概率。
8.根据权利要求1所述的一种拉削刀具磨损状态识别方法，其特征在于所述步骤4中，训练集信号送入DenseNet(3-3)和两层堆叠的双向LSTM网络之前，需要对训练集信号数据进行最大-最小归一化处理，以降低计算复杂度，处理公式如下：
其中，x表示传感器的信号输入值，
表示经过最小最大归一化处理后的信号输入值xmin表示信号中的最小值，xmax表示信号中的最大值。
9.根据权利要求1所述的一种拉削刀具磨损状态识别方法，其特征在于所述步骤7中，评价指标包括查准率、召回率、准确率以及F1-score。
10.根据权利要求2所述的一种拉削刀具磨损状态识别方法，其特征在于所述两层堆叠的双向LSTM网络中，双向LSTM网络能够使用两个单独的隐藏层在两个方向处理序列数据，然后反馈到同一输出层，前进、后退过程中隐藏层函数hj的定义过程见如下公式(1)、公式(2)及公式(3)：
其中，→表示前进的过程，←表示后退的过程，It是输入门、ft是遗忘门、ot是输出门、
是LSTM单元的内部状态、
是输出状态，bf、Uf和Wf分别是LSTM单元遗忘门的输入偏差、输入权重和循环权重，bI、UI和WI分别是LSTM单元遗忘门的输入偏差、输入权重和循环权重，bo、Uo和Wo分别是LSTM单元输出门的输入偏差、输入权重和循环权重，b、U和W分别是LSTM单元中的输入单元的输入偏差、输入权重和循环权重，x(t)表示当前时刻的输入向量，j是输入向量的数量，h(t-1)是前一时刻的输出，σ是Sigmoid函数，它将遗忘门设置为0到1之间的值，
是最后一个隐藏层的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110089893.1A CN112766182B (zh) | 2021-01-22 | 2021-01-22 | 一种拉削刀具磨损状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110089893.1A CN112766182B (zh) | 2021-01-22 | 2021-01-22 | 一种拉削刀具磨损状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112766182A true CN112766182A (zh) | 2021-05-07 |
| CN112766182B CN112766182B (zh) | 2024-02-02 |
Family
ID=75706711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110089893.1A Active CN112766182B (zh) | 2021-01-22 | 2021-01-22 | 一种拉削刀具磨损状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766182B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113245649A (zh) * | 2021-05-28 | 2021-08-13 | 珠海格力精密模具有限公司 | 多电极高效加工方法 |
| CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113608163A (zh) * | 2021-09-10 | 2021-11-05 | 天目数据(福建)科技有限公司 | 一种堆叠循环神经网络的电表故障诊断方法及装置 |
| CN114091544A (zh) * | 2021-11-29 | 2022-02-25 | 西南交通大学 | 基于振动信号与神经网络的tbm盘形滚刀磨损识别系统 |
| CN114346761A (zh) * | 2022-01-06 | 2022-04-15 | 中国科学技术大学 | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 |
| CN114925596A (zh) * | 2022-04-20 | 2022-08-19 | 永得利科技（无锡）有限公司 | 基于晶圆测试设备的铸件平台精铣加工参数的优化方法 |
| CN118503665A (zh) * | 2024-07-15 | 2024-08-16 | 河源市蓝海米克模具刀具有限公司 | 基于数据处理的复合材料加工刀具钝化检测系统及其方法 |
Citations (4)
| 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 |
| CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
| CN111761409A (zh) * | 2020-07-09 | 2020-10-13 | 内蒙古工业大学 | 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 |
| CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
-
2021
- 2021-01-22 CN CN202110089893.1A patent/CN112766182B/zh active Active
Patent Citations (4)
| 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 |
| CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
| CN111761409A (zh) * | 2020-07-09 | 2020-10-13 | 内蒙古工业大学 | 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 |
| CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113245649A (zh) * | 2021-05-28 | 2021-08-13 | 珠海格力精密模具有限公司 | 多电极高效加工方法 |
| CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113469281B (zh) * | 2021-07-22 | 2023-11-24 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113608163A (zh) * | 2021-09-10 | 2021-11-05 | 天目数据(福建)科技有限公司 | 一种堆叠循环神经网络的电表故障诊断方法及装置 |
| CN114091544A (zh) * | 2021-11-29 | 2022-02-25 | 西南交通大学 | 基于振动信号与神经网络的tbm盘形滚刀磨损识别系统 |
| CN114346761A (zh) * | 2022-01-06 | 2022-04-15 | 中国科学技术大学 | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 |
| CN114925596A (zh) * | 2022-04-20 | 2022-08-19 | 永得利科技（无锡）有限公司 | 基于晶圆测试设备的铸件平台精铣加工参数的优化方法 |
| CN114925596B (zh) * | 2022-04-20 | 2023-10-20 | 永得利科技（无锡）有限公司 | 基于晶圆测试设备的铸件平台精铣加工参数的优化方法 |
| CN118503665A (zh) * | 2024-07-15 | 2024-08-16 | 河源市蓝海米克模具刀具有限公司 | 基于数据处理的复合材料加工刀具钝化检测系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112766182B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766182B (zh) | 一种拉削刀具磨损状态识别方法 | |
| Xu et al. | Deep learning-based tool wear prediction and its application for machining process using multi-scale feature fusion and channel attention mechanism | |
| Huang et al. | An enhanced deep learning-based fusion prognostic method for RUL prediction | |
| Madhusudana et al. | Condition monitoring of face milling tool using K-star algorithm and histogram features of vibration signal | |
| Li et al. | Similarity-measured isolation forest: Anomaly detection method for machine monitoring data | |
| Chao et al. | Adaptive decision-level fusion strategy for the fault diagnosis of axial piston pumps using multiple channels of vibration signals | |
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| Gong et al. | A fast anomaly diagnosis approach based on modified CNN and multisensor data fusion | |
| Li et al. | Intelligent tool wear prediction based on Informer encoder and stacked bidirectional gated recurrent unit | |
| Wang et al. | Random convolutional neural network structure: An intelligent health monitoring scheme for diesel engines | |
| CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
| Niu et al. | Remaining useful life prediction of machining tools by 1D-CNN LSTM network | |
| CN104596780B (zh) | 一种动车组制动系统传感器故障的诊断方法 | |
| 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 | |
| Krishnakumar et al. | Feature level fusion of vibration and acoustic emission signals in tool condition monitoring using machine learning classifiers | |
| CN111539152A (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| Liao et al. | Research on a rolling bearing fault detection method with wavelet convolution deep transfer learning | |
| CN114273977A (zh) | 一种基于mes的刀具磨损检测方法及其系统 | |
| CN113609789A (zh) | 一种基于时空特征并行提取的刀具磨损状态预测方法 | |
| Liu et al. | Vibration-based gear continuous generating grinding fault classification and interpretation with deep convolutional neural network | |
| Zheng et al. | Tool wear condition monitoring in milling process based on data fusion enhanced long short-term memory network under different cutting conditions | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |