CN113313198A - 一种基于多尺度卷积神经网络的刀具磨损预测方法 - Google Patents

Abstract

本发明提供了一种基于多尺度卷积神经网络的刀具磨损预测方法，解决现有刀具磨损预测方法依赖人工特征提取、模型泛化能力不足、应用场景受限的问题。本发明利用深度学习从原始数据中提取数据的本质特征，自动建立特征与目标之间的映射关系，并将其与人工特征提取方法相结合，提高了模型的准确率，该方法首先利用离散小波变换对预处理后的原始信号进行变换，在不损失原始信号信息的情况下对特征进行更好的表示，设计了一种增强的多尺度CNN结构，并将其应用于变换后的小波尺度图上，自动从原始数据中学习刀具的磨损特征；最后，将人工特征和自动特征相结合形成混合特征向量，利用全连接神经网络实现自动特征和人工特征的融合，以实现刀具磨损的预测。

Description

一种基于多尺度卷积神经网络的刀具磨损预测方法

技术领域

本发明属于机械加工中刀具磨损评估技术领域，具体涉及一种基于多尺度卷积神经网络的刀具磨损预测方法。

背景技术

新的生产模式下，刀具磨损预测系统作为自动化、智能化加工过程不可或缺的重要组成部分，日益受到科研人员和工程人员的重视。对加工过程的刀具磨损状态进行准确的判断，对于保障工件质量、提升加工效率，促进自动化、智能化加工具有重要意义。

现有的刀具磨损预测方法主要有：传统数据驱动的刀具磨损预测建模方法和基于深度学习的刀具磨损预测建模方法。其中，传统数据驱动的刀具磨损预测建模方法如模糊聚类、支持向量机、决策树和神经网络等，不需要对切削过程中复杂的刀具失效机理进行深入分析，主要是通过挖掘磨损特征与磨损间关联关系从实现刀具磨损预测的一类方法；该类传统数据驱动的刀具磨损预测建模方法需人为提取刀具磨损特征，因此，模型的性能很大程度上取决于提取特征的好坏，非常依赖相关领域专家的专业知识，在不同领域、不同场景的适应性较差。近年来，得益于各行各业丰富的大数据发展和计算机计算能力的提升，深度学习成为机器学习及数据驱动算法中比较热门的技术，其强大的特征提取、特征融合、抽象泛化能力，能够不依靠人为经验直接从原始数据中提取出特征，促使其在各行业中取得了广泛应用，也逐步应用在了刀具磨损预测中；然而，直接将大量原始数据输入网络进行学习，通常会因模型参数过大导致过拟合，或特征不明显导致模型效果不理想等，影响刀具磨损预测精度。

鉴于此，本发明提出一种基于多尺度卷积神经网络的刀具磨损预测方法。

发明内容

本发明的目的在于解决现有刀具磨损预测方法依赖人工特征提取、模型泛化能力不足、应用场景受限的问题，而提供一种基于多尺度卷积神经网络的刀具磨损预测方法。

为实现上述目的，本发明所提供的技术解决方案是：

一种基于多尺度卷积神经网络的刀具磨损预测方法，其特殊之处在于，包括以下步骤：

1)基于多尺度卷积神经网络搭建刀具磨损预测模型；

所述刀具磨损预测模型由离散小波变换处理模块、多级一维卷积神经网络、二维卷积神经网络以及全连接层构成；

2)采集样本数据，对步骤1)搭建的刀具磨损预测模型进行训练，获得训练好的刀具磨损预测模型；所述样本数据包括原始信号以及原始信号对应的刀具磨损真实值；具体训练过程如下：

2.1)通过离散小波变换将原始信号(即时间序列数据)转换为多尺度谱图图像，以便更好的表现磨损特征；

2.2)对步骤2.1)获得的多尺度谱图图像中的每个尺度的向量，训练多级一维卷积神经网络(1d-CNN)，提取相应的单尺度特征；

2.3)将步骤2.2)获得的单尺度特征进行重构形成高维张量；

2.4)采用二维卷积神经网络(2d-CNN)提取步骤2.3)所述高维张量(该高位张量也可称之为输入序列，因其最初是由时间序列信号得来的，经过一维卷积神经网络的特征提取后仍然可以看作序列)上的多尺度信息，生成自动特征向量；

2.5)将步骤2.4)获得的自动特征向量与事先对原始信号进行人工提取获得的人工特征向量进行连接，形成混合特征向量u；

2.6)将步骤2.5)获得的混合特征向量u输入一个全连接层F，得到刀具磨损预测值；

2.7)将步骤2.6)得到的刀具磨损预测值和所述原始信号对应的刀具磨损真实值进行比较，经过反向传播得到模型中权值，获得训练好的刀具磨损预测模型；

3)利用步骤2)训练好的刀具磨损预测模型，对刀具加工过程进行磨损预测。

进一步地，步骤2)中，所述原始信号通过多源传感器采集得到，包括但不限于X、Y、Z三个方向的切削力信号，X、Y、Z三个方向的振动信号，以及声音信号；其中，信号种类数量对应模型输入的通道数，该通道数的具体取值与采集的原始信号的种类有关；

进一步地，步骤2.1)中，通过离散小波变换将原始信号转换为多尺度谱图图像，小波变换的结果是由一系列小波与原始数据长时间相乘得到的。它将原始信号分解成一个时间尺度平面，每个尺度对应原始信号的特定频率信息，小波变换公式如下：

其中，ψ(t)为基小波，ψ_τ,s为基小波的平移(τ)和缩放(s)得到的小波函数；有限能量信号x(t)的小波变换通过(2)对一系列小波ψ_τ,s的复共轭进行卷积，从而得到小波变换的结果wt(s,τ)；从小波变换的定义和公式(3)可以推导出小波变换没有信息或能量的损失；因此，所得到的多尺度谱图图像是对原始数据的另一种表示。

在对数据进行小波变换后，原始信号采用c＝[c₁,c₂,...,c_l+1]表示，其中l表示分解的级别；

步骤2.2)中，对步骤2.1)获得的多尺度谱图图像中的每个尺度的向量c_i，训练多级一维卷积神经网络，提取相应的单尺度特征；

卷积层在输入向量上按时间顺序滑动滤波器生成特征；定义使用窗口大小为m_i,j的k_i,j个卷积滤波器，对应于输入向量c_i的第j次卷积运算；然后，采用最大池化层对已生成的特征图进行压缩，因此，输入向量c_i的第j个卷积层的运算操作表示为:

o_i,j:Conv(1×m_i,j×k_i,j)/func+Max(1×p_i,j) (4)

其中，func代表激活函数，Max(1×p_i,j)代表池化区域为1×p_i,j的池化层；

单尺度特征提取结果是一个大小为m×1×n的张量，其中，m为输出的通道，n为每个尺度提取特征后的特征数量；公式(4)为通用的结构；

步骤2.3)将提取的所有单尺度特征重构成尺寸为m×(l+1)×n的高维张量，其中，m为输出的通道，n为每个尺度提取特征后的特征数量。

进一步地，一维卷积神经网络结构是公式(4)在不同参数下的组合，为了更好的解释公式(4)，以一个单尺度特征提取过程作为示例，

步骤2.2)输入向量c₁的多级一维卷积神经网络(1d-CNN)结构描述如下：

上述结构代表：一维卷积神经网络的输入为7个大小1×512的序列,依次连接一个有32个特征图和1×32过滤器的卷积层，后面跟一层1×2的池化层；一个有32个特征图和1×16过滤器的卷积层，后面跟一层1×2的池化层；一个有32个特征图和1×8过滤器的卷积层，后面跟一层1×2的池化层；一个有32个特征图和1×4过滤器的卷积层，后面跟一层1×2的池化层；卷积层的激活函数修正为线性单元；所提取出来的单尺度特征是一个大小为32×1×32的张量；

进一步地，步骤2.4)采用二维卷积神经网络(二维卷积神经网络由于其结构和卷积运算，非常适合于类图像数据，能够提取本质特征)提取步骤2.3)所述高维张量上的多尺度信息，生成自动特征向量，具体为：

第一卷积层将张量m×(l+1)×n作为输入，用P个大小为size_w1×size_h1×m的卷积核对其进行过滤，然后接一个最大池化层；

第二层卷积层将第一层卷积层池化后的输出作为输入，用Q个大小为size_w2×size_h2×P的卷积对其进行过滤，然后接一个最大池化层；后接两个完整的全连接层，分别有1000和100个神经元。

进一步地，步骤2.5)中，所述人工特征向量由时域特征、频域特征和时频域特征组成，具体包括均值、均方根值、方差、最大值、最小值、偏度、峰度、谱偏度、谱峰度、谱能量。

进一步地，步骤2.6)将步骤2.5)获得的混合特征向量u输入一个全连接层F,如式(6)所示，得到刀具磨损预测值：

其中，W和b分别表示全连接层的变换矩阵和偏置值。

本发明的优点是：

1.本发明提出了一种适用于多源传感器的刀具磨损混合预测方法，具有以下优点：1)针对原始数据通常包含噪声且本质特征表现能力弱等问题，利用离散小波变换对预处理后的原始信号进行变换，不损失原始信号信息的情况下对特征进行更好的表示，使其更易于实现本质特征提取，便于后续的特征自动学习；2)针对加工过程与刀具磨损之间非线性、高维的复杂关联关系带来的刀具磨损预测准确性差等问题，本发明利用卷积神经网络的平移不变性的优点和强大的特征提取能力，提出单尺度和多尺度融合的磨损特征自动提取模型，得到多尺度的自动特征向量。通过多级一维卷积神经网络构建单尺度特征模型，通过二维卷积神经网络构建多尺度特征提取模型，与现有方法相比，既实现了每个尺度中刀具磨损特征的精细化提取，又在保留尺度间的时空相关性的前提下，实现不同尺度刀具磨损特征的综合提取；3)针对传统数据驱动的模型的性能很大程度上取决于提取特征的好坏，和基于深度学习预测方法易导致过拟合等问题，本发明采用全连接神经网络实现刀具自动特征和人工特征的融合，获得了泛化性较强的刀具磨损预测模型；对于保障工件质量、提升加工效率，促进自动化、智能化加工具有重要意义。

2.本发明利用深度学习从原始数据中提取数据的本质特征，自动建立特征与目标之间的映射关系，并将其与人工特征提取方法相结合，提高了模型的准确率，该方法首先利用离散小波变换对预处理后的原始信号进行变换，在不损失原始信号信息的情况下对特征进行更好的表示，设计了一种增强的多尺度CNN结构，并将其应用于变换后的小波尺度图上，自动从原始数据中学习刀具的磨损特征；最后，将人工特征和自动特征相结合形成混合特征向量，利用全连接神经网络实现自动特征和人工特征的融合，以实现刀具磨损的预测。

3.与现有技术相比，本发明采用自动特征向量和人工特征向量相结合的方式，提高了刀具磨损状态预测的准确率。预测结果表明，最大的误差为err＝0.02873，以误差0.025为界表示模型预测的准确率，模型的预测准确率为96.5％。

附图说明

图1为本发明基于多尺度卷积神经网络的刀具磨损预测方法的流程示意图。

具体实施方式

以下结合附图和具体实施例对本发明的内容作进一步的详细描述：

一、数据准备:

本实施例所用多传感数据输入包含7个通道(包括X/Y/Z三方向的切削力信号，X/Y/Z三方向的振动信号，和声音信号)。

以X方向的切削力信号为例说明数据准备过程：首先，对每一个样本的原始信号进行截断，得到X方向切削力的时间序列数据，记为x＝[x₁,x₂,...,x_N]，对应的刀具磨损真实值记为

其中,N为样本数据的长度，本实施例中N＝1024。

二、数据转换：

采用db5进行5级小波分解，将得到的X方向的切削力记录值转换为多尺度谱图图像，表示为ws_fx＝[c₁,c₂,...,c₆]，其中c₁,c₂,...,c₆是长度为512，256，128，64，32，32的向量。

三、自动特征提取：

对于每一个尺度的向量，分别使用1d-CNN提取单尺度特征。模型的结构和参数见表1。

表1单尺度特征提取模型结构和参数

c<sub>1</sub>	c<sub>2</sub>	c<sub>3</sub>	c<sub>4</sub>	c<sub>5</sub>	c<sub>6</sub>
						Conv(1×8×32)	Conv(1×8×32)	Conv(1×4×32)	Conv(1×4×32)	Conv(1×4×32)	Conv(1×4×32)
Conv(1×8×32)	Conv(1×4×32)	Conv(1×4×32)
						Conv(1×4×32)	Conv(1×4×32)
Conv(1×4×32)

其中，卷积层的激活函数为ReLU，c₁,c₂,c₃,c₄的每一个卷积层后面跟着一个带有1×2池化域的最大池化层，对生成的特征图进行压缩。

由于有7个传感源的数据，因此模型的输入通道设置为7。

通过一维卷积神经网络对各个单尺度特征进行提取后，将单尺度特征进行拼接，得到一幅大小为32×6×32的特征图像，作为多尺度相关特征提取模型的输入，其中，P＝32,Q＝32,size_w×size_h×m＝5×5×32。最后，模型输出大小为1×100的自动特征。

人工特征向量的维数为7×10＝70，所采用的人工特征见表2。

表2人工特征

四、将自动特征向量和人工特征向量进行连接，形成混合特征向量u；每个数据段最后的混合特征向量的维数为170。

将混合特征向量输入一个全连接层，全连接层的神经元数量设置为500。选择均方误差作为模型训练过程中的损失函数。用训练数据集更新模型的参数后，将训练后的模型应用于测试数据上，得到刀具磨损预测值y。

预测结果表明，最大的误差为err＝0.02873，以误差0.025为界表示模型预测的准确率，模型的预测准确率为96.5％。

由于刀具预测模型内部神经网络的权值等参数是随机初始化的，没有确定，因此，在构建模型完成后，使用模型之前需要对模型进行训练，通过反向传播的方法来训练得到整个模型的参数，得到可使用的刀具磨损预测模型。以减小预测值y和真实值

之间的误差。

本发明方法是一种融合了自动特征向量和手工特征向量的混合方法，能够处理多源传感数据，结合了深度学习强大的特征提取、特征融合、抽象泛化能力，弥补了传统刀具磨损预测方法依赖于专家知识、特征工程等不足，实现刀具磨损的预测，对于保障工件质量、提升加工效率，促进自动化、智能化加工具有重要意义。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于多尺度卷积神经网络的刀具磨损预测方法，其特征在于，包括以下步骤：

1)基于多尺度卷积神经网络搭建刀具磨损预测模型；

所述刀具磨损预测模型由离散小波变换处理模块、多级一维卷积神经网络、二维卷积神经网络以及全连接层构成；

2)采集样本数据，对步骤1)搭建的刀具磨损预测模型进行训练，获得训练好的刀具磨损预测模型；所述样本数据包括原始信号以及原始信号对应的刀具磨损真实值；具体训练过程如下：

2.1)通过离散小波变换将原始信号转换为多尺度谱图图像；

2.2)对步骤2.1)获得的多尺度谱图图像中的每个尺度的向量，训练多级一维卷积神经网络，提取相应的单尺度特征；

2.3)将步骤2.2)获得的单尺度特征进行重构形成高维张量；

2.4)采用二维卷积神经网络提取步骤2.3)所述高维张量上的多尺度信息，生成自动特征向量；

2.5)将步骤2.4)获得的自动特征向量与事先对原始信号进行人工提取获得的人工特征向量进行连接，形成混合特征向量u；

2.6)将步骤2.5)获得的混合特征向量u输入一个全连接层F，得到刀具磨损预测值；

2.7)将步骤2.6)得到的刀具磨损预测值和所述原始信号对应的刀具磨损真实值进行比较，经过反向传播得到模型中权值，获得训练好的刀具磨损预测模型；

3)利用步骤2)训练好的刀具磨损预测模型，对刀具加工过程进行磨损预测。

2.根据权利要求1所述基于多尺度卷积神经网络的刀具磨损预测方法，其特征在于：

步骤2)中，所述原始信号通过多源传感器采集得到，包括X、Y、Z三个方向的切削力信号，X、Y、Z三个方向的振动信号，以及声音信号；其中，信号种类数量模型输入的通道数。

3.根据权利要求2所述基于多尺度卷积神经网络的刀具磨损预测方法，其特征在于：

步骤2.1)中，通过离散小波变换将原始信号转换为多尺度谱图图像，小波变换公式如下：

其中，ψ(t)为基小波，ψ_τ,s为基小波的平移(τ)和缩放(s)得到的小波函数；有限能量信号x(t)的小波变换通过(2)对一系列小波ψ_τ,s的复共轭进行卷积，从而得到小波变换的结果wt(s,τ)；

进行小波变换后，原始信号采用c＝[c₁,c₂,...,c_l+1]表示，其中l表示分解的级别；

步骤2.2)中，对步骤2.1)获得的多尺度谱图图像中的每个尺度的向量c_i，训练多级一维卷积神经网络，提取相应的单尺度特征；

卷积层在输入向量上按时间顺序滑动滤波器生成特征；定义使用窗口大小为m_i,j的k_i,j个卷积滤波器，对应于输入向量c_i的第j次卷积运算；然后，采用最大池化层对已生成的特征图进行压缩，因此，输入向量c_i的第j个卷积层的运算操作表示为:

o_i,j:Conv(1×m_i,j×k_i,j)/func+Max(1×p_i,j) (4)

其中，func代表激活函数，Max(1×p_i,j)代表池化区域为1×p_i,j的池化层；

单尺度特征提取结果是一个大小为m×1×n的张量，其中，m为输出的通道，n为每个尺度提取特征后的特征数量；

步骤2.3)将提取的所有单尺度特征重构成尺寸为m×(l+1)×n的高维张量，其中，m为输出的通道，n为每个尺度提取特征后的特征数量。

4.根据权利要求3所述基于多尺度卷积神经网络的刀具磨损预测方法，其特征在于：

步骤2.2)输入向量c₁的多级一维卷积神经网络结构描述如下：

上述结构代表：一维卷积神经网络的输入为7个大小1×512的序列,依次连接一个有32个特征图和1×32过滤器的卷积层，后面跟一层1×2的池化层；一个有32个特征图和1×16过滤器的卷积层，后面跟一层1×2的池化层；一个有32个特征图和1×8过滤器的卷积层，后面跟一层1×2的池化层；一个有32个特征图和1×4过滤器的卷积层，后面跟一层1×2的池化层；卷积层的激活函数修正为线性单元；所提取出来的单尺度特征是一个大小为32×1×32的张量。

5.根据权利要求4所述基于多尺度卷积神经网络的刀具磨损预测方法，其特征在于：

步骤2.4)采用二维卷积神经网络提取步骤2.3)所述高维张量上的多尺度信息，生成自动特征向量，具体为：

第一卷积层将张量m×(l+1)×n作为输入，用P个大小为size_w1×size_h1×m的卷积核对其进行过滤，然后接一个最大池化层；

第二层卷积层将第一层卷积层池化后的输出作为输入，用Q个大小为size_w2×size_h2×P的卷积对其进行过滤，然后接一个最大池化层；后接两个完整的全连接层，分别有1000和100个神经元。

6.根据权利要求5所述基于多尺度卷积神经网络的刀具磨损预测方法，其特征在于：

步骤2.5)中，所述人工特征向量由时域特征、频域特征和时频域特征组成，具体包括均值、均方根值、方差、最大值、最小值、偏度、峰度、谱偏度、谱峰度、谱能量。

7.根据权利要求6所述基于多尺度卷积神经网络的刀具磨损预测方法，其特征在于：

步骤2.6)将步骤2.5)获得的混合特征向量u输入一个全连接层F,如式(6)所示，得到刀具磨损预测值：

其中，W和b分别表示全连接层的变换矩阵和偏置值。

Images