CN113798920B - 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 - Google Patents

Abstract

一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法，采集加工过程中机床主轴电机三相电流信号，将其融合成电流有效值并转化为三维矩阵形式生成图片样本，作为VAE‑ELM网络的输入；利用VAE进行无监督训练，保留网络由提取的短序列向量组成的特征信息部分；以无监督预训练阶段获得的特征信息作为有监督网络的初始输入，利用ELM算法对特征进行分类；完成网络的训练后，将测试样本输入到VAE‑ELM模型中，获得结果。本发明可以避免繁杂的数据预处理方法，且不需要剔除摆线铣削加工中空刀部分的信号数据也能够高效准确地识别出变工况条件下刀具的磨损状态，具有识别精度高，鲁棒性强的特点，在实际工程应用中具有重要意义。

Description

一种基于变分自动编码器与极限学习机的刀具磨损状态监测 方法

技术领域

本发明属于高速铣削加工技术领域，涉及到刀具磨损状态监测问题，具体为一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法。

背景技术

近年来，高速铣削加工由于极高的加工精度、极快的加工效率和极好的加工表面质量等优势，已经成为先进加工制造业的重要组成部分。在实际的加工生产过程中，刀具作为机械加工过程的执行件，在工件的切削加工过程中不可避免的会发生磨损、破损的情况。研究表明，刀具状态的变化不仅直接影响工件的加工精度和表面质量，甚至会中断整个加工系统的运行，造成加工效率降低和生产成本提高。因此，在加工过程中，对刀具状态进行实时监测具有重要意义。

刀具的状态监测主要分为直接监控法和间接监控法。直接监控法主要通过光学测量和计算机图像处理等方式直接测量刀具表面的形状变化量。虽然直接监控法的测量精度高，但是必须进行离线监测，无法满足在线监控要求，会造成切削过程不连续，产生延长加工时间的问题，不利于实际应用。因此，间接监控法更能满足数控生产线的需求，也是刀具磨损研究的热点。

间接监控法是通过采集与刀具磨损相关的力信号、电流信号、振动信号及声压信号等物理信号，再通过信号处理技术提取刀具磨损特征，对刀具磨损状态进行识别。目前主流的间接测量法主要是基于信号分析和机器学习算法，也是传统的刀具磨损状态监测方法。通常首先采集与刀具磨损相关的力信号、电流信号、振动信号及声压信号等物理信号；然后人为的对采集到的原始信号进行时域分析、频域分析和时频域分析特征提取；最后采用机器学习算法，实现刀具磨损状态识别。如Kalvoda等基于Hilbert-Huang变换对铣削加工过程中的加速度信号进行处理，发现了刀具在磨损和失效时时频图具有显著区别的重要规律，借此实现刀具磨损状态的识别；Li等使用小波包分析对铣削力信号和振动信号进行重构并提取小波包能量作为径向基神经网络(Radial Basis Function，RBF)的输入特征，实现了铣刀磨损状态的准确识别；王国锋等提出了一种基于降噪自编码器(DenoisingAuto-encoder，DAE)与混合趋势粒子滤波的刀具剩余使用寿命预测方法，将由混合粒子滤波处理的信号输入降噪自编码器中，解决了单一状态方程无法表征具有随机性的刀具磨损趋势这一问题，但是上述方法主要存在以下问题：

一、人为的对原始数据进行预处理和特征提取会导致包含在原始信号中对刀具磨损状态敏感的特征信息未被利用，存在信息丢失的风险；

二、进行特征处理的过程需要花费一定的时间，也增加了识别过程的复杂性；

三、耗费对原始数据进行特征筛选的过程十分依赖技术人员的信号处理技术和专业的诊断经验，远远达不到智能化要求，存在一定的局限性。

发明内容

为了解决现有技术存在的问题，本发明提供一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法，该发明能够摆脱对信号处理技术和诊断经验等先验知识的依赖，且不需要剔除摆线铣削加工中空刀部分的信号，自适应的提取隐藏在原始信号中对刀具磨损状态敏感的特征信息，具有识别精度高，适用性强的特点。

本发明的技术方案为：

所述一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法，其特征在于：包括以下步骤：

步骤1：样本数据获取和预处理：

利用闭环霍尔效应电流传感器采集不同刀具磨损状态下机床主轴电机三相交流电信号；将三相交流电信号合成电流有效值；将所述经过归一化处理后的电流有效值信号进行分割，得到多个等长度的时间序列样本数据，将分割的样本数据转化为三维矩阵形式，生成图片样本；根据得到的多个图片样本与对应的刀具磨损状态组合成为训练集和测试集；

步骤2：搭建变分自动编码器模型；

所述变分自动编码器模型由编码器模块、解码器模块和输出模块三部分组成；

编码器模块包括输入层、卷积层、ReLu激活层和全连接层；解码器模块包括输入层、反卷积层和ReLu激活层；编码块以全连接层作为输出层，输入至解码块以后，通过反卷积和ReLu激活操作实现输入信息的还原；变分自动编码器模型是建立在贝叶斯理论基础上，通过训练学习输入信息的概率分布，进行输出重构；输出模块由极限学习机组成，产生整个模型的输出结果；

网络输入的大小为[144 256]，隐藏层主要包括编码器模块和解码器模块，隐藏层维度为20，训练epoch为400；图片样本大小为180*320*3；

步骤3：模型训练；

整个模型的训练过程分为无监督预训练和有监督识别两个阶段；

在无监督预训练阶段，由于VAE是建立在贝叶斯理论基础上的网络模型，需要注意“后验失效”现象。因此输入样本，以证据下界(ELBO)作为目标函数对步骤2搭建的网络的编码块和解码块进行无监督训练；证据下界(ELBO)表示为：

ELBO＝E_q(Z|X)[logp(X|Z)]-D_KL(q(Z|X)||p(x))

其中，第一项E_q(z|X)[logp(X|Z)]称为重构似然，即使用变分分布q(Z|X)推断的隐变量样本z的似然函数p(X|Z)的log极大似然；第二项D_KL(q(Z|X)||p(x))则代表变分分布q(Z|X)与概率分布p(x)间的KL散度；

在VAE网络中，希望获得最大的ELBO，也就是希望ELBO的测试损失值最小；

在无监督预训练阶段结束以后，以训练后的解码器模块的输出作为网络输出块的输入，输出模块主要是极限学习机结构，其损失函数表示为：

其中，β_i表示输出权重，W_i表示输入权重，b_i表示隐藏层偏差，X_j表示第j个数据样本，t_j表示与第j个样本对应的标签；

在模型的整个训练过程中，使用批处理的方法分批对样本数据进行训练；批处理大小选定为64；每批样本结束训练以后，记录模型的ELBO损失值和识别准确率，以此作为模型训练识别效果的判断依据；在训练过程结束以后，选定损失值最小，识别准确率最高的模型作为最终模型；

步骤4：采用步骤3获得的最终模型进行监测；

按照步骤1的方式进行数据采集和预处理，获得时间序列样本；将由时间序列样本转换成的图片样本输入到最终模型中获得当前时刻的刀具磨损状态。

本发明的有益效果为：运用变分自动编码器自适应地提取基于原始时域信号本身的表征刀具磨损状态的特征信息，有效地避免了繁琐的信号预处理过程，摆脱了传统刀具磨损状态监测技术对专家经验的依赖。具有多层次的特征表达能力，提高了数据特征的有效性。

附图说明

图1是本发明提供的基于变分自动编码器与极限学习机的刀具磨损状态监测方法流程图；

图2是变分自动编码器与极限学习机网络模型的原理框图；

图3是无监督训练过程中ELBO测试损失值变化过程，首先将epoch设置为500进行训练，当epoch到达360时，达到最小值330，在之后的140个epoch中，该值下降缓慢，基本维持在330左右震荡。因此，epoch设置为400时可以基本学习到原始数据中隐藏的特征；

图4是不同大小图片样本输入到模型中分别运行十次，获得的平均识别准确率和平均每个epoch运行时间所需的时间对比；

图5是无监督预训练过程中每50个epoch输入信号和重构信号对比图；

图6是不同模型在验证集上的识别结果对比。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施方式。

本实施例中一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法，附图1表示该刀具磨损状态监测方法流程图，包括以下步骤：

步骤1：样本数据获取和预处理：

利用闭环霍尔效应电流传感器采集不同刀具磨损状态下机床主轴电机三相交流电信号；将三相交流电信号合成电流有效值；将所述经过归一化处理后的电流有效值信号进行分割，得到多个等长度的时间序列样本数据，将分割的样本数据转化为三维矩阵形式，生成图片样本；根据得到的多个图片样本与对应的刀具磨损状态组合成为训练集和测试集；

具体地，实验所用数据采集自沈阳某公司车间摆线铣削实际加工过程。加工机床为沈阳中捷机床公司生产的GMC1020L三轴立式铣削加工中心，采用西门子数控系统。铣削电流信号采用瑞士LEM公司生产的LT 108-S7型闭环霍尔效应电流传感器获得。刀具为林氏牌4刃硬质合金平头立铣刀，直径为20mm，螺旋角为30°；工件材料为合金钢KMN。

铣削过程采用干铣方式，并人为的将刀具磨损状态划分为4类，即初始磨损状态、中间磨损状态I、中间磨损状态II和严重磨损状态。采集沈阳某公司加工车间实际加工过程中的电流信号，采样频率为10K。将采集到的机床主轴三相电流信号I_u，I_v，I_w融合为三相电流有效值I_rms，具体公式如下：

由于需要将电流有效值转化为三维的彩色图片样本。因此，将融合后的I_rms值标准化至[0，255]区间，生成三维图片样本，以此作为网络模型的输入样本。

不同磨损状态在不同的加工条件下采集的样本数量均为74个，共获得296个图片样本，每个图片样本大小为180*320*3，即每个图片样本包含172800个数据点。样本标签根据刀具的不同磨损状态设定为1-4并转化为独热编码形式。取256个图片样本作为训练集，用于训练神经网络。剩余40个样本作为验证集，用来最终测试模型识别精度。具体数据集划分情况如表1所示。

表1数据集划分

步骤2：搭建变分自动编码器模型；

如附图2所示，所述变分自动编码器模型由编码器模块、解码器模块和输出模块三部分组成；

编码器模块包括输入层、卷积层、ReLu激活层和全连接层；

解码器模块包括输入层、反卷积层和ReLu激活层；编码块以全连接层作为输出层，输入至解码块以后，通过反卷积和ReLu激活操作实现输入信息的还原；变分自动编码器模型是建立在贝叶斯理论基础上，通过训练学习输入信息的概率分布，进行输出重构；

输出模块由极限学习机组成，产生整个模型的输出结果；

步骤3：模型训练；

整个模型的训练过程分为无监督预训练和有监督识别两个阶段；

在无监督预训练阶段，由于VAE是建立在贝叶斯理论基础上的网络模型，需要注意“后验失效”现象。因此输入样本，以证据下界(ELBO)作为目标函数对步骤2搭建的网络的编码块和解码块进行无监督训练；证据下界(ELBO)表示为：

ELBO＝E_q(z|X)[logp(X|Z)]-D_KL(q(Z|X)||p(x))

在VAE网络中，希望获得最大的ELBO，也就是希望ELBO的测试损失值最小；

在无监督预训练阶段结束以后，以训练后的解码器模块的输出作为网络输出块的输入，输出模块主要是极限学习机结构，其损失函数表示为：

其中，β_i表示输出权重，W_i表示输入权重，b_i表示隐藏层偏差，X_j表示第j个数据样本，t_j表示与第j个样本对应的标签；

在模型的整个训练过程中，使用批处理的方法分批对样本数据进行训练；批处理大小选定为64；每批样本结束训练以后，记录模型的ELBO损失值和识别准确率，以此作为模型训练识别效果的判断依据；在训练过程结束以后，选定损失值最小，识别准确率最高的模型作为最终模型；

步骤4：采用步骤3获得的最终模型进行监测；

按照步骤1的方式进行数据采集和预处理，获得时间序列样本；将时间序列样本输入到最终模型中获得当前时刻的刀具磨损状态。

结合图5，采用五种不同的监测方法变分自动编码器与支持向量机(VAE-SVM)、堆叠稀疏自编码器与SoftMax(SSAE-SoftMax)、卷积神经网络(CNN)、决策树(DT)、反向传播神经网络(BPnn)与本发明一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法进行对比验证，对比结果显示，针对相同的数据本发明提供的方法相较于其他五种方法均具有更高的识别准确率，由此表明本方法能够更加准确的识别出刀具的不同磨损状态。

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，上述实施例仅用以说明本发明的技术方案，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原理和宗旨情况下，在本发明的范围内可以对以上述实施例进行修改和替换。

Claims (2)

1.一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法，其特征包括以下步骤：

步骤1：样本数据获取和预处理

利用闭环霍尔效应电流传感器采集不同刀具磨损状态下机床主轴电机三相交流电信号；将三相交流电信号合成电流有效值；将经过归一化处理后的电流有效值信号进行分割，得到多个等长度的时间序列样本数据，将分割的样本数据转化为三维矩阵形式，生成图片样本；根据得到的多个图片样本与对应的刀具磨损状态组合成为训练集和测试集；

步骤2：搭建变分自动编码器模型

变分自动编码器模型主要由编码器模块、解码器模块和输出模块三部分组成；

编码器模块包括输入层、卷积层、ReLu激活层和全连接层；解码器模块包括输入层、反卷积层和ReLu激活层；编码器模块以全连接层作为输出层，输入至解码器模块后，通过反卷积和ReLu激活操作实现输入信息的还原；变分自动编码器模型是建立在贝叶斯理论基础上，通过训练学习输入信息的概率分布，进行输出重构；输出模块由极限学习机组成，产生变分自动编码器模型的输出结果；

步骤3：变分自动编码器模型训练；

变分自动编码器模型的训练过程分为无监督预训练和有监督识别两个阶段；

在无监督预训练阶段，由于VAE网络是建立在贝叶斯理论基础上的网络模型，需要注意“后验失效”现象，用变分分布q(Z|X)去估计后验；因此输入样本，以证据下界ELBO作为目标函数对步骤2搭建的网络的编码器模块和解码器模块进行无监督训练；证据下界表示为：

ELBO＝E_q(Z|X)[log p(X|Z)]-D_KL(q(Z|X)||p(x))

其中，第一项E_q(Z|X)[log p(X|Z)]称为重构似然，即使用变分分布q(Z|X)推断的隐变量样本z的似然函数p(X|Z)的log极大似然；第二项D_KL(q(Z|X)||p(x))则代表变分分布q(Z|X)与概率分布p(x)间的KL散度；

在VAE网络中，希望获得最大的ELBO，也就是希望ELBO的测试损失值最小；

在无监督预训练阶段结束以后，以训练后的解码器模块的输出作为网络输出块的输入，输出模块主要是极限学习机结构，其损失函数表示为：

其中，β_i表示输出权重，W_i表示输入权重，b_i表示隐藏层偏差，X_j表示第j个数据样本，t_j表示与第j个样本对应的标签；

在变分自动编码器模型的训练过程中，使用批处理的方法分批对样本数据进行训练；批处理大小选定为64；每批样本结束训练以后，记录模型的ELBO损失值和识别准确率，以此作为变分自动编码器模型训练识别效果的判断依据；在训练过程结束以后，选定损失值最小，识别准确率最高的模型作为最终模型；

步骤4：采用步骤3获得的最终模型进行监测；

按照步骤1的方式进行数据采集和预处理，获得时间序列样本；将由时间序列样本转换成的图片样本输入到最终模型中获得当前时刻的刀具磨损状态。

2.根据权利要求1所述的基于变分自动编码器与极限学习机的刀具磨损状态监测方法，其特征在于，网络输入的大小为[144 256]，隐藏层维度为20，训练epoch为400；图片样本大小为180*320*3；其中，隐藏层包括编码器模块和解码器模块。

Images