CN114346761B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114346761B CN114346761B CN202210014220.4A CN202210014220A CN114346761B CN 114346761 B CN114346761 B CN 114346761B CN 202210014220 A CN202210014220 A CN 202210014220A CN 114346761 B CN114346761 B CN 114346761B
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- samples
- pseudo
- generator
- 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.)
- Active
Links
- 238000005299 abrasion Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000008485 antagonism Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 17
- 238000005520 cutting process Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 9
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 7
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 7
- MFYSYFVPBJMHGN-UHFFFAOYSA-N Cortisone Natural products O=C1CCC2(C)C3C(=O)CC(C)(C(CC4)(O)C(=O)CO)C4C3CCC2=C1 MFYSYFVPBJMHGN-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 229910000997 High-speed steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 229910017052 cobalt Inorganic materials 0.000 description 1
- 239000010941 cobalt Substances 0.000 description 1
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance 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
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明涉及一种基于改进条件生成对抗网络及深度学习模型的刀具磨损状况检测方法，步骤：采用快速傅里叶变换将采集到的时域电压信号转换到频域电压信号；随机选取频域电压信号中N个连续的点组成数据样本，每一次刀具磨损产生M个样本，然后将数据样本分为训练和测试部分；在改进的CGAN‑HQOA算法中输入不同刀具磨损训练样本，生成具有相应标签的伪样本；将生成的伪样本和真实的训练样本一并输入卷积神经网络进行训练；使用训练过的卷积神经网络，利用测试样本识别不同的刀具磨损情况，完成刀具磨损状况检测工作。
Description
技术领域
本发明涉及一种基于改进条件生成对抗网络及深度学习模型的刀具磨损状况检测方法，属于人工智能制造刀具磨损检测和故障诊断技术领域。
背景技术
在过去的十年中，智能制造成为研究领域和工业应用领域的热点，将人工智能方法引入到加工制造过程中，可有效提高产品质量、降低制造及维护成本。在工业制造过程中，刀具对保证制造精度和表面质量起着至关重要的作用，但这些刀具在制造过程中不可避免地会产生磨损，造成表面粗糙度和尺寸公差的变化，进而导致产品加工制造精度的下降。因此，迫切需要对刀具磨损状况进行实时、精确的检测及评估。
基于文献调研，现有的刀具磨损状态评测技术可分为直接测量法和间接识别法两大类。采用直接测量的方法，可以测量表征刀具磨损状态的参数，如表面粗糙度和侧面磨损等。但是此类技术只能在加工制造装备停机期间进行，不能满足在线评估的需求。而间接识别方法不直接测量刀具磨损相关参数，而是通过采集及分析制造过程中刀具运行数据来评估刀具磨损状况。与直接方法相比，此类技术可以制造装备工作条件下对刀具磨损状况进行评测，因此得到了更多的关注。
在间接评估刀具磨损状态的各种信号中，切削力是最常用的信号。然而切削力的检测需加装额外传感器及数据采集设备，这极大的限制了切削力在刀具磨损评测中的应用。而在在线传动控制模块中，除了切削力外，还可以使用包括加速度在内的振动类检测信号。但需要指出的是，在刀具磨损状态评估中加入振动信号后，还需采取相关技术减少自激振动和附加噪声的影响，这进一步增加了分析中的复杂性及不确定性。此外，其他类型数据，如声发射，电信号包括电压和功率，也已被用于评估刀具磨损状况。然而，声发射的采集也需要额外加装传感器，这无疑会增加智能监测系统的成本和复杂性。综上所述，电信号在刀具磨损状况评测中得到越来越多的关注，通过采用快速傅里叶变换和小波变换等时频域技术对电信号(电流、电压、功率等)进行分析，可有效提升刀具磨损状态评估精确度。
随着深度学习等人工智能技术在装备故障诊断和状态评估领域应用的逐渐深入，其在刀具磨损状态评测中的表现也得到进一步研究。与传统刀具状态评测技术相比，深度学习具有更强大的特征学习能力，能够自动提取可精确表征刀具磨损状况的特征进行分析。
在深度学习模型应用中，训练数据的质量和数量是决定刀具磨损状况评测精确度的关键。然而，在实际制造过程中，采集信号中的测量噪声干扰、以及刀具严重磨损条件下数据的稀缺，决定了可用于刀具磨损状况评测的数据是及其有限且不平衡的，这给深度学习模型的训练和识别带来了极大的挑战。
为了解决上述问题，近年来生成对抗网络得到持续关注，通过生成伪数据，消除原有数据的稀缺性及不平衡性，提升深度学习模型识别的精确度。在图像领域中，生成对抗网络已得到成功的应用。生成对抗网络及其衍生网络已被证明可有效生成图像。各种生成对抗技术也被应用于合成的音频和脑电图脑信号，显示出了它们在产生时间序列数据方面的潜力。此外，该网络在振动数据生成和故障诊断方面的应用也受到了更多的关注。然而，在刀具磨损数据领域，生成对抗网络的应用仍然匮乏，这也在一定程度上阻碍了人工智能技术在制造装备中刀具的磨损状况评测的应用及发展。
综上所述，目前在采用深度学习对刀具磨损状况进行检测及识别方面，仍然受到刀具数据有限和不平衡的影响，这进一步导致刀具磨损状态评估的精确性下降。
发明内容
本发明技术解决问题：克服现有技术的不足，提供一种基于改进条件生成对抗网络及深度学习模型的刀具磨损状况检测方法，消除了刀具数据量有限和不平衡性的影响，实现刀具磨损状况的快速精准识别。
本发明技术解决方案：一种基于改进条件生成对抗网络及深度学习模型的刀具磨损状况检测方法，其特征在于包括以下步骤：
(1)采用快速傅里叶变换将采集到的时域电压信号转换到频域电压信号；
(2)随机选取频域电压信号中N个连续的点组成数据样本，每一次刀具磨损产生M个数据样本，然后将数据样本分为训练和测试部分；
(3)在改进的CGAN-HQOA算法中输入不同刀具磨损条件下的训练样本集，此时的训练样本是不足的，生成器被训练后生成伪样本，伪样本也有相应的标签，标签从0-4分别表示磨损时间为0min、40min、60min、80min和100min；
(4)将生成的伪样本和训练样本即真实样本一起输入卷积神经网络进行训练；
(5)使用训练过的卷积神经网络，利用测试样本识别不同的刀具磨损情况，验证模型已被充分训练，可实现刀具磨损的状况检测。
所述步骤2中，改进的CGAN-HQOA算法实现为：在生成器生成伪样本的前一步加入HQOA算法，从稳定性出发，比较伪样本与真实样本各自的波动情况，过滤掉波动高于真实样本最大波动的伪样本，同时也从均值偏差上出发，过滤掉相对真实样本偏离较大的伪样本。
(1)在基于条件生成对抗网络的框架上，改造其生成器和鉴别器，将生成器改为反卷积结构，优化算法为Adam算法，将鉴别器改为正卷积结构，优化算法设为随机梯度下降法，获得一对更加匹配的生成器和鉴别器；
(2)由于生成器每次都会生成一批带标签的伪样本，而当训练趋向收敛时，说明伪样本的生成已经逐渐趋向稳定，而这些样本中必然会夹杂着一些波动比较大或者比较偏离真实样本的伪样本，然而到目前为止大多数人在生成样本时还是将生成结果直接提出，为之后的研究做好样本充足的准备。以损失函数为基础，在生成器生成伪样本前一步加入提出的HQOA算法，先将一批伪样本与真实样本进行稳定性比较，过滤掉不稳定的伪样本集，再从单个伪样本的波动出发，对样本的波动进行量化，并与真实样本的最大波动作对比，用以过滤掉明显偏离真实样本的伪样本；
所述改进的CGAN-HQOA算法具体实现为：
(1)将所需要的实验数据输入并将其进行预处理；
(2)设定模型训练参数，如训练次数、迭代步数、学习率、分批的大小、潜在空间的维数，同时设定鉴别器鉴别真伪损失为二元交叉熵损失，鉴别器分类损失为交叉熵损失；
(3)设定模型结构参数，在基于条件生成对抗网络的框架上，改造其生成器和鉴别器，将生成器改为反卷积结构，优化算法为Adam算法，将鉴别器改为正卷积结构，优化算法设为随机梯度下降法，获得一对更加匹配的生成器和鉴别器；
(4)构建功能函数，如计算精确度函数，权重初始化函数；
(5)构建HQOA算法函数；
(6)开始训练，将真实样本的训练集带入训练鉴别器，与此同时将随机噪声带入生成器生成伪样本，而后将伪样本带入鉴别器实现生成器与鉴别器的对抗行为训练生成器，当训练到一定次数后，将伪样本带入HQOA算法函数中，返回质量很好的伪样本保存至csv文件中，等到训练结束后利用真实样本的测试集进行验证，最后保存模型。
本发明与现有技术相比的优点在于：本发明提出了一种基于人工智能技术的刀具磨损状态评估框架，通过构建改进的条件生成对抗网络和高质量优化算法(CGAN-HQOA)，生成更多与真实刀具样本相似的伪样本，消除了刀具数据量有限和不平衡性的影响，进而通过建立深度学习模型，实现刀具磨损状况的精确识别。通过采集实际装备中不同刀具磨损条件下的测试数据，对所提出框架的有效性进行系统的验证。因此本发明提供了一种数据有限和不平衡条件下精准快速的刀具磨损评测新思路。
附图说明
图1为条件生成对抗网络结构图；
图2为CGAN-HQOA的结构框架；
图3为生成器结构框架；
图4为鉴别器结构框架；
图5为试验装置和数据采集程序说明；
图6. 8mm刀具的电压时间序列(a)无磨损，(b)40分钟磨损，(c)60分钟磨损，(d)80分钟磨损，(e)100分钟磨损；
图7. 10mm刀具的电压时间序列(a)无磨损；(b)40分钟磨损；(c)60分钟磨损；(d)80分钟磨损；(e)100分钟磨损；
图8为所提方法有效性的分析流程图；
图9为对不同GAN生成的样本进行评估；
图10为对不同GAN生成的样本进行评估；
图11.(8mm)(a)仅使用真实样本；(b)GAN；(c)DCGAN；(d)WGAN-clipping；(e)WGAN-gp；(f)CGAN-HQOA；
图12.(10mm)(a)仅使用真实样本；(b)GAN；(c)DCGAN；(d)WGAN-clipping；(e)WGAN-gp；(f)CGAN-HQOA；
图13为本发明方法实现流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图13所示，本发明方法流程图：
1、用快速傅里叶变换将采集到的电压信号转换到频域；
2、随机选取N个连续的点组成数据样本，每一次刀具磨损产生M个样本然后将数据样本分为训练和测试部分。
3、在CGAN-HQOA中输入不同刀具磨损条件下的训练样本(数量不足和不平衡)，生成伪样本，伪样本也有相应的标签(代表不同的刀具磨损条件)；
4、将生成的标记样本和真实的训练样本一起输入卷积神经网络进行训练；
5、使用训练过的卷积神经网络，利用测试样本识别不同的刀具磨损情况。
本发明技术解决方案：本发明首先描述了条件生成对抗网络的原理和特点，进而分析了所提出的模型与未改进的条件生成对抗网络的异同点，阐明本发明方法的合理性；其次，通过验证本发明对刀具生成数据的质量和刀具磨损状态的识别效果，突出说明本发明方法的优点。
本发明具体实现如下：
1、条件生成对抗网络与优化算法
作为一种基于可生成的无监督学习方法，生成对抗网络(GAN)分为生成和对抗两个相对的部分，为了实现监督学习，进一步提出了作为GAN的衍生网络条件生成对抗网络(CGAN)，这种网络的生成器和鉴别器会被赋予额外的信息，包括类标签和其他形式的数据。
CGAN可以将具有相应标签的真实数据集和伪数据集拼接并输入到生成器和鉴别器中。生成网络使用随机噪声生成伪样本，生成的伪样本和真实样本作为鉴别器的输入。整个条件生成对抗网络利用真实训练样本进行伪样本生成的运行机制如图1所示。
然而在使用CGAN生成样本时，生成的一些伪样本会偏离真实样本，甚至生成的伪样本分布与真实样本的分布非常接近。这将降低使用伪样本进行状态识别的精确度。为解决这一问题，进一步提高生成样本的质量，本发明提出了一种改进的CGAN-HQOA算法。
在该算法中，增加HQOA算法，对生成的样本进行筛选，在保持样本多样性的同时，伪样本的分布仍保持与真实样本的相似性，表示为：
Xaverage和Xfake-average分别表示真实样本和伪样本的均值矩阵，i和n分别表示真实样本和伪样本的个数，X(k)和
分别表示i个真实样本内的第k个真实样本和n个伪样本内的第r个伪样本，[...]1×1024指的是矩阵格式为1×1024，Xfake是n个伪样本内的每一个样本，
代表
的转置矩阵，
则为(X(k)-Xaverage)2的转置矩阵，(...)T为(Xfake-Xfake-average)的转置矩阵，[...]T则指
的转置矩阵。
公式(3)和公式(4)表示对伪样本的波动进行量化，并与真实样本的波动进行比较，以便在接下来的分析中去除明显偏离真实样本的伪样本。其中公式(3)以一批生成的伪样本为单位，比较生成的伪样本与真实样本的稳定程度。在此基础上，利用公式(4)比较真实样本与生成伪样本的距离。如果伪样本与真实样本均值的偏差小于或等于真实样本与真实样本均值的最大偏差，则表示生成的伪样本是高质量样本。
基于这两个公式划定范围后的生成结果，再利用损失函数，保证了生成的样本对损失函数的影响接近于真实样本。
在此基础上改善CGAN网络的结构如图2所示，将训练样本作为真实样本放入鉴别器中训练鉴别器，同时将随机噪声与随机标签一起放入生成器中生成多对伪样本及相应的伪标签，再将其放入鉴别器鉴别真伪，从而训练生成器，最终使得生成器生成的伪样本分布能够更接近真实样本分布，使鉴别器将伪样本也鉴别为真实样本。改进的地方在于在生成器的样本生成阶段增加了HQOA，将原始的真实样本和伪样本集首先进行无标签输入到鉴别器中。在分类器中使用标签作为目标标签，使鉴别器受到训练能够区分真实样本和伪样本。同时，它还可以根据目标标签进行分类，从而更好地生成所需标签对应的样本。在本模型中，发生器采用如图3所示的反卷积结构(ConvTranspose)，而鉴别器采用如图4所示的卷积结构(Conv)。此外，利用批处理归一化(BN)和dropout操作来克服梯度消失和防止过拟合的问题。除此以外，基于目标函数的模型参数的更新，在鉴别器中使用随机梯度下降法，在生成器中则使用Adam优化算法来更新模型参数，从而我们获得一对更适配的鉴别器和生成器。
2、实验描述
实验由两种不同直径的端铣刀组成，目的是分析不同尺寸刀具运行数据的变化。图5给出了测试装置及相应的数据采集系统。所有的切割实验包括三相电流和电压测量都是使用Hurco三轴VM1数控机床进行的，该机床使用的是含8％钴的槽状高速钢(HSS-Co8)。表1列出了这些端铣刀的相关参数，其中LOC是刀具切削长度。采用cDAQ-9174底盘内的NI-9242和NI-9247国家仪器测量数控机床的三相电流和电压，采样频率为50kHz。
表1.端铣刀的特点
表2.切削参数和相应的磨损测量
在测试中,每个端铣刀分配一块30毫米厚150毫米宽120毫米长的工件，工件材料选择6082级T651铝，因为它是一种用于制造工艺中直线切割策略的常见合金。
在每次切割期间，能量监测装置通过与系统连接，系统收集电流和电压测量值。每次测试都使用刀具在工件上进行爬坡铣削。孔道数、切削深度和切削半径均选10mm，即刀具直径的一半。每次试验重复10次，从而提供足够数量的单个切割曲线，为统计分析提供可靠的种群大小。切割测试中采用半直径切削策略既可提供工件所需的最小切削路径宽度，又便于分析表面粗糙度。
由于车间数控机床的条件限制，比起连续加工铝，另一种硬质合金更适合加速样品之间的磨损，因此测试间隔采用EN8级合金钢(201-225布氏硬度)作为耐磨材料，加剧刀具的磨损。在每次切割铝段后，第40、60、80和100分钟都使用刀具加工碳钢，从而加剧刀具的磨损。此外，使用切削液的低速加工增加磨料磨损机制的效果，从而形成更大的侧刃磨损，而不是化学磨损。在下一次切割之前，再次对刀具进行光学检查，确定并记录刀具侧面磨损的大小，重复这个过程直到100分钟，观察到刀具的全部磨损情况。表2列出了用于不同切割的切削参数和相应的磨损测量值。
图6-7显示了8mm和10mm刀具在无磨损、40分钟磨损、60分钟磨损、80分钟磨损、100分钟磨损5种不同磨损情况下的瞬时电压时域图。可以看出，在不同的刀具磨损条件下，采集到的电压信号有明显的变化。
本发明的优点通过以下进一步验证：
(1)生成过程稳定且生成样本质量高
为了验证提出的模型对生成样本的有效性和优越性，将CGAN-HQOA模型与其他被验证过的经典GAN网络(如GANs、DCGANs、WGAN-clipping、WGAN-gp)进行对比，对比方法如图8所示，将真实样本输入到这些网络中，生成伪样本，而后对网络生成的伪样本进行评估，最后再将生成的伪样本与真实样本输入CNN进行分类。为了保证各种GAN生成的样本质量具有可比性，本发明中使用的所有生成器和鉴别器的网络参数都是相同的，包括卷积核、步长、激活函数等。
在本发明中，使用了几种常用的指标来评价各种GAN生成的样本质量，包括L2范数、CORT系数、欧几里得距离(ED)、皮尔逊相关系数(PCC)和Kullback-Leibler散度(K-LD)等。
其中
指的是第q个真实样本，
指的是第q个伪样本，p指的是真实样本和伪样本的数量，
和
指的是真实样本和伪样本各自的p个样本的均值，
和
表示真实样本和伪样本的标准差，Preal和Pfake(x)表示真实样本和伪样本的分布情况，
和
以及
均表示两个样本之间的范数。
L2范数和CORT系数可以用来衡量伪样本与真实样本之间的相似性。L2范数表示伪样本与真实样本之间的距离，而CORT能够评估它们生长行为的相似性。L2范数越小，CORT越大，则伪样本与真实样本之间的差异越小。ED是一个直接测量两个样本之间距离的指标，用于相似性评价。PCC是两个变量之间相关性的度量，可以用来表示线性相关的强度。K-LD是评估两种概率分布差异的因素，值越大质量越差。
为了有效比较，在每种刀具磨损条件下，使用每一种GAN生成800个伪样本，即每一种GAN从5种刀具磨损条件生成4000个伪样本。图9描述了使用上述指标生成的伪样本的评价结果。对于样本相似性和相关性而言，L2范数和ED值越小，CORT系数和PDD值越大，则说明生成的伪样本与真实样本越接近，相关性越强，而从图9中可以看出本发明提出的CGAN-HQOA模型L2范数和ED值都最小，CORT系数和PDD值都最大，说明该模型生成的伪样本比其他网络模型生成的更好。而对于样本的概率分布而言，K-LD的大小能够一定程度上反应生成的伪样本质量的好坏，在图中，本发明提出的模型生成的伪样本K-LD值最小，说明该模型生成的伪样本的质量比其他模型好。因此可以看出，采用本发明提出的CGAN-HQOA可以生成质量更好的伪样本。
此外，本发明提出的CGAN-HQOA模型的损失值曲线如图10所示。在生成对抗网络模型中，根据纳什平衡，生成器与鉴别器的loss值会趋近在同一个值的附近，此时样本生成是一个不再有波动状态。一般而言，普通的生成对抗网络的loss值会在0.5附近，说明生成器与鉴别器达到了一个平衡的状态。因此要想使生成的样本质量更好，必须让生成器与鉴别器在趋近同一值的该值尽量大于0.5，因此根据图10我们可以看出，伪样本的生成已经达到了一个稳定的状态，且伪样本的生成也达到了一个比较好的质量(其中模型的损失说明了真实样本和生成的伪样本之间的损失)。在大约40个epoch时，生成器和鉴别器损失在纳什均衡附近是稳定的，这意味着模型经过了很好的训练。
(2)分类精度高
在本发明中，基于提出的模型具有很好的评估效果，因此将使用各种GAN生成的样本输入CNN，以识别不同的刀具磨损情况，其分类结果如表3所示。
图11-12显示了不同GAN生成的伪样本的训练和测试曲线，具体数据已经被罗列在表7中。为了突出模型的有效性，对8mm和10mm的刀具分别进行了分类和验证。图11和图12表示的是8mm刀具和10mm刀具随着迭代次数的分类精确度曲线。Train accuracy和Testaccuracy分别表示分类的训练精确度和测试精确度，从图11中我们可以看出，8mm刀具只有利用本发明中的CGAN-HQOA模型生成的伪样本输入CNN后分类精确度达到了100％，且迭代到10个epoch的时候就已经平稳达到了100％，而如果只利用真实样本直接输入CNN后分类效果会很差，且到100个epoch还是不能达到平稳，即便利用普通的GAN或其他GAN网络生成的伪样本输入CNN后也都不能达到100％。而图12中利用的是10mm的刀具，也呈现出了同样的结果，虽然仅次于本发明模型，WGAN-gp生成的伪样本输入CNN后也能够达到趋近99％的分类精确度，但是还是低于100％，且要到60个epoch才能够趋近99％。因此无论是8mm的刀具还是10mm刀具切削数据，本发明的模型都能够针对样本不足的问题进行扩充并达到100％分类效果，从而对刀具磨损进行识别。
表3.不同生成对抗网络的分类结果比较
从表中可以看出，在只有真实样本的情况下，训练和测试的准确率最低。这是由于训练数据不足导致CNN模型不收敛所致。通过引入生成的伪样本，可以提高训练和测试的准确性，而提出的CGAN-HQOA模型可以获得最高的训练和测试精度，进一步证实了使用所提出的模型生成的伪样本质量更好。同时，无论8毫米或10毫米刀具切削数据，利用了本专利的模型进行分类，均能使分类精度达到100。
(3)有利于不平衡的刀具数据
在实际应用中，很难提供平衡的数据，因为在严重的刀具磨损条件下，只能获得有限的数据。因此提出的CGAN-HQOA模型和框架不仅能够应用于平衡数据集，即在每种刀具磨损条件下使用相同的样本数(400个)，同时也能够处理不平衡数据的有效性(以8mm刀具为代表)。
表4展示了针对不同的不平衡数据情况进行生成。由于总共有5种刀具磨损情况，因此我们选择了4种情况进行分析。可以看出，情况2和情况3包含的不平衡数据较多，情况4使用的数据样本最小。
表3.不同情况对应的样本类型和数量
通过提出的CGAN-HQOA，可以补充这些不平衡情况，每个刀具磨损状态包含200个样本，利用CNN对不同的刀具磨损状态进行训练和识别，识别结果如表4所示。
表4.不平衡数据集下的分类精确度
从表4可以看出，在数据不平衡的情况下，CNN模型无法实现较好的分类。而且，在情况2和3中分类结果最差，主要是因为其中使用的数据不平衡情况更严重。在情况4中，即使使用最小的数据样本，仍然可以得到很好的分类结果。这可能是由于虽然样本减少到150个，但仍保持相对平衡的状态。与不平衡数据进行分类的效果相比，采用CGAN-HQOA模型进行数据补充，可以较好地识别不同的刀具磨损状态。这为提出的CGAN-HQOA模型和框架在实际应用中的应用奠定了基础。
以上虽然描述了本发明的具体实施方法，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明原理和实现的前提下，可以对这些实施方案做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。
Claims (1)
1.一种基于改进条件生成对抗网络及深度学习模型的刀具磨损状况检测方法，其特征在于，包括以下步骤：
(1)采用快速傅里叶变换将采集到的时域电压信号转换到频域电压信号；
(2)随机选取频域电压信号中N个连续的点组成数据样本，每一次刀具磨损产生M个数据样本，然后将数据样本分为训练和测试部分；
(3)在改进的CGAN-HQOA算法中输入不同刀具磨损条件下的训练样本集，此时的训练样本是不足的，生成器被训练后生成伪样本，伪样本也有相应的标签，标签从0-4分别表示磨损时间为0min、40min、60min、80min和100min；
(4)将生成的伪样本和训练样本即真实样本一起输入卷积神经网络进行训练；
(5)使用训练过的卷积神经网络，利用测试样本识别不同的刀具磨损情况，验证模型已被充分训练，可实现刀具磨损的状况检测；
所述步骤2中，改进的CGAN-HQOA算法实现为：在生成器生成伪样本的前一步加入HQOA算法，从稳定性出发，比较伪样本与真实样本各自的波动情况，过滤掉波动高于真实样本最大波动的伪样本，同时也从均值偏差上出发，过滤掉相对真实样本偏离较大的伪样本；
所述改进的CGAN-HQOA算法具体实现为：
(11)将所需要的实验数据输入并将其进行预处理；
(12)设定模型训练参数，包括训练次数、迭代步数、学习率、分批的大小和潜在空间的维数，同时设定鉴别器鉴别真伪损失为二元交叉熵损失，鉴别器分类损失为交叉熵损失；
(13)设定模型结构参数，在基于条件生成对抗网络的框架上，改造其生成器和鉴别器，将生成器改为反卷积结构，优化算法为Adam算法，将鉴别器改为正卷积结构，优化算法设为随机梯度下降法，获得一对更加匹配的生成器和鉴别器；
(14)构建功能函数，如计算分类精确度的函数，权重初始化函数；
(15)构建HQOA算法函数；
(16)开始训练，将真实样本的训练集输入训练鉴别器，与此同时将随机噪声输入生成器生成伪样本，而后将伪样本输入鉴别器实现生成器与鉴别器的对抗行为训练生成器，当训练到一定次数后，将伪样本输入HQOA算法函数中，返回质量很好的伪样本保存至csv文件中，待训练结束后利用真实样本的测试集进行验证，最后保存模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210014220.4A CN114346761B (zh) | 2022-01-06 | 2022-01-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210014220.4A CN114346761B (zh) | 2022-01-06 | 2022-01-06 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114346761A CN114346761A (zh) | 2022-04-15 |
| CN114346761B true CN114346761B (zh) | 2023-04-28 |
Family
ID=81106300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210014220.4A Active CN114346761B (zh) | 2022-01-06 | 2022-01-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114346761B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742834B (zh) * | 2022-06-13 | 2022-09-13 | 中科航迈数控软件(深圳)有限公司 | 一种复杂结构件加工刀具磨损判定方法 |
| CN114998749B (zh) * | 2022-07-28 | 2023-04-07 | 北京卫星信息工程研究所 | 用于目标检测的sar数据扩增方法 |
| CN116466243A (zh) * | 2023-06-16 | 2023-07-21 | 国网安徽省电力有限公司电力科学研究院 | 基于生成对抗网络锂电池健康状态评估方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106181579B (zh) * | 2016-08-23 | 2018-04-17 | 西安交通大学 | 一种基于多传感器电流信号的刀具磨损监测方法 |
| CN112350878A (zh) * | 2019-08-07 | 2021-02-09 | 阿里巴巴集团控股有限公司 | 一种压力测试系统 |
| CN111047182B (zh) * | 2019-12-10 | 2021-12-28 | 北京航空航天大学 | 一种基于深度无监督学习的空域复杂度评估方法 |
| CN111037365B (zh) * | 2019-12-26 | 2021-08-20 | 大连理工大学 | 基于生成式对抗网络的刀具状态监测数据集增强方法 |
| CN111633467B (zh) * | 2020-05-15 | 2021-07-16 | 大连理工大学 | 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 |
| CN112766182B (zh) * | 2021-01-22 | 2024-02-02 | 浙江工业大学 | 一种拉削刀具磨损状态识别方法 |
-
2022
- 2022-01-06 CN CN202210014220.4A patent/CN114346761B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114346761A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114346761B (zh) | 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 | |
| CN111037365B (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
| Lee et al. | Application of deep neural network and generative adversarial network to industrial maintenance: A case study of induction motor fault detection | |
| CN107378641B (zh) | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN110647943B (zh) | 基于演化数据聚类分析的切削刀具磨损监测方法 | |
| CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
| CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
| CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
| 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 | |
| CN115753101A (zh) | 一种基于权重自适应特征融合的轴承故障诊断方法 | |
| CN113780208A (zh) | 一种基于对抗迁移学习的刀具磨损状态预测方法及装置 | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| CN114492527A (zh) | 基于模糊神经网络与主成分分析表面粗糙度在线预测方法 | |
| CN115890366A (zh) | 对轴承套圈内圆切入磨削加工早期颤振在线监测方法 | |
| CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| CN109605128A (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
| CN109434562A (zh) | 基于划分聚类的铣削刀具磨损状态识别方法 | |
| CN114871850A (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 | |
| Peng et al. | A multi-indicator fusion-based approach for fault feature selection and classification of rolling bearings | |
| CN116304690A (zh) | 基于mddgan的刀具磨损状态监测数据集增强方法 | |
| CN109389039A (zh) | 一种优化核极限学习机在线监测刀具磨损状态方法及系统 | |
| CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
| Elbestawi et al. | Tool condition monitoring in machining | |
| Li et al. | Tool fault diagnosis based on improved multiscale network and feature fusion |
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 |