CN114357851A - 一种基于dae-rnn的数控铣削表面粗糙度预测方法 - Google Patents

Abstract

本发明提出了一种基于DAE‑RNN的数控铣削表面粗糙度预测方法，首先，对采集的多源异构数据进行预处理。其次，基于深度自编码器，构建具有多个隐层的编码层‑解码层结构，形成深度自编码器，通过神经网络逐层降维，自动从高维时变工况中提取本质特征，对于非时变工况特征采用人工提取方式提取特征；然后，利用提取的时变工况特征和非时变工况特征组成多源异构特征集作为样本，建立并训练基于循环神经网络的铣削表面粗糙度预测模型，实现变工况场景下零件表面粗糙度的预测。通过本发明，能够对加工过程多源异构具有时序关联性的加工过程进行质量监控，采用DAE进行特征提取、采用RNN进行表面粗糙度预测，从而提高产品加工过程质量监控能力与表面粗糙度预测效率。

Description

一种基于DAE-RNN的数控铣削表面粗糙度预测方法

技术领域

本发明涉及机械加工技术领域，具体为一种基于DAE-RNN的数控铣削表面粗糙 度预测方法，用于铣削加工过程中表面粗糙度的实时预测。

背景技术

表面粗糙度指加工表面具有的较小间距和微小峰谷的不平度，是衡量零件表面质量的重要参数。对于一些重要零件，表面质量缺陷有可能导致零件性能发生变化，甚 至影响整个工件的质量及使用性能，以往表面粗糙度测量一般在零件加工完成之后进 行检测，成本高且效率低，无法及时发现表面质量问题，从而造成零件质量超差等问 题的发生，这种非实时检测方法已经不适用于目前高精度、智能化的生产要求。因此， 如何实时预测工件表面粗糙度，提高预测精度和泛化能力，是解决上述质量问题的关 键问题所在。

传统的表面粗糙度预测是在零件加工完成后，通过与样本表面比较、千分尺测量、印模等方法，再结合机加工技术人员的经验，主观的进行判断。这种传统的方法会产 生如下问题：一方面，传统测量方法存在一定测量误差，且影响零件表面粗糙度的因 素众多，人工判断的主观性较强，考虑不够全面；另一方面，加工后再测量的方法不 能及时发现零件表面缺陷，不仅增加了时间成本，严重时会造成昂贵的零件报废。

随着智能制造及相应技术的推行和在机测量技术的发展，大量传感器和信号检测设备被应用于实际生产中，为表面粗糙度预测提供了新的方向。实际加工中，零件表 面粗糙度的影响因素有刀具及参数、工艺参数、设备状态等非时变工况以及力信号、 振动信号、功率信号等时变工况，这些工况产生了大量的高维、非线性的多源异构数 据，而在这些多源异构数据中蕴涵着加工零部件表面质量变化趋势，因此，如何有效 地处理这些多源异构数据并实时预测零件表面粗糙度具有重要的现实意义。

国内外学者已经针对零件表面粗糙度预测方法展开了大量的研究，应用较为广泛的有回归分析法和人工神经网络等，主要通过采集加工过程中与表面粗糙度相关的各 类传感器信号，如切削力信号、振动信号、声发射信号、电流(功率)信号以及工艺 参数等，并基于时域、频域、时频域分析手段或机器学习方法提取采集信号的特征， 利用这些信号特征与表面粗糙度之间的强相关性，预测加工零件的表面粗糙度。现有 表面粗糙度预测研究虽然能够在一定程度上预测表面粗糙度，但存在以下不足：(1) 未充分考虑工况因素对表面粗糙度的影响，模型仅在给定的工况条件下适用，泛化能 力差；(2)特征提取依赖人工经验，无法较为全面地提取出原始数据的本质特征；(3) 深度学习模型初始化不合理、网络层数太深易导致过拟合问题，影响预测模型精度。

发明内容

要解决的技术问题

为解决现有铣削过程零件表面粗糙度预测技术中，难以高效提取特征信号并实时预测表面粗糙度，本发明提出了一种基于DAE-RNN的数控铣削表面粗糙度预测方法， 主要解决了以下两个方面的技术问题：

(1)针对传统特征提取技术存在的提取过程繁琐、信息丢失、难以捕捉到本质特征、泛化性差等问题。本发明采用基于深度自编码器的特征提取模型，通过多层编码 层网络自适应地从高维时变工况信号中提取特征；此外，优选基于反向传播算法优化 编码层参数，通过解码层检验特征提取效果，得到更有效的特征表达，并为后续表面 粗糙度预测模型提供数据输入。

(2)针对铣削加工过程中表面粗糙度问题本身的复杂性，变工况场景下多工况因素耦合作用和演化规律多变等问题。本发明建立基于循环神经网络的铣削表面粗糙度 预测模型，将深度自编码器提取的时变工况特征与人工提取的非时变工况特征融合作 为模型输入，结合循环神经网络在处理时序数据上的优势，建立基于DAE-RNN的表 面粗糙度预测模型，实现变工况下零件表面粗糙度的准确预测。

本发明的技术方案为：

所述一种基于DAE-RNN的数控铣削表面粗糙度预测方法，包括以下步骤：

步骤1：获取数控铣削过程中的时变工况数据和非时变工况数据，所述时变工况数据指铣削加工过程中随时间变化而变化的工况数据，所述非时变工况数据指整个加 工过程中不随时间变化的工况数据；

步骤2：对时变工况数据进行预处理后得到标准数据，然后采用深度自编码器自适应地提取出时变工况数据对应的特征向量；对于非时变工况数据，采用人工方法提 取非时变工况特征；

步骤3：建立循环神经网络，以时变工况数据特征向量和非时变工况特征组合得到的多源异构特征集和对应的表面粗糙度值作为样本，划分训练集和测试集，导入循 环神经网络中进行训练，得到表面粗糙度预测模型；

步骤4：通过步骤3得到的表面粗糙度预测模型，利用实际数控铣削过程中实时 获取的多源异构特征，实现变工况下数控铣削零件表面粗糙度的实时预测。

进一步的，所述时变工况数据包括切削力信号、振动信号、功率信号、夹紧力信号、切削液品况信号、主轴扭矩、机床主轴温度、加工环境数据、机床运行状态数据、 零部件质量数据；所述非时变工况数据包括刀具参数、主轴转速、进给速度、零件材 料。

进一步的，在获取数控铣削过程中的时变工况数据和非时变工况数据后，根据加工过程数据的采样周期，构造加工过程动态时间窗的长度，根据构造的动态时间窗， 生成加工过程时变工况数据矩阵和非时变工况数据矩阵，对不均匀的加工过程数据进 行动态关联。

进一步的，对于数控铣削过程中获取的时变工况数据，首先采用均值插补中的分层均值插补方法对缺失值进行补充，再采用小波阈值降噪方法进行降噪滤波处理，最 后利用Z-score归一化方法得到符合标准正态分布的标准化时变工况数据。

进一步的，采用均值插补中的分层均值插补方法对缺失值进行补充的过程为：在插补前对依据变量的属性特征对变量进行了精细的分层，确保每层中的数据都具备相 似的特点，而后再将每一层中未缺失单元中的数据均值当作该层中缺失单元中的插补 值。

进一步的，所述深度自编码器在自编码器的基础上，分别在编码层和解码层中增加多个隐层，通过神经网络逐层降维，自动从高维时变工况中提取本质特征，并利用 反向传播算法优化特征提取效率。

进一步的，所述循环神经网络正向传播公式为

h_t＝f_a(W_xhx_t+W_hhh_t-1+b_h)

y_t＝W_hyh_t+b_y

其中t为某一时刻；W为权重矩阵：W_xh为输入层到隐藏层的权重矩阵，W_hh为隐藏 层到隐藏层的权重矩阵，W_hy为隐藏层到输出层的权重矩阵；b为偏置向量：b_h为隐藏 层的偏置向量，b_y为输出层的偏置向量；f_a为激活函数。

有益效果

本发明提出了一种基于DAE-RNN的数控铣削表面粗糙度预测方法，首先，对采 集的多源异构数据进行预处理，通过缺失值插补、小波阈值降噪和标准化改善数据集 中的不完整性和不一致性，提高数据质量。其次，基于深度自编码器，构建具有多个 隐层的编码层-解码层结构，形成深度自编码器，通过神经网络逐层降维，自动从高维 时变工况中提取本质特征，并利用反向传播算法优化特征提取效率，对于非时变工况 特征采用人工提取方式提取特征；然后，利用提取的时变工况特征和非时变工况特征 组成多源异构特征集作为样本，建立并训练基于循环神经网络的铣削表面粗糙度预测 模型，对比表面粗糙度真实值和预测值对模型进行调整，实现变工况场景下零件表面 粗糙度的预测。通过本发明，能够对加工过程多源异构具有时序关联性的加工过程进 行质量监控，通过对加工过程数据与加工质量的动态关联，以及采用DAE进行特征提 取、采用RNN进行表面粗糙度预测，从而提高产品加工过程质量监控能力与表面粗 糙度预测效率。

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：不同目标维数的特征提取结果；

图2：表面粗糙度预测结果；

图3：本发明的流程示意图。

具体实施方式

针对铣削加工中零件表面粗糙度预测问题中的难点与现有方法的不足，本发明提供一种基于DAE-RNN的数控铣削表面粗糙度预测方法，其中包括多源异构数据预处 理、基于深度自编码器的时变工况特征提取以及基于循环神经网络的零件表面粗糙度 预测模型。该方法对采集的多源异构数据进行特征提取，其中非时变工况采用人工方 式提取，时变工况特征采用深度自编码器(DAE)自适应地提从高维数据中提取本质 特征；构建循环神经网络(RNN)实现变工况下表面粗糙度的准确预测，为零部件加 工过程实现表面粗糙度实时预测提供支持，进而支撑生产企业提高生产效率与产品质 量、降低生产成本。

具体包括以下步骤：

步骤1：多源异构工况因素统一表达。实际铣削加工中，影响表面粗糙度的因素 有刀具、机床、工件材料、切削参数、切削力、振动等，这些影响因素具有非线性、 复杂的特点。因此，基于上述影响因素，将多源异构影响因素模型分为时变工况因素 和非时变工况因素。其表达式如(1)所示：

C＝[C_tv，C_ntv] (1)

式中：C_tv为时变工况因素，为非时变工况因素。

其中，时变工况因素指铣削加工过程中随时间变化而变化的工况因素，如切削力信号(X、Y、Z方向的切削力及扭矩)、振动信号、功率信号(功率、电压、电流等)、 夹紧力信号(X、Y、Z方向的夹持力)、切削液品况信号(PH值、电导率、粘度等)、 主轴扭矩、机床主轴温度、加工环境数据(温度、湿度、噪声、光照)、机床运行状态 数据、零部件质量数据等，这类数据具有波动性、非线性等特点；非时变工况因素指 整个加工过程中不随时间变化的工况因素，一般在加工前就已明确，相较时变工况数 据，波动性小且稳定性强，如刀具参数、主轴转速、进给速度、零件材料等。

步骤2：多源异构数据预处理。

获取加工过程时变工况数据和非时变工况数据，根据加工过程数据的采样周期，构造加工过程动态时间窗的长度，根据构造的动态时间窗，生成加工过程时变工况数 据矩阵和非时变工况数据矩阵，对不均匀的加工过程数据进行动态关联。

此外，铣削加工过程中的时变工况参数(如夹紧力、机床振动、切削力等)与非 时变工况数据存在很大的不同，其数据在时间维度上是不断变化的。为提高所提取的 数据特征质量，对原始数据进行预处理，首先根据时变数据连续性变化的特点，选择 均值插补中的分层均值插补方法对缺失值进行补充，在插补前对依据变量的属性特征 对变量进行了精细的分层，确保每层中的数据都具备相似的特点，而后再将每一层中 未缺失单元中的数据均值当作该层中缺失单元中的插补值。之后采用小波阈值降噪 (Wavelet thresholddenoising，WTD)方法对时变工况进行降噪滤波处理，最后利用 Z-score归一化对数据集中的平均值和标准差进行计算，利用该方法进行标准化处理后 的数据符合标准正态分布，即均值为0，标准差为1。

步骤3：多源异构数据特征提取。该步骤包括时变工况特征提取和非时变工况特征提取两个子步骤，应对两类数据特点不同，采取人工和深度自编码器两类方法进行 特征提取。

步骤3.1：时变工况特征提取。时变工况具有高维度、非线性的特点，传统人工特征提取盲目性强、主观性强、特征提取过程耗时较长且提取效果一般。近几年来，深 度学习方法已成为提取非平稳、动态变化数据的有效手段，提出利用深度自编码器 (Deep AutoEncoder，DAE)自适应地提取出时变工况数据内部的代表性特征的方法。

自编码器由编码层和解码层组成，编码层主要负责提取原始数据中的特征，解码层主要负责将特征信息恢复成原始输入数据。深度自编码器(Deep Auto Encoder，DAE) 在自编码器的基础上，分别在编码层和解码层中增加多个隐层，通过神经网络逐层降 维，每增加一个隐藏层，网络就可计算出更复杂的非线性映射关系，能够获得到原始 数据更加深层低维的特征，具有强大的特征挖掘能力。本实施例构建具有三层隐层的 编码层-解码层结构，通过DAE算法进行特征提取的表达式如下列式(2)至式(5) 所示：

编码层：

第一层：H₁＝f₁(W₁C_tv1+b₁) (2)

第二层：H₂＝f₂(W₂H₁+b₂) (3)

第三层：H₃＝f₃(W₃H₂+b₃) (4)

输出层：C_tv2＝f₄(W₄H₃+b₄) (5)

其中，C_tv1表示经过预处理后的时变工况向量，本实施例选取X,Y,Z三个方向的切削力信号构建时变工况向量，即C_tv1＝[F_x,F_y,F_z]^T，F_x,F_y,F_z分别表示X,Y,Z三个方向的 切削力，H₁，H₂，H₃分别表示三个隐层的输出，C_tv2表示经过特征提取后的时变工 况向量，f表示每一层的激活函数，(W，b)表示每一层对应的权重和偏置项。整个 特征提取过程表示为：

C_tv1→H₁→H₂→H₃→C_tv2。

步骤3.2：非时变工况特征提取。铣削加工中的非时变工况一般为加工材料、刀具、机床的固定参数，具有维数低、稳定的特点，因此深度学习提取特征的方法不适用。 通常根据实际加工的经验选取特征，本实施例选取铣削加工中对表面粗糙度影响较为 明显的六个特征作为非时变工况特征向量，如式(6)所示：

C_ntv1＝[c_e,d_t,n,f_v,a_p,a_e]^T (6)

式中：c_e为刀具刃数，d_t为铣刀直径，n为主轴转速，f_v为进给速度，a_p为切削深度，a_e为切削宽度。

通过对时变工况和非时变工况进行特征提取，将提取后的特征组成多源异构工况特征集，作为表面粗糙度预测的输入向量。

步骤4：基于循环神经网络的铣削表面粗糙度预测模型。实际加工中，影响零件 表面粗糙度的因素较多，且前一时间输入的工况信息与下一时间输入的工况信息存在 关联，循环神经网络(Recurrent Neural Network,RNN)具有记忆性、参数共享并且图 灵完备的特点，因此在对序列的非线性特征进行学习时具有一定优势，其正向传播公 式如式(7)、(8)所示：

h_t＝f_a(W_xhx_t+W_hhh_t-1+b_h) (7)

y_t＝W_hyh_t+b_y (8)

其中，t为某一时刻；W为权重矩阵(W_xh为输入层到隐藏层的权重矩阵，W_hh为隐 藏层到隐藏层的权重矩阵，W_hy为隐藏层到输出层的权重矩阵)；b为偏置向量(b_h为 隐藏层的偏置向量，b_y为输出层的偏置向量)；f为激活函数。

基于循环神经网络的铣削表面粗糙度预测过程为：

step1：初始化长期循环卷积网络模型参数，设置算法的超参数，包括学习率α的设置、迭代次数epoch的设置以及各层网络中激活函数的选择。

step2：将特征提取后的多源异构特征集C₁＝[F_x,F_y,F_z,c_e,d_t,n,f_v,a_p,a_e]^T和对应的表面 粗糙度值作为样本，划分训练集和测试集，导入循环神经网络中进行训练；

step3：根据前向传播网络计算循环神经网络的实际表面粗糙度输出：

R_true＝RNN(C₁)

step4：根据表面粗糙度值的理论输出标签R_prue和模型实际表面粗糙度输出R_true，通 过交叉熵函数优化预测模型的权重和偏置；

For i＝1:

步骤4.1：反向计算每个神经元的误差项，误差定义为交叉熵函数：

步骤4.2：根据误差项计算每个权重的梯度

和偏置的梯度

步骤4.3：采用优化算法更新网络的权重和偏置

End

step5：网络训练完成，得到循环神经网络预测表面粗糙度模型的权重W和偏置b。

本实施例中采用十五组实际铣削加工数据对本发明进行检验，通过构建三层自编码器网络对时变工况进行特征提取，设计对比实验，通过定性和定量分析，当目标维 数为30维时，特征提取效果最好，特征提取及对比结果如图1、表1所示。将特征提 取后的数据集导入表面粗糙度预测模型中，各个工步预测值与真实值的绝对百分比误 差在3.25％～8.10％范围内，均小于10％；表面粗糙度预测准确率达到80％以上，预测 结果如图2所示，表明了表面粗糙度模型预测结果的有效性。

表1不同目标维数下的RMSE值

目标层维数	RMSE
		75	0.8164
30	0.0011
		10	0.0211

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DAE-RNN的数控铣削表面粗糙度预测方法，其特征在于：包括以下步骤：

步骤1：获取数控铣削过程中的时变工况数据和非时变工况数据，所述时变工况数据指铣削加工过程中随时间变化而变化的工况数据，所述非时变工况数据指整个加工过程中不随时间变化的工况数据；

步骤2：对时变工况数据进行预处理后得到标准数据，然后采用深度自编码器自适应地提取出时变工况数据对应的特征向量；对于非时变工况数据，采用人工方法提取非时变工况特征；

步骤3：建立循环神经网络，以时变工况数据特征向量和非时变工况特征组合得到的多源异构特征集和对应的表面粗糙度值作为样本，划分训练集和测试集，导入循环神经网络中进行训练，得到表面粗糙度预测模型；

步骤4：通过步骤3得到的表面粗糙度预测模型，利用实际数控铣削过程中实时获取的多源异构特征，实现变工况下数控铣削零件表面粗糙度的实时预测。

2.根据权利要求1所述一种基于DAE-RNN的数控铣削表面粗糙度预测方法，其特征在于：所述时变工况数据包括切削力信号、振动信号、功率信号、夹紧力信号、切削液品况信号、主轴扭矩、机床主轴温度、加工环境数据、机床运行状态数据、零部件质量数据；所述非时变工况数据包括刀具参数、主轴转速、进给速度、零件材料。

3.根据权利要求1所述一种基于DAE-RNN的数控铣削表面粗糙度预测方法，其特征在于：在获取数控铣削过程中的时变工况数据和非时变工况数据后，根据加工过程数据的采样周期，构造加工过程动态时间窗的长度，根据构造的动态时间窗，生成加工过程时变工况数据矩阵和非时变工况数据矩阵，对不均匀的加工过程数据进行动态关联。

4.根据权利要求1所述一种基于DAE-RNN的数控铣削表面粗糙度预测方法，其特征在于：对于数控铣削过程中获取的时变工况数据，首先采用均值插补中的分层均值插补方法对缺失值进行补充，再采用小波阈值降噪方法进行降噪滤波处理，最后利用Z-score归一化方法得到符合标准正态分布的标准化时变工况数据。

5.根据权利要求4所述一种基于DAE-RNN的数控铣削表面粗糙度预测方法，其特征在于：采用均值插补中的分层均值插补方法对缺失值进行补充的过程为：在插补前对依据变量的属性特征对变量进行了精细的分层，确保每层中的数据都具备相似的特点，而后再将每一层中未缺失单元中的数据均值当作该层中缺失单元中的插补值。

6.根据权利要求1所述一种基于DAE-RNN的数控铣削表面粗糙度预测方法，其特征在于：所述深度自编码器在自编码器的基础上，分别在编码层和解码层中增加多个隐层，通过神经网络逐层降维，自动从高维时变工况中提取本质特征，并利用反向传播算法优化特征提取效率。

7.根据权利要求1所述一种基于DAE-RNN的数控铣削表面粗糙度预测方法，其特征在于：所述循环神经网络正向传播公式为

h_t＝f_a(W_xhx_t+W_hhh_t-1+b_h)

y_t＝W_hyh_t+b_y

其中t为某一时刻；W为权重矩阵：W_xh为输入层到隐藏层的权重矩阵，W_hh为隐藏层到隐藏层的权重矩阵，W_hy为隐藏层到输出层的权重矩阵；b为偏置向量：b_h为隐藏层的偏置向量，b_y为输出层的偏置向量；f_a为激活函数。

Images