CN114619292B - 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 - Google Patents

Abstract

本发明公开了一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，包括采集机床铣削平面加工过程中的原始加工信号；从原始加工信号提取平稳切削过程信号，再通过小波降噪对信号进行预处理；对信号进行分析和特征提取，获得时间序列上的多维度特征矩阵；基于GRU网络建立刀具磨损预测模型，融入注意力机制进行模型训练；采用训练后的刀具磨损预测模型对铣削加工刀具磨损进行监测。本发明基于小波降噪和注意力机制融合GRU网络，可实现铣削加工过程中刀具磨损量的监测。

Description

一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀 具磨损监测方法

技术领域

本发明属于刀具磨损状态检测技术领域，具体涉及一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法。

背景技术

镍基高温合金在高温下具有良好的抗氧化、抗腐蚀、抗蠕变性能以及优异的疲劳寿命，适合作为整体涡轮盘材料。然而，良好的物理、机械性能意味着较差的切削加工性能，镍基高温合金切削过程中切削力大、加工表面质量不高、刀具磨损快，刀具在加工过程中到达磨钝标准会导致整体涡轮盘加工精度不足，甚至报废。

为了防止刀具在加工过程中到达磨钝标准，传统方法是在刀具到达使用寿命前提前让机床停机并进行换刀，这种方法会导致刀具浪费严重，刀具平均使用寿命为刀具寿命的50％～80％。

通过光学图像法或人工判断法监测刀具磨损状态需要对机床停机操作，违背了自动化、无人化的智能制造理念，且耗费大量人力和时间。人工智能的出现，推动了刀具磨损实时监测的发展，通过人工神经网络、支持向量机、隐马尔科夫构建的刀具监测模型逐渐应用于实际加工中。

在申请号为202010526385.0，名称为“一种多参数感知的切削刀具磨损监测方法”专利中，通过采集切削功率、切削力、切削振动、切削温度等信号，利用多参数感知方程求解的方法监测刀具磨损。该方法没有考虑到刀具磨损在时序上的累加规律，预测精度不高。在申请号为201910855267.1，名称为“基于SSAE-LSTM模型的深孔加工刀具磨损量监测方法”专利中，通过采集振动和切削声音，构建SSAE-LSTM模型，解决了深孔加工过程刀具磨损预测的问题。由于提出的SSAE-LSTM网络的训练样本量大，计算速度慢，且深孔加工工艺与铣削工艺不同，该模型不适用于铣削过程刀具磨损。

分析上述专利可知，上述方法不适用于镍基高温合金铣削过程加工中。本发明针对铣削过程中刀具磨损量实时监测的问题，提出了一种对铣削过程后刀面磨损量VB的监测方法。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，在兼顾不同信号的同时，考虑到刀具磨损在时序上的特征，提升刀具磨损的预测效果，防止刀具在加工中到达使用寿命和减少刀具浪费。

为实现上述技术目的，本发明采取的技术方案为：

一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，包括：

步骤A:通过传感器模块采集机床铣削平面加工过程中的原始加工信号，包括外置信号和内置信号，其中，外置信号包括振动、电流和声发射，内置信号包括机床内置移动轴实时位置；

步骤B:结合加工程序中指令及机床内置移动轴位置信号，从原始加工信号提取平稳切削过程信号，再通过小波降噪对信号进行预处理，去除噪声并进行归一化操作；

步骤C：对去噪及归一化后的信号进行分析和特征提取，获得时间序列上的多维度特征矩阵，结合相应的磨损真实值构成样本集以用于模型训练；

步骤D:基于GRU网络建立刀具磨损预测模型，在时间步和维度上融入注意力机制进行模型训练，训练过程中计算损失函数、预测值与真实值间均方根误差，以此评判模型训练效果；

步骤E：采用训练后的刀具磨损预测模型对铣削加工刀具磨损进行监测。

为优化上述技术方案，采取的具体措施还包括：

上述的传感器模块包括外置传感器模块和内置信号模块；

外置传感器模块包含声发射传感器、振动传感器、电流传感器，分别采集声发射、振动、电流；

内置信号模块从机床NCU中采集内置移动轴实时位置。

上述的步骤A中，加工过程中，当刀具铣削加工区域时，采集原始加工信号。

上述的步骤B所述结合加工程序中指令及机床内置移动轴位置信号，从原始加工信号提取平稳切削过程信号，包括：

通过从机床NCU中采集内置移动轴实时位置信息，结合数控机床加工程序中切削插补命令，判断平稳切削过程中的移动轴坐标位置范围，同时锁定平稳切削加工时间段；

根据平稳切削加工时间段，筛选原始加工信号中的平稳切削过程信号，达到处理原始加工信号，清洗无用数据的目的。

上述的步骤B所述通过小波降噪对原始加工信号进行预处理，去除噪声并进行归一化操作，包括：

对信号进行小波降噪处理，使用DB2小波基，去除信号中噪声，达到对信号降噪、滤波的目的，最后对信号进行归一化，便于后续刀具磨损预测模型构建。

上述的步骤C包括：对去噪及归一化后的信号，在时域上提取时域特征信号，包括有量纲特征及无量纲特征；

对时域特征信号进行FFT变换后，提取频域上特征；

再通过Correl相关性计算函数，筛选出同刀具磨损值曲线相关性最高的特征，最终获得时间序列上的多维度特征矩阵。

上述的GRU网络中神经元个数为20，GRU网络后添加全连接层，输出刀具磨损值，其中，

GRU网络中的重置门公式为：

r_t＝σ(W_r·[h_t-1，x_t])

式中，σ为Sigmoid函数，W_r为重置门权重矩阵，x_t为第t个时间步的输入，即整个输入样本序列的第t个分量，h_t-1是上一个时间步所保存下来的隐藏信息；

GRU网络中的更新门公式为：

z_t＝σ(W_z·[h_t-1，x_t])

式中，W_z为更新门权重矩阵；

GRU网络中的候选集公式为：

式中，

为候选状态权重矩阵，r_t*h_t-1为重置门r_t和上一时间步隐藏状态h_t-1的Hadamard乘积；

GRU网络中的当前状态公式为：

式中，1-z_t与h_t-1的Hadamard乘积代表t-1时间步保留到当前状态的信息，候选集

代表当前时间步t保留到隐藏状态的信息，将两者相加，即为门控循环单元的当前状态h_t；

GRU网络中的输出公式为:

y_t＝W_o·h_t，

式中，W_o为输出层权重矩阵。

上述的步骤D使用注意力机制，在预测模型中添加注意力层，从而计算GRU网络中各维度和各时间步在预测刀具磨损时的权重，生成注意力矩阵，以提升模型在时间和维度上的全局性，优化模型精度。

本发明具有以下有益效果：

1.数据采集及信号处理方法考虑了加工全局，选用多种不同的外置传感器，多方位描述整个加工过程，同时，在时域、频域上同时对加工信号进行分析，将原始数据提取为基于时间的多维度特征，避免遗漏加工信号中的重要信息，即采用多种传感器采集多元加工信号，对每种传感信号，从时域、频域上进行特征提取，获得基于时序的多维度特征参数，与传统的单传感器预测方式相比，更加充分地分析了整个加工过程的加工特点。

2运用在时间序列上表现良好的GRU神经网络，构建对刀具具体磨损值进行预测的刀具监测模型。

3.监测模型融入注意力优化机制，针对时间步和维度计算对应权重，生成注意力矩阵加入GRU预测模型，增加模型的全局性。

附图说明

图1为本发明方法流程图；

图2为平稳切削过程提取图；

图3为小波降噪前后对比效果图；

图4为基于GRU网络的预测模型构建图；

图5为实验机床传感器布置示意图；

图6为注意力机制权重图；

图7为刀具磨损初始值和预测值对比图；

图8为GRU神经网络训练误差图；

图5的附图标记为：1-机床工作台、2-工件、3-刀具、4-机床主轴、5-振动传感器、6-声发射传感器、7-电流传感器、8-数据采集卡、9-工业计算机。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

一种基于小波降噪和GRU神经网络的铣刀磨损在线监测方法，其步骤如下：

步骤A:通过传感器模块采集机床铣削平面加工过程中的原始加工信号，包括外置信号和内置信号，其中，外置信号包括振动、电流和声发射，内置信号包括机床内置移动轴实时位置；

即加工过程中，当刀具铣削加工区域时，采集原始加工信号。

所述传感器模块包括外置传感器模块和内置信号模块；

外置传感器模块包含声发射传感器、振动传感器、电流传感器，分别采集声发射、振动、电流；

内置信号模块从机床NCU中采集内置移动轴实时位置。

在实际加工中，首先，在铣削机床电气箱安装监测主轴电流传感器，在机床工作台上安装振动传感器和声发射传感器，监测振动信号及声发射信号；

步骤B:结合加工程序中指令及机床内置移动轴位置信号，从原始加工信号提取平稳切削过程信号，再通过小波降噪对信号进行预处理，去除噪声并进行归一化操作；

将采集到的原始信号进行平稳切削过程识别提取，再进行小波降噪，选择合适的小波基和分解层数，对原始信号进行去噪，去噪后数据进行归一化操作，方便输入GRU神经网络计算；

1)结合加工程序中指令及机床内置移动轴位置信号，从原始加工信号提取平稳切削过程信号，包括：

通过从机床NCU中采集内置移动轴实时位置信息，结合数控机床加工程序中G01等切削插补命令，判断平稳切削过程中的移动轴坐标位置范围，同时锁定平稳切削加工时间段；

根据平稳切削加工时间段，筛选原始加工信号中的平稳切削过程信号，达到处理原始加工信号，清洗无用数据的目的。

2)通过小波降噪对原始加工信号进行预处理，去除噪声并进行归一化操作，包括：

小波降噪程序集成于工业控制计算机内，对信号进行小波降噪处理，使用DB2小波基，去除信号中噪声，达到对信号降噪、滤波的目的，最后对信号进行归一化，便于后续刀具磨损预测模型构建。

电流、声发射、振动原始信号需要进行归一化处理，具体公式如下：

式中，x_ni为归一化后i时刻的信号数值，x_i为归一化前i时刻的信号数值，x_max为该信号在时间序列上的最大值，x_min为该信号在时间序列上的最小值。x可指代加工过程中功率、声发射、电流信号。

步骤C：对去噪及归一化后的信号进行分析和特征提取，获得时间序列上的多维度特征矩阵，结合相应的磨损真实值构成样本集以用于模型训练：

对去噪及归一化后的信号，在时域上提取时域特征信号，包括有量纲特征(峰值、峰峰值、均值等)及无量纲特征(峭度、裕度、峰值因子等)；

对时域特征信号进行FFT变换后，提取频域上特征(频率重心、频段能量等)；

再通过Correl相关性计算函数，筛选出同刀具磨损值曲线相关性最高的特征，最终获得时间序列上的多维度特征矩阵。

Correl相关性计算函数，具体公式如下：

式中X为特征参数，Y为刀具磨损值曲线，Correl函数筛选同刀具磨损相关性高的特征，组成时间序列上的多维度特征矩阵，获得的多维度特征矩阵包括时域上的峭度、偏度、波形因子和峰值因子，以及频域上的频率中心。

步骤D:基于GRU网络建立刀具磨损预测模型，在时间步和维度上融入注意力机制进行模型训练，训练过程中计算损失函数、预测值与真实值间均方根误差，以此评判模型训练效果；

如图4所示，在步骤D中，带入GRU网络中训练的数据都是经过降噪、归一化、特征提取后的数据，数据基于时序且多维；即各加工过程后，拍摄刀刃图像并测量刀具磨损真实值，且通过步骤A-C获取相应的多维度特征矩阵，构成样本集。

步骤D步骤如下：

步骤D1:将样本集划分为训练集合测试集，样本的输入为时域、频域提取的特征参数所组成的特征矩阵，输出为对应的刀具磨损真实值；

步骤D2：基于GRU神经网络构建刀具磨损预测模型，融入注意力机制，将训练集代入网络训练，测试集用于评判和修正网络模型；

步骤D3：计算训练预测模型过程中的损失函数，若损失函数未收敛，则调整预测模型参数后继续计算损失函数，若损失函数收敛，则进入D4步骤评判函数精度：

步骤D4:将测试集数据代入训练的预测模型，计算刀具磨损预测值，将刀具磨损预测值与刀具磨损真实值间的均方根误差同预设的判断标准值对比；若均方根误差大于判断标准值，则返回步骤D3。

步骤D2中，GRU网络主要有以下重要参数：

重置门公式为：

r_t＝σ(W_r·[h_t-1，x_t])

式中，σ为Sigmoid函数，W_r为重置门权重矩阵，x_t为第t个时间步的输入，即整个输入样本序列的第t个分量，h_t-1是上一个时间步所保存下来的隐藏信息；

更新门公式为：

z_t＝σ(W_z·[h_t-1，x_t])

式中，W_z为更新门权重矩阵，其他变量与重置门相同；

候选集公式为：

式中，

为候选状态权重矩阵，r_t*h_t-1为重置门r_t和上一时间步隐藏状态h_t-1的Hadamard乘积(两矩阵对应元素相乘)；

当前状态公式为：

式中，1-z_t与h_t-1的Hadamard乘积代表t-1时间步保留到当前状态的信息，候选集

代表当前时间步t保留到隐藏状态的信息，将两者相加，即为门控循环单元的当前状态h_t；

重置门和更新门是GRU区别于其他循环神经网络的主要特点，重置门r_t确定在当前时刻应当忽略多少以前的信息，重置门的值越大，意味着前一个时刻单元的更多信息可能被忽略；更新门z_t确定应将多少信息代入下一个时刻单元，更新门的值越大意味着更多的信息被带入到下一个时刻单元。类似于LSTM网络，当前时刻的状态h_t是由前一个时刻的状态h_t-1及候选状态

的线性插值组成。

注意力机制在模型中的具体体现为通过softmax函数计算输入对于输出结果的权重，具体公式如下：

式中，z∈[1,N]表示被选择输入信息的索引范围，上式表示针对第i个输入信息，计算了给定q和x的情况下，第i个信息的权重a_i。

步骤D3中，需要判断是否收敛的损失函数可由如下公式计算：

式中，loss表示损失函数，n表示训练集中样本数量，y_k表示第k个样本刀具磨损真实值，

表示第k个样本刀具磨损预测值。

步骤D4中，判断模型精度是否达到要求的均方根误差由如下公式计算：

式中，RMSE表示损失函数，n表示训练集中样本数量，y_k表示第k个样本刀具磨损真实值，

表示第k个样本刀具磨损预测值。

在步骤D中，当模型训练时，使用分批处理的方法对样本数据进行分批训练；设置网络Batch size；每批样本训练结束后，计算模型损失值和预测精确度。

步骤E：采用训练后的刀具磨损预测模型对铣削加工刀具磨损进行监测。

实施例

以下结合技术方案和附图，以一台铣床铣削加工平面为例，详细叙述本发明的具体实施方式。

步骤A:铣削平面加工过程中的电流、振动、声发射信息采集：

将电流传感器7固定在机床主轴4后的电气箱内，通过监测主轴电机三相电流获得电流信号。工件2、振动传感器5和声发射传感器6安装在机床工作台1上，获取加工过程中振动信号和声发射信号。传感器连接NI数据采集卡8，数据采集卡8再将数据传输至工业计算机9。刀具3的后刀面磨损量VB在每次加工过程后离线测得。各设备具体安装方式如图5所示。

步骤B、步骤C:信号平稳切削过程提取、小波降噪及特征提取：

平稳切削过程提取后图像如图2所示，小波降噪过程中，选用DB2小波基，进行3层小波分解，小波降噪具体效果如图3所示。特征提取中具体特征由下列公式得到：

峭度提取公式：

偏度提取公式:

波形因子提取公式:

峰值因子提取公式:

频率中心提取公式：

上述公式中，σ为方差，

为均值，X_rms为均方根值，X_peak为峰值，

为功率幅值。最终获得140组时间序列上的数据样本，每组样本数据中都有电流、振动、声发射3种信号在时域、频域上的5种特征参数，每组样本特征参数个数为15，即维度为15。

针对获取的123组时间序列上的样本，以时间步长5为一组，目的是让GRU网络模型能够学习时间序列上输入的变化特征，数据处理后共得到119组序列样本中，80％用于后续GRU网络模型训练，20％用于测试。

步骤D:基于GRU网络的刀具磨损预测模型构建与训练

基于GRU网络的刀具磨损预测模型，GRU神经元个数为20，GRU网络后添加一全连接层，神经元个数为10，全连接层输出层神经元个数为1，即输出的刀具后刀面磨损值，在GRU网络输出层和全连接层间添加Dropout层，防止模型过拟合。

在GRU模型前加入注意力层，具体操作为：

添加激励函数为softmax的Dense层，计算输入样本时间步与维度上的注意力权重，并将权重带入输入中，生成优化后的GRU模型输入，注意力权重图如图6所示。

取样本中80％作为训练集训练GRU神经网络模型，采用剩余20％的数据作为测试集对训练好的GRU神经网络模型进行测试，模型训练迭代500次，得到的训练集合测试集误差值小于判断标准值0.01，模型测试合格。

刀具磨损预测值和实际值如图7所示，模型训练中训练集和测试集的均方根误差如图8所示。

步骤E：采用训练后的刀具磨损预测模型对铣削加工刀具磨损进行监测。

综上所述，本发明首先，在铣床的工作台安装一个振动传感器和一个声发射传感器，在主轴电机处安装电流传感器，采集加工过程中工作台振动信号、声发射信号及主轴电流信号；通过坐标轴实时位置和加工程序快速提取平稳切削过程，然后将采集到的信号通过连续小波变换进行信号降噪处理，目的为减少大量噪声对训练模型的影响；去除噪声后的信号通过时频域分析得到信号特征参数；通过融入注意力机制的门控循环单元神经网络(GRU)对信号特征参数和铣刀磨损量进行模型训练，如果训练预测误差低于设定值，则模型可用于铣刀磨损量预测；在实时监测时，将实时的电流、振动、声发射信号输入训练好的GRU网络中，网络输出铣刀的磨损量。该方法可实现铣削加工过程中刀具磨损量的监测。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (8)

1.一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，其特征在于，包括：

步骤A:通过传感器模块采集机床铣削平面加工过程中的原始加工信号，包括外置信号和内置信号，其中，外置信号包括振动、电流和声发射，内置信号包括机床内置移动轴实时位置；

步骤B:结合加工程序中指令及机床内置移动轴位置信号，从原始加工信号提取平稳切削过程信号，再通过小波降噪对信号进行预处理，去除噪声并进行归一化操作；

步骤C：对去噪及归一化后的信号进行分析和特征提取，获得时间序列上的多维度特征矩阵，结合相应的磨损真实值构成样本集以用于模型训练；

步骤D:基于GRU网络建立刀具磨损预测模型，在时间步和维度上融入注意力机制进行模型训练，训练过程中计算损失函数、预测值与真实值间均方根误差，以此评判模型训练效果；

步骤E：采用训练后的刀具磨损预测模型对铣削加工刀具磨损进行监测。

2.根据权利要求1所述的一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，其特征在于，所述传感器模块包括外置传感器模块和内置信号模块；

外置传感器模块包含声发射传感器、振动传感器、电流传感器，分别采集声发射、振动、电流；

内置信号模块从机床NCU中采集内置移动轴实时位置。

3.根据权利要求1所述的一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，其特征在于，所述步骤A中，加工过程中，当刀具铣削加工区域时，采集原始加工信号。

4.根据权利要求1所述的一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，其特征在于，步骤B所述结合加工程序中指令及机床内置移动轴位置信号，从原始加工信号提取平稳切削过程信号，包括：

通过从机床NCU中采集内置移动轴实时位置信息，结合数控机床加工程序中切削插补命令，判断平稳切削过程中的移动轴坐标位置范围，同时锁定平稳切削加工时间段；

根据平稳切削加工时间段，筛选原始加工信号中的平稳切削过程信号，达到处理原始加工信号，清洗无用数据的目的。

5.根据权利要求1所述的一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，其特征在于，步骤B所述通过小波降噪对原始加工信号进行预处理，去除噪声并进行归一化操作，包括：

对信号进行小波降噪处理，使用DB2小波基，去除信号中噪声，达到对信号降噪、滤波的目的，最后对信号进行归一化，便于后续刀具磨损预测模型构建。

6.根据权利要求1所述的一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，其特征在于，所述步骤C包括：对去噪及归一化后的信号，在时域上提取时域特征信号，包括有量纲特征及无量纲特征；

对时域特征信号进行FFT变换后，提取频域上特征；

再通过Correl相关性计算函数，筛选出同刀具磨损值曲线相关性最高的特征，最终获得时间序列上的多维度特征矩阵。

7.根据权利要求1所述的一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，其特征在于，所述GRU网络中神经元个数为20，GRU网络后添加全连接层，输出刀具磨损值，其中，

GRU网络中的重置门公式为：

r_t＝σ(W_r·[h_t-1，x_t])

式中，σ为Sigmoid函数，W_r为重置门权重矩阵，x_t为第t个时间步的输入，即整个输入样本序列的第t个分量，h_t-1是上一个时间步所保存下来的隐藏信息；

GRU网络中的更新门公式为：

z_t＝σ(W_z·[h_t-1，x_t])

式中，W_z为更新门权重矩阵；

GRU网络中的候选集公式为：

式中，

为候选状态权重矩阵，r_t*h_t-1为重置门r_t和上一时间步隐藏状态h_t-1的Hadamard乘积；

GRU网络中的当前状态公式为：

式中，1-z_t与h_t-1的Hadamard乘积代表t-1时间步保留到当前状态的信息，候选集

代表当前时间步t保留到隐藏状态的信息，将两者相加，即为门控循环单元的当前状态h_t；

GRU网络中的输出公式为:

y_t＝W_o·h_t，

式中，W_o为输出层权重矩阵。

8.根据权利要求1所述的一种基于小波降噪和注意力机制融合GRU网络的铣削加工刀具磨损监测方法，其特征在于，所述步骤D使用注意力机制，在预测模型中添加注意力层，从而计算GRU网络中各维度和各时间步在预测刀具磨损时的权重，生成注意力矩阵，以提升模型在时间和维度上的全局性，优化模型精度。

Images