CN114714145A - 一种刀具磨损状态的格拉姆角场增强对比学习监测方法 - Google Patents

Abstract

本发明公开了一种刀具磨损状态的格拉姆角场增强对比学习监测方法，通过采集切削过程中三个方向的切削力信号，将每个方向的切削力信号通过格拉姆角场生成为灰度图像，并且将三个方向的灰度图叠加合并成彩色图，输入到对比学习模型中得到预训练模型，将预训练模型中的特征提取权重加载到分类模型中，利用少量有标签的样本对分类模型进行学习训练，利用训练后的分类模型对刀具磨损状态进行识别。本发明可以利用少量有标签样本和大量无标签样本实现刀具磨损状态的高精度监测，大大降低了实验成本。

Description

一种刀具磨损状态的格拉姆角场增强对比学习监测方法

技术领域

本发明涉及加工过程监测技术领域，特别是一种刀具磨损状态的格拉姆角场增强对比学习监测方法。

背景技术

在材料加工过程中刀具与工件直接接触，当磨损变钝的刀具继续参与切削，切削力会增加，切削温度上升，甚至会产生振动，最终会降低工件的表面质量和尺寸精度。而且，随着刀具磨损的加剧，有可能导致刀具破坏或损坏，从而导致切削加工过程中断，降低生产效率，甚至造成工件报废、机床损坏等严重事故。因此在不确定加工环境下对刀具状态进行实时监测，对保障加工质量、确保加工过程安全运行、提高加工效率等方面具有重要意义。

目前，在刀具磨损状态监测(TCM)方面，国内外都开展了大量的研究，提出了许多高效的方法，如小波变换、支持向量机等，但是这些方法需要一定的条件，难以选择合适的基函数或核函数及对应的参数，比较依赖大量的先验知识。而近年来流行的深度学习方法，需要大量的标签样本去进行训练，对于工业实际场景中TCM可用的标签样本有限、实施困难；而在有限样本下，神经网络容易出现过拟合问题，模型泛化能力差。因此，如何利用切削过程中产生的少量标签样本和大量无标签样本，来提升刀具状态实时监测性能是TCM领域研究的前沿问题。

发明内容

本发明的目的在于，提供一种刀具磨损状态的格拉姆角场增强对比学习监测方法。本发明可以利用少量有标签样本和大量无标签样本实现刀具状态的高精度监测，大大降低了成本。

本发明的技术方案：一种刀具磨损状态的格拉姆角场增强对比学习监测方法，包括如下步骤：

步骤1、采集刀具切削过程中三个方向的切削力信号及其对应的刀具磨损状态，获得有标签样本和无标签样本，所述有标签样本由刀具加工开始阶段以及结束阶段的切削力信号和刀具磨损状态组成；所述无标签样本由刀具加工中间阶段的切削力信号组成；

步骤2、将三个方向的切削力信号通过格拉姆角场进行数据扩维，得到三张GASF灰度图；

步骤3、将三张GASF灰度图叠加合并成一张彩色GASF图像；

步骤4、将彩色GASF图输入到对比学习网络中进行模型预训练，得到预训练模型；

步骤5、加载预训练模型到分类模型中，将分类模型中特征提取模块的权重用预训练模型来替代，然后加载有标签样本去训练分类模型；

步骤6、利用训练后的分类模型对刀具状态进行监测识别。

上述的刀具状态监测方法，步骤二中，所述GASF灰度图的获取过程是,采集的切削力信号为长度为N的时间序列X＝{x₁，x₂，x₃…x_N}，用[-1,1]对时间序列进行归一化,归一化后时间序列的值及其对应的时间戳来表示格拉姆角场的角度Φ_i和半径r，：

式中，t_i为时间戳，每个时间戳t_i对应的角度Φ_i是该时间点的归一化幅度

对应的反余弦值；

根据格拉姆角场的角度Φ_i和半径r得到信号极坐标表示，然后计算内积：

式中：

是时间序列的归一化值，[I，I，I…I]是单位行向量；

由于

内积可转化为角度和的余弦，构建GASF矩阵：

最后由内积计算公式和GASF矩阵将信号极坐标升维成GASF灰度图。

前述的刀具磨损状态的格拉姆角场增强对比学习监测方法，所述对比学习网络包括数据增强模块、特征提取模块、多层感知机膜和对比损失函数模块；

所述数据增强模块采用几何变换类的数据增强方法，将彩色距离图生成正样本对和负样本对；

所述特征提取模块使用Resnet18模型，包括卷积层、四个残差块和平均池层，将输入图像转换为512×1×1的特征向量：

所述多层感知机模块在将高维向量映射到低维向量，将输入的512×1×1的特征向量转换成128×1×1的特征向量；

所述对比损失函数模块计算余弦相似度：

其中：Z＝[Z₁；Z₂]∈R^2N×128，表示矩阵通过列进行合并，Z₁为正样本对经过特征提取模块和多层感知机模块获得的特征向量；Z₂为负样本对经过特征提取模块和多层感知机模块获得的特征向量；i，j＝1，2，…k；

再根据余弦相似度计算交叉熵损失：

其中，τ为温度系数，τ∈[0，1]，上式中分子为正样本对的余弦相似度，分母为所有彩色距离图的余弦相似度之和；

最后计算损失函数：

前述的刀具磨损状态的格拉姆角场增强对比学习监测方法，步骤6中，刀具状态进行监测识别是定期周期性采集刀具加工过程中的三个方向的切削力信号，得到待测样本；将待测样本通过格拉姆角场进行数据扩维，得到三张GASF灰度图，将三张GASF灰度图叠加合并成一张待测彩色GASF图像；将测彩色GASF图像输入到训练后的分类模型中对刀具状态进行分类监测识别。

前述的刀具磨损状态的格拉姆角场增强对比学习监测方法，步骤1中，所述的刀具磨损状态是将刀具对工件表面进行十次铣削，每次铣削长度为1.5m,每次铣削包含三次正铣，两次逆铣，采样频率为12000Hz，在每次刀具完成一次铣削后，取下刀具用刀具显微镜拍摄磨损图片；采用刀具后刀面磨损面积来衡量刀具磨损，并将刀具三齿的最大后刀面磨损面积定义为刀具磨损值，按照刀具铣削实验对应的磨损面积，分为初始磨损、轻微磨损、稳定磨损、剧烈磨损和失效五种磨损状态。

与现有技术相比，本发明通过采集切削过程中三个方向的切削力信号，将每个方向的切削力信号通过格拉姆角场生成为灰度图像，并且将三个方向的灰度图叠加合并成彩色图，输入到对比学习模型中得到预训练模型，将预训练模型中的特征提取权重加载到分类模型中，利用少量有标签的样本对分类模型进行学习训练，利用训练后的分类模型对刀具磨损状态进行识别。本发明可以利用少量有标签样本和大量无标签样本实现刀具磨损状态的高精度监测，大大降低了实验成本。本发明将时间序列通过格拉姆角场的升维方法运用在深度学习神经网络中，不需要大量的经验知识，克服了目前在传感信号的TCM主流方法需要依赖很多信号处理技术、经验知识的弊端，且为后续监测模型提供了更为丰富的样本信息。本发明与传统其他方法在处理传感数据相比，不用依赖主观经验，也不需要别的信号处理技术；与深度学习模型相比，由于TCM实验中标签样本昂贵且难以测量，本发明生成的大批量数据集不需要大量的标签，可以用大量的无标签数据进行自监督学习，克服了目前有监督学习需要大量的标签样本才能获得良好性能的难题。

附图说明

图1为本发明的流程示意图；

图2为刀具三个齿随工作行程的磨损面积图；

图3为GASF灰度图生成流程示意图

图4为彩色GASF图像生成流程示意图；

图5为对比学习网络结构示意图；

图6为刀具磨损图像和其对应的彩色GASF图；

图7为三种有标签样本容量下的各方法的分类精度示意图。

具体实施方式

下面结合实施例对本发明作进一步说明，但并不作为对本发明限制的依据。

实施例1：一种刀具磨损状态的格拉姆角场增强对比学习监测方法，如图1所示，包括如下步骤：

步骤1、采集刀具切削过程中三个方向的切削力信号及其对应的刀具磨损状态，获得有标签样本和无标签样本，所述有标签样本由刀具加工开始阶段以及结束阶段的切削力信号和刀具磨损状态组成；所述无标签样本由刀具加工中间阶段的切削力信号组成；本实施例中采集的装置为TCM实验装置，所述的刀具磨损状态是将刀具对工件表面进行十次铣削，每次铣削长度为1.5m,每次铣削包含三次正铣，两次逆铣，采样频率为12000Hz，在每次刀具完成一次铣削后，取下刀具用刀具显微镜拍摄磨损图片；采用刀具后刀面磨损面积来衡量刀具磨损，并将刀具三齿的最大后刀面磨损面积定义为刀具磨损值，如图2所示，按照刀具铣削实验对应的磨损面积，分为初始磨损、轻微磨损、稳定磨损、剧烈磨损和失效五种磨损状态。

所述的切削力信号采集是用七把不同工况的刀进行实验，刀具的切削参数如表1所示，并且通过信号采集系统对整个阶段的信号进行采集。

No.	转速(rpm)	进给速度(mm/min)	切削深度(mm)
				1	2300	400	0.4
2	2300	450	0.5
				3	2300	500	0.6
4	2400	450	0.4
				5	2400	500	0.5
6	2400	400	0.6
				7	2500	400	0.6

表1

每把刀在不同状态下截取切削力信号的三个方向500000个数据点作为样本，组成实验样本进行模型训练。

步骤2、将三个方向的切削力信号通过格拉姆角场(GASF)进行数据扩维，得到三张GASF灰度图；具体是，采集的切削力信号为长度为N(N为1000)的时间序列X＝{x₁，x₂，x₃…x_N}，用[-1,1]对时间序列进行归一化,归一化后时间序列的值及其对应的时间戳来表示格拉姆角场的角度Φ_i和半径r，：

式中，t_i为时间戳，每个时间戳t_i对应的角度Φ_i是该时间点的归一化幅度

对应的反余弦值；

根据格拉姆角场的角度Φ_i和半径r得到信号极坐标表示，然后计算内积：

式中：

是时间序列的归一化值，[I，I，I…I]是单位行向量；

由于

内积可转化为角度和的余弦，在GASF矩阵中，每个默认元素都是时间戳角和的余弦值，故构建GASF矩阵如下：

最后由内积计算公式和GASF矩阵将信号极坐标升维成GASF灰度图。流程如图3所示，(a)传感器提取的原始信号(三个方向的切削力信号)；(b)原始信号归一化的结果；(c)归一化信号通过公式1和2用极坐标表示；(d)信号极坐标通过公式3和4生成GASF灰度图。

步骤3、将三张GASF灰度图叠加合并成一张彩色GASF图像，如图4所示；对于初始磨损、轻微磨损、稳定磨损、剧烈磨损和失效五种磨损状态的彩色GASF图像，如图6所述。

步骤4、将彩色GASF图输入到对比学习网络(CL)中进行模型预训练，得到预训练模型；如图5所示，所述对比学习网络包括数据增强模块、特征提取模块、多层感知机膜和对比损失函数模块；如图5流程图所示，一张图片通过T变换生成的两张图像T′和T″则称这两张图片为正样本对，别的图像经过T变换生成的样本都称为这两张图像的负样本。

所述数据增强模块采用几何变换类的数据增强方法，将彩色距离图生成正样本对和负样本对；

所述特征提取模块使用Resnet18模型，包括卷积层、四个残差块和平均池层，将输入图像转换为512×1×1的特征向量：

所述多层感知机模块在将高维向量映射到低维向量，将输入的512×1×1的特征向量转换成128×1×1的特征向量；如图5所示，本实施例中用于投影的多层感知器采用两个线性层，每个线性层之后都进行归一化处理。第一个线性层归一化后，使用ReLU函数可以更好地挖掘相关特征，加快训练数据的拟合。通过MLP，可以将高维特征降为低维特征，可以加快后续损失函数计算中的计算速度，通过MLP将输入特征大小为512×1×1输出成128×1×1。

所述对比损失函数模块计算余弦相似度：

其中：Z＝[Z₁；Z₂]∈R^2N×128，表示矩阵通过列进行合并，Z₁为正样本对经过特征提取模块和多层感知机模块获得的特征向量；Z₂为负样本对经过特征提取模块和多层感知机模块获得的特征向量；i，j＝1，2，…k；

再根据余弦相似度计算交叉熵损失：

其中，τ为温度系数，τ∈[0，1]，上式中分子为正样本对的余弦相似度，分母为所有彩色距离图的余弦相似度之和；

最后计算损失函数：

步骤5、加载预训练模型到分类模型中，将分类模型中特征提取模块的权重用预训练模型来替代，然后加载有标签样本去训练分类模型；

步骤6、利用训练后的分类模型对刀具状态进行监测识别，即定期周期性采集刀具加工过程中的三个方向的切削力信号，得到待测样本；将待测样本通过格拉姆角场进行数据扩维，得到三张GASF灰度图，将三张GASF灰度图叠加合并成一张待测彩色GASF图像；将测彩色GASF图像输入到训练后的分类模型中对刀具状态进行分类监测识别。

在实验中，五种刀具磨损状态均有：训练样本4970个/类，测试样本有2130个/类。在训练集库中分别设置每类有标签样本为50、100、200个，其余样本均为无标签样本的训练样本，分类模型选取残差网络-18模型，分别在无预训练的残差网络、Imagenet预训练-残差网络、本发明所提的GASF-CL-残差网络三种方法上进行检验。图7为三种方法在不同标签样本容量下的分类精度。

通过结果图7可以看出，当训练集每个只有50个样本时，本发明得到的分类结果也有88％的测试准确率，在训练集中每个类别有200个样本时，测试准确率达到96％，与其他两种方法相比，该方法有20％的准确度提升，并且在样本量较小时该方法的优势更加明显。

综上所述，本发明可以利用少量有标签样本和大量无标签样本实现刀具磨损状态的高精度监测，大大降低了实验成本。本发明将时间序列通过格拉姆角场的升维方法运用在深度学习神经网络中，不需要大量的经验知识，克服了目前在传感信号的TCM主流方法需要依赖很多信号处理技术、经验知识的弊端，且为后续监测模型提供了更为丰富的样本信息。

Claims (5)

1.一种刀具磨损状态的格拉姆角场增强对比学习监测方法，其特征在于：包括如下步骤：

步骤1、采集刀具切削过程中三个方向的切削力信号及其对应的刀具磨损状态，获得有标签样本和无标签样本，所述有标签样本由刀具加工开始阶段以及结束阶段的切削力信号和刀具磨损状态组成；所述无标签样本由刀具加工中间阶段的切削力信号组成；

步骤2、将三个方向的切削力信号通过格拉姆角场进行数据扩维，得到三张GASF灰度图；

步骤3、将三张GASF灰度图叠加合并成一张彩色GASF图像；

步骤4、将彩色GASF图输入到对比学习网络中进行模型预训练，得到预训练模型；

步骤5、加载预训练模型到分类模型中，将分类模型中特征提取模块的权重用预训练模型来替代，然后加载有标签样本去训练分类模型；

步骤6、利用训练后的分类模型对刀具状态进行监测识别。

2.根据权利要求1所述的刀具状态监测方法，其特征在于：步骤二中，所述GASF灰度图的获取过程是,采集的切削力信号为长度为N的时间序列X＝{x₁，x₂，x₃…x_N}，用[-1,1]对时间序列进行归一化,归一化后时间序列的值及其对应的时间戳来表示格拉姆角场的角度Φ_i和半径r，：

式中，t_i为时间戳，每个时间戳t_i对应的角度Φ_i是该时间点的归一化幅度

对应的反余弦值；

根据格拉姆角场的角度Φ_i和半径r得到信号极坐标表示，然后计算内积：

式中：

是时间序列的归一化值，[I，I，I…I]是单位行向量；

由于

内积可转化为角度和的余弦，构建GASF矩阵：

最后由内积计算公式和GASF矩阵将信号极坐标升维成GASF灰度图。

3.根据权利要求1所述的刀具磨损状态的格拉姆角场增强对比学习监测方法，其特征在于：所述对比学习网络包括数据增强模块、特征提取模块、多层感知机膜和对比损失函数模块；

所述数据增强模块采用几何变换类的数据增强方法，将彩色距离图生成正样本对和负样本对；

所述特征提取模块使用Resnet18模型，包括卷积层、四个残差块和平均池层，将输入图像转换为512×1×1的特征向量：

所述多层感知机模块在将高维向量映射到低维向量，将输入的512×1×1的特征向量转换成128×1×1的特征向量；

所述对比损失函数模块计算余弦相似度：

其中：Z＝[Z₁；Z₂]∈R^2N×128，表示矩阵通过列进行合并，Z₁为正样本对经过特征提取模块和多层感知机模块获得的特征向量；Z₂为负样本对经过特征提取模块和多层感知机模块获得的特征向量；i，j＝1，2，…k；

再根据余弦相似度计算交叉熵损失：

其中，τ为温度系数，τ∈[0，1]，上式中分子为正样本对的余弦相似度，分母为所有彩色距离图的余弦相似度之和；

最后计算损失函数：

4.根据权利要求1所述的刀具磨损状态的格拉姆角场增强对比学习监测方法，其特征在于：步骤6中，刀具状态进行监测识别是定期周期性采集刀具加工过程中的三个方向的切削力信号，得到待测样本；将待测样本通过格拉姆角场进行数据扩维，得到三张GASF灰度图，将三张GASF灰度图叠加合并成一张待测彩色GASF图像；将测彩色GASF图像输入到训练后的分类模型中对刀具状态进行分类监测识别。

5.根据权利要求1所述的刀具磨损状态的格拉姆角场增强对比学习监测方法，其特征在于：步骤1中，所述的刀具磨损状态是将刀具对工件表面进行十次铣削，每次铣削长度为1.5m,每次铣削包含三次正铣，两次逆铣，采样频率为12000Hz，在每次刀具完成一次铣削后，取下刀具用刀具显微镜拍摄磨损图片；采用刀具后刀面磨损面积来衡量刀具磨损，并将刀具三齿的最大后刀面磨损面积定义为刀具磨损值，按照刀具铣削实验对应的磨损面积，分为初始磨损、轻微磨损、稳定磨损、剧烈磨损和失效五种磨损状态。

Images