CN114714146B - 一种同时预测表面粗糙度和刀具磨损的方法 - Google Patents

Abstract

本发明涉及机械加工领域，具体涉及一种基于堆栈降噪自编码和多任务学习的表面粗糙度和刀具磨损预测方法。本发明从切削信号中提取时域和频域特征，划分训练集X1和测试集C1，利用训练集X1对搭建堆栈降噪自编码网络进行预训练；以预训练后的堆栈降噪自编码网络为基础，搭建多任务学习模型；通过动态平均权重法动态调整表面粗糙度和刀具磨损的权重，利用训练集X1对搭建的网络进行训练，提高模型预测准确度。本发明不仅能够同时实现表面粗糙度和刀具磨损预测，还能提升两者的预测准确度。本发明能够同时判断刀具磨损状态和当前所加工零件的表面质量，以保证刀具磨损状态在正常的使用范围内以及零件的表面质量满足生产要求。

Description

一种同时预测表面粗糙度和刀具磨损的方法

技术领域

本发明涉及机械加工领域，具体涉及一种基于堆栈降噪自编码和多任务学习的表面粗糙度和刀具磨损预测方法。

背景技术

面向数据驱动的智能制造时代，如何准确地同时实现切削过程物理量的监测对于保证产品质量，提高加工过程的智能化水平具有重大意义。已加工工件的表面粗糙度和刀具磨损作为两个最为重要的切削过程物理量，其关系到零件的加工精度和加工效率。表面粗糙度是评价零件加工质量的重要参数，其影响着机械零件装配时的工作状态，与零件整体的疲劳强度和蠕变寿命息息相关。而刀具磨损直接影响着零件的加工质量和机器的运行状态，剧烈的刀具磨损会直接导致生产零件的报废和机器的故障停机，严重制约着生产效率的提高和生产成本的降低。近年来，通过智能传感器采集切削信号，利用人工智能技术能够实现表面粗糙度和刀具磨损的智能预测，但是现有的研究集中于要么以刀具磨损为基础预测表面粗糙度，或者以表面粗糙度为基准预测刀具磨损，缺乏统一的模型用于同时实现两者的预测。另外，表面粗糙度和刀具磨损作为切削过程中的物理量，两者之间的共有知识，相互补充的信息并未得到充分挖掘，导致表面粗糙度和刀具磨损预测准确度有待提高。

发明内容

本发明所要解决的技术问题是提供一种以切削信号为基础，充分考虑表面粗糙度和刀具磨损的相关性，基于堆栈降噪自编码和多任务学习框架同时实现表面粗糙度和刀具磨损预测方法。

为解决以上技术问题，本发明采用如下的技术方案：

①从切削信号中提取时域和频域特征，划分训练集X1和测试集C1；

②搭建堆栈降噪自编码网络，并利用①中的训练集X1进行预训练；

201自编码网络包括编码层和解码层，编码层用于将输入映射为特征表示，解码层用于重构原始输入，编码和解码过程表示为：

hⁱ＝f(W_Exⁱ+b_E)                              (1)

yⁱ＝f(W_Dhⁱ+b_D)                              (2)

式中xⁱ表示原始输入，f表示激活函数，hⁱ表示为特征表示，W_E和b_E分别表示编码层的权重和偏置，W_D和b_D分别表示解码层的权重和偏置，yⁱ表示重构输出；

202以最小化重构误差为优化目标，利用训练集X1对自编码网络中的参数θ＝{W_E,b_E,W_D,b_D}进行训练，其中构建的最小化重构误差为：

式中θ^*表示优化后的自编码网络中的参数，n表示训练集中的样本数，L表示损失函数，argmin表示最小化；

203将本层中训练后的隐含层输出作为下一个自编码网络的输入，然后再按照202中的方式进行训练，以此类推，通过逐层堆叠建立堆栈降噪自编码网络；

③以预训练后的堆栈降噪自编码网络为基础，搭建多任务学习模型；

④通过动态平均权重法动态调整表面粗糙度和刀具磨损的权重，根据模型迭代过程中的损失函数值变化，动态平均权重法的数学模型表示为：

其中，K表示任务个数，L_k表示第k个任务的损失函数值，w_k表示第k个任务损失函数值的相对下降速率，t表示模型训练时的当前迭代次数，T表示常数，用于控制任务权重的柔和度，λ_k表示第k个任务的权重；

⑤利用①的训练集X1对③中搭建的堆栈降噪自编码网络进行训练，提高模型预测准确度；501以多个任务的损失函数值为优化目标，利用训练集X1对模型的参数进行调整，损失函数值表示为：

式中L_总表示多任务学习时的损失函数，λ₁表示表面粗糙度损失函数值的权重，N_b表示模型训练时每批次的样本数量，R_a ^pre表示模型预测得到的表面粗糙度值，R_a表示实测得到的表面粗糙度值，λ₂表示刀具磨损损失函数值的权重，VB^pre表示模型预测得到的刀具磨损值，VB表示实测得到的刀具磨损值；

502模型训练结束后，利用测试集C1对模型的性能进行验证，为了量化模型的性能表现，以绝对平均误差和均方误差作为评价指标，其表示为：

式中MAE表示绝对平均误差，RMSE表示均方误差，N表示测试集C1的样本数量，Va_exp,i表示实测得到的表面粗糙度值或刀具磨损值，Va_pre,i表示模型预测得到的表面粗糙度值或刀具磨损值。

所述步骤①包括：

101对原始的切削信号进行时域特征、频域特征和时频域特征的提取；

102提取的时域特征包括最大值、最小值、峰峰值、均值、方差、均方根、峰度因子、偏度因子和信号功率，频域特征主要包括功率谱密度幅值、功率谱均值、修正等效带宽、频段能量、方差和均方频率；

103对原始的切削信号进行四层小波包变换，然后对分解得到的小波包系数进行重构；

104对重构后的小波包系数进行傅里叶变换，对低频成分的重构小波包系数进行特征量提取，提取的特征量包括最大值、最小值、峰峰值、均值、方差、均方根、峰度因子偏度因子和信号功率；

105按照步骤101-104对切削信号都进行处理形成数据集，按照4：1的比例将数据集划分为训练集X1和测试集C1。

所述步骤③中多任务学习包括共享层和特定任务层，共享层用于获取多个任务之间的相关性信息，共享特定领域的信息，特定任务层是独立的，以分离单个任务的信息，集中于单个任务的预测。

所述步骤②中搭建好的堆栈降噪自编码网络用作共享层，并在共享层中考虑了基本的切削参数，以改善表面粗糙度和刀具磨损的预测准确度，两个全连接神经网络用作特定任务层，进而搭建多任务学习模型，以实现表面粗糙度和刀具磨损的同时预测。

本发明的积极效果如下：本发明以降噪自编码网络为基础，首先利用切削信号对单层降噪自编码网络进行预训练，以训练后的降噪自编码网络中的隐含层输出作为下一层降噪自编码网络的输入，通过逐层训练，依次堆叠的方式搭建堆栈降噪自编码网络。然后利用堆栈降噪自编码网络从切削信号中提取到的时域和频域特征中学习更深层次的特征表示，用于后续表面粗糙度和刀具磨损的预测。结合多任务学习框架，将训练好的堆栈降噪自编码网络作为共享层，两个依次连接的全连接层神经网络作为特定任务层，建立多任务学习模型，并引入动态平均权重动态调整多个任务的学习速率，进一步地改善模型的性能表现。通过上述建立的多任务学习模型，不仅能够同时实现表面粗糙度和刀具磨损预测，还能同时提升两者的预测准确度。以上发明能够同时判断刀具磨损状态和当前所加工零件的表面质量，以保证刀具磨损状态在正常的使用范围内以及零件的表面质量满足生产要求，进而保证生产零件的加工质量，降低生产成本，这对当前数据驱动的智能制造时代具有重要意义。

附图说明

图1为堆栈降噪自编码网络；

图2为建立的多任务学习模型；

图3为表面粗糙度预测结果；

图4为刀具磨损预测结果；

图5多任务学习模型的性能表现对比。

具体实施方式

下面结合附图和具体的切削实例对本发明进行详细说明。其主要步骤如下：

从切削信号中提取时域和频域特征，划分训练集X1和测试集C1：

101对原始的切削信号进行时域特征、频域特征和时频域特征的提取；

102提取的时域特征主要包括最大值、最小值、峰峰值、均值、方差、均方根、峰度因子、偏度因子和信号功率，频域特征主要包括功率谱密度幅值、功率谱均值、修正等效带宽、频段能量、方差和均方频率；

103为了充分地挖掘切削信号中与刀具磨损和表面粗糙度相关的特征，对原始的切削信号进行四层小波包变换，然后对分解得到的小波包系数进行重构；

104对重构后的小波包系数进行傅里叶变换，对低频成分的重构小波包系数进行特征量提取，提取的特征量主要包括最大值、最小值、峰峰值、均值、方差、均方根、峰度因子偏度因子和信号功率；

105对所有的切削信号都进行以上处理，形成数据集，然后按照4：1的比例将数据集划分为训练集X1和测试集C1。

搭建堆栈降噪自编码网络，并利用①中的训练集X1进行预训练：201为了从上述特征中提取到更加有效的特征，并建立与表面粗糙度和刀具磨损的非线性映射关系，以降噪自编码网络为基础，经过多次堆叠搭建堆栈降噪自编码网络，如图1所示。202自编码网络属于无监督学习算法，其主要包括编码层和解码层。编码层用于将输入映射为特征表示，解码层用于重构原始输入，其编码和解码过程可以表示为：

hⁱ＝f(W_Exⁱ+b_E)                              (8)

yⁱ＝f(W_Dhⁱ+b_D)                              (9)

其中，xⁱ表示原始输入，f表示激活函数，hⁱ表示为特征表示，W_E和b_E分别表示编码层的权重和偏置，W_D和b_D分别表示解码层的权重和偏置，yⁱ表示重构输出。

203之后以最小化重构误差为优化目标，利用训练集X1对自编码网络中的参数θ＝{W_E,b_E,W_D,b_D}进行训练，其中最小化重构误差可以表示为：

其中，θ^*表示优化后的自编码网络中的参数，n表示训练集中的样本数，L表示损失函数，argmin表示最小化；

204将本层中训练后的隐含层输出作为下一个自编码网络的输入，然后再按照203中的方式进行训练，以此类推，通过逐层堆叠建立堆栈降噪自编码网络。

以预训练后的堆栈降噪自编码网络为基础，搭建多任务学习模型：301表面粗糙度和刀具磨损之间存在很强的相关性，因此表面粗糙度和刀具磨损预测并不是独立的问题；

302多任务学习能够通过同时学习多个相关任务来增强预测性能，因此，将上述搭建的堆栈降噪自编码神经网络与多任务学习框架相结合，搭建多任务学习模型，用于表面粗糙度和刀具磨损的同时预测，如图2所示；

303多任务学习包括共享层和特定任务层，共享层用于获取多个任务之间的相关性信息，共享特定领域的信息，特定任务层是独立的，以分离单个任务的信息，集中于单个任务的预测；

304步骤②中搭建好的堆栈降噪自编码神经网络用作共享层，并在共享层中考虑了基本的切削参数，以改善表面粗糙度和刀具磨损的预测准确度，两个全连接神经网络用作特定任务层，进而搭建多任务学习模型，以实现表面粗糙度和刀具磨损的同时预测。

通过动态平均权重法动态调整表面粗糙度和刀具磨损的权重：

401多任务学习时，如果不能在这些任务之间找到正确的平衡，那么训练多个任务是困难的，有的任务可能已经拟合好了，有的任务可能才开始学习，因此，引入动态平均权重来动态调整不同任务的学习快慢；

402根据模型迭代过程中的损失函数值变化，动态平均权重法的数学模型可以表示为：

其中，K表示任务个数，L_k(.)表示第k个任务的损失函数值，w_k表示第k个任务损失函数值的相对下降速率，t表示模型训练时的当前迭代次数，T表示常数，用于控制任务权重的柔和度，λ_k表示第k个任务的权重；

403通过引入动态平均权重，能够动态调整多个任务的学习快慢，使得模型训练时，实现多个任务学习速率的平衡。

利用①的训练集X1对③中搭建的堆栈降噪自编码网络进行训练，提高模型预测准确度：

501以搭建好的多任务学习模型和动态平均权重为基础，对多任务学习模型中的参数进行调整；

502同样地，以多个任务的损失函数值为优化目标，利用训练集X1对模型的参数进行调整，其可以表示为：

其中，L_总表示多任务学习时的损失函数，λ₁表示表面粗糙度损失函数值的权重，N_b表示模型训练时每批次的样本数量，R_a ^pre表示模型预测得到的表面粗糙度值，R_a表示实测得到的表面粗糙度值，λ₂表示刀具磨损损失函数值的权重，VB^pre表示模型预测得到的刀具磨损值，VB表示实测得到的刀具磨损值；

503模型训练结束后，利用测试集C1对模型的性能进行验证，为了量化模型的性能表现，以绝对平均误差和均方误差作为评价指标，其可以表示为：

其中，MAE表示绝对平均误差，RMSE表示均方误差，N表示测试集C1的样本数量，Va_exp,i表示实测得到的表面粗糙度值或刀具磨损值，Va_pre,i表示模型预测得到的表面粗糙度值或刀具磨损值。

实施例1

本部分主要基于上文所述开展铣削试验，在不同的切削参数组合和刀具磨损水平下加工镍基高温合金Haynes230，在铣削过程中采集切削力信号，并在试验结束之后测量刀尖附近的最大磨损宽度和已加工表面的表面粗糙度。其中切削参数组合如表1所示：

表1：铣削加工时的切削参数变化范围

本次试验所用的材料为镍基高温合金Haynes230,刀具型号为XOMX090308TR-M08F40M，试验平台为DMU 80mono BLOCK铣削加工中心，利用型号为Kistler 9057B的测力仪采集切削力，型号为Dino-Capture 2.0的光学显微镜测量刀尖附近最大的磨损宽度和已加工表面的表面形貌，之后根据测量得到的表面形貌计算表面粗糙度。

从原始的切削力信号中提取时域和频域特征量，并对原始的切削力信号进行四层小波包转换，对第四层低频重构小波包系数进行时域特征量提取。

试验过程中总共得到了114组试验数据，按照4：1的比例将试验数据划分为训练集X1和测试集C1，利用训练集X1通过反向传播算法对建立的多任务学习模型进行训练，利用测试集C1对训练好的多任务学习模型进行验证。

利用多任务学习模型得到的表面粗糙度和刀具磨损预测结果如图3和图4所示。从图中可以明显看出，表面粗糙度和刀具磨损预测值很接近实际的测量值，说明所建立的多任务学习模型能够准确同时实现表面粗糙度和刀具磨损预测，为了量化评价模型的性能表现，以绝对平均误差和均方误差为评价指标。以表面粗糙度为预测对象时，计算得到的指标值分别为0.099μm和0.0146μm，以刀具磨损为预测对象时，计算得到的指标值为6.86μm和0.75μm，说明所建立的多任务学习模型能够用于生产过程表面粗糙度和刀具磨损预测，机床操作人员能够及时调整切削参数或更换刀具，避免生产零件的报废，提高生产效率。

为了证明所提出的多任务学习模型的有效性和优越性，并设计了单任务学习模型，为了保证对比的公平性，单任务学习模型的参数与多任务学习模型的参数完全一致。以绝对平均误差和均方误差为评价指标，计算得到的结果如图5所示。当以绝对平均误差为评价指标时，表面粗糙度预测准确度提高了26.12％，刀具磨损预测准确度提高了20.39％，说明所建立的多任务学习模型表现性能要明显优于单任务学习模型。

以上所述实施方式仅为本发明的优选实施例，而并非本发明可行实施的穷举。对于本领域一般技术人员而言，在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动，都应当被认为包含在本发明的权利要求保护范围之内。

Claims (4)

1.一种同时预测表面粗糙度和刀具磨损的方法，其特征在于包括以下步骤：

①从切削信号中提取时域和频域特征，划分训练集X1和测试集C1；

②搭建堆栈降噪自编码网络，并利用①中的训练集X1进行预训练；

201自编码网络包括编码层和解码层，编码层用于将输入映射为特征表示，解码层用于重构原始输入，编码和解码过程表示为：

hⁱ＝f(W_Exⁱ+b_E) (1)

yⁱ＝f(W_Dhⁱ+b_D) (2)

式中xⁱ表示原始输入，f表示激活函数，hⁱ表示为特征表示，W_E和b_E分别表示编码层的权重和偏置，W_D和b_D分别表示解码层的权重和偏置，yⁱ表示重构输出；

202以最小化重构误差为优化目标，利用训练集X1对自编码网络中的参数θ＝{W_E,b_E,W_D,b_D}进行训练，其中构建的最小化重构误差为：

式中θ^*表示优化后的自编码网络中的参数，n表示训练集中的样本数，L表示损失函数，argmin表示最小化；

203将本层中训练后的隐含层输出作为下一个自编码网络的输入，然后再按照202中的方式进行训练，以此类推，通过逐层堆叠建立堆栈降噪自编码网络；

③以预训练后的堆栈降噪自编码网络为基础，搭建多任务学习模型；

④通过动态平均权重法动态调整表面粗糙度和刀具磨损的权重，根据模型迭代过程中的损失函数值变化，动态平均权重法的数学模型表示为：

其中，K表示任务个数，L_k表示第k个任务的损失函数值，w_k表示第k个任务损失函数值的相对下降速率，t表示模型训练时的当前迭代次数，T表示常数，用于控制任务权重的柔和度，λ_k表示第k个任务的权重；

⑤利用①的训练集X1对③中搭建的堆栈降噪自编码网络进行训练，提高模型预测准确度；501以多个任务的损失函数值为优化目标，利用训练集X1对模型的参数进行调整，损失函数值表示为：

式中L_总表示多任务学习时的损失函数，λ₁表示表面粗糙度损失函数值的权重，N_b表示模型训练时每批次的样本数量，R_a ^pre表示模型预测得到的表面粗糙度值，R_a表示实测得到的表面粗糙度值，λ₂表示刀具磨损损失函数值的权重，VB^pre表示模型预测得到的刀具磨损值，VB表示实测得到的刀具磨损值；

502模型训练结束后，利用测试集C1对模型的性能进行验证，为了量化模型的性能表现，以绝对平均误差和均方误差作为评价指标，其表示为：

式中MAE表示绝对平均误差，RMSE表示均方误差，N表示测试集C1的样本数量，Va_exp,i表示实测得到的表面粗糙度值或刀具磨损值，Va_pre,i表示模型预测得到的表面粗糙度值或刀具磨损值。

2.根据权利要求1所述的同时预测表面粗糙度和刀具磨损的方法，其特征在于，所述步骤①包括：

101对原始的切削信号进行时域特征、频域特征和时频域特征的提取；

102提取的时域特征包括最大值、最小值、峰峰值、均值、方差、均方根、峰度因子、偏度因子和信号功率，频域特征主要包括功率谱密度幅值、功率谱均值、修正等效带宽、频段能量、方差和均方频率；

103对原始的切削信号进行四层小波包变换，然后对分解得到的小波包系数进行重构；

104对重构后的小波包系数进行傅里叶变换，对低频成分的重构小波包系数进行特征量提取，提取的特征量包括最大值、最小值、峰峰值、均值、方差、均方根、峰度因子偏度因子和信号功率；

105按照步骤101-104对切削信号都进行处理形成数据集，按照4：1的比例将数据集划分为训练集X1和测试集C1。

3.根据权利要求1所述的一种同时预测表面粗糙度和刀具磨损的方法，其特征在于：所述步骤③中多任务学习包括共享层和特定任务层，共享层用于获取多个任务之间的相关性信息，共享特定领域的信息，特定任务层是独立的，以分离单个任务的信息，集中于单个任务的预测。

4.根据权利要求1所述的一种同时预测表面粗糙度和刀具磨损的方法，其特征在于：所述步骤②中搭建好的堆栈降噪自编码网络用作共享层，并在共享层中考虑了基本的切削参数，以改善表面粗糙度和刀具磨损的预测准确度，两个全连接神经网络用作特定任务层，进而搭建多任务学习模型，以实现表面粗糙度和刀具磨损的同时预测。

Images