CN114905335A - 一种结合域对抗和卷积神经网络的刀具磨损预测方法 - Google Patents
一种结合域对抗和卷积神经网络的刀具磨损预测方法 Download PDFInfo
- Publication number
- CN114905335A CN114905335A CN202210595245.8A CN202210595245A CN114905335A CN 114905335 A CN114905335 A CN 114905335A CN 202210595245 A CN202210595245 A CN 202210595245A CN 114905335 A CN114905335 A CN 114905335A
- Authority
- CN
- China
- Prior art keywords
- domain
- cutter
- wear
- working condition
- signals
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000002474 experimental method Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000005299 abrasion Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims abstract description 13
- 238000005520 cutting process Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000003801 milling Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims 1
- 230000005236 sound signal Effects 0.000 claims 1
- 238000003754 machining Methods 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 47
- 210000004027 cell Anatomy 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 230000008485 antagonism Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
-
- 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
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明针对刀具监测信号存在差异导致磨损预测精度低的问题，提供一种结合域对抗和卷积神经网络的刀具磨损预测方法，涉及刀具状态监测技术领域。包括如下步骤：设计并实施机床加工实验；利用力、振动、声发射、电流传感器监测和采集各类信号数据，利用显微镜观测记录刀具后刀面的磨损量，构建对应磨损量的各类信号数据集；构建源域和目标域数据集；将源域和目标域数据集的多维信号输入到模型的特征提取器中；利用由多尺度卷积长短时记忆网络组成的特征提取器进行多尺度时空特征提取；提取到的特征输入到域分类器和预测器中；域分类器对样本特征的来源进行判别并将损失函数反馈给特征提取器；域分类器和特征提取器进行对抗学习，使得提取到的特征更能反映刀具磨损信息；将最终提取到的特征由预测器进行磨损值的预测。该方法可以有效降低刀具监测信号差异对磨损预测的影响，提高磨损预测精度。
Description
技术领域
本发明属于刀具状态监测技术相关领域，具体涉及一种结合域对抗和卷积神经网络的刀具磨损预测方法。
背景技术
智能制造是祖国未来制造业的主攻方向，是制造业强大的主要标志。刀具是机械加工操作的直接执行部分，在机床加工和制造环境下，刀具的磨损是不可避免的。刀具的严重磨损会影响加工效率和加工精度，降低零件质量。在数控加工中，如果刀具更换不及时，会影响零件的质量；而若过早的更换刀具则会导致严重浪费。在实际的加工过程中，数控加工刀具只有50％～80％的使用寿命得到了有效利用，大约20％的机床停机时间是由刀具磨损造成的，更换设备的成本占总成本的3％～12％。由于刀具磨损受多种因素的影响，具有很大的不确定性，所以很难通过经验准确判断刀具的磨损状态。因此，准确预测刀具的磨损值对于提高加工质量和刀具利用率，降低生产成本具有十分重要的意义。
得益于传感器技术和互联网技术的蓬勃发展，基于数据驱动方法的刀具磨损预测方法得到广泛的应用。监测信号主要包括切削力信号、振动信号、声发射信号、电流信号和温度信号等。传统的机器学习方法需要经过信号处理，特征提取与特征选择操作，再通过机器学习算法模型，如高斯过程回归模型、支持向量回归模型，最小二乘支持向量机等模型对刀具磨损进行预测。此类方法在很大程度上依赖于人工特征提取与特征选择，受人为主观性影响大且很容易达到预测精度的上限。这些传统机器学习模型的结构往往比较简单，无法处理海量的信息数据，更无法从中提取到有价值的特征。
深度学习作为机器学习的一个重要的子集，在处理大量数据时具有十分明显的优势，受益于计算机硬件的发展，极大地简化了传统机器学习的整体算法分析流程，在很多领域的应用中能够取得非常高的准确率。深度学习方法在刀具磨损状态监测和预测中也得到了广泛的应用。
然而，深度学习方法虽然在刀具磨损预测上取得了很好的效果，但是他们都忽视了一个重要的问题，在实际的切削加工过程中，刀具监测信号会因为各种因素出现差异，而这些模型是在假定监测信号分布相同的情况下得到了验证，没有考虑到刀具监测信号的差异带来的影响，这会给刀具磨损预测带来困难。在切削条件相同的同工况条件下，由于刀具几何误差及安装误差，刀具及工件材料性能的随机波动等因素的影响，会导致刀具监测信号存在差异；而在切削条件变化的变工况条件下，工况信息的变化也势必会导致监测信号出现较大差异。监测信号的差异可能会导致模型的失效，但是重新建立模型又是十分耗费时间的，并且在实际的加工过程中，这显然是不可行的。
发明内容
1、发明目的。
本发明的目的在于：针对刀具监测信号差异给磨损监测技术带来预测困难的问题，本发明在预测模型中引入域对抗自适应机制，对样本的来源进行判别，通过模型内部的对抗学习实现精确的预测效果。
2、本发明所采用的技术方案。
为实现上述目的，本发明提供了如下方案：本发明提供一种结合域对抗和卷积神经网络的刀具磨损预测方法，包括如下步骤：
S1：分别在同工况和变工况条件下进行刀具切削实验，每组实验进行三次全生命周期的切削加工操作。
S2:在同工况条件下使用数据采集卡采集刀具加工工件全生命周期过程中的X、Y、Z三向切削力信号,X、Y、Z三向振动信号；在变工况条件下采集交流主轴电机和直流主轴电机的电流信号，平台和主轴的振动和声发射信号。每组实验都是采集了6种物理信号。
S3：对采集的多传感器信号去除由于刀具切入和切出导致的异常信号数据。只保留中间的信号数据作为模型的输入数据。
S4：将每组的3个数据集划分源域数据集和目标域数据集，具体地：选择其中一个作为源域数据集，剩余两个数据集分别作为目标域数据集。其中，同工况下选择C1、C4、C6作为数据集；变工况下选择C1、C2、C3作为数据集。数据集中源域和目标域的划分如表1所示：
表1实验设置
S5：将样本数据平均分成每128条数据作为一个片段的若干部分，并只取每个样本中间40个部分的数据输入到模型中。
S6：在第一个同工况下采集到的信号中，切削力信号和振动信号是对刀具磨损比较敏感的信号，因此采用X,Y,Z三个方向的切削力信号和振动信号作为模型的输入信号，共6维信号；在第二个变工况下采集到的信号为交流主轴电机和直流主轴电机的电流信号，平台和主轴的振动和声发射信号共6维信号。
S7：输入到模型中的数据形状为40×768。
S8:特征提取器对输入数据进行特征提取，特征提取器包括多尺度卷积层，最大池化层、Concatenation层、双层LSTM层和Flatten层。
S9：首先，数据经过多尺度卷积层进行多尺度特征提取，多尺度卷积层由6个不同的分支组成，每个分支中的卷积层由不同大小的卷积核组成。每个分支的第一个卷积层都是由大小为1的卷积核组成，第二个卷积层的卷积核大小各不相同。不同大小的卷积核能够提取到不同层次的磨损特征。每个卷积层都加入批量归一化操作，激活函数采用线性整流函数ReLU。
S10：其次，提取到的特征输出皆为32通道数，经过Concatenation层处理后，合并的特征通道数为192。
S11：然后，合并后的特征输入到双层的LSTM网络中进行时间特征提取，输出特征为多尺度时空特征。
S12：最后，将提取到的多尺度时空特征经过Flatten层展平，得到一维化的特征。
S13：特征提取器提取到的特征输入到域分类器和预测器中。
S14：具体地，特征提取器与域分类器之间有一个梯度反转层(GRL)，这样形成了特征提取器和域分类器的对抗关系，域分类器由两层全连接层组成。域分类器对样本的来源进行判别，若样本来自源域，则输出为0；若来自目标域，则输出为1。域分类器的分类损失为二值交叉熵损失。
S15：预测器由三层全连接层组成，对特征进行回归分析，得到预测的磨损值。
S16：均方误差(MSE)作为损失函数，利用Adam优化器使MSE达到最小。MSE计算公式为：
其中，n为全体样本的数量；yi为真实值；
为预测值。
S17：对预测结果进行评估，选用RMSE,MAE和R2作为评估指标，各项指标的计算公式为：
其中，其中
和
分别是目标域NT中第i个输入样本的真实和预测的磨损值。
为目标域上所有输入样本所对应预测磨损值的平均值。决定系数R2表示回归模型的拟合度，R2越接近1，说明模型的预测效果越理想。
S18：训练阶段模型需要准确预测源域的磨损值，使得预测误差最小化；并且混淆源域和目标域数据集，使得域分类器分类误差最大化。最终用训练好的模型进行预测，得到刀具磨损量的预测值。分别在同工况和变工况条件下进行实验，验证该方法的可行性。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的一种结合域对抗和多尺度卷积长短时记忆网络的刀具磨损预测方法主要具有以下优势：
(1)考虑到刀具磨损信息的复杂性，本发明设计了基于一种多尺度卷积长短时记忆神经网络的特征提取器用于刀具磨损特征提取，能够提取到反映刀具磨损的多尺度时空特征，为刀具磨损的预测提供丰富的信息。(2)为了减少监测信号分布差异对刀具磨损预测带来的影响，本文将域对抗机制引入到刀具磨损预测模型中，通过特征提取器与域分类器之间的不断对抗，很大程度上减少了信号差异带来的影响。(3)通过将特征提取和域分类相结合，只要一个源域含有较多的磨损量标签样本，即使在目标样本数量较少的情况下，也能实现刀具的磨损预测，这为小样本的刀具磨损预测提供了一个可行的方案。
附图说明
图1为本发明的流程图
图2本发明采用的多尺度卷积神经网络的结构示意图
图3为本发明采用的双层长短时记忆神经网络的结构示意图
图4为域对抗机制的示意图
图5为本发明的结合域对抗的多尺度卷积长短时记忆网络的结构示意图
图6为同工况下的刀具磨损值预测曲线图
图7为变工况下的刀具磨损值预测曲线图
具体实施方式
本发明一种结合域对抗和卷积神经网络的刀具磨损预测方法的流程图如图1所示。具体操作步骤如下：
步骤一：进行同工况和变工况条件下的铣削加工，并采集相关的刀具监测信号及刀具磨损量。其中，在同工况下采集X，Y和Z轴方向的铣削力和振动信号；在工况下采集交流主轴电机和直流主轴电机的电流信号，平台和主轴的振动和声发射信号。
具体的，分别安装相关的物理信号传感器，并使用数据采集卡采集到相关的信号，与每次走刀后测量得到的刀具磨损值组成刀具“信号-磨损值”数据集。两个实验的加工参数如表2和表3所示。
表2同工况实验下的铣削加工参数
表3变工况实验下的铣削加工参数
步骤二:信号预处理。为了避免刀具切入切出对监测信号准确性的影响，减弱噪声，采集到的数据去掉头部和尾部的数据，只取用中间部分的稳定数据。
具体的，将中间部分的信号数据分成128条数据组成的若干片段，取用40个片段作为模型的输入，皆为6通道，分别对应6种监测信号，因此模型的输入形状为：40×768。
步骤三：将域对抗神经网络和多尺度卷积长短时记忆网络相结合，得到结合域对抗及多尺度卷积长短时记忆网络模型。该模型由特征提取器、域分类器和预测器组成。
特征提取器：由多尺度卷积神经网络(Multiscale CNN)和长短时记忆网络(LSTM)组成。
具体的：Multiscale CNN由多个分支组成，每个分支包含不同大小的卷积核，分别提取不同的特征，最后将不同分支所提取到的特征进行汇总，得到多尺度特征。本发明的多尺度卷积神经网络由6个不同的分支组成，每个分支由两个卷积层，第一个卷积层是相同的，都是由大小为1的卷积核构成,卷积核数量为32；第二个卷积层是不同的，6个分支的卷积核数量为64，大小依次为1,3,5,7,9,11。每个分支最后都有一个最大池化层，pool-size为2，达到对提取到的特征进行降维的目的。Multiscale CNN的卷积操作使用1D卷积操作，为了将不同分支的输出更好地组合起来，在每个分支的卷积中都采用零填充的技巧，即padding＝‘same’。本发明采用的多尺度卷积神经网络的结构示意图如图2所示。
卷积操作：
其中，
是第k层的第i个卷积核所对应的特征图，f(·)是激活函数，
是第k-1层的第s个特征图，
是第k层的第i个卷积核和第s个特征图之间的权重矩阵，
是第k层的第i个卷积核的偏差，Vk是第k层的卷积核数量，Uk-1是第k-1层的特征图数量，*是卷积操作。
最大池化操作：
其中，
是与第k+1层的第i个卷积核对应的特征图在池化操作后的输出，
是第k层的池化域，
是与第k+1层的第i个卷积核对应的特征图中的神经元的值。
本发明所采用的的LSTM结构有两层LSTM网络，构成Deep LSTM,相比与单层LSTM能够更深层次地学习到不同时间尺度的特征,如图3所示。两层LSTM的单元数量分别为180和240。LSTM网络是递归神经网络(RNN)一种十分具有代表性的变体，由遗忘门、输入门、单元状态和输出门组成。
遗忘门。遗忘门是LSTM单元的关键组成部分，通过遗忘门对当前的输入数据xt和前一个神经元的隐藏层节点ht-1进行读取，此过程通常采用sigmoid作为激活函数，将读取的数据映射到[0,1]之间的数值，接近0表示“忘记”，接近1表示“保留”，遗忘门可以控制信息是否被保留或者遗忘，并且能够避免梯度消失和梯度爆炸问题。具体的表达式如下：
ft＝σ(Wf·[ht-1,xt]+bf) (5)
输入门。输入门分为两部分，第一部分是经过sigmoid激活函数处理xt和ht-1得到介于[0,1]之间的向量it；第二部分是通过tanh激活函数产生单元状态更新值
it用于控制单元状态更新值
的哪些特征用于更新单元状态,使用方式和ft相同，输入门的计算过程如下所示：
it＝σ(Wi·[ht-1,xt]+bi) (6)
单元状态。有了遗忘门保留的向量信息ft，tanh层产生的单元状态更新值
和输入门产生的控制信号it，将旧的单元状态Ct-1更新为当前的单元状态Ct，状态更新过程如下所示。
输出门。输出值基于单元状态，并且有一个过滤的过程，此过程包含两个部分。第一部分，由sigmoid对xt和ht-1进行处理产生控制信号输出值ot；第二部分，用tanh处理当前单元状态Ct，得到的信息值与ot相乘，得到最终的输出值ht。
ot＝σ(Wo·[ht-1,xt]+bo) (9)
在(5)、(6)、(7)、(8)、(9)、(10)各式中，Wf，Wi，WC，Wo分别代表各部分的权重矩阵，bf，bi，bC，bo分别对应各部分的偏差向量。双层LSTM的结构如图3所示。
域分类器：域分类器由两层全连接层组成，单元数分别为120和1，对样本的来源进行判别。为了防止域分类器出现过拟合，在两全连接层中间加入Dropout层，以提高域分类器的泛化能力。经过了特征提取后获得的特征经过两层全连接层，输出对应的域标签(0或1)。然后利用交叉熵损失函数计算得到域损失Ld，进而得出反向传播的梯度
经过GRL层后将梯度反转，最后乘以一个标量λ，将得到的反向梯度
传递到特征提取器，在对抗学习中，特征提取器和域分类器的能力都会得到提高，最终实现整个模型的优化。
预测器：预测器由三全连接层组成，单元数分别为120,32和1。对提取到的特征进行回归分析，得到最终的预测磨损值。
域对抗神经网络：域对抗神经网络(DANN)的结构如图4所示。目的是把具有不同分布的源域(Source domain)和目标域(Target domain)中的数据，映射到同一个特征空间，寻找某一度量准则，使其在这个空间上的“距离”尽可能近。然后，在源域(带标签)上训练好的预测器，就可以直接用于目标域数据的分类或者预测。DANN的结构主要包括3个部分：特征提取器，标签预测器和域分类器，各个部分的作用如下：
特征提取器Gf(·；θf)：将源域样本和目标域样本进行映射和混合，使域分类器无法区分数据来自哪个域；提取后续网络完成任务所需要的特征，使标签预测器能够分辨出来自源域数据的类别。
标签预测器Gy(·；θy)：对来自源域的数据进行分类，尽可能分出正确的标签。
域分类器Gd(·；θd)：对特征空间的数据进行分类，尽可能分出数据来自哪个域。
步骤四：将输入数据经过特征提取器中Multiscale CNN的进行多尺度特征提取。
具体的，首先通过六个并行分支组成的Multiscale CNN进行多尺度特征提取，卷积过程采用“零填充”，因此6个分支的输出特征皆为32通道，然后提取到的特征经过Concatenation层汇总为192通道的多尺度特征。激活函数采用ReLU，并且使用批量归一化(BN)操作。
步骤五：将提取到的多尺度特征送入双层LSTM网络进行时间特征提取。
具体的，双层LSTM可以有效地处理时间序列的数据，刀具监测信号数据就是时序数据，因而能够很好地提取到相邻数据之间的关系，提取到的时间特征更能反映刀具的磨损特征。提取到的多尺度时空特征经过Flatten层进行展平，得到一维化的特征。
步骤六：特征输入到域分类器和预测器中分别进行样本的域分类和磨损值的预测。
具体的，域分类器对样本的来源进行判别：若为源域，则输出为0；若为目标域，则输出为1。域分类器和特征提取器之间通过梯度反转层(GRL)连接，通过对梯度取反，实现两者之间的对抗关系，在对抗中不断实现两者各自的优化。预测器对得到的特征进行回归分析，得到预测的磨损值。
步骤七：模型进行训练。
具体的，实验环境和参数设置为：实验分析过程基于TensorFlow深度学习框架、PyCharm开发环境，以及英特尔(R)酷睿(TM)i7-11700@2.50GHZ、32GB内存和NVIDIA 1080TiGPU的计算机配置。优化器选用Adam，学习率设置为1×10-4，迭代次数100次。训练过程要实现两个目的：一是最小化预测器的预测损失，使得预测误差最小化，预测损失函数采用MSE，如式(1)所示；二是最大化分类器的分类损失，混淆源域和目标域，使得分类误差最大化，分类损失函数为二值交叉熵损失函数。
模型的总损失可以表示为：
L(θf,θy,θd)＝Ly(θf,θy)-λLd(θf,θd) (11)
式中，θf为特征提取器的参数，θy为预测器的参数，θd为域分类器的参数；λ是训练过程中用于控制域分类器对优化特征提取器影响的正则化参数。
域分类器的损失和预测器的损失分别表示如下：
式中，NS为源域样本数量，NT为目标域样本数量；di和
分别为第i个输入特征的所属域的标签值和预测值(若输入样本属于源域，其值为0；若属于目标域，其值为1)；
与
分别为源域第i个输入样本的真实磨损值和预测磨损值。
在迭代过程中，通过最小化目标函数来更新预测器和特征提取器的参数，最大化目标函数来更新域分类器的参数。此过程如下所示：
步骤八：训练好的模型可以进行预测，采用平均绝对误差MAE、均方根误差RMSE和决定系数R2对预测结果进行评估，各指标的计算公式如式(2)所示。
步骤九：分别对同工况和变工况下的磨损值进行预测，并采用机器学习模型和深度学习模型作为对比，分别进行预测。
实验结果如图6、图7所示。
(1)如图6是同工况下的刀具磨损预测值预测曲线。同工况的实验中，每个数据集都进行了一次完整的刀具全生命周期铣削，每个试验数据集包括315个样本。在此数据集上，我们进行了6次实验，三个数据集(C1,C4,C6)分别作为源域去预测剩余两个数据集的刀具磨损值。图中Ci-Cj表示以Ci为源域，Cj为目标域的实验，例如C1-C4表示以C1为源域，C4为目标域的实验。
如图7是变工况下的刀具磨损预测值预测曲线。变工况的试验下，每个实验数据集都包括12个样本，和同工况的实验一样，选用三个数据集C1,C2和C3作为实验数据集。
从图6、图7中可以看出真实磨损值和预测磨损值高度接近，差距很小，且两者呈现出高度一致的变化趋势，说明本发明所提出的模型在6个实验中均取得了非常好的预测效果。实验结果表明了本发明所提出的模型能够自适应地消除域变化对刀具磨损预测的影响，提取出与域无关的多尺度时空特征，当目标域发生变化时，模型仍能精确预测目标域的刀具磨损值。
为了定量地展现本文所提模型的预测精度，表4和表5给出了同工况和变工况下本发明所提模型预测的RMSE、MAE和R2值。通过对表中数据的结果进行分析，可以看出本发明的磨损预测计算结果可以很好地应用于刀具磨损的预测计算。
表4同工况下磨损预测准确度评估指标
表5变工况下磨损预测准确度评估指标
综上，通过在同工况和变工况下的实验验证，证明了一种结合域对抗和多尺度卷积长短时记忆网络的刀具磨损预测方法具有很好的预测效果。
本发明设计了一种多尺度卷积长短时记忆神经网络，能够提取到与刀具磨损有关的多尺度时空特征，相比于单一的神经网络，提取到的特征能够更有效地表征刀具磨损信息，为刀具磨损的预测提供丰富的特征信息。
在预测模型中引入域对抗自适应机制，在对抗学习的作用下，将提取到的特征进一步精炼，最终能够提取到既能有效表征刀具磨损又与域无关的多尺度时空特征，进一步提高刀具磨损预测的准确性，以适应刀具磨损预测面临的监测信号分布差异难题。
本发明所提出的模型可以同时优化多尺度时空特征的域自适应迁移与刀具磨损值的预测，同时为小样本条件下实现刀具磨损的准确预测提供了一种解决方案。在同工况和变工况条件下的两个数据集下进行了磨损预测，实验结果证明该模型能够有效实现端到端的刀具磨损值精确预测。
Claims (9)
1.一种结合域对抗和卷积神经网络的刀具磨损预测方法，包括以下步骤：
(1)在机床上安装力传感器、振动传感器、加速度传感器、声发射传感器，分别在相同工况和变工况条件下用刀具对工件进行加工操作；获取刀具铣削加工过程中的切削力信号、振动信号、声发射信号和电流信号等，且在每次走刀后使用显微镜测量刀具后刀面的磨损量，得到同工况和变工况条件下的两类多传感器信号数据集。
(2)为避免刀具切入切出对信号采集的影响，取信号数据集中间部分的数据作为预测模型的输入，设计多尺度卷积长短时记忆网络，对输入的信号数据进行特征提取，获得能够表征磨损的多尺度时空特征。
(3)将提取到的特征作为域分类器和预测器的输入，域分类器对样本特征的来源进行判别，并将结果反馈给特征提取器，通过两者之间的对抗学习不断提升自身的学习能力；预测器对输入的特征进行回归分析，从而得到最终的刀具磨损量，达到刀具状态监测的效果。
2.如权利要求书1所述的一种结合域对抗和卷积神经网络的刀具磨损预测方法，其特征在于：步骤(1)中，在同工况下的实验中采集X、Y、Z三轴切削力信号，X、Y、Z三轴振动信号共6种传感器信号；在变工况下的实验中采集交流主轴和直流主轴电机的电流信号，平台和主轴的振动信号，平台和主轴的声音信号共6种信号。测量的刀具后刀面磨损情况包括X、Y、Z三刃铣刀磨损量值，以X、Y、Z三刃铣刀后刀面磨损量的平均值来表示磨损量大小。
3.如权利要求书1所述的一种结合域对抗和卷积神经网络的刀具磨损预测方法，其特征在于：步骤(2)中，去除由于刀具切入切出导致的首尾无效异常数据；将6个维度的信号输入到由多尺度卷积长短时记忆网络构成的特征提取器中进行特征提取；经过提取后的特征是多尺度的时空特征，特征经过展平层后变为一维化的特征作为模型剩余部分的输入。
4.如权利要求书1所述的一种结合域对抗和卷积神经网络的刀具磨损预测方法，其特征在于：步骤(3)中，一维化的特征作为域分类器和预测器的输入，域分类器对样本的来源进行判别，若为源域，则输出为0；若为目标域，则输出为1；域分类器与特征提取器进行对抗，使特征提取器提取到的特征尽量消除域的影响，在这个过程中，域分类器最终无法判别样本的来源，这样提取到的特征与域无关且能表征磨损信息，输入到预测器中进行磨损值的预测。
5.如权利要求书3所述的一种结合域对抗和卷积神经网络的刀具磨损预测方法，其特征在于：多尺度卷积神经网络由6个不同的分支组成，每个分支包含着由不同大小的卷积核组成的一维卷积操作，每个分支都有两个卷积层：第一层都是卷积核大小为1的卷积操作，卷积核数量为64，第二层的卷积核大小从第1个分支到第6个分支依次为1,3,4,5,7,9,11且卷积核数量皆为32；卷积操作中都加入批量归一化操作，激活函数皆为ReLU；采用不同大小的卷积核提取特征，能够深层次地提取到丰富的磨损特征。
6.如权利要求书3所述的一种结合域对抗和卷积神经网络的刀具磨损预测方法，其特征在于：多尺度卷积提取到的多尺度特征经过Concatenation层进行组合，组成192维的特征组合；组成的特征输入到设计的双层长短时记忆(LSTM)神经网络中，双层LSTM网络的单元数分别为180和240；经过双层LSTM网络进行时间特征提取后，最后经过Flatten层将特征展平为一维化特征。
7.如权利要求书4所述的一种结合域对抗和卷积神经网络的刀具磨损预测方法，其特征在于：域分类器由两层全连接层组成，单元数分别为120和1；特征提取器和域分类器之间有一个梯度反转层(GRL)，用于梯度取反，用来形成特征提取器和域分类器的对抗关系；域分类器对样本的来源进行判别，输出样本是来自源域还是目标域；与特征提取器不断对抗学习，直到无法判别样本的来源。
8.如权利要求书4所述的一种结合域对抗和卷积神经网络的刀具磨损预测方法，其特征在于：预测器部分由三层全连接层组成，单元数分别为120,32和1，在域对抗机制的作用下，预测器对刀具磨损值进行预测。
9.如权利要求书4所述的一种结合域对抗和卷积神经网络的刀具磨损预测方法，其特征在于：进行了两组实验，分别是同工况条件下和变工况条件下的实验；同工况条件下的切削参数相同，而变工况条件下的切削参数不同；每组实验都进行了三次完整的切削过程，因此每组实验都包含三个完整的数据集；三个数据集分别作为源域数据集，剩余两个数据集分别作为目标域数据集，输入都是6维信号，最终实现同工况和变工况下监测信号存在差异的刀具磨损预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210595245.8A CN114905335A (zh) | 2022-05-28 | 2022-05-28 | 一种结合域对抗和卷积神经网络的刀具磨损预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210595245.8A CN114905335A (zh) | 2022-05-28 | 2022-05-28 | 一种结合域对抗和卷积神经网络的刀具磨损预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114905335A true CN114905335A (zh) | 2022-08-16 |
Family
ID=82769145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210595245.8A Pending CN114905335A (zh) | 2022-05-28 | 2022-05-28 | 一种结合域对抗和卷积神经网络的刀具磨损预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114905335A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115213735A (zh) * | 2022-09-20 | 2022-10-21 | 南京航空航天大学 | 一种铣削加工过程刀具状态监测系统及方法 |
| CN116258062A (zh) * | 2023-01-04 | 2023-06-13 | 广州科盛隆纸箱包装机械有限公司 | 基于质量检测图像的纸箱包装机械模切刀磨损预测方法及装置 |
-
2022
- 2022-05-28 CN CN202210595245.8A patent/CN114905335A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115213735A (zh) * | 2022-09-20 | 2022-10-21 | 南京航空航天大学 | 一种铣削加工过程刀具状态监测系统及方法 |
| CN116258062A (zh) * | 2023-01-04 | 2023-06-13 | 广州科盛隆纸箱包装机械有限公司 | 基于质量检测图像的纸箱包装机械模切刀磨损预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110153802B (zh) | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 | |
| Zhou et al. | A tool condition monitoring method based on two-layer angle kernel extreme learning machine and binary differential evolution for milling | |
| CN114905335A (zh) | 一种结合域对抗和卷积神经网络的刀具磨损预测方法 | |
| CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
| CN115060497B (zh) | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 | |
| CN114295377B (zh) | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 | |
| Wang et al. | A new multitask learning method for tool wear condition and part surface quality prediction | |
| CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
| CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
| CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
| CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
| Hou et al. | Tool wear prediction based on domain adversarial adaptation and channel attention multiscale convolutional long short-term memory network | |
| CN113887342A (zh) | 基于多源信号和深度学习的设备故障诊断方法 | |
| CN112650146A (zh) | 一种数控机床多工况下故障诊断优化方法、系统及设备 | |
| Shaban et al. | Cutting tool wear detection using multiclass logical analysis of data | |
| CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
| CN114861879A (zh) | 一种基于天牛须算法优化Elman神经网络电主轴热误差建模方法 | |
| CN111814728A (zh) | 数控机床刀具磨损状态识别方法和存储介质 | |
| CN112990601B (zh) | 基于数据挖掘的蜗轮加工精度自愈系统及方法 | |
| CN114595884A (zh) | 一种遗传智能优化的神经网络风力发电设备温度预测方法 | |
| CN116910579A (zh) | 一种基于迁移学习的变工况机械加工颤振监测方法 | |
| CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
| CN116533063A (zh) | 一种数控车床刀具剩余寿命在线预测方法 | |
| Wei et al. | Research on tool wear state identification method driven by multi-source information fusion and multi-dimension attention mechanism | |
| CN113971489A (zh) | 一种基于混合神经网络的剩余使用寿命预测方法及系统 |
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 |