CN115446663A - 基于物理指导的深度学习网络的刀具磨损状态监测方法及应用 - Google Patents

Abstract

本发明公开了一种基于物理指导的深度学习网络的刀具磨损状态监测方法及应用，该方法包括以下步骤，步骤一：采集数控机床的加工数据；步骤二：对步骤一得到的原始数据进行预处理；步骤三：建立基于物理指导的数据模型的刀具磨损状态估计方法；步骤四：对步骤三所建立的模型的预测性能进行评估；步骤五：采集在线加工数据，输入训练好的模型进行实时预测。本发明通过在刀具磨损的数据模型中添加物理约束，来构建的基于物理指导的数据模型对刀具磨损状态估计，从而能提升刀具磨损预测模型的预测效果，实现快速且准确的预测刀具的磨损状态。

Description

基于物理指导的深度学习网络的刀具磨损状态监测方法及 应用

技术领域

本发明属于机械加工制造领域，具体为涉及一种基于物理指导的数据模型的刀具磨损状态状态估计方法及其应用。

背景技术

在机械加工过程中，刀具的磨损会对加工工件的质量和加工过程的安全性有着重要的影响。因此加工过程中状态的监测和故障的诊断对提高加工系统运行的可靠性和降低停机维护成本至关重要。有研究表明在微铣削加工中刀具的故障停机时间占了整个机床停机时间的20％，通过对加工过程中刀具的磨损状态进行在线监测，可以节省约40％的刀具成本。所以刀具磨损状态的在线监测对加工过程至关重要。相比于传统的故障诊断方法，智能故障诊断方法摆脱了过分依赖专家经验，通过分析监测信号获取故障特征来识别故障模式。

虽然当前基于深度学习方法的数据模型有大量的研究，但是在实际的生产过程中基于数据驱动的模型确很少被应用。这是因为对于数据驱动的模型有两个主要缺陷：首先，数据驱动模型属于黑箱模型，它直接利用采集的传感器信号预测刀具的磨损值，无法对模型进行物理解释并存在物理不一致性。其次，为了保证模型预测的准确性，需要大量完整寿命实验数据用于模型训练，这不仅需要花费昂贵的成本还产生大量的浪费。相比于数据驱动的模型，物理模型虽然在实际生产中得到成功的应用，但是物理模型本身存在建模过程中对系统的不充分理解以及复杂过程的简化建模的缺点，使得其预测性能并不理想。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于物理指导的深度学习网络的刀具磨损状态监测方法及应用，以期能在刀具磨损的数据模型中添加物理约束，从而能提升刀具磨损预测模型的预测效果，实现快速且准确的预测刀具的磨损状态。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于物理指导的深度学习网络的刀具磨损状态监测方法的特点在于，是按照以下步骤进行：

步骤1、采集数控机床的加工信息，并通过安装在工作台上的力传感器在线采集刀具在三个方向上的铣削力信号{F_d(t)|d＝x,y,z}，其中，F_d(t)表示刀具在t时段的第d个方向上的铣削力信号；然后通过电子显微镜来离线获取对应t时段的刀具磨损信息ω_true(t)并作为标签值；

步骤2、对三个方向上的铣削力信号{F_d(t)|d＝x,y,z}进行标准化处理，得到标准化后的三个方向上的铣削力信号，记为第t时间段的铣削力信号

从而得到t时段开始到t+N时段的铣削力信号X_t＝{S_t+1,S_t+2,…,S_t+i,…,S_t+N}，且X_t∈D，D表示刀具磨损状态监测数据集，

表示刀具在t时段的第d个方向上标准化后的铣削力信号；S_t+i表示第t+i时间段的铣削力信号；

步骤3、构建基于物理指导的深度学习网络的刀具磨损状态监测模型，包括：特征提取模块、刀具磨损预测模块、损失函数模块；

步骤3.1、所述特征提取模块由N个权值共享的特征提取块组成，N个权值共享的特征提取块分别记为EFeatureBlock₁，EFeatureBlock₂，…，EFeatureBlock_n，…，EFeatureBlock_N；其中，EFeatureBlock_n表示第n个特征提取块，n＝1,2…,N；所述第n个特征提取块EFeatureBlock_n由X个二维卷积层以及X个GRU层以及一个多层感知机MLP₁串联组成；

所述N段连续的铣削力信号X_t∈D输入所述特征提取模块中，并分别对应经过N个权值共享的特征提取块EFeatureBlock₁，EFeatureBlock₂，…，EFeatureBlock_n，…，EFeatureBlock_N的处理后，相应得到对应的基于时间序列的铣削力特征F_t＝{f_t+1,f_t+2,…,f_t+i,…,f_t+N}；其中，f_t+i表示第t+i时段的铣削力信号S_t+i经过第i个权值共享的特征提取块EFeatureBlock_i处理后得到的铣削力特征；

步骤3.2、所述刀具磨损预测模块包含基于物理指导GRU层和一个多层感知机MLP₂；

所述基于时间序列铣削力特征F_t＝{f_t+1,f_t+2,…,f_t+i,…,f_t+N}输入基于物理指导GRU层中进行处理，得到基于时间序列的刀具磨损特征

其中，

表示f_t+i经过基于物理指导GRU层后得到的刀具磨损特征；

所述基于时间序列的刀具磨损特征

再通过后续的多层感知机MLP₂进行处理后，得到预测的刀具磨损值ω_pre(t)；

步骤3.3、所述损失函数模块用于建立数据项Loss_data和物理损失项Loss_Phy之和的损失函数；

所述数据项Loss_data为标签值与预测值之间的误差，并使用均方误差MSE测量误差的平均大小，记作Loss_data＝MSE(ω_true,ω_pre)；

所述物理损失项模型Loss_Phy为预测值与刀具磨损机理模型的一致性程度Inc，记作Loss_Phy＝Inc(ω_pre)；

通过梯度下降法对所述刀具磨损状态监测模型进行训练，并计算损失函数以更新模型权重；当损失函数下降到指定阈值的时，得到训练好的刀具磨损状态监测模型；

步骤4、实时采集加工过程中的铣削力信号，并按照步骤2的处理后输入训练好的刀具磨损状态监测模型中，从而预测当前刀具磨损预测值；

步骤5、如果当前刀具磨损预测值达到刀具磨损临界状态，则停机换刀，否则返回步骤4。

本发明所述的一种基于物理指导的深度学习网络的刀具磨损状态监测方法的特点也在于，

所述基于物理指导的GRU层包括：更新门Z_j、重置门R_j、单调门M_j以及Relu激活函数；

所述基于时间序列铣削力特征F_t＝{f_t+1,f_t+2,…,f_t+i,…,f_t+N}作为输入特征{f_j|j＝t+1,…,t+N}输入基于物理指导的GRU层中进行前向传播时，当前第j个时刻的特征f_j分别经过更新门Z_j的处理后，得到更新门在第j个时刻的输出z_j，再经过重置门R_j的处理后，得到重置门在第j个时刻的输出r_j，再输入所述单调门M_j中，从而利用式(1)得到当前第j个时刻网络的输出预测状态

式(1)中，h_j-1表示第j-1个时刻的状态；h_j表示当前第j个时刻的状态，并由式(2)得到；

式(2)中，

表示当前第j个时刻的候选状态，并由式(3)得到；

式(3)中，f_j表示当前第j个时刻的输入状态；h_j-1表示第j-1个时刻的状态；

和

分别表示输入状态与历史保留状态的权重项；

表示偏置项。

所述步骤3.3中的刀具磨损机理模型如式(4)所示：

ω_phy(j)＝ω_phy(j-1)+τ(1/6K₁+2/6K₂+2/6K₃+1/6K₄) (4)

式(4)中，ω_phy(j)表示当前第j个时刻的磨损值，ω_phy(j-1)表示第j-1个时刻的磨损值；τ表示当前第j个时刻与第j-1个时刻之间的时间段；K₁，K₂，K₃，K₄为中间变量，并由式(5)-式(8)得到：

K₁＝G(j,ω_phy(j)) (5)

K₄＝G(j+τ,ω_phy(j)+τK₃) (8)

式(5)-式(8)中，G(j,ω_phy(j))表示关于时间j与刀具磨损值ω_phy(j)之间的关系，并由式(9)得到：

式(9)中，A,B,C,D是一组关于刀具磨损模型的系数。

本发明一种电子设备，包括存储器以及处理器，其特点在于，所述存储器用于存储支持处理器执行所述刀具磨损状态监测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特点在于，所述计算机程序被处理器运行时执行所述刀具磨损状态监测方法的步骤。

与现有技术相比，本发明的有益效果在于：

1、本发明通过采用基于物理指导的深度学习网络的刀具磨损状态监测方法，通过在刀具磨损时间序列分析层中加入单调性约束以及在模型训练过程中引入物理损失项，不但可以快速准确对刀具磨损状态进行实时预测，而且还降低模型预测结果的物理不一致性，使其预测结果具有较好的鲁棒性和泛化能力。

2、本发明是将加工过程中的铣削力信号作为输入，不需要进行人工特征提取。对于传统的深度学习特征提取方法，通过神经网络对输入信号做高维映射的黑箱模型，本发明的方法是利用多个权值共享的特征提取模块，使得输入信号经过处理后仍然具有时间序列信息，充分的利用了信号所包含的信息。

3、本发明考虑到基于数据驱动的黑箱模型物理解释性差的缺陷，基于刀具磨损过程连续递增的特点，在刀具磨损预测模块中添加单调性约束，使得本发明模型的预测过程具有一定的物理解释并提高模型物理一致性。

4、本发明的损失函数模块包含数据项和物理损失项，对于传统神经网络模型的损失函数只是包含了数据项，这样就会导致为了保证模型预测的准确性，需要大量完整寿命实验数据用于模型训练，这不仅需要花费昂贵的成本还产生大量的浪费。而本发明中的物理损失项通过磨损机理模型产生物理标签，再通过物理标签去计算模型预测的物理不一致性，这样通过给网络反馈更多的信息，来提高模型的训练速度，降低了实验成本。

附图说明

图1是本发明提供的基于物理指导的数据模型的刀具磨损状态监测方法流程图；

图2是本发明提供的实验平台示意图；

图3是本发明提供的物理指导的数据模型网络结构图；

图4是本发明提供的物理损失函数结构示意图。

具体实施方式

本实施例中，一种基于物理指导的深度学习网络的刀具磨损状态监测方法，具体流程如图1所示，是按照以下步骤进行：

步骤1、采集数控机床的加工信息，本实施例中实验平台如图2所示，通过安装在工作台上的力传感器在线采集刀具在三个方向上的铣削力信号{F_d(t)|d＝x,y,z}，其中，F_d(t)表示刀具在t时段的第d个方向上的铣削力信号；然后通过电子显微镜来离线获取对应t时段的刀具磨损信息ω_true(t)并作为标签值；本实施例中，所采用的机床是HSM600U五轴联动高速加工中心，刀具为日本佑能生产的直径为0.5mm的两刃硬质合金微端铣刀，铣削工件材料为AISI4340。共进行9组实验，每组实验包含120个样本，单个样本的大小为10000×3，其中10000是时间序列数，3是通道数；

步骤2、对三个方向上的铣削力信号{F_d(t)|d＝x,y,z}进行标准化处理，得到标准化后的三个方向上的铣削力信号，记为第t时间段的铣削力信号

从而得到t时段开始到t+N时段的铣削力信号X_t＝{S_t+1,S_t+2,…,S_t+i,…,S_t+N}，且X_t∈D，D表示刀具磨损状态监测数据集，

表示刀具在t时段的第d个方向上标准化后的铣削力信号；S_t+i表示第t+i时间段的铣削力信号；本实施例中，对上述采集的数据机床加工信息构建刀具磨损状态监测数据集样本，其样本X_t的大小为10×10000×3，并对铣削力信号进行标准化处理；

步骤3、构建基于物理指导的深度学习网络的刀具磨损状态监测模型，包括：特征提取模块、刀具磨损预测模块、损失函数模块，其网络结构如图3所示；

步骤3.1、特征提取模块由N个权值共享的特征提取块组成，N个权值共享的特征提取块分别记为EFeatureBlock₁，EFeatureBlock₂，…，EFeatureBlock_n，…，EFeatureBlock_N；其中，EFeatureBlock_n表示第n个特征提取块，n＝1,2…,N；第n个特征提取块EFeatureBlock_n由M个二维卷积层以及M个GRU层以及一个多层感知机MLP₁串联组成，本实施例中，N＝10，M＝2，对于第一个二维卷积层卷积核为240×3，卷积步长为10×1，输出通道数为64，对于第二个二维卷积层卷积核为120×1，卷积步长为10×1，输出通道数为64，对于第一个GRU层的输出为序列，输出通道数为64，对于第二个GRU层的输出为单一值，输出通道数为32，多层感知机层MLP₁由2个全连接层构成，输出通道数为16；

N段连续的铣削力信号X_t∈D输入特征提取模块中，并分别对应经过N个权值共享的特征提取块EFeatureBlock₁，EFeatureBlock₂，…，EFeatureBlock_n，…，EFeatureBlock_N的处理后，相应得到对应的基于时间序列的铣削力特征F_t＝{f_t+1,f_t+2,…,f_t+i,...,f_t+N}；其中，f_t+i表示第t+i时段的铣削力信号S_t+i经过第i个权值共享的特征提取块EFeatureBlock_i处理后得到的铣削力特征，本实施例中，对于输出的铣削力特征的大小为10×16×1；

步骤3.2、刀具磨损预测模块包含基于物理指导GRU层和一个多层感知机MLP₂，本实施例中，对于物理指导GRU层的输出为序列，输出通道数为16，多层感知机层MLP₂由2个全连接层构成，最终输出通道数为1；

基于时间序列铣削力特征F_t＝{f_t+1,f_t+2,…,f_t+i,…,f_t+N}输入基于物理指导GRU层中进行处理，得到基于时间序列的刀具磨损特征

其中，

表示f_t+i经过基于物理指导GRU层后得到的刀具磨损特征，本实施例中对于输出的刀具磨损特征的大小为10×16×1；

本实施例中，基于物理指导的GRU层包括：更新门Z_j、重置门R_j、单调门M_j以及Relu激活函数；

基于时间序列铣削力特征F_t＝{f_t+1,f_t+2,…,f_t+i,...,f_t+N}作为输入特征{f_j|j＝t+1,…,t+N}输入基于物理指导的GRU层中进行前向传播时，当前第j个时刻的特征f_j分别经过更新门Z_j的处理后，得到更新门在第j个时刻的输出z_j，再经过重置门R_j的处理后，得到重置门在第j个时刻的输出r_j，再输入所述单调门M_j中，从而利用式(1)得到当前第j个时刻网络的输出预测状态

式(1)中，h_j-1表示第j-1个时刻的状态；h_j表示当前第j个时刻的状态，并由式(2)得到；

式(2)中，

表示当前第j个时刻的候选状态，并由式(3)得到；

式(3)中，f_j表示当前第j个时刻的输入状态；h_j-1表示第j-1个时刻的状态；

和

分别表示输入状态与历史保留状态的权重项；

表示偏置项；

基于时间序列的刀具磨损特征

再通过后续的多层感知机MLP₂进行处理后，得到预测的刀具磨损值ω_pre(t)，本实施例中对于输出的刀具磨损特征的大小为10×1；

步骤3.3、损失函数模块用于建立数据项Loss_data和物理损失项Loss_Phy之和的损失函数，其网络结构如图4所示；

数据项Loss_data为标签值与预测值之间的误差，并使用均方误差MSE测量误差的平均大小，记作Loss_data＝MSE(ω_true,ω_pre)；

物理损失项模型Loss_Phy为预测值与刀具磨损机理模型的一致性程度Inc，记作Loss_Phy＝Inc(ω_pre)；

该刀具磨损机理模型如式(4)所示：

ω_phy(j)＝ω_phy(j-1)+τ(1/6K₁+2/6K₂+2/6K₃+1/6K₄) (4)

式(4)中，ω_phy(j)表示当前第j个时刻的磨损值，ω_phy(j-1)表示第j-1个时刻的磨损值；τ表示当前第j个时刻与第j-1个时刻之间的时间段；K₁，K₂，K₃，K₄为中间变量，并由式(5)-式(8)得到：

K₁＝G(j,ω_phy(j)) (5)

K₄＝G(j+τ,ω_phy(j)+τK₃) (8)

式(5)-式(8)中，G(j,ω_phy(j))表示关于时间j与刀具磨损值ω_phy(j)之间的关系，如式(9)所示：

式(9)中，A,B,C,D是一组关于刀具磨损模型的系数。

通过梯度下降法对刀具磨损状态监测模型进行训练，并计算损失函数以更新模型权重；当损失函数下降到指定阈值的时，得到训练好的刀具磨损状态监测模型，本实施例中，采用Adam优化器，初始学习率为0.01，其中每迭代10次学习率降低30％，训练共迭代200次，损失误差阈值到0.5；

步骤4、实时采集加工过程中的铣削力信号，并按照步骤2的处理后输入训练好的刀具磨损状态监测模型中，从而预测当前刀具磨损预测值；

步骤5、如果当前刀具磨损预测值达到刀具磨损临界状态，则停机换刀，否则返回步骤4。

本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行该刀具磨损状态监测方法的程序，该处理器被配置为用于执行该存储器中存储的程序。

本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行改该刀具磨损状态监测方法的步骤。

Claims (5)

1.一种基于物理指导的深度学习网络的刀具磨损状态监测方法，其特征在于，是按照以下步骤进行：

步骤1、采集数控机床的加工信息，并通过安装在工作台上的力传感器在线采集刀具在三个方向上的铣削力信号{F_d(t)|d＝x,y,z}，其中，F_d(t)表示刀具在t时段的第d个方向上的铣削力信号；然后通过电子显微镜来离线获取对应t时段的刀具磨损信息ω_true(t)并作为标签值；

步骤2、对三个方向上的铣削力信号{F_d(t)|d＝x,y,z}进行标准化处理，得到标准化后的三个方向上的铣削力信号，记为第t时间段的铣削力信号

从而得到t时段开始到t+N时段的铣削力信号X_t＝{S_t+1,S_t+2,…,S_t+i,…,S_t+N}，且X_t∈D，D表示刀具磨损状态监测数据集，

表示刀具在t时段的第d个方向上标准化后的铣削力信号；S_t+i表示第t+i时间段的铣削力信号；

步骤3、构建基于物理指导的深度学习网络的刀具磨损状态监测模型，包括：特征提取模块、刀具磨损预测模块、损失函数模块；

步骤3.1、所述特征提取模块由N个权值共享的特征提取块组成，N个权值共享的特征提取块分别记为EFeatureBlock₁，EFeatureBlock₂，…，EFeatureBlock_n，…，EFeatureBlock_N；其中，EFeatureBlock_n表示第n个特征提取块，n＝1,2...,N；所述第n个特征提取块EFeatureBlock_n由X个二维卷积层以及X个GRU层以及一个多层感知机MLP₁串联组成；

所述N段连续的铣削力信号X_t∈D输入所述特征提取模块中，并分别对应经过N个权值共享的特征提取块EFeatureBlock₁，EFeatureBlock₂，…，EFeatureBlock_n，…，EFeatureBlock_N的处理后，相应得到对应的基于时间序列的铣削力特征F_t＝{f_t+1,f_t+2,...,f_t+i,...,f_t+N}；其中，f_t+i表示第t+i时段的铣削力信号S_t+i经过第i个权值共享的特征提取块EFeatureBlock_i处理后得到的铣削力特征；

步骤3.2、所述刀具磨损预测模块包含基于物理指导GRU层和一个多层感知机MLP₂；

所述基于时间序列铣削力特征F_t＝{f_t+1,f_t+2,...,f_t+i,...,f_t+N}输入基于物理指导GRU层中进行处理，得到基于时间序列的刀具磨损特征

其中，

表示f_t+i经过基于物理指导GRU层后得到的刀具磨损特征；

所述基于时间序列的刀具磨损特征

再通过后续的多层感知机MLP₂进行处理后，得到预测的刀具磨损值ω_pre(t)；

步骤3.3、所述损失函数模块用于建立数据项Loss_data和物理损失项Loss_Phy之和的损失函数；

所述数据项Loss_data为标签值与预测值之间的误差，并使用均方误差MSE测量误差的平均大小，记作Loss_data＝MSE(ω_true,ω_pre)；

所述物理损失项模型Loss_Phy为预测值与刀具磨损机理模型的一致性程度Inc，记作Loss_Phy＝Inc(ω_pre)；

通过梯度下降法对所述刀具磨损状态监测模型进行训练，并计算损失函数以更新模型权重；当损失函数下降到指定阈值的时，得到训练好的刀具磨损状态监测模型；

步骤4、实时采集加工过程中的铣削力信号，并按照步骤2的处理后输入训练好的刀具磨损状态监测模型中，从而预测当前刀具磨损预测值；

步骤5、如果当前刀具磨损预测值达到刀具磨损临界状态，则停机换刀，否则返回步骤4。

2.根据权利要求1所述的一种基于物理指导的深度学习网络的刀具磨损状态监测方法，其特征在于，

所述基于物理指导的GRU层包括：更新门Z_j、重置门R_j、单调门M_j以及Relu激活函数；

所述基于时间序列铣削力特征F_t＝{f_t+1,f_t+2,...,f_t+i,...,f_t+N}作为输入特征{f_j|j＝t+1,...,t+N}输入基于物理指导的GRU层中进行前向传播时，当前第j个时刻的特征f_j分别经过更新门Z_j的处理后，得到更新门在第j个时刻的输出z_j，再经过重置门R_j的处理后，得到重置门在第j个时刻的输出r_j，再输入所述单调门M_j中，从而利用式(1)得到当前第j个时刻网络的输出预测状态

式(1)中，h_j-1表示第j-1个时刻的状态；h_j表示当前第j个时刻的状态，并由式(2)得到；

式(2)中，

表示当前第j个时刻的候选状态，并由式(3)得到；

式(3)中，f_j表示当前第j个时刻的输入状态；h_j-1表示第j-1个时刻的状态；

和

分别表示输入状态与历史保留状态的权重项；

表示偏置项。

3.根据权利要求1所述的一种基于物理指导的深度学习网络的刀具磨损状态监测方法，其特征在于，所述步骤3.3中的刀具磨损机理模型如式(4)所示：

ω_phy(j)＝ω_phy(j-1)+τ(1/6K₁+2/6K₂+2/6K₃+1/6K₄) (4)

式(4)中，ω_phy(j)表示当前第j个时刻的磨损值，ω_phy(j-1)表示第j-1个时刻的磨损值；τ表示当前第j个时刻与第j-1个时刻之间的时间段；K₁，K₂，K₃，K₄为中间变量，并由式(5)-式(8)得到：

K₁＝G(j,ω_phy(j)) (5)

K₄＝G(j+τ,ω_phy(j)+τK₃) (8)

式(5)-式(8)中，G(j,ω_phy(j))表示关于时间j与刀具磨损值ω_phy(j)之间的关系，并由式(9)得到：

式(9)中，A,B,C,D是一组关于刀具磨损模型的系数。

4.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1或2或3所述刀具磨损状态监测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

5.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1或2或3所述刀具磨损状态监测方法的步骤。

Images