CN117001423A - 一种基于进化学习的刀具状态在线监测方法 - Google Patents
一种基于进化学习的刀具状态在线监测方法 Download PDFInfo
- Publication number
- CN117001423A CN117001423A CN202311267089.3A CN202311267089A CN117001423A CN 117001423 A CN117001423 A CN 117001423A CN 202311267089 A CN202311267089 A CN 202311267089A CN 117001423 A CN117001423 A CN 117001423A
- Authority
- CN
- China
- Prior art keywords
- initial
- state sample
- sample data
- tool state
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 239000000203 mixture Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 238000007792 addition Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003754 machining Methods 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 229910001069 Ti alloy Inorganic materials 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于进化学习的刀具状态在线监测方法,属于机械加工状态监测技术领域。首先使用初始刀具状态样本数据集有监督训练深度学习模型,并使用无监督聚类算法,从而生成初始有监督学习模型和初始无监督学习模型;然后不断的在线采集刀具状态样本数据集;再然后将所述刀具状态样本数据集同时输入到所述初始有监督学习模型和所述初始无监督学习模型中,利用生成的所述新的刀具状态样本数据集去更新所述初始有监督学习模型和所述初始无监督学习模型,完成在线进化学习;最后进行验证。本发明能自动识别刀具状态,可有效解决深度学习模型难以适用于刀具状态在线监测以及刀具状态标签不足的问题,极大提高了刀具状态在线监测的准确性。
Description
技术领域
本发明属于机械加工状态监测领域,尤其涉及为一种基于进化学习的刀具状态在线监测方法。
背景技术
在加工过程中,刀具状态是影响零件加工质量和生产效率的关键因素之一。刀具状态监测技术通过收集和分析刀具磨损的相关信息,可以及时准确地识别刀具破损和刀具磨损的发生,从而确保生产的稳定、可靠和高效运行。
为了保证对刀具状态的连续实时监控,深度学习方法被用于刀具状态监测领域。然而,目前所采用的模型都是通过离线的方式进行训练,在监测过程不能实时更新,这会导致两个问题:一是由于离线训练的样本数量较少,不具有代表性,所建立的模型是静态的,泛化能力差;二是很难获得刀具状态样本的真实标签去动态的在线更新模型,基于小样本所建立的模型难以对大量的未标记样本中进行准确预测。因此,有必要提出一种有效的刀具状态在线监测方法。
发明内容
针对上述存在的问题,本发明提供了一种基于进化学习的刀具状态在线监测方法,步骤如下:
S1:使用初始刀具状态样本数据集有监督训练深度学习模型,所述初始刀具状态样本数据集包含多个初始刀具状态样本数据,并使用无监督聚类算法对所述初始刀具状态样本数据集进行聚类,生成初始有监督学习模型和初始无监督学习模型;
S2:不断的在线采集刀具状态样本数据集;
S3:将在线采集的所述刀具状态样本数据集同时输入到所述初始有监督学习模型和所述初始无监督学习模型中,分别得到所述初始有监督学习模型预测结果和所述初始无监督学习模型预测结果,将所述初始有监督学习模型预测结果与所述初始无监督学习模型预测结果中一致的所述刀具状态样本数据找出,生成新的带标签刀具状态样本数据集,并将所述新的带标签刀具状态样本数据集添加到所述初始刀具状态样本数据集中形成新的刀具状态样本数据集,利用所述新的刀具状态样本数据集去更新所述初始有监督学习模型和所述初始无监督学习模型,完成有监督学习模型和无监督学习模型的在线进化学习;
S4:验证所述有监督学习模型的预测准确性,具体步骤包括,采集刀具状态样本测试数据,将所述刀具状态样本测试数据输入到完成的所述有监督学习模型中进行刀具状态分类,以验证所述一种基于进化学习的刀具状态在线监测方法的准确性。
进一步的,所述有监督学习模型为深度极限学习机模型(DELM,Deep ExtremeLearning Machine),所述初始有监督学习模型为初始深度极限学习机模型,所述无监督学习模型为无监督高斯混合模型(GMM,Gaussian mixturemodel),所述初始无监督学习模型为初始无监督高斯混合模型,所述无监督聚类算法为无监督高斯混合模型聚类算法。
进一步的,步骤S3还包括,为防止所述新的带标签刀具状态样本数据集膨胀,设置固定容量的带标签新刀具状态样本池(pool),当所述新的带标签刀具状态样本数据集的数量达到所述带标签新刀具状态样本池容量时,自动删除所述新的带标签刀具状态样本数据集中最早期的所述带标签刀具状态样本。
进一步的,所述步骤S1,所述初始有监督学习模型的生成过程具体为,
S1.1:所述深度极限学习机模型是一种通过堆叠多个极限学习机模型(ELM)组成的深度学习模型,所述极限学习机模型用于提取所述刀具状态样本数据的特征,设所述极限学习机模型的输入层、隐含层和输出层中的节点数分别是d,l和m,给定个所述初始刀具状态样本数据集/>,其中/>是输入的所述刀具状态样本数据,/>是刀具状态样本标签,所述极限学习机模型的输出值计算公式如下:
;
其中,j表示第j个隐含层节点,是第j个所述隐含层节点和输入层的权重,/>是第j个所述隐含层节点的偏置,{/>}被随机生成,/>是第j个所述隐含层节点和输出层的权重矩阵,/>是隐含层的激活函数;
S1.2:求解最小二乘解,设/>是所述隐含层输出矩阵,/>是所述隐含层和输出层的权重矩阵,/>是所述初始刀具状态样本数据集的标签,/>,公式为,
,其中/>是第l个所述隐含层节点和所述输入层的权重,/>是第j个所述隐含层节点和输入层的权重,是第l个所述隐含层节点的偏置,/>是第j个所述隐含层节点的偏置;
设公式中β的梯度为0,计算输出的所述权重矩阵β,公式如下:
,其中/>是正则项系数,I是单位矩阵;
S1.3:假设有个所述刀具状态样本,使用所述极限学习机模型进行在线增量学习,求/>中的最优解/>,其中/>和/>的公式分别为:
;
S1.4:更新所述极限学习机模型。
进一步的,步骤S1.2还包括,为提高所述极限学习机模型的泛化能力,在损失函数中加入正则项,所述损失函数公式为,其中/>是正则项系数,/>是所述隐含层和输出层的权重矩阵,/>是所述隐含层输出矩阵,/>是所述初始刀具状态样本数据集的标签。
进一步的,所述步骤S1.3具体过程为,
S1.3.1:所述无监督高斯混合模型聚类算法是通过多个高斯分布的线性逼近来估计特征参数的概率密度函数,设所述无监督高斯混合模型由K个高斯分布组成,每个所述高斯分布都可以被视为一个分量,所述无监督高斯混合模型的概率密度函数可以由线性加法组成,公式为,其中,/>表示要拟合的所述刀具状态样本数据,K表示所述无监督高斯混合模型中高斯分布的数量,/>是混合系数,/>=/>,/>和分别是第k个高斯分布的均值和协方差矩阵;
S1.3.2:假设给定的个所述初始刀具状态样本数据集/>服从一定的高斯分布,所述/>个刀具状态样本数据集的概率密度函数公式为,获得所述概率密度函数公式的对数似然函数,通过最大化似然函数来求解参数/>、/>和/>,使用EM算法迭代以获得/>中的参数;
S1.3.3:设有个在线采集的所述刀具状态样本数据,则公式为求解/>的参数,从而更新所述无监督高斯混合模型。
进一步的,步骤S3过程为:
S3.1:设在线采集个所述刀具状态样本数据集为/>,将在线采集的所述刀具状态样本数据集/>输入到所述初始深度极限学习机模型和所述初始无监督高斯混合模型中进行预测,分别得到所述初始有监督学习模型预测结果/>和所述初始无监督学习模型预测结果/>;
S3.2:筛选出两个所述预测结果一致的所述刀具状态样本数据,假设有个在线采集的所述刀具状态样本数据被添加到所述初始刀具状态样本数据集/>中,生成新的刀具状态样本数据集/>,所述新的刀具状态样本数据集/>被用来训练所述深度极限学习机模型,并利用所述无监督高斯混合模型聚类算法重新聚类,从而在线更新所述深度极限学习机模型和所述无监督高斯混合模型。
与现有技术相比,本发明的有益效果在于:
1.本发明提出的基于进化学习的刀具状态在线监测方法,通过有监督学习和无监督学习相结合的方式不断动态的在线更新有监督学习模型,有效提高了有监督学习模型在线进化的能力,从而实现对刀具磨损状态的在线准确监测。
2.本发明用于刀具状态监测领域,采用了无监督高斯混合模型聚类算法和有监督学习模型相结合的训练方法,自动识别刀具磨损状态,与现有技术相比,现有技术需要全程标签,而本发明不需要标签,可有效解决深度学习模型难以适用于刀具状态在线监测以及刀具状态标签不足的问题,极大提高了刀具状态在线监测的准确性。
附图说明
图1为实施例基于进化学习的刀具状态在线监测方法的流程图;
图2为实施例深度极限学习机模型结构图;
图3为实施例的数据采集系统安装位置示意图;
图4为实施例Y方向振动信号数据;a)正常刀具状态下的时域;b)异常刀具状态下的时域;c)正常刀具状态下的频域;d)异常刀具状态下的频域;
图5为实验一初始刀具状态样本数据集的无监督高斯混合模型的聚类效果图;
图6为实验二初始刀具状态样本数据集的无监督高斯混合模型的聚类效果图;
图7为实验一在线监测的结果;
图8为实验二在线监测的结果;
图中:1主轴;2三向加速度传感器;3刀柄;4刀具;5钛合金工件。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”、“正面”、“背面”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1-图2,实施例,一种基于进化学习的刀具状态在线监测方法,步骤如下:
S1:使用初始刀具状态样本数据集有监督训练深度学习模型,所述初始刀具状态样本数据集包含多个初始刀具状态样本数据,并使用无监督聚类算法对所述初始刀具状态样本数据集进行聚类,生成初始有监督学习模型和初始无监督学习模型;本实施例中,所述有监督学习模型为深度极限学习机模型,所述初始有监督学习模型为初始深度极限学习机模型,所述无监督学习模型为无监督高斯混合模型,所述初始无监督学习模型为初始无监督高斯混合模型,所述无监督聚类算法为无监督高斯混合模型聚类算法。
深度极限学习机模型(DELM)是一种通过堆叠多个极限学习机模型(ELM)组成的深度学习模型。极限学习机模型是一种单隐含层前向传播网络,其网络结构与BP神经网络相似,但其训练算法不同。该算法在输入层和隐含层之间随机生成权重和隐含层节点的偏置,并在训练过程中无需调整。它只需要设置隐含层中节点的数量就可以获得最优解。与传统的训练方法相比,该方法具有学习速度快、泛化性能好的优点。在本专利中,极限学习机模型用于提取刀具状态样本的特征。通过将所述极限学习机模型的输出值设置为输入数据,所述极限学习机模型被训练来学习输入数据的特征表示。训练后,保留最优权重,并用于初始化所述深度极限学习机模型的特征提取层的参数。为了对刀具磨损状态进行分类,所述深度极限学习机模型的输出层连接到softmax分类器。
无监督高斯混合模型聚类算法是一种根据数据分布不同进行聚类的算法。所述无监督高斯混合模型聚类算法通过高斯概率密度函数来精确量化数据,然后将其分解为几个部分。
所述步骤S1,所述初始有监督学习模型的生成过程具体为,
S1.1:所述深度极限学习机模型是一种通过堆叠多个极限学习机模型(ELM)组成的深度学习模型,所述极限学习机模型用于提取所述刀具状态样本数据的特征,设所述极限学习机模型的输入层、隐含层和输出层中的节点数分别是d,l和m,给定个所述初始刀具状态样本数据集/>,其中/>是输入的所述刀具状态样本数据,/>是刀具状态样本标签,所述极限学习机模型的输出值计算公式如下:
其中,j表示第j个隐含层节点,是第j个所述隐含层节点和输入层的权重,/>是第j个所述隐含层节点的偏置,{/>}被随机生成,/>是第j个所述隐含层节点和输出层的权重矩阵,/>是隐含层的激活函数;
S1.2:求解最小二乘解,设/>是所述隐含层输出矩阵,/>是所述隐含层和输出层的权重矩阵,/>是所述初始刀具状态样本数据集的标签,/>,公式为,
,其中/>是第l个所述隐含层节点和所述输入层的权重,/>是第j个所述隐含层节点和输入层的权重,是第l个所述隐含层节点的偏置,/>是第j个所述隐含层节点的偏置;
设公式中β的梯度为0,计算输出的所述权重矩阵β,公式如下:
,其中/>是正则项系数,I是单位矩阵;
步骤S1.2还包括,为提高所述极限学习机模型的泛化能力,在损失函数中加入正则项,所述损失函数公式为,其中/>是正则项系数,/>是所述隐含层和输出层的权重矩阵,/>是所述隐含层输出矩阵,/>是所述初始刀具状态样本数据集的标签。
S1.3:假设有个所述刀具状态样本,使用所述极限学习机模型进行在线增量学习,求/>中的最优解/>,其中/>和/>的公式分别为:
。
所述步骤S1.3具体过程为,
S1.3.1:所述无监督高斯混合模型聚类算法是通过多个高斯分布的线性逼近来估计特征参数的概率密度函数,设所述无监督高斯混合模型由K个高斯分布组成,每个所述高斯分布都可以被视为一个分量,所述无监督高斯混合模型的概率密度函数可以由线性加法组成,公式为,其中,/>表示要拟合的所述刀具状态样本数据,K表示所述无监督高斯混合模型中高斯分布的数量,/>是混合系数,/>=/>,/>和分别是第k个高斯分布的均值和协方差矩阵;
S1.3.2:假设给定的个所述初始刀具状态样本数据集/>服从一定的高斯分布,所述/>个刀具状态样本数据集的概率密度函数公式为,获得所述概率密度函数公式的对数似然函数,通过最大化似然函数来求解参数/>、/>和/>,使用EM算法迭代以获得/>中的参数;
EM算法是一种最大似然估计方法,用于求解具有不完整数据或隐藏变量的数据集中的概率模型参数。E步骤使用隐藏变量的现有估计来计算其最大似然估计,M步骤最大化E步骤中获得的最大似然值来计算参数的值。通过迭代使用E步和M步直到函数收敛,可以获得最佳参数值。
S1.3.3:设有个在线采集的所述刀具状态样本数据,则公式为求解/>的参数,从而更新所述无监督高斯混合模型。
S1.4:更新所述极限学习机模型。
S2:不断在线采集刀具状态样本数据集。
S3:将在线采集的所述刀具状态样本数据集同时输入到所述初始有监督学习模型和所述初始无监督学习模型中,分别得到所述初始有监督学习模型预测结果和所述初始无监督学习模型预测结果,将所述初始有监督学习模型预测结果与所述初始无监督学习模型预测结果中一致的所述刀具状态样本数据找出,生成新的带标签刀具状态样本数据集,并将所述新的带标签刀具状态样本数据集添加到所述初始刀具状态样本数据集中形成新的刀具状态样本数据集,利用所述新的刀具状态样本数据集去更新所述初始有监督学习模型和所述初始无监督学习模型,完成有监督学习模型和无监督学习模型的在线进化学习。为防止所述新的带标签刀具状态样本数据集膨胀,设置固定容量的带标签新刀具状态样本池(pool),当所述新的带标签刀具状态样本数据集的数量达到所述带标签新刀具状态样本池容量时,自动删除所述新的带标签刀具状态样本数据集中最早期的所述带标签刀具状态样本。
步骤S3具体过程为:
S3.1:设在线采集个所述刀具状态样本数据集为/>,将在线采集的所述刀具状态样本数据集/>输入到所述初始深度极限学习机模型和所述初始无监督高斯混合模型中进行预测,分别得到所述初始有监督学习模型预测结果/>和所述初始无监督学习模型预测结果/>;
S3.2:筛选出两个所述预测结果一致的所述刀具状态样本数据,假设有个在线采集的所述刀具状态样本数据被添加到所述初始刀具状态样本数据集/>中,生成新的刀具状态样本数据集/>,所述新的刀具状态样本数据集/>被用来训练所述深度极限学习机模型,并利用所述无监督高斯混合模型聚类算法重新聚类,从而在线更新所述深度极限学习机模型和所述无监督高斯混合模型。
S4:验证所述有监督学习模型的预测准确性,具体步骤包括,采集刀具状态样本测试数据,将所述刀具状态样本测试数据输入到完成的所述有监督学习模型中进行刀具状态分类,以验证所述一种基于进化学习的刀具状态在线监测方法的准确性。
如图3-图4,为实施例的数据采集系统安装位置,所述数据采集系统用于采集刀架的振动信号数据,三向加速度传感器2固定在主轴1上,刀柄3固定在主轴1上,刀具4连接在刀柄3上,钛合金工件5位于刀具4下方。
为验证本发明实施例的技术效果,本实施例采用直径为10mm的快进刀杆和刀片对钛合金工件5表面进行两次铣削加工实验,两次实验的加工条件如表1所示。将数据采集系统截取的每个加工条件下的振动信号数据作为初始刀具状态样本数据。每个加工条件下采集的刀具状态样本数量见表1。
所述刀具状态由日本Keyence VHX-600E超深度显微镜检测,并在铣削约500mm后进行检查。根据国家标准GB/T 16460-2016,侧面磨损带的宽度值(VB)=0.3mm,是刀具失效的阈值。刀具状态可分为正常和异常两种,正常状态时侧面磨损带的宽度值(VB)<0.3mm,异常状态时侧面磨损带的宽度值(VB)>0.3mm。每个样本在每个方向上的振动信号数据的截取数据点为5000,并且通过三向加速度传感器2监测的三个方向的振动信号数据被融合在一起。图4为不同刀具状态的振动信号数据。实验一和实验二使用频域数据作为模型的输入数据,并使用刀具条件作为刀具状态样本的标签。
分别用所述初始刀具状态样本数据集去训练所述初始深度极限学习机模型和所述初始无监督高斯混合模型,图5展示了实验一初始刀具状态样本数据集的无监督高斯混合模型聚类效果图,图6展示了实验二初始刀具状态样本数据集的无监督高斯混合模型聚类效果图。
所述深度极限学习机模型和所述无监督高斯混合模型在线训练过程中,两组实验的批量大小分别为200和300。在线采集的所述刀具状态样本数据集被依次输入到所述深度极限学习机模型和所述无监督高斯混合模型中进行预测,得到结果一致的所述刀具状态样本数据集添加到所述初始刀具状态样本数据集中,更新所述深度极限学习机模型和所述无监督高斯混合模型,实现在线进化学习。按照这样的方式,实验一的所述深度极限学习机模型和所述无监督高斯混合模型被更新了4次,实验二的所述深度极限学习机模型和所述无监督高斯混合模型被更新了3次。本发明的实施例,样本池设置为五倍于所述初始刀具状态样本数据集大小。
测试结果如图7-图8中的混淆矩阵图所示。图7是实验一在线预测的结果;图8是实验二在线预测的结果。
Claims (7)
1.一种基于进化学习的刀具状态在线监测方法,其特征在于,有如下步骤:
S1:使用初始刀具状态样本数据集有监督训练深度学习模型,所述初始刀具状态样本数据集包含多个初始刀具状态样本数据,并使用无监督聚类算法对所述初始刀具状态样本数据集进行聚类,生成初始有监督学习模型和初始无监督学习模型;
S2:不断的在线采集刀具状态样本数据集;
S3:将在线采集的所述刀具状态样本数据集同时输入到所述初始有监督学习模型和所述初始无监督学习模型中,分别得到所述初始有监督学习模型预测结果和所述初始无监督学习模型预测结果,将所述初始有监督学习模型预测结果与所述初始无监督学习模型预测结果中一致的所述刀具状态样本数据找出,生成新的带标签刀具状态样本数据集,并将所述新的带标签刀具状态样本数据集添加到所述初始刀具状态样本数据集中形成新的刀具状态样本数据集,利用所述新的刀具状态样本数据集去更新所述初始有监督学习模型和所述初始无监督学习模型,完成有监督学习模型和无监督学习模型的在线进化学习;
S4:验证所述有监督学习模型的预测准确性,具体步骤包括,采集刀具状态样本测试数据,将所述刀具状态样本测试数据输入到完成的所述有监督学习模型中进行刀具状态分类,以验证所述一种基于进化学习的刀具状态在线监测方法的准确性。
2.如权利要求1所述的一种基于进化学习的刀具状态在线监测方法,其特征在于,所述有监督学习模型为深度极限学习机模型,所述初始有监督学习模型为初始深度极限学习机模型,所述无监督学习模型为无监督高斯混合模型,所述初始无监督学习模型为初始无监督高斯混合模型,所述无监督聚类算法为无监督高斯混合模型聚类算法。
3.如权利要求2所述的一种基于进化学习的刀具状态在线监测方法,其特征在于,步骤S3还包括,设置固定容量的带标签新刀具状态样本池,当所述新的带标签刀具状态样本数据集的数量达到所述带标签新刀具状态样本池容量时,自动删除所述新的带标签刀具状态样本数据集中最早期的所述带标签刀具状态样本。
4.如权利要求2所述的一种基于进化学习的刀具状态在线监测方法,其特征在于,所述步骤S1,所述初始有监督学习模型的生成过程具体为,
S1.1:所述深度极限学习机模型是一种通过堆叠多个极限学习机模型组成的深度学习模型,所述极限学习机模型用于提取所述刀具状态样本数据的特征,设所述极限学习机模型的输入层、隐含层和输出层中的节点数分别是d,l和m,给定 个所述初始刀具状态样本数据集/>,其中/>是输入的所述刀具状态样本数据,/>是刀具状态样本标签,所述极限学习机模型的输出值计算公式如下:
;
其中,j表示第j个隐含层节点, 是第j个所述隐含层节点和输入层的权重,/> 是第j个 所述隐含层节点的偏置,{/> }被随机生成,/> 是第j个所述隐含层节点和输出层的权重 矩阵,/> 是隐含层的激活函数;
S1.2:求解最小二乘解,设/>是所述隐含层输出矩阵,/>是所述隐含层和输出层的权重矩阵,/>是所述初始刀具状态样本数据集的标签,/>,公式为,
,其中/>是第l个所述隐含层节点和所述输入层的权重,/>是第j个所述隐含层节点和输入层的权重,/>是第l个所述隐含层节点的偏置,/>是第j个所述隐含层节点的偏置;
设公式中β的梯度为0,计算输出的所述权重矩阵β,公式如下:
,其中/>是正则项系数,I是单位矩阵;
S1.3:假设有个所述刀具状态样本,使用所述极限学习机模型进行在线增量学习,求/>中的最优解/>,其中/>和/>的公式分别为:
;
S1.4:更新所述极限学习机模型。
5.如权利要求4所述的一种基于进化学习的刀具状态在线监测方法,其特征在于,步骤S1.2还包括,在损失函数中加入正则项,所述损失函数公式为,其中/>是正则项系数,/>是所述隐含层和输出层的权重矩阵,/>是所述隐含层输出矩阵,/>是所述初始刀具状态样本数据集的标签。
6.如权利要求4所述的一种基于进化学习的刀具状态在线监测方法,其特征在于,所述步骤S1.3具体过程为,
S1.3.1:设所述无监督高斯混合模型由K个高斯分布组成,每个所述高斯分布都可以被视为一个分量,所述无监督高斯混合模型的概率密度函数可以由线性加法组成,公式为,其中,/>表示要拟合的所述刀具状态样本数据,K表示所述无监督高斯混合模型中高斯分布的数量,/>是混合系数,/>=/>,/>和/>分别是第k个高斯分布的均值和协方差矩阵;
S1.3.2:假设给定的个所述初始刀具状态样本数据集/>服从一定的高斯分布,所述/>个刀具状态样本数据集的概率密度函数公式为,获得所述概率密度函数公式的对数似然函数,通过最大化似然函数来求解参数/>、/>和/>,使用EM算法迭代以获得/>中的参数;
S1.3.3:设有个在线采集的所述刀具状态样本数据,则公式/>为求解/>的参数,从而更新所述无监督高斯混合模型。
7.如权利要求6所述的一种基于进化学习的刀具状态在线监测方法,其特征在于,步骤S3过程为:
S3.1:设在线采集个所述刀具状态样本数据集为/>,将在线采集的所述刀具状态样本数据集/>输入到所述初始深度极限学习机模型和所述初始无监督高斯混合模型中进行预测,分别得到所述初始有监督学习模型预测结果/>和所述初始无监督学习模型预测结果/>;
S3.2:筛选出两个所述预测结果一致的所述刀具状态样本数据,假设有个在线采集的所述刀具状态样本数据被添加到所述初始刀具状态样本数据集/>中,生成新的刀具状态样本数据集/>,所述新的刀具状态样本数据集/>被用来训练所述深度极限学习机模型,并利用所述无监督高斯混合模型聚类算法重新聚类,从而在线更新所述深度极限学习机模型和所述无监督高斯混合模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267089.3A CN117001423B (zh) | 2023-09-28 | 2023-09-28 | 一种基于进化学习的刀具状态在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267089.3A CN117001423B (zh) | 2023-09-28 | 2023-09-28 | 一种基于进化学习的刀具状态在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117001423A true CN117001423A (zh) | 2023-11-07 |
CN117001423B CN117001423B (zh) | 2023-12-05 |
Family
ID=88576548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311267089.3A Active CN117001423B (zh) | 2023-09-28 | 2023-09-28 | 一种基于进化学习的刀具状态在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117001423B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117330315A (zh) * | 2023-12-01 | 2024-01-02 | 智能制造龙城实验室 | 一种基于在线迁移学习的旋转机械故障监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109333159A (zh) * | 2018-09-11 | 2019-02-15 | 温州大学苍南研究院 | 刀具磨损状态在线监测的深度核极限学习机方法及系统 |
US20210197335A1 (en) * | 2019-12-26 | 2021-07-01 | Dalian University Of Technology | Data Augmentation Method Based On Generative Adversarial Networks In Tool Condition Monitoring |
CN113159264A (zh) * | 2020-11-12 | 2021-07-23 | 江西理工大学 | 一种入侵检测方法、系统、设备及可读存储介质 |
WO2021250774A1 (ja) * | 2020-06-09 | 2021-12-16 | 日本電信電話株式会社 | 学習装置、予測装置、学習方法及びプログラム |
CN113798920A (zh) * | 2021-09-23 | 2021-12-17 | 大连理工大学 | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 |
CN115435892A (zh) * | 2022-08-31 | 2022-12-06 | 长春工业大学 | 一种复杂机电装备的智能故障诊断方法 |
CN116881765A (zh) * | 2023-06-12 | 2023-10-13 | 大连理工大学 | 一种基于深度学习的立铣刀磨损状态识别方法 |
-
2023
- 2023-09-28 CN CN202311267089.3A patent/CN117001423B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109333159A (zh) * | 2018-09-11 | 2019-02-15 | 温州大学苍南研究院 | 刀具磨损状态在线监测的深度核极限学习机方法及系统 |
US20210197335A1 (en) * | 2019-12-26 | 2021-07-01 | Dalian University Of Technology | Data Augmentation Method Based On Generative Adversarial Networks In Tool Condition Monitoring |
WO2021250774A1 (ja) * | 2020-06-09 | 2021-12-16 | 日本電信電話株式会社 | 学習装置、予測装置、学習方法及びプログラム |
CN113159264A (zh) * | 2020-11-12 | 2021-07-23 | 江西理工大学 | 一种入侵检测方法、系统、设备及可读存储介质 |
CN113798920A (zh) * | 2021-09-23 | 2021-12-17 | 大连理工大学 | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 |
CN115435892A (zh) * | 2022-08-31 | 2022-12-06 | 长春工业大学 | 一种复杂机电装备的智能故障诊断方法 |
CN116881765A (zh) * | 2023-06-12 | 2023-10-13 | 大连理工大学 | 一种基于深度学习的立铣刀磨损状态识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117330315A (zh) * | 2023-12-01 | 2024-01-02 | 智能制造龙城实验室 | 一种基于在线迁移学习的旋转机械故障监测方法 |
CN117330315B (zh) * | 2023-12-01 | 2024-02-23 | 智能制造龙城实验室 | 一种基于在线迁移学习的旋转机械故障监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117001423B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109396576B (zh) | 基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法 | |
CN117001423B (zh) | 一种基于进化学习的刀具状态在线监测方法 | |
Jafarian et al. | Experimental investigation to optimize tool life and surface roughness in Inconel 718 machining | |
CN109318056A (zh) | 一种基于多种类传感器复合信号的刀具磨损监控方法 | |
Patange et al. | Milling cutter condition monitoring using machine learning approach | |
CN114619292B (zh) | 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 | |
CN112364756B (zh) | 一种基于天牛须和随机森林的gis故障分类方法 | |
CN110647830A (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
CN113609770B (zh) | 基于分段线性拟合hi及lstm的滚动轴承rul预测方法 | |
Alinezhad et al. | Early classification of industrial alarm floods based on semisupervised learning | |
CN108393744B (zh) | 一种刀具状态多传感监测方法 | |
CN108763048B (zh) | 一种基于粒子滤波的硬盘故障预警与可靠性评估方法 | |
Abu-Mahfouz et al. | Surface roughness prediction in turning using three artificial intelligence techniques; a comparative study | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
Zhu et al. | A surface fatal defect detection method for magnetic tiles based on semantic segmentation and object detection: IEEE ITAIC (ISSN: 2693-2865) | |
CN115979602A (zh) | 一种基于多源域迁移学习的刀具状态智能监测方法 | |
CN112884027B (zh) | 一种基于模式识别的切削过程实时状态监测方法及装置 | |
Ji et al. | Research on wear state identification and life prediction technology of ultrasonic straight-edge knife | |
Tobon-Mejia et al. | CNC machine tool health assessment using dynamic bayesian networks | |
Huihui et al. | Feature transfer-based approach for tool wear monitoring of face milling | |
Bull et al. | A probabilistic framework for online structural health monitoring: active learning from machining data streams | |
CN112084332A (zh) | 一种基于深度双向语言文本处理网络的违章分类方法 | |
CN117564810A (zh) | 一种基于半监督进化学习的加工中心刀具磨损监测方法 | |
Knap et al. | Tool Wear Detection in Milling Process Using Long Short-Term Memory Networks: An Industry 4.0 Approach | |
Wang et al. | Application Research of Data Mining in MES Quality Management |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |