CN117961645B - 一种面向小样本噪声数据的刀具磨损软测量方法 - Google Patents

Abstract

本发明公开一种面向小样本噪声数据的刀具磨损软测量方法，基于Zigbee无线通讯方式采集加工过程中产生的主轴三向切削力以及振动信号等特征信息；分别从其时域和频域提取特征进行融合，建立基于多层次加权自编码器网络的刀具磨损鲁棒软测量模型，结合欧式距离函数和相似距离函数改进损失函数，搭建基于无监督预训练和有监督微调的半监督训练框架；接着，提出基于蒙特卡洛模拟的不确定性分析方法，对刀具磨损软测量结果进行不确定性评估；最后，将计算任务卸载至边缘计算处理器，利用边缘计算实现对刀具磨损状态的实时预警。本发明实现了在小样本、噪声数据下的刀具磨损软测量，算法对磨损样本量依赖程度低、对传感器噪声信号鲁棒性强。

Description

一种面向小样本噪声数据的刀具磨损软测量方法

技术领域

本发明涉及机械加工技术领域，特别涉及一种面向小样本噪声数据的刀具磨损软测量方法。

背景技术

刀具作为加工系统中直接与工件接触的部分，对产品质量有着直接且重要的影响，刀具磨损退化会引起产品质量与精度的降低，甚至还有可能造成加工故障甚至安全事故。加工过程中实时估计刀具磨损量，在刀具失效前及时换刀，对保证加工质量和安全有重要意义。

目前，刀具磨损值主要通过直接测量和软测量间接测量两种方式获取，然而，一方面，由于安装位置、安装成本和磨损测量技术的限制，刀具磨损值难以直接通过传感器硬件进行高频率的实时测量；另一方面，软测量技术可以实现基于刀具切削加工中的切削力信息、振动信息等历史样本，构建刀具磨损数学模型，间接实现对刀具磨损量的估计，软测量方法克服了刀具磨损直接测量方式成本高、数据难获取的问题，在刀具健康状态监测方面有广泛的应用前景。但是目前尚未有公开发表的工作，将软测量思想应用于刀具磨损估计。

基于数据驱动方法建立软测量模型，是当前软测量技术发展的重要方向，数据驱动的软测量技术对样本数量和样本质量依赖程度高。然而，刀具磨损软测量技术主要存在以下问题：（1）刀具磨损量难以通过传感器直接测量的方式获取高频率的实时信息，存在小样本问题。（2）软测量技术通过刀具加工过程中的切削力、振动信息间接计算得到刀具磨损信息，电流、振动信息存在大量噪声，样本质量不佳。因而，构建刀具磨损软测量系统，并在小样本、噪声数据下构建高精度的软测量模型，并对测量结果的不确定性进行量化，实现对软测量结果的全面评估，是刀具磨损健康监测的难点。然而，现有工作往往针对小样本和噪声样本单一问题进行研究，尚未有工作同时考虑小样本和噪声样本问题，并对磨损不确定性进行量化。

此外，刀具切削加工过程中的振动信息、切削力信息的样本量较大，传统方法在云端服务器进行数据处理和模型构建，大量的传感测量数据向云端服务器传输会导致传输通道拥塞、数据传输速度受限，进一步引发数据处理和模型计算时间加长，无法满足刀具磨损实时估计的需求。

发明内容

发明目的：针对以上问题，本发明目的是提供一种面向小样本噪声数据的刀具磨损软测量方法，基于边缘计算处理器设计了刀具磨损软测量模型，开发了面向小样本噪声数据的刀具磨损鲁棒软测量方法，并进一步对软测量结果进行不确定性评估，实现基于非接触方式在线估计刀具磨损值，对先进制造加工领域的刀具磨损监测和加工控制提供了重要技术支撑。

技术方案：本发明的一种面向小样本噪声数据的刀具磨损软测量方法，包括：

利用传感器采集三个轴向的切削力信号、三个轴向的振动信号、刀具进给速度、以及刀具回转角速度数据，同时测量每次加工走刀后3个切削刃后刀面磨损量，利用无线通讯方式将切削力信号、振动信号、刀具进给速度数据、刀具回转角速度数据以及磨损量传输至汇聚节点，再通过有线传输方式从汇聚节点传输至边缘计算处理器；

将切削力信号、振动信号、刀具进给速度、以及刀具回转角速度记成特征信号矩阵，计算特征信号矩阵的时域特征和频域特征，并进行标准化处理；

利用磨损量和标准化处理后的特征信号矩阵构建数据集，并按比例划分成测试集和训练集；

构建多层次加权自编码器网络，并利用训练集对多层次加权自编码器网络进行分层次无监督训练和有监督微调；

将训练之后的多层次加权自编码器网络作为软测量模型，利用软测量模型对刀具磨损量进行预测。

进一步，特征信号矩阵的表达式为，其中/>表示/>方向的切削力信号，/>表示/>方向的切削力信号，/>表示/>方向的切削力信号，/>表示/>方向的振动信号；/>表示/>方向的振动信号，/>表示/>方向的振动信号，/>表示刀具进给速度，/>表示刀具回转角速度；时域特征包括最大值、平均值、峰谷值、方差、标准差、均方根、偏度以及峭度；频域特征包括重心频率、均方频率和频率方差。

进一步，多层次加权自编码器网络由3个深层自编码器逐层连接组成，每个深层自编码器包括依次设置的输入层、第一全连接层、第一Dropout层、第二全连接层、第二Dropout层以及输出层，每个深层自编码器的数学模型为：

，

式中，输入和输出均为，/>为第一全连接层/>的输出结果，/>为第一Dropout层的输出结果，/>为第二全连接层/>的输出结果，/>为第二Dropout层。

进一步，利用训练集对多层次加权自编码器网络进行分层次无监督训练和有监督微调包括：

将标准化后的信号特征矩阵作为多层次加权自编码器网络的输入项，将对应的刀具磨损量作为多层次加权自编码器网络的输出项，依次训练3个深层自编码器；第一个深层自编码器训练完后，将第一个深层自编码器逐层的特征隐藏层作为第二个深层自编码器逐层的输入数据；以此类椎，逐层地训练直到最后一个深层自编码器，获得多层次加权自编码器网络的各层网络参数；

在训练过程中，通过迭代的方式最小化损失函数，直到多层次加权自编码器网络的各层网络参数收敛或者达到最大迭代次数。

进一步，损失函数基于欧式距离函数和余弦相似距离函数，表达式为：

，

式中，为欧式距离函数损失，/>为余弦相似距离函数损失，/>表示样本数量，表示刀具磨损软测量估计值，/>表示刀具磨损真实值，/>、/>分别表示欧式距离函数损失和余弦相似距离函数损失的权重因子。

进一步，在多层次加权自编码器网络训练过程中，利用隐单元门控选择层计算多层次加权自编码器网络中各隐藏层的权重因子，根据权重因子确定刀具损失量；其中，隐单元门控选择层的计算表达为：

，

式中，和/>分别表示隐单元门控选择层的神经元权重，/>和/>分别表示偏差，/>表示隐藏层神经元的数值。

进一步，构建软测量模型后还包括：生成软测量计算任务后，将计算任务卸载至边缘计算处理器，在边缘计算处理器嵌入软测量模型参数；基于知识图谱和机器学习确定刀具磨损的风险等级及对应的风险管理措施；预先在边缘计算处理器设置磨损安全阈值，当刀具磨损风险等级大于磨损安全阈值时，边缘计算处理器进行实时预警；并利用可视化显示将刀具磨损量预测值在显示器上实时显示为波形图形。

进一步，利用无线通讯方式将切削力信号、振动信号、刀具进给速度、刀具回转角速度数据以及磨损量传输至汇聚节点，再通过有线传输方式从汇聚节点传输至边缘计算处理器包括：

利用ZigBee构成无线数据传输网络，利用微控制器控制数据传输的路径，传感器通过无线数据传输网络将采集到的刀具信号传输至汇聚节点，最终通过串口光纤通信的有线传输方式将数据传输到边缘计算处理器。

有益效果：本发明与现有技术相比，其显著优点是：

（1）本发明实现基于非接触方式在线测量刀具磨损值，充分考虑刀具系统数据小样本、含噪的特征，构建了基于多层次加权自编码器网络的刀具磨损鲁棒软测量模型，实现了高精度、高鲁棒的软测量模型构建；相比于传统的刀具磨损软测量方法，本发明所提出的刀具磨损软测量方法对噪声鲁棒性好、对样本数量依赖程度低，智能化程度高，实现了基于非接触方式在线估计刀具磨损值；

（2）本发明基于蒙特卡洛模拟进行软测量结果的不确定性量化，相比于传统的点预测方法，本方法可以同时提供软测量的值和软测量不确定性量化的值，实现了刀具磨损软测量的不确定性评估，有利于提升刀具决策评估的鲁棒性；

（3）本发明设计了基于边缘计算的刀具软测量模型，保障了对刀具振动、切削力信息的准确感知、高速存储、无线传输以及边缘智能监测等功能的硬件性能和条件；在刀具附近的边缘计算处理器上对实时数据进行处理，而不是在云服务器上进行数据处理，显著提高了数据处理速度与传输速度。

附图说明

图1是本实施例中刀具磨损软测量模型的工作原理图；

图2是本实施例中刀具磨损软测量方法的工作流程图；

图3是本实施例中刀具磨损软测量的磨损测量结果图；

图4是本实施例中刀具磨损软测量的磨损测量误差图；

图5是本实施例中刀具磨损软测量结果的不确定性量化图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。

本实施例所述的一种面向小样本噪声数据的刀具磨损软测量方法，包括：

利用传感器采集三个轴向的切削力信号、振动信号、刀具进给速度以及刀具回转角速度数据，同时测量每次加工走刀后3个切削刃后刀面磨损量，利用无线通讯方式将切削力信号、振动信号、刀具进给速度、刀具回转角速度数据以及磨损量传输至汇聚节点，再通过有线传输方式从汇聚节点传输至边缘计算处理器；

将切削力信号、振动信号、刀具进给速度、刀具回转角速度数据记成特征信号矩阵，计算特征信号矩阵的时域特征和频域特征，并进行标准化处理；

利用磨损量和标准化处理后的特征信号矩阵构建数据集，并按比例划分成测试集和训练集；

构建多层次加权自编码器网络，并利用训练集对多层次加权自编码器网络进行分层次无监督训练和有监督微调；

将训练之后的多层次加权自编码器网络作为软测量模型，利用软测量模型对刀具磨损量进行预测。

在一个示例中，如图1所示，在刀具切削加工台安装传感器，利用传感器获取加工过程中的刀具信号，安装的传感器包括主轴三向振动传感器、刀具三向切削力传感器，其中振动传感器固定在靠近刀具的位置，基于预实验测试多个位置点的振动强度，选取信号振动强度最大的位置安装振动传感器；对于切削力传感器，工件固定在切削力传感器上。利用主轴三向振动传感器、刀具三向切削力传感器分别采集X、Y、Z三个轴向的切削力信号和振动信号。从机床加工系统采集刀具进给速度数据和刀具回转角速度数据。每次加工走到一定距离后，可以利用显微镜对3个切削力后刀面磨损（VB）进行测量。利用ZigBee构成无线数据传输网络，利用微控制器控制数据传输的路径，各传感器节点基于IEEE 802.15.4通过无线数据传输网络将采集到的刀具信号传输至汇聚节点最终通过串口光纤通信的有线传输方式将数据传输到边缘计算处理器。

汇聚节点可以为具有存储转发功能的Zigbee节点，负责收集切削力等传感器发送的传感器信号。汇聚节点可与三向测力计、振动传感器等终端传感节点进行通信，并将测量信息通过串口传输到机床的边缘计算处理器，实现基于多元传感数据融合的刀具运行状态监测。

边缘计算处理器搭载由4核1.5GHz的64位CPU和片上图形处理单元组成的片上系统，能够实现数据的实时快速计算。数据采集、数据传输、以及无线通讯协议等通过CPU进行管理，利用ZigBee构成无线数据传输网络，并利用微控制器控制数据传输的路径，最终通过串口光纤通信的有线传输方式将数据传输到边缘计算处理器。

测量并记录刀具切削过程中所有的三向切削力、主轴三向加速度、刀具进给速率、以及主轴旋转角速度信号特征，形成特征信号矩阵，特征信号矩阵的表达式为，其中/>表示/>方向的切削力信号，/>表示/>方向的切削力信号，/>表示/>方向的切削力信号，/>表示/>方向的振动信号；/>表示/>方向的振动信号，/>表示/>方向的振动信号，/>表示刀具进给速度，/>表示刀具回转角速度。分别提取特征信号矩阵的时域和频域特征，时域特征包括最大值、平均值、峰谷值、方差、标准差、均方根、偏度以及峭度；频域特征包括重心频率、均方频率和频率方差，根据特征信号矩阵计算得到每行特征数据的平均值和标准差，进一步利用每行特征数据的平均值和标准差对信号特征矩阵进行标准化处理，表达式为：

，

式中，为规范化后的特征数据，/>为每行特征数据的平均值，为每行特征数据的标准差，/>表示第/>列/>行的特征数据，/>，/>为特征数据的样本数量。

将标准化后的信号特征矩阵和对应的刀具磨损量组成数据集，可以按照3:7将其分成训练集和测试集，将标准化后的信号特征矩阵作为多层次加权自编码器网络的输入项，将刀具磨损量作为多层次加权自编码器网络的输出项，利用训练集对多层次加权自编码器网络进行分层次的无监督模型训练。

多层次加权自编码器网络由3个深层自编码器逐层连接组成，每个深层自编码器包括依次设置的输入层、第一全连接层、第一Dropout层、第二全连接层、第二Dropout层以及输出层，每个深层自编码器的数学模型为：

，

式中，输入和输出均为，/>为第一全连接层/>的输出结果，/>为第一Dropout层的输出结果，/>为第二全连接层/>的输出结果，/>为第二Dropout层。Dropout层指的是神经元网络迭代过程中随机选择神经元节点，并删除前向和后向连接，在Dropout层中，每个神经元被随机选中的概率可以设置为0.3。基于无标签数据的无监督训练，提取得到特征层/>。

利用训练集对多层次加权自编码器网络进行分层次无监督训练和有监督微调包括：

将标准化后的信号特征矩阵作为多层次加权自编码器网络的输入项，将对应的刀具磨损量作为多层次加权自编码器网络的输出项，依次训练3个深层自编码器逐层；第一个深层自编码器训练完后，将第一个深层自编码器逐层的特征隐藏层作为第二个深层自编码器逐层的输入数据；以此类椎，逐层地训练直到最后一个深层自编码器逐层，获得多层次加权自编码器网络的各层网络参数；

在训练过程中，通过迭代的方式最小化损失函数，直到多层次加权自编码器网络的各层网络参数收敛或者达到最大迭代次数。

在多层次加权自编码器网络训练过程中，利用门控权重因子计算多层次加权自编码器网络中各隐藏层的权重因子，量化各隐藏特征层对模型输出的贡献度，门控权重因子的设计，可以使软测量模型提取到更为重要的特征信息，有利于提升模型精度。根据权重因子确定刀具损失量；其中，门控权重因子的计算表达为：

，

式中，和/>分别表示隐单元门控选择层的神经元权重，/>和/>分别表示偏差，/>表示隐藏层神经元的数值。

为提升噪声数据下软测量模型的精度，构建融合欧式距离和余弦相似距离的损失函数，对多层次加权自编码器结果进行有监督微调。

其中，损失函数基于欧式距离函数和余弦相似距离函数，表达式为：

，

式中，为欧式距离函数损失，/>为余弦相似距离函数损失，/>表示样本数量，/>表示刀具磨损软测量估计值，/>表示刀具磨损真实值，/>、/>分别表示欧式距离函数损失和余弦相似距离函数损失的权重因子。余弦函数可以度量数据分布的差异，通过在损失函数中加入余弦函数，可以减少由测量噪声引发的建模误差。

为进一步验证刀具磨损软测量模型精度。在模型测试阶段，利用均方根误差计算软测量模型的误差，评估刀具磨损软测量的精度，计算表达式为：

，

式中，m表示样本数量。

进一步，基于蒙特卡洛模拟，对刀具磨损软测量模型进行不确定性分析评估。首先对软测量模型进行N次的重复计算，然后计算N次软测量模型输出的均值和方差，计算表达式分别为：

，

，

式中，N表示蒙特卡罗模拟的迭代次数，分别取100，1000，2000，4000，6000，8000，10000，直至计算得到的平均值及方差值收敛；表示软测量结果的平均值，/>表示基于软测量模型的蒙特卡洛模拟值，/>表示软测量结果的不确定性。所求出平均值和方差分别作为点预测和区间不确定性估计的结果，可以为刀具磨损监测提供更全面的信息。

进一步，构建软测量模型后还包括：

生成软测量计算任务，将计算任务卸载至边缘计算处理器，在边缘计算处理器嵌入软测量模型参数；基于知识图谱和机器学习确定刀具磨损的风险等级及对应的风险管理措施；预先在边缘计算处理器设置磨损安全阈值，当刀具磨损风险等级大于磨损安全阈值时，边缘计算处理器进行实时预警；并利用可视化显示将刀具磨损量预测值在显示器上实时显示为波形图形。

以一个示例对该软测量模型进行验证。以2010年于美国举行的PHM公开的铣刀切削试验数据进行验证分析，该数据集受到刀具磨损量预测领域的认可，对实验的实例验证有一定的权威性。

如图1所示，本实施例提供一种面向小样本噪声数据的刀具磨损软测量方法，该方法的具体实施过程如下：

1)采集待测刀具全生命周期的三轴方向振动信号等特征信息，以及刀具后刀面磨损信息。

2）进行数据预处理。提取振动信号等特征信息的时域和频域信息，并进一步进行数据融合。各特征信息取值范围不同，其统计特征的量纲大小存在较大差异，因此本发明使用标准化函数对特征进行标准化处理。

3）构建刀具磨损鲁棒软测量模型的流程如图2所示，将刀具全生命周期振动信号作为训练集输入至构建的刀具磨损鲁棒软测量模型进行训练，并基于改进的损失函数，确定刀具磨损鲁棒软测量模型的权重。

3.1)损失函数融合了欧式距离和余弦相似度函数；

3.2)确定训练集训练预测结果是否准确，若准确则保存该刀具磨损量预测模型，并将测试集输入至该模型中进行刀具磨损量预测；反之，则继续训练直至训练预测结果准确。

4）基于训练的模型实现刀具磨损软测量。

5）基于蒙特卡洛方法分析模型的不确定性。

在噪声强度为60dB时，模型预测性能如图3和图4所示，图3展示了刀具走刀过程中的刀具磨损软测量结果，图4展示了软测量值和刀具真实磨损值的差值，反映了刀具软测量误差，刀具磨损软测量最大误差约为40 nm，图3和图4可以证明本发明的刀具磨损量预测模型性能良好，尤其是在仅有少量标注样本情况下。软测量结果的不确定性评估结果如图5所示，服从均值为81.25，标准差为0.23的正态分布，说明本发明实现了刀具软测量不确定性评估的扩展功能。

Claims (2)

1.一种面向小样本噪声数据的刀具磨损软测量方法，其特征在于，包括：

利用传感器采集三个轴向的切削力信号、三个轴向的振动信号、刀具进给速度、以及刀具回转角速度数据，同时测量每次加工走刀后3个切削刃后刀面磨损量，利用无线通讯方式将切削力信号、振动信号、刀具进给速度数据、刀具回转角速度数据以及磨损量传输至汇聚节点，再通过有线传输方式从汇聚节点传输至边缘计算处理器；

将切削力信号、振动信号、刀具进给速度、以及刀具回转角速度记成特征信号矩阵，计算特征信号矩阵的时域特征和频域特征，并进行标准化处理；

利用磨损量和标准化处理后的特征信号矩阵构建数据集，并按比例划分成测试集和训练集；

构建多层次加权自编码器网络，并利用训练集对多层次加权自编码器网络进行分层次无监督训练和有监督微调；

将训练之后的多层次加权自编码器网络作为软测量模型，利用软测量模型对刀具磨损量进行预测；

特征信号矩阵的表达式为，其中/>表示/>方向的切削力信号，/>表示/>方向的切削力信号，/>表示/>方向的切削力信号，/>表示/>方向的振动信号；/>表示/>方向的振动信号，/>表示/>方向的振动信号，/>表示刀具进给速度，/>表示刀具回转角速度；时域特征包括最大值、平均值、峰谷值、方差、标准差、均方根、偏度以及峭度；频域特征包括重心频率、均方频率和频率方差；

多层次加权自编码器网络由3个深层自编码器逐层连接组成，每个深层自编码器包括依次设置的输入层、第一全连接层、第一Dropout层、第二全连接层、第二Dropout层以及输出层，每个深层自编码器的数学模型为：

，

式中，输入和输出均为，/>为第一全连接层/>的输出结果，/>为第一Dropout层的输出结果，/>为第二全连接层/>的输出结果，/>为第二Dropout层；

利用训练集对多层次加权自编码器网络进行分层次无监督训练和有监督微调包括：

将标准化后的信号特征矩阵作为多层次加权自编码器网络的输入项，将对应的刀具磨损量作为多层次加权自编码器网络的输出项，依次训练3个深层自编码器逐层；第一个深层自编码器训练完后，将第一个深层自编码器逐层的特征隐藏层作为第二个深层自编码器逐层的输入数据；以此类椎，逐层地训练直到最后一个深层自编码器逐层，获得多层次加权自编码器网络的各层网络参数；

在训练过程中，通过迭代的方式最小化损失函数，直到多层次加权自编码器网络的各层网络参数收敛或者达到最大迭代次数；

损失函数基于欧式距离函数和余弦相似距离函数，表达式为：

，

式中，为欧式距离函数损失，/>为余弦相似距离函数损失，/>表示样本数量，/>表示刀具磨损软测量估计值，/>表示刀具磨损真实值，/>、/>分别表示欧式距离函数损失和余弦相似距离函数损失的权重因子；

在多层次加权自编码器网络训练过程中，利用隐单元门控选择层计算多层次加权自编码器网络中各编码器隐藏层的权重因子，根据权重因子确定刀具磨损量；其中，隐单元门控选择层的计算表达为：

，

式中，和/>分别表示隐单元门控选择层的神经元权重，/>和/>分别表示偏差，/>表示隐藏层神经元的数值；

构建软测量模型后还包括：

生成软测量计算任务，将计算任务卸载至边缘计算处理器，在边缘计算处理器嵌入软测量模型参数，对刀具磨损软测量结果进行分析和存储；基于知识图谱和机器学习确定刀具磨损的风险等级及对应的风险管理措施；预先在边缘计算处理器设置磨损安全阈值，当刀具磨损风险等级大于磨损安全阈值时，边缘计算处理器进行实时预警；并利用可视化显示将刀具磨损量预测值在显示器上实时显示为波形图形。

2.根据权利要求1所述的一种面向小样本噪声数据的刀具磨损软测量方法，其特征在于，利用无线通讯方式将切削力信号、振动信号、刀具进给速度、刀具回转角速度数据以及磨损量传输至汇聚节点，再通过有线传输方式从汇聚节点传输至边缘计算处理器包括：

利用ZigBee构成无线数据传输网络，利用微控制器控制数据传输的路径，传感器通过无线数据传输网络将采集到的刀具信号传输至汇聚节点，最终通过串口光纤通信的有线传输方式将数据传输到边缘计算处理器。