基于GA-LightGBM的刀具磨損狀態(tài)在線識(shí)別*

朱云偉，黃海松，魏建安

(貴州大學(xué)現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，貴陽(yáng) 550025)

0 引言

車削過程中[1]，刀具、工件以及在車削過程中產(chǎn)生的切屑，三者之間相互接觸相互作用，刀具就會(huì)逐漸出現(xiàn)磨損以至破損的情況[2]。由此刀具失效引發(fā)的事故極大限制了車削加工的工作效率，造成了經(jīng)濟(jì)損失。因而對(duì)刀具磨損狀態(tài)進(jìn)行實(shí)時(shí)的監(jiān)測(cè)就顯得尤為重要。目前眾多刀具磨損狀態(tài)識(shí)別的研究中，機(jī)器學(xué)習(xí)算法是公認(rèn)有效的預(yù)測(cè)性方法，其中針對(duì)振動(dòng)信號(hào)的數(shù)據(jù)信息使用較多且較為成熟的，如：支持向量機(jī)(Support Vector Machine, SVM)、BP 神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)、隱馬爾可夫模型(Hidden Markov Model, HMM )等[3]；再有就是利用振動(dòng)信號(hào)的波形作為圖片信息采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行訓(xùn)練之后對(duì)磨損狀態(tài)進(jìn)行識(shí)別[4]。但基于圖片信息的模型訓(xùn)練耗時(shí)過長(zhǎng)，很難應(yīng)對(duì)現(xiàn)實(shí)復(fù)雜多變的加工環(huán)境實(shí)現(xiàn)對(duì)刀具磨損狀態(tài)的實(shí)時(shí)監(jiān)測(cè)。因此尋求訓(xùn)練速度快精度高的機(jī)器學(xué)習(xí)模型十分必要。輕量級(jí)梯度提升機(jī)(Light Gradient Boosting Machine, LightGBM)是Boosting框架下的算法，具有極快的訓(xùn)練速度、占用內(nèi)存小等優(yōu)點(diǎn)[5]。

但鑒于LightGBM模型超參數(shù)眾多，人工調(diào)參會(huì)具有很大的局限性，故本文采用遺傳算法(Genetic Algorithm, GA)來優(yōu)化LightGBM模型，尋得在實(shí)驗(yàn)數(shù)據(jù)集上的最優(yōu)參數(shù)組合。

1 GA優(yōu)化LightGBM基本理論

1.1 遺傳算法

遺傳算法(Genetic Algorithm, GA)是進(jìn)化算法的一部分[6]，算法模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過程來搜索尋優(yōu)問題的最優(yōu)解。算法具有搜索效率高，魯棒性強(qiáng)，適于并行處理等優(yōu)點(diǎn)被廣泛用于各種優(yōu)化問題中，算法的基本步驟為：

(1)初始化0代種群G0。

(2)依據(jù)步驟①～⑤,對(duì)第i代種群Gi進(jìn)行迭代，直到滿足停止條件：

① 計(jì)算Gi中個(gè)體的適應(yīng)度Fi，并將Fi按大小進(jìn)行排序；

②在Gi中找到最佳Fi對(duì)應(yīng)個(gè)體加入到Gi+1中；

③依據(jù)Fi的大小排序在Gi中選擇兩個(gè)父本；

④依據(jù)基因變異概率Pe和交叉繁殖概率Pc進(jìn)行遺傳操作，新個(gè)體作為Gi+1；

⑤如果Gi+1的大小與Gi相持平，則i+1→i并重復(fù)步驟(2)，否則轉(zhuǎn)③。

(3)將最終種群G中適應(yīng)度F最好的個(gè)體作為算法結(jié)果。

1.2 基于GA的LightGBM優(yōu)化算法

LightGBM是微軟在2017年推出的一種機(jī)器學(xué)習(xí)模型。與傳統(tǒng)的Boosting算法比較，LightGBM的主要優(yōu)點(diǎn)：

(1)訓(xùn)練速度更快，效率更高。

(2)降低內(nèi)存使用率， 更好的準(zhǔn)確性。

(3)支持并行和GPU學(xué)習(xí)。

(4)能夠處理大規(guī)模數(shù)據(jù)。

(1)

其中用T個(gè)回歸樹Tt(x)(t=1,...,T)來近似獲取最終模型：

(2)

回歸樹Tt(x)(t=1,...,T)可以使用Wq(x)(q∈{1,2,...,J})表示，J表示葉子的數(shù)量，q為決策規(guī)則，W為葉子節(jié)點(diǎn)的權(quán)重。故LightGM可以在步驟t以加法形式訓(xùn)練，其損失為：

(3)

由于LightGBM模型的參數(shù)眾多，模型參數(shù)又將直接關(guān)系模型的訓(xùn)練速度、精度。因此為了該模型在本實(shí)驗(yàn)數(shù)據(jù)集上能夠進(jìn)行最優(yōu)化的訓(xùn)練和識(shí)別預(yù)測(cè)，本文采用遺傳算法來進(jìn)行模型優(yōu)化。其中優(yōu)化的是num_leaves、min_data_in_leaf、n_estimators、max_depth和learning_rate五個(gè)超參數(shù)。本文GA優(yōu)化LightGBM的總研究路線如圖1所示。

圖1 總研究路線

基于GA-LightGBM模型優(yōu)化過程的基本步驟為：

步驟1: 篩選出本實(shí)驗(yàn)數(shù)據(jù)集上對(duì)模型精度和時(shí)間影響較大的5個(gè)超參數(shù)。

步驟2: 根據(jù)LightGBM模型超參數(shù)的取值范圍對(duì)5個(gè)超參數(shù)進(jìn)行二進(jìn)制的DNA編碼。

步驟3: 將編碼好的超參數(shù)喂給LightGBM模型，以模型的錯(cuò)誤率e為目標(biāo)函數(shù)值進(jìn)行計(jì)算。

步驟4: 依據(jù)不同參數(shù)組合計(jì)算個(gè)體的適應(yīng)度值Fi，找出適應(yīng)度函數(shù)值最大的及其對(duì)應(yīng)的個(gè)體Gmax(Fi)。

步驟5: 依據(jù)輪盤賭算法選擇合適個(gè)體。

步驟6: 依Pe、Pc進(jìn)行基因變異和交叉繁殖操作產(chǎn)生新的子代，將新的子代喂給LightGBM模型進(jìn)行最優(yōu)選擇。

步驟7: 保存選擇的結(jié)果直至找到最優(yōu)解，輸出最優(yōu)參數(shù)組合。

步驟8: 以最佳參數(shù)組合建立GA-LightGBM模型，用于對(duì)刀具磨損狀態(tài)的識(shí)別。

2 實(shí)驗(yàn)過程及分析

2.1 刀具磨損監(jiān)測(cè)實(shí)驗(yàn)

實(shí)驗(yàn)使用WNMG080408-BM WS7125數(shù)控車刀，車削25CrMo鋼棒料(初始尺寸φ50 mm×250 mm),實(shí)驗(yàn)車床為C2-6136HK數(shù)控車床，采用DASP-V11振動(dòng)信號(hào)采集儀來監(jiān)測(cè)和采集刀具車削時(shí)的X、Y、Z軸的3個(gè)方向上的振動(dòng)信號(hào)，采樣頻率4 kHz～6 kHz。初始車削加工參數(shù)如表1所示。

表1 車削實(shí)驗(yàn)車削參數(shù)

實(shí)驗(yàn)以2 min為一組采集數(shù)據(jù)，并取下刀具進(jìn)行顯微觀測(cè)刀具后刀面的最大磨損值VBmax。刀具的磨損狀態(tài)和VB值的對(duì)應(yīng)關(guān)系如表2所示。

表2 刀具磨損狀態(tài)與VB值關(guān)系

實(shí)驗(yàn)中測(cè)量后刀面的VBmax值如圖2所示。(注：在急劇磨損后期，刀具達(dá)到磨鈍標(biāo)準(zhǔn)變鈍，切削區(qū)域溫度急劇上升，進(jìn)而出現(xiàn)凹坑處的粘結(jié)現(xiàn)象[7]。)

圖2 不同磨損狀態(tài)下刀具后刀面VBmax測(cè)量圖

在信號(hào)采集中除了實(shí)驗(yàn)車床在工作外，還有別的車床也在工作，故收集的信號(hào)數(shù)據(jù)存在噪聲干擾大、長(zhǎng)短不規(guī)整、部分可信度低等問題。故數(shù)據(jù)的預(yù)處理過程為先依據(jù)工業(yè)經(jīng)驗(yàn)選擇可信數(shù)據(jù)，之后通過小波系數(shù)閾值[8]去噪法對(duì)數(shù)據(jù)進(jìn)行去噪。圖3是信號(hào)的去噪效果(以X軸信號(hào)為例)。

圖3 小波閾值去噪效果

實(shí)驗(yàn)中，為使樣本數(shù)據(jù)的種類分布情況更加符合實(shí)際加工時(shí)的工況，將處理好的振動(dòng)信號(hào)制備成10 000(初期磨損)、40 000(中期磨損)、10 000(急劇磨損)共計(jì)60 000個(gè)不均衡樣本數(shù)據(jù)[9]，3種狀態(tài)的標(biāo)簽以0、1、2表示。以7：3的比例進(jìn)行訓(xùn)練、測(cè)試數(shù)據(jù)集的隨機(jī)劃分。圖4是搭建的實(shí)驗(yàn)平臺(tái)。

圖4 實(shí)驗(yàn)平臺(tái)

2.2 各模型的構(gòu)建

(1)GA-LightGBM預(yù)測(cè)模型的構(gòu)建

針對(duì)LightGBM模型的5個(gè)超參數(shù)進(jìn)行DNA的編碼，LightGBM模型是基于決策樹的集成算法模型，5個(gè)超參數(shù)之間相互影響。為防止同時(shí)搜索5個(gè)參數(shù)時(shí)，不同參數(shù)之間組合會(huì)產(chǎn)生矛盾問題，故本文在DNA編碼時(shí)根據(jù)不同參數(shù)特點(diǎn)引入不同常數(shù)C，來避免參數(shù)組合之間會(huì)產(chǎn)生此類問題。設(shè)置遺傳算法的繁殖代數(shù)100、種群數(shù)量G300、染色體總長(zhǎng)度22(5+4+5+3+5)、變異概率Pe為0.01、交叉繁殖概率Pc為0.6。參數(shù)的初始DNA編碼和最優(yōu)結(jié)果見表3所示。圖5是GA優(yōu)化LightGBM的結(jié)果(其中X軸橫坐標(biāo)為各參數(shù)的取值，Y軸縱坐標(biāo)表示LightGBM模型的錯(cuò)誤率)。

圖5 GA優(yōu)化LightGBM結(jié)果

表3 GA優(yōu)化LightGBM參數(shù)結(jié)果

表3中，C5是學(xué)習(xí)率的迭代系數(shù)，學(xué)習(xí)率的取值為0.01～0.3，且每次迭代0.01，故C5=(0.3-0.01)/(25-1)，其余常數(shù)C依據(jù)參數(shù)之間的相關(guān)特性進(jìn)行選擇。

(2)SVM、BP神經(jīng)網(wǎng)絡(luò)

本文中SVM(Support Vector Machines)支持向量機(jī)[10]的懲罰因子c為3，徑向基核函數(shù)(RBF)的核函數(shù)參數(shù)σ為8。BP神經(jīng)網(wǎng)絡(luò)[11]采用10層的隱藏層，非線性激化函數(shù)采用Sigmoid函數(shù)。如圖6是本文神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

圖6 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

2.3 實(shí)驗(yàn)分析

本實(shí)驗(yàn)在CPU為i5-8300H、內(nèi)存為8GB、GPU為GTX1050 Ti的計(jì)算機(jī)上進(jìn)行操作。本節(jié)中相關(guān)的算法模型，采用了基于Python語(yǔ)言的機(jī)器學(xué)習(xí)框架scikit-learn[12]和PyTorch[13]來編寫。并安裝了LightGBM的額外擴(kuò)展包。

在算法的評(píng)價(jià)指標(biāo)中以4個(gè)方面對(duì)相關(guān)算法進(jìn)行了綜合比對(duì)：

(1)訓(xùn)練集上的正確率：算法模型的識(shí)別結(jié)果與樣本類別進(jìn)行比對(duì)。便于對(duì)算法的學(xué)習(xí)效果有初步直觀的感知。

(2)測(cè)試集的正確率：

(4)

(3)模型耗時(shí)：機(jī)器學(xué)習(xí)模型識(shí)別刀具磨損狀態(tài)的相關(guān)研究中，很多學(xué)者對(duì)模型評(píng)價(jià)的標(biāo)準(zhǔn)中并未考慮模型耗時(shí)這一標(biāo)準(zhǔn)[14]?；诒疚纳鲜稣f明，故將模型的訓(xùn)練和識(shí)別時(shí)間作為評(píng)價(jià)標(biāo)準(zhǔn)。

(4)AUC值：

本文將預(yù)測(cè)標(biāo)簽矩陣L、標(biāo)簽矩陣對(duì)應(yīng)的概率矩陣P分別按行展開，轉(zhuǎn)置形成兩列，以此求得最終的ROC曲線和AUC值。AUC值來評(píng)判模型可以保證在樣本不均衡的情況下，依然對(duì)分類器做出合理的評(píng)價(jià)，該值越大表明模型分類效果越好。

本文實(shí)驗(yàn)每個(gè)模型在4個(gè)評(píng)價(jià)指標(biāo)中各進(jìn)行50次實(shí)驗(yàn)，取實(shí)驗(yàn)平均值作為最終結(jié)果。實(shí)驗(yàn)結(jié)果見表4及圖7。

表4 各模型在訓(xùn)練集上的精度

(a) 精度與耗時(shí)

(b) AUC值圖7 各模型比較結(jié)果

從實(shí)驗(yàn)結(jié)果中可以看出在訓(xùn)練集精度、測(cè)試集精度處在相同的區(qū)間下，GA優(yōu)化過的LightGBM在模型耗時(shí)、AUC值方面有著明顯優(yōu)勢(shì)。

2.4 模型驗(yàn)證

為了比較模型性能(模型耗時(shí)方面)，并為對(duì)數(shù)據(jù)進(jìn)行特征提取。為了驗(yàn)證GA-LightGBM模型的刀具磨損狀態(tài)識(shí)別精度，在與上文所述相同的加工條件下，采集新的樣本數(shù)據(jù)進(jìn)行模型驗(yàn)證。刀具的初期、正常、急劇磨損階段的樣本比例仍為1：4：1本次共計(jì)600個(gè)樣本。采用PCA(Principal Components Analysis)[15]進(jìn)行特征提取。與上文相同進(jìn)行50次實(shí)驗(yàn)后取平均值，其中提取特征后的樣本三維表達(dá)及X、Y、Z軸兩兩振動(dòng)信號(hào)特征組合下的二維分類結(jié)果如圖8所示。

(a) 特征提取后的三維表達(dá)

(b) X、Y軸為特征的分類結(jié)果

(c) Y、Z軸為特征的分類結(jié)果

(d) X、Z軸為特征的分類結(jié)果圖8 模型驗(yàn)證結(jié)果

結(jié)果表明GA-LightGBM模型的訓(xùn)練精度達(dá)到99.94%，測(cè)試集精度也達(dá)到了97.24%,實(shí)驗(yàn)驗(yàn)證了GA-LightGBM模型在刀具磨損狀態(tài)識(shí)別領(lǐng)域的優(yōu)越性。

3 結(jié)論

利用遺傳算法可并行組合優(yōu)化多參數(shù)的特點(diǎn)，對(duì)LightGBM模型的num_leaves、min_data_in_leaf、n_estimators、max_depth、learning_rate參數(shù)進(jìn)行組合優(yōu)化，獲得GA-LightGBM刀具磨損狀態(tài)預(yù)測(cè)模型。以訓(xùn)練集、測(cè)試集的正確率、模型耗時(shí)、AUC值4個(gè)指標(biāo)來評(píng)價(jià)模型。結(jié)果表明采用GA-LightGBM模型相較于SVM、BP神經(jīng)網(wǎng)絡(luò)等模型，具有更快的訓(xùn)練識(shí)別速度、更高的準(zhǔn)確度，為在線監(jiān)測(cè)提供了一個(gè)有利模型。

但在樣本數(shù)據(jù)獲取、預(yù)處理和制作過程中，需要花費(fèi)不少的人力和時(shí)間成本，這無疑不符合智能制造的要求。目前采用無監(jiān)督的聚類算法作為數(shù)據(jù)前期處理的一種手段，以減少相關(guān)的成本，有望成為一種可能的方法，這也是本文的下一步延展方向。