基于帶閾值模塊一維殘差網(wǎng)絡的刀具磨損監(jiān)測方法

郭保蘇, 韓天杰, 張 宇, 吳鳳和

(燕山大學 機械工程學院,河北 秦皇島 066004)

1 引 言

在生產(chǎn)過程中應用刀具監(jiān)測系統(tǒng)實時掌握刀具磨損狀態(tài),自動判斷是否需要換刀,是充分利用刀具使用壽命的關鍵[1]。Rehorn A G等[2]發(fā)現(xiàn)有刀具監(jiān)測系統(tǒng)的加工生產(chǎn)既能提高10%～50%的加工效率,又能降低10%～40%的成本。因此,使用刀具監(jiān)測系統(tǒng)對生產(chǎn)加工具有重要意義。

刀具磨損監(jiān)測最常用的方法是間接法[3]。間接法通過采集與刀具磨損有關的信號,建立信號與刀具磨損之間的映射關系,適合實時監(jiān)測。但是間接法存在兩個缺點:當傳感器采集信號時,易受環(huán)境噪聲影響,導致信噪比較低；在同一工況下,不同機床的傳感器安裝位置無法保證完全相同,會造成彼此采集的信號存在偏差。為了解決信噪比過低的問題,需要進行信號處理,信號處理方法包括時頻域分析、傅里葉變換、小波分解等。雖然采集的信號是時域信號,但是刀具發(fā)生磨損時會伴隨著頻率的改變,小波分解可以對信號的時域和頻域進行分析,而且小波分解優(yōu)于傅里葉變換[4]。為了解決信號偏差問題,可以使用深度學習自動提取信號的共性特征。

刀具磨損監(jiān)測與預測通常先對采集到的信號進行處理,再傳入到深度學習模型中進行訓練學習[5～12],如:Wang J J等[5]提出一種基于GRU模型混合預測的方法,從信號的時頻域中提取不同的特征傳到模型中,獲得刀具磨損的監(jiān)測與預測結果；Sun H B等[8]提出一種基于深度學習的刀具狀態(tài)監(jiān)測和預測方法,對在線采集的信號進行小波分解后傳入到模型當中,獲得當前的刀具磨損值并預測未來值。

噪聲經(jīng)小波變換后依舊屬于高斯白噪聲[13],因此,只對刀具信號進行小波分解是不夠的。Donoho D L等[14]提出了一種小波閾值降噪的方法。選擇閾值的方法主要分為兩類:全局閾值法[15]和自適應閾值法[16],但是這些方法計算的閾值不一定準確,如果閾值設置得過大,噪聲和刀具信號都會被濾去,造成信息丟失；如果閾值設置過小,依舊會保留一部分噪聲。準確選擇閾值對降噪處理是十分重要的。

針對刀具磨損狀態(tài)在線監(jiān)測需求,吳鳳和等[17]提出一種基于卷積門控循環(huán)神經(jīng)網(wǎng)絡的刀具磨損狀態(tài)在線監(jiān)測方法,具有較好的效果,其準確率達到97%。

本文提出一種基于帶閾值模塊一維殘差網(wǎng)絡的方法來監(jiān)測刀具磨損狀態(tài),閾值模塊可以隨著一維殘差網(wǎng)絡一起進行訓練,自動選擇合適的閾值。但是實際加工中只進行刀具磨損狀態(tài)監(jiān)測往往是不夠的,為此本文設計了基于雙向長短期記憶網(wǎng)絡(Bi-LSTM)的預測模型來預測刀具磨損值。

2 刀具磨損監(jiān)測方法

2.1 小波閾值降噪

本文選擇Symlet小波函數(shù)族中的smy8小波基函數(shù),對信號進行一維2層小波分解。Symlet小波函數(shù)族能減少信號分析時的相位失真[18]。

本文基于軟閾值函數(shù)進行降噪處理。由文獻[14]給出軟閾值函數(shù)公式,

(1)

式中:sgn(*)函數(shù)返回參數(shù)的正負號；τ為閾值。

2.2 閾值模塊

本文使用Zhao M H等[19]提出的閾值模塊,該模塊可以自動降噪。閾值模塊的結構如圖1所示,圖中w是數(shù)據(jù)的寬度,h是數(shù)據(jù)的高度,首先對輸入數(shù)據(jù)進行絕對值處理后傳入全局平均池化層獲得一維矢量,再經(jīng)過2層全連接層獲得縮放參數(shù)(Zhao M H的方法中第一層全連接層的輸出大小為h,本文將輸出大小擴大為2h,這樣的改變是為了讓閾值模塊學習到更多的內容),縮放參數(shù)經(jīng)過Sigmoid函數(shù)縮放到(0,1)的范圍,再與之前全局平均池化后的一維向量相乘,獲得一組閾值。

圖1 閾值模塊的結構

2.3 帶閾值模塊一維殘差網(wǎng)絡監(jiān)測模型

本文設計了帶閾值模塊一維殘差網(wǎng)絡,網(wǎng)絡結構如圖2所示。

圖2 帶閾值模塊一維殘差網(wǎng)絡結構

模型包含由卷積層、歸一化、激活函數(shù)組成的前學習摸塊和K個特征學習模塊,特征學習模塊是在殘差模塊中加入閾值模塊得到的。該模塊對傳入信號進行兩次歸一化、激活函數(shù)和卷積層處理(2個卷積層的卷積核大小均為3,第1個卷積層的步長為1,第2個卷積層的步長為2),處理后的數(shù)據(jù)傳入閾值模塊獲得一組閾值,按照這組閾值對數(shù)據(jù)進行閾值降噪,與最初池化處理后的傳入信號相加,最終經(jīng)過歸一化和激活函數(shù)處理后,傳入到全連接層輸出刀具磨損值。

閾值模塊加入到殘差模塊中,跟隨著模型一起訓練學習,可以自動獲得最佳閾值,進行降噪處理。該一維殘差網(wǎng)絡模型通過訓練,調整到最佳參數(shù)的過程,就是模型對刀具磨損信號自動降噪和特征提取的過程,該過程既簡單,又高效。

2.4 基于雙向長短期記憶網(wǎng)絡預測模型

本文提出了一種基于雙向長短期記憶網(wǎng)絡的在線預測方法,模型結構和預測流程如圖3所示。5個由監(jiān)測模型連續(xù)輸出的刀具磨損值輸入到預測模型中,得到1個未來的刀具磨損值。預測模型由兩個Bi-LSTM和一個全連接層組成。

圖3 雙向長短期記憶網(wǎng)絡模型結構和預測流程

2.5 刀具磨損監(jiān)測和預測方法

刀具磨損值分為x軸、y軸和z軸方向,信號也分為這3個方向。為了確保各個信號不相互影響,監(jiān)測x軸的刀具磨損值時,模型只輸入x方向的切削力信號、x方向的振動信號和聲發(fā)射信號(所有信號都進行小波處理,并按照第二層小波分解低頻部分、第二層小波分解高頻部分和第一層小波分解高頻部分的順序傳入)。離線信號按照8:2的比例劃分訓練集和驗證集,信號經(jīng)小波分解傳入模型進行訓練,當驗證集的平均絕對誤差小于1.5時,模型完成訓練,保存訓練好的模型并應用到在線監(jiān)測,在線監(jiān)測信號進行與離線信號相同的信號處理,傳入模型得到刀具磨損值,最后把監(jiān)測結果輸入到預測模型獲得刀具磨損的預測值。

同樣,y軸和z軸方向的刀具磨損值監(jiān)測和預測系統(tǒng)也按此方法進行,監(jiān)測與預測流程如圖4所示,圖4中MAE為平均絕對誤差。

圖4 刀具磨損監(jiān)測與預測流程

3 刀具磨損監(jiān)測實驗結果與分析

3.1 實驗數(shù)據(jù)

本實驗數(shù)據(jù)來源于文獻[20]高速數(shù)控銑床刀具磨損數(shù)據(jù)集,數(shù)據(jù)集包括切削力、振動和聲發(fā)射信號。

實驗中共收集了6把銑刀(C1～C6)的數(shù)據(jù),每把刀都有315組數(shù)據(jù),C1、C4、C6采集到的數(shù)據(jù)為訓練集,C2、C3、C5采集到的數(shù)據(jù)為測試集,由于比賽網(wǎng)站未公開測試集的刀具磨損值,本文基于C1、C4、C6銑刀采集到的數(shù)據(jù)進行研究。

3.2 實驗設計

在進行實驗之前,先對刀具磨損數(shù)據(jù)集進行2層小波分解并按照刀具磨損值賦予標簽,對C1、C4、C6數(shù)據(jù)集按照8:2的比例設置訓練集和測試集。

為驗證本文提出的方法可行,共進行了2組實驗。

實驗1:驗證本文提出的監(jiān)測模型效果,訓練了3個網(wǎng)絡模型進行對比,分別是帶閾值模塊一維殘差網(wǎng)絡模型、不帶閾值模塊的一維殘差網(wǎng)絡模型、和簡單的卷積神經(jīng)網(wǎng)絡模型(分別稱為模型1、模型2、模型3)。

實驗2:驗證預測模型的效果,訓練了基于雙向長短期記憶網(wǎng)絡模型(模型4)。

為了保證實驗的準確性,優(yōu)化算法使用Adam優(yōu)化算法,應用學習率衰減。損失函數(shù)選擇均方根誤差RMSE函數(shù),

(2)

評價標準為準確率和平均絕對誤差MAE函數(shù),

(3)

(4)

3.3 實驗結果分析

按照實驗設計,分別訓練了上文提到的4個模型,見圖5,圖6,圖7。圖5中的(a),(b),(c)圖分別為模型1的C1、C4和C6數(shù)據(jù)集的監(jiān)測值和真實值曲線；圖6中的(a),(b),(c)圖分別為模型2的C1、C4和C6數(shù)據(jù)集的監(jiān)測值和真實值曲線；圖7中的(a),(b),(c)圖分別為模型3的C1、C4和C6數(shù)據(jù)集的監(jiān)測值和真實值曲線。

圖5 模型1的C1,C4,C6數(shù)據(jù)集的監(jiān)測值和真實值曲線

圖6 模型2的C1,C4,C6數(shù)據(jù)集的監(jiān)測值和真實值曲線

圖7 模型3的C1,C4,C6數(shù)據(jù)集的監(jiān)測值和真實值曲線

表1分別為模型1、模型2、模型3和模型4的RMSE值、MAE值和準確率。

表1 模型1,2,3和4的RMSE值,MAE值和準確率

由圖5,圖6和圖7可知:模型1的監(jiān)測曲線波動最小,且跳動點個數(shù)最少。

由表1對比可知,模型1的監(jiān)測效果在3種模型中表現(xiàn)最好,與模型2和模型3相比,準確率分別提高了0.327%和1.697%,且RMSE值和MAE值大幅下降。

對比實驗也證明了閾值模塊通過對信號降噪處理提升了一維殘差網(wǎng)絡模型對刀具磨損信號的特征提取能力,進而提高了刀具監(jiān)測模型的準確率。本文設計的預測模型預測精度較高,RMSE和MAE平均值分別為0.117和0.024。

4 結束語

本文針對加工中刀具磨損監(jiān)測和預測問題,分別提出了基于帶閾值模塊一維殘差網(wǎng)絡的監(jiān)測方法和基于長短期記憶網(wǎng)絡的預測方法,該方法的監(jiān)測效果和預測效果顯著,實驗結果表明:

(1)監(jiān)測模型的閾值模塊可以自動對數(shù)據(jù)進行閾值降噪,解決了由于閾值選擇不準造成的信號缺失或冗雜等問題,也提升了模型的特征提取能力,進而提高了模型的刀具磨損監(jiān)測效果。實驗證明:本文提出的監(jiān)測模型在刀具磨損監(jiān)測表現(xiàn)優(yōu)于其他對比模型。

(2)由于傳感器采集到的信號都不可避免地含有噪聲,因此帶閾值模塊一維殘差網(wǎng)絡還可以應用到其他通過分析信號來解決問題的研究中,例如故障診斷等。

(3)本文提出的基于雙向長短期記憶網(wǎng)絡的預測模型能準確預測出刀具磨損值,滿足在線預測的要求。

由于本文的實驗無法保證每把刀的實驗條件完全相同(如傳感器的安裝位置無法保證一致,環(huán)境影響因素也不同),因此導致了實驗中各組刀具磨損值的幅值不同,模型在進行兩把刀作為訓練集,另一把刀作為測試集的實驗中,效果不理想。多工況刀具磨損狀態(tài)監(jiān)測與預測將是后續(xù)工作研究的重點。