基于SSA-VMD和BiLSTM的刀具磨損狀態(tài)識別*

劉子旭，劉德平

(鄭州大學機械與動力工程學院，鄭州 450001)

0 引言

刀具作為機床的關(guān)鍵部件其磨損狀態(tài)對加工質(zhì)量有著巨大的影響。刀具失效導致了機床高達20%的故障停機時間，并且占據(jù)了15%～40%不等的生產(chǎn)維護成本[1]，因此及時掌握刀具磨損狀態(tài)對生產(chǎn)過程十分重要。

刀具的磨損和失效機理十分復雜，與工件的材料、切削三要素、使用時間、人工操作都有直接關(guān)聯(lián)[2]，很難建立數(shù)學模型。而加工過程中刀具的振動信號與刀具狀態(tài)有很好的關(guān)聯(lián)性[3]，本文通過獲取刀具加工過程中的振動信號特征，實現(xiàn)對刀具磨損狀態(tài)的識別。

現(xiàn)階段振動信號領(lǐng)域的分析方法主要有小波分析、經(jīng)驗模態(tài)分解、局部均值分解等[4]。為了更好的處理非線性非平穩(wěn)信號，DRAGOMIRETSKIY等[5]提出了一種新的時頻分析方法變分模態(tài)分解(VMD)。有效避免了模態(tài)混疊和噪聲敏感的問題。焦博隆等[6]將VMD用于轉(zhuǎn)子裂紋的檢測，其降噪后頻譜能充分反映信號的頻率特征。陳鵬等[7]將VMD與改進閾值相結(jié)合，通過希爾伯特普分析軸承故障狀態(tài)。蔡力鋼等[8]利用VMD降噪并結(jié)合SVM用于刀具磨損狀態(tài)的監(jiān)測。但由于VMD的分解效果很大程度上取決于分解個數(shù)K和懲罰因子α的選擇，因此實現(xiàn)VMD降噪的關(guān)鍵在于如何確定最優(yōu)參數(shù)組合[K,α]。

降噪之后需要利用提取的特征進行模式識別。隨著硬件計算速度的提升，深度學習憑借著強大的特征學習能力和可移植性在工程領(lǐng)域得到了廣泛應用[9]。長短期記憶網(wǎng)絡(luò)由于對時間序列信號敏感，在刀具磨損預測領(lǐng)域取得了不錯的進展[10]。吳飛等[11]將LSTM應用到刀具磨損狀態(tài)分類，取得了較高的準確率。何彥等[12]將LSTM用于刀具磨損在線監(jiān)測，提高了預測精度。但LSTM只能單向訓練數(shù)據(jù)序列[13]，現(xiàn)尋求一種同時從前后兩個方向訓練數(shù)據(jù)的方法。

針對上述問題，研究一種基于SSA、VMD和BiLSTM的刀具磨損狀態(tài)識別模型。SSA優(yōu)化VMD解決了參數(shù)選擇困難的問題，將BiRNN和LSTM相結(jié)合，設(shè)計了BiLSTM模型，利用BiLSTM的學習和預測能力，對刀具磨損狀態(tài)進行識別。同時采用正則化防止模型出現(xiàn)過擬合。實驗結(jié)果表明，與傳統(tǒng)LSTM相比該模型具有更高的準確率和穩(wěn)定性。

1 理論基礎(chǔ)

1.1 松鼠覓食算法

松鼠覓食算法(squirrel search algorithm，SSA)是一種新穎的全局仿生優(yōu)化算法，具有收斂快尋優(yōu)強的特點[14]。算法主要步驟如下：

步驟1：松鼠參數(shù)初始化，第i只松鼠的位置通過矢量確定，用下列矩陣表示。

(1)

FSij為第i只松鼠第j維的值，由式(2)確定。

FSij=FSiL+U(0,1)×(FSi,U-FSi,L)

(2)

式中，F(xiàn)Si,U和FSi,L為第j維的上界和下界。

步驟2：根據(jù)式(3)計算每只松鼠適應度值。

(3)

步驟3：計算每只松鼠位置所對應的適應值，按升序排列，依次分配到山核桃樹、橡樹和普通樹上。

步驟4：沒有天敵時松鼠移動覓食共有3種情況，按照式(4)～式(6)計算。有天敵時松鼠只在限定范圍內(nèi)移動。

第1種情況，松鼠從橡樹向山核桃樹移動。

(4)

第2種情況，松鼠從普通樹向橡樹移動。

(5)

第3種情況，松鼠從普通樹向山核桃樹移動。

(6)

步驟5：根據(jù)式(7)和式(8)計算季節(jié)常量和季節(jié)變化條件。檢測季節(jié)變化，防止算法陷入局部最優(yōu)。

(7)

(8)

式中，t和tm分別為當前和最大迭代值；Smin的大小可以平衡全局搜索和局部搜索。如果滿足季節(jié)變化條件，普通樹上的松鼠位置按式(9)隨機改變。

(9)

式中，Levy為列維分布。

1.2 變分模態(tài)分解

變分模態(tài)分解(variational mode decomposition，VMD)是一種自適應信號處理方法，通過迭代的方式搜尋最優(yōu)變分模型，確定每個模態(tài)分解的中心頻率和頻帶寬度[15]。將信號一次分解成多個單分量調(diào)幅調(diào)頻信號。假定將原信號分解為K個分量，則對應的約束變分模型表達式如下：

(10)

式中，{uk}={u1,u2,…,uk}為K個IMF分量；{ωk}={ω1,ω2,…,ωk}為各分量的頻率中心。

求取上述約束變分問題的最優(yōu)解，引入如下形式的增廣Lagrange函數(shù)，即：

(11)

式中，α為懲罰參數(shù)；λ(t)為Lagrange乘子。

(12)

(13)

(14)

直到滿足式(15)迭代停止條件，求解結(jié)束，得到K個具有限帶寬的模態(tài)分量。

(15)

1.3 長短期記憶網(wǎng)絡(luò)

LSTM(long short term memory)長短期記憶網(wǎng)絡(luò)是為了解決梯度消失問題提出的一種改進的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)，它獨特的門控循環(huán)單元(GRU)很好的改善了信息的選擇，提高了對信息累計速度的控制，傳遞信息的數(shù)據(jù)流向如圖1所示。

圖1 長短期記憶網(wǎng)絡(luò)模型圖

ft=σ(Wf·[ht-1,xt]+bf)

(16)

it=σ(Wi·[ht-1,xt]+bi)

(17)

ot=σ(Wa·[ht-1,xt]+ba)

(18)

(19)

(20)

ht=ot*tanh(Ct)

(21)

1.4 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)

Bidirectional RNN是改進的RNN模型，通過加入反向循環(huán)層使得模型可同時從前后兩個方向?qū)斎霐?shù)據(jù)進行特征學習和預測，有利于掌握數(shù)據(jù)的整體信息。模型結(jié)構(gòu)如圖2所示。

圖2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型圖

正向連接從時間步1迭代到T，反向連接從時間步T迭代到1，這樣在一個序列節(jié)點處能同時獲得信號序列某點前后的信息，具體的計算過程如下：

(22)

(23)

(24)

2 構(gòu)建刀具磨損狀態(tài)識別模型

2.1 SSA優(yōu)化VMD參數(shù)

VMD抗噪聲干擾且具有較好的數(shù)據(jù)分解精度，但是其懲罰因子α和分解個數(shù)K的不同參數(shù)組合會對分解結(jié)果產(chǎn)生較大的影響。因此采用SSA對VMD的兩個參數(shù)進行全局尋優(yōu)，避免人為選擇參數(shù)的不確定性，使信號分解達到更好的效果。

適應度函數(shù)的選擇決定了SSA優(yōu)化VMD參數(shù)的效果的好壞。包絡(luò)熵作為一種評價信號稀疏性的標準，能夠很好地反映出振動信號的不確定度。如果刀具的振動信號干擾較多，則信號有較弱的稀疏性，包絡(luò)熵的值較大；如果刀具的振動信號干擾較少，則信號具有較強稀疏性，包絡(luò)熵的值較小[16]。因此SSA優(yōu)化VMD參數(shù)時選擇包絡(luò)熵作為適應度函數(shù)。圖3是SSA尋優(yōu)VMD參數(shù)[K,α]的流程圖。

圖3 SSA優(yōu)化VMD參數(shù)流程圖

主要步驟如下：

步驟1：設(shè)定初始參數(shù)，最優(yōu)解[K,α]設(shè)為松鼠個體的位置，K和α的取值范圍分別是[1,10]和[0,3000]，確定包絡(luò)熵為適應度函數(shù)，種群數(shù)量取100，最大迭代次數(shù)取1000，維度為2，摩擦阻力系數(shù)CD=0.6。

步驟2：初始化種群位置，計算各個位置松鼠的適應度函數(shù)值，升序排列，按照式(4)～式(6)進行位置更新，同時計算季節(jié)檢測值，若滿足季節(jié)變化條件，松鼠位置按照式(9)進行更新，列維分布幫助算法更好的進行全局搜索。

步驟3：重復上述步驟直至滿足最大迭代次數(shù)，優(yōu)化結(jié)束，輸出山核桃樹上的松鼠位置作為全局最優(yōu)解[K,α]。將上一步得到的[K,α]輸入VMD，對信號進行分解，并對信號進行重構(gòu)。

2.2 構(gòu)建BiLSTM模型

雙向長短期記憶網(wǎng)絡(luò)(bidirectional long short term memory，BiLSTM)是LSTM的改進模型，同時引入前向和反向過程，使得LSTM分別從前后兩個方向?qū)π盘栠M行處理，提高了信號的前后關(guān)聯(lián)性，有利于模型學到更多的特征。模型結(jié)構(gòu)示意圖如圖4所示。

圖4 BiLSTM模型圖

2.3 SSA-VMD-BiLSTM刀具磨損狀態(tài)識別模型

SSA-VMD-BiLSTM刀具磨損預測模型如圖5所示。

圖5 刀具磨損識別模型圖

刀具磨損識別的主要步驟如下：

步驟1：采集加工過程中刀具的振動信號；

步驟2：采用SSA優(yōu)化VMD的參數(shù)，用VMD將振動信號分解為若干模態(tài)分量；

步驟3：將模態(tài)分量與原始信號和重構(gòu)信號聯(lián)合構(gòu)建樣本集；

步驟4：構(gòu)建BiLSTM模型，輸入數(shù)據(jù)訓練，調(diào)整模型參數(shù)，尋找最優(yōu)模型；

步驟5：輸出識別結(jié)果。

3 實驗驗證

3.1 實驗數(shù)據(jù)

實驗在數(shù)控機床CAK3675V上進行，用93°外圓車刀對圓柱狀材料進行車削加工，加速度傳感器固定在刀具的水平和豎直方向，使用傳感器采集刀具加工過程中的振動信號。通過電荷放大器和數(shù)據(jù)采集卡將信號輸入到計算機中進行分析并保存。圖6為具體的實驗裝置，表1為實驗設(shè)備參數(shù)。

圖6 實驗裝置

表1 實驗設(shè)備參數(shù)

根據(jù)數(shù)控車床和材料參數(shù)設(shè)計切削加工工藝參數(shù)組合如表2所示。對兩種材料做切削加工實驗，共分為6組。

表2 實驗加工參數(shù)

本實驗根據(jù)ISO標準[17]最終確定當該車刀后刀面磨損值達到0.3 mm時，判定刀具磨鈍。定制4種磨損狀態(tài)刀具各兩把，表3為具體參數(shù)，圖7為實驗采用的正常磨損狀態(tài)的刀具圖。

圖7 刀具磨損圖

表3 刀具磨損階段劃分 (mm)

每種刀具狀態(tài)2把車刀，分別采用表2的6種加工工藝參數(shù)進行實驗，每次走刀1 min，走刀2次。每種磨損狀態(tài)共2×6×2=24組數(shù)據(jù)，4種狀態(tài)一共得到4×24=96組實驗數(shù)據(jù)。

3.2 數(shù)據(jù)處理

為了更好地對刀具磨損狀態(tài)做分類，將信號進行降噪和擴充處理。首先以包絡(luò)熵為適應度函數(shù)，用SSA算法優(yōu)化VMD參數(shù)，參數(shù)初始值如表4所示。

表4 SSA優(yōu)化VMD初始參數(shù)

SSA優(yōu)化VMD之前松鼠的初始位置分布如圖8左所示，經(jīng)過尋優(yōu)之后得到點[4,1834]如圖8右所示。所以得到最優(yōu)的參數(shù)組合[K,α]=[4,1834]。

圖8 粒子分布圖

接著將最優(yōu)參數(shù)組合代入VMD，對采集到的磨鈍失效刀具振動信號進行分析，VMD分解得到信號的4組模態(tài)分量如圖9所示，成功提取出信號特征。接著對分解完的信號進行重構(gòu)得到降噪后的信號頻域圖如圖10b所示。通過對比降噪前后的信號可以發(fā)現(xiàn)降噪后的信號頻率特征更明顯，說明去除了部分噪聲，同時刀具振動信號的特征得以保留。

圖9 IMF分量圖

(a) 原始信號

(b) 降噪信號圖10 刀具信號頻域圖

接著將降噪前原始信號、降噪后重構(gòu)信號和4組模態(tài)分量共同組成6×1原始數(shù)據(jù)集。對每一組數(shù)據(jù)不重復的取2048個點為一個數(shù)據(jù)單元，每組數(shù)據(jù)選取1000個數(shù)據(jù)單元，所以每類樣本集尺度為1000×6，所以每種磨損狀態(tài)共24×1000×6=144 000個數(shù)據(jù)單元，4種磨損狀態(tài)的刀具振動信號均按照上述方法處理，總數(shù)據(jù)單元為4×24×1000×6=576 000個數(shù)據(jù)單元。分別打上標簽，打亂所有樣本并按照[0.8,0.2]的比例劃分訓練集、測試集，處理之后的數(shù)據(jù)集參數(shù)如表5所示。

表5 數(shù)據(jù)集分組

3.3 SSA-VMD-BiLSTM刀具磨損識別模型實驗

實驗采用tensorflow2.0中的keras框架搭建，使用訓練集訓練模型，并在測試集上進行評估。BiLSTM模型主要參數(shù)如表6所示。

表6 BiLSTM模型主要參數(shù)

分別將原始信號與經(jīng)過SSA-VMD降噪處理后的信號輸入到刀具磨損識別模型當進行訓練，迭代100次得到圖11～圖14。通過分析可以發(fā)現(xiàn)經(jīng)過降噪處理后的信號訓練損失值和準確率變化更平滑且能較快達到最優(yōu)的訓練效果。同時降噪后的信號在迭代40次之后損失和準確率的波動更小，模型也更加穩(wěn)定。

圖11 降噪前信號訓練損失圖 圖12 降噪前信號訓練準確率圖

圖13 降噪后信號訓練損失圖 圖14 降噪后信號訓練準確率圖

進一步的將模型訓練次數(shù)增加到200次，模型達到最優(yōu)。用測試集測試，分別求得優(yōu)化前和優(yōu)化后模型的損失和準確率。經(jīng)計算得降噪后信號的模型損失率降低了2.13%，準確率提高了1.64%，結(jié)果說明VMD降噪有助于刀具磨損狀態(tài)識別。

3.4 識別結(jié)果與對比分析

為了進一步驗證BiLSTM模型性能，與傳統(tǒng)的LSTM模型對比。每種模型分別做10次實驗，得到準確率折線圖如圖15所示。

圖15 準確率折線圖

BiLSTM模型準確率10次中9次高于LSTM，且最高準確率也來自BiLSTM模型，因此BiLSTM更適合刀具磨損狀態(tài)識別。

4 結(jié)論

本文研究了一種SSA-VMD-BiLSTM的刀具磨損狀態(tài)識別模型。首先SSA優(yōu)化VMD參數(shù)，利用優(yōu)化后的VMD對信號進行降噪，然后構(gòu)建信號特征矩陣輸入到BiLSTM模型中學習，通過Softmax分類器對刀具磨損狀態(tài)進行分類。得到的結(jié)論如下：

(1)SSA能很好地優(yōu)化VMD超參數(shù)，提升VMD分解效果，降低信號的噪聲，利用VMD算法處理振動信號具有可行性。

(2)相比傳統(tǒng)的LSTM，BiLSTM模型能更好的處理時序信號的前后關(guān)聯(lián)性，提取深層次的時序特征，提高了數(shù)控車床刀具磨損狀態(tài)識別的準確率和穩(wěn)定性。