基于深度門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法

陳啟鵬，謝慶生，袁慶霓+，黃海松，魏 琴，李宜汀

(1.貴州大學(xué) 現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽(yáng) 550025；2.貴州大學(xué) 公共大數(shù)據(jù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽(yáng) 550025)

0 引言

機(jī)械智能故障診斷作為智能制造的關(guān)鍵組成，成為“中國(guó)制造2025”的重要內(nèi)容[1]。在機(jī)械加工過(guò)程中，切削加工是零件成形最主要的加工方式，刀具的磨損狀態(tài)將直接影響零件的加工精度、表面質(zhì)量以及生產(chǎn)效率。因此，刀具狀態(tài)監(jiān)測(cè)(Tool Condition Monitoring, TCM)技術(shù)對(duì)于保證加工質(zhì)量、實(shí)現(xiàn)連續(xù)自動(dòng)化加工具有非常重要的意義[2]。刀具狀態(tài)監(jiān)測(cè)方法分為直接測(cè)量法和間接測(cè)量法，直接測(cè)量法采用電阻測(cè)量法、光學(xué)測(cè)量法、放電電流測(cè)量法、射線測(cè)量法等，直接得到刀具的磨損值，但由于生產(chǎn)過(guò)程中受冷卻液等干擾影響，無(wú)法實(shí)時(shí)檢測(cè)加工過(guò)程中的刀具磨損狀態(tài)，在實(shí)際的工業(yè)生產(chǎn)中應(yīng)用較少；間接測(cè)量法采用切削力測(cè)量法[3]、聲發(fā)射[4]、機(jī)械功率測(cè)量法[5]、振動(dòng)信號(hào)[6]及多信息融合檢測(cè)[7]等，能在刀具切削過(guò)程中通過(guò)傳感器實(shí)時(shí)采集信號(hào)，經(jīng)過(guò)數(shù)據(jù)處理和特征提取后，采用BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)[8]、模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Networks, FNN)[8]、隱馬爾可夫模型(Hidden Markov Model, HMM)[9]、支持向量機(jī)(Support Vector Machine, SVM)[10]等機(jī)器學(xué)習(xí)(Machine Learning, ML)模型對(duì)刀具磨損量進(jìn)行監(jiān)測(cè)。傳統(tǒng)的機(jī)器學(xué)習(xí)模型受制于提取特征質(zhì)量的不穩(wěn)定性，需要相關(guān)的研究人員具備一定的經(jīng)驗(yàn)和技巧。同時(shí)，樣本的訓(xùn)練采用淺層結(jié)構(gòu)算法，模型的收斂速度不可控，容易陷入局部最優(yōu)解，而深度學(xué)習(xí)(Deep Learning, DL)的方法可以有效避免上述問(wèn)題帶來(lái)的影響。

深度學(xué)習(xí)在1986年被引入機(jī)器學(xué)習(xí)，在2000年被用于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)。深度學(xué)習(xí)使用多層次的非線性信息處理低層特征，以形成更加抽象的高層表示，用于有監(jiān)督或無(wú)監(jiān)督的特征學(xué)習(xí)、表示、分類(lèi)和模式識(shí)別[11]。深度學(xué)習(xí)模型是一個(gè)端到端的模型(end-to-end learning)，無(wú)需對(duì)原始數(shù)據(jù)進(jìn)行復(fù)雜的數(shù)據(jù)預(yù)處理，從而使得模型的構(gòu)建更為簡(jiǎn)潔。目前，深度學(xué)習(xí)方法已在工業(yè)領(lǐng)域嶄露頭角，并逐漸應(yīng)用到設(shè)備壽命預(yù)測(cè)[12]、故障診斷[13]、刀具狀態(tài)檢測(cè)[14-15]等方面。Zhang等[12]提出基于遷移學(xué)習(xí)及長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)的設(shè)備剩余壽命預(yù)測(cè)模型，通過(guò)預(yù)先在相關(guān)的不同設(shè)備剩余壽命預(yù)測(cè)數(shù)據(jù)集上進(jìn)行訓(xùn)練，針對(duì)目標(biāo)數(shù)據(jù)集微調(diào)網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練參數(shù)，實(shí)驗(yàn)結(jié)果表明遷移學(xué)習(xí)方法可以在只擁有少量樣本的前提下提升模型的預(yù)測(cè)精度;金棋等[13]提出基于深度學(xué)習(xí)多樣性特征提取與信息融合的行星齒輪箱故障診斷方法，利用多目標(biāo)優(yōu)化算法優(yōu)化多個(gè)堆棧去噪自動(dòng)編碼器(Stacked Denoising Autoencoder, SDAE),同時(shí)提取多樣性的故障特征，然后采用多響應(yīng)線性回歸模型集成多樣性故障特征實(shí)現(xiàn)信息融合，實(shí)驗(yàn)結(jié)果表明多樣性特征提取與信息融合的方法能有效提高故障診斷精度與穩(wěn)定性,具有較強(qiáng)的泛化能力;張存吉等[14]提出將加工過(guò)程中刀具的振動(dòng)信號(hào)通過(guò)小波包轉(zhuǎn)換(Wavelet Packet Transform, WPT)轉(zhuǎn)變?yōu)槟芰款l譜圖，然后輸入到卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)中自動(dòng)提取特征，并進(jìn)行準(zhǔn)確分類(lèi)，實(shí)驗(yàn)結(jié)果表明深度卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型;曹大理等[15]提出利用密集連接的方式構(gòu)建深度神經(jīng)網(wǎng)絡(luò)(DenseNet)，從原始的時(shí)序信號(hào)中自適應(yīng)地提取刀具加工信號(hào)中隱藏的微小特征，實(shí)驗(yàn)結(jié)果表明加深網(wǎng)絡(luò)層數(shù)有助于挖掘加工信號(hào)中隱含的高維特征，提高刀具磨損監(jiān)測(cè)模型的精度。綜上所述，深度學(xué)習(xí)方法已在工業(yè)領(lǐng)域嶄露頭角，逐漸應(yīng)用到刀具磨損狀態(tài)監(jiān)測(cè)方面并取得了一定的成效，基本解決了人工提取信號(hào)特征的缺點(diǎn)，但其使用的CNN過(guò)多依賴(lài)于高維度特征提取，卷積層數(shù)過(guò)多容易出現(xiàn)梯度彌散，卷積層數(shù)過(guò)少無(wú)法把握全局，且并未考慮刀具加工時(shí)產(chǎn)生時(shí)序信號(hào)樣本間的相關(guān)性這一重要特征。

本文提出一種基于深度門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，利用傳感器實(shí)時(shí)采集刀具加工過(guò)程中產(chǎn)生的時(shí)序信號(hào)，經(jīng)小波閾值去噪后帶入CNN中進(jìn)行平行局部特征抽取，然后帶入深度雙向門(mén)控循環(huán)單元(Bidirectional Gated Recurrent Unit, BiGRU)神經(jīng)網(wǎng)絡(luò)中對(duì)長(zhǎng)距離依賴(lài)信息進(jìn)行特征提取，利用Attention機(jī)制計(jì)算網(wǎng)絡(luò)權(quán)重并對(duì)其進(jìn)行合理分配，最后將不同權(quán)重的信號(hào)特征信息放入Softmax分類(lèi)器對(duì)刀具磨損狀態(tài)進(jìn)行分類(lèi)，避免因人工提取特征帶來(lái)的復(fù)雜性和局限性。該方法可以滿(mǎn)足實(shí)際工業(yè)生產(chǎn)中對(duì)刀具監(jiān)測(cè)的實(shí)時(shí)性和準(zhǔn)確性要求。

1 刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法

1.1 信號(hào)預(yù)處理

信號(hào)預(yù)處理作為刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法的重要組成部分，原始信號(hào)去噪效果的優(yōu)劣將直接影響刀具磨損狀態(tài)預(yù)測(cè)精度。加速度傳感器具有測(cè)量精度高、頻率和幅值響應(yīng)寬、易于安裝和監(jiān)測(cè)等優(yōu)點(diǎn)。由于采集信號(hào)直接來(lái)源于切削工作區(qū)，因此其靈敏度較高，響應(yīng)速度也更快。本文選用加速度傳感器采集刀具銑削時(shí)產(chǎn)生的三軸振動(dòng)信號(hào)用于磨損狀態(tài)檢測(cè)。實(shí)際采集到的數(shù)據(jù)存在長(zhǎng)度不等、噪聲干擾大、數(shù)據(jù)冗余等缺陷，需要對(duì)原始信號(hào)進(jìn)行去噪處理。

生產(chǎn)車(chē)間的加工設(shè)備和周?chē)h(huán)境的干擾會(huì)不可避免地產(chǎn)生隨機(jī)噪聲，這些噪聲在信號(hào)預(yù)處理時(shí)通常視為高斯白噪聲。較低的信噪比將影響后續(xù)算法的特征提取和磨損狀態(tài)檢測(cè)，為了削弱噪聲對(duì)檢測(cè)結(jié)果的影響，本文使用小波去噪方法對(duì)采集到的原始信號(hào)進(jìn)行去噪處理。小波分析具有多分辨率(多尺度)分析的特點(diǎn)，是一種窗口大小固定不變但時(shí)間窗和頻率窗都可以改變的時(shí)頻局部化分析方法。常用的小波去噪方法包括小波分解與重構(gòu)去噪法、小波系數(shù)閾值去噪法、小波變換模極大值去噪法，如表1所示為不同小波去噪方法優(yōu)缺點(diǎn)比較。

表1 不同小波去噪方法優(yōu)缺點(diǎn)比較表

刀具在加工過(guò)程中采集到的原始信號(hào)中信號(hào)和噪聲的頻帶無(wú)法確定，且去噪過(guò)程不考慮信號(hào)中含有的奇異點(diǎn)，對(duì)比不同的小波去噪法后，本文選用小波系數(shù)閾值去噪法對(duì)原始信號(hào)進(jìn)行去噪處理，如圖1所示為小波系數(shù)閾值去噪法的流程圖。

小波母函數(shù)和小波閾值的選取決定了小波系數(shù)閾值去噪法的性能，工程中常采用Daubechies(dbN)和Symlet(symN)小波母函數(shù)對(duì)振動(dòng)信號(hào)進(jìn)行去噪處理。小波閾值處理則常采用軟閾值和硬閾值兩種方法，采用硬閾值方法得到的小波系數(shù)在閾值處并不連續(xù)，這將導(dǎo)致重構(gòu)信號(hào)時(shí)可能產(chǎn)生附加震蕩，產(chǎn)生跳躍點(diǎn)，不具有原始信號(hào)的平滑性。采用軟閾值法得到的小波系數(shù)整體連續(xù)性好，從而使估計(jì)信號(hào)不會(huì)產(chǎn)生附加震蕩，經(jīng)過(guò)處理后的信號(hào)較為光滑，其表達(dá)式如下：

(1)

深度學(xué)習(xí)訓(xùn)練過(guò)程中需要足夠多的樣本數(shù)量，用以提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)質(zhì)量，信號(hào)去噪之后需縮小和統(tǒng)一樣本尺度，以滿(mǎn)足對(duì)檢測(cè)速度和樣本數(shù)量的需求。原始加工信號(hào)的數(shù)據(jù)樣本為長(zhǎng)序列周期性的時(shí)序信號(hào)，根據(jù)信號(hào)采樣原理，本文將每次刀具進(jìn)給產(chǎn)生的振動(dòng)信號(hào)裁剪為多個(gè)長(zhǎng)度為2 000的短序列時(shí)序信號(hào)，以減少網(wǎng)絡(luò)訓(xùn)練時(shí)的計(jì)算強(qiáng)度。同時(shí)，數(shù)據(jù)擴(kuò)充能在原有量級(jí)的數(shù)據(jù)基礎(chǔ)上增加實(shí)驗(yàn)數(shù)據(jù)，提高網(wǎng)絡(luò)的魯棒性，降低過(guò)擬合的風(fēng)險(xiǎn)。具體處理步驟為：截取每個(gè)采樣信號(hào)中連續(xù)的100 000個(gè)點(diǎn)，以2 000為樣本數(shù)量將截取點(diǎn)劃分為50個(gè)樣本，這50個(gè)樣本均對(duì)應(yīng)相同的磨損狀態(tài)標(biāo)簽。

1.2 刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)的神經(jīng)網(wǎng)絡(luò)模型

1.2.1 網(wǎng)絡(luò)模型的結(jié)構(gòu)

受文獻(xiàn)[16]啟發(fā)，本文將CNN和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)融合的機(jī)器學(xué)習(xí)方法應(yīng)用于刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)任務(wù)中，構(gòu)建包含CNN和BiGRU的CABGRUs(convolutional neural network and bidirectional gated recurrent units with attention mechanism)網(wǎng)絡(luò)模型，有效解決了單卷積神經(jīng)網(wǎng)絡(luò)忽略時(shí)序信號(hào)前后關(guān)聯(lián)的問(wèn)題，同時(shí)避免了循環(huán)神經(jīng)網(wǎng)絡(luò)梯度彌散和梯度爆炸問(wèn)題，將Attention機(jī)制的思想引入其中，進(jìn)一步提高了模型預(yù)測(cè)的準(zhǔn)確率。如圖3所示為基于CABGRUs刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

(1)單個(gè)時(shí)間步時(shí)序信號(hào)局部特征提取

本文采用一維CNN處理刀具加工過(guò)程中產(chǎn)生的時(shí)序信號(hào)，其卷積神經(jīng)網(wǎng)絡(luò)部分包括2層卷積層(Convolutional Layer, CONV)和1層池化層(Pooling Layer, POOL)，卷積層通過(guò)一維卷積運(yùn)算的方式將每一維度的時(shí)序信號(hào)進(jìn)行鄰域?yàn)V波以生成特征映射，每個(gè)特征圖可以被看作不同濾波器對(duì)當(dāng)前時(shí)間步時(shí)序信號(hào)的卷積操作[17]。當(dāng)輸入時(shí)序信號(hào)為x時(shí)，卷積核的權(quán)重向量為w，采樣總數(shù)為m，卷積核的大小為n，*表示卷積操作，卷積層的輸出特征圖y可以表達(dá)為：

(2)

在卷積層中，第l層的每一個(gè)神經(jīng)元都只和第l-1層的一個(gè)局部窗口內(nèi)神經(jīng)元相連，構(gòu)成一個(gè)局部連接網(wǎng)絡(luò)。一維卷積層的計(jì)算公式如下：

(3)

(4)

卷積層后面連接池化層，用于求取局部最大值或局部均值，即最大值池化(max pooling)和均值池化(mean pooling)[18]。池化層具有類(lèi)似于特征選擇的功能，可以保證特征在擁有抗變形能力的同時(shí)，達(dá)到降低特征維度，加快網(wǎng)絡(luò)訓(xùn)練速度，減少參數(shù)數(shù)量，提高特征魯棒性的目的。本文選用最大值池化對(duì)鄰域內(nèi)的特征點(diǎn)取最大值：

(5)

通過(guò)一維CNN對(duì)原始數(shù)據(jù)自適應(yīng)的特征提取，減少了后續(xù)網(wǎng)絡(luò)的輸入?yún)?shù)，計(jì)算速度得到提升。同時(shí)，特征圖在向量維度上有所減小，振動(dòng)信號(hào)的特征得到凸顯，便于后續(xù)的神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列特征提取。如圖4所示為一維卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)示意圖。

(2)時(shí)序信號(hào)時(shí)間序列特征提取

刀具加工過(guò)程中產(chǎn)生的原始信號(hào)存在時(shí)序關(guān)系，RNN網(wǎng)絡(luò)可以對(duì)時(shí)序信號(hào)時(shí)間序列進(jìn)行編碼，挖掘時(shí)間序列中相對(duì)較長(zhǎng)間隔的時(shí)序變化規(guī)律[19]。為了讓刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)模型更好地學(xué)習(xí)到時(shí)序信號(hào)間時(shí)間序列特征的依賴(lài)關(guān)系，提高模型分類(lèi)的準(zhǔn)確率，本文對(duì)現(xiàn)有的門(mén)控循環(huán)單元(Gated Recurrent Unit, GRU)神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)[20]，通過(guò)構(gòu)建兩個(gè)雙向GRU網(wǎng)絡(luò)共同疊加組成CABGRUs網(wǎng)絡(luò)同時(shí)，在CABGRUs網(wǎng)絡(luò)中引入Attention機(jī)制，增加Attention層，使模型既獲得了能從正向和反向同時(shí)提取時(shí)序信號(hào)特征的能力，又獲得了選擇性的學(xué)習(xí)信號(hào)特征中關(guān)鍵信息的能力。

本文構(gòu)建的CABGRUs網(wǎng)絡(luò)中，每個(gè)雙向GRU網(wǎng)絡(luò)包含256個(gè)神經(jīng)元，正向和反向GRU網(wǎng)絡(luò)均由128個(gè)神經(jīng)元組成，每個(gè)GRU神經(jīng)元包括更新門(mén)和重置門(mén)，分別使用zt和rt來(lái)表示。

rt=σ(xtWxr+ht-1Whr+br)，

(6)

zt=σ(xtWxz+ht-1Whz+bz)，

(7)

(8)

(9)

其中：Wxr和Whr表示重置門(mén)的權(quán)重向量;Wxz和Whz表示更新門(mén)的權(quán)重向量;Wxh和Whh表示候選隱藏狀態(tài)的權(quán)重向量;br、bz、bh表示偏置向量;⊙表示Hadamard乘積，即矩陣的點(diǎn)乘;σ(·)表示Sigmod函數(shù);tanh函數(shù)表示雙曲正切激活函數(shù)。

(10)

(11)

(12)

本文引入的Attention機(jī)制是一種類(lèi)似人類(lèi)視覺(jué)所特有的大腦信號(hào)處理機(jī)制，通過(guò)分配不同的初始化概率權(quán)重與BiGRU層的各個(gè)時(shí)間步輸出向量進(jìn)行加權(quán)求和，然后帶入Sigmod函數(shù)中，進(jìn)行最終的計(jì)算并得到數(shù)值，實(shí)現(xiàn)從大量信號(hào)特征中有選擇地過(guò)濾出部分關(guān)鍵信息并進(jìn)行聚焦。聚焦的過(guò)程體現(xiàn)在權(quán)重系數(shù)的計(jì)算上，對(duì)不同的關(guān)鍵信息分配不同的權(quán)重，以提升權(quán)重的方式來(lái)強(qiáng)化關(guān)鍵信息的比重，減少長(zhǎng)序列時(shí)序信號(hào)關(guān)鍵信息的丟失。Attention機(jī)制的計(jì)算公式如下[21]：

ut=tanh(WsPt+bs)，

(13)

(14)

ν=∑αtPt。

(15)

其中：Pt表示BiGRU層在時(shí)間步t時(shí)的輸出特征向量;ut表示Pt通過(guò)神經(jīng)網(wǎng)絡(luò)層得到的隱層表示;αt表示ut通過(guò)Softmax函數(shù)歸一化得到的重要性權(quán)重;us表示隨機(jī)初始化的上下文向量;ν表示最終文本信息的特征向量。us在訓(xùn)練過(guò)程中隨機(jī)生成，最后經(jīng)由Softmax函數(shù)將Attention層輸出值ν進(jìn)行映射，得到刀具磨損狀態(tài)的實(shí)時(shí)分類(lèi)結(jié)果。如圖6所示為CABGRUs網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

CABGRUs神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)包括時(shí)序信號(hào)和磨損狀態(tài)標(biāo)簽，時(shí)序信號(hào)的特征提取與表達(dá)通過(guò)2個(gè)卷積層、1個(gè)池化層、1個(gè)Flatten層、2個(gè)雙向BiGRU層、1個(gè)Attention層和2個(gè)全連接層實(shí)現(xiàn)。如表2所示為CABGRUs網(wǎng)絡(luò)參數(shù)設(shè)置表。

表2 CABGRUs網(wǎng)絡(luò)參數(shù)設(shè)置表

1.2.2 網(wǎng)絡(luò)模型的訓(xùn)練

本文的刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)模型中引入了Dropout技術(shù)，用以防止模型在訓(xùn)練過(guò)程中發(fā)生過(guò)擬合。網(wǎng)絡(luò)模型的激活函數(shù)采用Softmax，損失函數(shù)采用Categorical_crossentropy，對(duì)所獲得的時(shí)序信號(hào)特征進(jìn)行磨損分類(lèi)。公式如下：

(16)

式中：y為一個(gè)維度為類(lèi)別數(shù)量大小的向量，其每一維度的值都介于[0,1]之間，且所有維度的和為1，該值代表該刀具磨損狀態(tài)屬于某個(gè)類(lèi)別的概率；M為可能的類(lèi)別個(gè)數(shù)。在模型的訓(xùn)練過(guò)程中，通過(guò)Categorical_crossentropy Loss訓(xùn)練整個(gè)模型。交叉熵誤差

(17)

(18)

(19)

…

(20)

2 實(shí)驗(yàn)結(jié)果與分析

刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)是制造車(chē)間數(shù)控加工過(guò)程中的重要環(huán)節(jié)，刀具磨損狀態(tài)受加工工序、工件材料、切削參數(shù)等因素影響，整個(gè)系統(tǒng)具有較強(qiáng)的非線性和不確定性。刀具的磨損不僅會(huì)降低數(shù)控加工設(shè)備的加工質(zhì)量，影響工件表面粗糙度和加工精度，還會(huì)嚴(yán)重影響數(shù)控加工設(shè)備的整體穩(wěn)定性和加工效率。刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)系統(tǒng)包括狀態(tài)監(jiān)測(cè)設(shè)施和數(shù)據(jù)分析單元，狀態(tài)監(jiān)測(cè)設(shè)施包括用于加工工件的基礎(chǔ)設(shè)備，采集加工過(guò)程中產(chǎn)生振動(dòng)信號(hào)的設(shè)備，以及測(cè)量刀具磨損值的設(shè)備；數(shù)據(jù)分析設(shè)施包括用于分析和處理數(shù)據(jù)的高性能計(jì)算機(jī)和深度學(xué)習(xí)平臺(tái)，并將刀具磨損狀態(tài)進(jìn)行實(shí)時(shí)分類(lèi)和報(bào)告。

2.1 實(shí)驗(yàn)設(shè)計(jì)

2.1.1 狀態(tài)監(jiān)測(cè)

本文實(shí)驗(yàn)平臺(tái)由貴州大學(xué)工程訓(xùn)練中心提供。高精度數(shù)控立式銑床(型號(hào)：VM600)用于銑削工件，銑削過(guò)程中不加冷卻液，銑削工件為模具鋼(S136H)，銑削刀具采用超細(xì)微粒鎢鋼硬質(zhì)合金四刃銑刀，刀刃表面覆蓋有多層鈦鋁氮化物涂層。如表3所示為銑削實(shí)驗(yàn)切削參數(shù)。

表3 銑削實(shí)驗(yàn)切削參數(shù)

實(shí)驗(yàn)中，采用3個(gè)加速度傳感器(型號(hào)：INV9822，量程：±50 g)，按x、y、z方向磁性吸附在機(jī)床夾具上，用于實(shí)時(shí)采集刀具加工過(guò)程中產(chǎn)生的原始信號(hào)。采用北京東方振動(dòng)和噪聲研究所的高精度數(shù)字采集儀(型號(hào)：INV3018CT)處理實(shí)時(shí)信號(hào)并傳送至計(jì)算機(jī)，信號(hào)的采樣頻率為20 KHz,每次走刀沿x方向銑削200 mm,記為一個(gè)銑削行程，每把刀具銑削330個(gè)行程，每個(gè)銑削行程結(jié)束后，將銑刀從銑床上取下拍照。采用預(yù)先標(biāo)定好的高精度數(shù)字顯微鏡進(jìn)行測(cè)量，測(cè)量過(guò)程選取銑刀最易磨損的后刀刃邊緣位置作為測(cè)量位置，并以相同的基準(zhǔn)線為標(biāo)準(zhǔn)以保證該位置在測(cè)量過(guò)程中保持不變。磨損值的計(jì)算方式為銑刀后刀刃的初始長(zhǎng)度減去該次銑削后的刀刃長(zhǎng)度。如圖7所示為本文采用的刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)實(shí)驗(yàn)裝置圖。

2.1.2 數(shù)據(jù)分析

實(shí)驗(yàn)的深度學(xué)習(xí)硬件平臺(tái)采用高性能服務(wù)器：Intel Xeon E5-2650處理器，主頻2.3 GHz，256 GB內(nèi)存，GPU選用NVIDIA GeForce TITAN X圖形處理器。軟件平臺(tái)使用Ubuntu 16.04.4操作系統(tǒng)，深度學(xué)習(xí)框架選用Keras為前端，TensorFlow為后端進(jìn)行數(shù)據(jù)分析。

實(shí)驗(yàn)采用4把銑刀(C1、C2、C3、C4)完成銑削操作，每把銑刀銑削加工330次，得到1320個(gè)原始信號(hào)樣本，銑刀(C1、C2、C3、C4)的磨損過(guò)程圖如圖8～圖11所示。原始信號(hào)經(jīng)小波去噪后，將3把銑刀(C1、C2、C3)的數(shù)據(jù)用于模型的訓(xùn)練集和驗(yàn)證集，1把銑刀(C4)數(shù)據(jù)用于模型的測(cè)試集。訓(xùn)練集被用于數(shù)據(jù)樣本的擬合和相關(guān)參數(shù)的訓(xùn)練，驗(yàn)證集被用于初步測(cè)試網(wǎng)絡(luò)模型的性能和超參數(shù)調(diào)整，測(cè)試集被用于模型最終的泛化能力評(píng)估。每個(gè)樣本中均包含3個(gè)維度的振動(dòng)信號(hào)和4個(gè)后刀刃的磨損值，為防止不同刀刃磨損值的相互干擾，選取4個(gè)刀刃中的磨損最大值作為該次銑削行程的標(biāo)簽。刀具的磨損狀態(tài)分為初期磨損、正常磨損、急劇磨損，本文根據(jù)每把銑刀的實(shí)際磨損曲線定義刀具的磨損狀態(tài)，用于確定刀具的磨損程度。將刀具磨損程度劃分3類(lèi)標(biāo)簽數(shù)據(jù)，采用one-hot編碼形式將標(biāo)簽數(shù)據(jù)進(jìn)行轉(zhuǎn)換，以便于最終刀具磨損狀態(tài)分類(lèi)，如表4所示為刀具磨損程度分類(lèi)表。

表4 刀具磨損程度分類(lèi)表

2.2 深度學(xué)習(xí)模型對(duì)比實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)將銑刀加工過(guò)程產(chǎn)生的原始信號(hào)進(jìn)行小波去噪，經(jīng)采樣裁剪后輸入到深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型中，模型自適應(yīng)提取時(shí)序信號(hào)中隱含的高維特征，計(jì)算模型實(shí)際輸出值與真實(shí)值之間的誤差距離，采用Adam算法使Loss下降并不斷更新網(wǎng)絡(luò)權(quán)重，讓模型的實(shí)際輸出值更加趨近于真實(shí)值。為進(jìn)一步驗(yàn)證所提算法性能，本文實(shí)現(xiàn)了文獻(xiàn)[22]中CNN網(wǎng)絡(luò)的軸承故障診斷算法、文獻(xiàn)[23]中BiGRU網(wǎng)絡(luò)的軸承和齒輪壽命預(yù)測(cè)算法以及文獻(xiàn)[16]中CBLSTMs網(wǎng)絡(luò)的刀具壽命預(yù)測(cè)算法，與CABGRUs深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，訓(xùn)練過(guò)程中4個(gè)模型設(shè)置同樣的訓(xùn)練參數(shù)，如表5所示為模型具體訓(xùn)練參數(shù)表。

表5 模型具體訓(xùn)練參數(shù)

經(jīng)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練和驗(yàn)證后得到不同的損失函數(shù)值以及準(zhǔn)確率，CNN[22]、BiGRU[23]、CBLSTMs[16]、CABGRUs模型輸出的訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率以及損失函數(shù)圖如圖12～圖15所示。

由圖12～圖15可知，網(wǎng)絡(luò)模型訓(xùn)練集的損失函數(shù)值隨著迭代次數(shù)的增加不斷減小，最終趨于穩(wěn)定，驗(yàn)證集的損失函數(shù)值呈周期性波動(dòng)，CNN和BiGRU網(wǎng)絡(luò)模型損失函數(shù)振蕩幅度較大，CBLSTMs和CABGRUs網(wǎng)絡(luò)模型相對(duì)較為平穩(wěn)，損失函數(shù)總體趨勢(shì)不斷遞減，并最終收斂，沒(méi)有出現(xiàn)梯度爆炸或彌散現(xiàn)象，且網(wǎng)絡(luò)收斂速度較快。CNN和BiGRU網(wǎng)絡(luò)模型驗(yàn)證集的準(zhǔn)確率分別為89.75%和88.02%，預(yù)測(cè)精度較低，表明單獨(dú)的深度學(xué)習(xí)網(wǎng)絡(luò)雖然可以對(duì)刀具磨損狀態(tài)進(jìn)行預(yù)測(cè)，但由于受網(wǎng)絡(luò)模型能力的限制，無(wú)法捕獲刀具振動(dòng)信號(hào)中隱藏的、更深層次的特征。本文所提CABGRUs優(yōu)于CNN和BiGRU網(wǎng)絡(luò)模型，這是由于網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)較深，有利于挖掘更深層次的特征，采用CNN網(wǎng)絡(luò)可以有效地提取時(shí)序信號(hào)中隱藏的局部特征，同時(shí)壓縮時(shí)序信號(hào)特征的長(zhǎng)度，便于后續(xù)網(wǎng)絡(luò)學(xué)習(xí)到時(shí)序信號(hào)間時(shí)間序列特征的依賴(lài)關(guān)系，提高了模型預(yù)測(cè)的能力。

與深度CBLSTMs網(wǎng)絡(luò)模型相比較，本文所提CABGRUs網(wǎng)絡(luò)模型獲得了較高的預(yù)測(cè)精度。CBLSTMs構(gòu)建了雙層BiLSTM網(wǎng)絡(luò)，利用雙向的LSTM網(wǎng)絡(luò)訪問(wèn)訪問(wèn)過(guò)去和未來(lái)的信息，即能從正向和反向同時(shí)提取時(shí)序信號(hào)特征，挖掘出更加豐富的信息特征，經(jīng)22次迭代后，驗(yàn)證集的準(zhǔn)確率基本穩(wěn)定在96%以上，50次迭代后準(zhǔn)確率為96.75%。CABGRUs在CBLSTMs基礎(chǔ)上改進(jìn)了神經(jīng)元內(nèi)部結(jié)構(gòu)，引入了Attention機(jī)制，實(shí)現(xiàn)了從大量信息中有選擇地過(guò)濾出部分關(guān)鍵信息并進(jìn)行聚焦，減少了長(zhǎng)序列文本關(guān)鍵信息特征的丟失，經(jīng)20次迭代后，驗(yàn)證集的準(zhǔn)確率基本穩(wěn)定在96%以上，50次迭代后準(zhǔn)確率為98.02%，損失函數(shù)值達(dá)到0.059 5，網(wǎng)絡(luò)穩(wěn)定性較高。如表6所示為模型驗(yàn)證集的損失函數(shù)值和驗(yàn)證準(zhǔn)確率。

表6 驗(yàn)證集的損失函數(shù)值和準(zhǔn)確率

選用銑刀(C4)的數(shù)據(jù)作為深度學(xué)習(xí)網(wǎng)絡(luò)模型的測(cè)試集，用于評(píng)估最終模型的泛化能力。測(cè)試樣本總量為330個(gè)，其中初期磨損樣本為23個(gè)、正常磨損樣本為232個(gè)、急劇磨損樣本為75個(gè)，隨機(jī)將上述樣本帶入訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)模型中，由測(cè)試結(jié)果可知，本文所提CABGRUs網(wǎng)絡(luò)模型泛化能力較強(qiáng)，雖然測(cè)試時(shí)間不及部分對(duì)比模型，但該算法在時(shí)間與精度之間找到了較好的平衡點(diǎn)。表7所示為單個(gè)樣本的測(cè)試時(shí)間和模型測(cè)試集的準(zhǔn)確率。

表7 測(cè)試集的單次測(cè)試時(shí)間和準(zhǔn)確率

2.3 機(jī)器學(xué)習(xí)模型對(duì)比實(shí)驗(yàn)結(jié)果

為進(jìn)一步驗(yàn)證本文所提算法的可行性，選取機(jī)器學(xué)習(xí)模型設(shè)計(jì)了對(duì)比實(shí)驗(yàn)。具體地，將傳統(tǒng)刀具磨損狀態(tài)監(jiān)測(cè)模型中常用的BPNN、SVM、HMM及FNN與本文所提CABGRUs網(wǎng)絡(luò)進(jìn)行對(duì)比。使用小波系數(shù)閾值去噪法對(duì)加速度傳感器采集的原始信號(hào)進(jìn)行去噪處理。提取數(shù)據(jù)的時(shí)域特征、頻域特征和時(shí)頻域特征，具體提取方式如表8所示。采用皮爾森相關(guān)系數(shù)法(Pearson’s Correlation Coefficient, PCC)反映特征與磨損量間的相關(guān)程度，并選取相關(guān)系數(shù)大于0.9的特征作為提取對(duì)象，實(shí)現(xiàn)特征降維，將提取的特征作為機(jī)器學(xué)習(xí)模型的輸入。

表8 機(jī)器學(xué)習(xí)模型特征提取類(lèi)目表

如表9所示為機(jī)器學(xué)習(xí)和深度學(xué)習(xí)預(yù)測(cè)的準(zhǔn)確率表。由表9可知，傳統(tǒng)機(jī)器學(xué)習(xí)模型的準(zhǔn)確率差異很大，這是由于人工提取特征的不穩(wěn)定性以及模型的構(gòu)建都會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響。本文提出的深度學(xué)習(xí)模型能在無(wú)數(shù)據(jù)預(yù)處理的前提下，通過(guò)自適應(yīng)地提取刀具加工信號(hào)中隱藏的高維特征和合理的網(wǎng)絡(luò)深度設(shè)計(jì)達(dá)到較為理想的結(jié)果，預(yù)測(cè)準(zhǔn)確率明顯高于機(jī)器學(xué)習(xí)BPNN、SVM、HMM，但機(jī)器學(xué)習(xí)FNN預(yù)測(cè)準(zhǔn)確率達(dá)到94.24%，因?yàn)镕NN利用神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)模糊系統(tǒng)的規(guī)則，根據(jù)輸入輸出的學(xué)習(xí)樣本自動(dòng)設(shè)計(jì)和調(diào)整模糊系統(tǒng)的設(shè)計(jì)參數(shù)，實(shí)現(xiàn)模糊系統(tǒng)的自學(xué)習(xí)和自適應(yīng)功能。在性能方面，本文方法與其他算法模型對(duì)比有較大的提升，CABGRUs模型的測(cè)試樣本速度可以達(dá)到8 ms，滿(mǎn)足工業(yè)實(shí)際生產(chǎn)時(shí)對(duì)刀具磨損狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)的要求。

表9 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)預(yù)測(cè)的準(zhǔn)確率

3 結(jié)束語(yǔ)

本文將CNN和RNN融合的機(jī)器學(xué)習(xí)方法應(yīng)用于刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)任務(wù)中，并針對(duì)高頻振動(dòng)信號(hào)噪聲大、樣本冗余的特點(diǎn)修改了網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)，用于實(shí)時(shí)監(jiān)測(cè)刀具磨損程度。在預(yù)處理階段對(duì)加速度傳感器采集的時(shí)序信號(hào)進(jìn)行小波閾值去噪，結(jié)合數(shù)據(jù)擴(kuò)充的方式,將每次刀具進(jìn)給產(chǎn)生的冗長(zhǎng)信號(hào)劃分為多個(gè)訓(xùn)練樣本，在原有量級(jí)的數(shù)據(jù)基礎(chǔ)上增加實(shí)驗(yàn)數(shù)據(jù)，以實(shí)現(xiàn)濾除噪聲，改善算法的魯棒性；提出依據(jù)實(shí)際磨損曲線來(lái)定義刀具的磨損狀態(tài)，用于確定刀具的磨損程度，提高了數(shù)據(jù)標(biāo)簽分類(lèi)的準(zhǔn)確性；采用一維CNN進(jìn)行局部特征提取，從去噪信號(hào)中挖掘出豐富的高維特征，更好地表征了原始信號(hào)中隱藏的刀具磨損狀態(tài)信息，縮短了網(wǎng)絡(luò)模型訓(xùn)練時(shí)間；將Attention機(jī)制的思想創(chuàng)新性地引入到改進(jìn)后的CABGRUs網(wǎng)絡(luò)模型中，有效地提升了網(wǎng)絡(luò)模型實(shí)時(shí)監(jiān)測(cè)的識(shí)別精度和泛化性能。使用刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè)系統(tǒng)驗(yàn)證了所提方法的可行性，通過(guò)實(shí)驗(yàn)搭建了信號(hào)采集單元及上位機(jī)分析單元，采用深度學(xué)習(xí)框架實(shí)時(shí)預(yù)測(cè)刀具磨損狀態(tài)。實(shí)驗(yàn)結(jié)果表明：所提出CABGRUs網(wǎng)絡(luò)模型的預(yù)測(cè)精度達(dá)到97.58%，均優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法，同時(shí)能適應(yīng)大部分生產(chǎn)環(huán)境的硬件系統(tǒng)，在識(shí)別精度和識(shí)別速度上能夠滿(mǎn)足工業(yè)要求。

實(shí)際加工制造的過(guò)程中，能夠反映刀具磨損狀態(tài)的特征信息有很多，本文僅針對(duì)加速度傳感器采集的原始信號(hào)進(jìn)行了分析，未來(lái)將采用多源信息融合技術(shù)和深度學(xué)習(xí)理論相結(jié)合的方式，進(jìn)一步對(duì)表征刀具磨損狀態(tài)的信息進(jìn)行研究，完善所提出的方法，并將其擴(kuò)展到工業(yè)監(jiān)測(cè)中。