一種不同工藝條件下刀具磨損狀態(tài)多類域適應(yīng)遷移辨識方法

史珂銘 鄒益勝 劉永志 丁昆 丁國富

1.西南交通大學機械工程學院，成都，610031 2.西南交通大學計算機與人工智能學院，成都，610031

0 引言

刀具磨損是影響工件加工質(zhì)量的重要因素之一，在生產(chǎn)現(xiàn)場的復雜環(huán)境下，一旦發(fā)生嚴重的刀具磨損或破損都可能引起連鎖反應(yīng)，導致加工機床異常停機以及人員傷害。因此對銑削刀具進行智能狀態(tài)監(jiān)測具有重要意義[1-2]。

近年來，深度學習因其強大的非線性特征自適應(yīng)提取能力而得以迅猛發(fā)展，一些研究已將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于刀具磨損狀態(tài)辨識領(lǐng)域[3]。該類智能辨識方法借助深度神經(jīng)網(wǎng)絡(luò)強大的非線性特征表征能力自適應(yīng)提取刀具切削過程監(jiān)測信號中的磨損狀態(tài)隱藏特征，利用反饋優(yōu)化后的分類器智能識別當前刀具磨損狀態(tài)。何彥等[4]利用多傳感器信號提出了一種基于長短時記憶卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損在線監(jiān)測模型。陳啟鵬等[5]基于深度門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)監(jiān)測刀具磨損狀態(tài)。WANG等[6]提出了一種深度置信網(wǎng)絡(luò)的多任務(wù)學習方法用于刀具磨損狀態(tài)識別，其辨識準確率達到了99%。雖然上述方法可以完成狀態(tài)監(jiān)控，但是仍然存在一定的不足：一是在實際生產(chǎn)環(huán)境下由于生產(chǎn)需要，受到主軸轉(zhuǎn)速、切削深度等工藝條件變化的影響，刀具加工過程也會隨之發(fā)生改變，導致監(jiān)測數(shù)據(jù)的分布不同，進而使得利用歷史工藝條件進行數(shù)據(jù)訓練的辨識模型在辨識新的工藝條件下刀具樣本時準確率很低甚至失效；二是當前海量的監(jiān)測數(shù)據(jù)仍需要手工標記健康狀態(tài)，效率極低，這都將給復雜環(huán)境下刀具磨損狀態(tài)辨識帶來困難。

利用遷移學習可以從帶標簽的歷史工藝條件數(shù)據(jù)(源域)學習分類特征，并將其應(yīng)用到無標注信息的新的工藝條件數(shù)據(jù)(目標域)中進行分類。遷移學習模型在圖像識別、文本分類等領(lǐng)域的研究已經(jīng)取得了飛躍式發(fā)展[7-10]。雷亞國等[11]利用深度殘差網(wǎng)絡(luò)提取可遷移故障特征，然后在訓練過程施加領(lǐng)域適配正則項約束進行目標域數(shù)據(jù)的遷移辨識。KUREK等[12]利用少部分數(shù)據(jù)訓練卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建鉆頭磨損狀態(tài)遷移辨識模型。陳仁祥等[13]利用深度特征聯(lián)合適配的方法識別不同刀具磨損狀態(tài)。WANG等[14]提出了深度對抗性領(lǐng)域自適應(yīng)網(wǎng)絡(luò)結(jié)合有監(jiān)督實例的方法優(yōu)化源域特征以學習更好的可區(qū)分性特征，提高領(lǐng)域?qū)R能力。ZOU等[15]提出了一種方差約束，以縮小源域特征類內(nèi)距離，擴大其類間距離，提高滾動軸承故障遷移辨識的準確性?；陬I(lǐng)域自適應(yīng)的遷移辨識模型通過縮小工藝條件變化引起的特征分布差異來獲取不同工藝條件下故障公共特征，從而提高辨識準確率。

在上述基于領(lǐng)域自適應(yīng)的特征遷移模型中，僅考慮了對源域數(shù)據(jù)施加約束來提高不同類別樣本之間的類間距離以及同類樣本的類內(nèi)聚集程度，從而提升故障特征分布對齊能力，忽略了目標域故障特征的分布特性，導致遷移辨識準確率較低。針對此，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的刀具磨損跨工藝條件遷移辨識模型——多類域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)(multi class domain adaptive convolutional neural network，MCDACNN)，首先構(gòu)建領(lǐng)域共享卷積神經(jīng)網(wǎng)絡(luò)對原始振動信號提取故障特征，利用最大均值差異[16](maximum mean discrepancy，MMD)測量并縮小源域特征和目標域特征的整體分布差異；然后分別對源域特征與目標域特征概率矩陣增加類間-類內(nèi)距離約束(inter-class-intra-class distance constraint，IDC)、最大化核范數(shù)的正則化策略，縮小源域與目標域可遷移特征的類內(nèi)距離、擴大類間距離，進一步提高不同工藝條件下特征領(lǐng)域適配的能力；最后通過實驗驗證了所提出模型的有效性。

1 基于遷移學習的模型建立

1.1 多類域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)跨工藝條件遷移辨識模型

本文構(gòu)建了一種多類域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)跨工藝條件遷移辨識模型，其結(jié)構(gòu)如圖1所示，主要由特征提取模塊、領(lǐng)域自適應(yīng)模塊和分類模塊三部分組成。

圖1 多類域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)跨工藝條件遷移辨識模型

(1)特征提取模塊。該模塊由兩個卷積層、兩個最大池化層和一個全局平均池化層構(gòu)成。通過全局平均池化對提取的故障特征進行降維，能有效降低模型參數(shù)規(guī)模和樣本內(nèi)沖擊特征的時移影響。

(2)領(lǐng)域自適應(yīng)模塊。該模塊首先利用最大均值差異縮小源域特征和目標域特征之間的整體分布差異；然后，對源域和目標域分別采用類間-類內(nèi)距離約束和最大化核范數(shù)以改善源域和目標域樣本間的特征距離關(guān)系，從而提高模型對不同工藝條件下同類刀具磨損狀態(tài)數(shù)據(jù)之間的分布適應(yīng)能力；最后，通過綜合損失函數(shù)，基于反向傳播算法優(yōu)化特征提取模塊的權(quán)重參數(shù)，以提取出源域和目標域樣本的公共特征，實現(xiàn)不同工藝條件下刀具磨損特征之間的更高準度分布適配。

(3)分類模塊。由一個全連接層映射降維特征，然后通過softmax層得到全連接層輸出特征概率矩陣，源域樣本真實標簽矩陣與源域樣本的預測類別概率矩陣通過交叉熵損失函數(shù)反向傳播優(yōu)化模型。

1.2 特征提取模塊

MCDACNN模型的特征提取模塊利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建。源域數(shù)據(jù)和目標域數(shù)據(jù)共享特征提取模塊訓練參數(shù)，以1條樣本為例，特征提取模塊參數(shù)如表1所示。

表1 特征提取模塊參數(shù)

卷積神經(jīng)網(wǎng)絡(luò)具有強大的無監(jiān)督特征學習能力，能降低人工提取特征的錯誤率。卷積神經(jīng)網(wǎng)絡(luò)以卷積層與池化層交替連接提取特征。利用卷積核對輸入數(shù)據(jù)進行卷積運算：

(1)

池化層主要是對卷積層提取的特征降維，提高模型魯棒性，池化層通常連接在卷積層后。池化的方式一般有最大池化與均值池化。文中構(gòu)建的網(wǎng)絡(luò)模型采取最大池化操作：

(2)

為防止MCDACNN模型出現(xiàn)過擬合，采取L2正則化控制模型復雜度，L2正則化損失函數(shù)如下：

(3)

式中，w為網(wǎng)絡(luò)模型的權(quán)重系數(shù)向量矩陣。

1.3 分類模塊

分類模塊采用一層全連接層和softmax層構(gòu)成，全連接層由4個神經(jīng)元組成。利用softmax層分別得到源域數(shù)據(jù)與目標域數(shù)據(jù)的各類別概率輸出。然后，源域特征的類別概率向量和源域真實標簽通過交叉熵損失函數(shù)反向優(yōu)化模型，交叉熵損失函數(shù)的表達式如下：

(4)

1.4 領(lǐng)域自適應(yīng)模塊

目前許多基于特征遷移的跨工藝條件辨識模型都基本側(cè)重于縮小源域和目標域樣本之間的整體分布差異，MMD作為一種衡量整體分布差異的非參數(shù)距離度量指標被廣泛用于基于領(lǐng)域自適應(yīng)的辨識模型中。基于MMD的領(lǐng)域自適應(yīng)的損失函數(shù)

(5)

特征分布自適應(yīng)主要是為了使源域與目標域中相同狀態(tài)樣本之間更好地分布對齊，分布對齊能力對準確辨識不同工藝條件刀具樣本狀態(tài)有重要影響。為縮小不同工藝條件下同一類磨損狀態(tài)樣本之間的分布差異，采用IDC和最大化核范數(shù)分別改善源域特征和目標域特征的距離關(guān)系。

利用源域數(shù)據(jù)有標簽的條件，提出了一種IDC優(yōu)化源域特征判別性，旨在提高不同狀態(tài)樣本類間距離、增加同類狀態(tài)樣本聚集程度，提升遷移辨識特征分布對齊能力，進一步提高刀具磨損狀態(tài)遷移辨識準確率。IDC的計算公式如下：

(6)

(7)

(8)

在遷移任務(wù)中，目標域缺失標簽，所以IDC對目標域樣本不適用，導致目標域分類邊界附近數(shù)據(jù)存在混淆。為了同時提取具有高判別性的目標域特征，減少數(shù)據(jù)對標簽的依賴，提出最大化目標域樣本分類概率矩陣的核范數(shù)。核范數(shù)等價于矩陣奇異值之和，結(jié)合文獻[17]可知，核范數(shù)推廣至故障辨識領(lǐng)域具有以下的分類特性：核范數(shù)與樣本分類混淆程度成反比，最大化核范數(shù)即降低分類邊界的混淆程度，提高特征的可區(qū)分性。最大化核范數(shù)的計算公式為

LN=max(sum(svd(Pt)))

(9)

式中，Pt為目標域分類概率矩陣向量；svd(·)表示求矩陣的奇異值。

1.5 算法及流程

MCDACNN模型的優(yōu)化目標主要由四部分組成：源域樣本的分類損失函數(shù)、源域與目標域分布距離度量損失函數(shù)、分別增強源域和目標域特征判別性的類間-類內(nèi)距離約束和最大化核范數(shù)、防止模型過擬合的L2正則化項。模型的具體訓練過程如下。

(3)結(jié)合式(3)～式(6)和式(9)，構(gòu)成MCDACNN模型目標綜合損失函數(shù)L：

L=min(Lc+αLMMD+τLd+ηLN+L2)

(4)利用Adam優(yōu)化算法反向傳播優(yōu)化參數(shù)集θ，直至模型收斂。

MCDACNN模型訓練所需超參數(shù)見表2。

表2 模型超參數(shù)列表

2 實驗與分析

2.1 數(shù)據(jù)集描述

本文使用的刀具監(jiān)測數(shù)據(jù)采集自成都某企業(yè)車間THM6380IV五軸數(shù)控加工中心，實驗所切削的工件材料為40鋼，每次走刀行程為420 mm，用于切削工件的刀具為SWT數(shù)控磨制超硬3齒直柄立銑刀(16×16×32×92)、應(yīng)用東華振動采集儀采集主軸振動信號，實驗設(shè)備布置如圖2所示，振動傳感器布置于主軸上。

圖2 實驗設(shè)備布置

刀具試驗臺采集振動信號的加速度傳感器的采樣頻率為10 kHz，依據(jù)刀具后刀面磨損量將刀具健康狀態(tài)分為4類[18]，見表3。

表3 刀具磨損狀態(tài)劃分

在切削加工過程中，每走刀一次，使用工業(yè)顯微鏡測量刀具后刀面磨損量VB值，測量結(jié)果如圖3所示。

(a)初期磨損VB=0.028 mm (b)正常磨損VB=0.161 mm

在不同工藝條件下采集主軸振動信號，具體參數(shù)見表4。最終整個實驗數(shù)據(jù)集包含3種工藝條件數(shù)據(jù)，每種工藝條件下包含4種健康狀態(tài)樣本，每種健康狀態(tài)包含1500條樣本，樣本長度取1200，每個樣本都進行標準化處理。將3種不同工藝條件數(shù)據(jù)集中的樣本按照7∶3的比例劃分為訓練集和測試集，即訓練集4200個樣本，測試集1800個樣本。標準化處理公式如下：

表4 工藝條件參數(shù)

(10)

2.2 實驗結(jié)果與分析

為分析本文提出的MCDACNN方法對不同工藝條件下刀具磨損狀態(tài)遷移辨識的性能，設(shè)置6組交叉驗證實驗。每次實驗均重復進行10次，取10次實驗結(jié)果準確率最大值的平均值以保證模型辨識準確率的穩(wěn)定性。設(shè)置以下幾組對比實驗用于驗證MCDACNN方法的有效性：卷積神經(jīng)網(wǎng)絡(luò)結(jié)合最大均值差異的領(lǐng)域自適應(yīng)方法(CNN-MMD)；在CNN-MMD方法基礎(chǔ)上使用IDC提取源域判別性高的特征(CNN-MMD-IDC)；文獻[14]深度對抗性領(lǐng)域適應(yīng)網(wǎng)絡(luò)(deep adversarial domain adaptation network，DADAN)；文獻[19]多領(lǐng)域適應(yīng)方法(deep convolutional transfer learning network，DCTLN)。遷移辨識結(jié)果如表5所示。

表5 不同工藝條件下刀具磨損狀態(tài)遷移辨識結(jié)果

由表5可以看出，CNN-MMD方法的平均辨識準確率最低，僅為91.9%。DADAN方法在每次迭代優(yōu)化中考慮了實例對之間的距離關(guān)系從而提高了故障樣本的分布對齊能力，其平均辨識準確率為92.5%。CNN-MMD-IDC方法通過IDC提升源域特征同種磨損狀態(tài)樣本的聚集程度，以達到更好的分布適配，其平均辨識準確率達到了94.3%，相較于無距離約束的CNN-MMD準確率提升2.4%。相較于其他方法，MCDACNN方法具有更高的遷移準確率96.8%，一方面是因為IDC促使源域特征具有更好的分布特性，另一方面是最大化核范數(shù)提高了目標域特征的區(qū)分性，因此，兩者同時提高了模型對提取特征的分布適配能力，進一步提升了模型的遷移辨識性能。

為了進一步對比分析MCDACNN方法的有效性，利用t-分布隨機鄰域嵌入算法[20](t-distributed stochastic neighbor embedding，t-SNE)對CNN-MMD、CNN-MMD-IDC與MCDACNN 3種方法在遷移任務(wù)1→2上進行特征可視化處理，結(jié)果如圖4所示。

由圖4a～圖4f可以看出，IDC使得源域不同類別間距離增大，不同類別樣本之間分布更為均衡，且同類樣本之間的聚集程度更高，一定程度上提高了對目標工藝條件數(shù)據(jù)的辨識準確率。然而這兩種方法目標域特征仍然存在混淆，圖4g～圖4i是本文所提出的MCDACNN方法的特征分布圖，可以看出源域特征與目標域特征得到明顯改善，減少了不同類別樣本混淆的情況，提高了源域特征與目標域特征的適配能力，結(jié)果表明，同類樣本的分布對齊能力以及不同類別故障樣本邊界開闊性直接影響不同工藝條件下刀具磨損狀態(tài)遷移辨識準確率。

(a)源域特征(CNN-MMD) (b)目標域特征(CNN-MMD) (c)源域特征和目標域特征(CNN-MMD)

為了更直觀表達出上述3種辨識方法對每一種磨損狀態(tài)樣本的分類準確率，圖5給出了不同辨識方法對于遷移任務(wù)1→2的混淆矩陣。

由圖5可以看出，處于急劇磨損狀態(tài)的目標域樣本辨識準確率較低，CNN-MMD-IDC方法在IDC的作用下對急劇磨損狀態(tài)樣本的辨識準確率僅為88%，而MCDACNN方法對急劇磨損狀態(tài)樣本的辨識準確率達到了99%，這是由于MCDACNN方法不僅利用IDC改善了源域樣本之間的距離關(guān)系，而且引入了最大化核范數(shù)增強了目標域樣本可區(qū)分性，兩種措施分別作用于源域樣本和目標域樣本，增強了不同工藝條件下刀具磨損樣本的領(lǐng)域適應(yīng)能力，同時結(jié)合圖4d～圖4i可以綜合分析出MCDACNN方法有效降低了急劇磨損樣本和失效期樣本的混疊程度，所以MCDACNN方法相較于CNN-MMD-IDC方法，對急劇磨損階段樣本的辨識準確率更高。通過圖5不同方法的混淆矩陣結(jié)果表明，MCDACNN方法對4種磨損狀態(tài)的遷移辨識準確率都是最高的。

(a)CNN-MMD

為衡量同類隨機樣本的離散程度，給出了上述3種方法在目標工藝條件下的4種磨損狀態(tài)特征方差統(tǒng)計柱狀圖，如圖6所示。方差越小代表同種磨損狀態(tài)樣本聚集程度越高。由圖6可以看出，采用MCDACNN方法得到的目標域不同磨損狀態(tài)特征的方差均最小。圖6從類內(nèi)距離的角度解釋了MCDACNN方法相較于其他幾種方法取得了更優(yōu)異的遷移辨識準確率。此外，為定量分析不同類別間的類間距離，圖7給出了不同方法提取的目標域4種磨損狀態(tài)樣本的整體核范數(shù)統(tǒng)計圖。核范數(shù)通過類別間混淆程度可以間接表達類間距離，核范數(shù)越大表示類別間混淆程度越低，類間距離越大。由圖7可知，采用MCDACNN方法獲得的特征整體核范數(shù)最大，為84.025 269，所以采用MCDACNN方法獲得的不同磨損狀態(tài)樣本特征之間的類間距離最大。圖8為不同方法提取的目標域4種磨損狀態(tài)樣本特征各自的核范數(shù)統(tǒng)計圖。可以看出，MCDACNN方法對于每一類樣本特征的核范數(shù)均是最小，說明該方法所提同類樣本特征的聚集程度最高。結(jié)合圖6、圖7與圖8可以得出，本文方法相較于其他方法類間距離最大，類內(nèi)距離最小，故而遷移辨識效果最好。綜上可知，MCDACNN方法通過IDC與最大化核范數(shù)同時改善了源域與目標域可遷移特征的距離關(guān)系，提升了不同工藝條件特征之間的適配能力，對比實驗證明了本文方法的有效性。

圖6 方差統(tǒng)計圖

圖7 不同方法整體核范數(shù)統(tǒng)計圖

圖8 不同方法不同磨損類別樣本核范數(shù)統(tǒng)計圖

3 結(jié)論

(1)通過特征可視化結(jié)果可知，類間-類內(nèi)距離約束和最大化核范數(shù)通過改善樣本距離關(guān)系，能夠同時提升領(lǐng)域適配能力，實現(xiàn)不同工藝條件樣本特征高準度分布對齊。

(2)相比于其他同類深度遷移學習方法，MCDACNN方法對不同工藝條件下刀具磨損狀態(tài)遷移辨識具有一定的優(yōu)勢，平均辨識準確率達到了96.8%。

(3)MCDACNN方法克服了生產(chǎn)現(xiàn)場不同工藝條件帶來的樣本分布差異影響，實現(xiàn)了利用一種工藝條件下的標記數(shù)據(jù)訓練模型而識別另一種工藝條件下無標簽刀具磨損樣本的狀態(tài)，降低了模型對有標簽數(shù)據(jù)的依賴，因此具有實際的工程應(yīng)用價值。

(4)本文在4種工藝參數(shù)改變的跨工藝條件下驗證了方法的有效性，實際加工制造過程中變化的工況類型還比較多，例如工件材料、刀具類型等，未來將在更多類型的復雜工藝條件下驗證本文方法的有效性。