基于残差卷积神经网络的刀具磨损量的建模和监测方法与流程

本发明属于机床加工的技术领域，涉及到刀具磨损量建模及监测问题，具体为一种基于残差卷积神经网络的刀具磨损量的建模和监测方法。

背景技术

在机床加工过程中，机床在加工零件的过程中，刀具会由于切削刃发生磨损破损失去其切削能力，刀具的磨损量对于刀具的剩余寿命和工件表面的成形起着非常重要的作用；基于已知的知识，刀具的状态监督可以使用传感器方法间接的监测。而随着工业界对加工精度和自动化的要求不断提高，智能制造这一概念在工业中的应用越来越广泛，而刀具磨损量预测成为了智能制造面临的一个巨大挑战。在传统切削加工过程中，目前在工厂中只能依靠加工人员通过切削声音、切屑颜色、切削时间等来判断。这种判断方法主观性较强，所以不可避免的存在两个问题：

1.如果刀具磨损量尚未达到磨钝标准却被卸下，则不能充分利用刀具而带来浪费，增加加工成本。例如，仅仅一个航空企业的数控加工车间，每年的刀具消耗可达几千万元。就全国来说，刀具使用时间每提高一个百分点都会带来极为可观的经济效益。

2.而如果刀具已经发生磨损或破损而没有更换刀具，则会影响加工表面质量和尺寸精度，甚至损坏机床，所造成的损失则会成倍增加。

因此，如何建立刀具磨损量模型是当前研究的热点问题之一。

但是目前众多磨损量监测的研究中，一方面很依赖人工选择的信号特征分量，二方面并没有考虑到加工过程中的不确定性。更多的是直接分析信号在时频域的特征，并使用人工的先验知识提取他们，然后使用一些传统的分配各信号特征的权重的方法，但这并未分析产生这些误差的来源，同时也很难的应用到不同的加工情况下，更为糟糕的是，大量的信号的特征可能没有得到充分利用。一方面原因是刀具的磨损量来源于多个可能存在耦合关系的因素综合作用，这些因素伴生这很大的不确定性，间接地导致包括热力学与动力学在内的综合性技术难题。在这种情况下，如何根据实际研究的需要建立刀具的磨损量模型则成为了这一研究领域的一大难题。而另一方面原因是为了适用于不同的加工条件，增强方法的泛化性能，不同的信号的特征分量必须得到充分利用并且分配相应的合适的权重分量。所以如何综合不同的加工情况，并建立不同加工情况下的不同信号特征分量的自适应模型亦是这方面研究的难题。同时，利用静态模型对刀具磨损量建模的过程中，不仅无法应对不确定性的情况，同时对于不同加工情况下的特征，其预测结果也十分糟糕。

技术实现要素：

为了解决上述问题，本发明提出一种基于残差卷积神经网络的刀具磨损量的建模和监测方法，将残差卷积网络作为自适应模型，在此基础之上对模型进行参数上的调整，最终建立刀具磨损量的模型。该模型以不同的传感器的时域信号(三轴振动力，三轴加速度和声发射信号)作为输入，刀具磨损量作为输出，同时考虑到加工过程中的不确定性，并利用卷积神经网络理论提取加工过程中的信号特征；之后将不同维度的信号特征作为全连接神经网络的输入，利用adam算法自动求得这些特征分量对于刀具磨损量的影响权重；最后再根据监督式学习的方法建立从信号到磨损量的模型，解决了刀具磨损量预测的问题。

通过实验验证可以看到本发明所建立的模型能够准确的预测刀具的磨损量，而且本发明所提出的自适应的模型建模方法具有测量过程简便，数据处理快速，结果准确的特点，同时残差卷积网络的应用为模型的推广于不同的加工情况进行模型的迁移提供了方便。

本发明的技术方案为：

所述一种基于残差卷积神经网络的刀具磨损量的建模和监测方法，其特征在于：包括以下步骤：

步骤1：设置传感器：

采用三轴力传感器、三轴加速度传感器以及声发射传感器；其中力和加速度传感器都放置于工件或者夹具上，声发射传感器紧贴工件侧面；三轴力传感器检测加工时三轴振动力信号并转换为电信号；三轴加速度传感器检测加工时工件在三个方向上的加速度并转换成电信号，声发射传感器接收加工过程中工件表面的应力波信息，并将其转换为电信号；所有传感器的采样频率相同；

步骤2：获取加工信号和形成样本：

采用多刃刀具切削工件并且收集加工时候的三轴力、三轴加速度和声发射传感器各自采集的共7个信号；在多刃刀具切削工件的过程中，每次走刀沿设定方向切削相同的距离，记为一个切削行程；刀具切削行程结束之后记录刀具每个切削刀刃的后刀面磨损量，共测量n个行程中每个切削刀刃所分别对应的后刀面磨损量；

将每个行程内所采集的7个信号分别经过对应的降采样转换为大小为f的7个一维张量，再将7个大小为f的一维信号张量合并为一个形式为[f,7]的张量；合并n个行程所对应的张量为[n,f,7]的张量；

使用一维离散小波变换对合并后的七维信号张量进行对称小波变换，将七维信号张量分解为两层高频和一层低频信号分量，形式应为[n,f’,7]，其中f’代表不同层信号分量的采样频率；将三个不同频段分解出来的信号张量按采样频率的维度连接起来，其他维度不变，以此作为残差卷积神经网络模型的输入，该输入形状为[n,f,7]，其中f为三层信号张量的采样频率的累加和f＝∑f′；

对于之前n个行程中测量的每个切削刀刃所分别对应的后刀面磨损量，按照对应关系构建一个[n,m]的张量，作为之后残差卷积神经网络模型进行监督式学习的标签，其中m为多刃刀具的切削刀刃数；

步骤3：搭建残差卷积神经网络模型：

所述残差卷积神经网络模型由对模型输入进行信号去噪的输入块、若干残差块和输出块组成；

输入块中包括卷积层、样本规范层和relu激活层；每个残差块中含有两个分支，分别为主路和支路，主路包含卷积层、样本规范层、relu激活层以及dropout层；支路只具有一个最大池化层；输入残差块的张量分别通过主路和支路之后，两个张量相加，形成一个残差块的输出；多个残差块使用多层感知机的方法进行重复的堆叠；输出块使用样本规范层、relu激活层和全连接层处理多重残差块的输出张量，产生整个模型的输出；

步骤4：模型训练：

将步骤2得到的样本分为训练集和验证集；

利用adam优化算法，以均方误差作为损失函数，采用训练集对步骤3搭建的残差卷积神经网络模型进行监督式训练，训练调整参数得到新模型，新模型的输出表示为ypred，而其对应的真实的磨损量表示为ytrue，均方误差mse表示为：

mse＝(ypred-ytrue)²

在训练过程中使用小样本方法分批将训练集的样本数据送入模型之中进行训练，每批样本经过算法训练后都会形成新的模型：在一轮训练之中，通过adam算法能够产生多个随机方向，生成多个新的模型，优化得到一个最优模型；当每轮结束的时候，在训练集和验证集上计算最优模型的均方误差，以此作为模型是否进入过拟合的依据；在训练若干轮后，持续观察均方误差，若发生了过拟合，则选择发生过拟合之前的最优模型作为最终的模型；若没有发生过拟合，且均方误差mse低于阈值，选择此时的最优模型作为最终的模型；

步骤5：采用步骤4得到的最终模型进行监测：按照步骤1的方式部署传感器，加工过程中，获取传感器数据后按照步骤2的方法转换得到信号张量；将信号张量输入最终模型得到当前时刻的磨损量。

进一步的优选方案，所述一种基于残差卷积神经网络的刀具磨损量的建模和监测方法，其特征在于：步骤2中一维离散小波变换中采用db4。

进一步的优选方案，所述一种基于残差卷积神经网络的刀具磨损量的建模和监测方法，其特征在于：残差卷积神经网络模型输入块的卷积层采用的卷积核数量为128、大小为5、步长为1，卷积后填充策略为有效模式。

进一步的优选方案，所述一种基于残差卷积神经网络的刀具磨损量的建模和监测方法，其特征在于：残差卷积神经网络模型残差块主路中的残差块中，当采用一个卷积层时，卷积层的卷积核数量为64，步长为1，填充策略为一致模式，卷积核大小为3；当采用两个卷积层时，两个卷积层的卷积核数量为64和128，步长分别是1和2，填充策略均为一致模式，卷积核大小均为3。

进一步的优选方案，所述一种基于残差卷积神经网络的刀具磨损量的建模和监测方法，其特征在于：残差卷积神经网络模型残差块支路的最大池化层的池化大小为1，步长为2，池化后填充策略为一致模式。

有益效果

本发明给出一个深度残差卷积神经网络模型，并利用adam优化算法，以均方差作为损失函数对整个神经网络进行训练。适用于机床加工中刀具磨损量的在线监测。有效的解决了传统方法无法提取信号中的特征，过程复杂且需要技巧的缺陷，同时利用神经网络理论为适用于不同的工况提供了方便，具有较强的泛化性能。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为残差卷积神经网络的结构。

图2为传感器布局示意图和实验的训练的流程。

图3为训练过程中的模型在训练集和验证集上误差的在每轮的变化过程。

图4为三个切削行程中，刀具的三个刀齿磨损量的真实值和模型预测值的对比图。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本实施例中的一种基于残差卷积神经网络的刀具磨损量的建模和监测方法，包括以下步骤：

步骤1：按照美国phm学会在2008年发布的关于刀具磨损实验要求，即图2中的形式安装力与加速度和声发射传感器，并且做好传感器的校准。

采用三轴力传感器、三轴加速度传感器以及声发射传感器；其中力和加速度传感器都放置于工件或者夹具上，声发射传感器紧贴工件侧面；三轴力传感器检测加工时三轴振动力信号并转换为电信号；三轴加速度传感器检测加工时工件在三个方向上的加速度并转换成电信号，声发射传感器接收加工过程中工件表面的应力波信息，并在压电效应下完成从压力波信号转换为电信号；所有传感器的采样频率相同。

步骤2：获取加工信号和形成样本：

在加工工件过程中获得来自传感器上的三轴力、三轴加速度和声发射传感器各自采集的共7个信号；在多刃刀具切削工件的过程中，每次走刀沿设定方向切削相同的距离，记为一个切削行程；刀具切削行程结束之后记录刀具每个切削刀刃的后刀面磨损量，共测量n个行程中每个切削刀刃所分别对应的后刀面磨损量；

将每个行程内所采集的7个信号分别经过对应的降采样转换为大小为f的7个一维张量，再将7个大小为f的一维信号张量合并为一个形式为[f,7]的张量；合并n个行程所对应的张量为[n,f,7]的张量；

使用一维离散小波变换对合并后的七维信号张量进行对称小波变换，将七维信号张量分解为两层高频和一层低频信号分量，形式应为[n,f’,7]，其中f’代表不同层信号分量的采样频率；将三个不同频段分解出来的信号张量按采样频率的维度连接起来，其他维度不变，以此作为残差卷积神经网络模型的输入，该输入形状为[n,f,7]，其中f为三层信号张量的采样频率的累加和f＝∑f′；

对于之前n个行程中测量的每个切削刀刃所分别对应的后刀面磨损量，按照对应关系构建一个[n,m]的张量，作为之后残差卷积神经网络模型进行监督式学习的标签，其中m为多刃刀具的切削刀刃数。

本实施例中，按照美国phm学会在2008年发布的关于刀具磨损的加工所推荐的加工方式和传感器加工刀具。实验机床为高速数控铣床，实验刀具为三刃碳化钨球头铣刀，切削材料为不锈钢(hrc-52)，实验的切削参数如表1所示。

每次走刀沿x方向切削108mm，记为一个切削行程，每把刀具切削315个行程，每个切削行程结束后记录刀具每个切削刃的后刀面磨损量，共采集945次，形成945个样本。每个样本包含7维信号和3个切削刃的后刀面磨损量。使用db4的小波对于各个传感器的信号进行对称的离散小波变换，分解为二个高频和一个低频信号。将不同的信号按照之前所阐述的方法构建模型的输入。

步骤3：搭建残差卷积神经网络模型：

如图1所示，所述残差卷积神经网络模型由对模型输入进行信号去噪的输入块、若干残差块和输出块组成；

输入块中包括卷积层、样本规范层和relu激活层，其中的卷积层采用的卷积核数量为128、大小为5、步长为1，卷积后填充策略为有效模式。

每个残差块中含有两个分支，分别为主路和支路，主路包含卷积层、样本规范层、relu激活层以及dropout层；支路只具有一个最大池化层；输入残差块的张量分别通过主路和支路之后，两个张量相加，形成一个残差块的输出；多个残差块使用多层感知机的方法进行重复的堆叠。

主路中当采用一个卷积层时，卷积层的卷积核数量为64，步长为1，填充策略为一致模式，卷积核大小为3；当采用两个卷积层时，两个卷积层的卷积核数量为64和128，步长分别是1和2，填充策略均为一致模式，卷积核大小均为3。

支路的最大池化层对于之前由其他层处理过的张量进行最大池化，池化大小为1，步长为2，池化后填充策略为一致模式。

输出块使用样本规范层、relu激活层和全连接层处理多重残差块的输出张量，产生整个模型的输出，该输出维度对应样本标签维度，即多刃刀具的齿刃数。

在整个残差神经网络模型中，所有卷积层的卷积核、偏置以及全连接层的权重均为待训练的参数。卷积核与全连接层使用glorot正态分布初始化方法，偏置初始化直接置0。

步骤4：模型训练：

将步骤2得到的样本按照8：2的比例分为训练集和验证集；模型在训练集上进行训练，验证集全程不参与训练，仅作为每轮训练后新模型的过拟合和效能评估。

利用adam优化算法，以均方误差作为损失函数，采用训练集对步骤3搭建的残差卷积神经网络模型进行监督式训练，训练调整参数得到新模型，新模型的输出表示为ypred，而其对应的真实的磨损量表示为ytrue，均方误差mse表示为：

mse＝(ypred-ytrue)²

在训练过程中使用小样本方法分批将训练集的样本数据送入模型之中进行训练，每批样本经过算法训练后都会形成新的模型：在一轮训练之中，通过adam算法能够产生多个随机方向，生成多个新的模型，优化得到一个最优模型；当每轮结束的时候，在训练集和验证集上计算最优模型的均方误差，以此作为模型是否进入过拟合的依据；在训练若干轮后，持续观察均方误差，若发生了过拟合，则选择发生过拟合之前的最优模型作为最终的模型；若没有发生过拟合，且均方误差mse低于阈值，选择此时的最优模型作为最终的模型。

本实施例中，使用adam优化器，以均方误差作为损失函数，按照优化器和损失函数来编译模型。在模型训练之前，对样本进行手工打散，然后按照8：2的比例把945个样本划分为具有756个训练样本的训练和139个训练样本的验证集。将训练集数据送入模型进行训练，按照小样本的策略将训练集的数据送入模型，每当一轮训练集数据训练完毕，使用该轮的训练后的模型在验证集上进行评估，计算模型在验证集上的均方误差，其作为本轮的验证集上的误差。当在训练集误差不再发生剧烈波动后并且验证集上的误差不升高，即不发生过拟合的情况下，选择在验证集上误差最小时的模型作为最终训练的模型。若验证集误差持续下降的时候伴随着显著的训练集上误差的上升，则应该取这个验证集误差上升之前的那个时序的模型作为最终训练的模型。一旦得到最终训练的模型，应该将模型按照hdf5的格式存储为二进制数据保存下来。

步骤5：采用步骤4得到的最终模型进行磨损量监测：按照步骤1的方式部署传感器，加工过程中，获取传感器数据后按照步骤2的方法转换得到信号张量；将信号张量输入最终模型得到当前时刻的磨损量。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。