一种基于堆叠自编码器的深孔镗刀状态监测方法与流程

本发明属于刀具状态监测技术领域，具体为一种基于堆叠自编码器的深孔镗刀状态监测方法。

背景技术：

在机械制造业中，一般将孔深超过孔径5倍的圆柱孔称为深孔。常用的加工深孔的工艺方法主要有钻孔、扩孔、镗孔、铰孔等。目前，较大结构尺寸的深孔加工广泛采用的是镗削工艺，镗孔得到的深孔精度高、成本较低，因此很多的制造业企业都采用镗削工艺。与一般的车削、铣削相比，镗削的切削区域位于深孔内部，刀具的磨损破损状态很难用肉眼进行观察。机床操作者只能凭借经验，通过观察流出的切屑、手的触觉感知镗杆的振动，来确定深孔内部刀具的切削状态，难以准确判断刀具的实时状态。当出现刀具断裂、崩刃等异常情况时，不能及时做出判断并采取相应措施可能会导致零件的报废。

在专利“一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法”(cn201710739173.9)中，构建了包含深度置信网络和卷积神经网络两级深度学习模型，基于大量数控加工监测信号训练深度学习网络，进而实现数控加工刀具状态的实时监测。在专利“一种基于深度学习的数控机床断刀检测系统及方法”(cn201910228970.x)中，利用图像数据采集模块拍摄切削加工过程中刀具切削工件的视频，利用图像数据预处理模块提取视频中的图像，并对提取的图像进行定位、裁剪和归一化处理，利用集成有断刀判别器的边缘计算模块接收处理后的图像，并利用预先训练的卷积神经网络前向推理得到断刀判别结果。

通过分析上述专利可知，基于图像识别或切削力信号的刀具状态监测方法无法用于深孔镗削状态监测。本发明针对深孔镗削刀具状态监测的难题，提出一种基于堆叠自编码器的深孔镗刀状态实时监测方法。

技术实现要素：

本发明的目的为提供一种有效监测镗刀实时状态的方法，解决镗刀状态难以监测的问题。

为解决上述技术问题，本发明的技术方案为：首先，将两个三向加速度传感器通过磁座分别吸附在深孔镗杆的两个保持架轴瓦外部，在工件内孔的加工进口处放置一个传声器，采集镗削过程中的振动和声信号；然后，采用限幅值滤波法，对采集到的数据进行数据预处理；接着，构建堆叠自编码器网络，采用贪婪逐层方法，利用预处理后的数据对堆叠自编码器进行训练；最后，将镗削加工过程中的实时振动和声信号经数据预处理后输入堆叠自编码器网络中，网络输出刀具的当前状态，从而实现深孔镗刀状态的实时监测。

一种基于堆叠自编码器的深孔镗刀状态监测方法，其特征在于，步骤如下：

第一步，深孔镗削过程中的振动和声音信息采集

将两个三向加速度传感器通过磁座吸附在深孔镗杆的两个保持架轴承上，将传声器放置于工件内孔的一端，对加工过程中的刀杆振动以及切削噪声进行采集；

第二步，振动和声音数据预处理

对三向加速度传感器采集到的数据按照采样频率进行分段，设每段数据为x(n)，对每段数据做快速傅里叶变换：

其中，k＝0,...,n-1；

计算其单侧幅频谱，将幅值低于0.2的数据全部滤掉；将滤波后的数据按照正常、磨钝和断刀三种状态进行分组；

第三步，堆叠式自编码器网络的构建和训练

取相同数量的三种状态下的样本数据做训练集，剩余样本做测试集，训练集和测试集要均包含三种状态下的样本数据；设输入数据为x＝[x1,x2,…,xi]，则自编码器的输入输出关系为：

式中，f(·)表示神经元的激活函数，表示输入层与隐含层的权重，表示隐含层与输出层的权重，示隐含层各神经元的偏置，表示输出层各神经元的偏置；

构造损失函数：

式中，是自编码器的输出数据；α是稀疏惩罚项参数，作用是控制稀疏惩罚项在损失函数当中所占的比重；γ是稀疏性参数；是隐含层第j个神经元的激活度；

利用亚当优化器，最小化损失函数，优化权重wij和偏置b：

式中，t为迭代次数；η为学习率；和分别为一阶动量项和二阶动量项；λ1和λ2为动力值分别取0.9和0.999；和分别为一阶和二阶动量项的修正值；(wij,b)t表示第t次迭代时的模型权重和偏置；gt＝δj((wij,b)t)表示t次迭代时代价函数关于(wij,b)t的梯度；∈为常数，避免分母为0，取值很小；

采用贪婪训练法对自编码器进行无监督训练，将训练集输入第一层自编码器，对其进行训练，最小化损失函数loss，得到最优的权重和偏置；将第一层自编码器的隐层输出作为第二层自编码器的输入，对其进行训练，训练完成后用第二层自编码器的输出对softmax分类器，进行有监督训练，再将训练好的两层自编码器和softmax分类器堆叠起来，得到训练好的堆叠自编码器；训练完毕后，采用剩余测试集对堆叠自编码器进行测试；当测试准确率高于90％时，模型可用于刀具状态的监测；

第四步，深孔镗刀状态的实时监测

在实际加工过程中，将实时数据经数据预处理后输入至训练好的堆叠自编码器网络模型中，模型输出刀具的实时状态；当刀具状态正常时，模型输出为1；当刀具状态为断刀时，模型输出为2；当刀具状态为磨钝时，模型输出为3。

本发明的有益效果：通过该方法，实现了深孔镗刀状态的实时监测，降低对机床操作工经验的依赖，提高加工效率，降低废品率。通过对原始数据的滤波去除冗余数据，加快堆叠自编码器的训练速度，提高预测的准确度；在损失函数中加入稀疏惩罚项，防止模型过拟合，改善模型的泛化能力。

附图说明

图1为深孔镗刀状态监测流程图。

图2为深孔镗床传感器布置示意图。

图3为第一层自编码器结构图。

图4为堆叠自编码器结构图。

图5为断刀监测波形图。

图6为磨钝监测波形图。

图中：1-工件；2-机床齿轮箱；3-传声器；4-床身；5-1#三向加速度传感器；6-刀杆；7-2#三向加速度传感器。

具体实施方式

为了使本发明的技术方案和有益效果更加清晰明了，下面结合深孔镗刀状态监测的具体实施方式并参照附图，对本发明作详细说明。本实施例是以本发明的技术方案为前提进行的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

以一台卧式深孔镗床加工深孔为例，详细说明本发明的实施方式。

第一步，深孔镗削过程中的振动和声音信息采集

将传声器3固定在工件加工进口处，对准工件内孔。#1三向加速度传感器5和#2三向加速度传感器7用磁座吸附到刀杆保持架轴瓦侧面，安装方式如图2所示。设置采样频率1000hz，采集加工过程中的振动和声信号。

第二步，振动和声音数据预处理

对采集到的数据做快速傅里叶变换，计算单侧幅值频谱。将频域数据，按照正常、断刀、磨钝三种状态进行分类，每个样本包含7000个数据。其中，正常状态下样本数量为20000，断刀和磨损状态下的样本数量分别为5000和3000。

第三步，堆叠式自编码器网络的构建和训练

堆叠两自编码器和一个softmax分类器构建堆叠自编码器网络。第一个自编码器输入层和输出层神经元个数均为7000，隐层神经元个数为3000，如图3所示。第二个自编码器输入输出层神经元个数均为3000，隐层神经元个数为1000。第三个自编码器输入输出层神经元个数为1000，隐层神经元个数为500。随机选取三种状态下样本各2000个，对自编码器进行训练，采用贪婪训练法，对自编码器逐层进行训练。将两个自编码器和一个softmax分类器堆叠成堆叠自编码器如图4所示，输出刀具的三种状态。再用剩余样本对网络进行测试，测试准确率达91.13％，模型可以用于刀具状态的监测。

第四步，深孔镗刀状态的实时监测

将实时振动和声音数据经数据预处理后输入至堆叠自编码器模型中，对镗削加工过程中的刀具状态进行监测。如图5、6所示，模型能够准确地对刀具的实时状态做出判断。