CN111325112B - 基于深度门控循环单元神经网络的刀具磨损状态监测方法 - Google Patents
基于深度门控循环单元神经网络的刀具磨损状态监测方法 Download PDFInfo
- Publication number
- CN111325112B CN111325112B CN202010077631.9A CN202010077631A CN111325112B CN 111325112 B CN111325112 B CN 111325112B CN 202010077631 A CN202010077631 A CN 202010077631A CN 111325112 B CN111325112 B CN 111325112B
- Authority
- CN
- China
- Prior art keywords
- time
- time sequence
- neural network
- network
- cutter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000002457 bidirectional effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003754 machining Methods 0.000 abstract description 14
- 238000003801 milling Methods 0.000 description 23
- 238000013135 deep learning Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 11
- 238000012795 verification Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 238000010200 validation analysis Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 239000011882 ultra-fine particle Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度门控循环单元神经网络的刀具磨损状态监测方法，包括：利用传感器实时采集刀具加工过程中产生的振动信号，经小波阈值去噪后输入一维卷积神经网络中进行单个时间步时序信号局部特征提取，然后输入改进的深度门控循环单元神经网络CABGRUs中进行时序信号时间序列特征提取，引入Attention机制计算网络权重并对其进行合理分配，最后，将不同权重的信号特征信息放入Softmax分类器对刀具磨损状态进行分类，避免因人工提取特征带来的复杂性和局限性；同时有效解决了单卷积神经网络忽略时序信号前后关联问题，通过引入了Attention机制提高了模型的准确率。因此，本发明具有提高刀具磨损状态监测的实时性和准确性的特点。
Description
技术领域
本发明属于制造过程监测领域，具体涉及一种基于深度门控循环单元神经网络的刀具磨损状态监测方法。
背景技术
在机械加工过程中，切削加工是零件成形最主要的加工方式，刀具的磨损状态将直接影响零件的加工精度、表面质量以及生产效率，因此，刀具状态监测(Tool ConditionMonitoring,TCM)技术对于保证加工质量、实现连续自动化加工具有非常重要的意义。刀具状态监测方法目前主要采用间接测量法，该方法能在刀具切削过程中通过传感器实时采集信号，经过数据处理和特征提取后，采用机器学习(Machine Learning,ML)模型对刀具磨损量进行监测。
现有技术中，张安思等提出基于迁移学习及长短期记忆网络(LSTM)的设备剩余寿命预测模型，通过预先在不同但相关的设备剩余寿命预测数据集上进行训练，然后针对目标数据集微调网络结构及训练参数。实验结果表明，迁移学习方法可以在只拥有少量的样本的前提下提升模型的预测精度。金棋等提出基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法，利用多目标优化算法优化多个堆栈去噪自动编码器(SDAE),同时提取多样性的故障特征，然后采用多响应线性回归模型集成多样性故障特征实现信息融合。实验结果表明多样性特征提取与信息融合的方法能有效提高故障诊断精度与稳定性,具有较强的泛化能力。张存吉等提出将加工过程中刀具的振动信号通过小波包转换(Wavelet Packet Transform,WPT)转变为能量频谱图，然后输入到卷积神经网络中自动提取特征并进行准确分类，实验结果表明深度卷积神经网络的准确率优于传统的神经网络模型。曹大理等提出利用密集连接的方式构建深度神经网络DenseNet，从原始的时序信号中自适应地提取刀具加工信号中隐藏的微小特征，实验结果表明加深网络层数有助于挖掘加工信号中隐含的高维特征，提高刀具磨损监测模型的精度。以上方法均采用深度学习的方式自适应的提取特征，但其使用的卷积神经网络过多依赖于高维度特征提取，卷积层数过多容易出现梯度弥散，卷积层数过少无法把握全局，且并未考虑到刀具加工时产生时序信号样本间的相关性这一重要特征。
发明内容
本发明的目的在于克服上述缺点而提出了一种能提高刀具磨损状态监测实时性和准确性的基于深度门控循环单元神经网络的刀具磨损状态监测方法。
本发明的一种基于深度门控循环单元神经网络的刀具磨损状态监测方法，包括如下步骤：
步骤一：用加速度传感器采集刀具铣削时产生的三轴振动信号，用小波阀值去噪方法对采集到的原始信号进行去噪处理，将每次刀具进给产生的振动信号裁剪为多个长度为2000的短序列时序信号，其具体步骤：截取每个采样信号中连续的100000个点，以2000为样本数量将截取点划分为50个样本，这50个样本均对应相同的磨损状态标签。
步骤二：单个时间步时序信号局部特征提取：采用一维卷积神经网络处理上述刀具加工过程中产生的短序列时序信号，其卷积神经网络部分包括2层卷积层(Convolutional Layer,CONV)和1层池化层(Pooling Layer,POOL)，卷积层通过一维卷积运算的方式将每一维度的时序信号进行邻域滤波以生成特征映射，每个特征图可以被看作不同滤波器对当前时间步时序信号的卷积操作；所述一维卷积层运算的计算公式如下：
其中：
表示第l层的第j个特征映射，f表示激活函数，M表示输入特征映射的数量，
表示第l-1层的第i个特征映射，
表示可训练的卷积核，
表示偏置参数；所述激活函数采用Relu激活函数；
所述池化层采用最大值池化对邻域内的特征点取最大值，公式如下：
其中：
表示第l层的第i个特征矢量中的第t个神经元的值，t∈[(j-1)w+1,jw]；w为池化区域的宽度；Pi l+1(j)表示第l+1层神经元对应的值。
步骤三：刀具加工过程中产生的振动信号存在时序关系，为了挖掘时间序列中相对较长间隔的时序变化规律，采用改进的门控循环单元提取时序信号时间序列特征，学习时序信号间时间序列特征的依赖关系；
所述改进的门控循环单元，通过构建两个双向BiGRU网络共同叠加组成CABGRUs网络，同时，在CABGRUs网络中引入Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力；
所述改进的深度门控循环单元神经网络CABGRUs中每个双向的BiGRU网络包含256个神经元，正向和反向BiGRU网络均由128个神经元组成，每个BiGRU神经元包括更新门和重置门，分别使用zt和rt来表示，其中，
表示在时间步t时的候选隐藏状态，ht表示在时间步t时的隐藏状态，xt表示在时间步t时的输入向量。更新门zt用于控制当前状态更新了多少状态信息，zt越趋近于1，表示当前状态对先前时刻的信息利用的越多。重置门rt用于控制从先前状态中移除哪些状态信息，rt越趋近于0，表示从先前时刻的输出状态所占的比例越小。公式如下：
rt＝σ(xtWxr+ht-1Whr+br)
zt＝σ(xtWxz+ht-1Whz+bz)
其中：Wxr和Whr表示重置门的权重向量，Wxz和Whz表示更新门的权重向量，Wxh和Whh表示候选隐藏状态的权重向量，br、bz、bh表示偏置向量，□表示Hadamard乘积，即矩阵的点乘，σ(·)表示Sigmod函数，tanh函数表示双曲正切激活函数。
输入时序信号的高维特征，经前向BiGRU网络输出隐藏状态
后向BiGRU网络输出隐藏状态
在时间步t时CABGRUs网络输出隐藏状态Pt。
公式如下：
步骤四：引入Attention机制计算连续时间步时序信号特征的重要性分布，所述引入的Attention机制通过分配不同的初始化概率权重与BiGRU层的各个时间步输出向量进行加权求和，最后经过Sigmod函数计算得到数值；所述Attention机制的计算公式如下：
ut＝tanh(WsPt+bs)
ν＝∑αtPt
其中，Pt表示BiGRU层在时间步t时的输出特征向量，ut表示Pt通过神经网络层得到的隐层表示，us表示随机初始化的上下文向量，αt表示ut通过Softmax函数归一化得到的重要性权重，ν表示最终文本信息的特征向量，即us在训练过程中随机生成，最后经由Softmax函数将Attention层输出值ν进行映射，得到刀具磨损状态的实时分类结果。
步骤五：网络模型的训练：引入了Dropout技术，用以防止模型在训练过程中发生过拟合；网络模型的激活函数采用Softmax，损失函数采用Categorical_crossentropy，对上述步骤所获得的时序信号特征进行磨损分类，得到分类结果。
所述输入数据为时序信号，时序信号的特征提取与表达通过卷积层(C1和C2)、Dropout层、池化层(P1)、Flatten层、BiGRU(B1和B2)层、Attention层A1和全连接层(F1和F2)实现；其中，将尺寸为(2000,3)的时序信号作为输入数据输入到深度学习神经网络，卷积层C1采用3×1的卷积核对时序信号进行卷积，卷积核步长为1，生成(20,98,128)特征图，由卷积层C1输入到卷积层C2，卷积层C2采用3×1的卷积核对时序信号进行卷积，卷积核步长为1，生成(20,96,128)特征图，由卷积层C2经Dropout输入到池化层P1，Dropout为0.5，采用最大值池化的方式，生成(20,48,128)特征图，由池化层P1输入到Flatten层L1，生成(20,6144)特征，由Flatten层L1输入到BiGRU层B1，生成(20,256)特征，由BiGRU层B1输入到BiGRU层B2，生成(20,256)特征，由BiGRU层B2经Dropout输入到Attention层A1，Dropout为0.5，生成256×1特征图，由Attention层A1输入到全连接层F1，输出128×1特征图，全连接层F1输入到全连接层F2，最终输出3类刀具磨损状态值，用以确认当前时刻刀具的磨损状态。
本发明与现有技术的相比，具有明显的有益效果，由以上方案可知，对现有的门控循环单元(GRU)神经网络进行改进，通过构建两个双向BiGRU网络共同叠加组成CABGRUs网络，同时，在CABGRUs网络中引入Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力。其中，CABGRUs网络中，每个双向GRU网络包含256个神经元，正向和反向GRU网络均由128个神经元组成，每个GRU神经元包括更新门和重置门。使刀具磨损状态实时监测模型更好的学习到时序信号间时间序列特征的依赖关系，提高模型分类的准确率。此外，将Attention机制的引入其中，Attention机制是一种类似人类视觉所特有的大脑信号处理机制，通过分配不同的初始化概率权重与BiGRU层的各个时间步输出向量进行加权求和，然后带入Sigmod函数中，进行最终的计算并得到数值。实现从大量信号特征中有选择地过滤出部分关键信息并进行聚焦，聚焦的过程体现在权重系数的计算上，对不同的关键信息分配不同的权重，以提升权重的方式来强化关键信息的比重，减少长序列时序信号关键信息的丢失。
总之，本发明利用传感器实时采集刀具加工过程中产生的振动信号，经小波阈值去噪后输入一维卷积神经网络中进行单个时间步时序信号局部特征提取，然后输入改进的深度门控循环单元神经网络CABGRUs中进行时序信号时间序列特征提取，引入Attention机制计算网络权重并对其进行合理分配，最后，将不同权重的信号特征信息放入Softmax分类器对刀具磨损状态进行分类，避免因人工提取特征带来的复杂性和局限性；同时有效解决了单卷积神经网络忽略时序信号前后关联问题，并避免了循环神经网络梯度弥散和梯度***问题，通过引入了Attention机制提高了模型的准确率。因此，本发明具有提高刀具磨损状态监测的实时性和准确性的特点。
以下通过具体实施方式，进一步说明本发明的有益效果。
附图说明
图1为本发明的方法流程图；
图2为本发明的CABGRUs网络结构示意图；
图3为实施例中的CNN模型训练和验证图；
图4为实施例中的BiGRU模型训练和验证图；
图5为实施例中的CBLSTMs模型训练和验证图；
图6为实施例中的CABGRUs模型训练和验证图。
具体实施方式
以下结合附图及较佳实施例，对依据本发明提出的一种基于深度门控循环单元神经网络的刀具磨损状态监测方法的具体实施方式、特征及其功效，详细说明如后。
参见图1，本发明的一种基于深度门控循环单元神经网络的刀具磨损状态监测方法，包括如下步骤：
步骤一：利用加速度传感器实时采集数控加工设备在加工工件的过程中产生的振动信号，经小波阈值去噪后的信号作为该刀具磨损状态实时监测模型的输入信号，包括αx、αy、αz振动信号，原始振动信号将x、y、z方向的振动信号经连续采样裁剪为2000个采样点组成(2000,3)的张量，作为模型的输入数据带入到模型中。
步骤二：单个时间步时序信号进行局部特征提取：将尺寸为(2000，3)的时序信号作为输入数据输入一维卷积神经网络(CNN)进行邻域滤波，利用滑动窗口进行计算，最终得到单个时间步时序信号的高维特征；
采用一维卷积神经网络直接处理刀具加工过程中产生的时序信号，其卷积神经网络部分包括2层卷积层(Convolutional Layer,CONV)和1层池化层(Pooling Layer,POOL)，卷积层通过一维卷积运算的方式将每一维度的时序信号进行邻域滤波以生成特征映射，每个特征图可以被看作不同滤波器对当前时间步时序信号的卷积操作。当输入时序信号为xt时，滤波器为wt，卷积层的特征图yt可以表达为：
在卷积层中，第l层的每一个神经元都只和第l-1层的一个局部窗口内神经元相连，构成一个局部连接网络。一维卷积层的计算公式如下：
其中：
表示第l层的第j个特征映射，f表示激活函数，M表示输入特征映射的数量，
表示第l-1层的第i个特征映射，
表示可训练的卷积核，
表示偏置参数。考虑到收敛速度和过拟合问题，本发明的非线性激活函数选用收敛速度较快的修正线性单元(Rectified Linear,Relu)，用于提高网络的稀疏性，减少参数的相互依存关系，缓解过拟合现象的发生。Relu激活函数的公式为：
其中：
表示卷及操作的输出值；
表示
的激活值。
卷积层后面连接池化层，用于求取局部最大值或局部均值，即最大值池化(MaxPooling)和均值池化(Mean Pooling)。池化层具有类似于特征选择的功能，可以保证特征在拥有抗变形能力的同时，达到降低特征维度，加快网络训练速度，减少参数数量，提高特征鲁棒性的目的。本发明选用最大值池化对邻域内的特征点取最大值，公式如下：
其中：
表示第l层的第i个特征矢量中的第t个神经元的值，t∈[(j-1)w+1,jw]；w为池化区域的宽度；Pi l+1(j)表示第l+1层神经元对应的值。
通过一维卷积神经网络对原始数据的特征提取，将时序信号的3维特征更好的表达为高维特征，便于后续的网络进行时间序列特征提取。
步骤三：时序信号的时间序列进行特征提取：采用改进的门控循环单元处理连续时间步时序信号产生的高维特征，逐步合成输入信号的向量特征表示；
所述改进的门控循环单元，通过构建两个双向门控循环单元BiGRU网络共同叠加组成CABGRUs网络，同时，在CABGRUs网络中引入Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力；
刀具加工过程中产生的原始信号存在时序关系，RNN网络可以对时序信号时间序列进行编码，挖掘时间序列中相对较长间隔的时序变化规律。为了让刀具磨损状态实时监测模型更好的学习到时序信号间时间序列特征的依赖关系，提高模型分类的准确率。本发明对现有的门控循环单元(GRU)进行改进，通过构建两个双向门控循环单元BiGRU网络共同叠加组成CABGRUs网络，同时，在CABGRUs网络中引入Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力。
本发明构建的深度门控循环单元神经网络CABGRUs中每个双向的BiGRU网络包含256个神经元，正向和反向BiGRU网络均由128个神经元组成，每个BiGRU神经元包括更新门和重置门，分别使用zt和rt来表示。
其中，
表示在时间步t时的候选隐藏状态，ht表示在时间步t时的隐藏状态，xt表示在时间步t时的输入向量。更新门zt用于控制当前状态更新了多少状态信息，zt越趋近于1，表示当前状态对先前时刻的信息利用的越多。重置门rt用于控制从先前状态中移除哪些状态信息，rt越趋近于0，表示从先前时刻的输出状态所占的比例越小。公式如下：
rt＝σ(xtWxr+ht-1Whr+br)
zt＝σ(xtWxz+ht-1Whz+bz)
其中：Wxr和Whr表示重置门的权重向量，Wxz和Whz表示更新门的权重向量，Wxh和Whh表示候选隐藏状态的权重向量，br、bz、bh表示偏置向量，□表示Hadamard乘积，即矩阵的点乘，σ(·)表示Sigmod函数，tanh函数表示双曲正切激活函数。
输入时序信号的高维特征，经前向BiGRU网络输出隐藏状态
后向BiGRU网络输出隐藏状态
在时间步t时CABGRUs网络输出隐藏状态Pt。
公式如下：
步骤四：引入Attention机制：利用Attention机制计算连续时间步时序信号特征的重要性分布，生成含有注意力概率分布的时序信号特征模型；即引入的Attention机制通过分配不同的初始化概率权重与BiGRU层的各个时间步输出向量进行加权求和，最后经过Sigmod函数计算得到数值。
本发明引入的Attention机制通过分配不同的初始化概率权重与BiGRU层的各个时间步输出向量进行加权求和，最后经过Sigmod函数计算得到数值。实现从大量信号特征中有选择地过滤出部分关键信息并进行聚焦，聚焦的过程体现在权重系数的计算上，对不同的关键信息分配不同的权重，以提升权重的方式来强化关键信息的比重，减少长序列时序信号关键信息的丢失。Attention机制的计算公式如下：
ut＝tanh(WsPt+bs)
ν＝∑αtPt
其中，Pt表示BiGRU层在时间步t时的输出特征向量，ut表示Pt通过神经网络层得到的隐层表示，us表示随机初始化的上下文向量，αt表示ut通过Softmax函数归一化得到的重要性权重，ν表示最终文本信息的特征向量。us在训练过程中随机生成，最后经由Softmax函数将Attention层输出值ν进行映射，得到刀具磨损状态的实时分类结果。
步骤五：网络模型的训练：引入了Dropout技术，用以防止模型在训练过程中发生过拟合；网络模型的激活函数采用Softmax，损失函数采用Categorical_crossentropy，对上述步骤所获得的时序信号特征进行磨损分类，得到分类结果。
本发明的刀具磨损状态实时监测模型中引入了Dropout技术，用以防止模型在训练过程中发生过拟合。网络模型的激活函数采用Softmax，损失函数采用Categorical_crossentropy，对所获得的时序信号特征进行磨损分类。
公式如下：
y是一个维度为类别数量大小的向量，其每一维度的值都介于[0,1]之间，并且所有维度的和为1，该值代表该刀具磨损状态属于某个类别的概率,M是可能的类别个数。在模型的训练过程中，通过Categorical_crossentropy Loss训练整个模型。交叉熵误差计算公式为：
…
其中：m表示分类数，n表示样本数，
表示刀具磨损状态真实类别标签向量中的第i个值，yim表示Softmax分类器的输出向量y的第i个值。对于所获得的交叉熵误差，最后取其平均作为模型的损失函数。在训练模型的时候采用Adam方法来最小化目标函数，Adam本质上是带有动量项的RMSprop，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学***稳。
如图2的CABGRUs网络结构示意图。所述的基于CABGRUs模型神经网络的输入数据包括时序信号，时序信号的特征提取与表达通过卷积层(C1和C2)、Dropout层、池化层(P1)、Flatten层、BiGRU层(B1和B2)、Attention层A1(注意力机制)和全连接层(F1和F2)实现。
将尺寸为(2000,3)的时序信号作为输入数据输入到深度学习神经网络，卷积层C1采用3×1的卷积核对时序信号进行卷积，卷积核步长为1，生成(20,98,128)特征图，由卷积层C1输入到卷积层C2，卷积层C2采用3×1的卷积核对时序信号进行卷积，卷积核步长为1，生成(20,96,128)特征图，由卷积层C2经Dropout输入到池化层P1，Dropout为0.5，采用最大值池化的方式，生成(20,48,128)特征图，由池化层P1输入到Flatten层L1，生成(20,6144)特征，由Flatten层L1输入到BiGRU层B1，生成(20,256)特征，由BiGRU层B1输入到BiGRU层B2，生成(20,256)特征，由BiGRU层B2经Dropout输入到Attention层A1，Dropout为0.5，生成256×1特征图，由Attention层A1输入到全连接层F1，输出128×1特征图，全连接层F1输入到全连接层F2，最终输出3类刀具磨损状态值，用以确认当前时刻刀具的磨损状态。
实施例如下：
1实验设计
(1)状态监测
本发明实验采用高精度数控立式铣床(型号：VM600)用于铣削工件，铣削过程中不加冷却液，铣削工件为模具钢(S136)，铣削刀具采用超细微粒钨钢硬质合金四刃铣刀，刀刃表面覆盖有TiAIN图层。表1为铣削实验切削参数。
表1铣削实验切削参数
实验中，采用三个加速度传感器(型号：INV9822)按x、y、z方向磁性吸附在机床夹具上，用于实时采集刀具加工过程中产生的原始振动信号；采用北京东方振动和噪声研究所的高精度数字采集仪(型号：INV3018CT)处理实时信号并传送至计算机。信号的采样频率为20KHz,每次走刀沿x方向铣削200mm,记为一个铣削行程，每把刀具铣削330个行程，每个铣削行程结束后，采用预先校定好的高精度数字显微镜测量铣刀每个铣削刃的后刀面磨损值。
(2)数据分析
实验的深度学***台采用高性能服务器：Intel Xeon E5-2650处理器，主频2.3GHz，256GB内存，GPU选用NVIDIA GeForce TITAN X图形处理器。软件平台使用Ubuntu16.04.4操作***，深度学习框架选用Keras为前端，TensorFlow为后端进行数据分析。
实验采用4把铣刀(C1、C2、C3、C4)完成铣削操作，铣削加工1320次，得到1320个原始信号样本，将3把铣刀(C1、C2、C3)的数据用于模型的训练和验证，1把铣刀(C4)数据用于模型测试，随机选取990个样本中的80％作为训练集，20％作为验证集。深度学习训练过程中需要足够多的样本数量用以提高神经网络的学习质量。数据扩充能在原有量级的数据基础上增加实验数据，提高鲁棒性。原始加工信号的数据样本为长序列周期性的时序信号，根据信号采样原理，本发明将每个样本连续采样裁剪为多个等长度的短序列时序信号，经数据归一化后用于模型的输入。
每个样本中包含三维信号和四个后刀面的磨损值，为防止不同刀刃磨损值的相互干扰，选取四个刀刃中的最大值作为该次铣削的刀具的磨损值。刀具的磨损状态分为：初期磨损、正常磨损、急剧磨损。本发明根据每把铣刀的实际磨损曲线定义刀具的磨损状态，用于确定刀具的磨损程度，将刀具磨损程度划分3类标签数据，采用one-hot编码形式将标签数据进行转换，便于最终刀具磨损状态分类。
2深度学习对比实验结果
表2模型具体训练参数
实验将铣刀加工过程产生的原始信号经采样裁剪后输入到CABGRUs神经网络模型中，模型自适应提取时序信号中隐含的高维特征，计算模型实际输出值与真实值之间的误差距离，采用Adam算法使Loss下降并不断更新网络权重，使模型的实际输出值更加趋近于真实值。本发明使用CNN、BiGRU、CBLSTMs深度学习神经网络与本发明提出的CABGRUs模型进行比较，训练过程中4个模型设置同样的训练参数。表2为模型具体训练参数表。
经深度学***稳，损失函数总体趋势不断递减，并最终收敛，没有出现梯度***或弥散现象，并且网络收敛速度较快。CNN和BiGRU网络模型验证集的准确率分别为89.75％和88.02％，预测精度较低，这表明单独的深度学习网络虽然可以对于刀具磨损状态进行预测，但由于受网络模型能力的限制，无法捕获刀具振动信号中隐藏的更深层次的特征。本文提出的CABGRUs优于CNN和BiGRU网络模型，这是由于网络结构相对较深，有利于挖掘更深层次的特征，首先采用CNN网络可以有效提取时序信号中隐藏的局部特征，同时压缩时序信号特征的长度，便于后续网络学习到时序信号间时间序列特征的依赖关系，提高了模型预测的能力。与深度CBLSTMs网络模型相比较，本文提出的CABGRUs网络模型获得了较高的预测精度。CBLSTMs构建双层BiLSTM网络，利用双向的LSTM网络访问访问过去和未来的信息，即能从正向和反向同时提取时序信号特征，挖掘出更加丰富的信息特征，经22次迭代后，验证集的准确率基本稳定在96％以上，50次迭代后准确率为96.75％。CABGRUs在CBLSTMs基础上改进了神经元内部结构，引入了Attention机制，实现从大量信息中有选择地过滤出部分关键信息并进行聚焦，减少长序列文本关键信息特征的丢失，经20次迭代后，验证集的准确率基本稳定在96％以上，50次迭代后准确率为98.02％，损失函数值达到0.0595，网络稳定性较高。表3，为模型验证的损失函数和准确率。
表3模型验证的损失函数和准确率
选用铣刀(C4)的数据用于网络模型的测试集，测试样本总量为330个，其中初期磨损样本为23个、正常磨损样本为232个、急剧磨损样本为75个，随机将上述样本带入训练好的CABGRUs网络模型中。由测试结果可知，本发明提出的CABGRUs网络模型泛化能力较强，虽然测试时间不及部分对比模型，但该算法在时间与精度之间找到了较好的平衡点。表4所示为单个样本的测试时间和模型测试集的准确率。
表4单个样本的测试时间和模型测试集的准确率
3深度学习与机器学习对比
表5机器学习和深度学习预测的准确率
为进一步验证本发明所提算法的可行性，将本发明所采集的实验数据用于BP神经网络(BPNN)、支持向量机(SVM)、隐马尔可夫模型(HMM)、模糊神经网络(FNN)刀具磨损状态监测模型中，对加速度传感器采集的原始信号进行小波阈值去噪处理，经特征提取和特征筛选后，得到噪声干扰少且对刀具磨损关联程度大的特征。特征提取包括时域特征、频域特征和时频域特。采用皮尔森相关系数法反映特征与磨损量间的相关程度，并选取相关系数大于0.9的特征作为提取对象，实现特征降维，将提取的特征作为机器学习模型的输入。与本发明所提的CABGRUs网络模型的实验结果进行比较。从表中可以得出，传统机器的准确率差异很大，这是由于人工提取特征的不稳定性以及模型的构建都会对预测结果产生影响。深度学习的预测准确率明显高于机器学习BPNN、SVM、HMM，然而，机器学习FNN预测准确率达到94.24％，因为FNN利用神经网络来学习模糊***的规则，根据输入输出的学习样本自动设计和调整模糊***的设计参数，实现模糊***的自学习和自适应功能。本文方法与其他算法模型对比，在性能上有较大的提升。CABGRUs模型的测试样本速度可以达到8ms，满足工业实际生产时实时对刀具磨损状态进行监测的要求。表5所示，为机器学习和深度学习预测的准确率。
总之，本发明将CNN和RNN融合的机器学习方法应用于刀具磨损状态实时监测任务中，并针对高频振动信号噪声大、样本冗余的特点修改了网络参数和结构，用于实时监测刀具磨损程度。在预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪，结合数据扩充的方式将每次刀具进给产生的冗长信号划分为多个训练样本，在原有量级的数据基础上增加实验数据，以实现滤除噪声，改善算法的鲁棒性；提出依据实际磨损曲线来定义刀具的磨损状态，用于确定刀具的磨损程度，提高了数据标签分类的准确性；采用一维卷积神经网络进行局部特征提取，从去噪信号中挖掘出丰富的高维特征，更好的表征了原始信号中隐藏的刀具磨损状态信息，缩短了网络模型训练时间；将Attention机制的思想创新性的引入到改进后的CABGRUs网络模型中，有效的提升了网络模型实时监测的识别精度和泛化性能。文中使用刀具磨损状态实时监测***验证了该方法可行性。实验搭建了信号采集单元及上位机分析单元，采用深度学习框架实时预测刀具磨损状态。实验结果表明：我们提出的CABGRUs网络模型的预测精度达到97.58％，均优于传统的机器学习算法，同时，能适应大部分生产环境的硬件***，在识别精度和识别速度上能够满足工业要求。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，任何未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (3)
1.一种基于深度门控循环单元神经网络的刀具磨损状态监测方法，包括如下步骤：
步骤一：用传感器采集刀具产生的振动信号，用小波阀值去噪方法对采集到的原始振动信号进行去噪处理，将每次刀具进给产生的振动信号裁剪为长度为2000点的短序列时序信号；
步骤二：单个时间步时序信号局部特征提取：采用一维卷积神经网络处理上述短序列时序信号，所述卷积神经网络部分包括2层卷积层CONV和1层池化层POOL，卷积层通过一维卷积运算的方式将每一维度的时序信号进行邻域滤波以生成特征映射，每个特征图可以被看作不同滤波器对当前时间步时序信号的卷积操作，即通过一维卷积神经网络对信号自适应的特征提取，减少了后续网络的输入参数，计算速度得到提升，同时，特征图在向量维度上有了一定的减小，振动信号的特征得到凸显，便于后续的神经网络进行时间序列特征提取；
步骤三：时序信号时间序列特征提取：刀具加工过程中产生的振动信号存在时序关系，为了挖掘时间序列中相对较长间隔的时序变化规律，采用改进的深度门控循环单元神经网络CABGRUs提取时序信号时间序列特征，学习时序信号间时间序列特征的依赖关系；
所述改进的深度门控循环单元神经网络CABGRUs，通过构建两个深度双向门控循环单元BiGRU网络共同叠加组成，同时，在CABGRUs网络中引入Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力；
所述改进的深度门控循环单元神经网络CABGRUs中每个双向的BiGRU网络包含256个神经元，正向和反向BiGRU网络均由128个神经元组成，每个BiGRU神经元包括更新门和重置门，分别使用和来表示，其中，表示在时间步时的候选隐藏状态，表示在时间步时的隐藏状态， 表示在时间步时的输入向量，更新门用于控制当前状态更新了多少状态信息，越趋近于1，表示当前状态对先前时刻的信息利用的越多，重置门用于控制从先前状态中移除哪些状态信息，越趋近于0，表示从先前时刻的输出状态所占的比例越小，公式如下：
其中：和表示重置门的权重向量，和表示更新门的权重向量，和表示候选隐藏状态的权重向量，表示偏置向量，表示Hadamard 乘积，即矩阵的点乘，表示Sigmod函数，tanh函数表示双曲正切激活函数；
步骤四：引入Attention机制计算连续时间步时序信号特征的重要性分布数值，所述引入的Attention机制通过分配不同的初始化概率权重与深度双向门控循环单元BiGRU层的各个时间步输出向量进行加权求和，最后经过Sigmod函数计算得到数值，以提升权重的方式来强化关键信息的比重，减少长序列时序信号关键信息的丢失；
步骤五：网络模型的训练：引入了Dropout技术，用以防止模型在训练过程中发生过拟合；网络模型的激活函数采用Softmax，损失函数采用Categorical_crossentropy，对上述步骤所获得的时序信号特征进行磨损分类，得到分类结果，确认当前时刻刀具的磨损状态。
2.如权利要求1所述的基于深度门控循环单元神经网络的刀具磨损状态监测方法，其特征在于：所述将每次刀具进给产生的振动信号裁剪为长度为2000的短序列时序信号，具体步骤为：截取每个采样信号中连续的100000个点，以2000为样本数量将截取点划分为50个样本，这50个样本均对应相同的磨损状态标签。
3.如权利要求1所述的基于深度门控循环单元神经网络的刀具磨损状态监测方法，其特征在于：所述步骤四中的Attention机制的计算公式如下：
其中，表示BiGRU层在时间步时的输出特征向量，表示通过神经网络层得到的隐层表示，表示随机初始化的上下文向量，表示通过Softmax函数归一化得到的重要性权重，表示最终文本信息的特征向量，即在训练过程中随机生成，最后经由Softmax函数将Attention层输出值进行映射，得到刀具磨损状态的实时分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010077631.9A CN111325112B (zh) | 2020-01-31 | 2020-01-31 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010077631.9A CN111325112B (zh) | 2020-01-31 | 2020-01-31 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325112A CN111325112A (zh) | 2020-06-23 |
| CN111325112B true CN111325112B (zh) | 2023-04-07 |
Family
ID=71167049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010077631.9A Active CN111325112B (zh) | 2020-01-31 | 2020-01-31 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325112B (zh) |
Families Citing this family (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814728A (zh) * | 2020-07-22 | 2020-10-23 | 同济大学 | 数控机床刀具磨损状态识别方法和存储介质 |
| CN112001527B (zh) * | 2020-07-29 | 2024-01-30 | 中国计量大学 | 多特征融合深度神经网络的工业生产过程目标数据预测方法 |
| CN112070208B (zh) * | 2020-08-05 | 2022-08-30 | 同济大学 | 基于编码器-解码器阶段注意力机制的刀具磨损预测方法 |
| CN111879397B (zh) * | 2020-09-01 | 2022-05-13 | 国网河北省电力有限公司检修分公司 | 高压断路器储能机构故障诊断方法 |
| CN112033463B (zh) * | 2020-09-02 | 2022-09-06 | 哈尔滨工程大学 | 一种核动力设备状态评估与预测一体化方法和*** |
| CN112115550B (zh) * | 2020-09-13 | 2022-04-19 | 西北工业大学 | 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 |
| CN112149355B (zh) * | 2020-09-27 | 2023-08-22 | 浙江科技学院 | 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法 |
| CN112200032B (zh) * | 2020-09-28 | 2023-05-30 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
| CN112329625A (zh) * | 2020-11-05 | 2021-02-05 | 中国科学技术大学 | 一种基于深度学习的刀具磨损状态实时识别方法及模型 |
| CN112629854B (zh) * | 2020-11-25 | 2022-08-05 | 西安交通大学 | 一种基于神经网络注意力机制的轴承故障分类方法 |
| CN112798956A (zh) * | 2020-12-31 | 2021-05-14 | 江苏国科智能电气有限公司 | 基于多分辨率时序循环神经网络的风电机组故障诊断方法 |
| CN112668507A (zh) * | 2020-12-31 | 2021-04-16 | 南京信息工程大学 | 基于混合神经网络与注意力机制的海杂波预测方法及*** |
| CN112712063B (zh) * | 2021-01-18 | 2022-04-26 | 贵州大学 | 刀具磨损值监测方法、电子装置和存储介质 |
| CN112785092B (zh) * | 2021-03-09 | 2024-05-07 | 中铁电气化局集团有限公司 | 一种基于自适应深层特征提取的道岔剩余寿命预测方法 |
| CN113204640B (zh) * | 2021-04-02 | 2023-05-30 | 南京邮电大学 | 一种基于注意力机制的文本分类方法 |
| CN113177584B (zh) * | 2021-04-19 | 2022-10-28 | 合肥工业大学 | 基于零样本学习的复合故障诊断方法 |
| CN113051689B (zh) * | 2021-04-25 | 2022-03-25 | 石家庄铁道大学 | 基于卷积门控循环网络的轴承剩余使用寿命预测方法 |
| CN113286309B (zh) * | 2021-05-18 | 2023-02-07 | 合肥工业大学 | 基于csi的异构通信方法及*** |
| CN113414638B (zh) * | 2021-06-04 | 2023-02-10 | 西北工业大学 | 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法 |
| CN113305645B (zh) * | 2021-06-22 | 2022-07-15 | 重庆邮电大学工业互联网研究院 | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 |
| CN113359577B (zh) * | 2021-07-02 | 2023-08-11 | 中国科学院空间应用工程与技术中心 | 超声电机嵌入式状态监测与故障诊断***及方法 |
| CN113657454B (zh) * | 2021-07-23 | 2024-02-23 | 杭州安脉盛智能技术有限公司 | 基于自回归BiGRU的核电旋转机械状态监测方法 |
| CN113537472B (zh) * | 2021-07-26 | 2024-04-09 | 北京计算机技术及应用研究所 | 一种低计算和存储消耗的双向递归神经网络的构建方法 |
| CN113822139B (zh) * | 2021-07-27 | 2023-08-25 | 河北工业大学 | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 |
| CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
| CN113780153A (zh) * | 2021-09-07 | 2021-12-10 | 北京理工大学 | 一种刀具磨损监测和预测方法 |
| CN113971489A (zh) * | 2021-10-25 | 2022-01-25 | 哈尔滨工业大学 | 一种基于混合神经网络的剩余使用寿命预测方法及*** |
| CN113779101B (zh) * | 2021-11-10 | 2022-03-18 | 北京航空航天大学 | 一种基于深度神经网络的时序集合推荐***和方法 |
| CN114925807B (zh) * | 2022-04-11 | 2024-06-11 | 大连理工大学 | 离心压缩机叶轮加工刀具磨损数据标记方法 |
| CN114915496B (zh) * | 2022-07-11 | 2023-01-10 | 广州番禺职业技术学院 | 基于时间权重和深度神经网络的网络入侵检测方法和装置 |
| CN115299962A (zh) * | 2022-08-12 | 2022-11-08 | 山东大学 | 一种基于双向门控循环单元和注意力机制的麻醉深度监测方法 |
| CN115446663B (zh) * | 2022-10-14 | 2023-10-20 | 常州先进制造技术研究所 | 基于物理指导的深度学习网络的刀具磨损状态监测方法及应用 |
| CN115582733A (zh) * | 2022-10-28 | 2023-01-10 | 大连工业大学 | 一种基于残差结构和卷积神经网络的铣刀磨损监测方法 |
| CN116308304B (zh) * | 2023-05-24 | 2023-08-25 | 山东建筑大学 | 基于元学习概念漂移检测的新能源智慧运维方法及*** |
| CN117272138B (zh) * | 2023-09-15 | 2024-07-09 | 东华理工大学 | 一种基于参考道数据约束与深度学习的地磁数据去噪方法及*** |
| CN117633528A (zh) * | 2023-11-21 | 2024-03-01 | 元始智能科技(南通)有限公司 | 一种基于小样本数据修复与增强的制造车间能耗预测技术 |
| CN118133000A (zh) * | 2024-05-08 | 2024-06-04 | 山东交通学院 | 基于Conv1d-GRU-MHA网络的漂浮式海上风力机叶片损伤检测方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5579232A (en) * | 1993-03-29 | 1996-11-26 | General Electric Company | System and method including neural net for tool break detection |
| GB0809516D0 (en) * | 2006-02-06 | 2008-07-02 | Smith International | Method of real-time drilling simulation |
| US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
| CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
| WO2017192821A1 (en) * | 2016-05-06 | 2017-11-09 | Massachusetts Institute Of Technology | Method and apparatus for efficient use of cnc machine shaping tool including cessation of use no later than the onset of tool deterioration by monitoring audible sound during shaping |
| CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 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 |
| CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
| CN108520125A (zh) * | 2018-03-29 | 2018-09-11 | 上海理工大学 | 一种预测刀具磨损状态的方法及*** |
| CN108747590A (zh) * | 2018-06-28 | 2018-11-06 | 哈尔滨理工大学 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
| CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
| CN109145319A (zh) * | 2017-06-16 | 2019-01-04 | 哈尔滨理工大学 | 基于深度神经网络的关键设备切削刀具剩余寿命预测方法 |
| CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
| CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
| CN110000610A (zh) * | 2019-04-17 | 2019-07-12 | 哈尔滨理工大学 | 一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法 |
| CN110153802A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 |
| CN110188637A (zh) * | 2019-05-17 | 2019-08-30 | 西安电子科技大学 | 一种基于深度学习的行为识别技术方法 |
| CN110509109A (zh) * | 2019-07-16 | 2019-11-29 | 西安交通大学 | 基于多尺度深度卷积循环神经网络的刀具磨损监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7397421B2 (en) * | 2004-04-22 | 2008-07-08 | Smith Gregory C | Method for detecting acoustic emission using a microwave Doppler radar detector |
-
2020
- 2020-01-31 CN CN202010077631.9A patent/CN111325112B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5579232A (en) * | 1993-03-29 | 1996-11-26 | General Electric Company | System and method including neural net for tool break detection |
| GB0809516D0 (en) * | 2006-02-06 | 2008-07-02 | Smith International | Method of real-time drilling simulation |
| US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
| CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
| WO2017192821A1 (en) * | 2016-05-06 | 2017-11-09 | Massachusetts Institute Of Technology | Method and apparatus for efficient use of cnc machine shaping tool including cessation of use no later than the onset of tool deterioration by monitoring audible sound during shaping |
| CN109145319A (zh) * | 2017-06-16 | 2019-01-04 | 哈尔滨理工大学 | 基于深度神经网络的关键设备切削刀具剩余寿命预测方法 |
| CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 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 |
| CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
| CN108520125A (zh) * | 2018-03-29 | 2018-09-11 | 上海理工大学 | 一种预测刀具磨损状态的方法及*** |
| CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
| CN108747590A (zh) * | 2018-06-28 | 2018-11-06 | 哈尔滨理工大学 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
| CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
| CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
| CN110000610A (zh) * | 2019-04-17 | 2019-07-12 | 哈尔滨理工大学 | 一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法 |
| CN110188637A (zh) * | 2019-05-17 | 2019-08-30 | 西安电子科技大学 | 一种基于深度学习的行为识别技术方法 |
| CN110153802A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 |
| CN110509109A (zh) * | 2019-07-16 | 2019-11-29 | 西安交通大学 | 基于多尺度深度卷积循环神经网络的刀具磨损监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 唐利平等.刀具磨损状态特征参数提取与识别方法研究.《组合机床与自动化加工技术》.2019,(第10期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325112A (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325112B (zh) | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 | |
| CN112435363B (zh) | 一种刀具磨损状态实时监测方法 | |
| CN109934158B (zh) | 基于局部强化运动历史图和递归卷积神经网络的视频情感识别方法 | |
| Liang et al. | Rolling bearing fault diagnosis based on one-dimensional dilated convolution network with residual connection | |
| CN109685653A (zh) | 一种融合深度信念网络和孤立森林算法的信贷风险监测的方法 | |
| CN115100574A (zh) | 基于融合图卷积网络与Transformer网络的动作识别方法及*** | |
| CN114329826A (zh) | 一种基于生成式对抗网络的平面叶栅定常流动预测方法 | |
| CN112613542B (zh) | 一种基于双向lstm的企业除污设备负荷辨识方法 | |
| CN112101473B (zh) | 一种基于小样本学习的烟雾检测算法 | |
| CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
| CN108596044B (zh) | 基于深度卷积神经网络的行人检测方法 | |
| CN114330541A (zh) | 道路交通事故风险预测深度学习算法 | |
| Ma et al. | Automatic recognition of machining features based on point cloud data using convolution neural networks | |
| CN116738330A (zh) | 一种半监督域自适应脑电信号的分类方法 | |
| Zhang et al. | A deep learning-based multi-sensor data fusion method for degradation monitoring of ball screws | |
| CN110598737B (zh) | 一种深度学习模型的在线学习方法、装置、设备及介质 | |
| CN116776949A (zh) | 基于控矿要素制约的机器学习化探数据处理方法及*** | |
| CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
| Essiet et al. | Big data analysis for gas sensor using convolutional neural network and ensemble of evolutionary algorithms | |
| CN113705715B (zh) | 一种基于lstm和多尺度fcn的时间序列分类方法 | |
| CN117574776A (zh) | 一种面向任务规划的模型自学习优化方法 | |
| CN117726939A (zh) | 一种基于多特征融合的高光谱图像分类方法 | |
| CN117590173A (zh) | 一种基于卷积神经网络的电缆局部放电模式识别方法 | |
| CN115357862B (zh) | 一种狭长空间中的定位方法 | |
| CN116787227A (zh) | 小样本下数据增强与多特征融合的刀具磨损状态监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |