CN113762182A - 基于深度网络自适应的铣削刀具磨损状态预测方法及装置 - Google Patents

基于深度网络自适应的铣削刀具磨损状态预测方法及装置 Download PDF

Info

Publication number
CN113762182A
CN113762182A CN202111068904.4A CN202111068904A CN113762182A CN 113762182 A CN113762182 A CN 113762182A CN 202111068904 A CN202111068904 A CN 202111068904A CN 113762182 A CN113762182 A CN 113762182A
Authority
CN
China
Prior art keywords
network
data set
layer
domain data
wear state
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.)
Pending
Application number
CN202111068904.4A
Other languages
English (en)
Inventor
贺松平
李伟业
余凡
李斌
裘超超
毛新勇
刘红奇
梁焜
赵尊元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202111068904.4A priority Critical patent/CN113762182A/zh
Publication of CN113762182A publication Critical patent/CN113762182A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于深度网络自适应的铣削刀具磨损状态预测方法及装置，属于数控加工中心刀具磨损状态预测技术领域。本发明以迁移学习方法为核心，首先基于源域数据集训练特征提取网络；接着，在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型；最后，以最小化自适应层的损失为目标，基于源域数据集和目标域数据集训练迁移学习模型。如此，本发明可以利用已有的带标签的刀具磨损监测数据(源域数据)辅助建立其他场景下的刀具磨损预测模型，从而只需较少的带标签的目标域数据，就能够解决不同直径刀具的磨损状态预测问题。

Description

基于深度网络自适应的铣削刀具磨损状态预测方法及装置
技术领域
本发明属于数控加工中心刀具磨损状态预测技术领域，更具体地，涉及一种基于深度网络自适应的铣削刀具磨损状态预测方法及装置。
背景技术
铣削加工具有高精度、高效率、低成本等优势，在汽车、轮船、航空航天等行业都有广泛的应用，在机械加工制造领域占有很大的比重。而刀具作为铣削加工过程中不可忽视的一部分，其状态与产品的加工精度和表面质量息息相关，研究刀具磨损预测方法有助于提高铣削加工产品的质量、降低生产成本，对于提升企业和国家的竞争力有重要作用。
随着监测技术和深度学习方法的不断发展进步，目前能通过获取加工过程中多种监测信号构建模型用于刀具磨损状态或磨损值的预测，并且已经达到了较好的预测效果。但是目前常用方法需要预测数据与模型的训练数据分布保持一致，其局限性使得在面对新场景下的刀具磨损预测时，无法直接使用现有场景数据训练而建立的预测模型。同时由于制造过程的复杂性，难以获取到足够的与监测信号对应的刀具磨损状态或磨损值标签用于模型的训练。
因此，本领域目前亟需研究一种利用已有标签的刀具磨损监测数据和模型辅助建立其他场景下的刀具磨损预测模型，用以解决数控加工中心铣削加工中不同直径刀具的磨损状态预测问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度网络自适应的铣削刀具磨损状态预测方法及装置，旨在解决在面对新场景下的刀具磨损预测时，难以获取足够的与监测信号对应的刀具磨损状态或磨损值标签用于磨损状态预测模型训练的技术问题。
为实现上述目的，本发明提供了一种基于深度网络自适应的铣削刀具磨损状态预测方法，包括以下步骤：
S1，获取源铣削刀具、目标铣削刀具的振动信号和刀具磨损值；对所述振动信号进行小波分解重构，并将重构信号与刀具磨损值对应，得到带标签的源域数据集和目标域数据集；
S2，构建特征提取网络，并基于所述源域数据集训练所述特征提取网络；
S3，在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型；
S4，以最小化所述自适应层的损失为目标，基于所述源域数据集和目标域数据集训练所述迁移学习模型；并利用训练好的迁移学习模型实现所述目标铣削刀具磨损状态预测。
进一步地，所述S1中，对所述振动信号进行小波分解重构，包括：对所述振动信号进行四层小波分解，获得近似分量和细节分量，并通过所述近似分量和细节分量获得重构信号。
进一步地，所述S2中，以源铣削刀具的振动信号以及重构信号的时域、频域分量作为输入，以对应的刀具磨损值作为输出，对所述特征提取网络进行训练。
进一步地，所述S2中，所述特征提取网络为残差网络结构的深度特征提取网络。
进一步地，所述残差网络结构表示为：
xn+1＝xn+F(xn,Wn)
其中，xn为第n层残差网络的输入；xn+1为第n层残差网络输出，F(xn,Wn)为要学习的残差映射，Wn为第n层残差网络的映射权重。
进一步地，所述S4中，自适应层的优化目标函数表示为：
Figure BDA0003259714680000031
其中，na是所述源域数据集和目标域数据集的样本数量，
Figure BDA0003259714680000032
是第i个样本数据经所述微调层后输出的信号，
Figure BDA0003259714680000033
是权重为θ的自适应层输入
Figure BDA0003259714680000034
后得到的磨损状态预测值，
Figure BDA0003259714680000035
是样本磨损状态标签，
Figure BDA0003259714680000036
是磨损状态预测值与标签值的误差；γ是罚参数，l1和l2是网络层序号；
Figure BDA0003259714680000037
表示源域第l层实例，
Figure BDA0003259714680000038
表示目标域第l层实例，
Figure BDA0003259714680000039
表示在第
Figure BDA00032597146800000310
层网络下源域和目标域之间的多核最大均值化差异度量距离。
为实现上述目的，本发明还提供了一种基于深度网络自适应的铣削刀具磨损状态预测装置，包括：
数据获取及预处理模块，用于获取源铣削刀具、目标铣削刀具的振动信号和刀具磨损值；对所述振动信号进行小波分解重构，并将重构信号与刀具磨损值对应，得到带标签的源域数据集和目标域数据集；
特征提取网络训练模块，用于构建特征提取网络，并基于所述源域数据集训练所述特征提取网络；
迁移学习模型构建模块，用于在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型；
迁移学习模型训练模块，用于以最小化所述自适应层的损失为目标，基于所述源域数据集和目标域数据集训练所述迁移学习模型；并利用训练好的迁移学习模型实现所述目标铣削刀具磨损状态预测。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明以迁移学习方法为核心，首先基于源域数据集训练特征提取网络；接着，在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型；最后，以最小化自适应层的损失为目标，基于源域数据集和目标域数据集训练迁移学习模型。如此，本发明可以利用已有的带标签的刀具磨损监测数据(源域数据)辅助建立其他场景下的刀具磨损预测模型，从而只需较少的带标签的目标域数据，就能够解决不同直径刀具的磨损状态预测问题。
(2)本发明通过四层小波分解重构获得重构信号，将重构信号、原始信号的时域、频域分量作为特征提取网络的输入，原始信号极大程度的保留了信号全部信息，重构信号突出了信号中与刀具磨损状态相关的主要信息，可以提高特征提取网络的效率，提高监测***的可靠性。
(3)本发明采用多个多核最大均值化差异度量的自适应层，源域和目标域数据特征域自适应效果好，冻结特征提取网络能够更快的收敛，并且最终预测准确率较高。
(4)本发明在训练迁移学习模型时，将多核最大均值化差异度量作为网络损失，采用按需调整的多阶段学习率曲线，优化器为随机梯度下降法，模型训练收敛快，预测准确率高。
附图说明
图1为本发明实施例提供的一种基于深度网络自适应的铣削刀具磨损状态预测方法的流程图；
图2为本发明实施实例涉及的实验数据采集过程示意图；
图3为本发明所采用的四层小波分解示意图；
图4为本发明实施实例涉及的不同直径铣刀加工振动信号时域和频域分量，其中，(a)为8mm直径铣刀原始振动信号时域分量，(b)为6mm直径铣刀原始振动信号时域分量，(c)为8mm直径铣刀原始振动信号频域分量，(d)为6mm直径铣刀原始振动信号频域分量；
图5为不同结构的特征提取网络层，其中，(a)为普通网络结构，(b)残差网络结构；
图6为本发明所提出的深度网络自适应的迁移学习模型结构；
图7为本发明所提出深度网络自适应的铣削刀具磨损状态预测模型的构建和训练过程；
图8为本发明实施实例涉及的模型学习率设置曲线；
图9为本发明实施实例涉及的源域8mm直径立铣刀测试数据预测结果混淆矩阵；
图10为本发明实施实例涉及的目标域6mm直径立铣刀数据预测结果混淆矩阵；
图11为本发明实施例提供的一种基于深度网络自适应的铣削刀具磨损状态预测装置的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
图1为本发明实施例提供的一种基于深度网络自适应的铣削刀具磨损状态预测方法的流程图，该检测方法包括操作S1-操作S4。
操作S1，获取源铣削刀具、目标铣削刀具的振动信号和刀具磨损值；对所述振动信号进行小波分解重构，并将重构信号与刀具磨损值对应，得到带标签的源域数据集和目标域数据集。具体地：
源域数据集和目标域数据集分别通过以下步骤获取：
S11，搭建数控加工中心铣削刀具磨损实验平台，在加工中心主轴附近布置振动传感器，在主轴电机电源线上布置霍尔电流传感器，通过Dewesoft采集仪采集不同直径立铣刀铣削加工过程中的主轴振动信号、电流信号；
S12，采用便携式显微镜在刀具未拆卸条件下拍摄每个切削刃磨损图片，通过放大倍数标记刀具磨损值；
S13，通过电流信号截取加工过程中的振动信号，并对应测量的刀具磨损值标签，建立不同直径铣削刀具磨损数据集；
S14，对加工过程中的振动信号进行四层小波分解，然后重构信号，加入数据集。
其中，源铣削刀具为拥有足够多带标签的刀具磨损监测数据的铣削刀具，目标铣削刀具为待预测的铣削刀具。
操作S2，构建特征提取网络，并基于所述源域数据集训练所述特征提取网络。具体地：
特征提取网络用于提取源域和目标域数据的深层特征，网络的输入为原始振动信号降噪后时域、频域分量以及小波分解重构信号的时域、频域分量。
本实施例采用残差网络结构搭建深度特征提取网络。深度学习网络中，增加网络的深度能够获得更好的非线性映射能力，因此能提高模型的预测效果。但是增加网络的深度一方面使得网络的参数更多导致难以收敛，另一方面网络的梯度在多个网络层反向传播过程中会逐渐减小，当网络层过深时梯度可能变为零，这会导致模型的失效。因此不能无限制增加网络深度来提高预测效果，残差神经网络其特殊结构让更深层次的网络成为可能，通过将输入重新加到输出中避免梯度消失同时也未影响模型效果。
第n层的残差网络结构可表示成以下形式：
xn+1＝xn+F(xn,Wn)
其中，xn为第n层残差网络的输入；xn+1为第n层残差网络输出，F(xn,Wn)为要学习的残差映射，Wn为第n层残差网络的映射权重。
通过多个残差网络层的串联可以构建更深的残差网络，保证了输入能直接传递回任意深度，同时也保证了求导公式不会出现梯度消失或***的现象，使网络深度可以突破约束，刀具磨损预测模型拥有更高的精度的同时且不增加计算量。
操作S3，在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型。具体地：
在深度学习网络中，深层特征最终必须通过网络的最后一层从一般过渡到具体，而可迁移性差距随着域之间的差异增大而增大，在迁移更高的网络层时较为明显。模型网络的最后的全连接层提取到最终的特征主要是用于源域数据分类，无法直接用于目标域数据分类，因此采用微调的方法将预测模型直接迁移到目标域，对目标域的作用有限。本发明通过在源域数据训练的模型上微调，通过在最后三层全连接层网络分别添加一个基于多核最大均值化差异度量的自适应度量来实现源域和目标域特征分布在隐藏表示下变得相似。具体优化目标如下所示：
Figure BDA0003259714680000071
其中，na是所述源域数据集和目标域数据集的样本数量，
Figure BDA0003259714680000072
是第i个样本数据经所述微调层后输出的信号，
Figure BDA0003259714680000073
是权重为θ的自适应层输入
Figure BDA0003259714680000074
后得到的磨损状态预测值，
Figure BDA0003259714680000075
是样本磨损状态标签，
Figure BDA0003259714680000076
是磨损状态预测值与标签值的误差；γ是罚参数，l1和l2是网络层序号；在本发明中，选取网络倒数三层，网络层数的选择取决于标记的源数据集的大小和需要微调的层中的参数数量；
Figure BDA0003259714680000077
表示源域第l层实例，
Figure BDA0003259714680000078
表示目标域第l层实例，
Figure BDA0003259714680000079
表示在第
Figure BDA00032597146800000710
层网络下源域和目标域之间的多核最大均值化差异度量距离。
操作S4，以最小化所述自适应层的损失为目标，基于所述源域数据集和目标域数据集训练所述迁移学习模型；并利用训练好的迁移学习模型实现所述目标铣削刀具磨损状态预测。具体地：
迁移学习模型的搭建，首先基于带标签的源域数据训练特征提取网络，然后在训练好的特征提取网络后添加微调层以及三层自适应层，通过源域数据集和目标域数据集一起训练降低网络损失。
在模型训练和调试过程中，学习率的设置较为关键，常见的学习率调整策略有固定值、等间隔调整、按需调整、指数衰减调整等，根据相应的模型训练需求可以自定义学习率调整策略。本发明的深度网络自适应迁移学习模型训练过程大致可分为三个阶段，因此根据三个阶段的不同训练需求采用指数衰减和按需调整结合的策略。
下面以立式数控加工中心6mm和8mm直径立铣刀铣削加工过程为例，对本发明的方法进行说明。
本发明实例具体实施步骤如下：
(1)实验数据采集与预处理
本发明的实验数据采集过程如图2所示，在加工中心主轴上布置三向振动传感器采集加工振动信号，振动传感器测量范围为±50g，X、Y、Z三个方向的灵敏度分别为103.93mv/g、104.09mv/g、95.31mv/g；在主轴电机电源线上布置霍尔电流传感器采集三相电流信号，霍尔传感器参数如表1所示，通过Dewesoft数据采集仪采集振动和电流信号保存于笔记本中；采用艾尼提3R-MS2020USB便携式显微镜在刀具未拆卸条件下拍摄每个切削刃磨损图片并通过放大倍数标记磨损值，其放大倍数为10-200倍，图像最大分辨率为1600*1200，通过USB与笔记本电脑相连接。
表1 CSNF161霍尔传感器参数
Figure BDA0003259714680000081
Figure BDA0003259714680000091
实验数据采集对象包括6mm和8mm两种直径的铝用立铣刀，具体实验加工参数如表2所示。
表2实验主要参数
Figure BDA0003259714680000092
具体数据采集与预处理步骤如下：
(1.1)搭建数控加工中心铣削刀具磨损实验平台，在加工中心主轴附近布置振动传感器，在主轴电机电源线上布置霍尔电流传感器，通过Dewesoft采集仪采集不同直径立铣刀铣削加工过程中的主轴振动、电流信号；
(1.2)采用便携式显微镜在刀具未拆卸条件下拍摄每个切削刃磨损图片，通过放大倍数标记磨损值，放大倍数为10-200倍；
(1.3)通过电流信号截取加工过程中的振动信号，并对应测量的刀具磨损值标签，建立不同直径铣削刀具磨损数据集；
(1.4)对振动信号进行四层小波分解，如图3所示，获得近似分量4和细节分量4，然后通过两个分量获得重构信号，加入数据集。
原始信号频带在0-5kHz，四层小波分解后近似分量4和细节分量4的频带分别为0-312.5Hz、312.5-625Hz。切削产生的基频为300hz和400Hz，反映刀具磨损的信号主要处于低频带基频附近，因此对信号进行四层小波分解。
源域测试数据包含一把8mm直径立铣刀的全生命周期磨损监测数据，目标域为6mm直径立铣刀的全生命周期磨损监测数据。源域和目标域数据的时域、频域信号如图4所示。
(2)深度特征提取
深度特征提取网络用于提取源域和目标域数据的深层特征，网络的输入为原始振动信号降噪后时域、频域分量以及四层小波分解重构后近似分量4和细节分量4信号的时域、频域分量。
如图5中(a)所示为普通网络结构，(b)为残差模块的结构，采用残差网络结构搭建深度特征提取网络。深度学习网络中，增加网络的深度能够获得更好的非线性映射能力，因此能提高模型的预测效果。但是增加网络的深度一方面使得网络的参数更多导致难以收敛，另一方面网络的梯度在多个网络层反向传播过程中会逐渐减小，当网络层过深时梯度可能变为零，这会导致模型的失效。因此不能无限制增加网络深度来提高预测效果，残差神经网络其特殊结构让更深层次的网络成为可能，通过将输入重新加到输出中避免梯度消失同时也未影响模型效果。
第n层的残差网络结构可表示成以下形式：
xn+1＝xn+F(xn,Wn)
其中，xn为第n层残差网络的输入；xn+1为第n层残差网络输出，F(xn,Wn)为要学习的残差映射，Wn为第n层残差网络的映射权重。
通过多个残差网络层的串联可以构建更深的残差网络，保证了输入能直接传递回任意深度，同时也保证了求导公式不会出现梯度消失或***的现象。使网络深度可以突破约束，刀具磨损预测模型拥有更高的精度的同时且不增加计算量。
(3)源域和目标域特征域自适应
在深度学习网络中，深层特征最终必须通过网络的最后一层从一般过渡到具体，而可迁移性差距随着域之间的差异增大而增大，在迁移更高的网络层时较为明显。模型网络的最后的全连接层提取到最终的特征主要是用于源域数据分类，无法直接用于目标域数据分类，因此采用微调的方法将预测模型直接迁移到目标域，对目标域的作用有限。本发明通过在源域数据训练的模型上微调，通过在最后三层全连接层网络分别添加一个基于多核最大均值化差异度量的自适应度量来实现源域和目标域特征分布在隐藏表示下变得相似。具体优化目标如下所示：
Figure BDA0003259714680000111
其中，na是所述源域数据集和目标域数据集的样本数量，
Figure BDA0003259714680000112
是第i个样本数据经所述微调层后输出的信号，
Figure BDA0003259714680000113
是权重为θ的自适应层输入
Figure BDA0003259714680000114
后得到的磨损状态预测值，
Figure BDA0003259714680000115
是样本磨损状态标签，
Figure BDA0003259714680000116
是磨损状态预测值与标签值的误差；γ是罚参数，l1和l2是网络层序号；在本发明中，选取网络倒数三层，网络层数的选择取决于标记的源数据集的大小和需要微调的层中的参数数量；
Figure BDA0003259714680000117
表示源域第l层实例，
Figure BDA0003259714680000118
表示目标域第l层实例，
Figure BDA0003259714680000119
表示在第
Figure BDA00032597146800001110
层网络下源域和目标域之间的多核最大均值化差异度量距离。
(4)模型构建与训练
深度网络自适应迁移学习模型的搭建，首先基于源域有标签数据训练刀具磨损状态预测模型，然后在模型特征提取网络部分后添加微调层以及三层自适应层，通过源域和目标域一起训练降低网络损失。模型最终结构如图6所示，模型训练过程如图7所示。
在模型训练和调试过程中，学习率的设置较为关键，常见的学习率调整策略有固定值、等间隔调整、按需调整、指数衰减调整等，根据相应的模型训练需求可以自定义学习率调整策略。本发明的深度网络自适应迁移学习模型训练过程大致可分为三个阶段，因此根据三个阶段的不同训练需求采用指数衰减和按需调整结合的策略。初始阶段主要降低源域有标签数据的分类损失，此阶段需要设置较大的学习率加快损失下降过程，本文设置为0.015。中间阶段主要降低源域和目标域自适应损失，通过较小的学习率避免预测结果波动，采用一个指数衰减的学习率曲线，逐步下降至0.005左右，最后阶段进行微调过程，此时模型已经基本收敛，需要进一步调整模型参数降低模型最终损失，因此采用一个缓慢降低的学习率，在第500个Epoch学习率下降至0.004。整个学习率随迭代次数变化曲线如图8所示。
模型数据输入批次大小(BathSize)为32，训练迭代次数(Epoch)为500，优化器为随机梯度下降法。
具体通过如下方式进行训练：
(4.1)基于源域有标签数据训练刀具磨损状态预测模型，然后在模型特征提取网络部分后添加微调层以及三层自适应层构建迁移学习模型。
根据流程采集数据建立的6mm和8mm刀具磨损状态数据集，其中源域8mm直径立铣刀铣削加工有标签的测试数据包含初期磨损、正常磨损以及严重磨损状态样本分别700个，总共2100个样本。
预测模型在源域数据集中预测准确2020个，预测准确率为96.2％，初期磨损、正常磨损以及严重磨损预测准确率分别为97.6％、95.7％、95.3％。如图9所示，采用混淆矩阵来表示预测结果，矩阵的三列分别代表预测的类别，其总数为预测结果为该类的所有样本个数。矩阵的三行对应每一类的实际真实类别，其总数代表实际该类的总数。源域数据训练结果表明，采用残差神经网络能有效提取刀具磨损监测信号中的敏感特征。
(4.2)通过源域和目标域数据一起训练迁移学习模型，按需调整模型训练的学习率，降低网络损失，获得收敛的深度网络自适应的铣削刀具磨损状态预测模型。
提取网络分类层前的特征进行可视化，观察整个训练过程对源域和目标域的适配情况，由于特征维度太大无法直观显示，通过t分布随机近邻嵌入方法将模型分类层的前一层特征进行降维之后可视化，该方法对特征进行降维后能保留局部的分布，即特征样本点之间的距离差异降维前后可以保持不变。同时将源域和目标域的特征点可视化到二维坐标系中，从源域数据来看，模型提取的特征已经将源域划分为三类，同时随着不断的迭代，在第350个Epoch时，源域和目标域的特征分布趋近于一致，说明了本发明所提出的深度网络自适应的迁移方法能对两个域的数据分布进行适配。
(4.3)通过数据集中的验证数据对模型进行验证，完成不同直径立铣刀刀具磨损预测。
在8mm直径立铣刀铣削磨损状态预测模型基础上搭建深度网络自适应的迁移学习模型用于6mm直径刀具磨损状态预测。在源域模型的基础上增加三层自适应层构建迁移学习模型进行训练，在模型损失收敛的情况下对模型进行验证。通过对比目标域实际标签与预测标签，最终准确率达到81％。初期磨损、正常磨损以及严重磨损预测准确率分别为93％、91％、43.4％。输出目标域的预测标签后与真实标签对比绘制混淆矩阵如图10所示。
图11为本发明实施例提供的一种基于深度网络自适应的铣削刀具磨损状态预测装置的框图。参阅图11，该预测装置110包括数据获取及预处理模块111、特征提取网络训练模块112、迁移学习模型构建模块113以及迁移学习模型训练模块114。
获取及预处理模块111例如执行操作S1，用于获取源铣削刀具、目标铣削刀具的振动信号和刀具磨损值；对所述振动信号进行小波分解重构，并将重构信号与刀具磨损值对应，得到带标签的源域数据集和目标域数据集；
特征提取网络训练模块112例如执行操作S2，用于构建特征提取网络，并基于所述源域数据集训练所述特征提取网络；
迁移学习模型构建模块113例如执行操作S3，用于在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型；
迁移学习模型训练模块114例如执行操作S4，用于以最小化所述自适应层的损失为目标，基于所述源域数据集和目标域数据集训练所述迁移学习模型；并利用训练好的迁移学习模型实现所述目标铣削刀具磨损状态预测。
预测装置110用于执行上述图1所示实施例中的预测方法。本实施例未尽之细节，请参阅前述图1所示实施例中的预测方法，此处不再赘述。
综上，基于本发明提出的方法对数控加工中心不同直径立铣刀铣削加工过程中的主轴振动信号进行四层小波分解重构，将重构信号和降噪的原始信号的时域和频域分量输入至深度网络自适应的迁移学习模型中进行训练，对不同直径刀具磨损状态辨识之后发现，该方法无论是从不同刀具磨损状态辨识的准确性还是在不同刀具模型迁移的高效性和有效性上来说，其对所针对的数控加工中心不同直径立铣刀磨损状态辨识和机床状态监测的研究均有极大的意义。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，包括以下步骤：
S1，获取源铣削刀具、目标铣削刀具的振动信号和刀具磨损值；对所述振动信号进行小波分解重构，并将重构信号与刀具磨损值对应，得到带标签的源域数据集和目标域数据集；
S2，构建特征提取网络，并基于所述源域数据集训练所述特征提取网络；
S3，在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型；
S4，以最小化所述自适应层的损失为目标，基于所述源域数据集和目标域数据集训练所述迁移学习模型；并利用训练好的迁移学习模型实现所述目标铣削刀具磨损状态预测。
2.根据权利要求1所述的基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，所述S1中，对所述振动信号进行小波分解重构，包括：对所述振动信号进行四层小波分解，获得近似分量和细节分量，并通过所述近似分量和细节分量获得重构信号。
3.根据权利要求1所述的基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，所述S2中，以源铣削刀具的振动信号以及重构信号的时域、频域分量作为输入，以对应的刀具磨损值作为输出，对所述特征提取网络进行训练。
4.根据权利要求1或3所述的基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，所述S2中，所述特征提取网络为残差网络结构的深度特征提取网络。
5.根据权利要求4所述的基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，所述残差网络结构表示为：
xn+1＝xn+F(xn,Wn)
其中，xn为第n层残差网络的输入；xn+1为第n层残差网络输出，F(xn,Wn)为要学习的残差映射，Wn为第n层残差网络的映射权重。
6.根据权利要求1所述的基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，所述S4中，自适应层的优化目标函数表示为：
Figure FDA0003259714670000021
其中，na是所述源域数据集和目标域数据集的样本数量，
Figure FDA0003259714670000022
是第i个样本数据经所述微调层后输出的信号，
Figure FDA0003259714670000023
是权重为θ的自适应层输入
Figure FDA0003259714670000024
后得到的磨损状态预测值，
Figure FDA0003259714670000025
是样本磨损状态标签，
Figure FDA0003259714670000026
是磨损状态预测值与标签值的误差；γ是罚参数，l1和l2是网络层序号；
Figure FDA0003259714670000027
表示源域第l层实例，
Figure FDA0003259714670000028
表示目标域第l层实例，
Figure FDA0003259714670000029
表示在第
Figure FDA00032597146700000210
层网络下源域和目标域之间的多核最大均值化差异度量距离。
7.一种基于深度网络自适应的铣削刀具磨损状态预测装置，其特征在于，包括：
数据获取及预处理模块，用于获取源铣削刀具、目标铣削刀具的振动信号和刀具磨损值；对所述振动信号进行小波分解重构，并将重构信号与刀具磨损值对应，得到带标签的源域数据集和目标域数据集；
特征提取网络训练模块，用于构建特征提取网络，并基于所述源域数据集训练所述特征提取网络；
迁移学习模型构建模块，用于在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型；
迁移学习模型训练模块，用于以最小化所述自适应层的损失为目标，基于所述源域数据集和目标域数据集训练所述迁移学习模型；并利用训练好的迁移学习模型实现所述目标铣削刀具磨损状态预测。
CN202111068904.4A 2021-09-13 2021-09-13 基于深度网络自适应的铣削刀具磨损状态预测方法及装置 Pending CN113762182A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111068904.4A CN113762182A (zh) 2021-09-13 2021-09-13 基于深度网络自适应的铣削刀具磨损状态预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111068904.4A CN113762182A (zh) 2021-09-13 2021-09-13 基于深度网络自适应的铣削刀具磨损状态预测方法及装置

Publications (1)

Publication Number Publication Date
CN113762182A true CN113762182A (zh) 2021-12-07

Family

ID=78795124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111068904.4A Pending CN113762182A (zh) 2021-09-13 2021-09-13 基于深度网络自适应的铣削刀具磨损状态预测方法及装置

Country Status (1)

Country Link
CN (1) CN113762182A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239859A (zh) * 2022-02-25 2022-03-25 杭州海康威视数字技术股份有限公司 一种基于迁移学习的时序数据预测方法、装置及存储介质
CN114986258A (zh) * 2022-07-22 2022-09-02 中机智能装备创新研究院(宁波)有限公司 刀具状态监测方法、装置、计算机设备及***
CN116992778A (zh) * 2023-08-30 2023-11-03 西北工业大学 铣削加工残余应力变形预测方法、存储介质和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110598299A (zh) * 2019-09-04 2019-12-20 北京理工大学 一种基于传感器融合与深度学习的表面完整性评价方法
AU2020103905A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning
CN113103068A (zh) * 2021-04-19 2021-07-13 大连理工大学 一种基于深度迁移学习的刀具状态监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110598299A (zh) * 2019-09-04 2019-12-20 北京理工大学 一种基于传感器融合与深度学习的表面完整性评价方法
AU2020103905A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning
CN113103068A (zh) * 2021-04-19 2021-07-13 大连理工大学 一种基于深度迁移学习的刀具状态监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUNCHENG WANG等: "Milling force prediction model based on transfer learning and neural network", JOURNAL OF INTELLIGENT MANUFACTURING, vol. 32, 4 June 2020 (2020-06-04), pages 947 - 956, XP037403317, DOI: 10.1007/s10845-020-01595-w *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239859A (zh) * 2022-02-25 2022-03-25 杭州海康威视数字技术股份有限公司 一种基于迁移学习的时序数据预测方法、装置及存储介质
CN114239859B (zh) * 2022-02-25 2022-07-08 杭州海康威视数字技术股份有限公司 基于迁移学习的用电量数据预测方法、装置及存储介质
CN114986258A (zh) * 2022-07-22 2022-09-02 中机智能装备创新研究院(宁波)有限公司 刀具状态监测方法、装置、计算机设备及***
CN114986258B (zh) * 2022-07-22 2024-04-16 中机智能装备创新研究院(宁波)有限公司 刀具状态监测方法、装置、计算机设备及***
CN116992778A (zh) * 2023-08-30 2023-11-03 西北工业大学 铣削加工残余应力变形预测方法、存储介质和电子设备
CN116992778B (zh) * 2023-08-30 2024-04-26 西北工业大学 铣削加工残余应力变形预测方法、存储介质和电子设备

Similar Documents

Publication Publication Date Title
CN113762182A (zh) 基于深度网络自适应的铣削刀具磨损状态预测方法及装置
CN110153802B (zh) 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
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN107907778B (zh) 一种基于多特征参量的变压器综合故障诊断方法
CN110561191B (zh) 基于pca与自编码器的数控机床刀具磨损数据处理方法
CN110096810B (zh) 一种基于逐层数据扩充深度学习的工业过程软测量方法
Ulrich et al. Questionable research practices may have little effect on replicability
CN113780208A (zh) 一种基于对抗迁移学习的刀具磨损状态预测方法及装置
CN103714191A (zh) 用于异常工具和阶段诊断的2d/3d分析
Du et al. Intelligent turning tool monitoring with neural network adaptive learning
CN116520772A (zh) 基于多任务迁移学习的薄板零件数控加工质量预测方法
Ma et al. A health indicator construction method based on self-attention convolutional autoencoder for rotating machine performance assessment
Wang et al. Self-adaptive fusion of local-temporal features for tool condition monitoring: A human experience free model
Jia et al. Prediction of tool wear in sculpture surface by a new fusion method of temporal convolutional network and self-attention
Li et al. Modeling and tagging of time sequence signals in the milling process based on an improved hidden semi-Markov model
CN113553245A (zh) 结合双向切片gru与门控注意力机制日志异常检测方法
CN110347579B (zh) 基于神经元输出行为模式的深度学习测试用例的选择方法
Sun et al. A classification and location of surface defects method in hot rolled steel strips based on YOLOV7
Wei et al. Research on tool wear state identification method driven by multi-source information fusion and multi-dimension attention mechanism
CN115344951A (zh) 基于时间卷积网络和辅助学习的刀具磨损量预测方法
CN113159419A (zh) 一种群体特征画像分析方法、装置、设备及可读存储介质
CN114139598A (zh) 基于深度代价敏感卷积网络的故障诊断方法及诊断框架
Mikheev et al. Problems of using neural networks
Liang et al. An Improved ResNet-1d with Channel Attention for Tool Wear Monitor in Smart Manufacturing
Herrera-Granados et al. An experimental study of multi-sensor tool wear monitoring and its application to predictive maintenance

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