一种刀具状态智能监测的进化学习方法

摘要

一种刀具状态智能监测的进化学习方法，利用三向加速度传感器和传声器采集振动信号和声信号，对信号进行平滑处理，并将其划分为训练集和测试集；采用堆叠自编码器对动态信号的深层次特征进行自动提取，并对提取的特征进行分类；根据训练集模型准确度对各算法进行权重分配，通过加权平均获得最终预测的刀具状态，并保存模型相关参数；将实际加工过程中的实时振动信号和声信号经数据预处理后输入保存过的监测模型中，获得对应信号的刀具状态，保存置信度水平较高的数据标签，并对网络参数进行更新，从而实现刀具状态智能监测的进化学习。本方法可避免人工的参与，降低计算复杂度，且能减弱机床性能退化对刀具状态监测模型预测准确度的影响。

权利要求

1.一种刀具状态智能监测的进化学习方法，首先，选取加工过程中的振动信号和声信号作为刀具状态的监测信号，并利用三向加速度传感器和传声器对其进行采集，采用五点三次平滑法对信号进行平滑处理，并将其划分为训练集和测试集；然后，采用堆叠自编码器对动态信号的深层次特征进行自动提取，并利用KNN、SVM、ELM、DT以及BP网络对提取的特征进行分类；接着，根据训练集模型准确度对各算法进行权重分配，通过加权平均获得最终预测的刀具状态，并保存模型相关参数；最后，将实际加工过程中的实时振动信号和声信号经数据预处理后输入保存过的监测模型中，获得对应信号的刀具状态，保存置信度水平较高的数据标签，并对网络参数进行更新，从而实现刀具状态智能监测的进化学习；其特征在于，具体步骤如下：

第一步，加工过程中的动态信息采集

分别利用压电式三向加速度传感器和传声器对数控机床加工过程中的振动信号和声信号进行采集，并通过观察刀具的磨损情况确定刀具的状态信息；

第二步，采集数据的预处理

首先，为消除传感器在采集数据时产生的偏移对动态信号的影响，采用五点三次平滑法对动态信号进行平滑处理；

假设动态信号样本点的纵坐标分别为y0，y1,…,yn‑1，yn，用三次多项式对数据进行拟合，通过最小二乘法确定多项式的待定系数，当拟合的样本点数为5时，平滑后各点的纵坐标 通过式(1)计算得到；

其次，将振动传感器采集的加速度信号Vx、Vy、Vz进行矢量叠加，叠加后振动信号的有效值如式(2)所示；对矢量叠加后的数据X进行归一化，通过式(3)将其归一化到[0,1]的范围内，并将动态信号划分为训练集和测试集；

然后，采用堆叠自编码器对动态信号的特征进行自动提取，获得动态信号的深层次特征；自编码器网络是一种由编码器和解码器构成的三层无监督网络模型，编码层和解码层的输出分别通过式(4)和式(5)进行计算；

h1＝Sθ(X′)＝Se(WX′+b)    (4)o＝Sθ′(h1)＝Sd(W′h1+b′)    (5)其中，h1为编码层的输出，θ＝{W,b}为网络的编码层参数，Se(·)为编码层的激活函数，o为重构后的原始数据，θ′＝{W′,b′}为网络的解码层参数，Sd(·)为解码层的激活函数；

自编码器通过最小化损失函数将原始的高维数据压缩到低维状态，对于M个原始输入数据X′，自编码器网络的损失函数如式(6)所示；

第三步，动态信号深层次特征分类

在分类阶段，分别将训练集的深层次特征输入至KNN、SVM、ELM、DT以及BP神经网络中，对于训练集中的一个动态信号获得五个刀具状态监测结果；当刀具为正常状态时，模型输出为[1,0]；当刀具为异常状态时，模型输出为[0,1]；将五种分类算法按照训练准确度进行降序排序，并分别赋给0.35、0.25、0.2、0.15和0.05的权重；将测试集数据采用同样的数据预处理方式输入至分类模型中，通过加权平均后获得测试集预测准确度，若测试集准确度低于设定阈值T1，则对网络参数进行调整并重新进行训练，反之，保存模型相关参数用于网络的进化学习；

第四步，刀具状态监测模型的进化学习在实际加工过程中，首先对采集到的加工过程动态信号进行保存，当数据存储达到数量阈值N或运行时间达到时间阈值T2时，对存储的数据进行数据平滑和特征提取操作，并输入分类模型获取预测标签，当预测模型的输出预测标签概率超过阈值T3时，认为当前数据标签的置信度较高，将该标签标记为刀具状态的真实标签，否则，删除对应动态信号，并重新进行动态信号保存；利用保存的动态信号与对应标签对模型的网络参数进行更新，并保存相应模型参数。

说明书

一种刀具状态智能监测的进化学习方法

技术领域

[0001] 本发明属于刀具状态监测技术领域，具体为一种刀具状态监测的进化学习方法。

背景技术

[0002] 在机械加工领域，刀具状态对生产效率以及被加工零件的加工精度和表面质量有重要影响，当刀具磨损严重时甚至会损坏机床，对操作人员的人身安全造成威胁。目前，刀
具的磨损情况一般依靠有经验的工人根据加工现场的切削振动、切削噪声以及切屑颜色等
进行判断，但该方法对操作者的相关经验要求较高，可能会由于提前换刀，造成加工成本增
加，也可能会由于换刀不及时，导致零件报废甚至设备的停机检查。因此，在自动化的数控
加工过程中，对刀具状态的准确监测和识别的研究具有重要意义。

[0003] 目前，研究人员在刀具状态监测方面进行了一定的研究。在专利“一种基于电流与声发射复合信号的刀具磨损监测方法”(CN201510116263.3)中，获取切削加工中主轴电机
的电流信号及车刀磨损状态的声发射信号，利用小波包分析、相关性分析和主成分分析等
方法提取刀具磨损状态的特征信息，并通过分析与初始状态特征之间的关联性来判断刀具
的磨损程度。在专利“一种数控机床刀具磨损监测方法”(CN201010607532.3)中，采集数控
机床伺服驱动电流信号，利用小波包分解技术获得时频域特征后选择与刀具磨损相关性较
强的特征，并利用机器学习方法对刀具磨损过程进行学习，从而获得刀具磨损规律。在专利
“一种基于振动和声发射的刀具磨损状态识别方法”(CN109635847A)中，对加工过程中的振
动信号和声发射信号进行实时采集，并进行时域、频域和时频的特征提取后，通过BP神经网
络对刀具状态进行识别并最终输出当前刀具的磨损情况。在专利“一种基于机器学习的刀
具磨损状态监测方法”(CN109571141A)中，采集加工过程中的切削力信号和振动信号作为
刀具状态的监测信息，通过人工特征提取和特征选择后，采用神经网络模型对刀具的磨损
量进行回归分析，并采用粒子群优化算法提高网络的预测性能。

[0004] 综上所述，现有的刀具状态监测方法仍然存在着一些问题，如：(1)对采集得到的刀具状态监测信息多采用人工提取特征的方法，使得数据处理过程费时费力(2)建立的刀
具状态监测方法只适用于当前的机床状态，随着机床性能的逐渐退化，监测模型会产生失
效，不能对当前的刀具状态进行准确预测。本发明针对传统神经网络监测刀具状态存在的
问题，提出一种刀具状态智能监测的进化学习方法。

发明内容

[0005] 本发明的目的为提供一种刀具状态智能监测的进化学习方法，解决现有刀具状态监测模型不能适应数控机床退化过程的难题，实现了监测模型的进化学习。

[0006] 为解决上述技术问题，本发明的技术方案为：

[0007] 一种刀具状态智能监测的进化学习方法，首先，选取加工过程中的振动信号和声信号作为刀具状态的监测信号，并利用三向加速度传感器和传声器对其进行采集，采用五
点三次平滑法对信号进行平滑处理，并将其划分为训练集和测试集；然后，采用堆叠自编码
器对动态信号的深层次特征进行自动提取，并利用KNN、SVM、ELM、DT以及BP网络对提取的特
征进行分类；接着，根据训练集模型准确度对各算法进行权重分配，通过加权平均获得最终
预测的刀具状态，并保存模型相关参数；最后，将实际加工过程中的实时振动信号和声信号
经数据预处理后输入保存过的监测模型中，获得对应信号的刀具状态，保存置信度水平较
高的数据标签，并对网络参数进行更新，从而实现刀具状态智能监测的进化学习；具体步骤
如下：

[0008] 第一步，加工过程中的动态信息采集

[0009] 分别利用压电式三向加速度传感器和传声器对数控机床加工过程中的振动信号和声信号进行采集，并通过观察刀具的磨损情况确定刀具的状态信息；

[0010] 第二步，采集数据的预处理

[0011] 首先，为消除传感器在采集数据时产生的偏移对动态信号的影响，采用五点三次平滑法对动态信号进行平滑处理；

[0012] 假设动态信号样本点的纵坐标分别为y0，y1,…,yn‑1，yn，用三次多项式对数据进行拟合，通过最小二乘法确定多项式的待定系数，当拟合的样本点数为5时，平滑后各点的纵
坐标 通过式(1)计算得到；

[0013]

[0014] 其次，将振动传感器采集的加速度信号Vx、Vy、Vz进行矢量叠加，叠加后振动信号的有效值如式(2)所示；对矢量叠加后的数据X进行归一化，通过式(3)将其归一化到[0,1]的
范围内，并将动态信号划分为训练集和测试集；

[0015]

[0016]

[0017] 然后，采用堆叠自编码器对动态信号的特征进行自动提取，获得动态信号的深层次特征；自编码器网络是一种由编码器和解码器构成的三层无监督网络模型，编码层和解
码层的输出分别通过式(4)和式(5)进行计算；

[0018] h1＝Sθ(X′)＝Se(WX′+b)   (4)

[0019] o＝Sθ′(h1)＝Sd(W′h1+b′)   (5)

[0020] 其中，h1为编码层的输出，θ＝{W,b}为网络的编码层参数，Se(·)为编码层的激活函数，o为重构后的原始数据，θ′＝{W′,b′}为网络的解码层参数，Sd(·)为解码层的激活函
数；

[0021] 自编码器通过最小化损失函数将原始的高维数据压缩到低维状态，对于M个原始输入数据X′，自编码器网络的损失函数如式(6)所示；

[0022]

[0023] 第三步，动态信号深层次特征分类

[0024] 在分类阶段，分别将训练集的深层次特征输入至KNN、SVM、ELM、DT以及BP神经网络中，对于训练集中的一个动态信号获得五个刀具状态监测结果；当刀具为正常状态时，模型
输出为[1,0]；当刀具为异常状态时，模型输出为[0,1]；将五种分类算法按照训练准确度进
行降序排序，并分别赋给0.35、0.25、0.2、0.15和0.05的权重；将测试集数据采用同样的数
据预处理方式输入至分类模型中，通过加权平均后获得测试集预测准确度，若测试集准确
度低于设定阈值T1，则对网络参数进行调整并重新进行训练，反之，保存模型相关参数用于
网络的进化学习；

[0025] 第四步，刀具状态监测模型的进化学习

[0026] 在实际加工过程中，首先对采集到的加工过程动态信号进行保存，当数据存储达到数量阈值N或运行时间达到时间阈值T2时，对存储的数据进行数据平滑和特征提取操作，
并输入分类模型获取预测标签，当预测模型的输出预测标签概率超过阈值T3时，认为当前
数据标签的置信度较高，将该标签标记为刀具状态的真实标签，否则，删除对应动态信号，
并重新进行动态信号保存；利用保存的动态信号与对应标签对模型的网络参数进行更新，
并保存相应模型参数。

[0027] 本发明的有益效果：通过该方法，可以实现刀具状态的智能监测，该方法通过选取高置信度的标签数据对网络模型参数进行更新，避免了网络模型受机床性能退化的影响，
从而实现了模型的进化学习。

[0028] 本发明与现有技术相比，其优点在于：

[0029] (1)采用堆叠自编码器自动的对信号进行深层次特征提取，避免了人工的参与，降低了计算的复杂度。

[0030] (2)采用五种分类算法对刀具状态进行监测，有效提高预测模型的可信度。

[0031] (3)模型采用的进化学习方法可以适应机床的退化过程，避免由于机床退化所导致的监测模型失效。

附图说明

[0032] 图1为刀具状态智能监测进化学习方法流程图。

[0033] 图2为深孔镗床传感器布置示意图。

[0034] 图3为堆叠自编码器网络原理图。

[0035] 图4为网络测试集数据混淆矩阵图。

[0036] 图5为机床退化前后振动传感器数据对比图

[0037] 图中：1工件保持架；2工件；3机床齿轮箱；4床身；5传声器；6‑1#三向加速度传感器；7‑2#三向加速度传感器；8刀杆；9刀杆保持架。

具体实施方式

[0038] 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。

[0039] 以国产某型卧式深孔镗床加工深孔类零件为例，详细说明本发明的实施方式。

[0040] 第一步，深孔镗削过程中的动态信号采集

[0041] 分别使用压电式三向加速度传感器和传声器采集深孔镗削过程中的振动信号和噪声信号，其中两个三向加速度传感器分别吸附在镗床的两个刀杆保持架轴瓦的侧面，传
声器通过支架固定并对准被加工零件加工入口处。采集软件的采样频率设置为5120Hz，根
据观察得到的刀具状态将采集的动态信号划分为309段，每段信号的采样点数为1000，其中
正常刀具状态数据200段，异常刀具状态数据109段。

[0042] 第二步，动态信号的预处理

[0043] 首先，采用五点三次平滑法对动态信号进行平滑处理，其次，将采集的振动信号进行矢量合成并分别将叠加后的振动信号和声信号归一化到[0,1]，然后，按照4:1的比例将
采集的动态信号划分为训练集和测试集，其中训练集的样本个数为244，测试集的样本个数
为65，最后，将声信号和合成后的振动信号输入至堆叠自编码器，堆叠自编码器由三层自编
码器网络组成，第一自编码器输入节点为3000，隐含层节点数为1000，网络训练迭代次数为
800，第二自编码器输入节点为800，隐含层节点数为350，网络训练迭代次数为400，第三自
编码器输入节点数为350，隐含层节点数为120，网络训练迭代次数为400。

[0044] 第三步，镗削过程动态信号的深层次特征分类

[0045] 分别将堆叠自编码器提取的动态信号深层次特征输入至KNN、SVM、ELM、DT以及BP神经网络中，对各种网络算法进行训练，其中ELM网络的隐含层节点数为30，激活函数为
sigmod函数，正则化系数为1，BP神经网络的隐含层节点数为30，激活函数为sigmod函数，采
用具有动量和自适应学习率的梯度下降方法进行网络训练。设置测试集准确度阈值T1为
90％。KNN、SVM、ELM、DT以及BP神经网络的训练准确度分别为97.5％、97.5％、95.9％、
92.3％、97.5％，对训练准确度进行降序排列后，分别赋予0.35、0.25、0.2、0.15和0.05的权
重，再用测试集数据对网络进行测试，测试准确率达92.3％，满足阈值要求，模型可以用于
刀具状态的监测。

[0046] 第四步，深孔镗刀状态的进化学习

[0047] 在初始训练集和测试集数据采集六个月后，再次采集同台深孔镗削机床加工过程中的动态信号共309个，其中正常刀具状态数据209个，异常状态数据100个，将新采集的动
态信号进行数据预处理后，输入先前保存的刀具状态监测网络中，输出各动态信号的预测
状态，将阈值T3设置为0.8，选出预测模型中预测概率大于阈值T3的数据样本共276个，将其
标签设置为数据的真实标签，并对网络参数进行更新，网络对于新的机床状态测试集的预
测准确度为92.8％，满足预测精度要求，可以实现刀具状态的准确监测。

[0048] 应该说明的是，本发明的上述具体实施方式仅用于示例性阐述本发明的原理和流程，不构成对本发明的限制。因此，在不偏离本发明精神和范围的情况下所做的任何修改和
等同替换，均应包含在本发明的保护范围内。