文摘
异常数据的缺乏会导致不平衡数据领域的监控刀具磨损状况。摘要小说多索引生成对抗网络(MI-GAN)提出了检测刀具磨损条件不平衡信号数据。MI-GAN第一,发电机是训练有素的生产假冒正常信号,测试信号的鉴频器计算分数和生成的信号。接下来,发电机检测到异常信号基于模仿的性能测试信号,和鉴别器计算生成测试信号和信号的分数。随后,两个指标,即 - - - - - -规范和时间相关系数(CORT),提出了测量生成的信号和测试信号之间的相似性。最后,我们的决策函数进一步结合 - - - - - -规范和CORT得分两个鉴别器来确定工具的条件。实验结果表明,我们的方法获得97%的准确率在刀具磨损检测基于不平衡数据手工特征提取,它优于传统的机器学习方法。
1。介绍
过去几十年见证了机械制造业的快速发展的技术。广泛应用的计算机数控(CNC)的机器,生产过程的效率和精度有明显提高。数控机器的一个重要组成部分,切割工具的条件对产品质量至关重要。然而,由于刀具通常受到极其严重的摩擦环境,制造过程中刀具磨损是不可避免的。由于频繁的摩擦和挤压,切割工具逐渐磨损,失去锐利,变得沉闷。刀具的磨损可能增加切削力和温度,降低机器表面纹理,甚至导致致命的失败制造系统在某些极端情况下的正常运行。因此,设计有效的实时刀具磨损监测技术,可以保证高质量的生产过程中从学术界和工业界都已获得了高度的关注1- - - - - -3]。
已经进行了很多尝试近年来检测刀具磨损,其中基于图像的方法是使用最广泛的方法。例如,作者在4- - - - - -6)开发了一个基于图像的在线工具条件检测技术利用光学方法。然而,应该注意的是,这样一个映像的方法通常是容易制造环境的切削液,芯片,和污垢可能妨碍工件的图像采集,因此,该工具条件只能测量最后一批。处理这样的问题,一些在线工具条件检测方法提出了基于信号分析。很容易被识别,存在一定的刀具磨损状态之间的关系和生产信号,如振动、声学、电流信号。这些信号会呈现不同的特性,当刀具在不同条件下工作。通过部署特定的传感器,制造业信号可以很容易地收集,然后利用来确定刀具磨损条件以实时的方式。
到目前为止,各种方法提出了基于信号的刀具磨损监测技术分析。具体而言,作者在7)利用反馈电流信号分类情况的工具。一些模式识别技术的性能和准确性,包括支持向量机(SVM),线性判别分析(LDA),K最近的邻居(资讯),用一个隐层神经网络(NN),朴素贝叶斯(NB)和决策树(DT)相比。已经得出结论,在这些分类技术中,LDA和SVM是最有效的。此外,进行了比较研究(8)表明,预测能力的随机森林(RFs)优于人工神经网络(ann)与一个隐藏层和支持向量回归(SVR)。然而,所有这些传统技术(7- - - - - -13)高度依赖手动从原始数据中提取的特性,需要分析的特征制造业信号并提取可靠的特定任务的特性基于先验知识,因此冗长繁琐。因此,现实意义的开发一个易于使用的方法,而特征提取过程。
应该指出,深度学习是一种很有前途的技术能够自动搜索信息功能背后的原始数据。在[14- - - - - -17),卷积神经网络(cnn)的可行性提出了提取信息功能。事实上,可以将输入信号转换成图像使用格兰姆角求和字段,然后利用CNN对刀具磨损状态进行分类(18]。在[19),一个堆叠稀疏autoencoder神经网络诊断提出了刀具磨损条件。通过分解原始1 d信号重建2 d的cnn可以准确预测刀具磨损状态(20.]。然而,也有一些关键的缺点CNN-based刀具状态检测(14- - - - - -17]。例如,一个大标签数据集需要提高性能的CNN,和signal-to-image转换过程可能导致的信息丢失原始信号(18]。此外,多数的工业过程,数据的正常和异常的标签是不平衡的。制造机器的故障率低导致异常数据的匮乏,和有限的异常数据,几乎是不可能来描述所有故障类型的准确的特点。
最近,生成对抗网络被用来解决数据不平衡问题的无监督异常检测。具体而言,作者在21)提出了一个生成对抗网络encoder-decoder-encoder three-subnetwork发电机工业时间序列处理不平衡,但是一个明显的缺点在于,它仍然需要手动提取特征。此外,一些其他GAN-based方法如AnoGAN和GAN-AD也提出了实现探测目标(22,23]。建立在这些作品,异常分数检测异常信号通过直接结合剩余损失和鉴频器的损失。然而,指出剩余损失的大小通常是不同于鉴别器的损失,因此,一个直接的组合这两个损失将不会导致一个令人满意的检测。
出于上述的讨论,在这篇文章中,我们提出一种新颖的甘多索引(MI-GAN)刀具磨损检测方法,包括不平衡数据。应对这一挑战的数据不平衡,提出MI-GAN关注学习的发电机正常信号的特点,和鉴频器输出的分数代表了假的输入信号。这样一个网络架构可以有效地检测工具条件通过学习如何生成和区分正常信号。尤其是小说多指标决策函数了 - - - - - -规范,时间相关系数(CORT) [24),输入信号的分数,分数发达聚合生成的信号更有代表性的标准。最后,我们使用时间卷积网络(tcn)发电机和鉴频器的骨干网络编码时间和顺序的功能,这可能会进一步利用模型的性能而不是实证的功能定义。我们从数控机床样本实际电流信号在不同的生产流程,然后进行刀具磨损检测实验。实验结果表明我们的设计MI-GAN能达到竞争性能精度,精确,回忆,F在检测异常的工具条件下测量。总的来说,本文的主要贡献可以突出显示如下:(1)小说MI-GAN可以生成并区分正常信号建立解决不平衡数据监测刀具磨损条件;(2)决策函数与多索引开发聚合更多代表标准;和(3)特征提取能力是增强通过应用TCN的骨干MI-GAN发电机没有预定义的特征选择和鉴别器网络。
剩下的纸是组织如下。部分2介绍了提出的方法论MI-GAN包括数据采集程序,MI-GAN的架构,培训过程和多索引决策算法。节3,我们进行实验结果来评估我们的方法的性能。部分4最后结论。
2。结构监测系统
在数控机器的生产过程,它是更合适的监控工具的状态采样主轴电机的电流信号和分析他们的实时特性。如图1主轴传动系统由电动机、主轴,正时皮带,开车,等。主要的轴是连接到电动机通过皮带,机床发送一个控制信号的驱动输出主轴电机电流驱动电机转动,主轴是由电动机通过正时皮带。由于主轴电机电流是切削力呈现正相关,实时轴电流的变化可以反映切削力的变化。逐渐磨损的工具在加工过程中,切削工具的性能会逐渐降低,因此需要更大的切削力的增加导致电机电流。因此,利用主轴电流信号的检测工具在整个论文条件。
3所示。方法
提出的详细介绍MI-GAN将在本节。一般来说,基于MI-GAN刀具状态检测的过程大致可以分为以下两个阶段。
在阶段1中,正常的信号是利用训练生成对抗的网络。发电机试图合成正常信号通过最小化发电机损失。生成的信号和正常信号被送入鉴频器在序列来训练网络。培训损失收敛时,发电机可以稳定生成合理的正常的信号,和实际信号的鉴频器可以测量fake-level分数和生成的信号。在这里,实际信号表示信号的数据集。
在第二阶段,我们将充分利用我们的pretrained模型计算四个具体的指标(例如, - - - - - -规范、CORT、两个fake-level分数,这将进一步澄清3.4)。首先,通过反相输入信号到特定的声音 ,pretrained发生器能够产生信号与输入信号相似。接下来,索引的值 - - - - - -规范和CORT之间可以计算生成的信号和输入信号。fake-level成绩生成的信号和输入信号将pretrained鉴频器的输出。此外,这四个指标的平均值和标准偏差计算来确定检测阈值。最终,该模型比较四个指标的测试信号与阈值来确定信号正常或异常。提供了一个简短的概述来帮助理解我们的方法在图2,所有的技术细节将在以下部分中解释道。
3.1。数据采集
使用的数据集是数控机床的主轴电流信号收集当钻井3孔的工件。当前信号的采样频率是10赫兹,和每个130个采样点收集的数据被记录为一组信号。在每一个生产过程,数控机床的监控,和他们的刀具状态(即。正常或异常)被记录作为一个标签与每组数据集可以表示为 ,在哪里 时间序列数据的总长度吗 ,和的当前值吗在采样时刻 。我们将数据集分为两个子集,即。、训练数据集和测试数据集。训练数据集包括800正常信号和测试数据集包含了287个正常信号和11个异常信号。
3.2。MI-GAN的架构
MI-GAN架构的原理图如图3由发电机和一个鉴别器。发电机项目随机噪声空间正常信号空间混淆鉴别器。需要一个向量的130年独立来自一个均匀分布的随机数作为输入和输出一个假正常长度为130的信号。生成的信号和正常的信号被送入鉴频器获得fake-level分数,这表明假的输入信号。fake-level更高分数表示输入信号更可能是一个异常,反之亦然。注意,TCN剩余块(如图4)具有良好的序列建模性能(25]。因此,发电机首先利用六TCN剩余块提取输入噪声的特征向量然后一个线性层合成可信的信号。同样,TCN残块也利用我们鉴别器的一部分,和两个线性层添加到计算fake-level分数。
3.3。训练生成对抗的网络
生成的古典训练方法对抗网络优化Jensen-Shannon (JS)或Kullback-Leibler分歧之间的分布和实际数据分布模型。然而,指出在26),这种方法是不可靠的和可能导致培训不稳定和模式崩溃。为了避免这个问题,我们使用瓦瑟斯坦散度(27]随着我们min-max目标如下: 在哪里生成的信号的分布,是真正的分布信号,氡是一种概率测度,表示随机噪声,显示正常的信号,和是一个序列采样 。 和分别代表了发电机和鉴频器。
因此,生成对抗网络训练通过优化发电机损失和鉴别器的损失在(2)和(3)如下: 在哪里 和是一个非负标量属于 。
灵感来自[21,23),只有正常的信号输入到鉴别器为了鼓励MI-GAN产生假正常信号。正常信号发生器产生假混淆鉴别器通过最小化 ,鉴频器是训练计算fake-level分数来区分正常信号和假正常信号通过最小化 。此外,亚当算法(28)采用优化发电机和鉴频器的损失。在实现中,我们选择相同的权重和来计算 ,也就是说, 。
3.4。阈值确定
我们利用发电机和鉴别器监控刀具磨损状况。充分利用发电机的输入信号将会使用我们的pretrained发生器的潜在空间。指的反演技术(29日),我们应用算法在表11搜索特定的声音发电机作为输入,生成相应的信号类似于输入信号 。这种反演技术使用RMSprop优化算法(30.)的均方误差最小化生成的信号和输入信号。
由于发电机捕获只有正常模式,很难输出假异常信号。当输入信号异常,生成的信号将与输入信号是不同的。因此,生成的信号分为两类:一是类似的信号的输入是正常的信号,另一个是不同的信号输入的异常信号。
表示 , ,和 。为了测量生成的信号与输入信号之间的相似性,我们介绍 - - - - - -规范(例如, )和一阶CORT(例如, )如下:
事实上, - - - - - -规范(4)表示生成的信号与输入信号之间的距离,和一阶CORT (5)评估他们的增长行为相似。一个更大的 - - - - - -规范CORT意味着更大或更小的生成的信号与输入信号之间的不同。即输入信号更可能是不正常的。
此外,我们还利用pretrained鉴别器来帮助区分输入信号是否正常。鉴频器的输出可以被视为fake-level得分。因为我们只喂正常数据在训练阶段,fake-level更高分数代表了信号不太可能是正常的。因此,鉴别器将输出一个高fake-level得分异常信号。正常信号的fake-level分数将低于异常信号,并生成相应的信号会有相同的情况。到目前为止,我们已经提出了四个指标来帮助识别刀具磨损状态,这是 - - - - - -规范、CORT fake-level分数的输入信号,fake-level成绩生成的信号。
鉴于这些索引,可以建立四个阈值来区分正常和异常信号。为了确定阈值,我们需要计算四个指标正常信号的训练数据集。随后,平均值和标准偏差值的指数计算,识别异常输入的关键。自CORT的可能性负相关信号异常,其他三个指标呈正相关,的阈值 - - - - - -定义规范正常的信号和两个fake-level分数平均值+标准偏差,而CORT的阈值是表示作为其均值-标准差。这些阈值是基于统计原理,因此可以有效地分类输入信号。
3.5。多索引决策函数
我们开发一个决策函数来达到检测的目标。对于每一个输入信号,该函数使用pretrained模型和方程(4)和(5)获得四个索引。起初,这些索引是穿制服的,减去相应的阈值,以确定信号是否异常。穿制服的 - - - - - -规范和两个fake-level分数,正值表明输入更可能是异常的,和他们的大小描述相应的可能性。穿制服的CORT,负值表示输入信号的概率越高异常。换句话说,类似生成的信号越少,CORT越小。穿制服的过程后,这些索引范围进一步扩展为除以标准差,分别。最后,我们把所有的比例指标综合评分,根据哪一个可以推断出刀具磨损状况。总之,我们的多指标决策算法阐述了表2。
4所示。实验结果
4.1。评价指标
不平衡电流信号数据,我们使用的准确性,加权平均召回( - - - - - -召回),精密,F测量评估整体性能的检测方法。表示TP, FP、TN和FN真阳性、假阳性,真阴性和假阴性。对于每个类,回忆、精度和F测量可以计算如下:
此外, - - - - - -还记得, - - - - - -精度, - - - - - -F指标定义如下: 在哪里类实例的数量和总类的数目。 , ,和F- - - - - -是回忆、精度和F测量的th类,分别。
4.2。发电机的发电能力
发电机的性能评估,我们比较时发电机的发电能力的输入是正常和异常信号的信号。当我们利用训练MI-GAN只有正常的信号,它是有效的获得反向噪声正常信号和产生相似的信号。然而,pretrained生成器永远学不会异常信号的特征,因此不能产生假异常信号即使输入信号异常。换句话说,当输入信号异常,将不同的输入信号生成的信号。因此,生成的信号分为两类:一是类似的信号的输入是正常的信号,另一个是不同的信号输入的异常信号。
图5礼物我们pretrained发电机的发电能力。在图5(即,我们输入两种类型的信号。,normal and abnormal ones) and utilize Algorithm 1 to search specific noises 。因为重建功能正常和异常信号不同,生成的信号分为两类,即。,类似的信号和不同的信号。使用这个特性的发电机,一个可以区分不同类型的输入信号来实现刀具磨损情况。
(一)
(b)
4.3。歧视的能力鉴别器
本文不是概率计算是真是假,鉴频器输出fake-level得分,这可以解释如何虚假信号。为了演示的歧视能力鉴别器,我们把fake-level分数的平均值和标准偏差表3。
根据表3,我们可以看到实际的平均fake-level分数信号(和 )低于生成的信号(和 ),这表明实际的信号比生成真实信号。此外,正常信号意味着fake-level得分较低( )比异常信号( )由于发电机可以捕获只有正常信号的特性。对于生成的信号,它是简单的期望信号不同的输入信号有更高的意思是异常fake-level评分( )比信号类似于正常的输入信号( )。异常信号的标准偏差明显大于其余的异常信号以来比其他的更加多样化的模式。
4.4。分布的四个指标
证明四个指标的有效性,各自的分布绘制在图6。我们考虑三种不同的数据类型包括正常信号的训练数据集,正常信号的测试数据集,和异常信号的测试数据集(缩写为反式,十位,和茶),相应的每个索引的分布。根据图6可以看出四个指标的反式和数万非常接近,而反式的四个指标不同于茶。因此,我们可以利用索引的平均值和标准偏差的反式建立有效的阈值的决策函数以保证满意的检测性能。
(一)
(b)
(c)
(d)
4.5。不同指标的有效性
在本节中,我们探索的影响不同的刀具磨损检测性能上的索引。为每个单独的指数,我们可以计算出相应的值显示为异常检测算法2的11 - 14行。此外,我们MI-GAN的性能也提出了一个比较。在表的结果4,它可以观察到,我们的MI-GAN最佳性能。原因是该MI-GAN集成多个标准,因此流程更全面的检测能力。
4.6。与其他机器学习方法进行比较
进一步证明提出MI-GAN的效率,我们比较它与其他先进的机器学习方法:资讯(31日),支持向量机(32],射频[33],CNN [14),《盗梦空间》网(34],DenseNet [35],ResNet [36],SE-Net [37],Nonlocal-Net [38]。对于一个公平的比较,我们重新实现这些方法和调整hyperparameters的训练数据集获得最佳的性能。不同方法的计算结果见表5,我们可以得出结论,CNN-based方法的性能优于传统的机器学习的(即。处理,支持向量机和RF)。除此之外,该MI-GAN具有更好的性能,明显地改善了准确性,回忆,精密,F测量与CNN的方法。这是由于这样的事实:我们MI-GAN可以提取更多的关键特性,和优秀的一代和歧视MI-GAN的能力可以有效地处理数据不平衡的挑战。
5。结论
在这篇文章中,我们已经开发出一种新型MI-GAN检测刀具磨损条件不平衡的工业数据,正常的信号比异常的大得多。TCN残块被利用为发电机的支柱和鉴别器网络利用特征提取的能力。此外,决策函数与多索引已经利用聚合更具代表性的标准,这样可以进一步提高检测性能。为了验证我们的MI-GAN的有效性和可行性,不同的实验进行了实时电流信号采样从数控机器。实验结果表明,我们的方法确实对刀具磨损检测有良好的性能。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作的部分支持由2030年科技创新重点项目支持下由中国科技部授予2018 aaa0101303,中国国家自然科学基金资助下61803282和61803282,中国国家重点研发项目在资助2018 yfb2100801,中央大学的基础研究基金资助下22120180561,支持的“晨光计划”上海教育发展基金会和中国上海市教育委员会授予18 cg18,和上海科技创新行动计划资助下20692193400和20692193400。