文摘

刀具磨损监测是至关重要的精密制造改善表面质量,提高加工效率,降低生产成本。虽然可以反映刀具磨损可测量的信号自动加工操作,与收集数据的增加,功能是手动提取和优化,降低监测效率和提高预测误差。为解决上述问题,本文提出了一种刀具磨损监测方法,利用振动信号基于短时傅里叶变换(STFT)和深卷积神经网络(DCNN)铣操作。首先,获得的图像表示振动信号获得基于STFT,然后DCNN模型旨在建立时频获得地图和刀具磨损之间的关系,执行自适应特征提取和自动刀具磨损预测。此外,证明此方法采用三个刀具磨损实验数据集来自three-flute球鼻子钨硬质合金刀具高速数控机床在干磨。最后,实验结果证明,该方法比其他方法相比更准确,相对可靠。

1。介绍

在金属切削过程中,刀具磨损严重减少了工件质量,降低了加工效率,并增加了制造成本;因此,在精密机械加工刀具磨损监测变得越来越重要(1]。实现刀具磨损的在线监测,而不中断加工过程,研究人员收集的可测量的信号(如切削力、振动、声发射),以反映实时刀具磨损(2]。

作为数据通常是直接进行收集的速度比诊断分析(3人工智能),有一个迫切需要的刀具磨损监测方法,可以有效地自动分析大量的数据,以获得准确的结果。王等人采用降维方法选择54从三个定向力和振动信号特征提取和应用支持向量回归(SVR)预测刀具磨损4]。香港等人采用小波包变换和Fisher线性判别刀具磨损监测5]。香港等人使用了基于函数综合径向基核主成分分析(KPCA)保险丝48特征提取的三个正交切削力和构造高斯过程回归刀具磨损预测模型(6]。玉等人选择了振动信号的均方根和发达加权隐马尔可夫模型对刀具磨损监测(7]。分别Aliustaoglu等人选择了四个统计参数计算力,振动,和机器的声音信号,送他们到模糊推理系统对刀具磨损状态监测(8]。戈什等人采用特征空间过滤寻找信息特征提取传感器和最发达的刀具磨损监测的神经网络融合模型(9]。吴等人使用相关分析、单调性和自相关优化66从多传感器信号的特征提取,通过自适应neurofuzzy推理系统融合特性,预测剩余寿命(原则)加工工具的多项式曲线拟合方法(10]。

然而,由于能力学习复杂的非线性关系,处理大数据集由浅限制网络结构在这些方法中,研究必须手动从测量信号中提取和优化功能,很大程度上依赖于先验知识对降维技术和数据融合方法。手动功能选择往往导致的损失潜在的有效功能,很难增加刀具磨损监测的准确性。此外,这些复杂的特征选择和融合通常被证明是计算昂贵的操作,最终可能限制了这些方法在实时监控中的应用。

最近,强大的数据挖掘深度学习的特点(11已经引起了许多领域的研究人员的注意,并帮助他们解决很多挑战在机器学习领域12]。赵等人设计了一个卷积双向多空词记忆铣削过程中刀具状态监测网络(13]。机构负责人等人采用卷积神经网络的刀具磨损估计,提高了预测的准确性14]。Deutsch荷重软化等人提出了一个基于深度学习方法预测旋转组件(15]。吴等人提出了利用香草多空词记忆网络原则预测飞机燃气涡轮发动机(16]。虽然这些方法在一定程度上有效工作,功能仍选择手动基于特定问题,很容易导致信息丢失,可能适用于其他问题,这不仅降低了预测精度,但也限制了应用程序的扩张。

考虑到深的辉煌成就卷积神经网络(DCNN)在大数据集的图像分类和识别17),相应地,一些研究人员拍摄的原始信号,然后提出了一些新的基于DCNN诊断和预后的方法。福等人成像振动信号和美联储构造卷积神经网络模型,获得更好的综合性能在钻井过程中(18]。公园等人提出了一个卷积神经网络方法检查nonpatterned焊接缺陷表面的发动机传动,由实验研究更有效的确认(19]。然而,他们只花了DCNNs作为状态诊断分类器,这无法使实时连续刀具磨损预测。

预后方面,李等人用时间窗口图像的原始信号,然后输入到一个DCNN,改善预后的准确性的原则估计发动机数据集(20.]。先生等人成像时间序列数据,提出了一个新颖的DCNN回归方法估算原则为基础,这是更有效和准确的回归模型比现有的浅两个公开数据集(21]。因此,它是一个可行的策略使用适当的方法形象获得信号,然后给他们到的DCNN预测。然而,这些方法中使用的数据集很小,忽略了这些深网络大数据集的数据挖掘能力。此外,这些仍然很少应用在当前在线连续刀具磨损预测。

为提高预测性能,提出了刀具磨损监测方法,该方法首先获得振动信号采集的图像表示基于STFT,然后建立之间的关系得到时频地图和实时工具基于设计DCNN侧面磨损模型。本文的组织结构如下:部分2解释了该方法。实验部分中描述的设置3。节4,验证了提出的模型和结果进行了讨论。部分5致力于的结论。

2。刀具磨损监测方法

有效地利用振动信号监测刀具磨损,刀具磨损监测方法,提出了基于STFT和DCNN本文首先图像原始信号基于STFT,然后设计了基于DCNN预测模型。如图1,该方法涉及两个过程,包括数据采集、图像表示基于STFT,模型设计基于DCNN和刀具磨损预测。

在离线建模过程中,振动信号是通过加速度计传感器在数控机床上安装;同时,实际铣削过程中刀具侧面磨损宽度测量显微镜作为目标标签。然后,获得振动信号是基于STFT生成时频成像地图,设置为训练和验证数据集。接下来,刀具磨损监测的模型是基于DCNN设计,以训练和验证数据集和目标标签作为输入。最后,网络培训和绩效评估后,得到一个优化模型实时刀具磨损监测。

在在线预测过程中,信号是通过加速度计传感器然后成像在时频地图基于STFT作为测试数据集,这是优化的输入DCNN模型预测刀具磨损。因此,通过离线和在线预测建模,该方法实现了实时铣削过程中刀具磨损监测。

2.1。基于STFT的形象代表

振动信号被认为是适合野外采集的信号之一,因为它是方便收集和传感器安装不影响处理操作(22]。因此,该方法利用振动信号预测铣削过程中刀具磨损。此外,振动信号是一种非平稳的时变信号作为一个整体(22]。作为一种最常用的时频分析方法(23),STFT广泛利用于振动信号的处理。因此,本文首先利用STFT可视化加速度计传感器收集的振动信号。图像表示的主要步骤如图2(一)。

首先,确定相关参数成像基于STFT原始振动信号,如图2(b),包括图像的样本数量表示每一次(NS)、帧长度(FL),重叠相邻帧之间的帧长度的比率(罗依)和类型的窗口(太瓦)。

然后,计算STFT的采样信号。离散STFT计算如下(24]: 在哪里n是时间变量,k是频率变量,是抽样信号,是窗口函数,N=NS。

其次,计算功率谱密度(PSD)和获得的二维矩阵伪彩色映射显示在时频域的信息。PSD函数定义如下(24]:

振动信号的时频图,如图2(c),表达了全面、动态信息的原始振动信号和提供了一个有效的实时成像表征刀具磨损监测。

最后,将获得的时频图转换成满足要求的输入层维度的DCNN模型实时刀具磨损监测设计,编写和转换的像素映射到数据集作为输入的DCNN模型。

2.2。基于DCNN模型设计

DCNN被广泛用于学习复杂的非线性关系,因为它有一个强大的数据挖掘能力和特征提取。因此,在本文中,实时在铣削过程中刀具磨损监测模型基于DCNN设计。如图3,刀具磨损监测的设计DCNN模型由一个输入层,三个卷积层,三池层,一个完全连接层和一个输出层。具体,输入层是像素矩阵获得的信号成像基于STFT,时而卷积和池层用于自适应特征提取的输入数据,和三个神经元的输出层是用来监控三个长笛铣刀的磨损。每一层的算法DCNN模型分别描述如下。

卷积层可变输入矩阵的局部区域与过滤内核,紧随其后的是激活单元产生正向传播过程中的输出。卷积网络的输出可以被视为功能映射得到的自适应特征提取输入图像的表示。卷积层向前传播的计算如下: 在哪里是l^th元素的l^th层的输入,是我^th元素的层的输入,是l^th内核层被 , 代表当地的区域输入地图,是j^th元素的l^th层的偏见,是ReLU函数。

反向传播算法(25)是用于更新参数的卷积层培训过程。采取l作为损失函数,然后给出了计算如下: 在哪里的补丁这是elementwise乘以在卷积计算的元素 在和是j^th元素的l^th层敏感性。

虽然卷积层可以显著降低不同层之间的连接,每个卷积中的神经元输出没有明显减少。因此,背后的池层进行卷积显著降低维度的特征映射层,避免过度拟合,保护尺度不变性特征提取(26]。池的计算层向前传播过程中定义如下: 在哪里表示最大池功能和是乘法偏见给了j^th的输出l^th层。

相应地,汇聚层的参数更新如下:

完全连接层的神经元都连接到上一层的特征映射;的输出如下: 在哪里是乙状结肠函数,是l^th层重量,是l^th层的偏见。

类似地,完全连接层的反向传播计算如下:

之间的欧几里得距离测量侧面磨损宽度y和预测侧面磨损宽度被认为是损失函数训练构造DCNN刀具磨损监测模型,并给出的表达式如下: 在哪里N表示数量的时频地图在训练数据集。

3所示。实验装置

实验验证了提出的刀具磨损监测方法的有效性在铣操作,实验数据集获得高速铣床在干燥操作采用(27,28]。加工中使用的工具类型测试three-flute球鼻子钨硬质合金刀具、工件材料铣削试验中使用的不锈钢(HRC52)。此外,工件被预处理去除原皮肤层包含硬粒子(28]。加速度计是位于三基斯特勒公司,分别在工件上x,y,z方向实时监控机床的振动信号,同时采集倪PCI1200被用来获得机床振动信号在三个方向连续50 kHz的采样频率在刀具磨损测试。这些获得的数据存储和处理在计算机平台,然后用于训练和测试设计的DCNN模型实时刀具磨损监测。同时,每个切削过程完成后,每个铣刀的实际侧面磨损宽度边缘测量离线使用徕卡MZ12显微镜和作为训练目标标签DCNN构造模型。铣操作的相关参数如表所示1。

在实验中,三个铣刀(C1、C4和C6)与实际侧面磨损数据作为实验数据集。每个刀包括完整的300个数据文件,对应300铣操作。所有收集到的振动信号在每个数据文件分为训练,验证,和测试数据,所有这些都与彼此不同,然后训练、验证和测试数据集得到振动信号的图像表示。最后,实验数据集提出了如表所示2。

在铣削刀具磨损监测的DCNN设计模型在阿里巴巴ECS平台上运行了8核CPU和NVIDIA Tesla P100 GPU在Ubuntu16.04操作系统,使用CUDA8加速计算。当NS是1024,每个时代的训练时间小于28号,和一个测试样本的计算时间只有0.008秒。因此该方法是一种高效的方法的智能实时监控刀具磨损与大数据。

4所示。结果与讨论

4.1。绩效评估

为定量评估的有效性提出了刀具磨损监测方法,使用以下两个措施,也就是说,平均绝对误差(MAE)和均方误差(RMSE)。

美是用来计算之间的平均绝对误差预测工具侧面磨损宽度侧面磨损宽度和实际的工具y在铣削。梅的方程计算如下: 在哪里N时频图的数量数据集使用。

RMSE是用来计算之间的均方根误差预测工具侧面磨损宽度侧面磨损宽度和实际的工具y在铣削。方程的计算RMSE如下:

同样的,N代表的时频图使用的数据集。

4.2。影响图像的表示

作为时频振动信号的可视化方法,图像表示的参数影响信号的谱图质量。适当的参数可以更好地表达信号的时频域二维信息,这有利于智能实时铣削刀具磨损监测方法在本文中获得良好的性能。为此,(包括参数的影响NS,FL,罗依,太瓦)的图像表示该方法的预测精度是通过大量的实验讨论。当上述绩效评估指标的最小值测试数据集,对应的参数是合适的方法。此外,为了消除干扰DCNN模型的参数,控制变量技术是用来发现最优参数的图像表示。具体地说,当图像表示的参数进行了研究,DCNN模型的参数设置为固定值等于最优价值的部分4.3。此外,在分析这些参数之一,图像表示的其他参数也等于最优值。

4.2.1。准备数量的样品

为了方便STFT计算,初始值NS在这个实验中是512、1024、2048和4096年,分别。数据集的详细信息如表所示2。相应地,预测刀具磨损的美和RMSE措施不同NS如图4。

从表可以清楚地看到2,在原始信号的长度相同的情况下,越大NS数据集的能力越小;因此,生成和训练数据集所需的时间更少。如图4,当NS比1024年更大或更小,梅和RMSE预测刀具磨损的措施都大。最后,考虑到数据处理时间和模型监测精度,本文选择1024NS参数。

4.2.2。帧长度

在实验中,初始的值FL32、64、128、256和512年,分别。相应的美和RMSE措施预测刀具磨损图所示5。当FL比256年更大或更小,更预测错误发生。因此,256年被选中FL参数。

4.2.3。配给的重叠

在实验中,初始的值罗依是1/16,1/8,1/4、1/2、3/4,7/8和15/16。相应的美和RMSE措施预测刀具磨损图所示6。监控错误减少的罗依增加,但如果罗依大于7/8,监测误差会在一定程度上增加。最后,本文选择的7/8罗依参数。

4.2.4。类型的窗口

常用的窗函数对初始的选择太瓦这个实验参数如下:巴特利特,Blackman, Bohman表示切比雪夫,高斯,汉明,汉宁,Kaise,矩形,三角形的窗口。相应的美和RMSE措施预测刀具磨损图所示7。在上面的窗口函数的比较和分析,当汉明窗作为窗口函数,预测刀具磨损的美和RMSE措施三个铣刀通常很小。因此,选为汉明窗太瓦参数。

4.3。设计模型的影响

DCNN参数随铣削实验数据集。调整这些参数来找到最优参数相关的数据集是一个至关重要的训练过程的一部分。适当的DCNN参数有利于拟议的刀具磨损监测方法获得良好的性能。当上述绩效评估指标的最小值测试数据集,对应的参数是合适的方法。此外,为了消除干扰参数的图像表示,控制变量技术用于发现DCNN模型的最优参数。具体地说,当DCNN模型的参数进行了研究,图像表示的参数设置为固定值等于最优价值的部分4.2。此外,在分析其中的一个参数,其他参数的DCNN模型也等于最优值。

4.3.1。类型的梯度

常用的算法,梯度下降优化算法通常是用来训练卷积网络。然而,理论上很难解释他们的优点和缺点,和这些算法通常用于黑盒优化器(29日]。因此,本文将比较流行的梯度下降算法(如SGD Adagrad Adadelta,亚当,RSMprop,和Nestrov) (29日),选择适当的类型的梯度下降优化算法(TG提出了模型的实现良好的性能。如图8,TG显著影响监测错误,和Nesterov算法得到较低的错误。因此,Nesterov选择优化算法优化提出DCNN模型。

4.3.2。批处理大小

考虑到大量的数据和计算资源之间的矛盾,很难计算反向传播梯度和更新整个数据集的所有网络参数同时DCNN训练过程中。通常更可取的大规模数据集设置为适当的批次(30.]。批处理大小(废话在神经网络训练)是一个关键变量。因此,不同的BSs在这个实验中用于训练DCNN模型。培训时间如图9。相应地,预测刀具磨损的美和RMSE措施不同注如图10。

如数据所示9和10,当废话的美和RMSE措施比较小,预测刀具磨损很小,但是每个时代训练时间较长。当废话大(特别是当它超过100),每个时代的训练时间明显减少,趋于稳定,但预测刀具磨损的美和RMSE措施显著增加。考虑到以上情况,什么时候废话= 100,刀具磨损监测不仅可以DCNN构造模型的准确性得到保证,还可以减少模型的训练时间。最后,本文选择100废话参数。

4.3.3。学习速率

在网络训练中,梯度下降优化算法应用误差反向传播。学习速率(LR)是另一个关键因素,它不仅影响神经的重量,也会影响网络收敛。改善DCNN模型的性能,选择合适的是至关重要的LR参数。在这个实验中,所构造的DCNN模型训练将在不同的执行LR参数。预测刀具磨损的美和RMSE措施在不同LR如图11。

从图可以看出11,当LR小于0.03或大于0.4,该工具监测误差大;当LR适中,工具监测误差很小。因此,本实验选择0.4LR参数。

4.3.4。数量的时代

此外,时代的数量(不)是重要的提议DCNN模型在培训过程中,它影响的误差收敛DCNN模型。在实验中,不同的不s是用于训练所构造的模型,和相应的美和RMSE预测刀具磨损的措施不同不如图12。

对图的分析12轻松地显示,当不太小,网络培训是不够的,和工具监测误差较大;当不正在增长,网络训练更充分,和监控错误是不断减少。然而,当不很大程度上增加(特别是超过250),设计DCNN模型过度拟合训练,和刀具磨损监测误差通常是稳定的。因此,本实验选择250不参数。

4.4。其他方法的比较

通过一系列的优化实验,最优参数的刀具磨损监测方法提出了如表所示3,和相应的预测工具侧面磨损三个数据集如图13。

证明它的性能和发展,提出了刀具磨损监测方法与其他先进方法相比使用相同的公开数据集出版。首先,浅模型(包括SVR, PSO-SVR LSSVR, PSO-LSSVR)用于刀具磨损监测。此外,深模型(包括CNN、LSTM和LSTM-CNN)发表在文献[31日)是用来比较的性能提出了方法。最后,对比结果如表所示4。

如表所示4预测的平均值的美措施侧面磨损三种铣刀是1.3μm, RMSE的平均值是1.9082μ米,最小值在所有的方法比较。此外,梅的方差是0.372μm, RMSE的方差是0.6568μ米,最小值比较的方法。此外,该方法不仅可以保证较低的刀具磨损预测偏差也使预测刀具磨损小色散。总之,拟议的刀具磨损监测方法可以有效地和正确地建立复杂的采集信号之间的映射和实时铣削刀具磨损,从而获得更高的刀具磨损监测的准确性。

5。结论

在本文中,我们提出一个基于STFT的刀具磨损监测方法和DNNN铣操作,利用时频图基于STFT振动信号的图像表示和建立非线性关系获得图片和工具侧面磨损宽度基于DCNN构造模型。三刀实验数据测量高速数控铣床在干燥操作被用来验证该方法的有效性。实验结果表明,该方法比以前的方法更精确的和相对可靠。具体地说,可以得出以下结论:(1)有效使用基于STFT的时频图作为输入DCNN构造模型的在线刀具磨损监测、影响和图像表示方法的性能。当NS是1024,FL是256,罗依是7/8,太瓦汉明窗,为实时生成的时频图是最佳的刀具磨损监测。(2)所构造的DCNN模型可以很容易地学习之间的复杂非线性关系的图像表示振动信号和铣削刀具磨损。DCNN模型对刀具磨损监测精度有重要影响。当TGNesterov,废话是100,LR是0.4,不是250,设计DCNN模型具有更好的综合性能;相应地,美是1.3000±0.3720μm和RMSE 1.9082±0.6568μm。(3)与其他智能刀具磨损预测方法相比,该方法可以自适应地从收集到的振动信号中提取特征,有效地实时监测刀具磨损,减少依赖诊断师提供的先验知识对特征选择和融合技术。因此,该方法可以很容易地扩展了应用程序的范围,具有一定的指导意义,在其他切削过程的实时监控刀具磨损,如转弯和钻井。此外,它可能会吸引其他应用领域,如汽车、涡轮发动机,滚动轴承。

在未来,我们将研究multisignal融合技术和刀具磨损监测在不同工作条件下(特别是实际加工条件)来提高整个方法的性能。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(没有。51775323)。