陳啟鵬，謝慶生，袁慶霓+，黃海松，魏 琴，李宜汀

(1.貴州大學 現(xiàn)代制造技術教育部重點實驗室，貴州 貴陽 550025；2.貴州大學 公共大數(shù)據(jù)國家重點實驗室，貴州 貴陽 550025)

0 引言

機械智能故障診斷作為智能制造的關鍵組成，成為“中國制造2025”的重要內(nèi)容[1]。在機械加工過程中，切削加工是零件成形最主要的加工方式，刀具的磨損狀態(tài)將直接影響零件的加工精度、表面質(zhì)量以及生產(chǎn)效率。因此，刀具狀態(tài)監(jiān)測(Tool Condition Monitoring, TCM)技術對于保證加工質(zhì)量、實現(xiàn)連續(xù)自動化加工具有非常重要的意義[2]。刀具狀態(tài)監(jiān)測方法分為直接測量法和間接測量法，直接測量法采用電阻測量法、光學測量法、放電電流測量法、射線測量法等，直接得到刀具的磨損值，但由于生產(chǎn)過程中受冷卻液等干擾影響，無法實時檢測加工過程中的刀具磨損狀態(tài)，在實際的工業(yè)生產(chǎn)中應用較少；間接測量法采用切削力測量法[3]、聲發(fā)射[4]、機械功率測量法[5]、振動信號[6]及多信息融合檢測[7]等，能在刀具切削過程中通過傳感器實時采集信號，經(jīng)過數(shù)據(jù)處理和特征提取后，采用BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network, BPNN)[8]、模糊神經(jīng)網(wǎng)絡(Fuzzy Neural Networks, FNN)[8]、隱馬爾可夫模型(Hidden Markov Model, HMM)[9]、支持向量機(Support Vector Machine, SVM)[10]等機器學習(Machine Learning, ML)模型對刀具磨損量進行監(jiān)測。傳統(tǒng)的機器學習模型受制于提取特征質(zhì)量的不穩(wěn)定性，需要相關的研究人員具備一定的經(jīng)驗和技巧。同時，樣本的訓練采用淺層結(jié)構(gòu)算法，模型的收斂速度不可控，容易陷入局部最優(yōu)解，而深度學習(Deep Learning, DL)的方法可以有效避免上述問題帶來的影響。

深度學習在1986年被引入機器學習，在2000年被用于人工神經(jīng)網(wǎng)絡(Artificial Neural Network, ANN)。深度學習使用多層次的非線性信息處理低層特征，以形成更加抽象的高層表示，用于有監(jiān)督或無監(jiān)督的特征學習、表示、分類和模式識別[11]。深度學習模型是一個端到端的模型(end-to-end learning)，無需對原始數(shù)據(jù)進行復雜的數(shù)據(jù)預處理，從而使得模型的構(gòu)建更為簡潔。目前，深度學習方法已在工業(yè)領域嶄露頭角，并逐漸應用到設備壽命預測[12]、故障診斷[13]、刀具狀態(tài)檢測[14-15]等方面。Zhang等[12]提出基于遷移學習及長短期記憶網(wǎng)絡(Long Short-Term Memory, LSTM)的設備剩余壽命預測模型，通過預先在相關的不同設備剩余壽命預測數(shù)據(jù)集上進行訓練，針對目標數(shù)據(jù)集微調(diào)網(wǎng)絡結(jié)構(gòu)及訓練參數(shù)，實驗結(jié)果表明遷移學習方法可以在只擁有少量樣本的前提下提升模型的預測精度;金棋等[13]提出基于深度學習多樣性特征提取與信息融合的行星齒輪箱故障診斷方法，利用多目標優(yōu)化算法優(yōu)化多個堆棧去噪自動編碼器(Stacked Denoising Autoencoder, SDAE),同時提取多樣性的故障特征，然后采用多響應線性回歸模型集成多樣性故障特征實現(xiàn)信息融合，實驗結(jié)果表明多樣性特征提取與信息融合的方法能有效提高故障診斷精度與穩(wěn)定性,具有較強的泛化能力;張存吉等[14]提出將加工過程中刀具的振動信號通過小波包轉(zhuǎn)換(Wavelet Packet Transform, WPT)轉(zhuǎn)變?yōu)槟芰款l譜圖，然后輸入到卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network, CNN)中自動提取特征，并進行準確分類，實驗結(jié)果表明深度卷積神經(jīng)網(wǎng)絡的準確率優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡模型;曹大理等[15]提出利用密集連接的方式構(gòu)建深度神經(jīng)網(wǎng)絡(DenseNet)，從原始的時序信號中自適應地提取刀具加工信號中隱藏的微小特征，實驗結(jié)果表明加深網(wǎng)絡層數(shù)有助于挖掘加工信號中隱含的高維特征，提高刀具磨損監(jiān)測模型的精度。綜上所述，深度學習方法已在工業(yè)領域嶄露頭角，逐漸應用到刀具磨損狀態(tài)監(jiān)測方面并取得了一定的成效，基本解決了人工提取信號特征的缺點，但其使用的CNN過多依賴于高維度特征提取，卷積層數(shù)過多容易出現(xiàn)梯度彌散，卷積層數(shù)過少無法把握全局，且并未考慮刀具加工時產(chǎn)生時序信號樣本間的相關性這一重要特征。

本文提出一種基于深度門控循環(huán)單元神經(jīng)網(wǎng)絡的刀具磨損狀態(tài)實時監(jiān)測方法，利用傳感器實時采集刀具加工過程中產(chǎn)生的時序信號，經(jīng)小波閾值去噪后帶入CNN中進行平行局部特征抽取，然后帶入深度雙向門控循環(huán)單元(Bidirectional Gated Recurrent Unit, BiGRU)神經(jīng)網(wǎng)絡中對長距離依賴信息進行特征提取，利用Attention機制計算網(wǎng)絡權重并對其進行合理分配，最后將不同權重的信號特征信息放入Softmax分類器對刀具磨損狀態(tài)進行分類，避免因人工提取特征帶來的復雜性和局限性。該方法可以滿足實際工業(yè)生產(chǎn)中對刀具監(jiān)測的實時性和準確性要求。

1 刀具磨損狀態(tài)實時監(jiān)測方法

1.1 信號預處理

信號預處理作為刀具磨損狀態(tài)實時監(jiān)測方法的重要組成部分，原始信號去噪效果的優(yōu)劣將直接影響刀具磨損狀態(tài)預測精度。加速度傳感器具有測量精度高、頻率和幅值響應寬、易于安裝和監(jiān)測等優(yōu)點。由于采集信號直接來源于切削工作區(qū)，因此其靈敏度較高，響應速度也更快。本文選用加速度傳感器采集刀具銑削時產(chǎn)生的三軸振動信號用于磨損狀態(tài)檢測。實際采集到的數(shù)據(jù)存在長度不等、噪聲干擾大、數(shù)據(jù)冗余等缺陷，需要對原始信號進行去噪處理。

生產(chǎn)車間的加工設備和周圍環(huán)境的干擾會不可避免地產(chǎn)生隨機噪聲，這些噪聲在信號預處理時通常視為高斯白噪聲。較低的信噪比將影響后續(xù)算法的特征提取和磨損狀態(tài)檢測，為了削弱噪聲對檢測結(jié)果的影響，本文使用小波去噪方法對采集到的原始信號進行去噪處理。小波分析具有多分辨率(多尺度)分析的特點，是一種窗口大小固定不變但時間窗和頻率窗都可以改變的時頻局部化分析方法。常用的小波去噪方法包括小波分解與重構(gòu)去噪法、小波系數(shù)閾值去噪法、小波變換模極大值去噪法，如表1所示為不同小波去噪方法優(yōu)缺點比較。

表1 不同小波去噪方法優(yōu)缺點比較表

刀具在加工過程中采集到的原始信號中信號和噪聲的頻帶無法確定，且去噪過程不考慮信號中含有的奇異點，對比不同的小波去噪法后，本文選用小波系數(shù)閾值去噪法對原始信號進行去噪處理，如圖1所示為小波系數(shù)閾值去噪法的流程圖。

小波母函數(shù)和小波閾值的選取決定了小波系數(shù)閾值去噪法的性能，工程中常采用Daubechies(dbN)和Symlet(symN)小波母函數(shù)對振動信號進行去噪處理。小波閾值處理則常采用軟閾值和硬閾值兩種方法，采用硬閾值方法得到的小波系數(shù)在閾值處并不連續(xù)，這將導致重構(gòu)信號時可能產(chǎn)生附加震蕩，產(chǎn)生跳躍點，不具有原始信號的平滑性。采用軟閾值法得到的小波系數(shù)整體連續(xù)性好，從而使估計信號不會產(chǎn)生附加震蕩，經(jīng)過處理后的信號較為光滑，其表達式如下：

(1)

深度學習訓練過程中需要足夠多的樣本數(shù)量，用以提高神經(jīng)網(wǎng)絡的學習質(zhì)量，信號去噪之后需縮小和統(tǒng)一樣本尺度，以滿足對檢測速度和樣本數(shù)量的需求。原始加工信號的數(shù)據(jù)樣本為長序列周期性的時序信號，根據(jù)信號采樣原理，本文將每次刀具進給產(chǎn)生的振動信號裁剪為多個長度為2 000的短序列時序信號，以減少網(wǎng)絡訓練時的計算強度。同時，數(shù)據(jù)擴充能在原有量級的數(shù)據(jù)基礎上增加實驗數(shù)據(jù)，提高網(wǎng)絡的魯棒性，降低過擬合的風險。具體處理步驟為：截取每個采樣信號中連續(xù)的100 000個點，以2 000為樣本數(shù)量將截取點劃分為50個樣本，這50個樣本均對應相同的磨損狀態(tài)標簽。

1.2 刀具磨損狀態(tài)實時監(jiān)測的神經(jīng)網(wǎng)絡模型

1.2.1 網(wǎng)絡模型的結(jié)構(gòu)

受文獻[16]啟發(fā)，本文將CNN和循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network, RNN)融合的機器學習方法應用于刀具磨損狀態(tài)實時監(jiān)測任務中，構(gòu)建包含CNN和BiGRU的CABGRUs(convolutional neural network and bidirectional gated recurrent units with attention mechanism)網(wǎng)絡模型，有效解決了單卷積神經(jīng)網(wǎng)絡忽略時序信號前后關聯(lián)的問題，同時避免了循環(huán)神經(jīng)網(wǎng)絡梯度彌散和梯度爆炸問題，將Attention機制的思想引入其中，進一步提高了模型預測的準確率。如圖3所示為基于CABGRUs刀具磨損狀態(tài)實時監(jiān)測神經(jīng)網(wǎng)絡結(jié)構(gòu)圖。

(1)單個時間步時序信號局部特征提取

本文采用一維CNN處理刀具加工過程中產(chǎn)生的時序信號，其卷積神經(jīng)網(wǎng)絡部分包括2層卷積層(Convolutional Layer, CONV)和1層池化層(Pooling Layer, POOL)，卷積層通過一維卷積運算的方式將每一維度的時序信號進行鄰域濾波以生成特征映射，每個特征圖可以被看作不同濾波器對當前時間步時序信號的卷積操作[17]。當輸入時序信號為x時，卷積核的權重向量為w，采樣總數(shù)為m，卷積核的大小為n，*表示卷積操作，卷積層的輸出特征圖y可以表達為：

(2)

在卷積層中，第l層的每一個神經(jīng)元都只和第l-1層的一個局部窗口內(nèi)神經(jīng)元相連，構(gòu)成一個局部連接網(wǎng)絡。一維卷積層的計算公式如下：

(3)

(4)

卷積層后面連接池化層，用于求取局部最大值或局部均值，即最大值池化(max pooling)和均值池化(mean pooling)[18]。池化層具有類似于特征選擇的功能，可以保證特征在擁有抗變形能力的同時，達到降低特征維度，加快網(wǎng)絡訓練速度，減少參數(shù)數(shù)量，提高特征魯棒性的目的。本文選用最大值池化對鄰域內(nèi)的特征點取最大值：

(5)

通過一維CNN對原始數(shù)據(jù)自適應的特征提取，減少了后續(xù)網(wǎng)絡的輸入?yún)?shù)，計算速度得到提升。同時，特征圖在向量維度上有所減小，振動信號的特征得到凸顯，便于后續(xù)的神經(jīng)網(wǎng)絡進行時間序列特征提取。如圖4所示為一維卷積神經(jīng)網(wǎng)絡基本結(jié)構(gòu)示意圖。

(2)時序信號時間序列特征提取

刀具加工過程中產(chǎn)生的原始信號存在時序關系，RNN網(wǎng)絡可以對時序信號時間序列進行編碼，挖掘時間序列中相對較長間隔的時序變化規(guī)律[19]。為了讓刀具磨損狀態(tài)實時監(jiān)測模型更好地學習到時序信號間時間序列特征的依賴關系，提高模型分類的準確率，本文對現(xiàn)有的門控循環(huán)單元(Gated Recurrent Unit, GRU)神經(jīng)網(wǎng)絡進行改進[20]，通過構(gòu)建兩個雙向GRU網(wǎng)絡共同疊加組成CABGRUs網(wǎng)絡同時，在CABGRUs網(wǎng)絡中引入Attention機制，增加Attention層，使模型既獲得了能從正向和反向同時提取時序信號特征的能力，又獲得了選擇性的學習信號特征中關鍵信息的能力。

本文構(gòu)建的CABGRUs網(wǎng)絡中，每個雙向GRU網(wǎng)絡包含256個神經(jīng)元，正向和反向GRU網(wǎng)絡均由128個神經(jīng)元組成，每個GRU神經(jīng)元包括更新門和重置門，分別使用zt和rt來表示。

rt=σ(xtWxr+ht-1Whr+br)，

(6)

zt=σ(xtWxz+ht-1Whz+bz)，

(7)

(8)

(9)

其中：Wxr和Whr表示重置門的權重向量;Wxz和Whz表示更新門的權重向量;Wxh和Whh表示候選隱藏狀態(tài)的權重向量;br、bz、bh表示偏置向量;⊙表示Hadamard乘積，即矩陣的點乘;σ(·)表示Sigmod函數(shù);tanh函數(shù)表示雙曲正切激活函數(shù)。

(10)

(11)

(12)

本文引入的Attention機制是一種類似人類視覺所特有的大腦信號處理機制，通過分配不同的初始化概率權重與BiGRU層的各個時間步輸出向量進行加權求和，然后帶入Sigmod函數(shù)中，進行最終的計算并得到數(shù)值，實現(xiàn)從大量信號特征中有選擇地過濾出部分關鍵信息并進行聚焦。聚焦的過程體現(xiàn)在權重系數(shù)的計算上，對不同的關鍵信息分配不同的權重，以提升權重的方式來強化關鍵信息的比重，減少長序列時序信號關鍵信息的丟失。Attention機制的計算公式如下[21]：

ut=tanh(WsPt+bs)，

(13)

(14)

ν=∑αtPt。

(15)

其中：Pt表示BiGRU層在時間步t時的輸出特征向量;ut表示Pt通過神經(jīng)網(wǎng)絡層得到的隱層表示;αt表示ut通過Softmax函數(shù)歸一化得到的重要性權重;us表示隨機初始化的上下文向量;ν表示最終文本信息的特征向量。us在訓練過程中隨機生成，最后經(jīng)由Softmax函數(shù)將Attention層輸出值ν進行映射，得到刀具磨損狀態(tài)的實時分類結(jié)果。如圖6所示為CABGRUs網(wǎng)絡結(jié)構(gòu)示意圖。

CABGRUs神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)包括時序信號和磨損狀態(tài)標簽，時序信號的特征提取與表達通過2個卷積層、1個池化層、1個Flatten層、2個雙向BiGRU層、1個Attention層和2個全連接層實現(xiàn)。如表2所示為CABGRUs網(wǎng)絡參數(shù)設置表。

表2 CABGRUs網(wǎng)絡參數(shù)設置表

1.2.2 網(wǎng)絡模型的訓練

本文的刀具磨損狀態(tài)實時監(jiān)測模型中引入了Dropout技術，用以防止模型在訓練過程中發(fā)生過擬合。網(wǎng)絡模型的激活函數(shù)采用Softmax，損失函數(shù)采用Categorical_crossentropy，對所獲得的時序信號特征進行磨損分類。公式如下：

(16)

式中：y為一個維度為類別數(shù)量大小的向量，其每一維度的值都介于[0,1]之間，且所有維度的和為1，該值代表該刀具磨損狀態(tài)屬于某個類別的概率；M為可能的類別個數(shù)。在模型的訓練過程中，通過Categorical_crossentropy Loss訓練整個模型。交叉熵誤差

(17)

(18)

(19)

…

(20)

2 實驗結(jié)果與分析

刀具磨損狀態(tài)實時監(jiān)測是制造車間數(shù)控加工過程中的重要環(huán)節(jié)，刀具磨損狀態(tài)受加工工序、工件材料、切削參數(shù)等因素影響，整個系統(tǒng)具有較強的非線性和不確定性。刀具的磨損不僅會降低數(shù)控加工設備的加工質(zhì)量，影響工件表面粗糙度和加工精度，還會嚴重影響數(shù)控加工設備的整體穩(wěn)定性和加工效率。刀具磨損狀態(tài)實時監(jiān)測系統(tǒng)包括狀態(tài)監(jiān)測設施和數(shù)據(jù)分析單元，狀態(tài)監(jiān)測設施包括用于加工工件的基礎設備，采集加工過程中產(chǎn)生振動信號的設備，以及測量刀具磨損值的設備；數(shù)據(jù)分析設施包括用于分析和處理數(shù)據(jù)的高性能計算機和深度學習平臺，并將刀具磨損狀態(tài)進行實時分類和報告。

2.1 實驗設計

2.1.1 狀態(tài)監(jiān)測

本文實驗平臺由貴州大學工程訓練中心提供。高精度數(shù)控立式銑床(型號：VM600)用于銑削工件，銑削過程中不加冷卻液，銑削工件為模具鋼(S136H)，銑削刀具采用超細微粒鎢鋼硬質(zhì)合金四刃銑刀，刀刃表面覆蓋有多層鈦鋁氮化物涂層。如表3所示為銑削實驗切削參數(shù)。

表3 銑削實驗切削參數(shù)

實驗中，采用3個加速度傳感器(型號：INV9822，量程：±50 g)，按x、y、z方向磁性吸附在機床夾具上，用于實時采集刀具加工過程中產(chǎn)生的原始信號。采用北京東方振動和噪聲研究所的高精度數(shù)字采集儀(型號：INV3018CT)處理實時信號并傳送至計算機，信號的采樣頻率為20 KHz,每次走刀沿x方向銑削200 mm,記為一個銑削行程，每把刀具銑削330個行程，每個銑削行程結(jié)束后，將銑刀從銑床上取下拍照。采用預先標定好的高精度數(shù)字顯微鏡進行測量，測量過程選取銑刀最易磨損的后刀刃邊緣位置作為測量位置，并以相同的基準線為標準以保證該位置在測量過程中保持不變。磨損值的計算方式為銑刀后刀刃的初始長度減去該次銑削后的刀刃長度。如圖7所示為本文采用的刀具磨損狀態(tài)實時監(jiān)測實驗裝置圖。

2.1.2 數(shù)據(jù)分析

實驗的深度學習硬件平臺采用高性能服務器：Intel Xeon E5-2650處理器，主頻2.3 GHz，256 GB內(nèi)存，GPU選用NVIDIA GeForce TITAN X圖形處理器。軟件平臺使用Ubuntu 16.04.4操作系統(tǒng)，深度學習框架選用Keras為前端，TensorFlow為后端進行數(shù)據(jù)分析。

實驗采用4把銑刀(C1、C2、C3、C4)完成銑削操作，每把銑刀銑削加工330次，得到1320個原始信號樣本，銑刀(C1、C2、C3、C4)的磨損過程圖如圖8～圖11所示。原始信號經(jīng)小波去噪后，將3把銑刀(C1、C2、C3)的數(shù)據(jù)用于模型的訓練集和驗證集，1把銑刀(C4)數(shù)據(jù)用于模型的測試集。訓練集被用于數(shù)據(jù)樣本的擬合和相關參數(shù)的訓練，驗證集被用于初步測試網(wǎng)絡模型的性能和超參數(shù)調(diào)整，測試集被用于模型最終的泛化能力評估。每個樣本中均包含3個維度的振動信號和4個后刀刃的磨損值，為防止不同刀刃磨損值的相互干擾，選取4個刀刃中的磨損最大值作為該次銑削行程的標簽。刀具的磨損狀態(tài)分為初期磨損、正常磨損、急劇磨損，本文根據(jù)每把銑刀的實際磨損曲線定義刀具的磨損狀態(tài)，用于確定刀具的磨損程度。將刀具磨損程度劃分3類標簽數(shù)據(jù)，采用one-hot編碼形式將標簽數(shù)據(jù)進行轉(zhuǎn)換，以便于最終刀具磨損狀態(tài)分類，如表4所示為刀具磨損程度分類表。

表4 刀具磨損程度分類表

2.2 深度學習模型對比實驗結(jié)果

實驗將銑刀加工過程產(chǎn)生的原始信號進行小波去噪，經(jīng)采樣裁剪后輸入到深度學習神經(jīng)網(wǎng)絡模型中，模型自適應提取時序信號中隱含的高維特征，計算模型實際輸出值與真實值之間的誤差距離，采用Adam算法使Loss下降并不斷更新網(wǎng)絡權重，讓模型的實際輸出值更加趨近于真實值。為進一步驗證所提算法性能，本文實現(xiàn)了文獻[22]中CNN網(wǎng)絡的軸承故障診斷算法、文獻[23]中BiGRU網(wǎng)絡的軸承和齒輪壽命預測算法以及文獻[16]中CBLSTMs網(wǎng)絡的刀具壽命預測算法，與CABGRUs深度學習神經(jīng)網(wǎng)絡進行對比，訓練過程中4個模型設置同樣的訓練參數(shù)，如表5所示為模型具體訓練參數(shù)表。

表5 模型具體訓練參數(shù)

經(jīng)深度學習神經(jīng)網(wǎng)絡訓練和驗證后得到不同的損失函數(shù)值以及準確率，CNN[22]、BiGRU[23]、CBLSTMs[16]、CABGRUs模型輸出的訓練集和驗證集的準確率以及損失函數(shù)圖如圖12～圖15所示。

由圖12～圖15可知，網(wǎng)絡模型訓練集的損失函數(shù)值隨著迭代次數(shù)的增加不斷減小，最終趨于穩(wěn)定，驗證集的損失函數(shù)值呈周期性波動，CNN和BiGRU網(wǎng)絡模型損失函數(shù)振蕩幅度較大，CBLSTMs和CABGRUs網(wǎng)絡模型相對較為平穩(wěn)，損失函數(shù)總體趨勢不斷遞減，并最終收斂，沒有出現(xiàn)梯度爆炸或彌散現(xiàn)象，且網(wǎng)絡收斂速度較快。CNN和BiGRU網(wǎng)絡模型驗證集的準確率分別為89.75%和88.02%，預測精度較低，表明單獨的深度學習網(wǎng)絡雖然可以對刀具磨損狀態(tài)進行預測，但由于受網(wǎng)絡模型能力的限制，無法捕獲刀具振動信號中隱藏的、更深層次的特征。本文所提CABGRUs優(yōu)于CNN和BiGRU網(wǎng)絡模型，這是由于網(wǎng)絡結(jié)構(gòu)相對較深，有利于挖掘更深層次的特征，采用CNN網(wǎng)絡可以有效地提取時序信號中隱藏的局部特征，同時壓縮時序信號特征的長度，便于后續(xù)網(wǎng)絡學習到時序信號間時間序列特征的依賴關系，提高了模型預測的能力。

與深度CBLSTMs網(wǎng)絡模型相比較，本文所提CABGRUs網(wǎng)絡模型獲得了較高的預測精度。CBLSTMs構(gòu)建了雙層BiLSTM網(wǎng)絡，利用雙向的LSTM網(wǎng)絡訪問訪問過去和未來的信息，即能從正向和反向同時提取時序信號特征，挖掘出更加豐富的信息特征，經(jīng)22次迭代后，驗證集的準確率基本穩(wěn)定在96%以上，50次迭代后準確率為96.75%。CABGRUs在CBLSTMs基礎上改進了神經(jīng)元內(nèi)部結(jié)構(gòu)，引入了Attention機制，實現(xiàn)了從大量信息中有選擇地過濾出部分關鍵信息并進行聚焦，減少了長序列文本關鍵信息特征的丟失，經(jīng)20次迭代后，驗證集的準確率基本穩(wěn)定在96%以上，50次迭代后準確率為98.02%，損失函數(shù)值達到0.059 5，網(wǎng)絡穩(wěn)定性較高。如表6所示為模型驗證集的損失函數(shù)值和驗證準確率。

表6 驗證集的損失函數(shù)值和準確率

選用銑刀(C4)的數(shù)據(jù)作為深度學習網(wǎng)絡模型的測試集，用于評估最終模型的泛化能力。測試樣本總量為330個，其中初期磨損樣本為23個、正常磨損樣本為232個、急劇磨損樣本為75個，隨機將上述樣本帶入訓練好的深度學習網(wǎng)絡模型中，由測試結(jié)果可知，本文所提CABGRUs網(wǎng)絡模型泛化能力較強，雖然測試時間不及部分對比模型，但該算法在時間與精度之間找到了較好的平衡點。表7所示為單個樣本的測試時間和模型測試集的準確率。

表7 測試集的單次測試時間和準確率

2.3 機器學習模型對比實驗結(jié)果

為進一步驗證本文所提算法的可行性，選取機器學習模型設計了對比實驗。具體地，將傳統(tǒng)刀具磨損狀態(tài)監(jiān)測模型中常用的BPNN、SVM、HMM及FNN與本文所提CABGRUs網(wǎng)絡進行對比。使用小波系數(shù)閾值去噪法對加速度傳感器采集的原始信號進行去噪處理。提取數(shù)據(jù)的時域特征、頻域特征和時頻域特征，具體提取方式如表8所示。采用皮爾森相關系數(shù)法(Pearson’s Correlation Coefficient, PCC)反映特征與磨損量間的相關程度，并選取相關系數(shù)大于0.9的特征作為提取對象，實現(xiàn)特征降維，將提取的特征作為機器學習模型的輸入。

表8 機器學習模型特征提取類目表

如表9所示為機器學習和深度學習預測的準確率表。由表9可知，傳統(tǒng)機器學習模型的準確率差異很大，這是由于人工提取特征的不穩(wěn)定性以及模型的構(gòu)建都會對預測結(jié)果產(chǎn)生影響。本文提出的深度學習模型能在無數(shù)據(jù)預處理的前提下，通過自適應地提取刀具加工信號中隱藏的高維特征和合理的網(wǎng)絡深度設計達到較為理想的結(jié)果，預測準確率明顯高于機器學習BPNN、SVM、HMM，但機器學習FNN預測準確率達到94.24%，因為FNN利用神經(jīng)網(wǎng)絡來學習模糊系統(tǒng)的規(guī)則，根據(jù)輸入輸出的學習樣本自動設計和調(diào)整模糊系統(tǒng)的設計參數(shù)，實現(xiàn)模糊系統(tǒng)的自學習和自適應功能。在性能方面，本文方法與其他算法模型對比有較大的提升，CABGRUs模型的測試樣本速度可以達到8 ms，滿足工業(yè)實際生產(chǎn)時對刀具磨損狀態(tài)進行實時監(jiān)測的要求。

表9 機器學習和深度學習預測的準確率

3 結(jié)束語

本文將CNN和RNN融合的機器學習方法應用于刀具磨損狀態(tài)實時監(jiān)測任務中，并針對高頻振動信號噪聲大、樣本冗余的特點修改了網(wǎng)絡參數(shù)和結(jié)構(gòu)，用于實時監(jiān)測刀具磨損程度。在預處理階段對加速度傳感器采集的時序信號進行小波閾值去噪，結(jié)合數(shù)據(jù)擴充的方式,將每次刀具進給產(chǎn)生的冗長信號劃分為多個訓練樣本，在原有量級的數(shù)據(jù)基礎上增加實驗數(shù)據(jù)，以實現(xiàn)濾除噪聲，改善算法的魯棒性；提出依據(jù)實際磨損曲線來定義刀具的磨損狀態(tài)，用于確定刀具的磨損程度，提高了數(shù)據(jù)標簽分類的準確性；采用一維CNN進行局部特征提取，從去噪信號中挖掘出豐富的高維特征，更好地表征了原始信號中隱藏的刀具磨損狀態(tài)信息，縮短了網(wǎng)絡模型訓練時間；將Attention機制的思想創(chuàng)新性地引入到改進后的CABGRUs網(wǎng)絡模型中，有效地提升了網(wǎng)絡模型實時監(jiān)測的識別精度和泛化性能。使用刀具磨損狀態(tài)實時監(jiān)測系統(tǒng)驗證了所提方法的可行性，通過實驗搭建了信號采集單元及上位機分析單元，采用深度學習框架實時預測刀具磨損狀態(tài)。實驗結(jié)果表明：所提出CABGRUs網(wǎng)絡模型的預測精度達到97.58%，均優(yōu)于傳統(tǒng)的機器學習算法，同時能適應大部分生產(chǎn)環(huán)境的硬件系統(tǒng)，在識別精度和識別速度上能夠滿足工業(yè)要求。

實際加工制造的過程中，能夠反映刀具磨損狀態(tài)的特征信息有很多，本文僅針對加速度傳感器采集的原始信號進行了分析，未來將采用多源信息融合技術和深度學習理論相結(jié)合的方式，進一步對表征刀具磨損狀態(tài)的信息進行研究，完善所提出的方法，并將其擴展到工業(yè)監(jiān)測中。