王大春，李國和，王豐，閆冬，范建勛

天津職業(yè)技術(shù)師范大學(xué)機(jī)械工程學(xué)院

1 引言

隨著工業(yè)互聯(lián)網(wǎng)技術(shù)的進(jìn)步，機(jī)械制造不斷向自動化和智能化方向發(fā)展，對制造過程進(jìn)行全面監(jiān)測成為必然趨勢。刀具作為切削加工的基礎(chǔ)部件之一，在切削加工過程中會出現(xiàn)磨損和破損等情況，刀具磨損程度將直接導(dǎo)致切削力增加、加工工件表面粗糙度上升和工件尺寸精度下降，間接導(dǎo)致機(jī)床損壞和加工成本增加。研究表明，刀具磨損失效是導(dǎo)致機(jī)床系統(tǒng)故障的主要原因之一，由此造成的停機(jī)占機(jī)床總停機(jī)時(shí)間的20%～30%。因此，進(jìn)行實(shí)時(shí)有效的刀具狀態(tài)監(jiān)測是制造過程監(jiān)測的重點(diǎn)。

刀具磨損的監(jiān)測方法可分為直接法和間接法。直接法是通過顯微觀測等方法直接獲得刀具的磨損值，具有直觀和準(zhǔn)確性高等特點(diǎn)，但由于通常需要停機(jī)檢測，且無法監(jiān)測切削過程中突發(fā)的破損，因而在應(yīng)用上有很大的局限性；間接法是利用傳感器監(jiān)測功率等信號并進(jìn)行處理分析，從而判斷并預(yù)測刀具磨損情況，因此具有不影響加工過程且實(shí)時(shí)監(jiān)測等優(yōu)點(diǎn)，適用于智能制造環(huán)境下的刀具磨損在線監(jiān)測。

傳統(tǒng)機(jī)器學(xué)習(xí)模型有隱馬爾可夫模型(HMM)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、隨機(jī)森林和支持向量機(jī)(SVM)等。這些方法在刀具磨損監(jiān)測中都有一定的應(yīng)用，但監(jiān)測精度不高，主要原因在于：①對樣本數(shù)據(jù)的處理需大量經(jīng)驗(yàn)；②收斂速度不可控且容易造成局部最優(yōu)；③人為特征提取耗費(fèi)大量人力資源且易丟失信息；④無法挖掘大量采集數(shù)據(jù)的深層特征。可見，傳統(tǒng)基于機(jī)器學(xué)習(xí)的刀具磨損監(jiān)測方法已經(jīng)無法滿足智能制造的發(fā)展需求。

深度學(xué)習(xí)通過高效處理數(shù)據(jù)，突破了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中的梯度彌散和局部最優(yōu)等瓶頸，已廣泛應(yīng)用于語音識別[1]、計(jì)算機(jī)視覺[2]、自然語言處理[3]和機(jī)械故障診斷等領(lǐng)域，并取得巨大成功?；谏疃葘W(xué)習(xí)的刀具磨損監(jiān)測模型憑借強(qiáng)大的數(shù)據(jù)處理和特征提取能力，使監(jiān)測精度明顯提高，在刀具磨損監(jiān)測方面得到了廣泛應(yīng)用。

2 深度學(xué)習(xí)在刀具磨損監(jiān)測中的應(yīng)用

深度學(xué)習(xí)是以神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)的深度結(jié)構(gòu)模型[4]，屬于機(jī)器學(xué)習(xí)衍生的新領(lǐng)域和人工智能概念，其包含關(guān)系如圖1所示。深度學(xué)習(xí)由輸入層、數(shù)個(gè)隱含層以及輸出層構(gòu)成，每層有若干個(gè)以權(quán)重連接的神經(jīng)元，單個(gè)神經(jīng)元模型如圖2所示。

圖2 神經(jīng)元模型

在刀具磨損監(jiān)測時(shí)，隨著訓(xùn)練數(shù)據(jù)量的增加，深度學(xué)習(xí)方法在學(xué)習(xí)和預(yù)測方面都表現(xiàn)出優(yōu)異的性能，監(jiān)測精度遠(yuǎn)高于基于傳統(tǒng)機(jī)器學(xué)習(xí)的刀具磨損監(jiān)測模型(見圖3)。

圖3 深度學(xué)習(xí)與機(jī)器學(xué)習(xí)監(jiān)測精度對比

刀具磨損監(jiān)測中使用的深度學(xué)習(xí)模型主要有：卷積神經(jīng)網(wǎng)絡(luò)、稀疏自編碼網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)和長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)。本文介紹了各深度學(xué)習(xí)模型的基礎(chǔ)理論及結(jié)構(gòu)，對基于各種深度學(xué)習(xí)模型的刀具磨損監(jiān)測方法的國內(nèi)外研究現(xiàn)狀進(jìn)行總結(jié)，分析存在的問題并指出未來的發(fā)展方向。

2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損監(jiān)測

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度前饋型神經(jīng)網(wǎng)絡(luò)，由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成(見圖4)。輸入層接收和處理數(shù)據(jù)；卷積層提取圖像的特征，每個(gè)卷積層都連接修正線性函數(shù)，完成卷積層數(shù)據(jù)的線性激活；池化層一般采用最大池化對卷積后的特征圖進(jìn)行降維采樣；在CNN的最后一般會連接幾個(gè)全連接層，對輸入其中的特征進(jìn)行整合，形成易于分類的特征；輸出層輸出分類結(jié)果。CNN模型的輸入通常為圖像，卷積層中的多個(gè)卷積核從輸入圖像中提取特征，利用最大池化進(jìn)行降維采樣，通過卷積層和池化層的疊加處理，產(chǎn)生信息含量較高的特征圖，卷積層和池化層的數(shù)學(xué)模型為

圖4 CNN模型結(jié)構(gòu)

(1)

(2)

部分學(xué)者基于CNN模型研究刀具磨損監(jiān)測。張存吉等[5]運(yùn)用深度卷積神經(jīng)網(wǎng)絡(luò)搭建刀具磨損監(jiān)測模型，將刀具振動信號的能量頻譜圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入信號，輸出刀具磨損狀態(tài)，實(shí)現(xiàn)了刀具磨損程度的識別。Gouarir A.等[6]提出了刀具磨損在線預(yù)測系統(tǒng)，使用力傳感器采集切削力信號作為輸入信號，數(shù)字顯微鏡測量后刀面磨損量作為標(biāo)簽數(shù)據(jù)，利用經(jīng)驗(yàn)數(shù)據(jù)庫對CNN進(jìn)行訓(xùn)練，通過實(shí)時(shí)切削力對模型進(jìn)行測試，該方法的估計(jì)準(zhǔn)確率為90%。Thomas Bergs等[7]利用KeyenseVHX-6000顯微鏡分別對不同刀具以及單個(gè)刀具磨損進(jìn)行拍照，根據(jù)不同刀具圖像輸入CNN模型進(jìn)行分類(分類精度為95.6%)，將單個(gè)刀具磨損圖像輸入U(xiǎn)-Net卷積神經(jīng)網(wǎng)絡(luò)對刀具磨損進(jìn)行監(jiān)測，當(dāng)平均聯(lián)合交叉點(diǎn)系數(shù)為0.73時(shí)取得了良好的結(jié)果。李德華等[8]提出了一種在線刀具磨損測量法，通過電子顯微鏡在線拍攝刀具磨損照片，經(jīng)小波濾波處理后作為CNN模型的輸入，采用后刀面最大磨損寬度作為刀具磨損狀態(tài)的評價(jià)標(biāo)準(zhǔn)，訓(xùn)練后模型可自動提取后刀面磨損量，實(shí)現(xiàn)刀具在線監(jiān)測。張新建[9]采集工件表面紋理信息輸入優(yōu)化后的AlexNet卷積神經(jīng)網(wǎng)絡(luò)對模型進(jìn)行訓(xùn)練，利用卷積神經(jīng)網(wǎng)絡(luò)直接從圖像中提取特征信息，獲得刀具的磨損等級，實(shí)現(xiàn)刀具磨損監(jiān)測。曹大理等[10]提出了一種基于CNN的刀具磨損在線監(jiān)測方法，利用傳感器采集數(shù)控加工過程中的力信號、加速度信號和聲發(fā)射信號并作為輸入信號，采用訓(xùn)練后的DenseNet卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，輸出后刀面磨損量。李正官等[11]應(yīng)用小波包變換對振動信號進(jìn)行處理并提取能量圖作為模型輸入，應(yīng)用VGG-19卷積神經(jīng)網(wǎng)絡(luò)預(yù)測刀具磨損狀態(tài)。Fatemeh Aghazaden等[12]利用基于小波變換和譜減法的混合特征提取法從切削力信號、振動信號和電流信號中提取特征值，通過提取的特征對CNN模型進(jìn)行訓(xùn)練與測試，實(shí)驗(yàn)證明CNN模型識別準(zhǔn)確率較高，可以進(jìn)行刀具磨損狀態(tài)在線監(jiān)測。尹晨等[13]利用自動觸發(fā)方式采集振動、功率和數(shù)控系統(tǒng)參數(shù)等多源信號，并利用皮爾遜相關(guān)系數(shù)篩選出強(qiáng)相關(guān)性特征，對一維CNN進(jìn)行訓(xùn)練測試，證明該模型可實(shí)現(xiàn)刀具磨損在線監(jiān)測。楊漢博等[14]利用皮爾遜相關(guān)系數(shù)、斯皮爾曼系數(shù)和一致性構(gòu)建敏感特征提取函數(shù)，從聲發(fā)射、振動和電流信號中提取高敏感度特征，輸入深度卷積神經(jīng)網(wǎng)絡(luò)，對模型進(jìn)行訓(xùn)練，實(shí)現(xiàn)刀具磨損監(jiān)測。傳統(tǒng)CNN模型大都通過堆疊卷積層的方式擴(kuò)大網(wǎng)絡(luò)深度，進(jìn)而提升監(jiān)測精度，但是隨著卷積層增多會造成監(jiān)測模型梯度彌散或消失。

針對傳統(tǒng)CNN模型隱含層過于簡單的問題和無法良好地處理刀具磨損信號包含時(shí)序信號的問題，部分學(xué)者提出了新的解決方法。German Terrazas等[15]采集切削力信號，經(jīng)放大后輸入雙數(shù)據(jù)采集系統(tǒng)，對信號進(jìn)行處理和數(shù)字化，經(jīng)格蘭姆角場處理生成二維圖像，并作為CNN模型的輸入信號，對模型進(jìn)行訓(xùn)練后，對銑削過程中實(shí)時(shí)獲得的力信號進(jìn)行分類，測試精度為78%。Cao Xincheng等[16]提出一種基于衍生小波的卷積神經(jīng)網(wǎng)絡(luò)銑刀磨損監(jiān)測模型，采集主軸振動信號作為原始信號，通過衍生小波提取高信噪比頻帶，并將頻譜處理為二維矩陣來訓(xùn)練二維CNN，采用不同切削參數(shù)下的監(jiān)測信號對刀具進(jìn)行全壽命試驗(yàn)，該方法的識別精度達(dá)98.5%。Achyuth Kothurn等[17]采集銑削加工中的聲信號，利用可視化技術(shù)處理光譜圖，訓(xùn)練優(yōu)化后的CNN模型使監(jiān)測模型的監(jiān)測精度顯著提高。Giovanna Martínez Arellano等[18]采集加工過程中的切削力信號，利用格蘭姆角場技術(shù)生成圖像，經(jīng)分段聚合近似算法處理后將其應(yīng)用于CNN模型進(jìn)行訓(xùn)練，分類精度達(dá)90%以上。董靖川等[19]采集切削過程中的高頻切削力、振動、AE信號以及刀具后刀面磨損量作為分布式卷積神經(jīng)網(wǎng)絡(luò)模型的輸入信號，對模型進(jìn)行訓(xùn)練，實(shí)現(xiàn)刀具磨損量預(yù)測。Xu Xingwei等[20]采集切削加工中的振動信號，經(jīng)歸一化處理后輸入CNN模型，通過訓(xùn)練，自動從原始振動數(shù)據(jù)中提取特征，并采用擴(kuò)張的卷積形成殘余塊，擴(kuò)大特征圖的接受閾，避免了合并層后丟失信息，利用全連接網(wǎng)絡(luò)輸出刀具磨損。黨英等[21]提出了一種混合監(jiān)測模型，將卷積神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)進(jìn)行有效融合，采集原始高頻振動信號，并對其進(jìn)行批量標(biāo)準(zhǔn)化和切片處理，形成訓(xùn)練集和測試集，將訓(xùn)練集輸入一維卷積神經(jīng)網(wǎng)絡(luò)，通過參數(shù)優(yōu)化和極限學(xué)習(xí)機(jī)分類器進(jìn)行模型訓(xùn)練，利用測試集進(jìn)行驗(yàn)證，得到識別結(jié)果。

運(yùn)用CNN模型進(jìn)行刀具磨損監(jiān)測時(shí)，需使用傳感器采集走刀過程中的各種信號(如切削力、主軸功率、振動和聲發(fā)射信號等)，并對其進(jìn)行預(yù)處理，獲取有效數(shù)據(jù)。將處理后數(shù)據(jù)進(jìn)行轉(zhuǎn)換，獲得固定尺寸的能量頻譜圖，將其作為模型輸入。每次走刀后，通過顯微鏡觀測刀具后刀面的磨損量，將其分類制作標(biāo)簽數(shù)據(jù)輸入CNN模型。圖像由卷積層中卷積核處理，生成特征圖，經(jīng)池化層壓縮處理后輸入全連接層進(jìn)行磨損分類。將實(shí)時(shí)監(jiān)測信號輸入該模型，對刀具磨損進(jìn)行預(yù)測?；贑NN模型的刀具磨損監(jiān)測基本流程如圖5所示。

圖5 基于CNN模型的刀具磨損監(jiān)測基本流程

CNN模型有較強(qiáng)的學(xué)習(xí)能力、運(yùn)行速度和自適應(yīng)性，可在復(fù)雜環(huán)境下處理一維和二維數(shù)據(jù)。但在處理時(shí)間序列信號中存在問題，可與其他處理時(shí)域信號有獨(dú)特優(yōu)勢的模型融合使用，但融合方法還有待進(jìn)一步研究。在刀具磨損的智能監(jiān)測中，來自傳感器的輸入數(shù)據(jù)規(guī)模龐大，因此對高頻信號進(jìn)行特征提取時(shí)，網(wǎng)絡(luò)的復(fù)雜度較高，同時(shí)模型訓(xùn)練時(shí)間過長，為了減小復(fù)雜度和提升監(jiān)測效率，可混合使用寬卷積核和小卷積核。此外，標(biāo)準(zhǔn)的CNN模型含有一個(gè)池化層，可進(jìn)行數(shù)據(jù)壓縮，但池化操作后存在數(shù)據(jù)丟失問題，擴(kuò)張卷積可解決此類問題，結(jié)合自適應(yīng)算法等優(yōu)化算法可提高監(jiān)測精度。

2.2 稀疏自動編碼網(wǎng)絡(luò)模型在刀具監(jiān)測中的應(yīng)用

自編碼器(AE)是一種典型單隱含層神經(jīng)網(wǎng)絡(luò)，由編碼器和解碼器組成，屬于無監(jiān)督學(xué)習(xí)算法，其結(jié)構(gòu)如圖6所示。編碼器網(wǎng)絡(luò)將輸入數(shù)據(jù)從高維空間轉(zhuǎn)換到低維特征空間，而解碼器網(wǎng)絡(luò)可以從特征空間重建輸入數(shù)據(jù)，數(shù)據(jù)經(jīng)編碼器和解碼器解處理可實(shí)現(xiàn)特征的抽取和數(shù)據(jù)的降維。自編碼器結(jié)構(gòu)簡單易于應(yīng)用，但需要大量的訓(xùn)練數(shù)據(jù)才能完成模型訓(xùn)練，且AE存在過擬合問題。

圖6 自編碼器

稀疏自編碼器(Sparse Auto Encoder，SAE)是AE的改進(jìn)模型，對AE的缺點(diǎn)與應(yīng)用環(huán)境進(jìn)行了改良，其結(jié)構(gòu)如圖7所示。稀疏自動編碼網(wǎng)絡(luò)是將多個(gè)AE的編碼模塊堆疊并加上分類器而形成的深度神經(jīng)網(wǎng)絡(luò)，其輸入層和輸出層的節(jié)點(diǎn)數(shù)相同且高于隱含層節(jié)點(diǎn)數(shù)。SAE中隱含層是一個(gè)稀疏層，經(jīng)過訓(xùn)練后，該層神經(jīng)元可以很好地恢復(fù)輸入數(shù)據(jù)。在SAE模型中以特征向量作為模型的輸入，當(dāng)輸入樣本數(shù)據(jù)為N，隱含層數(shù)為l，隱含層單元數(shù)為S，權(quán)重矩陣w=[ω(1)，ω(2)，…]，偏差矩陣B=[b(1)，b(2)，…]，其編碼過程為

圖7 稀疏自編碼器

z(t)=ω(t，1)h(t-1)+b(t，1)

(3)

h(t)=φ(z(t))

(4)

解碼過程為

z(l+t+2)=ω(l+1-t，2)h(l+t+1)+b(l+1-t，2)

(5)

h(l+1+t)=φ(z(l+1+t))

(6)

式中，ω為輸入層與隱含層之間的權(quán)重；b為輸入層的偏差；h為隱含層輸出；φ為激活函數(shù)；z為網(wǎng)絡(luò)輸出。

SAE已被廣泛應(yīng)用于刀具監(jiān)測中。林楊等[22]提出了一種基于深度學(xué)習(xí)的高速銑削刀具磨損預(yù)測方法，將銑削力信號作為初始特征，采用稀疏自編碼網(wǎng)絡(luò)進(jìn)行無監(jiān)督學(xué)習(xí)，并對全網(wǎng)絡(luò)模型進(jìn)行有監(jiān)督微調(diào)，實(shí)現(xiàn)了有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的結(jié)合，使刀具磨損狀態(tài)預(yù)測準(zhǔn)確率達(dá)93.038%。安華等[23]利用SAE及皮爾遜相關(guān)系數(shù)自適應(yīng)提取原始切削力信號的敏感特征，利用得到的敏感特征與對應(yīng)的刀具磨損值訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，以此預(yù)測刀具剩余使用壽命。鑒于SAE模型的局限性，部分研究人員提出了SAE的改進(jìn)模型。李宏坤等[24]利用壓縮感知技術(shù)對電流信號的頻域數(shù)據(jù)進(jìn)行處理，再利用處理后的數(shù)據(jù)訓(xùn)練堆棧稀疏自編碼器網(wǎng)絡(luò)，實(shí)現(xiàn)銑削加工時(shí)銑刀磨損的監(jiān)測。穆殿方等[25]采集銑刀不同磨損狀態(tài)下的力信號、振動信號及聲發(fā)射信號，并對其進(jìn)行小波包分解，以獲取可表征銑刀磨損的特征，將特征和標(biāo)簽數(shù)據(jù)輸入堆疊稀疏自編碼網(wǎng)絡(luò)對模型進(jìn)行訓(xùn)練，最后將測試樣本輸入訓(xùn)練好的模型，輸出銑刀磨損狀態(tài)，該模型的監(jiān)測精度可達(dá)94.44%。Sun C.等[26]采集振動信號和后刀面磨損量作為輸入信號，利用歷史故障數(shù)據(jù)訓(xùn)練SAE模型，利用權(quán)重遷移、特征遷移學(xué)習(xí)和權(quán)重更新構(gòu)建新的深度遷移學(xué)習(xí)模型(DTL)，將在線監(jiān)測數(shù)據(jù)輸入DTL進(jìn)行壽命預(yù)測，經(jīng)驗(yàn)證DTL對刀具壽命預(yù)測具有明顯優(yōu)勢。王麗華等[27]提出了一種基于堆疊降噪自編碼的刀具磨損狀態(tài)識別方法，以AE信號的頻域信號作為網(wǎng)絡(luò)輸入信號，以后刀面的磨損量為AE信號制定標(biāo)簽，利用堆疊降噪自編碼網(wǎng)絡(luò)對AE信號進(jìn)行分類并最終實(shí)現(xiàn)對刀具磨損的監(jiān)測。王國峰等[28]將切削力信號的擴(kuò)展頻域能量占比作為降噪自碼器的輸入，進(jìn)行模型訓(xùn)練，將刀具磨損信號特征輸入到訓(xùn)練好的降噪自編碼器中，并結(jié)合混合粒子濾波算法實(shí)現(xiàn)對刀具壽命的預(yù)測。陳仁祥等[29]選取刀具振動信號作為樣本，計(jì)算頻譜構(gòu)建訓(xùn)練集和測試集，并將其作為輸入信號，利用堆棧加噪自編碼網(wǎng)絡(luò)對樣本頻譜進(jìn)行特征自提取，以獲得表征磨損狀態(tài)的深度特征，通過遷移聯(lián)合匹配算法對獲得的深度特征進(jìn)行聯(lián)合匹配，以縮小不同刀具磨損狀態(tài)深度特征間的差異，最后將深度特征輸入k均值聚類器，實(shí)現(xiàn)刀具磨損狀態(tài)識別，該方法識別準(zhǔn)確率最高可達(dá)到97.04%。Zhang X.D.等[30]采集切削力、振動信號，并經(jīng)小波處理后作為模型輸入，利用深度自編碼器提取高相關(guān)度特征，使用深度多層感知器預(yù)測刀具磨損情況，經(jīng)測試該模型誤差為8.2%。戴穩(wěn)等[31]采集銑削加工中的振動信號，從時(shí)域、頻域及時(shí)頻域?qū)υ颊駝有盘栠M(jìn)行特征提取，應(yīng)用堆疊稀疏自動編碼網(wǎng)絡(luò)進(jìn)行無監(jiān)督學(xué)習(xí)的特征降維，在模型底端添加softmax層完成分類預(yù)測，并采用有監(jiān)督學(xué)習(xí)算法對模型參數(shù)進(jìn)行微調(diào)，實(shí)現(xiàn)對銑刀磨損量的分類預(yù)測。Qu J.等[32]提出了一種基于在線序列極端學(xué)習(xí)機(jī)(OS-ELM)和堆疊去噪自編碼器(SDAE)結(jié)合的刀具磨損智能識別方法，收集數(shù)控機(jī)床主軸的電流信號并合成有效值，訓(xùn)練SDAE神經(jīng)網(wǎng)絡(luò)，利用原始電流信號獲得低維特征，最后利用OS-ELM實(shí)現(xiàn)銑刀磨損的識別和分類。

稀疏自編碼網(wǎng)絡(luò)模型以特征向量作為輸入信號。在機(jī)械加工中利用功率傳感器等監(jiān)測傳感器，采集切削過程中產(chǎn)生的功率信號等切削信號，并對采集的信號進(jìn)行預(yù)處理以獲取能有效表示刀具磨損的數(shù)據(jù)信息。通過時(shí)頻分析等信號處理方式從原始信號中提取特征數(shù)據(jù)，組成特征向量集，并從中篩選出與刀具磨損相關(guān)性高的特征向量作為模型輸入。用工業(yè)顯微鏡對每次走刀后的刀具后刀面磨損情況進(jìn)行拍照和測量，制作標(biāo)簽數(shù)據(jù)并輸入SAE模型。因SAE模型不能直接對刀具磨損進(jìn)行分類，所以需借助一層具有分類預(yù)測能力的網(wǎng)絡(luò)結(jié)構(gòu)。Softmax在多元分類情況下具有較優(yōu)的泛化能力，通常將其作為SAE模型的分類器，構(gòu)建準(zhǔn)確的深度學(xué)習(xí)模型，實(shí)現(xiàn)對銑刀磨損量的分類預(yù)測?；赟AE模型的刀具磨損監(jiān)測流程如圖8所示。

圖8 基于SAE模型的刀具磨損監(jiān)測流程

SAE模型表達(dá)能力強(qiáng)，可處理高維稀疏數(shù)據(jù)且對噪聲影響小，但模型結(jié)構(gòu)較深，訓(xùn)練權(quán)值參數(shù)過多，導(dǎo)致計(jì)算速度較慢，且需要大量的訓(xùn)練樣本才能保證監(jiān)測精度。增加噪聲可以解決因樣本不足造成的過擬合問題。此外，鑒于生成的對抗式網(wǎng)絡(luò)模型(GAN)在增加樣本方面有特殊優(yōu)勢，可以融合GAN模型和SAE模型以提高識別能力和分類穩(wěn)定性，進(jìn)而提高監(jiān)測精度。

2.3 深度置信網(wǎng)絡(luò)模型在刀具磨損監(jiān)測中的應(yīng)用

深度置信網(wǎng)絡(luò)(Deep Belief Network，DBN)是由受限玻爾茲曼機(jī)(RBM)和分類層組合的深度神經(jīng)網(wǎng)絡(luò)模型。其中RBM是一種能量模型，由可見層與隱含層構(gòu)成，特點(diǎn)是層內(nèi)神經(jīng)元無連接，其結(jié)構(gòu)如圖9所示。RBM的訓(xùn)練過程是雙向的，輸入數(shù)據(jù)由可見層到隱含層保證特征提取，而將數(shù)據(jù)從隱含層返回到可見層確保了特征信息與輸入信息的差別較小。RBM具有較強(qiáng)的特征提取能力，多用于數(shù)據(jù)降維。DBN是多層RBM單元的堆疊，DBN的結(jié)構(gòu)如圖10所示。一般DBN模型為特征向量輸入，利用無監(jiān)督逐層訓(xùn)練方式，以底層RBM的輸出信號作為下一層RBM的輸入信號反復(fù)訓(xùn)練，有效挖掘出刀具磨損信號中的磨損特征數(shù)據(jù)，在最上層連接分類能力較強(qiáng)的分類器，通過反向傳播算法對初始參數(shù)進(jìn)行微調(diào)以優(yōu)化其分類能力。DBN可從原始信號中得到特征信息，消除了傳統(tǒng)學(xué)習(xí)不確定性，從而獲得了廣泛應(yīng)用。

圖9 RBM結(jié)構(gòu)

圖10 DBN模型結(jié)構(gòu)

由于DBN具有較好的特征提取和處理能力，使其在刀具磨損監(jiān)測領(lǐng)域中得到了廣泛關(guān)注。Chen Y.X.等[33]通過提取切削力、振動和聲發(fā)射信號的三個(gè)特征數(shù)據(jù)作為輸入信號，同時(shí)將刀具磨損階段劃分為五個(gè)標(biāo)簽數(shù)據(jù)，經(jīng)歸一化處理后作為輸入信號來訓(xùn)練DBN模型，對刀具磨損進(jìn)行預(yù)測，并與ANN、SVM進(jìn)行比較，證明了在刀具磨損監(jiān)測模型中DBN有較強(qiáng)的穩(wěn)定性和較高的監(jiān)測精度。劉子安等[34]提出了基于DBN的刀具磨損預(yù)測模型，以不同磨損程度的刀具作為模型輸入數(shù)據(jù)，以加工參數(shù)作為刀具磨損量的條件數(shù)據(jù)，采用Dropout對DBN模型進(jìn)行優(yōu)化改進(jìn)，改進(jìn)后的DBN模型平均監(jiān)測準(zhǔn)確度達(dá)到約96.0%。沈明瑞等[35]提出了基于深度置信網(wǎng)絡(luò)的深孔加工刀具狀態(tài)監(jiān)測方法，采集加工過程的振動信號和聲信號并進(jìn)行數(shù)據(jù)預(yù)處理，利用處理后的數(shù)據(jù)訓(xùn)練深度置信網(wǎng)絡(luò)對刀具狀態(tài)進(jìn)行辨別，證明刀具狀態(tài)的平均監(jiān)測準(zhǔn)確率可達(dá)到98.54%。

使用DBN模型進(jìn)行機(jī)械加工刀具磨損監(jiān)測，需對傳感器采集到的切削力、振動和功率等原始信號進(jìn)行預(yù)處理，如缺失值處理和異常值處理等；再從預(yù)處理后的信號中提取特征向量，如方差、標(biāo)準(zhǔn)差、峰度、平均絕對偏差、平均頻率、中值頻率、信噪比和功率譜等，通過算法選擇相關(guān)性強(qiáng)的特性向量作為DBN模型的輸入信號。同時(shí)，使用工業(yè)顯微鏡拍攝刀具磨損圖像，并測量每次走刀后的刀具后刀面磨損值，將其作為標(biāo)簽數(shù)據(jù)引入模型。DBN模型通過對輸入數(shù)據(jù)的深度學(xué)習(xí)，輸出刀具磨損量。基于DBN模型的刀具磨損監(jiān)測流程如圖11所示。

圖11 基于DBN模型的刀具磨損監(jiān)測

DBN刀具磨損監(jiān)測模型的優(yōu)點(diǎn)在于可處理高維非線性數(shù)據(jù)和可自適應(yīng)提取磨損特征，在樣本較少的情況下也能實(shí)現(xiàn)較高的監(jiān)測精度。但DBN的訓(xùn)練過程相對復(fù)雜，而且DBN本身缺少處理數(shù)據(jù)中時(shí)序特征的能力，處理刀具磨損預(yù)測中時(shí)序數(shù)據(jù)時(shí)受到限制。隨著深度學(xué)習(xí)的不斷發(fā)展，可以通過在DBN模型中加入遷移算法、遺傳算法等優(yōu)化算法來降低模型的復(fù)雜度，也可以通過融合其他模型實(shí)現(xiàn)刀具磨損中時(shí)序信號的處理。

2.4 長短時(shí)記憶網(wǎng)絡(luò)在刀具磨損監(jiān)測中的應(yīng)用

長短時(shí)記憶網(wǎng)絡(luò)(LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種衍生模型。其中，RNN是具有一定記憶可提取信號時(shí)序特征的神經(jīng)網(wǎng)絡(luò)模型。RNN結(jié)構(gòu)如圖12所示，RNN由輸入層、隱含層和輸出層構(gòu)成。當(dāng)RNN在t時(shí)刻接收到輸入xt后，隱含層的值ht不僅取決于xt，同時(shí)還取決于ht-1。循環(huán)神經(jīng)網(wǎng)絡(luò)的計(jì)算方法為

圖12 RNN隱含層展開

ot=g(Vht)

(7)

ht=f(Uxt+Wht-1)

(8)

式中，f和g均為激活函數(shù)；x，h，o為向量；U，V，W為權(quán)重矩陣。

RNN隱含層為處理單元之間既有內(nèi)部連接又有前饋連接，并且隱含層的輸入信號不僅包括當(dāng)前的輸入信號，還包括上一時(shí)刻隱含層的輸出信號。RNN以序列數(shù)據(jù)作為輸入信號，且深度取決于輸入序列的長度，適用于動態(tài)過程監(jiān)控和預(yù)測，在處理時(shí)序信號時(shí)具有獨(dú)特優(yōu)勢。

LSTM模型可避免RNN模型梯度消失的問題且具備記憶功能。LSTM模型使用單元狀態(tài)、輸入門、輸出門與遺忘門實(shí)現(xiàn)對信息的控制，其結(jié)構(gòu)如圖13所示。單元狀態(tài)主要負(fù)責(zé)信息的傳遞；輸入門決定當(dāng)前時(shí)刻的輸入保存到當(dāng)前時(shí)刻單元狀態(tài)的信息量；遺忘門控制前一時(shí)刻的單元狀態(tài)信息保存到當(dāng)前時(shí)刻的量，實(shí)現(xiàn)記憶篩選；輸出門控制單元狀態(tài)的最終輸出信號。在LSTM方法中，使用從傳感器捕獲的時(shí)間序列數(shù)據(jù)作為輸入數(shù)據(jù)。

圖13 LSTM結(jié)構(gòu)

LSTM對時(shí)序型數(shù)據(jù)處理具有極為優(yōu)秀的表現(xiàn)，被廣泛應(yīng)用于自然語言處理等，近年來也被應(yīng)用于刀具磨損監(jiān)測。Zhou J.T.等[36]采用扭矩信號作為過程監(jiān)測信號，利用希爾伯特-黃變換提取磨損特征，將提取的磨損特征和相應(yīng)的工作條件組合成一個(gè)輸入矩陣作為歷史數(shù)據(jù)訓(xùn)練LSTM模型，再將工作條件和相應(yīng)的刀具磨損特征輸入到訓(xùn)練好的LSTM網(wǎng)絡(luò)中進(jìn)行刀具壽命預(yù)測，并驗(yàn)證了該模型的有效性。王強(qiáng)[37]通過機(jī)器視覺的方法在線自動測量刀具實(shí)際磨損量，以刀具磨損量和剩余壽命為樣本標(biāo)簽對改進(jìn)的長短時(shí)記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并融入在線學(xué)習(xí)模塊，以在線測量的數(shù)據(jù)實(shí)現(xiàn)模型的在線更新，實(shí)現(xiàn)了時(shí)間序列上刀具磨損量監(jiān)測和刀具剩余壽命的預(yù)測。厲大維等[38]提出了基于深度長短時(shí)記憶網(wǎng)絡(luò)的鏜削刀具狀態(tài)監(jiān)測方法，采集加工過程中振動和聲音信號的頻域數(shù)據(jù)，利用自適應(yīng)合成采樣算法對不平衡的樣本數(shù)據(jù)進(jìn)行處理，根據(jù)平衡后的樣本數(shù)據(jù)對深度長短時(shí)記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立了振動和聲音信號與鏜削刀具狀態(tài)的映射模型。楊瑞元等[39]利用局域均值分解結(jié)合排列熵處理刀具加工時(shí)的振動信號，選取合適的特征向量輸入到訓(xùn)練好的LSTM模型中得到診斷結(jié)果，其診斷準(zhǔn)確率達(dá)95%以上。雖然單一的LSMT模型可以對不同刀具磨損狀態(tài)進(jìn)行監(jiān)測，但由于單獨(dú)的LSTM模型提取和處理數(shù)據(jù)的能力限制，無法捕獲數(shù)據(jù)信息中更深層次的隱藏特征，因此現(xiàn)階段隨著對監(jiān)測精度要求的不斷提高，單一信號和單一模型的深度學(xué)習(xí)網(wǎng)絡(luò)已無法滿足要求，多信號和多模型融合監(jiān)測模型正在加速發(fā)展。Qiao Huihui等[43]采集振動、電流信號以及刀具磨損值作為輸入信號構(gòu)建模型訓(xùn)練數(shù)據(jù)集，將多尺度卷積長短時(shí)記憶模型提取的特征輸入到雙向LSTM模型，以此預(yù)測刀具磨損值，該模型滿足高精度和低延遲的要求。

在基于LSTM模型的刀具磨損監(jiān)測中，使用力傳感器和加速傳感器等采集刀具加工信號，如切削力信號、振動信號等時(shí)間序列信號。對時(shí)間序列信號進(jìn)行預(yù)處理，以獲取有效的數(shù)據(jù)信息，并將其作為LSTM模型的輸入信號。通過顯微鏡觀測刀具后刀面的磨損量，并將刀具磨損值分類，制作標(biāo)簽數(shù)據(jù)輸入LSTM模型。通常將采集到的數(shù)據(jù)信息分為70%的訓(xùn)練數(shù)據(jù)和30%的測試數(shù)據(jù)，以訓(xùn)練和優(yōu)化模型參數(shù)。基于LSTM模型的刀具磨損監(jiān)測流程如圖14所示。

圖14 基于LSTM模型的刀具磨損監(jiān)測流程

LSTM是很自然地對時(shí)間序列建模和序列相關(guān)性學(xué)習(xí)，但缺乏以并行方式提取特征的能力，可通過融合遷移學(xué)習(xí)和LSTM變體進(jìn)行改善。同時(shí)，LSTM模型存在的預(yù)測滯后問題可通過算法或其他學(xué)習(xí)模型對時(shí)間序列數(shù)據(jù)進(jìn)行降維處理，以提高訓(xùn)練速度。

2.5 混合深度學(xué)習(xí)模型在刀具磨損監(jiān)測中的應(yīng)用

將兩種或兩種以上的模型進(jìn)行融合組合成的監(jiān)測模型稱為混合模型。在刀具監(jiān)測中使用的混合模型有機(jī)器學(xué)習(xí)模型-深度學(xué)習(xí)模型，如支持向量機(jī)(SVM)-卷積神經(jīng)網(wǎng)絡(luò)(CNN)混合模型、隱馬爾可夫模型(HMM)-長期短期記憶網(wǎng)絡(luò)(LSTM)混合模型；深度學(xué)習(xí)模型-深度學(xué)習(xí)模型如CNN-RNN混合模型等。圖15為長短時(shí)記憶卷積神經(jīng)網(wǎng)絡(luò)(LSTM-CNN)模型在刀具磨損監(jiān)測中的應(yīng)用，使用從傳感器捕獲的原始時(shí)間序列數(shù)據(jù)作為LSTM-CNN網(wǎng)絡(luò)的輸入數(shù)據(jù)。在切削加工中通過力傳感器等采集原始切削信號，并對其進(jìn)行預(yù)處理產(chǎn)生有效信號作為LSTM的輸入數(shù)據(jù)，利用LSTM對輸入的時(shí)間序列數(shù)據(jù)進(jìn)行特征提取，將LSTM最后時(shí)刻的輸出信號作為CNN的輸入信號，同時(shí)，通過工業(yè)顯微鏡測量的刀具磨損量標(biāo)記輸入數(shù)據(jù)，將實(shí)時(shí)樣本數(shù)據(jù)輸入該模型，對刀具磨損進(jìn)行分類，以判斷磨損狀態(tài)。

圖15 基于LSTM-CNN模型的刀具磨損監(jiān)測流程

Tao Zhengrui等[40]提出了一種基于LSTM和隱馬爾可夫模型的刀具磨損及壽命預(yù)測新方法，采集切削力信號和切削溫度信號作為監(jiān)測信號，將超景深顯微鏡測量的刀具后刀面磨損量作為標(biāo)簽數(shù)據(jù)，以監(jiān)測信號和標(biāo)簽數(shù)據(jù)作為訓(xùn)練模型的輸入數(shù)據(jù)，利用堆疊LSTM網(wǎng)絡(luò)識別刀具磨損階段，使用HMM監(jiān)測刀具后刀面磨損，對比平均磨損量并預(yù)估磨損極限得到刀具壽命預(yù)測，該集成模型的監(jiān)測精度可達(dá)95.27%。郝佰田[41]利用壓縮感知對電流信號的頻域數(shù)據(jù)進(jìn)行壓縮，將壓縮后的數(shù)據(jù)輸入堆棧稀疏自編碼網(wǎng)絡(luò)，通過半監(jiān)督學(xué)習(xí)對診斷模型進(jìn)行訓(xùn)練，提取輸入數(shù)據(jù)中的特征信息，利用格蘭姆變換將特征數(shù)據(jù)映射到二維空間，利用層數(shù)更深的殘差神經(jīng)網(wǎng)絡(luò)進(jìn)一步提取數(shù)據(jù)中表征刀具磨損狀態(tài)的特征數(shù)據(jù)，診斷模型最后一層連接徑向基函數(shù)，實(shí)現(xiàn)刀具磨損預(yù)測，預(yù)測準(zhǔn)確率在97.7%以上。陳炳旭[42]采集實(shí)驗(yàn)過程中產(chǎn)生的振動信號，對其采用修正局部線性嵌入算法進(jìn)行特征降維，再將信號通過降采樣的方式擴(kuò)充數(shù)據(jù)樣本，利用卷積循環(huán)神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)刀具磨損狀態(tài)的識別。Qiao Huihui等[43]提出了一種基于深度學(xué)習(xí)模型和霧計(jì)算的刀具磨損監(jiān)測和預(yù)測系統(tǒng)，采集振動、電流信號以及刀具磨損值作為輸入信號構(gòu)建模型訓(xùn)練數(shù)據(jù)集，霧計(jì)算架構(gòu)具有邊緣計(jì)算層、霧計(jì)算層和云計(jì)算層，邊緣計(jì)算層進(jìn)行實(shí)時(shí)信號采集，云計(jì)算層承擔(dān)計(jì)算任務(wù)，在云計(jì)算層中用多尺度卷積長短時(shí)記憶模型完成刀具磨損監(jiān)測并使用雙向LSTM模型完成刀具磨損預(yù)測。該模型結(jié)合了深度學(xué)習(xí)和霧計(jì)算的優(yōu)點(diǎn)，可以同時(shí)滿足高監(jiān)控精度和低響應(yīng)延遲的要求。陳啟鵬等[44]將CNN和門控循環(huán)網(wǎng)絡(luò)融合應(yīng)用于刀具磨損監(jiān)測，利用加速度傳感器采集刀具加工過程中的振動信號，經(jīng)小波閾值去噪后輸入CNN中進(jìn)行平行局部特征提取，代入深度雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取，并引入Attention機(jī)制的思想，利用Softmax分類器對刀具磨損狀態(tài)進(jìn)行分類，該模型的預(yù)測精度可達(dá)98.58%。Dai Lang等[45]提出了基于寬卷積核的卷積神經(jīng)網(wǎng)絡(luò)(WCONV)和LSTM的刀具磨損監(jiān)測新模型，將原始功率信號作為模型輸入信號，利用寬卷積核和池化層對輸入數(shù)據(jù)進(jìn)行特征提取，將最后一個(gè)池化層的輸出信號注入LSTM層，再將LSTM的輸出信號作為最大函數(shù)的輸入信號對不同磨損狀態(tài)進(jìn)行分類，該模型的監(jiān)測精度可達(dá)97.8%以上。何彥等[46]采集切削過程的振動、力和聲發(fā)射信號，利用長短時(shí)記憶卷積神經(jīng)網(wǎng)絡(luò)對采集的時(shí)間序列數(shù)據(jù)進(jìn)行特征提取，利用線性回歸實(shí)現(xiàn)特征到刀具磨損值的映射，采集實(shí)時(shí)數(shù)據(jù)對當(dāng)前刀具磨損值進(jìn)行預(yù)測。Ma Junyan等[47]利用原始力信號作為模型輸入，建立了卷積雙向長短時(shí)記憶網(wǎng)絡(luò)和卷積雙向門控循環(huán)網(wǎng)絡(luò)刀具磨損預(yù)測模型，其模型預(yù)測誤差在8%以內(nèi)。Liu Chongdang[48]采集振動信號作為原始信號，利用自適應(yīng)變分模式分解法對原始振動信號進(jìn)行處理，得到的子分量作為模型輸入，分別在時(shí)域和頻域上進(jìn)行局部特征提取，建立了一維卷積長短時(shí)記憶(LSTM)和注意機(jī)制結(jié)合的深度學(xué)習(xí)模型，并預(yù)測刀具壽命，該模型具有一定的有效性和優(yōu)越性。李鵬等[49]采集加工過程中的振動和聲信號，利用一維卷積的特征學(xué)習(xí)能力和長短時(shí)記憶網(wǎng)絡(luò)的時(shí)序特征分析能力，充分挖掘信號中包含的刀具磨損狀態(tài)信息，通過全連接層和softmax分類器對刀具磨損狀態(tài)進(jìn)行評估，其模型在整體工況下識別準(zhǔn)確率達(dá)95.3%。

混合模型可以提取原始信號更深層次特征，但混合模型會增加計(jì)算復(fù)雜度，進(jìn)一步增加模型運(yùn)行時(shí)間，且無明確標(biāo)準(zhǔn)確定哪兩種模型混合最有效。現(xiàn)階段經(jīng)典模型的衍生模型正在不斷發(fā)展，因此可以混合改進(jìn)后的模型以提高監(jiān)測的準(zhǔn)確性和速度。

3 存在的問題及發(fā)展方向

(1)DL模型的選擇

雖然理論上可以將任何DL模型應(yīng)用于機(jī)械加工中刀具磨損監(jiān)測的建模，但模型的精度和處理的時(shí)效取決于DL模型對不同信號的處理能力。CNN模型有較強(qiáng)的學(xué)習(xí)能力、較快的運(yùn)行速度和較好的自適應(yīng)性，可處理復(fù)雜環(huán)境下的一維和二維數(shù)據(jù)，但在處理時(shí)間序列信號中存在不足；SAE模型表達(dá)能力強(qiáng)、可處理高維稀疏數(shù)據(jù)且受噪聲的影響小，但其計(jì)算速度較慢且層數(shù)過高時(shí)易失效；DBN模型的優(yōu)點(diǎn)在于可處理高維非線性數(shù)據(jù)和可自適應(yīng)提取磨損特征，但其訓(xùn)練過程較復(fù)雜且無處理時(shí)序信號的能力；LSTM模型雖然可以對原始序列數(shù)據(jù)建模并進(jìn)行序列特征提取，但易忽略時(shí)序數(shù)據(jù)在多維度上的特征且存在預(yù)測滯后的問題；混合模型可較好地處理復(fù)雜信號并進(jìn)一步提高監(jiān)測精度，但其運(yùn)算時(shí)間長。因此，需要進(jìn)一步深入開展機(jī)械加工過程刀具磨損監(jiān)測時(shí)DL模型選取的研究，針對特定的加工方式和信號類型，開展不同DL模型的精度及效率等方面的對比研究，提出模型選擇依據(jù)或快速選擇方法，降低模型選擇的隨機(jī)性。

(2)刀具磨損監(jiān)測的精度

刀具磨損的監(jiān)測精度受多方面因素的影響。例如，單一切削信號無法包含刀具全部磨損信息，因此會導(dǎo)致監(jiān)測精度較低；在深度學(xué)習(xí)模型訓(xùn)練樣本數(shù)量較少時(shí)，易出現(xiàn)過擬合問題，導(dǎo)致監(jiān)測精度下降；單一的深度學(xué)習(xí)模型中，通過增加深度提高模型監(jiān)測效果的方式會導(dǎo)致梯度消失以及計(jì)算復(fù)雜等問題，進(jìn)而導(dǎo)致監(jiān)測精度下降。針對切削信號單一的問題，可以通過算法將多信號進(jìn)行融合，生成包含全部磨損信息的融合樣本的方式解決，但要解決信號融合的方式和方法問題。鑒于生成對抗網(wǎng)絡(luò)(GAN)能夠自動學(xué)習(xí)原始數(shù)據(jù)的分布，生成和原始數(shù)據(jù)分布相似的樣本數(shù)據(jù)，增強(qiáng)訓(xùn)練數(shù)據(jù)集，在增加樣本方面有獨(dú)到之處，因此可以融合GAN模型和其他深度學(xué)習(xí)模型，通過增加樣本數(shù)據(jù)來提高監(jiān)測精度。大數(shù)據(jù)技術(shù)的快速發(fā)展為滿足刀具智能監(jiān)測技術(shù)的需求提供了良好的條件，因此可以利用大數(shù)據(jù)平臺，將深度學(xué)習(xí)算法與現(xiàn)代傳感器技術(shù)、計(jì)算機(jī)技術(shù)及信號采集存儲技術(shù)相結(jié)合，實(shí)現(xiàn)刀具磨損狀態(tài)智能監(jiān)測。融合多種模型和算法，通過揚(yáng)長避短的方式獲取更好的監(jiān)測效果，將成為深度學(xué)習(xí)在刀具磨損監(jiān)測領(lǐng)域研究的重點(diǎn)。

(3)刀具磨損監(jiān)測的響應(yīng)時(shí)間

網(wǎng)絡(luò)模型深度增加在一定程度上會增加監(jiān)測精度，導(dǎo)致模型反應(yīng)時(shí)間過長，混合模型也會增加模型響應(yīng)時(shí)間，因此需要進(jìn)一步開展深入研究，提高刀具磨損監(jiān)測模型的響應(yīng)速度。例如，通過算法優(yōu)化來改進(jìn)模型，使模型達(dá)到最優(yōu)權(quán)重；通過算法選擇模型最優(yōu)的隱含層神經(jīng)元數(shù)量；通過改進(jìn)深度學(xué)習(xí)模型的隱含層，在其中添加其他處理層以提高訓(xùn)練速度；還可搭建分布式并行計(jì)算平臺，通過提升模型的計(jì)算效率提升模型的響應(yīng)速度。

4 結(jié)語

刀具作為機(jī)械加工的關(guān)鍵執(zhí)行件，不可避免存在磨損和破損問題，從而對生產(chǎn)過程產(chǎn)生重要影響，因此，刀具磨損監(jiān)測技術(shù)對于提高生產(chǎn)效益具有重要意義。傳統(tǒng)基于機(jī)器學(xué)習(xí)的刀具磨損監(jiān)測模型由于監(jiān)測精度低和計(jì)算復(fù)雜度高等不足，難以滿足智能制造的發(fā)展需求?；谏疃葘W(xué)習(xí)的刀具磨損監(jiān)測模型，憑借其強(qiáng)大的數(shù)據(jù)處理和特征提取能力，使得監(jiān)測精度明顯提高，且加工過程更加智能化，在刀具磨損監(jiān)測方面得到了廣泛應(yīng)用，但在深度學(xué)習(xí)模型的選擇、刀具磨損監(jiān)測的精度和刀具磨損監(jiān)測的響應(yīng)時(shí)間方面還存在大量問題亟待解決。需要進(jìn)一步深入開展機(jī)械加工過程中刀具磨損監(jiān)測時(shí)DL模型選取研究，提出模型選擇依據(jù)或快速選擇方法以降低模型選擇的隨機(jī)性。

通過采用多信號融合技術(shù)、融合GAN模型、大數(shù)據(jù)技術(shù)增加樣本數(shù)據(jù)以及融合多種模型和算法來提高模型精度。通過算法優(yōu)化、優(yōu)化隱含層以及搭建分布式并行計(jì)算平臺來提升監(jiān)測模型的響應(yīng)時(shí)間。同時(shí)人工智能方法和現(xiàn)代傳感技術(shù)也在不斷進(jìn)步，與新興的人工智能方法和傳感技術(shù)相結(jié)合，是機(jī)械加工領(lǐng)域刀具磨損智能監(jiān)測技術(shù)發(fā)展的必然趨勢。