應(yīng)申舜 傅晨泰 林綠勝 呂曉敏 張順琦 易 凱③

(*浙江工業(yè)大學(xué)機(jī)械工程學(xué)院 杭州 310032)

(**浙江暢爾智能裝備股份有限公司 縉云 321404)

(***上海大學(xué)機(jī)電工程與自動(dòng)化學(xué)院 上海 200444)

0 引言

渦輪盤(pán)是航空發(fā)動(dòng)機(jī)機(jī)械加工中最具有挑戰(zhàn)性的零件,原因包括:(1)渦輪盤(pán)是整機(jī)安全的關(guān)鍵,質(zhì)量標(biāo)準(zhǔn)較高;(2)部件材料是耐高溫超級(jí)合金,如鉻鎳鐵合金718、Rene 104 或者IN100PM,屬于難加工材料。渦輪盤(pán)毛坯經(jīng)過(guò)鍛造、車削、磨削和鉆孔成形,最后加工葉片安裝槽,這些槽具有復(fù)雜的幾何結(jié)構(gòu)和較高的公差要求。制造槽的主要工藝技術(shù)就是拉削。若在加工過(guò)程中發(fā)生拉刀損傷(磨損、碎屑、刀齒破裂等),會(huì)刮傷工件導(dǎo)致額外的制造成本[1]。在加工過(guò)程中納入監(jiān)測(cè)和控制,即可保證加工質(zhì)量,又能提高穩(wěn)定性,因而世界各國(guó)都給予了高度重視。

渦輪盤(pán)榫槽拉刀最常見(jiàn)的失效方式是磨損失效。拉削刀具磨損狀態(tài)識(shí)別方法包括直接法和間接法。直接法由數(shù)碼顯微鏡、光學(xué)輪廓儀等測(cè)量工具直接測(cè)量刀具磨損狀態(tài),由于測(cè)量工具價(jià)格昂貴,并且需要在機(jī)床停機(jī)狀態(tài)下進(jìn)行,難以在工業(yè)環(huán)境下廣泛應(yīng)用[2]。間接法通過(guò)采集切削力[3-4]、電流[5]、振動(dòng)[6-7]和聲發(fā)射[8-9]等傳感器信號(hào),進(jìn)一步提取和優(yōu)化選擇特征,并采用模糊理論[10-11]、支持向量機(jī)(support vector machine,SVM)[12-14]和隱馬爾科夫模型[15-17]等方法建立刀具磨損狀態(tài)與特征之間的映射關(guān)系模型,利用模型和實(shí)時(shí)采集的傳感器信號(hào),實(shí)現(xiàn)對(duì)刀具磨損的在線識(shí)別。間接方法具有方法多樣、實(shí)時(shí)監(jiān)測(cè)等優(yōu)點(diǎn),成為當(dāng)前刀具狀態(tài)監(jiān)測(cè)的主要研究方向之一。孫志娟[15]結(jié)合皮爾遜相關(guān)分析法和近似冗余法實(shí)現(xiàn)特征篩選與降維,并提出以天牛粒子群優(yōu)化算法解決混合隱馬爾可夫模型尋優(yōu)問(wèn)題,實(shí)現(xiàn)刀具磨損的預(yù)測(cè)。Kong 等人[18]提出了基于高斯混合隱馬爾可夫模型的刀具磨損估計(jì)模型,有效地識(shí)別銑床刀具的磨損狀態(tài)。Schwenzer 等人[19]研究了支持向量機(jī)和隨機(jī)森林(random forest,RF)兩種立銑刀磨損狀態(tài)分類方法,驗(yàn)證了所提出的方法在力和電流信號(hào)的分類結(jié)果對(duì)比,得出了SVM 能夠從直切實(shí)驗(yàn)中獲得更通用的模型。上述研究在刀具磨損狀態(tài)識(shí)別方面選擇機(jī)器學(xué)習(xí)相關(guān)模型,在某些領(lǐng)域取得不錯(cuò)的效果,但是機(jī)器學(xué)習(xí)模型依賴于前期特征提取、特征降維和特征融合等大量先驗(yàn)知識(shí)與反復(fù)測(cè)試,建模耗時(shí)耗力、效率不高且容易陷入局部最優(yōu)。

隨著智能制造的不斷發(fā)展,深度學(xué)習(xí)在不使用先驗(yàn)知識(shí)和專家經(jīng)驗(yàn)的情況下,利用優(yōu)秀的自適應(yīng)特征學(xué)習(xí)能力,在機(jī)器健康監(jiān)測(cè)領(lǐng)域獲得廣泛關(guān)注,諸如稀疏自編碼器、深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)等深度學(xué)習(xí)算法在刀具狀態(tài)監(jiān)測(cè)應(yīng)用領(lǐng)域取得了重要進(jìn)展。Shi 等人[7]使用無(wú)監(jiān)督學(xué)習(xí)將多個(gè)堆疊的稀疏自動(dòng)編碼器用于刀具狀態(tài)監(jiān)測(cè)中,解決了超精密加工離線監(jiān)測(cè)效率低的問(wèn)題。Nguyen 等人[20]基于堆疊式自動(dòng)編碼器和Softmax 構(gòu)造深度學(xué)習(xí)網(wǎng)絡(luò)(deep learning network,DLN),實(shí)現(xiàn)對(duì)刀具磨損狀態(tài)有效識(shí)別。盧志遠(yuǎn)等人[21]提出了在線監(jiān)測(cè)方法,并利用卷積神經(jīng)網(wǎng)絡(luò)建立了刀具磨損狀態(tài)識(shí)別模型,該方法更加適用于生產(chǎn)加工現(xiàn)場(chǎng)。Cao 等人[22]提出了一種基于2-D 卷積神經(jīng)網(wǎng)絡(luò)和派生小波框架(derived wavelet frames,DWFs)的高魯棒銑削刀具磨損監(jiān)測(cè)方法,繞開(kāi)了復(fù)雜且低便攜性的特征工程。Cai 等人[23]使用堆疊的長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory,LSTM)提取多傳感器時(shí)間序列中包含的抽象和深層特征,將提取的特征與過(guò)程信息結(jié)合,提高了刀具磨損狀態(tài)識(shí)別的精度。文獻(xiàn)[24-27]集成了深度卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)的優(yōu)點(diǎn),通過(guò)提取時(shí)間序列中的數(shù)據(jù)依存關(guān)系,更加精準(zhǔn)地識(shí)別刀具磨損狀態(tài)。盡管基于深度學(xué)習(xí)的刀具磨損狀態(tài)識(shí)別技術(shù)得到廣泛關(guān)注,但是其自適應(yīng)提取特征的能力還有待加強(qiáng),需要進(jìn)一步研究。此外,上述研究大多針對(duì)銑削加工,基于深度學(xué)習(xí)的拉削刀具磨損監(jiān)測(cè)在理論和技術(shù)上尚處在驗(yàn)證階段,高精度的拉削加工刀具狀態(tài)識(shí)別技術(shù)有待深入研究。

本文采用振動(dòng)信號(hào)為刀具磨損狀態(tài)識(shí)別的信號(hào)源,將卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合,提出了一種實(shí)現(xiàn)精確的拉削刀具狀態(tài)識(shí)別的新方法。振動(dòng)信號(hào)包含豐富的空間特征和前后時(shí)序特征,從特征提取的角度分析,卷積神經(jīng)網(wǎng)絡(luò)更適用于空間特征提取,而循環(huán)神經(jīng)網(wǎng)絡(luò)更適用于時(shí)間序列特征提取。本文借助稠密連接網(wǎng)絡(luò)(densely connected network,DenseNet)網(wǎng)絡(luò)和LSTM 網(wǎng)絡(luò)構(gòu)建特征提取方法,使得特征的輸出在空間上和前后序列的輸入都有聯(lián)系,同時(shí)考慮到空間和時(shí)間問(wèn)題。首先,研究了基于深度學(xué)習(xí)的特征提取理論基礎(chǔ),設(shè)計(jì)了DenseNet(3-2)網(wǎng)絡(luò)結(jié)構(gòu)和堆疊雙向LSTM 網(wǎng)絡(luò)。然后,引入密集層堆疊的全連接神經(jīng)(fully connected neural network,FNN)網(wǎng)絡(luò),構(gòu)建刀具磨損狀態(tài)識(shí)別模型,并開(kāi)展模型訓(xùn)練。接著,設(shè)計(jì)了渦輪盤(pán)榫槽拉削加工的刀具磨損狀態(tài)識(shí)別實(shí)驗(yàn),建立了基于混淆矩陣的性能指標(biāo)體系,并開(kāi)展實(shí)驗(yàn)研究。最后,通過(guò)與單個(gè)特征提取識(shí)別模型進(jìn)行對(duì)比研究,結(jié)果表明該模型具有較好的識(shí)別速度和準(zhǔn)確性。

1 深度學(xué)習(xí)理論基礎(chǔ)

1.1 基于深度殘差網(wǎng)絡(luò)的空間特征提取

CNN 具有3 個(gè)關(guān)鍵特性,即權(quán)值共享、局部連接和輸入輸出數(shù)據(jù)的結(jié)構(gòu)化。卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)調(diào)幾個(gè)相對(duì)的數(shù)據(jù)在相交和相離之間數(shù)據(jù)的上下層聯(lián)系,數(shù)據(jù)的處理在時(shí)序上相互獨(dú)立。卷積神經(jīng)網(wǎng)絡(luò)已在各種計(jì)算機(jī)視覺(jué)應(yīng)用程序中取得了成功,這些應(yīng)用程序的輸入數(shù)據(jù)通常為二維數(shù)據(jù)。由于振動(dòng)信號(hào)是一維數(shù)據(jù),因此本文使用一維CNN。對(duì)于時(shí)間序列數(shù)據(jù),卷積內(nèi)核沿著時(shí)間軸移動(dòng)以執(zhí)行卷積操作。激活功能用于通過(guò)添加偏差來(lái)處理信息,以獲得保留有用信息的特征圖。池化層能夠減少特征向量的長(zhǎng)度,從而可以進(jìn)一步減少模型參數(shù)的數(shù)量,被廣泛應(yīng)用于縮小特征向量。在處理時(shí)序序列時(shí),CNN 中的一維卷積層首先在整個(gè)順序輸入多個(gè)卷積核,通過(guò)在序列上滑動(dòng)卷積核來(lái)生成特征向量。然后,池化層從每個(gè)特征向量中提取最重要和固定長(zhǎng)度的特征。圖1 展示了一維CNN 的局部特征提取器框架。

圖1 一維CNN 局部特征提取器

另外,卷積層和池化層都可以通過(guò)堆疊方式執(zhí)行。通過(guò)堆疊的方式增加網(wǎng)絡(luò)深度,提升識(shí)別準(zhǔn)確率。但是隨著網(wǎng)絡(luò)深度的增加,一方面梯度消失的問(wèn)題也愈加明顯,梯度更新將會(huì)以指數(shù)形式衰減,導(dǎo)致部分參數(shù)不再更新。另一方面,模型過(guò)擬合,采樣過(guò)多的噪聲數(shù)據(jù),使得準(zhǔn)確率下降。深度殘差網(wǎng)絡(luò)剛好可以解決這些問(wèn)題。DenseNet 提出了一個(gè)更激進(jìn)的密集連接機(jī)制:即互相連接所有的層,每個(gè)層都會(huì)接受其前面所有層作為其額外的輸入。通過(guò)對(duì)特征的極致利用達(dá)到更好的效果和更少的參數(shù)。

借鑒DenseNet 網(wǎng)絡(luò),設(shè)計(jì)DenseNet(3-2)網(wǎng)絡(luò)結(jié)構(gòu)作為刀具狀態(tài)的自適應(yīng)特征提取器。圖2 給出了DenseNet(3-2)網(wǎng)絡(luò)結(jié)構(gòu),它共包含2 個(gè)Dense-Block,各個(gè)DenseBlock 之間通過(guò)Transition 連接在一起。其中DenseBlock 是包含多個(gè)層的模塊,每個(gè)層的特征圖大小相同,層與層之間采用密集連接方式。而Transition 模塊是連接2 個(gè)相鄰的Dense-Block,并且通過(guò)Pooling 使特征圖大小降低。

圖2 DenseNet(3-2)網(wǎng)絡(luò)結(jié)構(gòu)

在DenseBlock 中,各個(gè)層之間的特征圖大小一致,可以在channel 維度上連接。隨著層數(shù)增加,DenseBlock 后面層的輸入維度會(huì)非常大。因此,在DenseBlock 內(nèi)部使用1 ×1 卷積層和批量歸一化層(batch normalization,BN),如圖3 所示。其中1 ×1卷積層用于降低通道維數(shù)和減少參數(shù)量,增加非線性和跨通道間的信息交互能力,從而提高了網(wǎng)絡(luò)的表達(dá)能力。BN 用于解決網(wǎng)絡(luò)更新過(guò)程中內(nèi)部協(xié)變量偏移的問(wèn)題。

圖3 DenseBlock 密接層

1.2 基于長(zhǎng)短期記憶網(wǎng)絡(luò)的時(shí)間特征提取

循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)于數(shù)據(jù)處理側(cè)重于序列的順序,當(dāng)前的數(shù)據(jù)可能對(duì)未來(lái)的數(shù)據(jù)發(fā)展產(chǎn)生影響,也可能與之前的數(shù)據(jù)有關(guān)聯(lián)。常規(guī)的循環(huán)神經(jīng)網(wǎng)絡(luò)的主要目的是利用歷史信息來(lái)輔助當(dāng)前決策,但當(dāng)循環(huán)體過(guò)長(zhǎng)時(shí),會(huì)出現(xiàn)梯度消失和梯度爆炸等問(wèn)題。另一方面,RNN 決策主要還是依賴最后輸入的一些信號(hào),更早之前的信號(hào)會(huì)隨著時(shí)間的推遲而強(qiáng)度變得越來(lái)越低,輔助作用變得越來(lái)越弱,網(wǎng)絡(luò)無(wú)法學(xué)習(xí)和利用較久之前的信息。為了解決梯度消失、梯度爆炸和長(zhǎng)期依賴的問(wèn)題,通常使用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)。LSTM 不僅能夠敏感地應(yīng)對(duì)短期信息,而且能夠?qū)τ袃r(jià)值的信息進(jìn)行長(zhǎng)期記憶,以提升網(wǎng)絡(luò)的學(xué)習(xí)能力。

LSTM 具有RNN 相同的輸入和輸出,但是LSTM 引入了門(mén)控單元,用于控制信號(hào)的儲(chǔ)存、利用和舍棄,如圖4 所示。對(duì)于每個(gè)時(shí)刻t,LSTM 有輸入門(mén)It、遺忘門(mén)Ft和輸出門(mén)Ot共3 個(gè)門(mén)控單元[28]。

圖4 LSTM 單元

遺忘門(mén)基于當(dāng)前時(shí)間輸入、前一時(shí)刻的輸出和遺忘門(mén)的偏置項(xiàng)共同決定需要遺忘那一部分記憶。當(dāng)前時(shí)刻第i個(gè)LSTM 單元的遺忘門(mén)的值可以用式(1)來(lái)表示。

其中,bF、UF和WF分別是LSTM 單元遺忘門(mén)的輸入偏差、輸入權(quán)重和循環(huán)權(quán)重,x(t)表示當(dāng)前時(shí)刻的輸入向量,j是輸入向量的數(shù)量,h(t-1)是前一時(shí)刻的輸出,σ 是Sigmoid 函數(shù),它將遺忘門(mén)設(shè)置為0 到1之間的值。循環(huán)神經(jīng)網(wǎng)絡(luò)不僅需要遺忘門(mén)忘記部分之前的記憶,它還需要補(bǔ)充最新的記憶,可以通過(guò)輸入門(mén)來(lái)控制。當(dāng)前時(shí)刻第i個(gè)LSTM 單元的輸入門(mén)的值可以用式(2)來(lái)表示。

其中,bI、UI和WI分別是LSTM 單元遺忘門(mén)的輸入偏差、輸入權(quán)重和循環(huán)權(quán)重。

LSTM 單元的內(nèi)部狀態(tài)將會(huì)以式(3)更新。

其中,b、U 和W 分別是LSTM 單元中的輸入單元的輸入偏差、輸入權(quán)重和循環(huán)權(quán)重。當(dāng)前時(shí)刻第i個(gè)LSTM 單元的輸出門(mén)的值可以用式(4)來(lái)表示。

其中,bO、UO和WO分別是LSTM 單元輸出門(mén)的輸入偏差、輸入權(quán)重和循環(huán)權(quán)重。LSTM 在得到當(dāng)前時(shí)刻狀態(tài)值S(t)i后會(huì)進(jìn)一步產(chǎn)生當(dāng)前時(shí)刻的輸出。

基于上述門(mén)控單元,LSTM 能夠?qū)W習(xí)到長(zhǎng)期依賴性。利用LSTM 監(jiān)測(cè)刀具狀態(tài),現(xiàn)有研究只考慮了正向依賴,而對(duì)倒序數(shù)據(jù)的反向依賴關(guān)注較少。對(duì)于預(yù)測(cè)問(wèn)題中的依賴關(guān)系,序列數(shù)據(jù)進(jìn)入LSTM 網(wǎng)絡(luò)是按時(shí)間順序排列的,結(jié)果LSTM 網(wǎng)絡(luò)中的信息沿著鏈結(jié)構(gòu)從時(shí)間步長(zhǎng)t-1 傳遞到時(shí)間步長(zhǎng)t,但有價(jià)值的信息可能被過(guò)濾掉。因此,獲得反向依賴關(guān)系很有必要。雙向LSTM 網(wǎng)絡(luò),既可以捕獲正向依賴關(guān)系,也可以捕獲反向依賴關(guān)系。雙向LSTM 能夠使用2 個(gè)單獨(dú)的隱藏層在2 個(gè)方向處理序列數(shù)據(jù),然后反饋到同一輸出層。以下定義了相應(yīng)的隱藏層函數(shù),其中→和←分別表示前進(jìn)和后退的過(guò)程,如式(6)所示。

堆疊多個(gè)LSTM 層形成一個(gè)深度LSTM 神經(jīng)網(wǎng)絡(luò)——堆疊的雙向LSTM 網(wǎng)絡(luò)(stacked Bi-directional long short term memory,SBiLSTM),可以讓模型從輸入數(shù)據(jù)中獲取更深層次的特征。當(dāng)涉及到深度LSTM 時(shí),模型的輸入可以通過(guò)多個(gè)LSTM 層傳遞,圖5 所示為SBiLSTM 網(wǎng)絡(luò)結(jié)構(gòu)。一個(gè)LSTM 層的隱藏輸出不僅隨時(shí)間傳播,而且還用于下一LSTM 層的輸入數(shù)據(jù)。在雙向LSTM 框架中,每個(gè)隱藏層都接收一個(gè)輸入序列,該輸入序列由下面一級(jí)的前向和后向?qū)拥妮敵鲂蛄薪M成。在終端時(shí)間步長(zhǎng)的最后LSTM 層的輸出被用作SBiLSTM 網(wǎng)絡(luò)的輸出。LSTM 層堆疊的優(yōu)點(diǎn)是雙重的,一個(gè)是堆疊層使模型能夠?qū)W習(xí)不同時(shí)間尺度上原始信號(hào)的特性。另一個(gè)是參數(shù)可以分布在空間層上,而不是增加存儲(chǔ)器大小,有助于輸入原始信號(hào)實(shí)現(xiàn)更有效的非線性操作。

圖5 SBiLSTM 網(wǎng)絡(luò)結(jié)構(gòu)

1.3 分類機(jī)制

卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)可以視作特征提取器,在對(duì)刀具磨損狀態(tài)識(shí)別時(shí)需要加入分類結(jié)構(gòu)的全連接神經(jīng)網(wǎng)絡(luò)。對(duì)于多分類問(wèn)題,輸入、輸出滿足一個(gè)映射關(guān)系,信息從輸入x的經(jīng)過(guò)定義的映射關(guān)系,最終達(dá)到輸出y。映射關(guān)系中間計(jì)算過(guò)程通過(guò)完全連接的密集層堆疊在一起,其中一層的輸出用作下一層的輸入。每層的計(jì)算公式為

其中,yi和xi分別表示第i個(gè)全連接層的輸出和輸入。和bi分別表示第i個(gè)完全連接層中的權(quán)重矩陣和偏置項(xiàng)。函數(shù)f()設(shè)置為ReLu 函數(shù)。最終,全連接神經(jīng)網(wǎng)絡(luò)最后一層將輸出分類狀態(tài)。

2 拉削刀具磨損狀態(tài)識(shí)別模型

2.1 模型構(gòu)建

DSBiLSTM 模型分為特征提取網(wǎng)絡(luò)和分類網(wǎng)絡(luò)。從特征提取的角度分析,一般認(rèn)為DenseNet(3-2)網(wǎng)絡(luò)適用于不同方向的振動(dòng)信號(hào)空間特征提取,而SBiLSTM 網(wǎng)絡(luò)更適用于同方向振動(dòng)信號(hào)時(shí)間序列特征提取。DenseNet(3-2)網(wǎng)絡(luò)強(qiáng)調(diào)幾組獨(dú)立數(shù)據(jù)在組別之間的上下層聯(lián)系,數(shù)據(jù)處理在序列上相互獨(dú)立。SBiLSTM 網(wǎng)絡(luò)對(duì)于數(shù)據(jù)處理則側(cè)重于序列順序關(guān)系上,考慮當(dāng)前數(shù)據(jù)對(duì)未來(lái)數(shù)據(jù)發(fā)展產(chǎn)生的影響和對(duì)前期數(shù)據(jù)的關(guān)聯(lián)關(guān)系。DenseNet(3-2)網(wǎng)絡(luò)和SBiLSTM 網(wǎng)絡(luò)可以視作特征提取器,在對(duì)拉刀磨損狀態(tài)識(shí)別時(shí)需要加入分類結(jié)構(gòu)的全連接神經(jīng)網(wǎng)絡(luò)。

本文基于DenseNet(3-2)、SBiLSTM 和FNN 網(wǎng)絡(luò)建立了端到端的刀具磨損狀態(tài)識(shí)別模型,如圖6所示,使得一個(gè)特征的輸出在空間上和前后序列上都有聯(lián)系,同時(shí)考慮到數(shù)據(jù)空間和時(shí)間關(guān)聯(lián)關(guān)系,實(shí)現(xiàn)自適應(yīng)特征提取,并對(duì)拉刀磨損狀態(tài)精準(zhǔn)識(shí)別。

圖6 刀具狀態(tài)識(shí)別模型

表1 給出了所建模型的每層詳細(xì)信息。首先對(duì)輸入序列數(shù)據(jù)進(jìn)行預(yù)處理歸一化操作,接著通過(guò)DenseNet(3-2)網(wǎng)絡(luò)提取空間特征,空間特征提取之后保持較小的大小輸出。然后,SBiLSTM 網(wǎng)絡(luò)提取時(shí)間序列信息,以彌補(bǔ)DenseNet(3-2)網(wǎng)絡(luò)在時(shí)序上特征提取的不足。此外,每個(gè)BILSTM 網(wǎng)絡(luò)的前向?qū)雍秃笙驅(qū)庸蚕硐嗤瑪?shù)量的隱藏單元。在SBiLSTM輸出之后,將最后一個(gè)SBiLSTM 隱藏單元使用FNN網(wǎng)絡(luò)添加非線性輸出。最后,將學(xué)習(xí)到的高級(jí)表示形式接入線性分類層(softmax)以估計(jì)刀具磨損狀態(tài)。此外,模型中使用Dropout 層以避免過(guò)度擬合和引入ReLU 函數(shù)標(biāo)準(zhǔn)化輸出。

表1 刀具狀態(tài)識(shí)別模型詳細(xì)信息

(續(xù)表1)

2.2 模型訓(xùn)練

振動(dòng)信號(hào)從加工現(xiàn)場(chǎng)收集,考慮到不同的加速度傳感器數(shù)值上的差異,對(duì)數(shù)據(jù)進(jìn)行歸一化處理,以降低計(jì)算復(fù)雜度。原始數(shù)據(jù)根據(jù)式(8)進(jìn)行歸一化。

其中,xmax表示信號(hào)中的最大值。

對(duì)于做統(tǒng)一變換的監(jiān)測(cè)信號(hào),不會(huì)影響信號(hào)對(duì)刀具磨損狀態(tài)的表征能力,歸一化前后的信號(hào)如圖7所示。

圖7 數(shù)據(jù)預(yù)處理

在模型訓(xùn)練過(guò)程中,交叉熵?fù)p失誤差被用作模型的損失函數(shù),定義為

其中,N表示樣本的數(shù)量,M表示類別的數(shù)量,yij指示變量(如果該類別和樣本i的類別相同就是1,否則就是0),pij為觀測(cè)樣本i于類別j的預(yù)測(cè)概率。

將數(shù)據(jù)經(jīng)歸一化后,隨機(jī)選取帶磨損狀態(tài)標(biāo)注的振動(dòng)信號(hào)樣本的80%為訓(xùn)練集訓(xùn)練模型,剩余20%用作測(cè)試集評(píng)估訓(xùn)練優(yōu)化后的模型,模型的訓(xùn)練和測(cè)試過(guò)程如圖8 所示。利用訓(xùn)練集對(duì)刀具磨損狀態(tài)模型進(jìn)行訓(xùn)練,將訓(xùn)練集樣本預(yù)處理和歸一化后送入DSBiLSTM 用于刀具磨損狀態(tài)分類,計(jì)算實(shí)際類別與預(yù)測(cè)類的交叉熵誤差。模型采用Adam(adaptive moment estimation)優(yōu)化算法更新網(wǎng)絡(luò)的超參數(shù),使得交叉熵?fù)p失函數(shù)的值不斷下降,讓模型預(yù)測(cè)值更趨于真實(shí)值。若損失函數(shù)未呈現(xiàn)逐漸減小趨勢(shì),則模型存在過(guò)擬合,調(diào)整模型結(jié)構(gòu)進(jìn)行訓(xùn)練。反之,模型收斂,調(diào)整模型參數(shù)直到具有較高的精度,保存模型結(jié)構(gòu)和參數(shù)用于實(shí)際加工過(guò)程。將測(cè)試集作為訓(xùn)練有素的DSBiLSTM 模型的輸入,通過(guò)正向傳播得到刀具磨損狀態(tài),評(píng)估DSBiLSTM 模型的訓(xùn)練效果。

圖8 刀具磨損狀態(tài)識(shí)別流程圖

3 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

3.1 實(shí)驗(yàn)裝置和流程

實(shí)驗(yàn)研究在高速臥式榫槽拉床(型號(hào):LG6516zx-2800)上進(jìn)行,拉削刀具采用涂層硬質(zhì)合金,拉削工件為某型號(hào)飛機(jī)渦輪盤(pán),材料為高溫鎳基粉末合金FH97。拉削過(guò)程中采用14 個(gè)加速度傳感器(型號(hào):PCB333B30,量程:±50 g,靈敏度:((±10%)100 mV/g),按照x、y、z3 個(gè)方向粘附在拉床刀盒上(見(jiàn)圖9),用于實(shí)時(shí)采集拉刀在加工過(guò)程中的振動(dòng)信號(hào)。采用SCADAS III-305 采集卡處理實(shí)時(shí)信號(hào)并傳送到Dell/M90 計(jì)算機(jī)上,信號(hào)的采樣頻率為2.56 kHz。實(shí)驗(yàn)訓(xùn)練深度學(xué)習(xí)的硬件平臺(tái)采用高性能服務(wù)器,InterCore i7-9700 CPU,主頻3.00 GHz,16 GB內(nèi)存,GPU 選擇NVIDIAGeForce RTX2070 SUPER 圖像處理器。軟件平臺(tái)使用Ubuntu 16.04 操作系統(tǒng),深度學(xué)習(xí)框架選用pytorch。

圖9 刀具磨損實(shí)驗(yàn)裝置圖

實(shí)驗(yàn)采用8 把拉削刀具完成拉削操作,總共得到790 個(gè)原始樣本信號(hào)。拉削刀具加工工件一次記為一個(gè)拉削行程,每個(gè)拉削行程結(jié)束后,將拉削刀具取下放到顯微鏡下,測(cè)量并記錄最易磨損的刀齒后刀面的1/2 處得刀具平均磨損量。

根據(jù)刀具磨損過(guò)程并結(jié)合實(shí)驗(yàn)情況,在后刀面磨損量為0～0.05 mm 時(shí),拉削刀具在較短的時(shí)間內(nèi)迅速磨損,將該階段劃分為初期磨損階段;在后刀面磨損量為0.05～0.2 mm 時(shí),拉削刀具切削過(guò)程平穩(wěn),工件表面質(zhì)量較好,將該階段劃分為中期磨損階段;在后刀面磨損量大于0.2 mm 時(shí),刀具磨損量迅速增加,工件加工表面粗糙,刀具在較短的時(shí)間內(nèi)迅速達(dá)到失效狀態(tài),需要及時(shí)換刀或刃磨,將該階段劃分為磨鈍階段。將刀具磨損狀態(tài)劃分為3 種數(shù)據(jù)標(biāo)簽,并采用one-hot 編碼形式對(duì)刀具磨損狀態(tài)進(jìn)行編碼。

3.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)將訓(xùn)練集樣本送入DenseNet(3-2)網(wǎng)絡(luò)和SBiLSTM 網(wǎng)絡(luò)自適應(yīng)提取空間和時(shí)間上的特征,特征提取后使用FNN 網(wǎng)絡(luò)用于刀具磨損狀態(tài)分類,計(jì)算實(shí)際類別與預(yù)測(cè)類的交叉熵誤差,采用Adam 優(yōu)化算法更新網(wǎng)絡(luò)的權(quán)重參數(shù),使得交叉熵?fù)p失函數(shù)的值不斷下降,讓模型預(yù)測(cè)值更趨于真實(shí)值,并保存訓(xùn)練結(jié)果。同時(shí),為了能更好地闡述量化特征提取方法在刀具狀態(tài)識(shí)別中的優(yōu)越性,將DenseNet(3-2)分類模型和SBiLSTM 分類模型與DSBiLSTM 模型進(jìn)行對(duì)比,訓(xùn)練過(guò)程中3 個(gè)模型設(shè)置相同的參數(shù),模型的具體參數(shù)表如表2 所示。

表2 模型具體參數(shù)表

經(jīng)過(guò)訓(xùn)練后,得到不同的準(zhǔn)確率和損失函數(shù)值,3 個(gè)模型的準(zhǔn)確率和損失函數(shù)變化曲線如圖10 所示。由圖10 可知,隨著迭代次數(shù)(epoch)的增加,各個(gè)模型的交叉熵?fù)p失函數(shù)總體呈現(xiàn)下降趨勢(shì),準(zhǔn)確率逐漸升高,沒(méi)有出現(xiàn)梯度爆炸或梯度彌散現(xiàn)象,最終模型都以較快速度收斂。

圖10 各模型準(zhǔn)確率和損失函數(shù)變化曲線

測(cè)試樣本總量為158 個(gè),其中初期磨損樣本為39 個(gè)、中期磨損樣本為100 個(gè)、磨鈍樣本為19 個(gè),將模型訓(xùn)練收斂后保存的DenseNet(3-2)分類模型、SBiLSTM 分類模型和DSBiLSM 模型的結(jié)構(gòu)和權(quán)重參數(shù),放入測(cè)試集中進(jìn)行測(cè)試。通過(guò)混淆矩陣展示測(cè)試結(jié)果如圖11 所示。

圖11 模型測(cè)試結(jié)果混淆矩陣圖

由圖11(a)和圖11(b)識(shí)別結(jié)果可以得出,只關(guān)注空間特征信息的DenseNet(3-2)模型準(zhǔn)確率為95.56%;只關(guān)注時(shí)序特征信息的SBiLSTM 模型準(zhǔn)確率為84.81%,雖然DenseNet(3-2)模型準(zhǔn)確率比較高,但在對(duì)刀具初期磨損狀態(tài)識(shí)別中精確率和召回率分別為90.24%、94.87%,仍不能滿足精度要求。由于初始振動(dòng)信號(hào)沒(méi)有經(jīng)過(guò)降維處理,直接將標(biāo)準(zhǔn)化后的振動(dòng)信號(hào)作為SBiLSTM 模型的輸入,在完整序列中提取時(shí)序特征信息運(yùn)算成本巨大,且SBiLSTM 模型未能學(xué)習(xí)到刀具磨損狀態(tài)的空間特征映射,導(dǎo)致SBiLSTM 模型識(shí)別效果較差。以上DenseNet(3-2)模型和SBiLSTM 模型對(duì)拉削刀具磨損狀態(tài)識(shí)別,其結(jié)果都不理想。

從圖11(c)分析可以得出,DSBiLSTM 模型的準(zhǔn)確率為98.73%,比DenseNet(3-2)模型準(zhǔn)確率提升了2.17%;DSBiLSTM 模型中的SBiLSTM 網(wǎng)絡(luò)的輸入是經(jīng)過(guò)DenseNet(3-2)網(wǎng)絡(luò)特征提取降維后的特征向量(d=224),所以DSBiLSTM 模型相對(duì)SBiLSTM 模型提取時(shí)序特征的情況,參數(shù)計(jì)算量小,運(yùn)算速度快;DSBiLSTM 模型在對(duì)磨鈍狀態(tài)識(shí)別中,精確率和召回率為100%、95%。

由表3 可知,DenseNet(3-2)和SBiLSTM 模型測(cè)試集的準(zhǔn)確率分別為95.56%和84.81%,預(yù)測(cè)精度較低,表明單獨(dú)的空間特征提取和時(shí)間特征提取可以對(duì)刀具磨損狀態(tài)進(jìn)行預(yù)測(cè),但由于受模型自適應(yīng)特征提取能力的限制,無(wú)法捕獲刀具振動(dòng)信號(hào)中更深層次隱藏的特征。DSBiLSTM 模型相較于DenseNet(3-2)和SBiLSTM 模型結(jié)構(gòu)較深的情況下,單次識(shí)別時(shí)間分別快2 ms 和78 ms。DSBiLSTM 模型利用DenseNet(3-2)模型特征重用優(yōu)勢(shì)有效地提取振動(dòng)信號(hào)中的空間特征信息,并對(duì)振動(dòng)信號(hào)進(jìn)行降維,便于后續(xù)時(shí)序特征提取到振動(dòng)信號(hào)時(shí)序特征的依賴關(guān)系,同時(shí)利用SBiLSTM 模型的優(yōu)勢(shì),從正向和反向捕捉振動(dòng)信號(hào)過(guò)去和未來(lái)的特征信息,挖掘出振動(dòng)信號(hào)豐富的時(shí)間特征信息。最后,測(cè)試集的準(zhǔn)確率達(dá)到98.73%。在性能方面,DSBiLSTM 模型的單次測(cè)試時(shí)間為11 ms,滿足工業(yè)生產(chǎn)在線拉削刀具狀態(tài)識(shí)別應(yīng)用。因此,實(shí)驗(yàn)結(jié)果表明DSBiLSTM 模型具有較高的識(shí)別精度,更適合在線拉削刀具狀態(tài)識(shí)別。

表3 測(cè)試集的單次測(cè)試時(shí)間和準(zhǔn)確率

4 結(jié)論

本文提出了一種用于刀具磨損狀態(tài)識(shí)別的改進(jìn)的深度學(xué)習(xí)模型,該模型整合了DenseNet 網(wǎng)絡(luò)和LSTM 網(wǎng)絡(luò)的優(yōu)勢(shì),由DenseNet(3-2)網(wǎng)絡(luò)結(jié)構(gòu)挖掘出振動(dòng)信號(hào)與刀具磨損狀態(tài)間的空間相關(guān)性特征,而SBiLSTM 網(wǎng)絡(luò)能夠補(bǔ)充與刀具磨損狀態(tài)間的時(shí)序相關(guān)性特征。此外,所設(shè)計(jì)實(shí)驗(yàn)裝置可以有效地采集拉削刀具在操作過(guò)程中輸出的振動(dòng)信號(hào)和測(cè)量拉削刀具的磨損量,具有簡(jiǎn)單實(shí)用的特點(diǎn)。對(duì)比實(shí)驗(yàn)研究發(fā)現(xiàn),DSBiLSTM 模型兼顧DenseNet(3-2)模型和SBiLSTM 模型的特性,具有較深的模型結(jié)構(gòu),且比DenseNet(3-2)模型和SBiLSTM 模型有較高的準(zhǔn)確率和較快的運(yùn)算速度,適用于渦輪盤(pán)榫槽拉削刀具在線磨損狀態(tài)識(shí)別。

深度學(xué)習(xí)是數(shù)據(jù)驅(qū)動(dòng)的方法,需要大量數(shù)據(jù)進(jìn)行模型訓(xùn)練,且刀具狀態(tài)識(shí)別模型隨著拉削系統(tǒng)參數(shù)的變化也需要進(jìn)行動(dòng)態(tài)調(diào)整。后續(xù)研究將進(jìn)一步增加傳感型號(hào)的類型和數(shù)量,以獲取更多的運(yùn)行數(shù)據(jù),實(shí)現(xiàn)對(duì)刀具磨損狀態(tài)提取更加全面的狀態(tài)特征,并動(dòng)態(tài)更新模型參數(shù),從而達(dá)到更準(zhǔn)確的識(shí)別效果。