□ 陳 莉

新鄉(xiāng)職業(yè)技術(shù)學(xué)院 現(xiàn)代設(shè)計與工程學(xué)院 河南新鄉(xiāng) 453006

1 研究背景

隨著工業(yè)加工技術(shù)的不斷進(jìn)步,提升自動化控制精度成為眾多研究人員的關(guān)注重點[1]。在加工過程中,鍛錘與工件表面會在數(shù)控加工中心運(yùn)行階段發(fā)生接觸,從而造成磨損的問題。鍛錘表面的磨損狀態(tài)會對工件的加工質(zhì)量與鍛床性能造成直接作用,尤其是在進(jìn)行精加工時,需要達(dá)到更高的精度控制要求[2-3]。但是到目前為止,鍛錘材料并不能完全滿足實際使用性能要求,對于切削鍛錘耐磨性的研究也受到較大的限制[4-5]。

進(jìn)行刀具磨損預(yù)測時,庫祥臣等[6]以反向傳播神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型,從傳感器信號頻譜內(nèi)采集波形參數(shù)組成輸入特征,再以隨機(jī)方式對樣本實施訓(xùn)練。畢長波等[7]主要研究通過遺傳算法在全局范圍內(nèi)搜索反向傳播神經(jīng)網(wǎng)絡(luò)權(quán)值的過程,由此確定最優(yōu)性能的網(wǎng)絡(luò),但神經(jīng)網(wǎng)絡(luò)只能實現(xiàn)淺層學(xué)習(xí)的分析功能,此時樣本數(shù)據(jù)內(nèi)包含與預(yù)測結(jié)果存在緊密關(guān)聯(lián)的輸入特征,才可以獲得優(yōu)異的模型性能,這并不滿足深度挖掘的要求。王國峰等[8]研究通過深度學(xué)習(xí)方法從樣本中提取趨勢性特征,以粒子濾波修正的方法來提升模型的魯棒能力。Keyvanrad等[9]利用深度置信網(wǎng)絡(luò)測試分辨手寫數(shù)字,并對詞匯進(jìn)行預(yù)測試驗。Mannepalli等[10]采用深度置信網(wǎng)絡(luò)方法準(zhǔn)確提取輸入語音信號的有效頻譜信號,在情感識別方面表現(xiàn)出優(yōu)異的綜合性能。

筆者在前人研究的基礎(chǔ)上,應(yīng)用隨機(jī)失活層優(yōu)化深度置信網(wǎng)絡(luò)算法,對數(shù)控刀具磨損狀態(tài)進(jìn)行預(yù)測,并與其它算法進(jìn)行對比分析。

2 隨機(jī)失活層優(yōu)化深度置信網(wǎng)絡(luò)算法

圖1 深度置信網(wǎng)絡(luò)整體架構(gòu)

基于深度置信網(wǎng)絡(luò)進(jìn)行分析時,需要對大量參數(shù)進(jìn)行校準(zhǔn),傳統(tǒng)方法通常是選擇網(wǎng)絡(luò)組合方法,從而實現(xiàn)網(wǎng)絡(luò)集成功能的綜合分析。但進(jìn)行多模型訓(xùn)練測試需要耗費大量時間,因此采用隨機(jī)失活層函數(shù)優(yōu)化深度置信網(wǎng)絡(luò)訓(xùn)練過程,這樣不必按照常規(guī)循環(huán)方式中通過重復(fù)學(xué)習(xí)的過程來達(dá)到固定神經(jīng)元的效果,不必對特征檢測器的作用進(jìn)行限制,從而防止模型對局部特征產(chǎn)生依賴,有效減緩過擬合程度,并由此完成正則化功能。

調(diào)節(jié)環(huán)節(jié)面對受限波爾茲曼機(jī)的訓(xùn)練方式,在訓(xùn)練開始前,先利用隨機(jī)概率向量對工作節(jié)點激活狀態(tài)進(jìn)行分析。

(1)

判斷屏蔽節(jié)點已轉(zhuǎn)為靜默狀態(tài),則循環(huán)不再進(jìn)行學(xué)習(xí),集成被判定激活的節(jié)點,得到神經(jīng)網(wǎng)絡(luò)訓(xùn)練架構(gòu),再對訓(xùn)練步驟進(jìn)行如下重復(fù)處理:

(2)

(3)

3 試驗驗證

3.1 感知數(shù)據(jù)獲取

當(dāng)?shù)毒咄Ｖ够剞D(zhuǎn)后,形成隨機(jī)分布的刀具位置會對檢測結(jié)果造成明顯影響。對此,設(shè)計一種能夠隔離測試儀器和機(jī)臺的雙鏡頭視覺測試方法,利用相機(jī)來抓取磨損圖像。

3.2 刀具磨損狀態(tài)識別

端銑切削加工時,采用硬質(zhì)合金四齒立銑刀,以45號鋼作為加工材料,由此在數(shù)控加工中心上進(jìn)行加工。

將刀具后刀面磨損程度0.4 mm作為磨鈍判斷指標(biāo),最終測試得到12組數(shù)據(jù),部分見表1。

表1 測試數(shù)據(jù)

3.3 預(yù)測模型框架搭建

采集得到200組樣本,再以7∶3將樣本分為訓(xùn)練樣本與測試樣本。控制學(xué)習(xí)率為0.02,將單次訓(xùn)練的樣本數(shù)控制為32,共進(jìn)行50次層間迭代。將隨機(jī)失活層概率設(shè)置為0.08,包含七個輸入層與一個輸出層。樣本數(shù)據(jù)采集見表2,受限玻爾茲曼機(jī)迭代過程如圖2所示。

表2 樣本數(shù)據(jù)采集

圖2 受限波爾茲曼機(jī)迭代過程

由圖2可知,各層受限波爾茲曼機(jī)都需要在初期訓(xùn)練階段重新學(xué)習(xí),此時會引起重構(gòu)誤差方式突變,最終逐漸達(dá)到穩(wěn)定狀態(tài)。

3.4 結(jié)果分析

采用不同算法進(jìn)行對比測試,預(yù)測精度對比如圖3所示。由圖3對比可知,深度反向傳播網(wǎng)絡(luò)缺乏良好的泛化能力,支持向量機(jī)則花費最長的預(yù)測時間。對于生產(chǎn)過程而言,可以忽略模型的訓(xùn)練時間,但是不同預(yù)測時間會引起刀具置換判斷結(jié)果的較大差異。

圖3 算法預(yù)測精度對比

相比較深度反向傳播網(wǎng)絡(luò)和支持向量機(jī),樣本選擇過程對深度置信網(wǎng)絡(luò)的預(yù)測精度有直接影響。當(dāng)測試集數(shù)據(jù)超出訓(xùn)練集范圍時,將會明顯影響預(yù)測精度,與深度置信網(wǎng)絡(luò)特性相符。加入隨機(jī)失活層后,有助于提升模型學(xué)習(xí)性能。

由于深度置信網(wǎng)絡(luò)進(jìn)行特征提取時能夠重構(gòu)得到更優(yōu)權(quán)值,因此在促進(jìn)網(wǎng)絡(luò)預(yù)測性能提升的情況下能夠更快完成特征匹配收斂過程。算法誤差比較見表3。由表3可知,經(jīng)過隨機(jī)失活層優(yōu)化的深度置信網(wǎng)絡(luò)表現(xiàn)出更穩(wěn)定與更準(zhǔn)確的預(yù)測結(jié)果。

表3 算法誤差比較

4 結(jié)束語

為了提高數(shù)控刀具加工精度,應(yīng)用隨機(jī)失活層優(yōu)化深度置信網(wǎng)絡(luò)算法,進(jìn)行刀具磨損狀態(tài)預(yù)測,并開展試驗分析,得到研究結(jié)果。

各層受限波爾茲曼機(jī)都需要在初期訓(xùn)練階段重新學(xué)習(xí),此時會引起重構(gòu)誤差方式突變,最終逐漸達(dá)到穩(wěn)定狀態(tài)。

相比深度反向傳播網(wǎng)絡(luò)和支持向量機(jī),加入隨機(jī)失活層后,深度置信網(wǎng)絡(luò)有助于提升模型學(xué)習(xí)性能,表現(xiàn)出更穩(wěn)定與更準(zhǔn)確的預(yù)測結(jié)果。