結合時空特征的多傳感器刀具磨損監測*

曹夢龍,甄開起

(青島科技大學自動化與電子工程學院,青島 266061)

0 引言

在機床削切加工過程中,刀具磨損會影響生產進度與產品質量[1],甚至引發安全事故。因此,精確高效的刀具磨損狀態實時監測對改善生產效率,提高經濟效益與增強安全系數具有重要意義[2]。目前,相較于直接檢測法,間接檢測法不影響加工進程,更容易讓工業領域接受,已成為研究主流[3]。其通過多種傳感器采集削切過程中切削力、振動、聲音和電流等信號[4],從中提取與刀具磨損相關的特征,進而利用分類模型識別刀具狀態,因此特征提取的深度、廣度與精度將直接影響監測結果的準確性。

傳統的人工提取特征方法需要豐富的先驗知識,且容易遺漏隱藏特征信息。近年來,能夠自動提取特征的深度學習網絡被廣泛研究與應用。張存吉等[5]利用小波包變換將振動信號轉變為能量頻譜圖,然后輸入卷積神經網絡(CNN)中進行特征提取,實現對刀具磨損狀態的分類。GOUARIR等[6]基于格拉姆角和場(GASF)將力信號轉換為二維圖像,使用CNN對刀具磨損狀態進行預測。兩者均選擇將一維信號二維化后,利用CNN從圖像中自動提取多維度空間特征,但數據預處理部分過程繁瑣,網絡識別效率較低。XU等[7]利用一維卷積神經網絡(1DCNN)直接從振動信號中提取特征后,通過具有擴張卷積的殘差塊和全連接層實現對絲錐刀具磨損的預測。上述研究均側重提取信號的空間特征,忽視了刀具加工信號特有的時序特征。長短期記憶網絡(LSTM)由于對時間序列信號敏感[8],在刀具磨損預測領域取得了不錯的效果。何彥等[9]將LSTM用于刀具磨損在線監測,提高了預測精度。朱翔等[10]通過將加速度信號的小波包能量輸入LSTM,實現了對刀具磨損狀態的在線監測。相較于只能單方向獲取信息的LSTM,雙向長短時記憶網絡(BiLSTM)從兩個相反的方向獲取數據,能更好地提取時序數據中隱含信息。

基于上述研究,本文提出結合時空特征的多傳感器刀具磨損識別方法,采用多通道輸入策略將3種傳感器采集的信號輸入7個通道中,經1DCNN提取信號的空間特征后,再傳入BiLSTM中提取信號的時間序列特征,最終通過全連接層和Softmax層進行特征分類。實驗結果表明,本文模型達到了預期效果,且提高了刀具磨損的識別準確率。

1 時空監測模型

受1DCNN與BiLSTM兩種網絡特點的啟發,本文設計了基于MC-1DCNN-BiLSTM的刀具磨損時空監測模型。如圖1所示,模型主要由4部分構成:多通道輸入策略、基于1DCNN的空間特征提取器、基于BiLSTM的時間特征提取器與基于全連接和Softmax的特征后處理及分類。

圖1 MC-1DCNN-BiLSTM刀具磨損監測模型

1.1 多通道輸入策略

針對單傳感器采集的監測數據存在不完整性與不準確性的問題,本文以多通道輸入的形式作為監測模型輸入策略。采用XYZ三向削力(Fx、Fy、Fz)、XYZ三向振動(Vx、Vy、Vz)、聲發射(S)數據作為監測模型的輸入。將信號按照2048長度的采樣點數進行截取,構建尺度大小為7×2048×n的數據集,n為樣本個數。在截取數據過程中,選取數據集中間部分進行截取,避免實驗過程中因進刀與退刀導致的無效數據影響模型識別的準確性[11]。

為防止不同傳感器采集的信號數據由于量綱不統一造成建模過程中的梯度爆炸,本文應用Z-score方法對輸入數據進行歸一化,以增加模型迭代速度,提高模型的預測精度,Z-score方法公式為:

(1)

1.2 一維卷積神經網絡

CNN在空間特征提取方面具有獨特的優勢,現已廣泛應用于語音識別、圖像處理等領域[12]。1DCNN常用于一維數據的處理,本文使用1DCNN對刀具磨損監測數據進行處理,網絡結構圖如圖2所示。

圖2 1DCNN網絡結構圖

將傳感器采集的7種代表不同特征的一維數據樣本分別輸入網絡的7個通道,數據經卷積層、批標準化BN層和池化層相應操作后,將提取的空間特征展平到壓平層進行信息融合。為避免數據過大導致網絡訓練速度過慢,本文在卷積層后加入最大池化層來提高系統魯棒性。

卷積過程中,為增加網絡模型的非線性特性,通常會利用激活函數對每一個經卷積運算之后的輸出值進行非線性映射變換。本文使用ReLU作為隱含層激活函數,相較于Sigmoid函數,該激活函數更易優化線性數據,具備更快的收斂速度,同時提高網絡的稀疏性,避免網絡過擬合。ReLU定義為:

(2)

1.3 雙向長短時記憶網絡

LSTM是一種具有鏈式結構且善于處理長序列時序數據的網絡結構,在網絡訓練中不易出現梯度消失和梯度爆炸問題[13]。圖3為LSTM神經元細胞的內部工作圖。圖中,h為網絡保持非線性操作的短期記憶通道,C為網絡保持線性操作的訓練記憶的長期記憶通道,xt為t時刻的輸入向量,Ct-1表示t時刻神經單元狀態,ht表示t時刻隱藏層狀態,ft表示遺忘門,控制信息遺忘程度;gt表示輸入門,控制記憶單元的輸入信息量;ot為控制輸出單元權重的輸出門。通過各門的控制可實現數據選擇性保留或遺忘。LSTM的工作過程為:

圖3 LSTM網絡單元結構

ft=σ(Wfxxt+Wfnht-1+bf)

(3)

gt=σ(Wgxxt+Wghht-1+bg)

(4)

zt=tanh(Wzxxt+Wzhht-1+bz)

(5)

Ct=ft⊙Ct-1+gt⊙zt

(6)

ot=σ(Woxxt+Wohht-1+bo)

(7)

ht=ot⊙tanh(Ct)

(8)

式中:W和b為對應公式的權重和偏置項,σ和tanh為激活函數,⊙為對應元素相乘。

BiLSTM是LSTM的改進網絡,它由兩個反向LSTM層并聯構成,同時捕捉來自過去和未來兩種時間序列的信息[14]。BiLSTM可以挖掘數據更深層次的時間序列規律,提高預測精度,因此本文使用BiLSTM網絡提取信號的時序特征。BiLSTM結構示意圖如圖4所示。

圖4 BiLSTM結構示意圖

(9)

1.4 特征處理及分類

全連接層FC的結點與BiLSTM的結點相連,將提取的時空特征進行整合[15],數據重新排列后經Softmax分類輸出各類別概率值,識別結果為最終標簽概率值最大的輸出值。其正向傳播公式為:

(10)

2 驗證實驗

2.1 刀具磨損實驗數據描述

(1)實驗平臺。本文選用PHM2010 Society數據挑戰賽的銑削數據集[16],實驗在Roders_TechRF高速數控銑床上進行,為加快刀具磨損速度,選擇干銑削的方式對工件進行端銑加工,實現對3把銑刀的全生命周期實驗[17]。實驗器具采用6 mm三槽球頭碳化鎢刀具,工件為長度108 mm的HRC52不銹鋼。刀具從工件一側順銑至另外一側,循環往復,按照相同加工參數對刀具分別進行315次端銑,刀具磨損實驗平臺如圖5所示。

圖5 刀具磨損實驗平臺

在整個銑削過程中,本文使用數據采集卡對實驗設備中測力儀、振動傳感器和聲發射傳感器的信號以50 kHz的采樣率采集,銑削結束后使用顯微鏡測量后刀面磨損值,最終得到C1、C4與C6三組刀具磨損量變化歷程數據集。

(2)數據描述。本文選取C4組銑刀實驗數據來創建源域數據集,該數據集記錄有315次銑削動作的7種傳感器信號和對應球頭銑刀3個切削刃的磨損量。將3個切削刃磨損量的平均值作為刀具磨損量,并根據刀具狀態變化趨勢,將刀具磨損進程分為4個階段。由于初期磨損與磨鈍失效階段樣本較少,每次走刀選取25個7×2048的樣本,其余階段每次走刀取10個,共獲取3810個樣本,源域數據集基本情況如表1所示。

表1 源域數據集基本情況

2.2 刀具磨損監測基本思路

本文刀具磨損實時監測的基本思路如圖6所示,主要由數據預處理、訓練歷史模型與在線監測3部分組成。

圖6 刀具磨損實時監測基本思路

(1)數據預處理。本文將實驗平臺獲取的3組數據集中的C4刀具數據集作為源域,用于訓練歷史模型,確定模型最優參數設置。將C1與C6作為目標域,模擬現場采集的實時加工信號,用于測試監測模型的可適用性。在將信號數據輸入監測模型前,要對采集的刀具磨損時序信號進行簡單的數據預處理,構建多通道1D數據集,主要包括歸一化、切片與標簽化。

(2)訓練歷史模型。利用源域樣本集構建訓練歷史模型,將經過信號預處理的信號輸入到時空監測模型,先后經過空間與時間特征提取之后,采用softmax函數誤差反向傳播的方法來優化模型,在此過程中不斷調整模型相關參數,直至模型訓練至理想效果,并保存源域模型參數。

(3)在線監測。將訓練好的參數由源域模型導入目標域模型,對輸入的目標域數據進行分類,實現對刀具磨損狀況的實時監測。

2.3 監測模型參數設置

本實驗所用軟件平臺為TensorFlow深度學習框架,模型訓練選用Adam作為優化器,設置學習率為0.001。為避免訓練時網絡出現過擬合,本文在全連接層引入Dropout正則化,設置速率為0.2。訓練輪數epoch設為100,批大小batch_size設為30,本文訓練時將數據集樣本按照4∶1的比例分為訓練和測試兩類數據集。為評估當前訓練得到的概率分布與真實分布之間的差異情況,本文使用分類交叉熵損失函數,交叉熵的值越小,則兩個概率分布越接近。

本文模型使用的是7通道輸入,輸入信號特征大小為2048×7,信號通過輸入層依次經過兩個卷積層和池化層,經Flatten層后輸入一個神經元數量為256的BiLSTM層,最后通過FC和Softmax層輸出結果。網絡模型使用ReLU激活函數,結合BN批量歸一化層和卷積核零補填充操作。監測模型網絡結構參數如表2所示,第1層和第2層卷積核大小分別為64×1、2×1,卷積核數量分別為32、64,池化的內核大小分別為4×1、2×1,卷積層_1的步長為4,卷積層_2的步長為2,池化層_1的步長為4,池化層_2的步長為2。

表2 監測模型網絡結構參數

2.4 實驗結果與分析

本文采用時空監測模型識別刀具的磨損狀態,在網絡60次迭代過程中,訓練集的準確率與損失函數能夠較快達到識別要求。相比于訓練集,測試集的準確率提升速度更快,達到99.8%后趨于穩定,損失函數減小速度更快,14次迭代后,收斂到0.05以下,隨著訓練次數的增加逐漸趨近于0。結果表明該模型對于刀具磨損信息的特征挖掘和學習成效顯著。模型訓練的準確率和損失函數變化如圖7所示。

圖7 訓練模型準確率與損失值

為進一步驗證本文模型(MC-1DCNN-BiLSTM)在刀具磨損識別性能上的優勢,利用相同數據集與參數設置對不同的算法模型進行平行對照實驗。每種模型各實驗5次,實驗結果如表3所示。

表3 不同算法模型監測效果對比 (%)

結果表明,各種模型均取得較高的準確率,采取將3種傳感器采集的信號經簡單預處理后輸入監測模型進行刀具磨損狀態的方法是可行的,且本文模型明顯優于其他模型的識別效果,準確率可以達到99.85%。經對比,采用多通道信息融合的MC-1DCNN模型在提取空間特征上優于單通道1D卷積神經網絡(SC-1DCNN)模型,結合提取時序特征的LSTM后,MC-1DCNN-LSTM模型的識別效果優于獨立的MC-1DCNN模型和LSTM模型,識別準確率大幅提升。相較于MC-1DCNN-LSTM模型,本文模型利用BiLSTM的雙向特點進一步挖掘了時序性數據的上下文信息,將模型準確率提高了1.28%。

3 監測模型可適用性驗證

為檢驗模型的可適用性,本文模擬現場環境。使用C1、C6兩組原始數據集,每次走刀選取10個樣本,建立未知驗證集。首先對數據進行預處理,然后將驗證集中3150條數據隨機打亂,輸入目標域模型中得到驗證集的識別結果。本文將實際識別結果與真實標簽進行對比,并繪制混淆矩陣如圖8所示。

(a) C1驗證集混淆矩陣 (b) C6驗證集混淆矩陣

由圖8可知,兩個驗證集均取得較好的識別效果,準確率達99%以上,各分類標簽精確率均在97%以上,表明符合現場對刀具磨損狀態的檢測要求,具有較強的可適用性。

然而,實驗結果出現真實類別被誤判為其它類別的情況。為深層次探究誤判的原因,同時為直觀分析分類結果的特征分布情況。本文取C1驗證集,通過T-SNE方法將目標域模型的全連接層輸出分別降為3D和2D特征,繪制分類結果聚類散點圖,用顏色區分不同類別的預測值,如圖9a和圖9b所示。

(a) 3D特征分布 (b) 2D特征分布

通過圖9可以看到不同類別之間區分得十分明顯,除急劇磨損階段外,同類故障之間聚集非常緊湊。這進一步表明該方法在刀具磨損狀態識別方面的效果顯著。結合觀察圖8,發現誤判通常發生在刀具磨損相鄰階段,這是因為輸入信號為時序信號,它隨加工時間的增長不斷變化,劃分刀具磨損階段時,兩相鄰階段的信號會有一定的相似性,最終導致了誤判。急劇磨損階段,刀具磨損量急劇變化,特征分布情況更加豐富,導致聚集相對分散。綜上所述,在實際應用場景中,本為提出的刀具磨損監控方法具有很強的可適用性。

4 結論

本文搭建一種結合時空特征的多傳感器刀具磨損監測模型,并進行實驗驗證,證實了模型的可行性。將本文算法模型與其他不同的算法模型進行平行對照實驗,進行監測模型適用性測試,最終得出以下結論:

(1)本文提出的MC-1DCNN-BiLSTM模型增加了刀具磨損數據的多樣性,充分挖掘了數據的時空特征,相較于傳統的深度學習模型,具有更高的識別精度;

(2)避免了復雜的信號預處理與繁瑣的人工特征提取過程,簡化了流程,提高了工作效率;

(3)采用了不同數據集建立驗證集,結果表明,兩個驗證集均取得較好的識別效果,識別準確率均達99%以上,具有較強的適用性。

在實際生產加工過程中,技術人員可以根據加工方式、刀具樣式與加工材料的不同,布置不同數量或種類的傳感器,豐富樣本數據信息,拓寬模型適用范圍,進一步減少誤判率,提高該方法在生產實踐中的應用能力。