基于堆叠降噪自编码的刀具磨损状态识别

China Mechanical Engineering - - CONTENTS - 王丽华 杨家巍 张永宏等

王丽华1 杨家巍1 张永宏1 赵晓平2 谢阳阳1

1.南京信息工程大学信息与控制学院,南京, 210044

2.南京信息工程大学计算机与软件学院,南京, 210044

摘要:提出了一种基于堆叠降噪自编码( SDAE)的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射( AE)信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明, SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。

关键词:刀具磨损;声发射;深度学习;堆叠降噪自编码

中图分类号: TG502

DOI:10.3969/j.issn.1004⁃132X.2018.17.004 开放科学(资源服务)标识码(OSID) :

Tool Wear Condition Recognition Based on SDAE

WANG Lihua1 YANG Jiawei1 ZHANG Yonghong1 ZHAO Xiaoping2 XIE Yangyang1 1.School of Information and Control,Nanjing University of Information Science & Technology,

Nanjing,210044

2.School of Computer & Software,Nanjing University of Information Science & Technology,

Nanjing,210044

Abstract: A new method of condition recognition for tool wear was proposed based on SADE . A SDAE neural network was constructed to learn the characteristics of AE signals,and a supervised fine ⁃ tuning of the autoencoder network was carried out,so that the tool wear conditions were accurately rec⁃ ognized. The experimental results show that the SDAE method may learn adaptively to get effective fea⁃ ture expressions and the tool wear condition recognition precision is high. The proposed method may be used to recognize tool wear conditions effectively.

Key words: tool wear;acoustic emission(AE);deep learning;stacked denoising autoencoder

( SDAE)

0 引言在刀具磨损监测过程中,采集的刀具信号包含大量切削过程信息和周围环境噪声信息。研究刀具磨损状态监测技术的重点之一是研究如何从刀具非平稳信号中提取出表征刀具状态的特征。

面对非线性、非平稳的检测信号,小波分析和经验模态分解( empirical mode decomposition, EMD)等时频分析技术应运而生,其中EMD因其自适应的特点得到了广泛应用 。模式识别方法

[] 1是实现对刀具磨损状态进行监测的关键技术之一。小波神经网络、支持向量机( support vector machine,SVM)和反向传播( back propagation, BP)神经网络等方法在刀具磨损状态识别中得到了广泛应用。陶润喆 利用互补总体平均经验模

[] 2

收稿日期: 2017-07-07

基金项目:国家自然科学基金资助项目( 51405241,51575283,51505234)

态分解( complementary ensemble empirical mode decomposition,CEEMD)方法将声发射( acoustic emission,AE)信号分解成多个固有模态函数( in⁃ trinsic mode function,IMF),由于IMF依然存在模态混叠的问题,故利用小波包变换( wavelet package transform,WPT)进行修正,并输入到SVM中进行训练以完成对刀具磨损状态的识别。但上述方法存在如下2个缺陷: ①网络训练的样本数量太少,这会使得样本缺少多样性,网络的鲁棒性无法得到保证,也易形成过拟合 ; ②在使用传

[] 3统方法进行刀具磨损监测时,因单一方法所得到的特征不能很好地表征原信号,故利用多种方法来提取信号特征,以弥补单一方法的不足,但这需要依赖大量实际工程经验和消耗大量处理数据的时间,浪费人力。

近年来,深度学习在机械状态识别等领域得

到了广泛应用。HINTON等 提出了深度置信网

[] 4

络( deep belief network,DBN),并采用非监督贪心逐层训练算法为解决深度结构优化难题提供了方法,同时DBN网络在机械故障诊断领域也得到了应用 。随后堆叠自动编码器( stacked autoen⁃

[] 5 coder,SAE)、卷积神经网络( convolutional neural network,CNN)等优秀的深度网络结构相继被提出。深度学习方法在面对大量带有标签的训练数据时,能实现精准且高效的数据分类,且适用于复杂的机械故障诊断。雷亚国等 构建了SAE 网

[] 6络,以频域信号为输入进行齿轮的状态识别,并与传统方法作比较,显示出SAE在处理“大数据”样本时的优势。堆叠降噪自编码( stacked denoising autoencoder , SDAE)在自编码的基础上进行了改进,能够无监督地提取出更有效的特征表示 。

[] 7

AE信号具有受切削条件和刀具参数变化影响小、抗环境干扰能力强、灵敏度较高等优点 ,能

[] 8及时准确地处理与刀具磨损状态相关的信息 。

[] 9本文提出了一种基于SDAE网络的刀具磨损状态识别方法。以后刀面磨损量为磨钝标准,为采集的AE信号制定标签;构建了SDAE网络,以AE信号的频域为网络输入;通过SDAE网络实现了对未知状态AE信号的分类判别,并最终实现了对刀具磨损状态的有效识别。

1 算法描述

1.1 自动编码器原理

自动编码器( autoencoder) 是一种3层无监

[] 10督网络,结构上可分为编码器和解码器两部分,见图1,其中第12、层构成编码部分,第23、层构成其解码部分。编码器完成从输入向量x到输出表征y的映射转换,其典型表达式为yi = xi。

编码是实现输入样本xi通过激活函数映射到低维空间的过程,其表达式如下: hw, ( x )= f w, (= xi ) f (+ wx b ) ( 1)

b b

式中, hw, ( x )表示隐含层输出; f (⋅)为激活函数; xi为第i

b

个样本; w为编码过程的网络权值; b为编码过程的网络偏置。

解码是实现将低维空间的hw, ( x )通过激活函

b数逆向映射到高维空间,进而重构输入样本xi 的过程,其表达式如下: x̂ = f w′, ( hw, ( x ))= f ( w′hw, ( x )+ b′ ) ( 2)

b′ b b

式中, x̂为重构后的样本; w′为解码过程的网络权值; b′为解码过程的网络偏置。

通过重构得到的样本x̂与训练样本x是不相等的,两者的误差为

J ( x, x̂ )= ‖ x̂ - x‖ ( 3)

2

式中, J( ·)表示目标函数; m为样本数量。

利用误差反向传播算法来调整各层的权值W和偏置B,以此训练自编码网络,从而使得误差收敛并达到最小。当误差达到最小值时, hw, ( x )才

b可视为样本最有效的特征表达。

1.2 降噪自编码

在实际应用中,训练样本数据经常会混入噪声,从而导致数据失去了真实性。通过自动编码器得到的特征会因噪声的存在产生误差。降噪自编码器( denoising autoencoder,DAE) 可通过重

[] 11构含有噪声的输入数据来解决该问题,如图2所示。对样本加入一定量的噪声后再输入DAE,通过隐含层的训练,可尽量还原出同原始样本相同的数据 。

[] 12

将随机噪声按qD分布加入训练样本x,其表达式如下:

x͂ ~qD ( x͂ | x ) ( 4)式中, x͂为包含噪声的样本; qD为二项随机隐藏噪声。

DAE通过在训练样本中加入随机噪声,迫使编码器学习去除噪声以获得没有被噪声污染的输入信号,从而提高了系统的泛化能力。

1.3 堆叠降噪自编码

为了得到更高级的特征表达,采用深度网络结构的形式将DAE逐层堆叠起来,形成一个由多个DAE上下连接而成的模型结构,即堆叠降噪自编码( SDAE) 。构建SDAE就是将多个DAE

[] 13

进行堆叠(即下一级DAE隐含层的输入来自于上一级隐含层输出的特征向量,以此进行堆叠构建多层次的网络结构), SDAE网络结构见图3。

图中3 hi ( i = 1, 2, …, n )表示第i个自编码网络隐含层的输出。SDAE网络的作用是对输入样

· 2039 ·

本进行特征编码,合适的网络层数可使样本的差别更加突出,从而实现更好的状态识别。由于SDAE网络结构属于无监督的网络结构,本身无

· 2040 · 法进行样本分类,为了实现这一功能,本文在SDAE 网络的最后 1 层加入 1 个 Softmax 分类器 ,使整个网络成为有监督的网络。构建有监

[] 14

督的网络结构见图4。 整个有监督的网络训练步骤如下: ①将数据输入SDAE网络进行训练,输出得到最终的特征编码; ②将得到的特征编码输入至Softmax分类器进行分类; ③SDAE网络和Softmax分类器均训练完成后将两者进行组合,形成一个新的网络,再利用误差反向传播算法对整体网络进行微调; ④当整体网络误差达到最小值时,网络训练过程则完成。2 刀具磨损状态监测网络的搭建

本文设计了一个3层的网络结构( 5 120⁃100⁃ 50⁃5),包含双隐含层结构和1个Softmax分类器,其中5 120为输入层节点数, 100为第1隐含层节点数, 50为第2隐含层节点数, 5为最终输出层节点数。输入网络的样本经过降低维度、融合和非线性变换,再由Softmax分类器压缩融合,最终得到变换为5维的输出。

基于SDAE网络的刀具磨损状态识别网络训练过程见图5。

3 实验验证

3.1 实验数据

本文选择宝鸡CS6140车床作为实验平台,见图6,该车床能够承担各种车削工作。

本文采集AE信号数据时选择由美国物理声学公司( PAC)研制的R15⁃ALPHA谐振式AE传感器(图7),输出接口为侧面的SMA接头。AE传感器的主要参数见表1。

实验中,采用车削加工方式,机床主轴转速为 260 r / min,切削深度为1 mm,每转进给量为0.08 mm。为了使刀具磨损速率加快,缩短采集数据时间,采集AE信号时,采用无冷却干切削的加工方式。

本实验建立的数据采集系统见图8。在切削加工时,将声AE感器采集的信号传输至前置放大器进行处理,再由信号采集卡传输给计算机并保存。 为了对刀具在不同磨损状态下进行监测,需要对刀具的磨损状态进行分类。依据刀具后刀面磨损量的大小通常将刀具的磨损状态分为3个阶段(即初期磨损阶段、中期磨损阶段和后期磨损阶段) 。但在实际生产加工中,当刀具处于中期

[ 15⁃16 ]磨损阶段的后期时就应及时更换刀具,防止因刀具的损坏而产生不必要的损失,因此本文依据刀具后刀面磨损量的大小将刀具磨损状态进行了更细致的划分,划分标准见表2。

表2 刀具磨损状态划分标准

由表2可以看出,本文将刀具磨损状态进一步分为5个状态阶段。状态1为初期磨损阶段,而中期磨损阶段细分为状态2、状态3,后期磨损阶段细分为状态4、状态5。不同磨损状态在不同加工条件下采集的样本数量均为2 000个,每个样本大小为10 240个点。采用更细致的刀具磨损状态分类能够使工作人员对刀具的具体状态有更好地监测。如当刀具磨损量达到中期磨损阶段后期的磨损量时,工作人员可及时对刀具的磨损状态作出判断,并对刀具进行更换以保证满足加工精度,从而提高了加工效率。

实验中,将时域样本和频域样本的分类准确率进行比较,分别将时域信号和频域信号制作成样本数量各为10 000的实验样本,多次训练后的

· ·

结果见表3。从表3中可以看出,时域信号样本训练得到的平均准确率远小于频域信号样本的平均准确率,因此以频域信号样本训练的网络能够得到较高的诊断精度。

表3 时域信号和频域信号准确度对比 Tab.3 Comparison of the accuracy of time domain

signals and frequency domain signals

3.2 样本与标签制作

在进行SDAE网络训练之前,需将采集的AE信号制备成适合网络输入的样本,并匹配标签,用来进行整体网络的训练。本实验AE信号的采样频率为 100 kHz。图9中,将采集到的一维信号Sig ∈ [ ] 1×N表示矩阵的大小)分割成M个采

N(

样时间为0.1 s的时域信号,通过傅里叶时频变换将时域信号转换成频域信号得到SDAE网络的样本,每个样本的维度l = 5 120。 根据刀具磨损状态分类制备的标签见表4。由表4可以看出,不同标签对应不同的刀具磨损状态,制作标签使用的是独热编码(即 One⁃Hot 编码),在任何时候,其中只有1个数位有效。频域信号输入至网络后,当输出中的某1个数位近似等于1,其他4个数位近似等于0,即可准确地识别出刀具当前的磨损状态。

表4 有监督样本标签

本实验将所有样本均分为5份,依次选取,其中4份作为训练样本,剩下1份则作为测试样本。· 2042 · 3.3 网络层数和隐含层节点数对刀具磨损状态识别结果的影响

SDAE网络实质上是将几个DAE网络按照要求进行堆叠的,因此,网络层数和隐含层节点数对整个网络的效果影响很大。网络层数和隐含层节点数决定了网络提取的最终特征向量,会严重影响刀具磨损状态识别的精确度。为了找到合适的网络参数,在其他网络参数(表5)不变的情况下,本文对比了在不同网络结构下刀具磨损状态识别的准确率,识别结果见表6。

表5 SDAE网络参数

从表6中可以看出,当SDAE网络层数相同时,网络的测试准确率并非随着隐含层节点数的增加而提高;同时,当网络层数逐渐增多, SDAE网络的测试准确率也并非逐渐提高,结果表明SDAE网络的隐含层节点数和网络层数并非越多越好。其中3个网络结构5 120⁃100⁃50⁃5、5 120⁃ 200⁃100⁃50⁃5、5 120⁃300⁃100⁃100⁃5的测试准确率均达到了100%,但当网络层数增多时,网络训练的计算量就增大,网络训练时间也随之增加,因此本文在刀具磨损状态监测实验中采用5 120 ⁃ 100⁃50⁃5的网络结构。

3.4 学习率对刀具磨损状态识别结果的影响

为了寻找合适的网络学习率参数,本节采用3.3节中的最优网络结构5 120⁃100⁃50⁃5 进行分析,测试结果见表7。在对不同学习率进行分析时,其他参数保持不变。

当进行网络训练时,学习率在训练过程中起重要的作用。若学习率设置过小,网络的收敛速

表7 不同学习率下SDAE网络识别准确率

Tab.7 Accuracy of SDAE network recognition under

different learning rates

度会很慢,进而浪费大量的训练时间;若学习率设置过大,网络的波动会较大,极可能会跳过最优解而导致网络无法收敛,因此在网络训练过程中,要寻找最优的学习率。

为了进一步分析不同学习率对网络结果的影响,本文从表7中选择学习率分别为0.1、1.0、1.5、2.0 的4种测试准确率较高的情况,对这4种情况的误差减小情况进行了可视化,结果见图10。一般来说,网络误差越小,表明网络识别准确率越高;误差减小速度越快,表明网络结构越好。由于图10中线条的分布过于密集,为了更好地反映误差减小曲线的变化情况,故将图10中的曲线部分放大,见图11。 图11 不同学习率下SDAE网络误差下降曲线(放大图) Fig.11 SDAE network error descending curve under

different learningrates( enlarged view)

从图10和图11中可以看出,不同的学习率,其误差减小的速度不一样。随着迭代次数的增加,网络的误差也在逐渐减小。对比图11中4条误差减小曲线,不难发现,当学习率设置为1.0时, 误差的减小速度比其他3种情况的误差减小速度都要快,因此本实验最终选择的学习率为1.0。

3.5 批处理大小对刀具磨损状态识别结果的影响

批处理大小( Batchsize)也是网络训练过程中的一个重要参数,表示在训练过程中一次性输入到网络中的样本数量。合适的Batchsize具有如下3个优势: ①高效的内存利用率; ②可减少迭代次数和缩短实验时间; ③在一定范围内, Batchsize 越大,引起的训练震荡越小。

本文分别选取不同大小的 Batchsize 进行SDAE网络训练,得到的测试准确率均很高。为了比较不同Batchsize对网络的影响,在网络结构为5 120⁃100⁃50⁃5的情况下,分别对网络的测试准确率和实验时间作对比分析,结果见表8。

表8 不同Batchsize识别准确率与实验时间

由表8可以看出,只有当Batchsize 为20时,测试准确率才达到了100%,在其他情况下均存在一定误差,加之实验过程中不同Batchsize 所用的实验时间相差并不大,因此最终选取Batchsize为。20 4 结论

( 1)提出了一种基于SDAE网络的刀具状态识别方法,有效地实现了从大量AE信号中自适应地提取刀具不同磨损状况的特征信息,克服了利用传统的时频分析方法进行特征提取时,需人为地进行参数选择而导致诊断效率低的缺点,同时也解决了对大量信号进行处理时计算量大、计算时间长的问题,并在实际应用中取得了100%的测试准确率。

( 2)构建了SDAE网络,对比了不同的网络结构、学习率和批处理大小等参数对网络的影响。实验结果表明,网络结构并非越复杂网络效果越好,网络层数过少,难以得到样本有效的特征表达,网络层数过多,极可能导致过拟合;学习率设置过小时,网络收敛很慢,而学习率设置过大时,网络极可能跳过最优解,从而导致网络识别准确率降低;合适的批处理大小可利用较少实验时间就

· ·

能使网络快速收敛,进而得到最高的识别准确率。

参考文献:

[ 1 ] 王丽华,陶润喆,张永宏,等. 基于CEEMD⁃WPT的滚动轴承特征提取算法[ J. ]振动 、测试与诊断, 2017,37(1):181⁃188.

WANG Lihua,TAO Runzhe,ZHANG Yonghong, et al. Feature Extraction of Rolling Bearing Based on CEEMD ⁃ WPT [] J . Journal of Vibration,Mea⁃ surement & Diagnosis,2017,37(1):181⁃188 .

[ 2 ] 陶润喆. 基于CEEMD⁃WPT的刀具磨损状态识别研究[ D. ]南京:南京信息工程大学, 2017.

TAO Runzhe. Research on State Recognition of Tool Wear Based on CEEWD ⁃ WPT [] D . Nanjing: Nanjing University of Information Science & Tech⁃ nology,2017.

[ 3 ] 谢阳阳. 基于声发射和深度学习的刀具状态识別研究[ D. ]南京:南京信息工程大学, 2017.

XIE Yangyang. Research on Tool State Recognition Based on Acoustic Emission and Deep Learning [] D . Nanjing: Nanjing University of Information Science & Technology,2017.

[] 4 HINTON G E,SIMON O,TEH Y W. A Fast Learning Algorithm for Deep Belief Nets [] J . Neural computation,2006,18(7):1527⁃1554.

[ 5 ] 王丽华,谢阳阳,张永宏,等. 采用深度学习的异步电机故障诊断方法[ J. ]西安交通大学学报, 2017,51 ( 10):128⁃134.

WANG Lihua, XIE Yangyang, ZHANG Yong⁃ hong,et al. A Fault Diagnosis Method for Asyn⁃ chronous Motor Using Deep Learning [] J . Journal of Xi'an Jiaotong University,2017,51(10):128⁃134.

[ 6 ] 雷亚国,贾峰,周昕,等. 基于深度学习理论的机械装备大数据健康监测方法[ J. ] 机械工程学报, 2015, 51(21):49⁃56.

LEI Yaguo,JIA Feng,ZHOU Xin,et al. A Deep Learning⁃based Method for Machinery Health Moni⁃ toring with Big Data [] J . Journal of Mechanical En⁃ gineering,2015,51(21):49⁃56.

[ 7 ] 侯文擎,叶鸣,李巍华.基于改进堆叠降噪自编码的滚动轴承故障分类[ J ] . 机械工程学报, 2018,54(7): 87⁃96.

HOU Wenqing,YE Ming,LI Weihua. Rolling Ele⁃ ment Bearing Fault Classification Using Improved Stacked Denoising Autoencoders [] J . Journal of Me⁃ chanical Engineering,2018,54(7):87⁃96.

[ 8 ] 关山.基于声发射信号多特征分析与融合的刀具磨损分类与预测技术[ D. ]长春:吉林大学, 2011.

GUAN Shan. Technology of Classification and Forecast of Tools Wear Based on Multi ⁃ feature Analysis and Fusion of AE [] D . Changchun:Jilin University,2011.

[ 9 ] 王计生,喻俊馨,黄惟公. 小波包分析和支持向量机在刀具故障诊断中的应用[ J. ] 振动测试与诊断, 2008,28(3):273⁃277.

WANG Jisheng, YU Junxin, HUANG Weigong. Application of Wavelet Package Analysis and Sup⁃ port Vector Machine to Fault Diagnosis of Cutting Tool. [] J . Journal of Vibration,Measurement & Di⁃ agnosis,2008,28(3):273⁃277.

[] 10 LI Xiaoli. A Brief Review: Acoustic Emission Methods for Tool Wear Monitoring during Turning [] J . International Journal of Machine Tools & Manufacture,2002,42:157⁃165.

[ 11 ] 谢霖铨,梁博群. 基于降噪自编码的推荐算法[ J. ]计算机与现代化, 2016(2):38⁃41.

XIE Linquan,LIANG Boqun. A Recommendation Algorithm Based on Denoising Autoencoders [] J. Computer and Modernization,2016(2):38⁃41.

[ 12 ] 于万钧,安改换,鹿文静,等. 基于栈式降噪自动编码器的气体识别[ J. ] 计算机工程与设计, 2017,38 ( 3):814⁃818.

YU Wanjun,AN Gaihuan,LU Wenjing,et al. Gas Recognition Based on Stacked Denoising Au⁃ toencoders [] J . Computer Engineering and Design, 2017,38(3):814⁃818.

[ 13 ] 秦浩然,林基明,王俊义.基于堆叠降噪自编码的恒星/星系分类研究[]天文学报, J. 2016,57(3):344⁃352. QIN Haoran,LIN Jiming,WANG Junyi. Stacked Denoising Autoencoders Applied to Star / Galaxy Classification [] J . Acta Astronomica Sinica,2016, 57(3):344⁃352.

[ 14 ] 徐德荣,陈秀宏,田进. 稀疏自编码和Softmax 回归的快速高效特征学习[ J. ] 传感器与微系统, 2017, 36(5):55⁃58.

XU Derong,CHEN Xiuhong,TIAN Jin. Fast and Efficient Feature Learning Algorithm Based on Sparse Autoencoder and Softmax Regression [] J. Transducer and Microsystem Technologies,2017, 36(5):55⁃58.

[ 15 ] 关山,聂鹏.在线金属切削刀具磨损状态监测研究的回顾与展望Ⅲ :模式识别方法[ J. ] 机床与液压, 2012,40(3):148⁃153.

GUAN Shan,NIE Peng. The Review and Per⁃ spective of the Research of On ⁃ line and Indirect Metal Cutting Tool Condition Monitoring Ⅲ :Pat⁃ tern Recognition Methods [] J . Machine Tool & Hydraulics,2012,40(3):148⁃153.

[ 16 ] 王国锋,李启铭,秦旭达,等. 支持向量机在刀具磨

损多状态监测中的应用[ J. ] 天津大学学报, 2011,

图3 SDAE网络结构 Fig.3 Network structure of stacked denoising autoencoder

图4 有监督的网络结构 Fig.4 Supervised network structure

图2 降噪自编码 Fig.2 Denoising autoencoder

图5 刀具磨损状态识别流程图 Fig.5 Flow chart of tool wear state recognition

图6 宝鸡CS6140机床Fig.6 Baoji CS6140 machine tool

表1 声发射传感器主要技术参数 Tab.1 Main technical parameters of acoustic emission sensor

( a)传感器背面 ( b)传感器侧面 图7 声发射传感器 Fig.7 Acoustic emission sensor

Tab.2 Standard of cutting tool wear

图8 声发射信号采集系统 Fig.8 Acoustic emission signal acquisition system

表6 不同网络结构下SDAE网络识别结果Tab.6 SDAE network recognition results under different network structures

图9 SDAE网络样本制备流程 Fig.9 SDAE network sample preparation process

Tab.4 Supervised sample label

Tab.5 SDAE network parameters

Tab.8 Accuracy and measurement time of different Batchsize measurements

图10 不同学习率下SDAE网络误差减小曲线Fig.10 SDAE network error descending curve under different learning rates

Newspapers in Chinese (Simplified)

Newspapers from China

© PressReader. All rights reserved.