一种基于深度学习的刀具磨损检测方法与流程

1.本发明属于深度学习神经网络技术领域，具体涉及一种基于深度学习的刀具磨损检测方法。


背景技术：

2.由于仪器测量遮挡严重，直接检测法效果不佳，因此间接检测法得到了广泛应用，间接检测主要是利用传感器采集加工过程中的力信号、振动信号和声发射信号，通过预处理和敏感特征提取，利用机器学习模型监测刀具磨损，这种方法受特征提取质量的限制，传统的机器学习方法的结果不稳定，不同模型的结果有很大的差异，不同的特征提取方法对最终的结果有很大的影响。
3.存在问题或缺陷的原因：现有对刀具磨损的检测方法主要为机器学习方法，为了提取与刀具磨损状态密切相关的特征，研究人员不仅要善于观察和发现，还需要一定的技能和经验，而且，提取的特征解释性和通用性较弱，容易遗漏敏感特征，容易受到人为主观因素影响，识别效果无法满足实际需求。


技术实现要素：

4.针对上述磨损额技术模型通用性较差等问题，本发明提供了一种基于深度学习的刀具磨损检测方法。
5.为了解决上述技术问题，本发明采用的技术方案为：
6.一种基于深度学习的刀具磨损检测方法，包括下列步骤：
7.s100、数据集构建：采集加工过程中的力信号、振动信号和声发射信号3种原始时域信号，构建训练与测试的数据集；
8.s200、数据预处理：将数据集转换为可供深度学习模型进行训练与识别的形式，并进行归一化处理；
9.s300、数据集划分：将数据集划分为训练集、验证集与测试集；
10.s400、模型构建：使用cnn、gru、lstm网络对模型进行构建，并通过特征融合的方式进行联合分析；
11.s500、模型训练：采用指定的训练参数对模型进行训练，得到刀具磨损情况识别模型；
12.s600、模型评价：使用f1-score对模型识别效果进行评价。
13.所述s100数据集构建中，采用数据集为美国phm协会在2010年的刀具磨损的比赛数据，实验机床为-techrfm760高速数控铣床，实验刀具为三刃碳化钨球头铣刀，切削材料为不锈钢hrc-52，通过测力仪、加速度传感器、声发射传感器采集加工过程中的力信号、振动信号和声发射信号原始时域信号，信号采样频率为50khz，每次走刀沿x方向切削108mm，记为一个切削行程，每把刀具切削315个行程，每个切削行程结束后，记录刀具每个切削刃的后刀面磨损量，共采集945次，形成945个样本。
14.所述s200数据预处理中，对力信号、振动信号和声发射信号原始时域信号分别构建标准npy数据集，同时构建磨损量数据集作为数据标签，对力信号、振动信号和声发射信号原始时域信号数据进行归一化处理，将数据归一化到(0,1)范围内，归一化方式为min-max归一化，其中x为整个行程的所有数据点，x为待归一化的数据点，x
′
为归一化后的数据点的值。
15.所述s300数据集划分中，将数据以7：1：2的比例将数据划分为训练集、验证集与测试集，其中训练集用于模型的参数迭代训练，验证集用于验证模型是否学习到全部有效特征，进行了完全的训练，测试集用于评估模型的识别效果。
16.所述s400模型构建中，模型以力信号、振动信号和声发射信号为输入，刀具的磨损程度作为输出，使用cnn、gru与lstm构建网络，数据输入网络后，3个输入分别先通过cnn网络对数据特征进行提取，并对数据维度进行提升，每个输入对应的cnn都为3层，3层cnn的卷积核大小为3，步长为1，每次卷积之后使用relu进行激活，帮助网络更好地进行特征拟合。
17.所述s400模型构建中，relu公式为f(x)＝max(0,x)，其中x为输入的特征值，f(x)为经过relu激活后的特征值，之后进行一次max pooling与一次batch normalization，对数据进行处理，防止梯度消失，3次卷积分别将数据维度提升到8维，16维，32维，cnn提取特征完成后，使用一个隐藏节点数为32的gru网络对数据时域特征进行进一步的提取，gru有两个门，一个重置门和一个更新门，具体计算方式为：z＝σ(x
t
uz s
t-1
wz)，r＝σ(x
t
ur s
t-1
wr)，h＝tanh(x
t
uh (s
t-1
*r)wh，s
t
＝(1-z)*h z*s
t-1
，其中t代表时间步，x
t
即输入序列的第t个分量，w为对应权重，u代表更新门，z代表更新门的输出，σ代表sigmoid函数，r代表重置门的输出结果，h为gru单元的隐藏信息，gru网络对特征提取完成后，得到3个32维的特征向量，对着3个特征向量使用concate的方式进行结合。
18.所述s400模型构建中，特征融合完成后，输入lstm网络，lstm使用门控单元来控制哪些信息应该被记住，哪些信息应该被忘记，通过三个门来实现的，第一个门是遗忘门，使用sigmoid层来确定要从lstmcell状态中删除的信息，f
t
＝σ(wf·
[h
t-1
,x
t
] bf)；第二个门是输入门，使用sigmoid层来确定要更新的值，使用tanh层来定义新的更新值，i
t
＝σ(wf·
[h
t-1
，x
t
] bi)，c
t
＝tanh(wc·
[h
t-1
，x
t
] bc)，第三个门输出门决定输出本lstmcell状态，o
t
＝σ(wo·
[h
t-1
，x
t
] bo)，h
t
＝o
t
·
tanh(c
t
)，其中x
t
为时刻t的输入序列，h
t-1
为过去的隐藏状态，bf,bi,bc,bo为每一层的偏置向量，lstm网络对数据特征进行识别分析后，输出预测的刀具磨损程度。
[0019]
所述s500模型训练中，网络搭建完毕后使用训练集数据对网络参数进行训练，采用adam作为优化器，初始学习率为0.01，每100个epoch学习率衰减60％，batchsize大小为32，损失函数使用交叉熵损失函数，设定训练300个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型，使用验证集对训练完成的模型再次进行训练，若模型损失值不再下降，则表明模型已达最佳状态，完成模型训练，若损失继续下降，则降低模型学习率，使用训练集数据再次对模型进行训练，重复上述步骤，直到模型达到最佳状态。
[0020]
所述s600模型评价中，使用训练好的模型对测试集数据进行分类预测，将预测结果与其对应标签进行比对，进行识别效果评价，评价方式为f1-score，f1-score值越高，表
max归一化，其中x为整个行程的所有数据点，x为待归一化的数据点，x
′
为归一化后的数据点的值。
[0035]
进一步，步骤s300数据集划分中，将数据以7：1：2的比例将数据划分为训练集、验证集与测试集，其中训练集用于模型的参数迭代训练，验证集用于验证模型是否学习到全部有效特征，进行了完全的训练，测试集用于评估模型的识别效果。
[0036]
进一步，步骤s400模型构建中，如图2所示，模型以力信号、振动信号和声发射信号为输入，刀具的磨损程度作为输出，使用cnn、gru与lstm构建网络，数据输入网络后，3个输入分别先通过cnn网络对数据特征进行提取，并对数据维度进行提升，每个输入对应的cnn都为3层，3层cnn的卷积核大小为3，步长为1，每次卷积之后使用relu进行激活，帮助网络更好地进行特征拟合。
[0037]
进一步，步骤s400模型构建中，relu公式为f(x)＝max(0,x)，其中x为输入的特征值，f(x)为经过relu激活后的特征值，之后进行一次max pooling与一次batchnormalization，对数据进行处理，防止梯度消失，3次卷积分别将数据维度提升到8维，16维，32维，cnn提取特征完成后，使用一个隐藏节点数为32的gru网络对数据时域特征进行进一步的提取，gru有两个门，一个重置门和一个更新门，从直观上来说，重置门决定了如何将新的输入信息与前面的记忆相结合，更新门定义了前面记忆保存到当前时间步的量，这两个门控向量决定了哪些信息最终能作为门控循环单元的输出，这两个门控机制的特殊之处在于，它们能够保存长期序列中的信息，且不会随时间而清除或因为与预测不相关而移除，具体计算方式为：z＝σ(x
t
uz s
t-1
wz)，
[0038]
r＝σ(x
t
ur s
t-1
wr)，h＝tanh(x
t
uh (s
t-1
*r)wh)，
[0039]st
＝(1-z)*h z*s
t-1
，其中t代表时间步，x
t
即输入序列的第t个分量，w为对应权重，u代表更新门，z代表更新门的输出，σ代表sigmoid函数，r代表重置门的输出结果，h为gru单元的隐藏信息，gru网络对特征提取完成后，得到3个32维的特征向量，对着3个特征向量使用concate的方式进行结合。
[0040]
进一步，步骤s400模型构建中，特征融合完成后，输入lstm网络，lstm使用门控单元来控制哪些信息应该被记住，哪些信息应该被忘记，通过三个门来实现的，第一个门是遗忘门，使用sigmoid层来确定要从lstmcell状态中删除的信息，f
t
＝σ(wf·
[h
t-1
,x
t
] bf)；第二个门是输入门，使用sigmoid层来确定要更新的值，使用tanh层来定义新的更新值，i
t
＝σ(wf·
[h
t-1
，x
t
] bi)，c
t
＝tanh(wc·
[h
t-1
，x
t
] bc)，第三个门输出门决定输出本lstmcell状态，o
t
＝σ(wo·
[h
t-1
，x
t
] bo)，h
t
＝o
t
·
tanh(c
t
)，其中x
t
为时刻t的输入序列，h
t-1
为过去的隐藏状态，bf,bi,bc,bo为每一层的偏置向量，lstm网络对数据特征进行识别分析后，输出预测的刀具磨损程度。
[0041]
进一步，步骤s500模型训练中，网络搭建完毕后使用训练集数据对网络参数进行训练，采用adam作为优化器，初始学习率为0.01，每100个epoch学习率衰减60％，batchsize大小为32，损失函数使用交叉熵损失函数，设定训练300个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型，使用验证集对训练完成的模型再次进行训练，若模型损失值不再下降，则表明模型已达最佳状态，完成模型训练，若损失继续下降，则降低模型学习率，使用训练集数据再次对模型进行训练，重复上述步骤，直到模型达到最佳状态。
[0042]
进一步，步骤s600模型评价中，使用训练好的模型对测试集数据进行分类预测，将预测结果与其对应标签进行比对，进行识别效果评价，评价方式为f1-score，f1-score值越高，表示识别效果越好，其中，f1为f1-score，a为准确率，r为召回率，tp为正类判定为正类数量，fp为负类判定为正类数量，fn为正类判定为负类数量，tn为负类判定为负类数量。
[0043]
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。