基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法

1.本发明属于刀具磨损状态识别技术领域，具体涉及基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法。


背景技术：

2.随着现代计算机技术的进步与发展，机械部件的生产和维护更加趋向于智能化、系统化和自动化。在工件加工过程中，精加工刀具直接与工件接触，其过度磨损将导致工件表面恶化，甚至会导致零件报废，造成严重的经济损失。因此，需要监控刀具在加工过程中的磨损状态，在保证工件表面质量的前提下进行合理换刀，提高加工效率，降低加工成本。
3.近年来，各国研究人员使用各种传感器采集各种过程监控信号，并运用支持向量机、随机森林、隐马尔可夫算法、朴素贝叶斯算法等方法对刀具磨损状态和寿命进行监测。
4.机器学习具有安全可靠、高效、高精度、监测连续等优点成为当前刀具状态监测的主要研究方向。ertunc等基于切削力和功率信号的测量，提出了用于在线识别刀具磨损的隐马尔可夫模型hmm。kong d等提出了一种基于高斯混合隐马尔可夫模型和隐半马尔可夫模型的刀具磨损估计模型尽管上述利用机器学习的一些研究方法，在某些领域取得了不错的效果，但机器学习严重依赖于数据和学习模型的类型，且不能执行不特定多种任务，因而不易推广。
5.深度学习在不使用先验知识和专家经验的情况下，利用优秀的自适应特征学习能力，在机器健康监测领域获得广泛关注，如卷积神经网络、循环神经网络、稀疏编码器等深度学习算法在刀具磨损、寿命预测领域取得重大进展。ma等面向铣削力信号，建立了基于卷积双向长短时记忆网络的刀具磨损预测模型，并取得了较高精度的预测结果。li等采用时间窗方法提取特征,提出利用深度cnn模型预测设备剩余寿命,取得了良好效果。duro等通过搭建声发射传感器信号框架以提供最佳信号，并通过cnn学习刀具磨损失效的过程来增强刀具监测系统的有效性。
6.目前，尽管深度学习在工业上的应用得到越来越多的关注，但是并没有考虑到传感器信号中多尺度特征，这将导致提取特征不全面。另外，当前大多研究针对的是铣削加工磨损刀具监测，而高精度的拉削加工刀具状态识别技术有待深入研究。
7.涡轮盘榫槽的槽型和表面几何形状复杂，材质多样、型面结构紧凑、尺寸公差要求严、表面质量要求高。拉削是一种高效、高精的一次成型机械加工作业类型，在现代产业中拉削加工不可缺失，备受瞩目。榫槽拉刀由多把拉刀组合而成，包含着数千个切削刃，相邻两个刀齿(或者两组刀齿)的半径差称为齿升量rpt。另外，榫槽拉刀除了粗拉、半精拉、精拉阶段，还具有校准部及精修刃，工件表面粗糙度极佳。
8.由于榫槽拉刀这些优异的特点，从而生产效率、加工精度极高。然榫槽拉刀不同部分刀齿几何形状和空间分布上有着很大的差异。榫槽拉刀的不同拉削阶段，切削刃所分布的方向完全不同。正因为榫槽拉刀存在如此复杂的切削刃和空间位置的差异，使得采用深度学习对拉削刀具磨损状态进行监测更为困难


技术实现要素：

9.针对现有技术中存在的上述问题，本发明的目的在于提供一种基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，能够有效提取空间特征和时序特征，实现刀具磨损状态的识别。
10.本发明提供如下技术方案：
11.基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，包括以下步骤：
12.s1、在榫槽拉床实验平台上获得原始振动信号，对原始信号数据进行预处理，并将原始信号数据划分为训练集及测试集；
13.s2、基于shufflenet v2神经网络构建shufflenet v2.3神经网络，并结合stackedbilstm神经网络构建刀具磨损状态识别模型模型，实现对数据的空间特征提取及时间序列信息提取；
14.s3、利用训练集、测试集数据对构建好的刀具磨损状态识别模型进行训练、测试。
15.进一步的，所述步骤s2中，shufflenet v2.3神经网络在shufflenet v2神经网络的基础上，减少了卷积输出的通道数，并去除了每一个block模块中最后的relu；shufflenet v2.3神经网络结构中，每个block模块中包含了至少3个卷积层，至少3个batch normalization及1个relu激活函数。
16.进一步的，所述步骤s2刀具磨损状态识别模型的构建过程中，每个stackedbilstm网络的前向层和后向层共享相同数量的隐藏单元；在stackedbilstm网络结构之后，添加最大池化层，使网络在保留主要特征信息的同时减少参数和计算量，防止过拟合，提高模型泛化能力；并使用两层全连接层来添加非线性输出。
17.进一步的，所述刀具磨损状态识别模型中，使用dropout层以避免过度拟合和引入relu函数标准化输出。
18.进一步的，所述步骤s3的具体过程如下：
19.1)将训练集放入构建好的刀具磨损状态识别模型中进行训练，模型选择adaptive moment estimation优化算法使用反向传播技术进行权值更新；当到达预设的最大迭代次数或损失值时，结束权值更新，得到具有最优参数的训练模型；
20.2)在训练的过程中，若损失函数未呈现逐渐减小趋势，则模型存在过拟合，调整模型结构进行训练；反之，模型收敛，调整模型参数直到满足精度要求，保存模型结构和参数用于工业加工过程；
21.3)将测试集放入shufflenet v2.3-stackedbilstm模型中进行评估测试。
22.进一步的，所述步骤s1中，数据预处理的过程如下：
23.1)对原始信号进行最大-最小归一化，公式如下：
[0024][0025]
其中，x
max
表示信号的最大值；
[0026]
2)对处理后信号数据样本的磨损状态进行标注。
[0027]
通过采用上述技术，与现有技术相比，本发明的有益效果如下：
[0028]
本发明将经过通道混洗的轻量化神经网络shufflenet v2.3和基于注意力机制的
长短期记忆网络stackedbilstm相融合，能够有效地提取空间特征和时序特征，实现刀具磨损状态的识别；具有较好的准确率、精确率、召回率和识别速度。
附图说明
[0029]
图1为本发明shufflenet v2.3-stackedbilstm刀具磨损状态识别模型的示意图；
[0030]
图2为本发明预处理前后的振动信号示意图，图(a)为原始信号，图(b)为归一化后的信号；
[0031]
图3为各模型的损失值和准确率变化曲线的结构示意图；
[0032]
图4为本发明混淆矩阵的测试评估结果示意图；图(a)为shufflenet v2.3-stackedbilstm分类模型混淆矩阵测试结果；图(b)shufflenet v2.3分类模型混淆矩阵测试结果；图(c)stackedbilstm分类模型混淆矩阵测试结果。
具体实施方式
[0033]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0034]
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
[0035]
请参阅图1-4，基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，模型基于shufflenet v2.3、stackedbilstm和fnn神经网络结构，建立拉削刀具磨损状态识别模型如图1所示，从而实现自适应特征提取，并对刀具磨损状态进行精确识别。表1为拉削刀具磨损状态识别神经网络每层的详细信息。首先，对振动信号进行归一化处理，再输入到轻量、高效、精准的shufflenet v2.3神经网络中提取空间特征，并使之保持较小的大小输出。然后利用stackedbilstm神经网络提取时间序列信息，从而弥补shufflenet v2.3网络仅提取空间特征信息的不足。最后，将训练成功的高级形式使用softmax以估计刀具磨损状态。
[0036]
表1shufflenet v2与shufflenet v2.3参数比较
[0037][0038]
具体包括以下步骤：
[0039]
s1、在榫槽拉床实验平台上获得原始振动信号，对原始信号数据进行预处理，并将原始信号数据划分为训练集及测试集。
[0040]
由于采集到的振动信号具有不同的值范围，数据归一化是非常有必要的，它可以使特征具有相同的度量尺度；另一方面，振动信号数据中存在奇异样本数据，奇异样本数据会引起网络训练时间增加，并可能引起网络无法收敛。为了避免出现这种情况，我们对原始振动信号根据式进行最大-最小归一化：
[0041][0042]
其中，x
max
表示信号的最大值，且训练集和测试集信号都须进行统一变换(归一化)，归一化前后振动信号如图2所示。
[0043]
s2、基于shufflenet v2神经网络构建shufflenet v2.3神经网络，并结合stackedbilstm神经网络构建刀具磨损状态识别模型模型，实现对数据的空间特征提取及时间序列信息提取。其中：
[0044]
1)shufflenet v2.3网络结构作为刀具状态的自适应特征提取器；该网络相比较shufflenet v2，shufflenet v2.3在3个阶段的block模块数量发生了变化，共计13个。
[0045]
block模块的卷积通道数做了调整
[0046]
卷积输出最大通道数从192变为144，卷积层通道数越多，可以学习到越丰富的特征，但会让参数量和模型尺寸不断增大。因此当能够使模型输出的准确度达到所需要求时，应减少卷积层通道数。同时，shufflenet v2.3部分结构进行了深度可分离卷积，使得到的特征对应于低维空间，特征较少，从而使得模型效果变差。针对此问题，shufflenet v2.3直接去除了每一个block中最后的relu，减少了特征的损耗，获得了更好的精度。
[0047]
如图1所示：shufflenet v2.3网络结构中，每个block模块中包含了至少3个卷积层，至少3个batch normalization，1个relu激活函数。其中，其中1
×
1卷积层用于降低通道维数和减少参数量，增加非线性和跨通道间的信息交互能力，从而提高了网络的表达能力。batch normalization层用于解决网络更新的过程中内部协变量偏移的问题。
[0048]
刀具磨损状态识别模型的构建过程中，每个stackedbilstm网络的前向层和后向层共享相同数量的隐藏单元；在stackedbilstm网络结构之后，添加最大池化层，使网络在保留主要特征信息的同时减少参数和计算量，防止过拟合，提高模型泛化能力；并使用两层全连接层来添加非线性输出。此外，构建的额模型使用dropout层以避免过度拟合和引入relu函数标准化输出。
[0049]
s3、利用训练集、测试集数据对构建好的刀具磨损状态识别模型进行训练、测试。具体过程如下：
[0050]
1)将训练集放入构建好的刀具磨损状态识别模型中进行训练，模型选择adaptive moment estimation优化算法使用反向传播技术进行权值更新；当到达预设的最大迭代次数或损失值时，结束权值更新，得到具有最优参数的训练模型；
[0051]
2)在训练的过程中，若损失函数未呈现逐渐减小趋势，则模型存在过拟合，调整模型结构进行训练；反之，模型收敛，调整模型参数直到满足精度要求，保存模型结构和参数用于工业加工过程；
[0052]
3)将测试集放入shufflenet v2.3-stackedbilstm模型中进行评估测试。
[0053]
实施例：
[0054]
1、实验装置和流程
[0055]
实验机床选用高速卧式侧拉床(型号：lg6516zx-2800)，主电机功率为51kw，额定拉削力为160kn，拉削行程2800mm，拉削速度4m/min。工件为某型号飞机涡轮盘，工件材料为高温镍基粉末合金fh97。本试验中使用的刀具为涂层硬质合金拉刀。
[0056]
振动信号采集系统采用易福门振动监控器vse150，4通道，支持profinet接口、以太网和opc接口。加速度传感器采用易福门电容式微机电系统mems加速度计vsa001，测量范围25g，频率范围0-6000hz，m8螺纹安装。
[0057]
实验训练深度学习硬件平台采用高性能服务器，服务器相关规格如表2所示。
[0058]
表2服务器规格
[0059][0060]
刀具磨损测量采用数码显微系统：vhx-970fn，镜头：vh-z500r，rz
×
500
‑×
5000，
[0061]
轮廓测量单元:vhx-s15。
[0062]
四个拾振点布置在刀盒中间和一侧，x方向两个，y和z向各布置一个。
[0063]
实验采用8把拉削刀具完成拉削操作，总计得到790组拉刀不同磨损状态下原始信号样本。榫槽拉刀加工工件一次，记为一个拉削行程。每个拉削行程结束后，将装配到云台的keyence镜头对拉削刀具进行观察和测量。记录粗、半精、精加工第一个刀齿后刀面1/2处的刀具平均磨损量。
[0064]
根据刀具磨损过程并结合实际实验情况，后刀面磨损量为0～0.05mm时，拉削刀具在较短时间内迅速磨损，该阶段划分为初期磨损阶段；后刀面磨损量为0.05-0.2mm时，拉削刀具切削过程平稳，工件表面质量较好，该阶段划为中期磨损阶段；后刀面磨损量大于0.2mm时，刀具磨损量迅速增加，工件加工表面粗糙，刀具在较短的时间内迅速达到失效状态，需要及时换刀或刃磨，该阶段划分为磨钝阶段。同时，将刀具磨损状态记为三种数据标签，并采用one-hot编码形式对刀具磨损状态进行编码。
[0065]
2、实验结果与分析
[0066]
为了进一步验证shufflenet v2.3-stackedbilstm刀具磨损状态识别模型中的泛化能力、优越性和可靠性，将shufflenet v2.3分类模型和stackedbilstm分类模型与shufflenet v2.3-stackedbilstm分类模型进行实验对比，实验训练过程中三个模型参数设置相同，模型具体参数设置如表3所示。
[0067]
表3模型具体参数
[0068][0069]
不同分类模型经过训练后，得到不同的损失值和准确率，其损失值和准确率变化曲线如图3所示。由图3可知，随着迭代次数epoch的增加，各个模型的损失函数值呈现出明显下降的趋势，准确率逐渐升高并在小范围内进行波动，且未出现梯度爆炸现象，最终模型以较快速度收敛。
[0070]
测试样本总量为158个，其中初期磨损阶段样本为39个、中期磨损阶段样本为100个、剧烈磨损阶段样本为19个，将测试集分别放入收敛并保存后的shufflenet v2.3-stackedbilstm分类模型、shufflenet v2.3分类模型和stackedbilstm分类模型中进行测试评估。通过混淆矩阵的测试评估结果如图4所示。
[0071]
表4测试集的单次测试时间和准确率
[0072][0073]
由图4和表4的识别结果来看，只关注空间特征信息的shufflenet v2.3模型准确率为94.93％；只关注时序特征信息的stackedbilstm模型准确率为80.37％。尽管shufflenet v2.3模型参数量少，计算成本低，所占内存少，但是对刀具剧烈磨损状态下精确率为85.71％，刀具在初级磨损状态下召回率仅为89.74％，远不能达到我们所需的要求。由于stackedbilstm神经网络没有卷积层对原始振动信号进行降维，因而消耗的计算成本巨大，模型参数量多，且由于仅提取了刀具磨损状态的时间特征序列，无论是平均精确率还是平均召回率都较低。就单个精确率来说，刀具在剧烈磨损状态下只达到了44.12％，可以说该模型的识别效果较为不理想。
[0074]
f1是精确率与召回率的博弈，追求精确率高，则召回率就低；追求召回率高，则通常会影响精确率。因此，f1是一个综合指标，较为全面地评估了分类器。f1是精确率和召回率的调和平均，其值越大说明模型质量更高。shufflenet v2.3-stackedbilstmm模型无论是在f1值还是模型参数量达到了较好的平衡。
[0075]
表5测试集的单次测试时间和准确率
[0076][0077]
由表5可得，shufflenet v2.3-stackedbilstm模型的准确率为99.37％，分别比shufflenet v2.3和stackedbilstm模型高4.44％和19％。这说明，同时使用空间特征提取和时间特征提取可以捕获拉刀振动信号中更深层次的隐藏特征。shufflenet v2.3-stackedbilstm模型相较于shufflenet v2.3模型的单次测试时间增加2.22ms。尽管shufflenet v2.3利用通道混洗有效降低了1
×
1逐点卷积的计算量，使该网络变得极为轻量、高效。但因为stackedbilstm参数量大，计算推理时间增加，从而使单次测试时间有所增加。stackedbilstm模型虽然利用堆叠双向的优势，将相同的信息以不同的方式呈现给循环网络，以提高网络的表达能力并缓解遗忘问题，然而，stackedbilstm模型并未提取空间特征，使其无论是在单次测试时间上还是准确率上都达不到工业要求。shufflenet v2.3模型尽管单次测试时间最快，但是准确率无法满足要求。综上所述，shufflenet v2.3-stackedbilstm神经网络有较高的识别精度和较短的识别时间，更适合应用于工业现场
[0078]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于：包括以下步骤：s1、在榫槽拉床实验平台上获得原始振动信号，对原始信号数据进行预处理，并将原始信号数据划分为训练集及测试集；s2、基于shufflenet v2神经网络构建shufflenet v2.3神经网络，并结合stackedbilstm神经网络构建刀具磨损状态识别模型模型，实现对数据的空间特征提取及时间序列信息提取；s3、利用训练集、测试集数据对构建好的刀具磨损状态识别模型进行训练、测试。2.根据权利要求1所述的基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于所述步骤s2中，shufflenet v2.3神经网络在shufflenet v2神经网络的基础上，减少了卷积输出的通道数，并去除了每一个block模块中最后的relu；shufflenet v2.3神经网络结构中，每个block模块中包含了至少3个卷积层，至少3个batchnormalization及1个relu激活函数。3.根据权利要求2所述的基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于所述步骤s2刀具磨损状态识别模型的构建过程中，每个stackedbilstm网络的前向层和后向层共享相同数量的隐藏单元；在stackedbilstm网络结构之后，添加最大池化层，使网络在保留主要特征信息的同时减少参数和计算量，防止过拟合，提高模型泛化能力；并使用两层全连接层来添加非线性输出。4.根据权利要求3所述的基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于所述刀具磨损状态识别模型中，使用dropout层以避免过度拟合和引入relu函数标准化输出。5.根据权利要求4所述的基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于所述步骤s3的具体过程如下：1)将训练集放入构建好的刀具磨损状态识别模型中进行训练，模型选择adaptive moment estimation优化算法使用反向传播技术进行权值更新；当到达预设的最大迭代次数或损失值时，结束权值更新，得到具有最优参数的训练模型；2)在训练的过程中，若损失函数未呈现逐渐减小趋势，则模型存在过拟合，调整模型结构进行训练；反之，模型收敛，调整模型参数直到满足精度要求，保存模型结构和参数用于工业加工过程；3)将测试集放入shufflenet v2.3-stackedbilstm模型中进行评估测试。6.根据权利要求1所述的基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，其特征在于所述步骤s1中，数据预处理的过程如下：1)对原始信号进行最大-最小归一化，公式如下：其中，x
max
表示信号的最大值；2)对处理后信号数据样本的磨损状态进行标注。

技术总结
基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法，属于刀具磨损状态识别技术领域。它包括以下步骤：S1、获得原始振动信号，对原始信号数据进行预处理，并划分训练集及测试集；S2、构建刀具磨损状态识别模型，实现对数据的空间特征提取及时间序列信息提取；S3、利用训练集、测试集数据对构建好的刀具磨损状态识别模型进行训练、测试。本发明将经过通道混洗的轻量化神经网络和基于注意力机制的长短期记忆网络相融合，能够有效地提取空间特征和时序特征，实现刀具磨损状态的识别；具有较好的准确率、精确率、召回率和识别速度。精确率、召回率和识别速度。精确率、召回率和识别速度。


技术研发人员：应申舜 孙意诚
受保护的技术使用者：浙江工业大学
技术研发日：2023.01.10
技术公布日：2023/8/24