基于卷积门控循环神经网络的刀具磨损状态监测

吴凤和，钟 浩，章 钦，郭保苏，孙迎兵

（1.燕山大学 机械工程学院，河北 秦皇岛 066004；2.河北省重型智能制造装备技术创新中心，河北 秦皇岛 066004）

1 引言

近年来，钛合金等难切削材料被广泛地应用于高端装备制造领域中。与其它材料相比，难切削材料具有切削阻力大和传热性差等特点，导致加工刀具更容易磨损、破损或崩刃。在加工过程中，若未及时监测刀具的磨损程度，甚至会出现“打刀”现象，影响加工效率，严重时会造成巨大的人身财产损失。因此，建立刀具磨损感知模型，实现复杂切削条件下刀具磨损在线监测具有十分重要的意义。

随着机器学习技术取得了突破，研究人员试图通过数据的实时监测，如监测切削力、功率和电流等传感器信号，以数据驱动的方法来预测刀具磨损。其中切削力信号被认为是最能反映刀具磨损状态的传感器信号。

常用的刀具磨损状态监测算法有BP神经网络（BP neural network，BPNN）、粒子学习（particle learning，PL）、K近邻法（Knearest neighbor，KNN）等。文献［1］构建了带危险模型的隐马尔可夫模型（hidden markov model，HMM）来估计刀具磨损状态，实现了微铣削加工过程中刀具磨损监测及刀具剩余使用寿命预测；文献［2］利用模糊逻辑系统从声发射信号中提取均方根误差估计等信号特征，并选择最可靠的特征变化整合到刀具寿命预测模型中，实现了微铣削过程刀具磨损监测；文献［3］提出了一种基于多传感器信号和Mahalanobis-Taguchi系统的铣削过程刀具磨损分类及检测方法，实时检测出了刀具的中等磨损和临界磨损状态；文献［4，5］提出了一种新的核主成分分析（kernel principal component anal-ysis，KPCA）方法，分别用高斯过程回归（gaussian process regression，GPR）和相关向量机（relevance vector machine，RVM）对车铣过程中刀具的磨损状态进行监测，有效地削弱了信号噪声的负面影响，提高了监测模型的准确率；文献［6］基于粒子学习（PL）方法提出了带有线性系统转换函数的刀具磨损监测模型，在提高模型泛化能力的同时，大大减少了模型的运行时间；文献［7］利用一种可调系数的通用磨损模型研究铣削力与刀具后刀面磨损间的关系，提高了磨损预测的准确率；何志坚等［8］将变分模态分解的关联维数以及相关向量机（RVM）用于处理表征刀具磨损信息的非平稳性信号，实现了刀具磨损状态较高精度的监测；朱坚民等［9］基于磨损状态特征数据序列之间的灰色关联分析结果对刀具磨损状态进行判定，具有较高的判别正确率。

近年来，深度学习技术在颤振检测等工业生产中取得了很好的应用效果［10］。在刀具磨损监测领域，由于传感器的广泛应用，采集的数据足够大，使得基于深度学习监测刀具磨损状态成为可能。Kothuru等［11］建立了基于卷积神经网络（convolutional neural network，CNN）的刀具状态监测深度模型，通过分析加工过程中的声音信号谱图特征来监测刀具磨损。Cao等［12］融合平移不变小波框架和卷积神经网络进行刀具磨损状态智能识别；Chen等［13］将深度信念网络（deep belief network，DBN）用于预测刀具后刀面磨损。相比于传统浅层学习方法，深度学习模型借助深层次的网络结构自动找出分类识别问题所需要的重要特征［14］，从而减少了人工选择特征向量带来的误差，预测结果也更加准确。

刀具磨损程度是随时间变化的指标，但上述由数据驱动的刀具磨损监测方法将刀具磨损过程扁平化，没有充分挖掘数据之间的时间相关性。本文提出基于卷积门控循环（gated recurrent unit，GRU）神经网络的刀具磨损状态监测方法。将小波分析降噪后的切削力信号输入到卷积神经网络模块中，自学习表征刀具磨损状态关键信息的高维特征，并通过门控循环单元对提取的高维特征进行分类，使模型在时间尺度上的累积效应得到充分表达。

2 卷积门控神经网络模型

2.1 卷积神经网络

卷积神经网络（CNN）是一种典型的深度学习算法，是近些年来深度学习领域使用最广泛的模型之一［15］。CNN通过共享卷积核、共享权重和局部感知大大减少了参数数量和训练时间。如图1所示，CNN一般由卷积层、池化层、扁平层和全连接层组成。卷积层主要是对输入的数据进行卷积运算，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，利用卷积层可以快速提取输入数据的有效特征。经过卷积层所提取的特征会被传递至池化层，其功能是通过池化层来减少参数。对于所预设的池化方法主要有最大池化和平均池化等。扁平层是将输出的多维向量铺平成一维形式，用于输入到全连接层中。全连接层位于神经网络的最后，通过全连接层可以输出最后所需的特征向量。

图1 卷积神经网络Fig.1 Convolutional neural network

2.2 门控循环神经网络

与其它的深度学习方法相比，循环神经网络（recurrent neural network，RNN）将时间通道引入到网络结构的设计中，模型输出不仅取决于当前时刻的输入，还依赖于历史数据的影响。如图2所示，深度RNN中隐藏层内节点互相连接，当前时刻隐藏层的输入不仅取决于上一层的输出，还受到上一时刻隐藏层保留信息的影响。RNN的层间记忆特点使其在处理时序数据时效果更好。但是RNN在实际应用时会发生梯度消失（vanishing gradient）现象。RNN网络进行反向传播时，遵循的是梯度下降准则，随着网络层数的增加，梯度逐渐减小直至消失。梯度消失使得模型很难进行反向传播，模型前端的权重难以更新，并且需要耗费极其漫长的时间训练，因而很难应用到生产实际中。为解决这些问题，门控循环神经网络（GRU）、长短时记忆（long shortterm memory，LSTM）神经网络等RNN的变体应运而生。其中，门控循环神经网络（GRU）具有计算速度快、时序序列样本预测准确等优点，而被广泛应用于文本翻译、动作识别、视频行为分析等领域。

图2 深度循环网络结构Fig.2 Deep recurrent neural network

如图3所示，GRU单元设置了重置门rt和更新门实现门控功能，控制数据的流入和流出。其中更新门zt通过激活函数控制历史信息是否被保留。在时间步t时，zt由式（1）迭代更新：

图3 GRU门控循环神经网络Fig.3 GRU Recurrent Neural Network

式中：xt为第t个时间步时的输入向量，即输入序列X的第t个分量，而ht－1保存的是前一个时间步t－1的信息。xt和ht－1经过一个线性变换（与权重矩阵Wz相乘投入到激活函数σ中，输出被压缩到0到1之间。

而重置门rt采用式（2）计算：

同理，重置门得出的数值在［0，1］之间。当结果为0时表示历史信息全部丢弃，当结果为1时表示历史信息全部保留。当前时刻的隐藏状态ht可由式（3）和式（4）得到：

此时模型的输出为：

一般情况下，式（1）～式（5）使用Sigmond激活函数。门机制对信号选择性的保留和遗忘能够弱化噪声产生的负面影响。通过门机制，门控循环神经网络可以利用时间序列中长期信息，避免了梯度消失的问题，神经网络可以更好地自学习信号中所包含的关键信息。

2.3 卷积门控循环神经网络

针对当前刀具磨损状态监测存在的问题，本文构建了基于卷积单元和门控循环单元的刀具磨损在线监测模型，如图4所示。通过叠加的卷积网络实现切削力信号中表征刀具磨损关键信息的特征自学习、自提取，进而由门控循环单元实现刀具磨损状态的在线监测。

图4 卷积门控循环神经网络模型结构Fig.4 Convolution-gated neural network model structure

图4所示的网络模型包括特征提取模块和磨损状态监测模块。特征提取模块主要用来提取表征刀具磨损信息的特征向量，本文选用卷积神经网络（CNN）。模块包含2个卷积层，2个池化层和1个全连接层。激活函数采用RELU函数，最大池化，卷积层步长为1，池化层步长为2。磨损状态检测模块主要由两层GRU神经单元和softmax层构成，时间步长为2。传感器信号经过特征提取模块自提取表征刀具磨损关键信息的特征向量作为磨损监测模块的输入信号，最后经由softmax层的处理输出刀具当前的磨损状态。

3 刀具磨损状态监测流程

能够表征刀具磨损状态信息的传感器信号有很多，其中切削力信号被认为是描述切削过程、监测刀具磨损和破损状态的最直观、最可靠的状态变量。因此本文选择切削力信号作为监测刀具磨损状态的原始信号，流程如图5所示。

图5 刀具磨损在线监测模型Fig.5 Tool wear online monitoring model

3.1 信号预处理

由于传感器直接输出的切削力信号存在着大量的噪声，蕴含刀具磨损状态关键信息的有用成分在复杂噪声背景下难以得到充分挖掘，因此需要对数据进行预处理。与傅里叶变换去噪等传统方法相比，小波变换通过伸缩和平移等操作对信号在多尺度下进行分析，具有良好的检验局部突变的能力，非常适合于处理非平稳信号。因此，本文采用小波分析方法去噪。

图6 小波去噪示意图Fig.6 Wavelet denoising diagram

在去除无效值、异常值等噪声影响之后，为了保持输入样本的连续性和一致性，需要对去噪切削力数据以滑窗的方式取样。在每次取得固定长度的样本之后，滑动窗口沿着同一方向移动固定步长，获取下一个样本，滑窗移动步长不应小于滑窗本身长度的一半。

为了加快模型训练速度，防止“过拟合”现象的出现，对去噪后的切削力样本进行归一化处理。本文选择最大最小值归一化，其表达式如（6）所示。

式中：xs为归一化后的数据；x为原始数据；xmax和xmin分别为原始数据集的最大值和最小值。

3.2 模型训练

获取足够多的样本后，需要构建切削力数据集，并建立对应的刀具磨损状态标签。本文将所有的带标签样本按一定比例划分为训练集和测试集，分别用于训练和测试。模型训练时，首先需要初始化模型参数；再利用训练集数据对模型进行一轮训练并更新网络的权重和偏置值，依据梯度下降准则对网络反向更新，直至达到指定的迭代次数；最后，利用测试集数据对模型的性能进行评价，判断其是否满足生产实际要求。模型一旦完成训练，在工况不变的情况下可以直接部署到生产加工中，实时监测刀具磨损状态。

本文在Windows平台下使用Python语言完成网络模型的构建。硬件环境为Intel Core i7-8700k处理器和Nvidia GTX 1080Ti GPU，内存为32 G。具体参数如表1所示。

表1 刀具磨损监测模型参数Tab.1 Tool wear monitoring model parameters

使用adam优化器来更新模型权重。为防止训练过程中发生梯度消失及深度神经网络过拟合问题，随机丢弃率设为0.2；选择RELU激活函数，确保模型训练得到最佳状态，并经过1 000次迭代后评价模型性能。

为了评价上述模型对刀具磨损状态监测的有效性，本文利用准确度（A）和损失函数（loss fuction）对模型效果进行评价。精确度表示模型正确分类的样本数与总样本数的比率。选用均方误差（EMS）作为模型的损失函数，数学描述如式（7）和式（8）所示。

式中：r为正确分类的样本数量；n为全体样本的数量；yi为标签的真实值为预测结果。

4 实验验证及结果分析

4.1 切削力数据采集

本文选用切削力信号作为表征刀具磨损状态的传感器信号，因此需要获取机械加工时的切削力数据。数据采集分为2部分：第1部分是测力仪在线测量切削力数据，第2部分是离线测量刀具后刀面的磨损宽度。

切削力数据采集系统的实验装置如图7所示。试验在普通车床（CA6140）上进行。试验所需切削参数如表2所示。工件为不锈钢材料，工件毛坯直径为155 mm、切削长度为300 mm；切削刀具为机夹硬质合金刀片。切削力采集系统由kistler测力仪、DH8300型动态信号分析系统和上位机组成。车削过程中，切削力的采样率设定为20 kHz。以1／2切削深度处后刀面上测定的磨损带宽度VB来量化刀具磨损程度。在每次切削完成之后，通过光学显微镜来测量VB，切削力采集系统如图8所示。

图7 切削试验示意图Fig.7 Schematic diagram of cutting test

图8 刀具磨损测量Fig.8 Tool wear measurement

表2 试验用切削参数Tab.2 Cutting parameters for test

本文选择4层的Sym6小波基对切削力信号进行去噪处理，效果如图9所示。原始信号经过小波变换后，有效去除了趋势项，并且保留了信号的突变信息，实现了对非平稳信号的有效去噪。

图9 小波分析去噪Fig.9 Wavelet analysis denoising

对获得的去噪信号进行滑动样本取样，共获得687个切削力样本，如表3所示。将切削力样本以4∶1的比例分为训练集和测试集，输入到搭建的模型中进行训练。

表3 刀具磨损数据样本Tab.3 Tool wear data sample

4.2 试验结果与分析

将采集到的切削力数据进行交叉验证训练，结果如图10所示，分类模型随着迭代次数的增多，训练集准确率稳定在99.3%附近，损失函数值稳定在0.012附近。将训练好的模型用测试集进行测试，测试集准确率为97.6%，损失函数为0.032，单步操作耗时为16 ms，效果较好。

图10 模型训练结果Fig.10 Model training results

为证明本文所提模型可以有效监测刀具的磨损状态，同时也为了体现该模型在分类精度上的优势，本文对比了支持向量机（support vector machine，SVM）、随机梯度下降（stochastic gradient descent，SGD）以及BP神经网络等经典方法在刀具磨损状态监测上的应用效果。传统方法因无法自学习表征刀具磨损关键信息的特征向量，因此需要手动提取特征向量。本文参考前人的研究成果，选取了切削力样本均值、均方根值、峰值、峭度、小波能量比系数等10个特征作为表征刀具磨损的特征向量。不同算法的监测对比结果如表4所示。

表4 不同算法对刀具磨损监测的结果Tab.4 Results of tool wear monitoring by various algorithms

从表4可以看出，与传统方法相比，本文所提出的刀具磨损状态监测模型准确度最高达97.6%，而损失函数值最小，为0.032，说明本文方法有更好的分类效果。

5 结论

本文建立了一种基于卷积门控神经网络的刀具磨损在线监测方法，所构建的卷积门控神经网络模型融合了卷积神经网络和门控循环神经网络，不仅可以自学习表征刀具磨损状态关键信息的高维特征，还具有良好的泛化与自适应能力，通过门控循环单元对提取的高维特征进行分类，使模型在时间尺度上的累积效应得到充分表达。刀具磨损监测实验结果表明，与支持向量机（SVM）、随机梯度下降（SGD）以及BP神经网络等方法相比，本文提出的刀具磨损监测模型表现出了更好的预测效果和网络性质，刀具磨损状态监测的准确率达到了97.6%，有较好的推广应用价值。