VGG13卷积神经网络在刀具磨损监测中的应用

2022-10-13周谦国凯孙杰

工具技术 2022年6期

周谦，国凯，孙杰

山东大学机械工程学院高效洁净机械制造教育部重点实验室；山东大学航空构件制造技术及装备研究中心

1 引言

在机械加工制造领域，刀具是进行零件加工制造的重要工具之一，多数零件加工对零件的表面质量有严格要求。而表面加工质量除了与切削速度、进给速度和背吃刀量有关外，还与刀具磨损程度有关。随着加工时间和走刀次数增加，刀具刀刃逐渐磨损，随之产生刀具切削性能降低、切削阻力变大和切削不稳定的问题，导致工件表面粗糙度不稳定、工件表面质量变差及工件尺寸难以控制，甚至造成刀具崩口断裂。为了保证零件的加工精度，降低零件加工成本，需要对刀具磨损程度进行监测。

目前，存在直接测量法与间接测量法两类刀具磨损监测法[1]。直接测量法是指直接对刀具磨损进行测量的方法，通常采用接触式电阻测量法[2]、光学图像[3，4]等，这些方法需要机床停机后取下刀具，通过特定设备测量刀具的磨损程度。虽然测得的磨损程度准确度高，但是操作比较繁琐，需要耗费大量时间与人力，而且该测量方法的测量精度极易受到切削液、切屑和光线等外部因素影响，不能保证测量结果准确性[5]，再次安装刀具时需要重新对刀。此外，这种方式时效性较差，不能实时测量刀具磨损程度，难以在实际加工生产中应用。间接测量法通过监测加工时的声音信号[6]、振动信号[7，8]和力信号[9-12]等，并结合算法对信号进行分析，从而推断出刀具的磨损状况。

虽然间接测量法测得的精度比直接测量法低，但间接测量法不需要机床停机，可以在零件加工过程中实时获得信号，从而实现对刀具磨损状态的实时监测，因此实用性较好。现阶段，一些刀具磨损监测装置正是利用了间接测量法能够实时监测的优点进行刀具磨损监测[13]。

许多学者对间接测量法监测刀具磨损状态进行了研究，其常用判定方法为采集机床加工过程中的声音信号、振动信号及力信号等，并分析各类信号与刀具磨损之间的关系，通过实验验证了这类信号能有效表征加工过程中刀具的磨损状态。Zhou C.等[14，15]对切削力和振动进行奇异性分析，利用力信号和振动信号对刀具磨损状态进行了推断。Prasad B.S.等[16]借助激光多普勒测振仪在线采集并处理刀具状态数据，并利用进给方向的振幅信号识别刀具的磨损情况。

随着人工智能技术的不断发展，对于信号分析的方法也变得多样化，除传统分析方法外，深度学习技术也被逐步应用到故障诊断领域。Fu Y.等[17]通过传感器对端铣加工过程中机床产生的振动信号进行采集，利用深信度网络建立了特征空间，实现了对切削状态的监测。Chen Z.等[18]采集齿轮箱工作时产生的振动信号，利用卷积神经网络实现了齿轮箱故障的诊断和分类。

随着智能化程度提高，人工智能技术得到充分发展，人工智能技术正逐步应用在各行各业。目前，已有深度学习模型应用于轨道电路故障诊断[19]、轴承故障诊断[20]及齿轮故障诊断等方面的案例，并且均取得了不错效果。本文将深度学习模型应用于刀具磨损监测中，通过采集各类信号并结合相关模型算法，实现了对刀具磨损程度的诊断监测。

2 整体方案设计

如图1所示，为实现刀具磨损程度的监测，提出了利用卷积神经网络监测刀具磨损程度的方案，主要包括信号预处理、时频分析、模型训练和模型验证四部分。

图1 整体方案

通过安装在机床上的传感器获取加工时的振动信号和力信号，截取信号并对信号进行分段和去噪处理；再根据磨损程度将处理后的信号分为轻度磨损、中度磨损和严重磨损三类，并对信号进行时频分析，此时一维信号转化成了二维谱图；将二维谱图作为数据集放入卷积神经网络中进行训练，不断迭代优化模型参数；对训练好的模型进行测试，若精度达标即可作为刀具磨损监测模型。

3 模型及算法

3.1 模型选择

选用的神经网络模型为VGG Net，根据网络层数不同有VGG13、VGG16及VGG19等多种变体。选用VGG13作为刀具磨损监测的网络模型，其网络结构如图2所示，最后输出的三个通道对应三种磨损程度。

图2 VGG13网络结构

3.2 优化算法

优化算法是对神经网络参数迭代优化的方法，选用Adam(Adaptive Momentum Estimation)作为神经网络的优化算法。该优化算法将RMSrrom和动量算法相结合，通过梯度的一阶和二阶矩估计优化和调整各个参数值。偏移校正后，每次迭代的学习速率都在一定的范围内使参数相对稳定，并且Adam优化算法既能适应稀疏梯度，又能缓解梯度震荡问题。

具体实现过程如下：

步骤①：对学习率α，矩估计的指数衰减率β1，β2，参数向量θ，一阶矩向量m，二阶矩向量v以及时间步长t进行初始化操作。

步骤②：对新一轮的梯度进行计算，有

gt=∇f(θt-1)

(1)

步骤③：更新一阶矩向量和二阶矩向量，可得

(2)

式中，mt-1表示上一轮的一阶矩向量；vt-1表示上一轮的二阶矩向量；mt表示这一轮的一阶矩向量；vt表示这一轮的二阶矩向量。

步骤④：计算偏差修正的一阶矩向量与二阶矩向量，有

(3)

步骤⑤：对参数向量进行更新，有

(4)

式中，ε=10-8。

循环执行步骤②到步骤⑤，不断对参数向量进行迭代优化，直至参数向量收敛。

3.3 Softmax函数

Softmax函数将多分类的结果用概率形式表示，其公式为

(5)

分子为vi类值的指数次幂，分母为所有类值指数次幂之和。通过这个函数将预测结果的概率映射到区间(0，1]，并且各类预测概率之和为1。

3.4 损失函数

损失函数用来计算模型输出值与实际值之间的差距，其值表征了模型的好坏，损失值大，表明模型准确性差；损失值小，表明模型准确性好。采用的损失函数为交叉熵损失函数，其表达式为

(6)

式中，n表示种类数量；p(xi)表示标签，若类别为i，则p(xi)=1，否则p(xi)=0；q(xi)表示类别是i的概率。

3.5 时频分析

时频分析能够描述信号频率与时间的关系。本文采用的时频分析方法是短时傅里叶变换，该方法利用微分思想将较长非平稳随机信号分割成若干段，每一段均可看成平稳信号，即较长非平稳信号由一系列短时随机平稳信号叠加而成[21]，具体公式为

(7)

式中，X(n，ω)是时间n和频率ω的二维函数；x(m)表示输入信号；ω(m)表示窗函数。

4 实验过程及结果分析

4.1 实验装置及过程

通过切削实验验证采用卷积神经网络进行刀具磨损监测的有效性，实验装置如图3所示。以蓝苞蒂RAMMATIC-1201G五轴数控加工中心为主体，选用金鹭GZ15CA5711127- 002L001 MC2整体硬质合金立铣刀铣削TC4钛合金。

图3 切削实验

为获取机床铣削过程中的振动信号与力信号，使用Kistler 9257B测力仪测量加工过程中工件的三向切削力。测力仪通过夹具固定在工作台上，工件固定在测力仪上，采用356A15型PCB三轴加速度传感器采集加工过程中的振动信号。为了解刀具实际磨损情况，将磨损情况与振动信号、力信号建立对应关系，使用Dino-Lite手持式显微镜获取实验过程中的刀具磨损图像。

切削实验流程如图4所示。采用顺铣的方式铣削工件侧壁，喷射水基乳化液进行冷却，选用直线循环切削方式，每次切削加工5min；在切削时通过安装在机床上的传感器采集振动信号与力信号，切削完成后，通过手持显微镜人工观测刀齿后刀面的磨损状况，并记录磨损量。选取所有刀齿磨损量的平均值作为磨损量指标，测量完成后再次进行切削实验，直至工件表面质量不符合要求或刀具磨损到不能使用为止。

图4 切削实验流程

切削实验完成后，按照图5所示流程处理数据并训练模型。因为传感器采集的信号包含许多噪声信号，因此需要先对传感器采集的数据进行预处理。

图5 模型训练流程

截取加工时的信号并去除噪声信号，将信号按照一定的时间长度进行分段并保存。按照刀具磨损程度将刀具磨损分为轻微磨损、中度磨损和严重磨损三类，与之对应地将信号分为三类。对一维信号数据进行时频分析，通过短时傅里叶变换，一维数据被转化为二维谱图。将二维谱图放入Pytorch搭建的神经网络模型中进行训练，训练集与测试集的比例为7:3，训练集用于优化模型参数，测试集用于测试模型好坏，神经网络学习率设为0.0001，进行500次迭代，每次训练送入的批量大小为4。模型训练完成后，通过训练集测试模型，若模型准确率达标，则模型训练完成；否则需要调整模型超参数，直到模型准确率达到要求。