唯一 · 官方 · 投稿鏈接

朱翔,謝峰,李楠.基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)監(jiān)測(cè)[J].制造技術(shù)與機(jī)床,2019,(10):112-117.DOI:10.19287/j.cnki.1005-2402.2019.10.025.

基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)監(jiān)測(cè)

朱 翔 謝 峰 李 楠

（安徽大學(xué)電氣工程與自動(dòng)化學(xué)院）

摘 要

刀具磨損狀況的實(shí)時(shí)檢測(cè)是目前機(jī)床加工狀態(tài)監(jiān)測(cè)的難點(diǎn),而對(duì)刀具的振動(dòng)信號(hào)分析的常用方法是利用神經(jīng)網(wǎng)絡(luò)模型來(lái)判斷刀具磨損狀態(tài)。為解決循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)模型訓(xùn)練過(guò)程中梯度容易消亡的現(xiàn)象,提出基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)在線監(jiān)測(cè)。刀具在進(jìn)行切削加工時(shí),首先通過(guò)加速度傳感器采集刀具振動(dòng)信號(hào),然后對(duì)振動(dòng)信號(hào)小波包變換進(jìn)行分解是讓信號(hào)通過(guò)不同的濾波器進(jìn)行有條件的選擇,由此形成不同的能量值,用作為長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的特征輸入,從而診斷出刀具磨損狀態(tài)的3種狀態(tài)故障;最后利用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型對(duì)處理時(shí)間序列的數(shù)據(jù)有比較好的效果,它可以捕捉長(zhǎng)期的依賴(lài)關(guān)系和非線性動(dòng)態(tài)變化。此外,通過(guò)與多層(BP)神經(jīng)網(wǎng)絡(luò)和(BP)神經(jīng)網(wǎng)絡(luò)故障診斷方法進(jìn)行比較,結(jié)果表明,LSTM網(wǎng)絡(luò)對(duì)刀具磨損狀態(tài)在線監(jiān)測(cè)更加有效。

刀具磨損;加速度;小波包變換;在線監(jiān)測(cè);長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

導(dǎo) 語(yǔ)

隨著數(shù)控機(jī)床在機(jī)械加工中的廣泛使用，刀具的磨損成為數(shù)控機(jī)床出現(xiàn)故障的主要因素，而數(shù)控機(jī)床工作時(shí)是按照編程來(lái)自動(dòng)進(jìn)行加工的，因此需要對(duì)刀具的切削加工狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控。近年來(lái)，各國(guó)學(xué)者在刀具磨損狀態(tài)監(jiān)測(cè)方面做了大量的工作，而通過(guò)加速度傳感器采集刀具切削過(guò)程中振動(dòng)信號(hào)的變化——振動(dòng)監(jiān)測(cè)法仍是目前刀具磨損狀態(tài)檢測(cè)的主要方法，如韓鳳華通過(guò)對(duì)采集的振動(dòng)信號(hào)進(jìn)行時(shí)域和頻域的分析來(lái)判斷刀具的磨損狀態(tài)，庫(kù)祥臣通過(guò)采集刀具振動(dòng)信號(hào)，然后利用小波包對(duì)振動(dòng)信號(hào)進(jìn)行數(shù)據(jù)分析，得到不同頻段的能量值作為刀具磨損狀態(tài)的特征值，輸入 BP 神經(jīng)網(wǎng)絡(luò)中來(lái)判斷刀具磨損狀態(tài)。這些機(jī)器學(xué)習(xí)方法在生產(chǎn)領(lǐng)域廣泛應(yīng)用，成為刀具故障診斷的主要預(yù)測(cè)手段，但是實(shí)時(shí)監(jiān)測(cè)效果不理想。因此徐康提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的馬爾可夫模型，通過(guò)對(duì)振動(dòng)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到若干固有模態(tài)函數(shù)( IMF) ，選取前幾個(gè)能量較大的 IMF 進(jìn)行標(biāo)量量化處理得到特征向量后，作為觀測(cè)值序列輸入已訓(xùn)練好的馬爾可夫模型進(jìn)行故障狀態(tài)識(shí)別的刀具故障診斷方法。這些機(jī)器學(xué)習(xí)中傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集和時(shí)間聯(lián)系弱小，無(wú)法模擬時(shí)間序列中的馬爾可夫模型過(guò)程，故提出循環(huán)神經(jīng)網(wǎng)( RNN) 。用它內(nèi)部的記憶單元來(lái)處理任意序列信息的建模預(yù)測(cè)，取得了顯著成效。由于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)很難處理長(zhǎng)期依賴(lài)問(wèn)題，若時(shí)間序列太長(zhǎng)信息在反饋的時(shí)候就會(huì)出現(xiàn)梯度消失，故提出了長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)。長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)是一種特殊循環(huán)神經(jīng)網(wǎng)絡(luò)，通過(guò)在循環(huán)神經(jīng)網(wǎng)絡(luò)增加門(mén)限從而抑制梯度消失。

本文是基于長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)刀具磨損狀態(tài)監(jiān)測(cè)的，它是適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常的模型，適用于動(dòng)態(tài)時(shí)間序列，尤其是對(duì)于非平穩(wěn)、低重復(fù)性和復(fù)現(xiàn)性的信號(hào)具有很強(qiáng)的模式分類(lèi)能力，并且它對(duì)離散輸入信號(hào)特征具有識(shí)別效率高、速度快等優(yōu)點(diǎn)。針對(duì)刀具非平穩(wěn)故障信號(hào)，經(jīng)小波包變換去除了刀具的低頻振動(dòng)只保留刀具振動(dòng)信號(hào)中對(duì)粗糙度有影響的高頻信號(hào)以長(zhǎng)短期記憶網(wǎng)絡(luò)處理輸入的小波包能量進(jìn)一步提取特征，挖出更深層次的潛在規(guī)律，故構(gòu)建基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)監(jiān)測(cè)模型對(duì)刀具故障進(jìn)行診斷。

閱讀全文，歡迎點(diǎn)擊

聲明：