采用改進CNN-BiLSTM模型的刀具磨損狀態監測

劉會永 張 松 李劍峰 欒曉娜

1.山東大學機械工程學院高效潔凈機械制造教育部重點實驗室，濟南，2500612.山東大學機械工程國家級實驗教學示范中心，濟南，250061

0 引言

自動化加工涉及智能加工工藝規劃、切削過程優化及切削加工過程狀態監測等關鍵技術[1]。刀具作為切削加工的直接執行者，不僅要具備良好的切削性能以保證加工質量和加工效率，還要具備自我感知調節的能力[2]。準確可靠地監測刀具磨損狀態是實現刀具自我感知調節的關鍵步驟。

大家對此頻頻點頭、深表贊同，以為所言很有道理，也很有意思.那么是什么原因使得您能夠避免慣見的空泛之說、乏味之述呢？

國內外學者圍繞刀具磨損監測做了許多研究，大體上可分為直接監測法和間接監測法[3]。直接法利用條紋圖形法[4]、光學圖像法[5]等直接監測刀具磨損，但易受到加工條件影響且無法在線監測。間接法則是通過提取與刀具磨損相關的切削力、振動、聲音和電流等信號的隱含特征，利用機器學習或深度學習建立隱含特征與刀具磨損間的映射關系監測刀具磨損狀態，近年來被廣泛研究和使用。如LI等[6]通過提取切削力特征并利用相關系數法進行特征篩選后，結合傳統機器學習方法支持向量回歸(support vector regression，SVR)實現了車削刀具磨損狀態監測。CHEN等[7]將多源信號和深度學習中的深度置信網絡(deep belief network，DBN)相結合來監測銑削刀具磨損狀態，并將其與傳統機器學習方法——人工神經網絡(artificial neural network，ANN)和最小二乘支持向量回歸(least squares-support vector regression，LS-SVR)法進行對比，證明深度學習方法監測效果更好。曹大理等[8]直接利用深度卷積神經網絡自動提取特征，實現刀具磨損在線監測。間接法主要包括信號采集和數據預處理、特征提取、狀態識別三部分。手動特征提取需要消耗大量的人力和充足的先驗知識，且不能保證提取的特征質量；深度學習能夠自動提取特征，但單深度學習網絡可能面臨特征提取不夠全面等問題。將兩個或幾個深度學習網絡相結合的方法近年來被廣泛使用。

近年來，憑借對復雜數據的優異特征提取能力，卷積神經網絡(convolutional neural network，CNN)和長短時記憶(long short-term memory，LSTM)網絡被廣泛應用于圖像識別[9]、語言處理等方面，在刀具磨損狀態監測方面也獲得廣泛應用[10-11]。CNN可以從復雜數據中自動提取信號的多維度空間特征，但不能高效地處理時序數據。LSTM在處理時序數據時性能表現優異，但消耗時間相對較長。這兩者結合可以增強空間、時序特征提取能力并相對減少時間消耗，更適用于多維度時序數據的分析和處理，被廣泛應用于故障診斷[12]、時序預測[13]等方面。切削加工受到工件材料、刀具特性及加工工藝等多種因素影響，產生的時序信號十分復雜。雙向長短時記憶(bidirectional long short-term memory network，BiLSTM)網絡相當于采用兩個LSTM雙向捕獲特征，能更好地提取時序數據隱含信息，因此本文將CNN和BiLSTM的優勢結合,建立集成模型并對其進行改進來監測刀具磨損狀態。傳統CNN和BiLSTM集成模型在提取復雜數據深度特征時表現較差，穩定性有待提高。批量標準化(batch normalization，BN)層通過規范不同網絡層數據，可以增強模型泛化能力，提升模型穩定性。切削加工過程中采集的時序信號需要BiLSTM提取更深層次的時序特征，以充分挖掘與刀具磨損相關的特征信息[14]，保證刀具磨損狀態監測精度。

政府采購峰做的技術性較強，對從業人員有較高的要求，要做好這項工作，需要從業人員具備較高的專業素養。尤其是互聯網時代的帶來，更是給工作帶來了一定的挑戰。我國政府采購管理專業教學，也要結合當前形勢的發展，明確政府采購管理專業人才培養的目標，結合社會實際需求，培養符合要求的綜合素養比較高的人才。

為了簡化刀具磨損狀態監測過程，并自動提取與刀具磨損高度相關的特征，進而提高刀具磨損監測精度和穩定性，本文將改進的卷積神經網絡和雙向長短時記憶(improved convolutional neural networks-bidirectional long short-term memory，ICNN-BiLSTM)網絡集成模型應用于刀具磨損狀態監測。首先以CNN-BiLSTM模型為基礎，將BN層加入卷積神經網絡的池化層和激活層之間；然后，在單個BiLSTM基礎上再添加一個BiLSTM層提取更深層次的雙向時序特征；最后，在每個BiLSTM層后添加Dropout層用來抑制模型過擬合，采用學習率可以自適應的adam優化算法來訓練模型，實現刀具磨損狀態的監測。通過銑削加工實驗來驗證改進模型的有效性及改進模型在實際加工中應用的可行性。對改進模型參數進行尋優，并將改進模型與CNN-BiLSTM模型和傳統深度學習模型進行對比。

1 ICNN-BiLSTM刀具磨損監測模型

1.1 小波閾值降噪

加工過程中的切削力、振動和聲音信號呈現出周期性、非平穩等特點，蘊含著大量噪聲。小波閾值降噪首先選擇小波母函數將信號進行多尺度小波分解，然后在各尺度下提取有用信號小波系數，最后用逆小波變換重構有用信號，完成信號降噪，在非平穩信號降噪處理上展現了極大的優勢并得到了廣泛應用[15]。不同小波母函數對不同類型信號的降噪效果難以評估[16]，工程中常采用db(daubechies)小波和sym(symlets)小波作為小波母函數，與db小波相比，sym小波對稱性更好。本文以信噪比(signal-to-noise ratio，SNR)為指標，利用啟發式閾值方法量化閾值，對信號數據進行三層分解降噪。

不同類型信號在不同小波母函數和小波族條件下的信噪比如圖1所示。信噪比定義如下：

第一，國有企業集團層面的混合所有制改革是尚需攻克的堡壘。集團層面的混合所有制改革是實現企業成為具有全球競爭力的世界一流企業的重要路徑，是整個混合所有制改革的硬骨頭之一。集團層面實施了混合所有制改革，下面的子公司自然會形成全新的機制，如果只在下屬子公司層面開展混合所有制改革，集團層面不動，容易造成沒改的效果。同時集團層面的混合所有制改革更能體現高層的改革決心，提振外界對改革的信心[2]。

RSN=10lg(Psignal/Pnoise)

(1)

式中，Psignal為降噪后信號功率；Pnoise為噪聲功率。

圖1 不同小波母函數性能Fig.1 Performance of different wavelet generating functions

由圖1可以看出，兩種小波母函數的降噪效果基本相同，小波族達到一定數量時信噪比趨于穩定。綜上，最終選擇sym18小波對三種傳感器信號進行降噪，此時，1號刀具第一組數據Y方向切削力、振動及聲音信號信噪比分別為33.45 dB、7.46 dB、5.08 dB。切削力、振動加速度和聲壓數據經過小波閾值降噪處理后的降噪效果如圖2所示。

全部批改學生的作業是教師應該采取的主要辦法。但是短文（書面表達）寫作不能僅僅理解成個人的行為，因此在教學中，不應總是讓學生單獨寫出短文，教師全部批改的模式。首先應提倡學生開展兩人或數人小組活動?？梢圆扇∫韵麓胧?/p>

(a)1號刀具第一組數據Y方向切削力

(b)1號刀具第一組數據Y方向振動加速度

(c)1號刀具第一組數據聲壓圖2 小波閾值降噪Fig.2 Wavelet threshold denoising

1.2 CNN模型

p→∞

圖3 卷積神經網絡結構Fig.3 The structure of convolutional neural network

CNN利用N層卷積、池化提取輸入數據特征，將其輸入全連接層，結合回歸層或Softmax分類器完成預測或分類。CNN模型的卷積過程和極大池化過程分別如下：

(2)

CNN類似于傳統的全連接神經網絡，將圖片等轉換為二維矩陣格式的數據輸入卷積、池化層中進行處理，它能快速準確地提取數據空間特征，具有很強的穩定性，近年來被廣泛用于圖像識別和故障診斷[17]，其網絡結構如圖3所示。

(3)

訓練模型時，根據損失函數是否隨著訓練次數增加而減小來判斷損失函數的收斂性。若其不收斂，則需重新調整模型參數，繼續訓練，直至收斂。模型訓練過程中通過比較驗證數據預測值和真實值之間的均方根誤差(root mean square error，RMSE)ERMSE來判斷模型的實際效果：

1.3 BiLSTM模型

LSTM與循環神經網絡(recurrent neural network，RNN)有相同的輸入輸出[18]。與LSTM相比，BiLSTM采用兩個LSTM分別從文本前后進行訓練[19]，然后連接到同一輸出，提取數據前后相關性特征的能力更強。BiLSTM在處理上下語境聯系密切的情感分析等方面問題時提高了約3%的性能[20]，非常適用于處理類似走刀過程振動數據等前后相關性強的數據，其結構如圖4所示。

圖4 BiLSTM網絡結構Fig.4 The structure of BiLSTM network

隨機選取3把銑刀共97組實驗數據的80%作為訓練數據集，20%作為驗證數據集。原始切削力、振動和聲音信號數據經過趨勢項消除、小波閾值降噪等數據預處理操作后，輸入ICNN-BiLSTM模型進行訓練。模型訓練參數設置如下：最大迭代次數為100；梯度閾值為1；每兩次迭代更新學習率；驗證頻率為50。訓練批量越小，訓練消耗時間會相應延長，批量大小變化也會影響模型精度，本文采用的是小數據集，為削弱批量大小對模型訓練結果的影響，本文將訓練批量大小設置為400，遠大于數據集量。根據相關經驗，預先設置學習率為0.01，使用優化求解器adam進行模型訓練。定義真實值y與模型的預測值yp的均方差為損失函數L：

(4)

式中，U、W分別為各個門的輸入權重和循環權重；S(·)為sigmoid函數，值域為0～1，0為不通過，1為全通過；“⊙”表示Hadamard積；上標F、I、O分別表示遺忘門、輸入門、輸出門。

本節，我們通過實例驗證所提算法的有效性，所有實驗均在HP筆記本電腦完成，處理器為Intel(R) Core(TM) i7-6500U CPU @ 2.50GHz和8GB內存，操作系統為Windows 7，仿真軟件為MATLAB 2013b。

1.4 ICNN-BiLSTM模型

本文將CNN和BiLSTM模型集成并改進后應用到刀具磨損狀態監測中，充分發揮CNN模型的空間特征提取能力和BiLSTM模型的時序特征提取能力。以CNN-BiLSTM模型基本結構為基礎，在單個BiLSTM層基礎上再添加一個BiLSTM層，提取深層次時序特征；在CNN中加入BN層，用來規范數據分布，增強模型泛化能力和魯棒性；最后，在每個BiLSTM層后加入Dropout層來隨機屏蔽部分神經元輸出，防止模型過擬合。ICNN-BiLSTM模型網絡結構如圖5所示。

圖5 ICNN-BiLSTM模型結構Fig.5 The structure of ICNN-BiLSTM model

ICNN-BiLSTM網絡輸入數據是在加工過程中采集到的切削力、振動和聲音信號數據。原始數據采樣頻率為20 kHz，如果直接將其輸入網絡中，則參數量過大，對計算機的性能要求過高。因此，本文將每組實驗中的1 s數據進行小波閾值降噪等預處理和降采樣后得到2000×7維的數據，再轉換為10×7×1×200維度的數據輸入ICNN-BiLSTM模型中。為提高模型泛化能力，在數據輸入改進模型之前，需要進行標準化處理。本文應用Z-score方法進行數據標準化：

(5)

式中，xn為歸一化后數據；x為原始數據；μ為原始數據均值；σ為原始數據標準差。

經過兩次卷積、最大池化和批標準化操作提取數據空間特征，卷積核的大小為[3，3]，步長為1，兩次卷積深度分別為6和12；最大池化層的大小為[2，2]，步長為1，卷積和池化過程中不進行填充。提取的空間特征經過Flatten層后轉化為序列數據，輸入BiLSTM層中，兩個BiLSTM層的隱含單元數初始分別設置為32和16，防止過擬合的Dropout率設為0.4，最后經過兩次全連接層輸入回歸層，全連接層單元數分別設置為10和1。

2 驗證實驗

優化器直接影響參數優化速度和模型準確率，選擇合適的優化器可以極大提高模型訓練效率。確定改進模型隱含單元數之后，本文選用sgdm、rmsprop、adam優化器進行對比實驗，其他參數保持與上述參數相同，進行10次模型訓練，在不同優化器下驗證集的RMSE值如圖9所示?？梢钥闯觯瑀msprop和adam優化器均具有較高的穩定性和精度。rmsprop優化器的精度略高于adam優化器的精度，但與應用rmsprop優化器訓練模型10次消耗的平均時間167 s相比，adam優化器消耗的訓練時間為138 s，縮短了17.4%。綜合考慮模型精度和時間效益，本文選用adam優化器。

圖6 實驗原理Fig.6 The principle of experiment

表1 實驗參數

表2 實驗設備

P20模具鋼切削過程中的切削力和切削溫度均很高，刀具處于復雜應力條件下，會發生磨損。在刀具的前刀面，靠近已加工表面的部分工件材料黏附最為嚴重，隨著與已加工表面距高變遠，黏附逐漸減輕，同時切削刃上發生微崩刃。在刀具后刀面，切削刃的涂層被磨掉，露出基體材料，整個磨損區域呈現倒三角形，在靠近已加工表面和待加工表面處出現邊界磨損。刀具磨損標準包括前刀面月牙洼磨損深度KT、后刀面磨損量VB和磨損最大值VBmax，實驗過程中，后刀面磨損帶的中間部分磨損最為明顯，出現磨損最大值。在整個刀具使用過程中，VBmax呈現出逐漸遞增的趨勢且便于測量，因此本文以VBmax為標準繪制刀具磨損曲線，如圖7所示。

圖7 1～3號刀具磨損曲線Fig.7 The wear curves of tool 1～3

3 結果分析

3.1 ICNN-BiLSTM模型分析

LSTM單元各個門的作用如下。遺忘門：控制信息的遺忘程度；輸入門：控制輸入記憶單元的信息量；輸出門：控制輸出單元的權重。LSTM單元輸出如下：

1) 上海市改建道路大多涉及老路翻挖施工，而部分新建道路涉及建筑物破除等施工，建議在施工過程中對重點路段(特別是臨近居民區的路段)采用靜音切割工藝(見圖1a))代替傳統的鎬頭機破碎工藝。目前應用較多的是鉆石金剛鏈鋸切割工藝，該切割工具由液壓泵、傳動定位滑輪和帶有金剛石鋸齒的鋼繩組合而成，液壓電機通過傳動滑輪帶動鋼線圍繞被切割物體高速旋轉進行切割，具有施工噪聲低、振動小等優點。采用靜音切割方式之后可大幅降低施工過程中的噪聲影響，相比傳統的搞頭破碎工藝可降低噪聲影響約20 dB(A)。

(6)

式中，Z(l+1)為卷積層輸出；K為數據通道數；z為卷積核/池化層大??；s0為卷積/池化步長；ω為卷積核；b為偏差；A(l+1)為池化層輸出。

(7)

式中，n為訓練或驗證樣本數量。

若RMSE值較大，則模型可能存在過擬合等情況，模型需要進行重新訓練；若RMSE值較小，則模型精度較高，并且RMSE值越小，模型精度越高[21]。

鏡檢時室內光線勿過于明亮，也可使用遮光裝置以阻止目鏡周圍的光線射入。在使用油鏡時，盡可能地除掉油內的雜質和氣泡，避免由于油內的雜質和氣泡的漫反射妨礙視場的鏡檢效果。

本試驗采用鋼筋應力反映試驗梁的受力狀態，鋼筋應力由測量得到的鋼筋應變換算而來。圖8給出了梁體加固前后鋼筋應力隨荷載的變化規律。

模型結構參數對模型精度和魯棒性有重要影響。BiLSTM層是本文重點改進的部分，BiLSTM隱含單元數(numhiddenunits)是ICNN-BiLSTM模型的重要參數，本文以驗證集RMSE為指標，為消除隨機性的影響，在初始參數條件下對不同隱含單元數組合的模型進行10次訓練，結果如圖8所示?？煽闯?，兩個BiLSTM層隱含單元數分別為32和16時，驗證集RMSE值穩定在0.007左右，說明模型兼具較高的精度和穩定性。因此，本文將兩個BiLSTN層隱含單元數分別設置為32和16。

驗證實驗采用山高公司生產的可轉位立銑刀桿和涂層硬質合金可轉位刀片以單齒順銑的方式加工P20模具鋼，工件尺寸為110 mm×110 mm×40 mm，銑削過程中不使用切削液。利用安裝在主軸上的加速度傳感器和工作臺上的力、聲音傳感器，采集主軸X、Y、Z三個方向的振動和切削力及聲音信號，信號采樣頻率為20 kHz(圖6)。每去除10 cm3體積工件材料后，利用Dino-lite手持顯微鏡測量后刀面最大磨損值并進行拍照，共獲得相同切削參數下3把銑刀的磨損值數據。主要實驗參數及設備見表1和表2。

為保持1∶250 000 DLG數據的現勢性，實現重要要素與云南省地圖院2017版1∶50 000 DLG數據更新一致，滿足各類地圖編制、“天地圖·云南”建設、專題地理信息系統開發應用、應急測繪保障服務及社會各行業對全省性基礎地理數據的應用。云南省地圖院于2017年12月啟動了1∶250 000DLG數據更新項目，因本次更新范圍只涉及水系要素、交通要素、居民地要素、境界要素，故本文僅針對此次1∶250 000 DLG數據更新重點介紹了上述4種要素的具體更新方法。

電感式編碼器由轉子和定子兩個碼盤組成。碼盤上敷有銅箔，用印刷、腐蝕等方法，在其盤面上刻制出平面形的繞組，繞組呈等間距扇形分布。轉子繞組為連續的扇形分布；定子繞組為分段的扇形分布，每段結構相同，每個分段繞組分為兩組，在相位上相差90度，又稱為正弦繞組和余弦繞組。如果連續繞組上加有激勵電信號時，正弦繞組與余弦繞組將產生感應電勢，電勢隨轉子的相對位置變化呈現正弦或余弦的信號變化，再將變化的信號檢測出后進行處理，就可以測出軸轉動的信息[6]。電感式編碼器結構如圖5所示。

(a)HBiLSTM1=8，HBiLSTM2=8 (b)HBiLSTM1=16，HBiLSTM2=16 (c)HBiLSTM1=32，HBiLSTM2=32 (d)HBiLSTM1=64，HBiLSTM2=64

(e)HBiLSTM1=16，HBiLSTM2=8 (f)HBiLSTM1=32，HBiLSTM2=16 (g)HBiLSTM1=64，HBiLSTM2=32圖8 改進模型不同隱含單元數組合效果對比Fig.8 Comparison of the combination effect of different hidden units in the improved model

圖9 不同優化器效果對比Fig.9 The effect comparison of different optimizers

學習率(learning rate，LR)也是影響模型精度和訓練速度的重要參數，學習率RL過大會使權重更新過快，模型精度和穩定性變差，學習率過小會減緩學習速度，同樣影響模型效果。在不同學習率下同樣對模型進行10次訓練，驗證集的RMSE值如圖10所示。可以看出，當學習率與模型最初訓練參數相同(為0.01)時，效果最好。因此，本文將改進模型的學習率設為0.01。

圖10 不同學習率效果對比Fig.10 The effect comparison of different learning rates

3.2 改進模型與CNN-BiLSTM模型對比

為探究模型的改進效果，將ICNN-BiLSTM模型與未添加BN層和單BiLSTM層的CNN-BiLSTM模型進行對比。除分別未添加BN層和單BiLSTM層之外，模型參數和訓練參數與改進模型一致，單BiLSTM層模型隱含單元數設為32。對未改進模型同樣進行10次訓練，驗證集的RMSE值如圖11所示，可以看出，與原模型相比，改進模型穩定性更好且精度更高。

圖11 改進模型與原模型效果對比Fig.11 The comparison of the effect between the improved model and the original model

在97組實驗數據中提取測試數據，采用相同的數據預處理方法對測試數據進行處理，然后利用上述訓練好的各個模型的10組參數進行刀具磨損值預測。此時以測試集RMSE值作為預測效果的評價指標，10次預測結果的RMSE均值和測試消耗時間均值見表3?？梢钥闯觯?、2和3號刀具測試數據集下，與未添加BN層的CNN-BiLSTM模型相比，改進模型RMSE值分別減小了16%、32%和30%；與單BiLSTM層模型相比，改進模型RMSE值分別減小了14%、23%和19%，表明改進模型精度得到較大提高。由于模型層數增加，模型測試時間消耗也會相應地增加，而在刀具正常使用階段，除去碎斷和崩刃等異常情況，刀具磨損在短時間內不會發生明顯變化，且改進模型預測所消耗時間遠遠短于本次實驗一次走刀消耗的時間(大約14 s)，因此可以忽略測試時間增加的影響。隨機訓練改進模型并利用其對測試數據集進行刀具磨損值預測，預測效果如圖12所示。

表3 不同模型測試結果對比

由圖12可以看出，改進模型預測的刀具磨損曲線與實際曲線趨勢具有較高的一致性。此外，由于受到手工測量刀具后刀面磨損值誤差較大的影響，模型的預測結果與實際值之間會產生一定附加偏差，可以看出改進模型的預測值和刀具磨損實際值的誤差最大不超過0.02 mm，最小則接近于0，由此驗證了改進模型監測刀具磨損狀態的有效性和準確性。

(a)1號刀具 (b)2號刀具 (c)3號刀具圖12 改進模型刀具磨損預測效果Fig.12 The prediction effect of tool wear based on improved model

3.3 改進模型與傳統深度學習模型對比

除了上述研究，本文還將ICNN-BiLSTM模型與傳統的CNN和BiLSTM模型進行了對比，后兩者與ICNN-BiLSTM模型的參數相同，同時，與結構參數完全相同的CNN-LSTM集成模型進行對比。采用相同的訓練參數對上述所有模型進行10次訓練，驗證集RMSE值見表4。利用相同測試數據集進行測試，不同數據集10次測試的RMSE均值和平均消耗時間見表5。

表4 改進模型與傳統模型驗證集RMSE值

表5 改進模型與傳統模型測試結果對比

由表4可以看出，CNN模型的預測效果最差，在預測效果方面BiLSTM模型明顯優于CNN模型，這是由于數據在本質上屬于時序數據，而BiLSTM在時序數據處理方面具有極大的優越性，證明了時序特征與刀具磨損狀態的高度相關性。改進模型兼顧了數據的空間特征和序列特征，與CNN相比，改進模型的精度和穩定性得到大幅提高；與BiLSTM模型相比，改進模型在穩定性方面提高明顯，精度方面也有相應提高。CNN-LSTM模型雖然存在RMSE最小值，但與改進模型相比相差不大，且自身差異較大，穩定性差。由表5可以看出，改進模型測試結果明顯優于傳統模型和CNN-LSTM模型測試結果，在時間消耗上雖不盡相同，但對實際生產影響有限，從而證明了改進模型的準確穩定性和可行性。

4 結論

(1)基于改進模型的刀具磨損狀態監測方法，直接利用經過預處理的數據實現刀具磨損狀態監測，與傳統的特征提取和深度學習相結合的刀具磨損狀態監測方法相比，簡化了流程，節約了資源。

(2)模型的結構參數對模型精度和穩定性有較大影響，合適的模型參數可以提高模型精確度和穩定性，本文通過對部分模型參數和訓練參數的效果對比選取了改進模型的最優參數。

(3)與原模型相比，改進模型在精度和穩定性方面均獲得較大提高，在不同測試數據集上，改進模型監測效果均提高10%以上；與傳統的深度學習模型對比，穩定性更強且精度更高，證明了其監測刀具磨損狀態的準確性和可行性。

需要說明的是，所提模型只在單一工況的加工條件下進行了實驗驗證，在后續研究中還需考慮在不同工況條件下模型的適用性和可靠性，并研究基于改進模型的刀具磨損在線補償，以服務于生產現場和實際加工。