基于Dropout優(yōu)化DBN算法的數(shù)控刀具磨損狀態(tài)預測

（內(nèi)江職業(yè)技術(shù)學院，智能制造與汽車學院，四川內(nèi)江市，641000)盧銀菊

進行自動加工控制時，數(shù)控刀具是屬于一個直接控制設備[1-2]。為加強對刀具使用狀態(tài)的管控，需對其加工過程的生命周期開展在線監(jiān)測，并對刀具加工狀態(tài)做好提前分析，并把結(jié)果反饋到鍛床中，最大程度發(fā)揮刀具在壽命期限內(nèi)作用[3]。

進行刀具磨損預測時，庫祥臣[4]則以BP神經(jīng)網(wǎng)絡構(gòu)建預測模型，從傳感器信號頻譜內(nèi)采集波形參數(shù)組成輸入特征，再以隨機方式對樣本實施訓練。畢長波[5]主要研究了通過遺傳算法在全局范圍內(nèi)搜索BP神經(jīng)網(wǎng)絡權(quán)值的過程，由此確定最優(yōu)性能的網(wǎng)絡。但神經(jīng)網(wǎng)絡只能實現(xiàn)“淺層學習”的分析功能，此時需樣本數(shù)據(jù)內(nèi)包含與預測結(jié)果存在緊密關聯(lián)的輸入特征才可以獲得優(yōu)異的模型性能，并不能滿足深度挖掘的要求，王國峰[6]通過深度學習方法從樣本中提取出趨勢性特征，再以粒子濾波修正的方法來提升模型的魯棒能力。采用DBN方法準確提取出輸入語音信號的有效頻譜信號，在情感識別方面表現(xiàn)出了優(yōu)異綜合性能。根據(jù)以上研究結(jié)果，本文選擇Dropout優(yōu)化DBN預測刀具的磨損程度。

1 改進的深度信念網(wǎng)絡

利用單一結(jié)構(gòu)RBM層訓練時，只具備本層網(wǎng)絡權(quán)值優(yōu)化的效果，進行特征向量映射時會形成映射誤差并出現(xiàn)局部最優(yōu)解的結(jié)果，DBN則以圖1的RBM層堆棧進行訓練，可以在學習階段實現(xiàn)權(quán)值W的逐層控制，獲得更優(yōu)的路徑出發(fā)點，同時對特征信息誤差起到弱化作用。對模型進行正向傳播狀態(tài)實施無監(jiān)督訓練的過程中，按照由下往上的順序?qū)?quán)值W進行調(diào)節(jié)直至進入頂層，完成頂層網(wǎng)絡標簽融合后，權(quán)值W發(fā)生雙向傳播，此時對反向傳播過程進行有監(jiān)督訓練，按照由上往下的順序調(diào)節(jié)權(quán)值WT。

圖1 DBN預測網(wǎng)絡整體架構(gòu)

以深度學習模型進行分析時需對大量參數(shù)進行校準，傳統(tǒng)方法通常是選擇網(wǎng)絡組合方法，從而實現(xiàn)網(wǎng)絡集成功能的綜合分析。但進行多模型訓練測試需要耗費大量時間，采用Dropout函數(shù)優(yōu)化DBN訓練過程，不必按照常規(guī)循環(huán)方式中通過重復學習的過程來達到固定神經(jīng)元的效果，對特征檢測器的作用進行限制，從而防止模型對局部特征產(chǎn)生依賴的情況，有效減緩過擬合程度，由此完成正則化的功能。

2 刀具磨損預測實驗驗證

2.1 感知數(shù)據(jù)獲取

當?shù)毒咄Ｖ够剞D(zhuǎn)之后，形成隨機分布的刀具位置后會對檢測結(jié)果造成明顯影響，之前刀具檢測儀器通常是以離線或多角度拍攝模式進行彌補，但這種方式除了會延長運算時間以及占用更多資源以外，也不能對圓周磨損位置與整體進行準確定位與測試。本文根據(jù)惡劣工況下的運行控制過程與難以定位的問題進行分析，設計了一種能夠隔離測試儀器和機臺的雙鏡頭視覺測試方法，同時利用Sunway1400相機來抓取磨損圖像，當鍛床鈑金外殼不需額外加工時。

2.2 刀具磨損狀態(tài)識別

端銑切削加工時采用硬質(zhì)合金四齒立銑刀作為測試對象，再以45＃鋼作為加工材料，選擇三菱M系列CNC系統(tǒng)作為數(shù)控系統(tǒng)，選擇可以兼容三菱系統(tǒng)的COM接口進行參數(shù)采集。

2.3 預測模型框架搭建

控制學習率0.02，將單次訓練的樣本數(shù)控制在32，共進行50次層間迭代，按照圖2進行逐層RBM訓練。

表1 樣本數(shù)據(jù)采集

2.4 結(jié)果與分析

為測試模型的表達性能，采用不同算法進行對比測試。結(jié)果發(fā)現(xiàn)，BP網(wǎng)絡并未達到理想的預測精度，深度BP網(wǎng)絡則獲得了比BP更強學習能力，但缺乏良好的泛化能力，SVM則可以實現(xiàn)穩(wěn)定泛化性能，結(jié)果見圖2。

圖2 預測精度對比

樣本選擇過程對DBN預測精度具有直接影響，當測試集數(shù)據(jù)超出訓練集范圍以外時，將會明顯影響預測精度，與DBN特性相符合，加入Dropout后有助于提升模型學習性能。由于DBN進行特征提取時能夠重構(gòu)得到更優(yōu)權(quán)值，促進網(wǎng)絡預測性能提升的情況下還能夠更快完成特征匹配收斂過程，由表2可知，經(jīng)過優(yōu)化的DBN模型表現(xiàn)出了更穩(wěn)定與準確的預測結(jié)果。

表2 對比模型誤差比較

3 結(jié)論

通過RBM訓練優(yōu)化網(wǎng)絡權(quán)值與偏置量，利用誤差反向算法實現(xiàn)網(wǎng)絡的微調(diào)，使特征提取獲得的高級特征能夠良好匹配預測需求。深度BP網(wǎng)絡則獲得了比BP更強學習能力，但缺乏良好的泛化能力，SVM則可以實現(xiàn)穩(wěn)定泛化性能。當數(shù)據(jù)量持續(xù)升高后，SVM同樣發(fā)生了時耗的明顯增加。經(jīng)過優(yōu)化DBN模型表現(xiàn)出了更穩(wěn)定與準確的預測結(jié)果。