基于GAN 的切削刀具磨損狀態(tài)監(jiān)測方法

鄭 瑋，馬 良

（中航西安飛機工業(yè)集團股份有限公司，陜西西安 710089）

0 引言

隨著金屬切削技術的飛速發(fā)展，對于切削刀具磨損狀態(tài)檢測方法的研究備受關注[1]。通過對切削力信號的采集與分析，將振動信號轉化為向量，得到切削過程中刀具磨損狀態(tài)的數據集，并通過傳感器融合等多種方式對其進行特征分析，發(fā)現(xiàn)其中的內在變化規(guī)律，提高刀具狀態(tài)監(jiān)測的線性相關程度，提升識別效率。

在不同狀態(tài)的特征融合匯總過程中，不同類型的特征信息之間存在干擾。可以將不同的干擾模式結合起來，通過多種特征融合來提升識別與監(jiān)測的準確性，以便將刀具磨損程度保持在一定范圍內，提升加工件表面的質量，保證加工時長，減少對于工件和機床等的損傷，并提高工作人員的工作安全性。

運用監(jiān)測技術可以通過監(jiān)測刀具具體的磨損狀態(tài)及時更換刀具，以此提升工作效率，減少資源浪費[2]。由于對于刀具的使用壽命數據監(jiān)測的樣本數量有限，數據訓練程度差，運用在復雜工況中的數據狀態(tài)監(jiān)測水平較低，使得獲取的樣本精度難以達到預期效果。本文以切削刀具磨損狀態(tài)監(jiān)測為研究對象，運用GAN 方法，結合實際工作情況進行分析研究。

1 切削刀具磨損狀態(tài)監(jiān)測

1.1 刀具磨損特征提取

在刀具切削的過程中，通過時域分析的方法，采集不同刀具在磨損狀態(tài)下的X 方向中的切削力信號，由于波形變化不規(guī)則，為使得提取特征可靠，應采集多個周期的信號[3]。切削過程中，設定主軸轉動頻率特征為f，刀齒經過頻率為fp，其計算公式為：

其中，N 為主軸轉速；Z 為刀具齒數。

在采樣信號中提取時域特征量，得到信號的ASE 值和標準方差值，獲得信號的平均能量和變化程度，其中ASE 和方差的計算公式為：

把信號的時域轉換成頻域，用Y 方向表示動態(tài)信號，提取刀具磨損特征，繪制不同信號的頻譜圖，獲得頻率變化和幅值變化的關系。在刀具切削加工過程中，傳感器收集到的非連續(xù)性信號運用連續(xù)傅里葉變換得到，計算公式為：

式中，f（t）為采集到的信號；F（χ）為頻譜函數；χ為相位參數。

在實際的采集中，信號的長度是有限的，運用離散傅里葉變換進行分析，使得信號序列利用DFT 將信號在頻域匯總離散，變成有限長度的序列。小波分析時窗口面積是固定的，通過時間窗和頻域創(chuàng)將局部進行分析，并且均值保持為0?；〔é眨╰）經過變換得到函數族其中a 為尺度因子[4]。通過在時域內有限的衰減振蕩信號來保持相同的能量。連續(xù)小波獲得變換可以對任意連續(xù)的函數進行變換，設定基函數φ（t）的變量均存在連續(xù)情況，則變換的公式為：

式中，（a，b）為小波系數。滿足相應的條件，小波變換存在反向變換，計算得到反向變換的公式，通過反向變換得到小波系數的初始信號。通過變量b 的變換，實現(xiàn)了窗口在時間軸上的變動，變量a 為窗口的形狀。

為減小小波變換的參數冗余，將小波函數的變量固定在離散點中獲得數值，進行離散化取值。通過不同分辨率的窗口信息設定標準值，得到對應的分解程度。根據提取的頻帶分辨率，求解小波分解的層數。其中分辨率的公式為：

其中，n 為小波分解的層數；FS 為信號采樣頻率。將時域和頻域進行分析，處理采集到的切削信號，提取特征輸入到神經網絡中。

1.2 神經網絡模型的刀具磨損識別

在卷積層中的不同神經元與之前的神經元區(qū)域相接，卷積核通過特定的步長來對數據進行遍歷，通過計算得到權值，將非線性激活函數中的信號進行有效提取，并映射其特征，其中提取特征的公式為：

其中，M 為映射的特征；xii-1為在一定數量內映射的特征；f為獲得的對應函數；b 和w 為權重值。

設定1×2 的卷積核，其滑動步長為1，特征矩陣為1×2。單個卷積層的特征輸出面的計算表達式為：

其中，N 為輸入矩陣維度；m 為卷積核的大?。籶 為項目值；s為移動步長。

如果兩種激活函數兩端無限靠近0 和1，出現(xiàn)梯度彌散[5]。如果特征大于0，則為函數正常形態(tài)。如果輸入特征小于0，則網絡稀疏性增大，減少了網絡擬合，同時運算過程耗時較短。根據特征面對應的卷積層形式，輸入特征維度，提升運算效率，池化層的計算公式為：

其中，Z 為不同層中的輸出映射；down（Z）為采集樣本的過程；βzl為權重。

運用特定池化值進行采樣，通過全連接層使得不同層中的特征信息融合，利用線性方程對特征面進行擬合，并進行分類，將其分類后獲得的模型計算公式為：

其中，f 為特征矢量值；w 為權重矩陣。

在實際工件加工過程中，產生的振動信號通過小波變換得到對應的特征值，并形成相應的特征向量，輸入到神經網絡中，在卷積層進行擴展并映射，采用后通過池化完成連接，分析與處理，識別刀具的磨損狀態(tài)。批量處理數據樣本可以優(yōu)化梯度[6]。如果處理小量樣本，通過全部數據進行學習，能夠快速達到極點。如果處理大量樣本，通過全部數據學習容易陷入局部最優(yōu)。按照要求增加批量處理樣本的程度，降低訓練耗，減少訓練過程中出現(xiàn)大幅波動?？梢栽O定學習率為d，迭代次數為100 次，在小波特征中訓練。通過CNN 模型提取刀具磨損狀態(tài)，采集特征樣本輸入到網絡模型中，確立最優(yōu)模型。

1.3 GAN 法監(jiān)測刀具磨損狀態(tài)

生成對抗網絡，運用生成部分與鑒別部分進行對抗訓練，尋找真實數據維持平衡狀態(tài)。借鑒網絡創(chuàng)建對抗自編碼模型，設定自動生成樣本網絡為G（x），將輸入的刀具磨損特征值x 進行提取，G（z）并重構特征向量z。

網絡判別樣本為F，判別原始正常數據x，若為真，將重構為假。在GAN 網絡中，磨損程度由特征向量z 和重構向量構成，磨損程度的表達式為：

其中score 為磨損程度。

2 實驗測試與分析

2.1 搭建實驗環(huán)境

實驗設備選用某深孔鏜床，刀具為硬質合金YT87 工件，采集設備切削過程中的振動和聲音數據，采集設備及參數見表1。

表1 設備配置參數

根據刀具狀態(tài)將數據分為正常數據和磨損數據。每個數據集中振動信號為6540，噪聲信號為1213。生成磨損狀態(tài)的樣本數據。在GAN 模型中，生成設備和監(jiān)測設備均選用多層全連接神經網絡傳輸模型，其隱含層的神經元數量設定為150 個，生成設備的輸入神經元數量為120 個。模型的學習率定為0.01，批量設定為15 個。進行100 次的數據迭代運算。輸入的噪聲分布區(qū)間為［-1，1］。磨損狀態(tài)數據和樣本數據的比例為1∶2。GAN 模型運用提升梯度來更新參數，提升標準為0.8。訓練數據集并在網絡中學習和測試。

2.2 實驗結果與分析

采集刀具切削過程中的振動信號與噪聲信號，生成對應的數據，將生成數據和采集的真實數據進行判斷，將判斷后的數據集進行訓練。運用訓練好的樣本數據，與真實刀具狀態(tài)數據進行對比。在切削過程中，刀具壽命的計算公式為：

其中，c 為材料相關系數；m、n、p 為壽命系數；v 為主軸轉速；d 為軸向切削深度；f 為每齒進給量。

刀具狀態(tài)檢測結果見表2，其中實驗組運用本文設計的方法的，2 個對照組運用傳統(tǒng)方法。

表2 實驗結果

由實驗結果可知，對照組的監(jiān)測準確率較低，存在生成的對抗網絡不能自動學習原始數據的情況，刀具的監(jiān)測狀態(tài)準確性均在90%以下。而相比于對照組，實驗組的監(jiān)測準確率較高，在對于刀具磨損狀態(tài)數據集的訓練中達到較高精度，增加了學習率，使得數據收斂更有效，提升了測試狀態(tài)數據集的可用性，實現(xiàn)了切削刀具在磨損狀態(tài)下的有效檢測。

為進一步驗證監(jiān)測結果的準確性，得到準確的監(jiān)測數據，利用MATLAB 生成樣本數據的時域與頻域圖，與實際測量數據進行對比（圖1、圖2）。

圖1 時域圖

圖2 頻域圖

從圖1、圖2 可以看出，實測數據樣本與生成的樣本數據在MATLAB 中分布一致，具有較高的重合度，說明狀態(tài)監(jiān)測數據具有較高的準確性。

3 結束語

本文從切削刀具磨損狀態(tài)入手，探究了基于GAN 的切削刀具磨損狀態(tài)監(jiān)測方法。使得刀具磨損狀態(tài)的監(jiān)測更加智能化、實時化，提高了設備刀具監(jiān)測水平，推進狀態(tài)監(jiān)測的信息化發(fā)展。但本方法還存在一些不足，如算法的更新、數據檢測耗時、整體轉化性等問題，仍需進一步完善計算方法，優(yōu)化監(jiān)測與采集功能。提出針對不同環(huán)境因素干擾的抑制方法，促進監(jiān)測方法的應用與實現(xiàn)，通過多角度監(jiān)測磨損數據，實現(xiàn)對切削刀具磨損狀態(tài)的監(jiān)測。