劉會永 張 松 李劍峰 欒曉娜

1.山東大學(xué)機(jī)械工程學(xué)院高效潔凈機(jī)械制造教育部重點(diǎn)實(shí)驗室，濟(jì)南，2500612.山東大學(xué)機(jī)械工程國家級實(shí)驗教學(xué)示范中心，濟(jì)南，250061

0 引言

自動化加工涉及智能加工工藝規(guī)劃、切削過程優(yōu)化及切削加工過程狀態(tài)監(jiān)測等關(guān)鍵技術(shù)[1]。刀具作為切削加工的直接執(zhí)行者，不僅要具備良好的切削性能以保證加工質(zhì)量和加工效率，還要具備自我感知調(diào)節(jié)的能力[2]。準(zhǔn)確可靠地監(jiān)測刀具磨損狀態(tài)是實(shí)現(xiàn)刀具自我感知調(diào)節(jié)的關(guān)鍵步驟。

大家對此頻頻點(diǎn)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(nèi)外學(xué)者圍繞刀具磨損監(jiān)測做了許多研究，大體上可分為直接監(jiān)測法和間接監(jiān)測法[3]。直接法利用條紋圖形法[4]、光學(xué)圖像法[5]等直接監(jiān)測刀具磨損，但易受到加工條件影響且無法在線監(jiān)測。間接法則是通過提取與刀具磨損相關(guān)的切削力、振動、聲音和電流等信號的隱含特征，利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)建立隱含特征與刀具磨損間的映射關(guān)系監(jiān)測刀具磨損狀態(tài)，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(guān)系數(shù)法進(jìn)行特征篩選后，結(jié)合傳統(tǒng)機(jī)器學(xué)習(xí)方法支持向量回歸(support vector regression，SVR)實(shí)現(xiàn)了車削刀具磨損狀態(tài)監(jiān)測。CHEN等[7]將多源信號和深度學(xué)習(xí)中的深度置信網(wǎng)絡(luò)(deep belief network，DBN)相結(jié)合來監(jiān)測銑削刀具磨損狀態(tài)，并將其與傳統(tǒng)機(jī)器學(xué)習(xí)方法——人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)和最小二乘支持向量回歸(least squares-support vector regression，LS-SVR)法進(jìn)行對比，證明深度學(xué)習(xí)方法監(jiān)測效果更好。曹大理等[8]直接利用深度卷積神經(jīng)網(wǎng)絡(luò)自動提取特征，實(shí)現(xiàn)刀具磨損在線監(jiān)測。間接法主要包括信號采集和數(shù)據(jù)預(yù)處理、特征提取、狀態(tài)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(zhì)量；深度學(xué)習(xí)能夠自動提取特征，但單深度學(xué)習(xí)網(wǎng)絡(luò)可能面臨特征提取不夠全面等問題。將兩個或幾個深度學(xué)習(xí)網(wǎng)絡(luò)相結(jié)合的方法近年來被廣泛使用。

近年來，憑借對復(fù)雜數(shù)據(jù)的優(yōu)異特征提取能力，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)和長短時記憶(long short-term memory，LSTM)網(wǎng)絡(luò)被廣泛應(yīng)用于圖像識別[9]、語言處理等方面，在刀具磨損狀態(tài)監(jiān)測方面也獲得廣泛應(yīng)用[10-11]。CNN可以從復(fù)雜數(shù)據(jù)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(shù)據(jù)。LSTM在處理時序數(shù)據(jù)時性能表現(xiàn)優(yōu)異，但消耗時間相對較長。這兩者結(jié)合可以增強(qiáng)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(shù)據(jù)的分析和處理，被廣泛應(yīng)用于故障診斷[12]、時序預(yù)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(chǎn)生的時序信號十分復(fù)雜。雙向長短時記憶(bidirectional long short-term memory network，BiLSTM)網(wǎng)絡(luò)相當(dāng)于采用兩個LSTM雙向捕獲特征，能更好地提取時序數(shù)據(jù)隱含信息，因此本文將CNN和BiLSTM的優(yōu)勢結(jié)合,建立集成模型并對其進(jìn)行改進(jìn)來監(jiān)測刀具磨損狀態(tài)。傳統(tǒng)CNN和BiLSTM集成模型在提取復(fù)雜數(shù)據(jù)深度特征時表現(xiàn)較差，穩(wěn)定性有待提高。批量標(biāo)準(zhǔn)化(batch normalization，BN)層通過規(guī)范不同網(wǎng)絡(luò)層數(shù)據(jù)，可以增強(qiáng)模型泛化能力，提升模型穩(wěn)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(guān)的特征信息[14]，保證刀具磨損狀態(tài)監(jiān)測精度。

政府采購峰做的技術(shù)性較強(qiáng)，對從業(yè)人員有較高的要求，要做好這項工作，需要從業(yè)人員具備較高的專業(yè)素養(yǎng)。尤其是互聯(lián)網(wǎng)時代的帶來，更是給工作帶來了一定的挑戰(zhàn)。我國政府采購管理專業(yè)教學(xué)，也要結(jié)合當(dāng)前形勢的發(fā)展，明確政府采購管理專業(yè)人才培養(yǎng)的目標(biāo)，結(jié)合社會實(shí)際需求，培養(yǎng)符合要求的綜合素養(yǎng)比較高的人才。

為了簡化刀具磨損狀態(tài)監(jiān)測過程，并自動提取與刀具磨損高度相關(guān)的特征，進(jìn)而提高刀具磨損監(jiān)測精度和穩(wěn)定性，本文將改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)和雙向長短時記憶(improved convolutional neural networks-bidirectional long short-term memory，ICNN-BiLSTM)網(wǎng)絡(luò)集成模型應(yīng)用于刀具磨損狀態(tài)監(jiān)測。首先以CNN-BiLSTM模型為基礎(chǔ)，將BN層加入卷積神經(jīng)網(wǎng)絡(luò)的池化層和激活層之間；然后，在單個BiLSTM基礎(chǔ)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(xué)習(xí)率可以自適應(yīng)的adam優(yōu)化算法來訓(xùn)練模型，實(shí)現(xiàn)刀具磨損狀態(tài)的監(jiān)測。通過銑削加工實(shí)驗來驗證改進(jìn)模型的有效性及改進(jìn)模型在實(shí)際加工中應(yīng)用的可行性。對改進(jìn)模型參數(shù)進(jìn)行尋優(yōu)，并將改進(jìn)模型與CNN-BiLSTM模型和傳統(tǒng)深度學(xué)習(xí)模型進(jìn)行對比。

1 ICNN-BiLSTM刀具磨損監(jiān)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(xiàn)出周期性、非平穩(wěn)等特點(diǎn)，蘊(yùn)含著大量噪聲。小波閾值降噪首先選擇小波母函數(shù)將信號進(jìn)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(shù)，最后用逆小波變換重構(gòu)有用信號，完成信號降噪，在非平穩(wěn)信號降噪處理上展現(xiàn)了極大的優(yōu)勢并得到了廣泛應(yīng)用[15]。不同小波母函數(shù)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(shù)，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(biāo)，利用啟發(fā)式閾值方法量化閾值，對信號數(shù)據(jù)進(jìn)行三層分解降噪。

不同類型信號在不同小波母函數(shù)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(yè)集團(tuán)層面的混合所有制改革是尚需攻克的堡壘。集團(tuán)層面的混合所有制改革是實(shí)現(xiàn)企業(yè)成為具有全球競爭力的世界一流企業(yè)的重要路徑，是整個混合所有制改革的硬骨頭之一。集團(tuán)層面實(shí)施了混合所有制改革，下面的子公司自然會形成全新的機(jī)制，如果只在下屬子公司層面開展混合所有制改革，集團(tuán)層面不動，容易造成沒改的效果。同時集團(tuán)層面的混合所有制改革更能體現(xiàn)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(shù)性能Fig.1 Performance of different wavelet generating functions

由圖1可以看出，兩種小波母函數(shù)的降噪效果基本相同，小波族達(dá)到一定數(shù)量時信噪比趨于穩(wěn)定。綜上，最終選擇sym18小波對三種傳感器信號進(jìn)行降噪，此時，1號刀具第一組數(shù)據(jù)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(shù)據(jù)經(jīng)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(xué)生的作業(yè)是教師應(yīng)該采取的主要辦法。但是短文（書面表達(dá)）寫作不能僅僅理解成個人的行為，因此在教學(xué)中，不應(yīng)總是讓學(xué)生單獨(dú)寫出短文，教師全部批改的模式。首先應(yīng)提倡學(xué)生開展兩人或數(shù)人小組活動?？梢圆扇∫韵麓胧?/p>

(a)1號刀具第一組數(shù)據(jù)Y方向切削力

(b)1號刀具第一組數(shù)據(jù)Y方向振動加速度

(c)1號刀具第一組數(shù)據(jù)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 The structure of convolutional neural network

CNN利用N層卷積、池化提取輸入數(shù)據(jù)特征，將其輸入全連接層，結(jié)合回歸層或Softmax分類器完成預(yù)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(tǒng)的全連接神經(jīng)網(wǎng)絡(luò)，將圖片等轉(zhuǎn)換為二維矩陣格式的數(shù)據(jù)輸入卷積、池化層中進(jìn)行處理，它能快速準(zhǔn)確地提取數(shù)據(jù)空間特征，具有很強(qiáng)的穩(wěn)定性，近年來被廣泛用于圖像識別和故障診斷[17]，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

(3)

訓(xùn)練模型時，根據(jù)損失函數(shù)是否隨著訓(xùn)練次數(shù)增加而減小來判斷損失函數(shù)的收斂性。若其不收斂，則需重新調(diào)整模型參數(shù)，繼續(xù)訓(xùn)練，直至收斂。模型訓(xùn)練過程中通過比較驗證數(shù)據(jù)預(yù)測值和真實(shí)值之間的均方根誤差(root mean square error，RMSE)ERMSE來判斷模型的實(shí)際效果：

1.3 BiLSTM模型

LSTM與循環(huán)神經(jīng)網(wǎng)絡(luò)(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(jìn)行訓(xùn)練[19]，然后連接到同一輸出，提取數(shù)據(jù)前后相關(guān)性特征的能力更強(qiáng)。BiLSTM在處理上下語境聯(lián)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(shù)據(jù)等前后相關(guān)性強(qiáng)的數(shù)據(jù)，其結(jié)構(gòu)如圖4所示。

圖4 BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 The structure of BiLSTM network

隨機(jī)選取3把銑刀共97組實(shí)驗數(shù)據(jù)的80%作為訓(xùn)練數(shù)據(jù)集，20%作為驗證數(shù)據(jù)集。原始切削力、振動和聲音信號數(shù)據(jù)經(jīng)過趨勢項消除、小波閾值降噪等數(shù)據(jù)預(yù)處理操作后，輸入ICNN-BiLSTM模型進(jìn)行訓(xùn)練。模型訓(xùn)練參數(shù)設(shè)置如下：最大迭代次數(shù)為100；梯度閾值為1；每兩次迭代更新學(xué)習(xí)率；驗證頻率為50。訓(xùn)練批量越小，訓(xùn)練消耗時間會相應(yīng)延長，批量大小變化也會影響模型精度，本文采用的是小數(shù)據(jù)集，為削弱批量大小對模型訓(xùn)練結(jié)果的影響，本文將訓(xùn)練批量大小設(shè)置為400，遠(yuǎn)大于數(shù)據(jù)集量。根據(jù)相關(guān)經(jīng)驗，預(yù)先設(shè)置學(xué)習(xí)率為0.01，使用優(yōu)化求解器adam進(jìn)行模型訓(xùn)練。定義真實(shí)值y與模型的預(yù)測值yp的均方差為損失函數(shù)L：

(4)

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

本節(jié)，我們通過實(shí)例驗證所提算法的有效性，所有實(shí)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(nèi)存，操作系統(tǒng)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(jìn)后應(yīng)用到刀具磨損狀態(tài)監(jiān)測中，充分發(fā)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(jié)構(gòu)為基礎(chǔ)，在單個BiLSTM層基礎(chǔ)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(guī)范數(shù)據(jù)分布，增強(qiáng)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(jī)屏蔽部分神經(jīng)元輸出，防止模型過擬合。ICNN-BiLSTM模型網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 ICNN-BiLSTM模型結(jié)構(gòu)Fig.5 The structure of ICNN-BiLSTM model

ICNN-BiLSTM網(wǎng)絡(luò)輸入數(shù)據(jù)是在加工過程中采集到的切削力、振動和聲音信號數(shù)據(jù)。原始數(shù)據(jù)采樣頻率為20 kHz，如果直接將其輸入網(wǎng)絡(luò)中，則參數(shù)量過大，對計算機(jī)的性能要求過高。因此，本文將每組實(shí)驗中的1 s數(shù)據(jù)進(jìn)行小波閾值降噪等預(yù)處理和降采樣后得到2000×7維的數(shù)據(jù)，再轉(zhuǎn)換為10×7×1×200維度的數(shù)據(jù)輸入ICNN-BiLSTM模型中。為提高模型泛化能力，在數(shù)據(jù)輸入改進(jìn)模型之前，需要進(jìn)行標(biāo)準(zhǔn)化處理。本文應(yīng)用Z-score方法進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化：

(5)

式中，xn為歸一化后數(shù)據(jù)；x為原始數(shù)據(jù)；μ為原始數(shù)據(jù)均值；σ為原始數(shù)據(jù)標(biāo)準(zhǔn)差。

經(jīng)過兩次卷積、最大池化和批標(biāo)準(zhǔn)化操作提取數(shù)據(jù)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(jìn)行填充。提取的空間特征經(jīng)過Flatten層后轉(zhuǎn)化為序列數(shù)據(jù)，輸入BiLSTM層中，兩個BiLSTM層的隱含單元數(shù)初始分別設(shè)置為32和16，防止過擬合的Dropout率設(shè)為0.4，最后經(jīng)過兩次全連接層輸入回歸層，全連接層單元數(shù)分別設(shè)置為10和1。

2 驗證實(shí)驗

優(yōu)化器直接影響參數(shù)優(yōu)化速度和模型準(zhǔn)確率，選擇合適的優(yōu)化器可以極大提高模型訓(xùn)練效率。確定改進(jìn)模型隱含單元數(shù)之后，本文選用sgdm、rmsprop、adam優(yōu)化器進(jìn)行對比實(shí)驗，其他參數(shù)保持與上述參數(shù)相同，進(jìn)行10次模型訓(xùn)練，在不同優(yōu)化器下驗證集的RMSE值如圖9所示?？梢钥闯觯瑀msprop和adam優(yōu)化器均具有較高的穩(wěn)定性和精度。rmsprop優(yōu)化器的精度略高于adam優(yōu)化器的精度，但與應(yīng)用rmsprop優(yōu)化器訓(xùn)練模型10次消耗的平均時間167 s相比，adam優(yōu)化器消耗的訓(xùn)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(yōu)化器。

圖6 實(shí)驗原理Fig.6 The principle of experiment

表1 實(shí)驗參數(shù)

表2 實(shí)驗設(shè)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(fù)雜應(yīng)力條件下，會發(fā)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(yán)重，隨著與已加工表面距高變遠(yuǎn)，黏附逐漸減輕，同時切削刃上發(fā)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(qū)域呈現(xiàn)倒三角形，在靠近已加工表面和待加工表面處出現(xiàn)邊界磨損。刀具磨損標(biāo)準(zhǔn)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(shí)驗過程中，后刀面磨損帶的中間部分磨損最為明顯，出現(xiàn)磨損最大值。在整個刀具使用過程中，VBmax呈現(xiàn)出逐漸遞增的趨勢且便于測量，因此本文以VBmax為標(biāo)準(zhǔn)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(jié)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(quán)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(diǎn)路段(特別是臨近居民區(qū)的路段)采用靜音切割工藝(見圖1a))代替?zhèn)鹘y(tǒng)的鎬頭機(jī)破碎工藝。目前應(yīng)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(jī)通過傳動滑輪帶動鋼線圍繞被切割物體高速旋轉(zhuǎn)進(jìn)行切割，具有施工噪聲低、振動小等優(yōu)點(diǎn)。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(tǒng)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(shù)據(jù)通道數(shù)；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(xùn)練或驗證樣本數(shù)量。

若RMSE值較大，則模型可能存在過擬合等情況，模型需要進(jìn)行重新訓(xùn)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(nèi)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(nèi)的雜質(zhì)和氣泡，避免由于油內(nèi)的雜質(zhì)和氣泡的漫反射妨礙視場的鏡檢效果。

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

模型結(jié)構(gòu)參數(shù)對模型精度和魯棒性有重要影響。BiLSTM層是本文重點(diǎn)改進(jìn)的部分，BiLSTM隱含單元數(shù)(numhiddenunits)是ICNN-BiLSTM模型的重要參數(shù)，本文以驗證集RMSE為指標(biāo)，為消除隨機(jī)性的影響，在初始參數(shù)條件下對不同隱含單元數(shù)組合的模型進(jìn)行10次訓(xùn)練，結(jié)果如圖8所示?？煽闯?，兩個BiLSTM層隱含單元數(shù)分別為32和16時，驗證集RMSE值穩(wěn)定在0.007左右，說明模型兼具較高的精度和穩(wěn)定性。因此，本文將兩個BiLSTN層隱含單元數(shù)分別設(shè)置為32和16。

驗證實(shí)驗采用山高公司生產(chǎn)的可轉(zhuǎn)位立銑刀桿和涂層硬質(zhì)合金可轉(zhuǎn)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(jìn)行拍照，共獲得相同切削參數(shù)下3把銑刀的磨損值數(shù)據(jù)。主要實(shí)驗參數(shù)及設(shè)備見表1和表2。

為保持1∶250 000 DLG數(shù)據(jù)的現(xiàn)勢性，實(shí)現(xiàn)重要要素與云南省地圖院2017版1∶50 000 DLG數(shù)據(jù)更新一致，滿足各類地圖編制、“天地圖·云南”建設(shè)、專題地理信息系統(tǒng)開發(fā)應(yīng)用、應(yīng)急測繪保障服務(wù)及社會各行業(yè)對全省性基礎(chǔ)地理數(shù)據(jù)的應(yīng)用。云南省地圖院于2017年12月啟動了1∶250 000DLG數(shù)據(jù)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(shù)據(jù)更新重點(diǎn)介紹了上述4種要素的具體更新方法。

電感式編碼器由轉(zhuǎn)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(zhuǎn)子繞組為連續(xù)的扇形分布；定子繞組為分段的扇形分布，每段結(jié)構(gòu)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(xù)繞組上加有激勵電信號時，正弦繞組與余弦繞組將產(chǎn)生感應(yīng)電勢，電勢隨轉(zhuǎn)子的相對位置變化呈現(xiàn)正弦或余弦的信號變化，再將變化的信號檢測出后進(jìn)行處理，就可以測出軸轉(zhuǎn)動的信息[6]。電感式編碼器結(jié)構(gòu)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(jìn)模型不同隱含單元數(shù)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(yōu)化器效果對比Fig.9 The effect comparison of different optimizers

學(xué)習(xí)率(learning rate，LR)也是影響模型精度和訓(xùn)練速度的重要參數(shù)，學(xué)習(xí)率RL過大會使權(quán)重更新過快，模型精度和穩(wěn)定性變差，學(xué)習(xí)率過小會減緩學(xué)習(xí)速度，同樣影響模型效果。在不同學(xué)習(xí)率下同樣對模型進(jìn)行10次訓(xùn)練，驗證集的RMSE值如圖10所示?？梢钥闯觯?dāng)學(xué)習(xí)率與模型最初訓(xùn)練參數(shù)相同(為0.01)時，效果最好。因此，本文將改進(jìn)模型的學(xué)習(xí)率設(shè)為0.01。

圖10 不同學(xué)習(xí)率效果對比Fig.10 The effect comparison of different learning rates

3.2 改進(jìn)模型與CNN-BiLSTM模型對比

為探究模型的改進(jìn)效果，將ICNN-BiLSTM模型與未添加BN層和單BiLSTM層的CNN-BiLSTM模型進(jìn)行對比。除分別未添加BN層和單BiLSTM層之外，模型參數(shù)和訓(xùn)練參數(shù)與改進(jìn)模型一致，單BiLSTM層模型隱含單元數(shù)設(shè)為32。對未改進(jìn)模型同樣進(jìn)行10次訓(xùn)練，驗證集的RMSE值如圖11所示，可以看出，與原模型相比，改進(jìn)模型穩(wěn)定性更好且精度更高。

圖11 改進(jìn)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(shí)驗數(shù)據(jù)中提取測試數(shù)據(jù)，采用相同的數(shù)據(jù)預(yù)處理方法對測試數(shù)據(jù)進(jìn)行處理，然后利用上述訓(xùn)練好的各個模型的10組參數(shù)進(jìn)行刀具磨損值預(yù)測。此時以測試集RMSE值作為預(yù)測效果的評價指標(biāo)，10次預(yù)測結(jié)果的RMSE均值和測試消耗時間均值見表3。可以看出，在1、2和3號刀具測試數(shù)據(jù)集下，與未添加BN層的CNN-BiLSTM模型相比，改進(jìn)模型RMSE值分別減小了16%、32%和30%；與單BiLSTM層模型相比，改進(jìn)模型RMSE值分別減小了14%、23%和19%，表明改進(jìn)模型精度得到較大提高。由于模型層數(shù)增加，模型測試時間消耗也會相應(yīng)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(nèi)不會發(fā)生明顯變化，且改進(jìn)模型預(yù)測所消耗時間遠(yuǎn)遠(yuǎn)短于本次實(shí)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(jī)訓(xùn)練改進(jìn)模型并利用其對測試數(shù)據(jù)集進(jìn)行刀具磨損值預(yù)測，預(yù)測效果如圖12所示。

表3 不同模型測試結(jié)果對比

由圖12可以看出，改進(jìn)模型預(yù)測的刀具磨損曲線與實(shí)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(yù)測結(jié)果與實(shí)際值之間會產(chǎn)生一定附加偏差，可以看出改進(jìn)模型的預(yù)測值和刀具磨損實(shí)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(jìn)模型監(jiān)測刀具磨損狀態(tài)的有效性和準(zhǔn)確性。

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

3.3 改進(jìn)模型與傳統(tǒng)深度學(xué)習(xí)模型對比

除了上述研究，本文還將ICNN-BiLSTM模型與傳統(tǒng)的CNN和BiLSTM模型進(jìn)行了對比，后兩者與ICNN-BiLSTM模型的參數(shù)相同，同時，與結(jié)構(gòu)參數(shù)完全相同的CNN-LSTM集成模型進(jìn)行對比。采用相同的訓(xùn)練參數(shù)對上述所有模型進(jìn)行10次訓(xùn)練，驗證集RMSE值見表4。利用相同測試數(shù)據(jù)集進(jìn)行測試，不同數(shù)據(jù)集10次測試的RMSE均值和平均消耗時間見表5。

表4 改進(jìn)模型與傳統(tǒng)模型驗證集RMSE值

表5 改進(jìn)模型與傳統(tǒng)模型測試結(jié)果對比

由表4可以看出，CNN模型的預(yù)測效果最差，在預(yù)測效果方面BiLSTM模型明顯優(yōu)于CNN模型，這是由于數(shù)據(jù)在本質(zhì)上屬于時序數(shù)據(jù)，而BiLSTM在時序數(shù)據(jù)處理方面具有極大的優(yōu)越性，證明了時序特征與刀具磨損狀態(tài)的高度相關(guān)性。改進(jìn)模型兼顧了數(shù)據(jù)的空間特征和序列特征，與CNN相比，改進(jìn)模型的精度和穩(wěn)定性得到大幅提高；與BiLSTM模型相比，改進(jìn)模型在穩(wěn)定性方面提高明顯，精度方面也有相應(yīng)提高。CNN-LSTM模型雖然存在RMSE最小值，但與改進(jìn)模型相比相差不大，且自身差異較大，穩(wěn)定性差。由表5可以看出，改進(jìn)模型測試結(jié)果明顯優(yōu)于傳統(tǒng)模型和CNN-LSTM模型測試結(jié)果，在時間消耗上雖不盡相同，但對實(shí)際生產(chǎn)影響有限，從而證明了改進(jìn)模型的準(zhǔn)確穩(wěn)定性和可行性。

4 結(jié)論

(1)基于改進(jìn)模型的刀具磨損狀態(tài)監(jiān)測方法，直接利用經(jīng)過預(yù)處理的數(shù)據(jù)實(shí)現(xiàn)刀具磨損狀態(tài)監(jiān)測，與傳統(tǒng)的特征提取和深度學(xué)習(xí)相結(jié)合的刀具磨損狀態(tài)監(jiān)測方法相比，簡化了流程，節(jié)約了資源。

(2)模型的結(jié)構(gòu)參數(shù)對模型精度和穩(wěn)定性有較大影響，合適的模型參數(shù)可以提高模型精確度和穩(wěn)定性，本文通過對部分模型參數(shù)和訓(xùn)練參數(shù)的效果對比選取了改進(jìn)模型的最優(yōu)參數(shù)。

(3)與原模型相比，改進(jìn)模型在精度和穩(wěn)定性方面均獲得較大提高，在不同測試數(shù)據(jù)集上，改進(jìn)模型監(jiān)測效果均提高10%以上；與傳統(tǒng)的深度學(xué)習(xí)模型對比，穩(wěn)定性更強(qiáng)且精度更高，證明了其監(jiān)測刀具磨損狀態(tài)的準(zhǔn)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(jìn)行了實(shí)驗驗證，在后續(xù)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(jìn)模型的刀具磨損在線補(bǔ)償，以服務(wù)于生產(chǎn)現(xiàn)場和實(shí)際加工。