基于深度SSDAE网络的刀具磨损状态识别

郭润兰，尉卫卫，王广书，黄华

使用Chrome浏览器效果最佳，继续浏览，你可能不会看到最佳的展示效果，

确定继续浏览么?

复制成功，请在其他浏览器进行阅读

基于深度SSDAE网络的刀具磨损状态识别 PDF

- ORCID：
郭润兰
✉
- ORCID：
尉卫卫
- ORCID：
王广书
- ORCID：
黄华
✉

兰州理工大学机电工程学院兰州，730050

中图分类号： TH164； V262.3⁺3

最近更新：2024-04-24

DOI：10.16450/j.cnki.issn.1004-6801.2024.02.015

摘要

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题，为提高刀具磨损状态识别模型的鲁棒性与泛化性，提出了一种数据驱动下深度堆叠稀疏降噪自编码（stacking sparse denoising auto‑encoder，简称SSDAE）网络的刀具磨损状态识别方法，实现隐藏在数据中深层次的数据特征自动挖掘。首先，将原始振动信号分解为一系列固有模态分量（intrinsic mode function，简称IMF），并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号；其次，采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别，识别精度达到98%；最后，对网络模型进行实验验证，并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明，所提出的方法能够很好地处理非平稳振动信号，对不同刀具磨损阶段状态的识别效果良好，并具有较好的泛化性能和可靠性。

关键词

深度堆叠稀疏自编码网络; 变分模态分解; K‑最近邻分类器; 自适应特征提取; 状态识别

引言

作为数控机床的“牙齿”，刀具对加工件的加工质量和加工精度起着至关重要的作用。据统计，机床总停机时间的20%源于刀具失效引起的故障停机^［

1］。因此，需要一种可靠的刀具磨损状态识别方法，提高刀具加工效率和利用率，减少加工过程中的故障率。

刀具磨损监测依据测量原理可分为直接法和间接法^［

2］。间接法具有安装方便、不需要停机检测等优点，成为刀具磨损状态监测的主流。近年来，深度学习因具有“端到端”学习特性，在刀具磨损监测领域深受青睐。Xu等^{［参考文献 3

百度学术}3］利用并行卷积神经网络实现了多尺度特征融合，提出了一种基于深度学习的新方法，提高了刀具磨损的预测精度。Chen等^{［参考文献 4

百度学术}4］将卷积神经网络与双向长短期记忆网络相结合，建立了一种基于整体和局部特征的深度学习方法，提高了刀具磨损预测的准确性。Sun等^{［参考文献 5

百度学术}5］利用加工过程中获得的原始信号，建立了残差卷积神经网络，实现了加工过程中刀具状态监测。郭宏等^{［参考文献 6

百度学术}6］在深度卷积神经网络中加入注意力机制，构建了刀具寿命预测模型。吴雪峰等^{［参考文献 7

百度学术}7］利用卷积自动编码器对网络模型进行识别，通过BP算法结合Adam算法对模型参数进行微调，建立了卷积神经网络刀具磨损类型智能识别方法，提高了模型识别率。Li等^{［参考文献 8

百度学术}8］提取振动信号和切削力信号的多域特征，建立了一种多域特征融合的深度可分离卷积神经网络刀具磨损自动预测方法。上述方法在一定程度上能够有效解决刀具磨损预测问题，但仍然存在以下不足：①实际生产环境中存在各种各样的噪声，上述建模方法均在比较理想的环境中采集刀具磨损信号，采集的信号具有针对性和特殊性，在强噪声的环境中将会失效；②在采用时频分析方法进行特征提取时，因需要人为进行参数的选择，大量参数使得训练过程复杂并产生冗余的信息，使刀具实际磨损状态与网络训练磨损状态产生了偏差。

针对以上问题，笔者提出了一种数据驱动下SSDAEN的刀具磨损状态识别方法，并加入了正则化作为优化阶段中损失函数的惩罚项，使输出的低维信号在包含原数据本质特征的同时去除高维信号中的干扰部分，最终将训练得到的特征用于分类识别，可自适应提取数据信息，挖掘深层次的数据特征。首先，利用变分模态（variational modal decomposition，简称VMD）对原始振动信号进行降噪，采用皮尔逊相关系数选取最优IMF，进一步对选取的IMF进行特征提取；其次，应用SSAEN对数据集分别进行自适应特征提取，并将提取后的特征应用K-最近邻分类器进行训练与测试；最后，将模型分类精度与BP神经网络（back propagation neural networks，简称BPNN）、支持向量机（support vector machines，简称SVM）、随机森林（random forest，简称RF）这3种模型精度进行对比，证明该建模方法的有效性和鲁棒性。

1 刀具磨损状态识别模型及理论

刀具磨损状态识别建模分析方式有基于模型的建模方法和基于数据驱动的建模方法^［

9］，其中基于数据驱动的建模方法是一种高效的分析方法^{［参考文献 10

百度学术}10］。笔者提出了一种数据驱动下深度堆叠稀疏降噪自编码网络的刀具磨损状态识别方法，模型框架如图1所示。

图1 模型框架

Fig.1 Model framework

1）信号处理阶段：采集铣刀3个方向振动信号，并利用VMD进行降噪处理，采用皮尔逊相关系数法选取最优固有模态，然后提取时域、频域特征。

2）状态识别阶段：将提取的特征输入网络，训练堆叠稀疏自编码网络；进一步丢弃解码器层，使得隐藏层单元（第1层特征）的激活成为用于训练第2层编码器的输入，从而产生另一个表示（第1层特征）；将训练得到的特征输入k‑最近邻分类器，对刀具磨损状态进行精确识别。

3）结果分析阶段：将SSDAE网络自适应特征提取后采用t‑SNE降维技术可视化，并将K‑最近邻分类器分类识别精度与BP神经网络、支持向量机及随机森林分类识别精度作对比，证明所提方法的可靠性。

1.1　变分模态分解

由于铣削加工过程中利用传感器采集的铣削信号存在大量的噪声，会对刀具磨损状态分析产生影响。VMD是一种新的自适应信号处理方法，对非线性、非平稳信号的处理具有明显的优势。该方法运算效率高，可克服经验模态分解（empirical mode decomposition，简称EMD）中的模态混叠问题，实现信号的准确分离，利用其自身具有的维纳滤波特性可获得更优的噪声滤除效果，所以采用变分模态对采集的原始振动信号进行降噪。

VMD可以将非平稳输入信号 $f$ 分解为k个离散的模态 $u_{k} (k = 1,2, \dots, K)$ ， $u_{k}$ 在频率中的带宽都具有特定的稀疏属性，是一种具有经典维纳滤波、希尔伯特变换和频率混合这3个概念为基础的变分问题求解方法。其中：维纳滤波用于信号去噪；希尔伯特变换用于构造分析信号以获得单边带频谱；频率混合用来将频谱移到基带。为了获得具有紧凑带宽的模态，并要求所有模态总和能够重构输入信号 $f$ ，构造了以下约束变分问题^［

11］

\underset{\{u_{k}\}, \{w_{k}\}}{m i n} \{\sum_{K = 1}^{K} {‖\partial (t) [(\partial (t) + \frac{j}{π t}) u_{k} (t) e^{j w_{k} t}]‖}_{2}^{2}\}

（1）

\sum_{k = 1}^{K} u_{k} (t) = f

（2）

其中： $f$ 为原始信号；u_k（t）为模态函数；w_k为各个模态中心频率。

为了在高斯白噪声存在的情况下将输入的信号完全分解为u_k（t）模态，引入二次惩罚因子 $\partial$ 和拉格朗日因子 $λ$ ，将约束问题转化为无约束优化问题，用交替方向乘子法进行优化求解。二次惩罚项保证信号的重构精度，而拉格朗日乘子保持约束条件的严格性。

1.2　堆叠稀疏自编码网络

堆叠自编码的基本思想是训练SSDAE网络，使输出的低维信号在包含原数据本质特征的同时去除高维信号中的干扰部分，最终将得到的特征进行分类识别。

1.2.1　3层稀疏自编码网络

自编码网络是一种用于数据降维和特征提取的无监督深度学习网络。图2所示为3层稀疏自编码网络，包含1个输入层、1个隐藏层和1个输出层。

图2 3层稀疏自编码网络

Fig.2 Three layer sparse auto-encoder network

数据集X=｛x₁，x₂，…，x_n｝由n个x数据样本组成，隐藏层节点的激活函数h可以表示为

h = f (W^{(1)} x + b^{(1)})

（3）

其中：W^（1）为连接输入层和隐含层的权重；b^（1）为偏差； $f$ 为一个激活函数，笔者采用sigmoid函数。

利用隐含层与输出层之间的连接权值，通过隐含层对原始数据进行重构

\tilde{x} = f (W^{(2)} h + b^{(2)})

（4）

其中： $\tilde{x}$ 为重构数据；W^（2）为隐含层与输出层之间的权值；b^（2）为偏置。

在SAE训练中，分别给权重W^（1），W^（2）和偏置b^（1），b^（2）一个初值。在初始设置的情况下，执行前向传递过程计算隐含层的激活，然后在输出层重构数据。对于数据集中的所有数据x_i（i=1，2，…，n）计算重构误差，以设计SAE网络的总体成本函数，即

\begin{array}{l} J (W, b) = \\ \frac{1}{n} \sum_{i = 1}^{n} (\frac{1}{2} ‖{x_{i} - {\tilde{x}}_{i}‖}^{2}) + \frac{λ}{2} {\sum_{l = 1}^{n_{l} - 1} \sum_{i = 1}^{s_{l}} \sum_{j = 1}^{s_{l} + 1} ({W_{j i}}^{(l)})}^{2} \end{array}

（5）

其中：J（W，b）为优化变量W和b的成本函数；n_l为网络的层数；l为层序数；s_l为网络第l层节点数； $W_{j i}^{(l)}$ 为连接第l层和第（l+1）层的所有权值向量。

对于n_l=3的情况，图2所示的网络中使用1个隐藏层，如果n＞3则包含多个隐藏层。在式（5）中，第1项是数据重构的误差，最小化该项可以生成准确的数据表示；第2项是正则化，限制权值的幅度并防止网络过拟合。参数 $λ$ 用于调整重构误差和网络权值。

在隐藏层中，数据集上第j个节点的平均激活函数表示为

ρ_{j} = \frac{1}{n} \sum h_{j} (x_{i}) (j = 1,2, \dots, s_{l})

（6）

其中：s_l为网络第l层隐含层的节点数。

稀疏参数 $ρ$ 用来限制隐含层的激活，第l层隐含层中所有节点的总体约束表示为

\begin{array}{l} \sum_{j = 1}^{s_{l}} K L (ρ ‖ρ_{j}) = \\ \sum_{j = 1}^{s_{l}} ρ l o g \frac{ρ}{ρ_{j}} + (1 - ρ) l o g \frac{(1 - ρ)}{(1 - ρ_{j})} \end{array}

（7）

其中： $K L (ρ ‖ρ_{j})$ 为Kullback‑Leibler （KL）散度，通过激活节点来逼近具有该约束的给定稀疏参数。

考虑稀疏约束，将SAE的成本函数重写为

J_{s p a r s e} (W, b) = J (W, b) + β \sum_{j = 1}^{s_{l}} K L (ρ ‖ρ_{j})

（8）

其中： $β$ 为调整稀疏惩罚和J（W，b）的参数。

前向传递处理后，按照式（8）计算SAE网络的成本函数。为了最小化成本函数，通过反向传播算法求解 $J_{s p a r s e}$ 对W 和b 的偏导数来更新初始权值和偏差。参数更新后，得到一个训练好的SAE网络。训练后的SAE进行第二轮前向传递，并将隐含层的激活值作为数据降维后提取的特征。

1.2.2　深层稀疏自编码网络

按照对3层架构稀疏自编码所述的训练方法，将原始数据集x输入到第1个SAE网络中，即可训练第1个SAE网络，得到网络权值W₁^（1）和隐含层输出h₁，下标1表示第1层SAE隐含层，即SAE₁。以h₁为输入，训练第2个SAE₂，得到其权值W₂^（1）和隐含层。

生成一系列的SAE网络后，通过叠加这些SAE网络的隐藏层，构建一个更深层次的SAE网络。图3所示为深层稀疏自编码网络，由1个输入层和3个隐含层组成。第k层和第（k + 1）层来自第k个SAE网络，其中k= 1，2，3。第k个SAE的隐含层作为第（k + 1）个SAE的输入^［

12］。

图3 深层稀疏自编码网络

Fig.3 Deep sparse auto-encoder network

1.3　皮尔逊相关系数

皮尔逊相关系数是用于度量2个大小为N的变量A与B之间的相关程度，其值ρ介于-1与1之间。皮尔逊相关系数的计算如下

ρ (A, B) = \frac{1}{N - 1} \sum_{i = 1}^{N} (\frac{A_{i} - μ_{A}}{σ_{A}}) (\frac{B_{i} - μ_{B}}{σ_{B}})

（9）

其中： $μ_{A}$ ， $σ_{A}$ 和 $μ_{B}$ ， $σ_{B}$ 分别为A 和B 的平均值和标准差。

2 实验验证

为了验证笔者所提刀具磨损状态辨识建模方法的有效性，利用2010年故障预测与健康管理（prognostics health management，简称PHM）数据竞赛上公开的高速铣削刀具磨损数据集进行验证^［

13］，铣削过程是用一把球头铣刀在长度为108 mm的端面重复铣削315次完成的。图4为信号采集系统示意图。

图4 信号采集系统示意图

Fig.4 Schematic diagram of signal acquisition system

铣削实验在Roders Tech RFM760立式数控铣床上进行，铣削工件材料为不锈钢HRC52，铣削刀具为三刃球头硬质合金铣刀。实验加工时，每次走刀进给量为0.001 mm，采样频率为50 kHz。实验设备和实验加工参数分别如表1，2所示。

表1 实验设备

Tab.1 Experimental equipment

设备	型号
立式数控机床	Roders Tech RFM760
力传感器	Kistler三分量测力计
振动传感器	Kistler三轴加速度传感器
声发射传感器	Kistler声发射传感器
放大器	Kistler电荷放大器
数采设备	NI DAQ PCI 1200
磨损测量设备	LEICA MZ12
铣削刀具	球头硬质合金铣刀

表2 实验加工参数

Tab.2 Experimental processing parameters

参数	数值
主轴转速/（r · min^-1）	10 400
进给速度/(mm · min^-1)	1 555
y向切削深度/ mm	0.125
z向切削深度/mm	0.2
铣削方式	顺铣
冷却方式	干切
工件材料	不锈钢HRC52

利用Kistler三分量测力计分别采集x，y，z方向的铣削力信号，利用Kistler三轴加速度传感器分别采集x，y，z方向的振动信号，利用Kistler声发射传感器采集铣削过程的高频应力波，总共得到7维传感器信号（x，y，z铣削力信号；x，y，z振动信号；声发射信号）。公开数据给出了C₁，C₄和C₆这3把刀具的全寿命周期的磨损，每把刀具走刀315次，利用显微镜测量刀具3个刃后刀面磨损值，并以三齿刃平均磨损量作为测量铣刀的实际磨损量。

为了尽可能提取到刀具磨损过程中隐含的信号特征，对每次走刀x，y，z方向的前16 000个采样点数据进行特征提取。每次走刀振动信号可提取时域特征14个、频域特征6个，总共提取到时域特征和频域特征20个，3个方向共可获得60个特征，并将其作为特征数据集，具体特征指标如表3所示。

表3 特征指标

Tab.3 Characteristic index

序号	特征名称	序号	特征名称
1	峰峰值	11	峰值指标
2	方差	12	脉冲指标
3	均值	13	裕度指标
4	歪度	14	峭度指标
5	峭度	15	均值频率
6	均方值	16	频谱二阶距
7	方根幅值	17	标准偏差频
8	均方根值	18	峭度频率
9	绝对均值	19	均方根频率
10	波形指标	20	中心频率

3 状态识别

根据刀具磨损的特征，将刀具全寿命周期磨损的过程划分为3个阶段：初期磨损、中期磨损、后期磨损。不同磨损阶段的磨损趋势有较大差异：初期磨损阶段刀具磨损量先急剧后平缓；中期磨损阶段刀具磨损量一直缓慢增加；后期磨损阶段刀具磨损缓慢增加后急剧加快。实际磨损量下的刀具磨损曲线如图5所示。

图5 刀具磨损曲线

Fig.5 Tool wear curve

3个磨损阶段分别用标签1，2，3表示。在实验过程中，刀具总走刀次数为315次。在本研究中根据刀具全寿命实际磨损曲线将第1~50次走刀划分为初期磨损阶段，第51~200次走刀划分为中期磨损阶段，第201~315次走刀划分为后期磨损阶段，最终每把刀具的磨损阶段划分如表4所示。

表4 磨损阶段划分

Tab.4 Division of wear stages

磨损阶段	走刀次数	磨损标签	特征大小
初期磨损	1~50	1	50×60
中期磨损	51~200	2	150×60
后期磨损	201~315	3	115×60

3.1　信号处理

在实验过程中，利用传感器采集的信号多为不均匀的非平稳信号，以C₄刀具x方向振动信号为例，3个阶段原始信号中含有大量的噪声，对刀具磨损状态识别产生了较大的干扰。VMD能够自适应处理信号，利用重构信号获得更加优质的降噪信号，因此采用VMD将原始振动信号进行降噪处理。

笔者采用中心频率法确定模态分解层数，首先通过选择模态数K =2~10进行预分解，当相邻模态的中心频率接近时，被认为过度分解。在这种情况下，最佳分解层数是中心频率接近时前1项的K 值。表5为不同K值下的中心频率。

表5 不同K值下的中心频率

Tab.5 Center frequency under different K values

K值	中心频率/Hz
1 2	25.11 27.2	— 2 970.3	— —	— —	— —	— —
3	25.3	1 013.4	3 224.4	—	—	—
4	24.0	861.5	2 988.3	3 950.8	—	—
5	23.6	797.7	2 281.7	3 190.4	3 991.2	—
6	24.2	769.6	1 304.5	2 363.7	3 813.4	3 996.5

由表5可知，K＝6时存在2个模态的中心频率3 813.7和3 996.5 Hz，两者十分接近，因此将K=5作为VMD分解时的预设数。原始振动信号分解如图6所示。

图6 信号分解

Fig.6 Signal decomposition

因为C₁，C₄ 和C₆这3把刀具是在相同的条件下进行实验，采集的振动信号具有相似的特征，所以利用VMD信号处理时，设置相同的采样点数和分解层数。采样点数为12 000，原始信号分解为5个子序列，每个子序列对应的频率随着频率的增加从IMF₁到IMF₅。IMF₁序列的最低频率反映了原始信号的变化趋势，而IMF₅序列的最高频率反映了原始信号的变化趋势。

将初期磨损、中期磨损和后期磨损3个阶段振动信号经过VMD信号分解后，采用皮尔逊相关系数法选取最优固有模态分量，经过处理后的信号过滤掉了干扰信号，较原始信号更加平稳均匀。与原始振动信号相比，初期磨损和中期磨损信号比较稳定，而后期磨损信号振幅较大。将选取的最优固有模态分量提取时、频域特征作为堆叠稀疏自编码网络的输入。

3.2　网络结构及参数的设置

将经过选取的最优固有模态分量提取时、频域特征作为SSDAE网络的输入，训练网络和进行状态辨识。在第1个SAE网络结构中，经过反复测试将SAE网络结构输入层的节点数设置为1 024，即谱序列的长度。第1层的SAE网络有100个隐含层节点，输出层的节点数为1 000，与输入层的节点数一致。在第2层SAE网络结构中，输入层的节点数为100，隐含层的节点数为20，输出层的节点数为100。将这2个网络结构堆叠在一起便可形成一个深层次的堆叠稀疏自编码网络，即此网络结构有2个隐含层，其系数 $ρ$ 均设置为0.01，2个网络模块中设置调整网络权值的参数 $λ$ 分别为0.07和0.01，稀疏度参数分别设置为20和15，堆叠稀疏自编码网络结构参数如表6所示。

表6 网络结构参数

Tab.6 Network structure parameters

类型	节点数	$ρ$	$λ$	$β$
输入层	1 024	—	—	—
隐含层1	100	0.01	0.07	20
隐含层2	20	0.01	0.01	15

3.3　状态可视化

实验数据中，提取C₁，C₄和C₆在3个方向每次走刀160 000个振动信号数据，前80 000个振动信号为训练集数据，后80 000个振动信号为测试集数据。将提取的2个原始信号数据集分别采用VMD降噪，再利用皮尔逊相关系数法选取最优IMF，然后将选取的最优IMF分量提取时域、频域特征，分别形成60×315数据特征训练集和数据特征测试集。将经过降噪的数据特征分为2组，一组直接采用t‑SNE降维技术可视化，另一组经过堆叠稀疏自编码自适应特征提取后，再采用t‑SNE降维技术可视化。未经过堆叠稀疏自编码网络自适应提取特征可视化结果如图7所示。

图7 特征提取可视化

Fig.7 Feature extraction visualization

由图7可以看到，未经过堆叠稀疏自编码网络自适应提取特征的可视化效果较差，3个磨损阶段状态混叠，未能将刀具磨损3个状态分离。经过堆叠稀疏自编码网络自适应提取特征的t‑SNE降维技术可视化如图8所示。作为无监督学习的方法，堆叠稀疏自编码用于降低特征维数，k‑最近邻分类器用于识别刀具磨损状态。堆叠稀疏自编码器包含1个编码器和1个解码器，是一种无监督的神经网络模型，其增加了一定的稀疏性限制，以避免因为大量隐藏层神经元引起的过度拟合，提高了分类任务的性能。

图8 自适应特征提取信号可视化

Fig.8 Adaptive feature extraction signal visualization

由图8可以看到，刀具初期磨损、中期磨损、后期磨损3个阶段状态均能被很好地分离出来，且3个磨损状态可以很好地聚类，聚类效果明显，这说明堆叠稀疏自编码网络对刀具磨损状态具有很好的识别效果。用于表示模型识别结果的混淆矩阵如图9所示。

图9 混淆矩阵

Fig.9 Confusion matrix

对C₁，C₄和C₆刀具利用笔者所提方法进行状态识别精度混淆矩阵可视化，图9中1~3对应刀具磨损3种不同的状态，纵坐标和横坐标分别表示实际的刀具磨损状态与网络预测的刀具磨损状态。由图9可以看到，振动信号经过降噪，再利用堆叠稀疏自编码网络提取特征，3把刀具的3个状态均能被很好地识别分类，且每个状态的识别精度均在97%以上。对于C₁，C₄和C₆刀具，其x，y和z方向状态识别平均精度分别达到了98%，97.7%和98.3%。整体来说，笔者所提方法对于任何一把刀具都具有较好的适应性能，能够得到良好的状态识别效果。

3.4　刀具磨损状态识别结果及分析

为了证明笔者所提方法的有效性和鲁棒性，选择常用的分类算法如BPNN，SVM，RF与本研究所提的建模方法作为对比进行实验^［

14］。用同样的方法，将经过VMD降噪后的数据采用BPNN，SVM和RF进行状态识别。

分类精度计算公式为

A_{c c} = \frac{T_{1} + T_{2} + T_{3}}{N} \times 100 %

（10）

其中：T₁ 为正确分类标签1的样本数量，T₂ 为正确分类标签2的样本数量；T₃为正确分类标签3的样本数量；N 为样本总数量。

实验结果表明，上述建模方法与本研究所提方法均能很好地识别刀具磨损状态，精度对比如表7所示。

表7 精度对比

Tab.7 Accuracy comparison

建模方法	C₁	C₄	C₆	平均识别精度
BPNN	0.889 0	0.869 8	0.904 7	0.887 8
SVM	0.898 4	0.873 0	0.892 1	0.887 8
RF	0.927 0	0.854 0	0.930 2	0.903 7
SSAEN	0.980 0	0.977 0	0.983 0	0.980 0

相比于BP神经网络，C₁，C₄和C₆刀具状态识别精度分别提高了9.10%，10.72%和7.83%。相比于支持向量机，C₁，C₄和C₆刀具状态识别精度分别提高了8.16%，10.4%和9.09%。相比于模糊神经网络，C₁，C₄和C₆刀具状态识别精度分别提高了5.3%，12.3%和5.28%。总体而言，相比于BP神经网络、支持向量机和随机森林，本研究所提方法平均识别精度分别提高了9.22%，9.22%和7.63%。其中：BP神经网络与支持向量机平均识别精度均为88.78%；随机森林平均识别精度为90.37%；笔者所提堆叠稀疏自编码网络平均识别精度高达98%。综上所述，笔者所提方法在实际生产和加工过程中具有更好的实用性和可靠性。

4 结论

1）采用VMD对原始振动信号进行降噪，降低了非平稳振动信号的复杂度和非平稳性，产生了与刀具磨损具有强相关性的数据降噪样本，具有鲁棒性，对实际加工生产有指导意义。

2）构建了SSDAE网络，不仅克服了因样本数据过少、训练网络不具有泛化性的缺点，还可以从大量的信号中挖掘更深层次的数据特征，避免了人为提取特征过程中信号丢失的问题。实验证明，本研究所提方法刀具磨损状态识别精度高达98%，与常用刀具磨损状态识别方法相比，状态识别精度高出至少7.63%。

3）所提方法仍然受限于单一工况下的状态识别，在今后的研究过程中，应当考虑在不同工况下的刀具磨损状态识别，提高模型的实际利用率和泛化性能。

参考文献

刘辉，张超勇，戴稳.基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型［J］.计算机集成制造系统，2021，27（10）：2801-2812. [百度学术]

LIU Hui，ZHANG Chaoyong，DAI Wen. Milling tool wear prediction model based on stacked sparse denoising automatic codingnetwork and multi-hidden layer back propagation neural network［J］. Computer Integrated Manufacturing Systems，2021，27（10）：2801-2812.（in Chinese） [百度学术]

谢振龙，岳彩旭，刘献礼，等.基于EMD-SVM的钛合金铣削过程刀具磨损监测［J］.振动、测试与诊断，2022，42（5）：988-996. [百度学术]

XIE Zhenlong，YUE Caixu，LIU Xianli，et al. EMD-SVM based tool wear monitoring for titanium alloy milling process［J］.Journal of Vibration，Measurement & Diagnosis，2022，42（5）： 988-996.（in Chinese） [百度学术]

XU X W， WANG J W， ZHONG B F， et al. Deep learning-based tool wear prediction and its application for machining process using multi-scale feature fusion and channel attention mechanism［J］. Measurement，2021，177：109254. [百度学术]

CHEN Y W， ZENG Q G， ZHAO D Y，et al. Tool wear predicti-on using convolutional bidirectional LSTM networks［J］. The Journal of Supercomputing， 2022， 78（12）：810-832. [百度学术]

SUN H B，ZHANG J D，MO R， et al. In-process tool condition forecasting based on a deep learning method［J］. Robotics and Computer-Integrated Manufacturing，2020， 64：101924. [百度学术]

郭宏，任必聪，闫献国，等.基于深度卷积神经网络的刀具寿命动态预测研究［J］.控制与决策，2022，37（8）：2119-2126. [百度学术]

GUO Hong，REN Bicong，YAN Xianguo，et al.Research on dynamic prediction of tool life based on deep convolutional neural networks［J］.Control and Decision，2022，37（8）：2119-2126.（in Chinese） [百度学术]

吴雪峰，刘亚辉，毕淞泽.基于卷积神经网络刀具磨损类型的智能识别［J］.计算机集成制造系统，2020，26（10）：2762- 2771. [百度学术]

WU Xuefeng，LIU Yahui，BI Songze.Intelligent recognition of tool wear types based on convolutional neural networks［J］.Computer Integrated Manufacturing Systems，2020，26（10）：2762-2771.（in Chinese） [百度学术]

LI G F， WANG Y B， WANG J L，et al. Tool wear predictiction based on multidomain feature fusion by attention-based depth-wise separable convolutional neural network in manufacturing［J/OL］.［2022-08‑03］.https：∥doi.org/10.1007/s00170-021-08119-7 [百度学术]

TAO Z R， AN Q L， LIU G Y，et al. A novel metthod for tool condition monitoring based on long short-term memory and hidden Markov model hybrid framework in highspeed milling Ti-6Al-4V［J］. The International Journal of Advanced Manufacturing Technology，2019，105：3165-3182 . [百度学术]

SUN C， MA M， ZHAO Z B，et al.Deep transfer learning based on sparse autoencoder for remaining useful life prediction of tool in manufacturing［J］. IEEE Transactions on Industrial Informatics，2019，15（4）：2416-2425. [百度学术]

CHANG H， GAO F， LI Y， et al. An optimized VMD method for predicting milling cutter wear using vibration signal［J］. Machines， 2022，10（7）：548-566. [百度学术]

徐帆，常建华，刘秉刚，等.基于VMD的激光雷达回波信号去噪方法研究［J］.激光与红外，2018，48（11）：1443-1448. [百度学术]

XU Fan，CHANG Jianhua，LIU Binggang，et al.Research on VMD-based LIDAR echo signal denoising method［J］. Laser & Infrared，2018，48（11）：1443-1448.（in Chinese） [百度学术]

QIN Y Y， LIU X L， YUE C X， et al. Tool wear identification and prediction method based on stack sparse self-coding network［J］. Journal of Manufacturing Systems，2023，68：72-84. [百度学术]

黄华，姚嘉靖，薛文虎，等.基于多域特征联合分布适配的刀具磨损状态识别［J］.计算机集成制造系统，2022，28（16）： 2419-2429. [百度学术]

HUANG Hua，YAO Jiajing，XUE Wenhu，et al.Tool wear status recognition based on multi-domain feature joint distribution［J］.Computer Integrated Manufacturing Systems，2022，28（16）：2419-2429.（in Chinese） [百度学术]

基于深度SSDAE网络的刀具磨损状态识别 PDF

摘要

关键词

引 言

1 刀具磨损状态识别模型及理论

1.1 变分模态分解

1.2 堆叠稀疏自编码网络

1.3 皮尔逊相关系数

2 实验验证

3 状态识别

3.1 信号处理

3.2 网络结构及参数的设置

3.3 状态可视化

3.4 刀具磨损状态识别结果及分析

4 结 论