基于机器学习的砂带磨损状态监测方法

技术领域

本发明涉及磨削加工技术领域，尤其涉及一种基于机器学习的砂带磨损状态监测方法。

背景技术

磨削加工精度高、加工后的工件表面质量好，被广泛应用于机械加工，尤其是在精密加工中，通常把磨削加工作为最后一道加工工艺，以保证加工件表面的精度与质量。砂带磨削作为磨削加工中的一种用于提高零件表面光洁度的柔性加工工艺，广泛应用于异形零件的精加工，如航空发动机叶片。然而砂带磨削的材料去除率不确定，受切削磨粒的粒度、高度等多方面的影响。由于磨粒磨损不均匀并且在加工时处于持续磨损的状态，最终会导致刀具失效。随着砂带剩余寿命的临近，被加工件的表面质量和光洁度恶化，即会出现工件灼烧、颤振等现象，使得被加工件的成品率降低。目前在实际生产中，工人们主要是根据被加工件类型、材料和以往的工程经验，判断砂带磨损状态，而这样频繁地更换新刀具必然会增加加工成本，降低生产效率。

因此，亟需一种新的用于判断砂带磨损状态的方法。

发明内容

有鉴于此，本发明提供一种基于机器学习的砂带磨损状态监测方法，其特征在于：所述方法包括如下步骤：

S1：采集磨削过程中产生的振动信号；

S2：构建训练数据集、验证数据集和测试数据集；

S3：构建用于监测砂带磨损状态的模型，所述神经网络模型以振动信号值为输入值，以磨损状态为输出；

S4：将所述训练数据集输入神经网络模型用以训练所述模型，模型完成后，进入下一步；

S5：将所述验证数据集输入训练后的模型，判断训练后的模型的准确率是否高于预设阈值，若是，获得验证后的模型同时进入下一步，若否，则进入步骤S4；

S6：将所述测试数据集输入步骤S5中的验证后的模型，判断验证后的模型是否准确输出砂带磨损状态，若否，则进入步骤S4，若是，则获得监测砂带磨损状态的模型并进入下一步；

S7：实时采集磨削过程中产生的振动信号，并将实时采集的振动信号输入步骤S6中的模型，获得磨损状态。

进一步，步骤S2中测试数据采用如下方法确定：

S21：测量加工件加工后的磨削深度；

S22：确定每次加工过程中工件材料去除率R：

其中，R表示完成一次加工的工件材料去除率，B表示加工砂带的带宽度，△T表示完成每次加工的加工时间，S表示磨削时刀具与工件的加工接触面积，H表示完成每次加工时的磨削深度；

S23：将每一次加工的振动信号、磨削深度和材料去除率，以及与所述振动信号、磨削深度和材料去除率对应的砂带磨损状态组成一组数据；

S24：重复步骤S21至S23直至数据集内的数据达到预设数量；

S25：将步骤S24中的数据集按照预设比例划分为训练数据集、验证数据集和测试数据集。

进一步，所述步骤S1包括采用加速度传感器采集磨削加工件的颤动和机床振动，加速度传感器将采集到的数据信号传输至NI采集系统，由NI采集系统输出振动信号值。

进一步，所述模型包括改进型深度卷积神经网络和支持向量机,所述改进型深度卷积神经网络的输入值为振动信号值，所述改进型深度卷积神经网络输出为工件材料去除率，所述支持向量机的输入数据为所述改进型深度卷积神经网络的输出值，所述支持向量机的输出为砂带磨损状态。

进一步，步骤S5具体包括如下步骤：

S51：判断模型预测的磨损状态与实际磨损状态是否一致，若是，记为准确，反之，记为不准确；

S52：重复步骤S51，直至验证数据集内的数据均验证完毕；

S53：统计准确的数量，并将所述数量除以验证数集内的数据量，其商为验证数据的准确率；

S54：判断数据的准确率是否大于预设阈值，若是，获得验证后的模型同时进入步骤S6，若否，则进入步骤S4。

本发明的有益技术效果：本方法通过采集振动信号，并将振动信号输入通过机器学习方法训练得到的用于预测砂带磨损状态在线监测神经网络模型，实现“端对端”间接检测方法。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本申请的流程图。

图2为本申请的模型的结构示意图。

具体实施方式

以下结合说明书附图对本发明做出进一步的说明：

本发明提供一种基于机器学习的砂带磨损状态监测方法，其特征在于：所述方法包括如下步骤：

S1：采集磨削过程中产生的振动信号；

所述步骤S1包括采用加速度传感器采集磨削加工件的颤动和机床振动，加速度传感器将采集到的数据信号传输至NI采集系统，由NI采集系统输出振动信号值。采集的振动信号来自于磨削加工时被加工件的颤动、机床振动以及一些环境因素。

S2：构建训练数据集、验证数据集和测试数据集；

步骤S2中测试数据采用如下方法确定：

S21：测量加工件加工后的磨削深度；

S22：确定每次加工过程中工件材料去除率R：

其中，R表示完成一次加工的工件材料去除率，B表示加工砂带的带宽度，△T表示完成每次加工的加工时间，S表示磨削时刀具与工件的加工接触面积，H表示完成每次加工时的磨削深度；

S23：将每一次加工的振动信号、磨削深度和材料去除率，以及与所述振动信号、磨削深度和材料去除率对应的砂带磨损状态组成一组数据；

S24：重复步骤S21至S23直至数据集内的数据达到预设数量；

S25：将步骤S24中的数据集按照预设比例划分为训练数据集、验证数据集和测试数据集。将采集到的数据按照6:2:2的比例划分为训练数据集、验证数据集和测试数据集，其中训练数据集占总数据的60％，验证数据集占总数据的20％，测试数据集占总数据的20％。

利用振动信号数据最终对应的材料去除率给输入模型的振动数据“打标签”，让模型知道输入数据对应的实际砂带磨损状态是什么。以材料去除率数值作为标准，把砂带磨损状态分为三个类别，分别是：Ⅰ初期磨损；Ⅱ正常磨损；Ⅲ严重磨损。在本实施例中，材料去除率和磨损状态的对应关系如下：

使用砂带磨床加工工件时，该过程一般属于精加工，工件的磨削深度可直观反映工件加工状态。使用测量工具检测完成一次加工后的磨削深度，将磨削深度代入式子1，可计算得到此次工件的材料去除率。然而，材料去除率的大小可直观反映砂带磨削工件的能力，所以我们可用工件的材料去除率来划分砂带磨损状态。

由于工件所需的磨削深度是与实际加工件以及企业生产要求有关，所以一般是按照实际加工对象设置磨削深度标准。这样从而会影响材料去除率大小以及砂带磨损状态的划分。

以磨削材料为20CrMnTi棒材的外圆为例说明砂带磨损状态划分情况。如下表所示：

使用的加工砂带宽度为10毫米，平均完成一次加工所需时间为44秒。

随机选取了9条加工完成后工件情况记录，如上表所示。能更好地说明砂带磨损状态的划分：当材料去除率大于4，即R>4时，砂带是初期磨损；当材料去除率小于4且大于3，即3

S3：构建用于监测砂带磨损状态的模型，所述神经网络模型以振动信号值为输入值，以磨损状态为输出；所述模型包括改进型深度卷积神经网络和支持向量机,所述改进型深度卷积神经网络的输入值为振动信号值，所述改进型深度卷积神经网络输出为工件材料去除率，所述支持向量机的输入数据为所述改进型深度卷积神经网络的输出值，所述支持向量机的输出为砂带磨损状态。

搭建的一维卷积神经网络与支持向量机相结合的网络结构如图2所示，完成输入数据的特征提取和利用机器学习方法建立振动信号与砂带磨损状态的直接关系。本方法选择的一维卷积神经网络主要包括：输入层、卷积层、池化层与Dropout层，主要目的是对数据做特征提取处理，简化输入数据的复杂程度和筛选数据的特殊之处。如图2所示，输入层是对数据做定长切分处理，减少无效数据与干扰数据的输入量；卷积层1与平均池化层是为了对输入数据做降噪处理，消除冗余数据和不重要的特征，将环境等干扰因素降到最低；卷积层2与最大池化层主要是起到提取主要特征、简化网络计算的复杂度等作用；最后使用Dropout层来解决训练样本少、模型容易过拟合化等问题。

本方法的支持向量机(SVM)是定义在空间上的使不同类别间隔最大化的分类器。在SVM中，将距离超平面最近的点定义为支持向量，希望通过最大化支持向量到分隔超平面的距离来训练SVM，并通过使用不同核函数来进行分类。本发明方法采用的SVM中一对一(one-versus-one，简称OVO)的方式把任意的2类构造为1个分类器，因此有k个类别需要k(k-1)/2个分类器。本发明提出的方法需要将砂带总共分为3种磨损状态，所以一共需要3个分类器。通常采取的这种方法比1对多的方式所用时间更少，效果更好。

把1DCNN的输出端作为SVM的输入端，利用1DCNN提取的振动数据信号特征作为具体输入选项，对特征信号进行OVO式分类，最后由分类器选择最终的输出砂带的三个不同磨损状态，砂带初期磨损Ⅰ的表示代码为[1]，砂带正常磨损Ⅱ的表示代码为[2]，砂带严重磨损Ⅲ的表示代码为[3]，作为输入数据的预测标签。

1DCNN+SVM模型通过输入振动信号数据，最终获得的结果是模型预测的砂带磨损状态，将模型估计的砂带磨损状态(输入数据的预测标签)与输入的振动数据实际对应的砂带磨损状态(输入数据的实际标签)对比，降低模型预测结果与实际结果的偏差，提高模型分类准确性。

S4：将所述训练数据集输入神经网络模型用以训练所述模型，模型完成后，进入下一步；

S5：将所述验证数据集输入训练后的模型，判断训练后的模型的准确率是否高于预设阈值，若是，获得验证后的模型同时进入下一步，若否，则进入步骤S4；

S51：判断模型预测的磨损状态与实际磨损状态是否一致，若是，记为准确，反之，记为不准确；

S52：重复步骤S51，直至验证数据集内的数据均验证完毕；

S53：统计准确的数量，并将所述数量除以验证数集内的数据量，其商为验证数据的准确率；

S54：判断数据的准确率是否大于预设阈值，若是，获得验证后的模型同时进入步骤S6，若否，则进入步骤S4。

把验证数据集作为输入数据，带入到已完成训练的模型中，本文提出模型会根据输入的数据做出预测，输出它认为的该段数据对应的砂带磨损状态。然后与该段数据实际对应的磨损状态对比，若相同，则认为模型判断准确，反之，则认为模型判断不准确。最终统计模型的准确精度，即模型准确率。最终根据识别精度调整模型参数。

验证训练集作为输入，测试经过机器学习方法训练得到的模型准确性，快速调整模型参数和验证模型的泛化能力。当模型对砂带磨损状态分类准确率达到95％以上时，将该模型作为砂带磨损状态监测的最终模型，否则将返回步骤S4继续模型参数优化，多次使用该数据集，直到满足该准确率要求。

S6：将所述测试数据集输入步骤S5中的验证后的模型，判断验证后的模型是否准确输出砂带磨损状态，若否，则进入步骤S4，若是则获得监测砂带磨损状态的模型；

测试训练集作为输入，预测评估获得的最终模型的泛化能力，检验其能否准确的判断出砂带实时磨损状态，最终实现砂带磨损状态的在线监测。

S7：实时采集磨削过程中产生的振动信号，并将实时采集的振动信号输入步骤S6中的模型，获得磨损状态。

反馈砂带实时磨损状态结果给机床操作人员，当砂带磨损状态处于类别Ⅲ严重磨损时，提醒工人更换砂带，最终实现砂带磨损状态监测方法的运用。

上述技术方案，通过采集振动信号，并将振动信号输入通过机器学习方法训练得到的用于预测砂带磨损状态在线监测神经网络模型，实现“端对端”间接检测方法。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。