一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113798920A(43)申请公布日2021.12.17(21)申请号202111110014.5(22)申请日2021.09.23(71)申请人大连理工大学地址116024辽宁省大连市甘井子区凌工路2号(72)发明人李宏坤刘博欧佳玉代月帮(74)专利代理机构大连理工大学专利中心21200代理人温福雪(51)Int.Cl.B23Q17/09(2006.01)权利要求书2页说明书5页附图4页(54)发明名称一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法(57)摘要一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法，采集加工过程中机床主轴电机三相电流信号，将其融合成电流有效值并转化为三维矩阵形式生成图片样本，作为VAE‑ELM网络的输入；利用VAE进行无监督训练，保留网络由提取的短序列向量组成的特征信息部分；以无监督预训练阶段获得的特征信息作为有监督网络的初始输入，利用ELM算法对特征进行分类；完成网络的训练后，将测试样本输入到VAE‑ELM模型中，获得结果。本发明可以避免繁杂的数据预处理方法，且不需要剔除摆线铣削加工中空刀部分的信号数据也能够高效准确地识别出变工况条件下刀具的磨损状态，具有识别精度高，鲁棒性强的特点，在实际工程应用中具有重要意义。CN113798920ACN113798920A权利要求书1/2页1.一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法，其特征包括以下步骤：步骤1：样本数据获取和预处理利用闭环霍尔效应电流传感器采集不同刀具磨损状态下机床主轴电机三相交流电信号；将三相交流电信号合成电流有效值；将经过归一化处理后的电流有效值信号进行分割，得到多个等长度的时间序列样本数据，将分割的样本数据转化为三维矩阵形式，生成图片样本；根据得到的多个图片样本与对应的刀具磨损状态组合成为训练集和测试集；步骤2：搭建变分自动编码器模型变分自动编码器模型主要由编码器模块、解码器模块和输出模块三部分组成；编码器模块包括输入层、卷积层、ReLu激活层和全连接层；解码器模块包括输入层、反卷积层和ReLu激活层；编码器模块以全连接层作为输出层，输入至解码器模块后，通过反卷积和ReLu激活操作实现输入信息的还原；变分自动编码器模型是建立在贝叶斯理论基础上，通过训练学习输入信息的概率分布，进行输出重构；输出模块由极限学习机组成，产生变分自动编码器模型的输出结果；步骤3：变分自动编码器模型训练；变分自动编码器模型的训练过程分为无监督预训练和有监督识别两个阶段；在无监督预训练阶段，由于VAE网络是建立在贝叶斯理论基础上的网络模型，需要注意“后验失效”现象，用变分分布q(Z|X)去估计后验；因此输入样本，以证据下界ELBO作为目标函数函数对步骤2搭建的网络的编码器模块和解码器模块进行无监督训练；证据下界表示为：ELBO＝Eq(Z|X)[logp(X|Z)]‑DKL(q(Z|X)||p(x))其中，第一项Eq(Z|X)[logp(X|Z)]称为重构似然，即使用变分分布q(Z|X)推断的隐变量样本z的似然函数p(X|Z)的log极大似然；第二项DKL(q(Z|X)||p(x)则代表变分分布q(Z|X)与概率分布p(x)间的KL散度；在VAE网络中，希望获得最大的ELBO，也就是希望ELBO的测试损失值最小；在无监督预训练阶段结束以后，以训练后的解码器模块的输出作为网络输出块的输入，输出模块主要是极限学习机结构，其损失函数表示为：其中，βi表示输出权重，Wi表示输入权重，bi表示隐藏层偏差，Xj表示第j个数据样本，tj表示与第j个样本对应的标签；在变分自动编码器模型的训练过程中，使用批处理的方法分批对样本数据进行训练；批处理大小选定为64；每批样本结束训练以后，记录模型的ELBO损失值和识别准确率，以此作为变分自动编码器模型训练识别效果的判断依据；在训练过程结束以后，选定损失值最小，识别准确率最高的模型作为最终模型；步骤4：采用步骤3获得的最终模型进行监测；按照步骤1的方式进行数据采集和预处理，获得时间序列样本；将由时间序列样本转换成的图片样本输入到最终模型中获得当前时刻的刀具磨损状态。2CN113798920A权利要求书2/2页2.根据权利要求1所述的基于变分自动编码器与极限学习机的刀具磨损状态监测方法，其特征在于，网络输入的大小为[144256]，隐藏层维度为20，训练epoch为400；图片样本大小为180*320*3；其中，隐藏层包括编码器模块和解码器模块。3CN113798920A说明书1/5页一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法技术领域[0001]本发明属于高速铣削加工技术领域，涉及到刀具磨损状态监测问题，具体为一种基