基于度量学习的车削加工刀具磨损状态监测方法与流程

本发明涉及机械领域，尤其涉及一种基于度量学习的车削加工刀具磨损状态监测方法。

背景技术：

据统计，因刀具问题而导致的故障占了总故障的22.4％，实际生产中工人都是以自己的经验来判断刀具的磨损状态，比如加工工件的个数和加工时间、加工工件的表面质量和加工噪声情况以及切屑的形成。这就会存在一些问题：刀具未到使用寿命就换刀，造成道具成本增加；刀具磨损严重才换刀影响工件加工精度，甚至损坏工件和机床。应用智能化的刀具磨损状态监测技术十分必要。

目前刀具磨损状态监测技术主要分为：基于切削力信号的刀具磨损状态监测，基于声场信号的刀具磨损状态监测，基于振动信号的刀具磨损状态监测和基于机器视觉的刀具磨损状态监测。但由机械加工过程是一个不稳定的非线性过程，刀具磨损和刀具材料、工件材料、加工条件等都有很大的关系。通过采集传感器信号，在一种切削条件下所提取的特征向量，很难广泛应用于判断相同加工方法的其他切削条件下刀具磨损状态，而实际加工中对应着无数的加工条件，这就导致了模型的泛化能力不够。

因此，迫切需要研究出一种判别准则直观、方便、并能适用于多种工况的刀具磨损状态监测方法。

技术实现要素：

针对上述问题，本发明的目的在于提供一种通过在度量学习的数学模型基础上，增加特征提取网络和attention机制，用于提取图像中的刀具磨损特征和更好的衡量特征向量之间的相似性，并且结合神经网络的前向传播和后向传播，使改进的模型具有神经网络思维的方式以解决算法复杂度较高、辨识实时性和准确率较低等问题的基于度量学习的车削加工刀具磨损状态监测方法。

本发明采用的技术方案如下：

本发明所提出的基于度量学习的车削加工刀具磨损状态监测方法，包括如下步骤：步骤s1：采集车削加工刀具的磨损图像，将采集的磨损图像进行图像预处理，并按比例随机分成训练集和测试集，其训练集和测试集中都划分有支持集和测试样例集；步骤s2：建立非参数化神经网络模型结构，其中包括：特征提取网络、距离度量函数和attention机制；步骤s3：搭建特征提取网络模型，利用多层卷积层来提取图像中的刀具磨损特征，再通过全连接层输出一个尺寸为3的特征向量；这样支持集和测试样例就通过特征提取网络分别得到了尺寸为3的特征向量集合和一个特征向量；步骤s4：初始化特征提取网络模型权重、偏差、学习率和迭代步数等，并构建适合的激活函数；步骤s5：构建距离度量函数，分别计算测试样例的特征向量与支持集的特征向量集合中的特征向量的距离；步骤s6：通过attention机制得到一个向量包括了该测试样例属于3个类别的概率；步骤s7：前向传播计算当前的交叉熵损失并进行后向传播计算其梯度；步骤s8：通过梯度下降法计算参数；步骤s9：输入测试集，采用优化后的参数进行预测和分类辨别，并输出预测准确率。

进一步的，所述步骤s1中，刀具磨损图像分成轻微刀具磨损图像、中度刀具磨损图像和重度刀具磨损图像三类，对应的标签值采用one-hot编码且分别为：轻微刀具磨损设为[0,0,1]，中度刀具磨损设为[0,1,0]，重度刀具磨损设为[1,0,0]；所述图像预处理包括：重置尺寸和高斯滤波。所述的训练集表示为x_train＝(x1,x2,x3,,,,xn)。所述的测试集表示为x_test＝(x1,x2,x3,,,,xi)。所述比例为3:2，即训练集与测试集的比值为n:i＝3:2。其中训练集和测试集都要划分为支持集和测试样例集，支持集包括了3种类别，每个类别都有同样k个数目的样本，其表示为测试样例集包含了3个类别的多个样本，其表示为测试集的划分同训练集。

进一步的，所述重置尺寸是将原图的宽×高，通过算法统一设置成28px×28px大小，表示为(28，28)。并通过高斯滤波的方式对采集到的图像进行降噪处理。

进一步的，所述步骤s2中，非参数化神经网络模型结构是基于度量指标的数学模型。

该模型的概率表示为：其中p是非参数化的神经网络，θ是非参数化神经网络的参数，是的预测标签，s是支持集。此非参数化的神经网络是由特征提取网络、距离度量函数、attention机制组成。特征提取网络包括2个卷积层，2个池化层和一个扁平层，再通过全连接层来提取特征向量。此非参数化的神经网络的输出是属于支持集中每个类所对应的概率。

进一步的，所述步骤s2中，距离度量函数是计算两个向量之间的余弦距离，即分别计算测试样例向量与支持集向量集合中每个向量的余弦距离；所述attention机制使用的是softmax层结构；通过加权平均的方式得到该测试样例属于每个类别对应的概率，其表示为

进一步的，所述步骤s4中，特征提取网络模型的权重、偏差、迭代步数和学习率的具体初始化值为：

(1)其中nx为图像的维度。

(2)b＝0。

(3)α＝0.005，其中α为学习率。学习率决定更新参数的速度，如果学习率过高，可能会超过全局最优值。

(4)δ＝2000，其中δ为迭代步数。

进一步的，所述步骤s7中，交叉熵损失的损失函数为：其中n是类别数，是测试样例属于每个类别输出的概率。

进一步的，所述步骤s8中，通过梯度下降法计算优化参数的具体实施过程如下：

进一步的，所述步骤s9的具体实施过程是：非参数化网络模型中的参数θ经过以上步骤优化后得到θ′，该优化后的模型可以表示为将测试集输入到该优化后的模型中，其输出是测试样例属于每个类别对应的概率，选择最高的概率作为所预测的磨损类别。

本发明与现有技术相比具有以下有益效果：

本发明所提出的基于度量学习的车削加工刀具磨损状态监测方法，在考虑采集图像特征的时候，考虑了图像尺寸和算法数据计算量问题，所提取的特征相比较于基于深度神经网络的刀具磨损状态识别方法能够起到很好的数据降维和加快算法运行时间作用，在比较完整地表达特征的同时，还忽略了那些无关紧要的小特征对刀具磨损状态识别的影响。该方法具有算法实现简单，并且刀具磨损状态识别率高，运行效率高，由于考虑了采集图像的噪声影响，采集完之后，需进行图像高斯滤波，明显减少了计算数据量和提高了识别率，以高效且目的准确的方法得到最终的辨别结果。该方法将图像中的刀具磨损特征提取，利用改进的具有神经网络思维的度量学习方法，通过度量函数来计算样本特征向量之间的相似性，该方法对刀具磨损状态进行三分类，并减少次要图像特征因素的影响，综合以上因素，通过利用改进的度量学习的方法实现了对刀具磨损图像的辨别。

目前大部分的刀具磨损状态监测相关的技术手段都是基于传感器信号的，需要提取信号的特征向量，没有很好的泛化能力；部分技术手段通过基于机器视觉的深度神经网络，必然出现网络训练困难，数据样本量要求大，辨别率较低等情况，而采用本发明方法，可以有效提取并利用图像中的刀具磨损特征信息，通过一种距离度量的方式来计算样本的相似性，从而能够提高刀具磨损状态监测的质量和效率。

附图说明

图1是本发明所提出的基于度量学习的车削加工刀具磨损状态监测方法的流程图；

图2是本发明中非参数化神经网络模型结构示意图；

图3是本发明中卷积神经网络模型结构示意图；

图4是图3的三维结构示意图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

本发明所提出的一种基于度量学习的车削加工刀具磨损状态监测方法，参见图1，具体操作流程如下：

步骤s1：采集车削加工刀具磨损图像，为了模型最后能将磨损状态分类，需要进行手动标记标签即新建文档，存储图像名和所对应的数字(标签类型为：轻微磨损为数字0，中度磨损为数字1，重度磨损为数字2)。将标签值采用one-hot编码且分别为：轻微刀具磨损设为[0,0,1]，中度刀具磨损设为[0,1,0]，重度刀具磨损设为[1,0,0]；以3：2的比例划分为训练集和测试集，训练集表示为x_train＝(x1,x2,x3,,,,xn)。测试集表示为x_test＝(x1,x2,x3,,,,xi)。n:i＝3:2。再分别将训练集和测试集都划分为支持集和测试样例集，支持集包括了3种类别，每个类别都有k个数目的样本，其表示为测试样例集包含了3个类别的样本，其表示为测试集的划分同训练集。并将所有样本图像进行预处理，图像预处理的具体实施过程如下：重置尺寸：将原图的宽×高尺寸设置成28px×28px大小，表示为(28，28)；高斯滤波：对图像进行降噪处理，其函数为：

步骤s2：建立非参数化神经网络模型结构，如图2所示，该模型的概率表示为：其中p是非参数化的神经网络，θ是非参数化神经网络的参数，是的预测标签，s是支持集。此非参数化的神经网络是由特征提取网络、距离度量函数、attention机制组成。

步骤s3：搭建特征提取网络模型，其网络结构如图3所示，利用卷积神经网络自主提取样本的最优刀具磨损特征，将卷积神经网络的输出通过一个全连接层扁平化，得到一个大小为3的特征向量，其分别对应所属的三个类别。其具体实施过程如下：

第一层为卷积层，网络输入原始图像的压缩图像，其尺寸为28*28*1。卷积核尺寸为3*3，深度为32，激活函数是relu。

第二层为池化层,采用最大池化算子,网络输入的特征图尺寸为28*28*32，过滤器尺寸为2*2。

第三层为卷积层，网络输入的特征图尺寸为14*14*32，卷积核尺寸为3*3，深度为64，激活函数为relu。

第四层为池化层,采用最大池化算子,网络输入的特征图尺寸为7*7*64，过滤器尺寸为2*2。

第五层是扁平层，输出为3136个参数的特征向量。

第六层是全连接层，采用softmax分类器，输出为3个参数的特征向量。

网络各层的深度如图4所示，且本发明使用relu作为激活函数，其函数表达式为：

步骤s4：初始化特征提取网络模型权重、偏差、学习率和迭代步数参数，并构建适合的激活函数。

(1)其中nx为图像的维度；

(2)b＝0；

(3)α＝0.005，其中α为学习率。学习率决定更新参数的速度，如果学习率过高，可能会超过全局最优值；

(4)δ＝2000，其中δ为迭代步数。

步骤s5：构建距离度量函数，分别计算测试样例特征向量与支持集特征向量集合中每个特征向量的余弦距离，作为一种相似性度量指标，距离度量函数可以表示为：

其中表示测试样例，xi表示支持集样本(i＝0、1、2),f是嵌入函数，即用来提取特征向量。

步骤s6：构建attention机制，使用的是softmax层结构，其可以表示如下：

经过attention机制得到的是权重，分别为a⁰、a¹、a²，而每个类别的标签分别为y⁰＝(0,0,1)、y¹＝(0,1,0)、y²＝(1,0,0)。经过加权求和得到一个尺寸为3的向量，分别对应着测试样例在3个类别上的概率值，选取最大概率值对应的类别作为所预测的类别。

步骤s7：得到的概率向量与对应的one-hot标签之间存在误差，求得其交叉熵损失，具体损失函数如下表示：

其中n是类别数(n＝3)，是测试样例属于每个类别输出的概率，并且yi是标签中每个类别对应的值(yi＝0或1)。

步骤s8：通过随机梯度下降的方式来更新优化非参数化神经网络模型的参数θ′。其参数更新方式如下所示：

其中，l(θ)是步骤s7中的交叉熵损失函数，α为学习率。

步骤s9：经过以上步骤，非参数化神经网络模型中的参数θ已经通过训练集得到了优化后的参数θ′，优化后的非参数化神经网络模型可以表示为将测试集输入到该优化后模型中，其测试集中同样包括支持集和测试样例，网络模型输出的是测试样例属于支持集中每个类别对应的概率，选择最高的概率作为所预测的磨损类别，即得到测试集中测试样例所属的刀具磨损状态分类结果。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。