[发明专利]一种基于堆叠自编码器的深孔镗刀状态监测方法

权利要求书

1.一种基于堆叠自编码器的深孔镗刀状态监测方法，其特征在于，步骤如下：

第一步，深孔镗削过程中的振动和声音信息采集

将两个三向加速度传感器通过磁座吸附在深孔镗杆的两个保持架轴承上，将传声器放置于工件内孔的一端，对加工过程中的刀杆振动以及切削噪声进行采集；

第二步，振动和声音数据预处理

对三向加速度传感器采集到的数据按照采样频率进行分段，设每段数据为x(n)，对每段数据做快速傅里叶变换：

其中，k＝0,...,N-1；

计算其单侧幅频谱，将幅值低于0.2的数据全部滤掉；将滤波后的数据按照正常、磨钝和断刀三种状态进行分组；

第三步，堆叠式自编码器网络的构建和训练

取相同数量的三种状态下的样本数据做训练集，剩余样本做测试集，训练集和测试集要均包含三种状态下的样本数据；设输入数据为x＝[x₁,x₂,…,x_i]，则自编码器的输入输出关系为：

式中，f(·)表示神经元的激活函数，表示输入层与隐含层的权重，表示隐含层与输出层的权重，示隐含层各神经元的偏置，表示输出层各神经元的偏置；

构造损失函数：

式中，是自编码器的输出数据；α是稀疏惩罚项参数，作用是控制稀疏惩罚项在损失函数当中所占的比重；γ是稀疏性参数；是隐含层第j个神经元的激活度；

利用亚当优化器，最小化损失函数，优化权重w_ij和偏置b：

式中，t为迭代次数；η为学习率；和分别为一阶动量项和二阶动量项；λ₁和λ₂为动力值分别取0.9和0.999；和分别为一阶和二阶动量项的修正值；(w_ij,b)_t表示第t次迭代时的模型权重和偏置；g_t＝ΔJ((w_ij,b)_t)表示t次迭代时代价函数关于(w_ij,b)_t的梯度；∈为常数，避免分母为0，取值很小；

采用贪婪训练法对自编码器进行无监督训练，将训练集输入第一层自编码器，对其进行训练，最小化损失函数Loss，得到最优的权重和偏置；将第一层自编码器的隐层输出作为第二层自编码器的输入，对其进行训练，训练完成后用第二层自编码器的输出对softmax分类器，进行有监督训练，再将训练好的两层自编码器和softmax分类器堆叠起来，得到训练好的堆叠自编码器；训练完毕后，采用剩余测试集对堆叠自编码器进行测试；当测试准确率高于90％时，模型可用于刀具状态的监测；

第四步，深孔镗刀状态的实时监测

在实际加工过程中，将实时数据经数据预处理后输入至训练好的堆叠自编码器网络模型中，模型输出刀具的实时状态；当刀具状态正常时，模型输出为1；当刀具状态为断刀时，模型输出为2；当刀具状态为磨钝时，模型输出为3。