[发明专利]一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法

权利要求书

1.一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法，其特征在于，步骤如下：

第一步，加工过程中振动信号采集

将三轴加速度传感器安装在主轴靠近刀柄位置处，采集数控机床加工过程中主轴的三向振动信号，从该三向振动信号中截取机床负载时的振动信号；

第二步，零件表面粗糙度与刀具磨损的测量

利用测量设备检测零件表面粗糙度以及刀具磨损情况；零件表面粗糙度测量时，先将零件表面以取样长度为标准进行等间隔划分，在每个区间测得一个粗糙度值，并按照粗糙度大小划分零件表面质量合格与否；刀具磨损情况检测，每隔固定的切削距离检测刀具磨损情况，并以刀具有无明显磨损与破损将刀具分为正常、磨损和破损三种状态；最后，以每个取样长度对应的振动数据长短为标准等间隔划分采集的加工过程振动数据，并将表面粗糙度标签和刀具磨损状态标签与划分后的振动数据分别对应；

第三步，样本扩充并提取特征

(1)样本扩充

根据式(1)对采集到的振动信号添加M种程度的高斯白噪声；

式中：为原始振动信号，s为样本索引，k是不同强度参数，i＝1,2,...,M用于控制不同的噪声水平，σ是样本的标准方差；加噪后，每一个样本扩展为M+1组样本样本扩充为：

(2)动态信号特征提取及归一化

本方法根据式(3)～(7)所提取的方差、均方根、峭度、脉冲因子和偏度特征，并对所提取的特征进行归一化处理；

式中：V_i^s(t)为一个样本的振动数据，t为振动数据的索引，N为每个样本包含的数据个数，每个样本的均值；

第四步，基于改进DBN的多任务预测模型的构建与训练

(1)改进的深度置信网络的构建

基于深度置信网络构建深度神经网络A；深度神经网络A由3层受限玻尔兹曼机和一个BP网络构成；其中，受限玻尔兹曼机是基于能量的模型，其联合概率分布由能量函数指定，其能量函数的定义如式(8)所示：

其中，v_α和h_β是可见单元α和隐藏单元β的二进制状态，θ＝{w,b,a}是模型的参数：w_αβ是可见单元α和隐藏单元β之间的权重，b_α和a_β分别是可见单元α和隐藏单元β的偏置，V和H是可见单元和隐藏单元个数；

隐藏神经元的能量为：

同理，可见神经元的能量为：

将输入层至第1层受限玻尔兹曼机记为B1，从第2层受限玻尔兹曼机至输出层记为B2，复制B2并记作B3；将B3与深度神经网络A第1层的受限玻尔兹曼机相连，此时网络结构B2与B3并列排布并与B1相连；根据任务需求设置B2和B3输出层节点的个数即完成对深度置信网络的改进；改进的深度置信网络B由网络结构B1、B2以及B3组成，可实现多任务学习的功能；

(2)改进的深度置信网络的训练

首先采用贪婪算法对深度神经网络A中的各层受限玻尔兹曼机进行无监督预训练，并将训练后深度神经网络A的权重赋给改进的深度置信网络B；然后基于反向传播算法对改进的深度置信网络B进行有监督微调，其损失函数按式(11)进行计算将损失函数调至最优，得到多任务预测模型；

其中，W为多任务模型中的任务总数，λ_j为每个任务所占权重，m为微调样本总量，为实际标签，y_k为预测标签；

第五步，零件表面粗糙度和刀具磨损预测

在实际加工过程中，将采集到的振动数据经预处理后输入至训练后的多任务预测模型中，模型输出零件表面粗糙度和刀具状态；任务1：零件表面粗糙度合格时输出1，否则为0；任务2：刀具未磨损是输出0，磨损时输出1，破损时输出2。