1、第 卷第期重 庆 大 学 学 报 年月 ：基于样本扩充与 的刀具状态识别方法董绍江，蒋明佑，罗召霞（重庆交通大学 机电与车辆工程学院，重庆 ；西南交通大学 磁浮技术与磁浮列车教育部重点实验室，成都 ）收稿日期：网络出版日期：基金项目：国家自然科学基金项目（）；重庆市科技创新领军人才支持计划项目（）；重庆市高校创新研究群体（）。（），（），（）作者简介：董绍江（），男，博士，教授，主要研究方向为机电一体化，（）。通信作者：蒋明佑，男，硕士研究生，主要研究方向为智能制造，（）。摘要：针对机床刀具磨损数据稀少与刀具磨损状态识别精度低的问题，提出了一种基于样本扩充与改进领域对抗网络（，）的刀具状态识别
2、方法。首先对机床刀具数据进行两次特征提取，并通过 算法进行样本扩充，解决机床刀具磨损数据量稀少的问题；其次在领域对抗网络（，）模型特征提取器中加入残差块，进一步提取有效特征信息，解决刀具磨损特征微弱的难题；最后将 距离作为目标域与源域的数据分布相似度标准引入 模型，实现对刀具磨损量的精确识别。通过对机床刀具数据的分析与仿真试验验证，证明该方法能够有效地识别刀具磨损量。关键词：刀具状态识别；特征提取；残差块；距离；改进 中图分类号：文献标志码：文章编号：（），（，；，）：，（），（），：；刀具作为机床的重要组成部分，其状态对于产品的加工质量、表面精度及整个设备系统的正常运维具有重要影响。当刀具磨
3、损到一定程度时，如果持续使用，会引起切削力、切削温度及切削振动等明显变化，降低切削性能。美国肯纳金属公司研究表明，刀具的有效检测可避免因刀具损坏导致的工件损坏及设备故障，节约费用。刀具的磨损状态监测是加强刀具智能监测识别能力、提高识别精度、增强泛化性和鲁棒性的重要保障。针对刀具状态监测提出的方法很多，目前常用的刀具状态识别算法有人工神经网络（）、隐马尔可夫模型（）和支持向量机（）等。等将人工神经网络同遗传算法、蚁群算法相结合构建了自适应控制优化系统，有效监测了铣刀的磨损状态；等利用小波包变换和 变换（）实现端铣过程中的颤振识别，提高了加工生产率和零件质量；等利用隐马尔可夫模型和基于切削力的节点
4、平均能量，实现了切削过程中磨损量的预测；等针对球头铣刀提出了一种基于最小二乘支持向量机的刀具磨损识别模型，识别效果较优。以上方法在进行刀具状态识别时通常有两个基本假设：）用于学习的训练样本与测试样本满足独立同分布假设；）具有足够的可训练样本。但是实际的刀具损耗中数据更新迅速，原先可利用的训练样本很快过期，且新数据标注过程繁琐，导致以上两个假设通常很难满足。针对这一问题，等构建了深度迁移网络模型，并以相对熵离散度（）为衡量标准来降低不同刀具特征间的差异；郝碧君等 在原有时频域特征基础上，通过小波包分解来获取新的能量特征以扩充训练数据；对于少量训练数据无法训练出较强泛化能力模型的情况，迁移学习利用
5、与目标数据不同但相关的辅助数据，极大提高了机器学习算法在目标域上的准确率。受上述研究启发，笔者提出了一种基于样本扩充与改进领域对抗网络（，）的迁移学习刀具状态识别方法。通过二次特征提取与 算法扩充样本量；将 距离 作为衡量标准引入模型，提高两个域的分布对称性；加入残差块，在避免梯度爆炸的同时将模型特征提取层加深，进而提高目标刀具磨损识别准确率。基于一次特征的二次特征提取与 样本扩充算法二次特征提取原理本研究中所用刀具数据提取的一次特征包括时域特征、频域特征、时频域特征和时序特征。其中时域特征为绝对平均值、均方根值、歪度峭度值等；频域特征为频域幅值平均值、频域幅值标准差等；时频域特征为能量特征比
6、（即小波包分解后能量集中频段值与全频段能量总和之比）；时序特征为近似熵、自回归系数、傅里叶变换系数等。受数据量影响，一次特征的维度可能无法满足深层数模型的特征提取需求，因此将每个样本的一次特征进行二次特征提取，以扩大特征数量。表为提取的二次统计学特征。表二次统计特征 序号特征序号特征最大值波形指标最小值脉冲指标均方根 歪度指标歪度 峰值指标第期董绍江，等：基于样本扩充与 的刀具状态识别方法续表序号特征序号特征峭度 裕度指标绝对平均 峭度指标方根幅值表中的波形指标反应刀具磨损与崩坏的变化情况；脉冲指标用以监测信号中是否存在冲击；歪度指标是概率密度函数不对称性程度的度量；峰值指标不受振动信号绝对水
7、平所左右，不易出现测量误差；裕度指标和峭度指标对冲激脉冲较为敏感。样本扩充原理受原始数据量影响，原有样本数较少，可能无法满足层数较深的网络训练需求，因此对原始样本进行样本扩充。传统随机过采样采取简单复制样本的策略增加少数类样本，实际并未产生新的样本，且容易产生过拟合。算法 是根据少数类样本分布人工合成新样本添加到数据集中，基于原有样本产生的新样本独立于原始样本，这在一定程度上增加了可迁移样本量。算法新样本点产生如图所示。图 新样本产生 对于少数类样本中的每个样本，以欧氏距离计算它到少数类样本集 中所有样本的距离，得到其近邻（）。根据样本不平衡比例设置一个采样倍率，对于每个少数类样本，从其近邻中
8、随机选择若干个样本。对于每个选出的第个近邻，分别与原样本按照公式（）构建新的样本。（，）。（）基于 距离的数据分布相似性分析利用 距 离 作 为 数 据 分 布 相 似 性 的 标 准 进 行 分 析，在 原 有 模 型 基 础 上 引 入 距 离 用 于 衡 量 两 个 分 布 之 间 的 差 异。相 比 于 离 散 度 和 离 散 度（），即使两个 支 撑集没 有重 叠 或 者 重 叠 很 少，距 离 仍 能衡 量两 个 分布 的相似 度。距离定义如式（）所示：（，）（，）（，）。（）式中：（，）是目标域和源域组合起来所有可能的联合分布集合；对于每个可能的联合分布，可以从中采样（，）得到一
9、对样本和，并计算出这对样本的距离和该联合分布下样本对距离的 期 望 值（，）；在 所 有 可 能 的 联 合 分 布 中 能 够 对 这 个 期 望 值 取 到 的 下 界 （，）（，）就是 距离。神经网络本身具有特征变换的能力，将 距离作为损失值引入 ，通过最小化源域与目标域数据在映射空间下的 距离，得到降维后的特征空间。在该特征空间下，目标域与源域具有相同或者非常相近的数据分布。重 庆 大 学 学 报第 卷 网络算法原理 网络 的目标是把具有不同分布的目标域与源域数据映射到同一特征空间，通过对抗准则使其在该空间上的距离缩小，然后用源域训练好的分类器对目标域数据分类。数据映射过程如图所示。图
10、 网络数据映射过程 网络由特征提取器（）、类别分类器（）和域判别器（）组成。特征提取器和类别分类器共同构成一个前馈神经网络。在特征提取器后面加入域判别器，并通过梯度反转层（，）连接。的网络结构及传播过程如图所示，图中为提取的特征，为分类结果，为类别分类损失值，为域判别损失值。图 网络结构及传播过程 的损失值包含类别分类损失与域判别损失两部分。类别分类损失定义如下：（），）（），（）式中：（，）为输入样本及其标签，为特征提取过程，为类别分类过程。源域上的训练优化目标为：，（，）（，）。（）式中：表示第个样本的类别分类损失；、为特征提取器参数；、为样本分类器参数；（，）为正则化器；为正则化参数，（
11、，）用来防止过拟合。域判别损失定义如下：（），d）d （）（d）（）。（）式中：d为第个样本的二元标签，表示该样本属于目标域还是源域；为域判别器输出。则域判别器训练优化目标为：（，），（，）（，），（）式中：、为域判别器参数，为第个样本的域判别损失，为训练样本量，是目标域样本量的总和。网络模型的总目标函数为：（，）（，）（，）（，）（），（）第期董绍江，等：基于样本扩充与 的刀具状态识别方法式中为总损失值。网络图残差块结构 在原有 基础上进行改进，加深特征提取器网络层数并加入残差块，残差块结构如图所示，图中为网络输入，（）为残差块在第二层激活函数之前的输出，为激活函数。这一改变使特征提取更加深
12、刻，并有效解决了由于神经网络深度增加性能反而下降的问题。残差块的输出为：（）（），（）式中：和为第一、二层网络权重，为激活函数。使用 距离作为新的网络损失值加入模型，这一改变使目标域与源域在映射空间下的分布更接近。将源域与目标域特征提取器的输出作为 距离的计算输入，并将 距离的计算结果作为新损失值加入网络，反向传播更新模型参数的同时优化源域与目标域的数据分布。模型的最终优化目标为：（，）（，）（，），（）式中：（，）为目标域与源域的 距离；为调整后总损失值。模型迭代训练过程中，反向传播更新的最优参数为：（?，?，?，?），（，?，?），（）（?，?），（?，?，?，?，），（）式中：?、?、?
13、、?、?、?分别为调整后的特征提取器参数、样本分类器参数和域判别器参数。跨刀具磨损状态识别模型流程如图所示，图中的为经距离计算后的损失值。图 跨刀具磨损状态识别流程 重 庆 大 学 学 报第 卷试验对比验证采用美国纽约预测与健康管理学会 年高速数控机床刀具健康预测竞赛开放数据（，）和美国航空航天局艾姆斯研究中心铣削数据（）两个数据集进行方法验证。将 试验作为主要试验，试验作为方法迁移的验证试验。试验设置 刀具数据集为试验选用的加工条件及信号采集参数（表）。表 试验参数 主轴转速（）进给速度（）轴向切削深度径向切削宽度采样频率 试验在 数控铣床的刀具进给方向（）、主轴径向（）、主轴轴向（）安装了
14、加速度振动信号传感器，在夹具及工件上安装了测力仪及声发射传感器。试验对把铣刀（、）进行了全寿命周期试验，每把刀具进行了 次铣削加工。采集了、个方向的铣削力信号、三向铣削振动信号和声发射均方根值，共组信号。其中、测量了切削刃的后刀面磨损量，取个切削刃的磨损量均值作为刀具磨损结果，把铣刀的磨损量均值曲线如图所示。根据刀具磨损过程的一般规律 及磨损量均值，将刀具磨损状态分为类。其中小于 时磨损较快，为初级磨损，这一阶段，切削刃与加工表面接触为一条直线，切削应力集中；到 时磨损相对缓慢，为中级磨损，这一阶段，磨损面宽度增加，磨损量呈现均匀增加；大于 时磨损急剧，为过度磨损，这一阶段，刀具由切削转为啃削
15、，温度升高，磨损强度大大加剧。图 刀具磨损量均值曲线 对这把铣刀分别进行了交叉验证：、作为训练集，作为测试集，定义为试验；、作为训练集，作为测试集，定义为试验；、作为训练集，作为测试集，此处定义为试验。试验刀具特征提取提取的特征包括时域、频域、时频域、时序共 种 个特征。在原有 个特征基础上对每个样本的一次特征进行二次特征提取，所提特征如节所述，最终提取 个特征。第期董绍江，等：基于样本扩充与 的刀具状态识别方法采用 算法按比例扩充，以试验为例，原始训练集测试集样本比为 ，将训练集样本按 比例扩充，扩充后各磨损状态样本量为（，），样本量达到 ，扩充后训练集测试集比为 。扩充前后数据在 号、号、
16、号特征维度下的对比结果如图所示。图 样本扩充前后对比 网络参数设计试验使用 机器学习库进行 网络模型设计。使用 优化器进行模型参数更新，学习率为，迭代轮数为 ，随机失活率（）为，激活函数为 ，其中类别分类器与域判别器分别包含层与层全连接层，特征提取器为个卷积池化层与个残差结构的组合。模型参数如表所示。表 模型参数 网络层尺寸步长核个数输出尺寸 重 庆 大 学 学 报第 卷特征提取器的第一卷积层 使用宽卷积核，能有效削弱高频噪声对特征提取的影响，起到抗干扰作用。卷积核尺寸为，步长为，卷积核个数为。每个 包含个残差块，每个残差块包含个卷积层，每层卷积核尺寸、卷积核个数相同，其中第一个残差块卷积层的步长为，其他为。在 层之间加入 层，防止模型过拟合。将两个域的特征提取器输出作为 距离计算的输入，并将此计算结果作为损失值嵌入模型。试验选取、作为对比模型。其中 为层卷积池化层与全连接层组合，为个残差结构与全连接层组合，为未添加残差结构与 距离指标的 模型，对比模型相关参数即为表的各部分参数。试验设计本研究中同时将此方法迁移到 数据集。试验采集了 主轴电机电流信号、主轴电机电流信号、工作台振动信号
