1、2023 年第 42 卷7 月第 7 期机 械 科 学 与 技 术Mechanical Science and Technology for Aerospace EngineeringJulyVol422023No7http:/journalsnwpueducn/收稿日期:20210712基金项目:四川省科技厅重点研发项目(19ZDZX0055)作者简介:郑华林(1965)，教授，博士，研究方向为智能制造工艺与装备技术，zhl swpueducn郑华林，张冲，何勇采用一维卷积神经网络的铣削振动状态识别 J 机械科学与技术，2023，42(7):1081-1087采用一维卷积神经网络的铣削振动状
2、态识别郑华林1，张冲1，何勇2(1 西南石油大学 机电工程学院，成都610065;2 中国石油集团 川庆钻探培训中心，成都610213)摘要:由于铣削加工中发生颤振会极大地降低工件的加工质量，铣削振动状态的高效与精准辨识一直是颤振研究的热点问题之一。基于 LetNet-5 经典卷积网络提出一维卷积网络模型，直接对时域铣削力信号进行处理与识别，针对信号量较少与数据不均衡等问题，采用重叠-随机协同采样的方法对数据进行处理。应用 T-分布随机邻域嵌入技术可视化模型在训练集上的学习进程并对端到端的学习目标进行验证。对比基于支持向量机与卷积神经网络识别策略，所提方案在测试集上取得了最高的9617%准确率
3、，识别结果表明:该方法相较于对比方法过程简单、识别快速且辨识准确率高。关键词:铣削振动;状态识别;一维卷积神经网络中图分类号:TP18文献标志码:ADOI:1013433/jcnki1003-872820220059文章编号:1003-8728(2023)07-1081-07Identifying Milling Vibration State Using OnedimensionalConvolutional Neural NetworkZHENG Hualin1，ZHANG Chong1，HE Yong2(1 School of Mechanical and Electrical Engi
4、neering，Southwest Petroleum University，Chengdu 610065，China;2 China National Petroleum Corporation Chuanqing Drilling Training Center，Chengdu 610213，China)Abstract:Since the occurrence of chatter in milling may greatly reduce the machining quality of workpieces，theefficient and accurate identificati
5、on of milling vibration state has always been one of the hot issues in chatterresearch Based on the LetNet-5 classical convolution network，a one-dimensional convolution network model isproposed，which can directly process and identify milling force signals in the time domain To solve the problemssuch
6、 as less semaphore and unbalanced data，the overlapping-random collaborative sampling method is adopted toprocess data The T-distribution random neighborhood embedding technology is applied to visualize the learningprocess of the training set model and verify the end-to-end learning objectives Compar
7、ing the recognition strategy ofthe standard support vector machine(SVM)with that of the convolution neural network，the proposed modelachieves the highest accuracy of 9617%on the test set The recognition results show that the proposed model issimple，fast and accurateKeywords:milling vibration;state r
8、ecognition;one-dimensional convolution neural network model在铣削加工过程中，铣削振动状态具有显著的时变特征，可将其划分为稳定铣削、颤振孕育与颤振爆发 3 个阶段。铣削颤振是一种刀具与工件之间相对运动而引起的剧烈振动现象，发生颤振会极大地机 械 科 学 与 技 术第 42 卷http:/journalsnwpueducn/降低加工质量与加工效率1。因此对铣削振动状态进行快速、准确的识别，对后续颤振预警乃至颤振抑制策略的制定具有十分重要的意义。传统铣削振动状态辨识方法通过在频域上进行铣削动力学建模并求解，以对铣削振动状态进行稳定性预测2，
9、但在时变铣削系统等加工情况下，传统颤振预测方法很难获得较好的预测效果。据此，国内外学者借助机器学习等技术对切削状态识别方法进行了广泛研究。Cen 等3 利用瞬间的动态应变信号开发了基于离散小波变换的在线颤振检测算法。谢峰云等4 将测量不确定性量转换为广义区间特征量，并提取颤振的广义区间形式的时频特征来进行识别。近年来，随着人工智能技术的发 展，利 用 卷 积 神 经 网 络(Convolution neuralnetwork，CNN)等基于深度学习模型的方法摆脱了机器学习模型对人工提取特征的依赖，实现端到端学习。王桃章等5 利用变分模态分解-连续小波变换方法构建时频谱图像，利用深度残差卷积模型
10、进行训练，实现了机器人铣削振动状态的精准辨识。Gao 等6 基于残差卷积神经网络对不同切削振动状态进行了识别，取得了比基于 SVM 方法模型更好的辨识效果。Tran 等7 将铣削力信号用连续小波变换生成时频谱图像后，再利用 CNN 中来识别不同铣削振动状态。文献 8 采集振动信号进行短时傅里叶变换得到能量时频谱图，利用 CNN 模型来识别颤振。已有研究表明，基于深度学习和频谱分析的切削振动状态辨识方法存在较复杂的数据处理进程和较高的计算成本，另外在实际加工中难以获得充足的数据来达到深度学习端到端的学习目标，这些都在一定程度上限制了深度学习模型在铣削振动状态辨识中的应用。有鉴于此，采用一种基于一
11、维卷积神 经 网 络 的 模 型(One-dimensional convolutionalneural network，GCNN-1D)直接对时域铣削力信号进行处理与识别，实现铣削振动状态高效和精准辨识，并采用重叠-随机协同采样的方式扩充与平衡数据集，最后通过进行铣削振动状态辨识试验验证了该方法的有效性。1采用 GCNN-1D 的铣削振动状态辨识方法11CNN 基本理论CNN 通常包含卷积层、池化层、全连接层等网络层，卷积层和池化层常用于特征提取与特征降维，而全连接层则用于对提取到的特征实现分类或者回归计算。CNN 相对于传统人工神经网络最大的优势就是引入了局部相关性，权值共享，卷积运算等特
12、性，这使得 CNN 具有了更加强大的非线性表达能力与更低的计算成本9-10。卷积层运算充分利用了这些特性，使其能够从图像中提取到深层次多尺度的特征，以 CNN 第 i 层的计算为例，提取过程为yli=gjxl1j*wlji+bli()(1)式中:yli为网络第 l 层第 i 个特征图;g 为激活函数;xl1j为上一层(即 l1 层)的第 j 个输出特征图;wlji为网络第 l 层的输入与输出连接处的权重参数;bli为第 l 层对应位置的偏置参数。12GCNN-1D 卷积网络辨识LetNet-5 是由 LeCun 在 1998 年提出的经典卷积神经网络11，常应用于二维图像的识别研究。在此基础上
13、，提出采用一维网络层的 GCNN-1D 卷积网络架构，进行一维铣削力信号的振动状态识别研究。并采用全局平均池化层代替网络中全连接层，来减少模型参数量。采用批量归一化层减弱模型对学习率初始化的依赖，有利于加快模型的收敛速度12。全局平均池化层是一种特殊的池化层，它通过将所有通道特征的同一位置的值相加后再求取平均值，以实现各个通道的特征聚合作为输出特征。全局平均池化层在卷积神经网络中常被用来代替全连接层，以减少网络的参数量和降低网络训练中出现的过拟合风险13。批量归一化层是将上一层的输出进行归一化操作后传递到下一层，再进行模型训练，进而加快模型的收敛速度，批量归一化层的计算过程为:x(i)=x(i
14、)E x(i)Var x(i)(2)y(i)=(i)x(i)+(i)(3)式中:x(i)为网络中神经元所在 i 层的输入，x(i)=Wh+b，其中 W 为神经元所在该层的权重参数，h 为上一层神经元的输出，b 为偏置参数;E x(i)为一个输入批次中所有输入的平均值，而Var x(i)则是这个输入批次中所有数据的标准差，即对输入批次数据进行了归一化操作;再利用式(3)引入重构参数(i)和(i)对其破坏掉的学习特征进行重构，使该层网络任能学习到原始数据的特征分布。GCNN-1D 的辨识模型如图 1 所示，其简化表示的网络架构如下:C1-1:S5-32-1 表示第一个卷积层，其中包含宽为 5，通道
15、数为 32，步长为 1 的一维卷积2801第 7 期郑华林，等:采用一维卷积神经网络的铣削振动状态识别http:/journalsnwpueducn/层、批量归一化层与 elu 激活函数层;而 P1-1:M2-2 则表示池化区域大小为 2，步长为 2 的最大池化层;GAP1-1 则表示一个一维全局平均池化层;D1:3-softmax表示用于 3 分类的分类层，且使用 Softmax激活函数。由图 1 可知，随着铣削时域信号不断的输入，网络自动提取铣削力信号的深层特征，最终由网络的分类层完成铣削振动状态的辨识。图 1GCNN-1D 的辨识模型Fig 1Identification model f
16、or GCNN-1D13重叠-随机协同采样的数据处理策略一般地，由于颤振发生的周期相对较短，容易出现颤振孕育阶段的数据量较少(如图 2a)所示)，从而导致各个阶段数据量不均衡的问题。提出重叠-随机协同采样的方法对铣削信号进行处理，如图2b)所示，以铣削稳定阶段为例，固定样本宽度为 k个采样点，任意相邻两个样本之间首尾重叠 0.9k 个采样点，直到当前阶段的采样点全部采样完毕并获得 N 个样本，从而达到了扩增样本的目的。再从 N个样本中随机选择部分样本(M 个)作为该阶段的数据集，从而达到消除数据集不均衡的目的。最终共获得所有铣削振动状态样本数据共 3M 个。图 2数据集划分Fig 2Data set partitioning14采用 GCNN-1D 的铣削振动状态辨识流程铣削振动状态识别时，以 GCNN-1D 卷积神经网络为识别模型，采用有监督学习方式进行模型训练，训练学习过程可描述为前向传递与反向传播两个步骤。前向传递使输入训练样本经过各个网络层得到网络预测值;反向传播则是通过反向传播(Back propagation，BP)14-15 算法将预测值与真实值产生的误差逐层反向传递到达
