1、机械工程师MECHANICAL ENGINEER网址： 电邮：2023 年第 8 期基于GAF-CNN的刀具磨损程度识别研究孙皓章1，孔繁星1,2，陈娜1，赵紫寅1，李胜男1（1.吉林化工学院 信息与控制工程学院，吉林 吉林 132022；2.海南科技职业大学 机电工程学院，海口 571126）0引言刀具作为工业制造中的重要工具，其磨损程度在生产过程中有着重要影响。当刀具磨损严重时，其加工产品的精度会受到影响，若不及时更换刀具，可能会造成机床停机。但若提前更换未达到更换标准的刀具，又会造成浪费，产生经济损失。所以，刀具磨损程度的研究对于工业生产的生产质量、生产效率、生产效益等方面具有重要意义。
2、刀具磨损领域的研究方法一般分为直接法和间接法1。直接法指对刀具本身直接进行测量的方法，有光学法、放射线法等。间接法是指通过传感器采集在刀具走刀过程中与刀具磨损状态密切相关的物理量，并通过建立其与刀具磨损状态的数学模型以间接获得刀具磨损状态的方法2。间接法所采集的物理量有力信号3、振动信号4、电流信号5、声发射信号6等。在工业大数据时代，工业设备产生大量数据，这些数据对应着不同状态的不同设备。为了更好地应用这些数据，人工智能技术在工业制造领域扮演越来越重要的角色。在刀具磨损研究领域，人工智能技术也参与其中。Cao X等7利用小波帧分解机床主轴振动的原始信号，将其分解为不同带宽和不同中心频率的频带
3、以过滤掉原始信号中的噪声，再将得到的频带转换为二阶矩阵作为输入，通过不同加工条件下的铣削实验证明了该方法的可行性。Zheng G等8提出一种基于数据融合增强LSTM的方法来估计不同切削条件下的刀具磨损值，将铣削过程中采集的振动信号通过分解变换到特征空间，通过邻域成分分析降低特征维数，最后输入选定的特征序列来训练双向LSTM网络并估计刀具磨损值。实验表明，该方法在不同的切削条件下得到的结果优于SVR和RNN的方法。P.J.Bagga等9提出一种基于机器视觉的刀具磨损在线检测算法，通过摄像机获取刀具磨损图像，经过图像预处理、阈值分割和边缘检测识别刀具磨损边界，实现刀具磨损的测量。Dou J等10以
4、切削过程中采集到的力和振动信号为输入，建立不需要经验标签的一个稀疏自动编码器，可以自适应提取信号特征，结果表明该方法可以在线监测不同铣削条件下的刀具磨损情况。在基于卷积神经网络的刀具磨损检测领域，系统输入一般有两种形式，分别为刀具本身的磨损图像11和由传感器在刀具工作过程中采集的与刀具磨损程度相关的一维时序数据，如力信号、振动信号、声发射信号等。在现实中，一方面卷积神经网络更适合处理图像数据12；另一方面，对信号的采集可以在刀具工作期间完摘要：针对刀具磨损的检测需求，提出一种GAF-CNN方法，对铣刀的力信号进行格拉姆角场处理，以铣刀的一维力信号转化的二维图像作为卷积神经网络的输入，进而识别出
5、刀具磨损的3种状态。经过实验，GAF-CNN分别在训练集和测试集得到99%和98%的准确率。最后，将文中实验结果与采用相同数据集并以处理过的时序信号作为输入的其它实验进行对比。对比结果显示，提出的GAF-CNN方法对刀具磨损程度识别有更高的分类准确率，证明了该方法的可行性。关键词：刀具磨损；深度学习；卷积神经网络；格拉姆角场中图分类号:TH 164文献标志码:A文章编号：10022333（2023）08000705Research on Recognition of Tool Wear Degree Based on GAF-CNNSUN Haozhang1，KONG Fanxing1,2，C
6、HEN Na1，ZHAO Ziyin1，LI Shengnan1(1.College ofInformation and Control Engineering,Jilin Institute ofChemical Technology,Jilin 132022,China;2.School ofMechatronics Engineering,Hainan Vocational UniversityofScience and Technology,Haikou 571126,China)Abstract:To meet the requirement of tool wear detecti
7、on,this paper proposes a GAF-CNN method.By processing theforce signal of the milling cutter through the Gramian angular field,the two-dimensional image transformed by the one-dimensional force signal of the milling cutter is used as the input of the convolution neural network,and then the threestate
8、s of tool wear are identified.After experiments,GAF-CNN obtains 99%and 98%accuracy in training set and test setrespectively.Finally,the experimental results in this paper are compared with other experiments which uses the same dataset and uses the processed temporal signals as input.It is concluded
9、that GAF-CNN has certain advantages inexperimental accuracy.Keywords:tool wear;deep learning;convolution neural network;Gramian angular field基金项目：吉林化工学院博士启动基金项目“基于激光辅助加工的化学镀镍材料复合抛光技术研究”（吉化院博基合字2021 第031号）7机械工程师MECHANICAL ENGINEER2023 年第 8 期网址： 电邮：成13，而磨损图像则需要停机获取，这导致对磨损图像的获取难于对信号的采集。为解决这一问题，本文提出一种基于
10、GAF-CNN的刀具磨损检测方法，该方法将铣刀力信号通过GAF（格拉姆角场）转化为二维图像作为输入，再通过卷积神经网络完成对刀具磨损的识别。同时为研究在基于卷积神经网络的刀具磨损识别领域中，将一维时序数据转化为二维图像作为输入和将一维数据直接作为输入对于识别结果的影响，与将一维信号经小波包处理输入到LSTM网络中的实验结果进行对比。1卷积神经网络卷积神经网络是一种前馈的神经网络，包括卷积层、池化层和激活函数。卷积神经网络常用来分析视觉图像。1.1卷积层卷积神经网络是利用卷积核从输入中提取局部特征，实现参数共享。卷积操作即为卷积层从上一层输入的图像中提取特征，然后压缩图像。具体过程为卷积核与图像
11、进行卷积（点乘）来提取图像特征，以获得特征值，创建一个更小的图像表示。图1为卷积过程。假设卷积核每个位置权重为Wij，对应卷积区域每个位置值为Xij，每个卷积区域卷积后输出值为y，b为偏移量，则卷积运算公式为y=h1i=1h2j=1wijxij+b。（1）1.2池化池化操作一般在卷积操作之后。池化层首先可以减少特征矩阵，简化网络，减少运算量，加快运算速度。其次，池化层可以进行特征压缩以提取最重要的特征。总而言之，池化就是去除多余信息，保留重要信息。池化操作主要有两种：一种是平均池化，另一种是最大池化。本研究选用最大池化。1.3激活函数在神经网络中，线性模型无法解决所有分类问题，从数据中学习复杂
12、函数映射的能力更小。激活函数为模型引入非线性因素，增强模型的表达能力。因此激活函数在神经网络中不可或缺。在卷积神经网络中，校正线性单元（ReLU）是最常用的激活函数，因为它的性能比像Sigmoid这样的非线性激活有所提高，计算速度快，并且具有防止消失梯度问题的特性，否则会增加训练时间。ReLu函数的图像如图2所示，数学表达式为 f（x）=max（0，x）。（2）从图2中可以看出，ReLu是取最大值的函数。1.4Vgg16Vgg16由牛津大学提出，在2014年的ImageNet大规模视觉识别挑战中获得了亚军。Vgg16的特点在于全程使用33大小的卷积核。全程使用33卷积的原因是：2个33卷积可以
13、代替1个55卷积，两种方式的感受也相同。卷积的特征图计算公式为O=（I+2PF）/S+1。式中：O为输出特征图大小；I为输入特征图大小；P为填充数量；F为卷积核大小；S为步长。设有1个大小为55的特征图，使用1个大小为55的卷积核处理，步长为1，填充为0。输出的 特 征 图 大 小 为（5+05）1+1=1。过程如图3所示。另有1个大小为55的特征图，前后使用2个大小为55的卷积核处理，步长为1，填充为0。第一次输出的特征图大小为 （5+03）1+1=3，第二次输出的特征图大小为 （3+03）1+1=1，过程如图4所示。经过2个33卷积具有使模型的深度变深、非线性次数增多、模型的学习能力更强的
14、优点。同时，2个33的卷积的参数少于1个55卷积的参数。所以Vgg16中全程使用33卷积。Vgg16的结构如图5所示，Vgg16由5个block、5个maxpooling层、3个全连接层组成。其流程如下：1）输入2242243的图像，经64个33的卷积核作2次卷积，卷积后的图像尺寸变为22422464；2）通过最大池化，池化后的尺寸变为11211264；3）128个33的卷积核作2次卷积，尺寸变为112112128；4）22的最大池化，尺寸变为5656128；5）256个33的卷积核作3次卷积，尺寸变为5656256；6）22的最大池化，尺寸变为2828256；7）512个33的卷积核作3次卷
15、积，尺寸变为2828512；8）22的最大池化，尺寸变为1414512；9）512个33的卷积核作3次卷积，尺寸变为1414512；10）22的最大池化，尺寸变为77512；11）与3层114096、1层111000进行全连接。为减少计算量，更改最后3个全连接层参数。第一个全连接层输入神经元个数为25 088，输出神经元个数为图1卷积过程nmh1h2图2ReLu函数0yx图355特征图由1个55卷积核处理55 filter图455特征图由两个33卷积核处理33 filter33 filter8机械工程师MECHANICAL ENGINEER网址： 电邮：2023 年第 8 期512。第二个全连
16、接层输入神经元个数为512，输出神经元个数为256。第三个全连接层输入神经元个数为512，输出神经元个数为3。2格拉姆角场为实现将一维时间序列转化为二维图像，使用格拉姆角场对输入信号进行处理。2.1格拉姆矩阵设有一组向量V（V1,V2，Vn）。格拉姆（Gram）矩阵是将向量V中的每一对向量的内积所组成的矩阵：。（3）式中，矩阵中的每个元素为向量Vi和Vj之间的向量乘积。2.2格拉姆角场格拉姆角场是将在笛卡尔坐标系下的一维向量通过式（4）缩放至0,1区间，再将笛卡尔坐标系下的序列通过式（5）转换至极坐标系上，将时间序列X转换为极坐标下的?X，最后使用三角函数生成格拉姆矩阵：?xi0=ximin（X）max（X）min（X）；（4）=arccos（?xi），1?xi1，?xi?X；r=ti/N，ti。（5）式中：?xi0为重构后的时间序列；xi为原始时间序列；ti为时间戳；r为半径；N为一个常数因子。根据使用的三角函数和/差的不同，格拉姆矩阵有格拉姆求和角场（GASF）和格拉姆差分角场（GASF）两种形式，其定义分别为：GASF=cos（i+j）=cos（1+1）cos（1+2）cos（1
