技术领域
[0001] 本
发明属于切削加工领域，更具体地，涉及一种基于堆栈稀疏自动编码网络的主轴和工件振动预测方法。
背景技术
[0002] 如今，制造业开始由数字化和信息化向智能化大步迈进，对加工
制造过程的监控是智能制造的核心，如何有效的监测加工状态是世界各国致
力研究和开发的核心领域。
[0003] 切削加工过程中，若想获取加工系统某一子系统的动态
频率响应函数是十分困难的，现有的研究方法多为数学
解析法，或者通过锤击实验获取该子系统的静态响应函数，以静态响应函数近似替代动态响应函数，以求解子系统的输出响应。这两种方法尽管能在一定程度上反映动态频响的部分特性，但各自有各自的缺点，前者的分析计算过程十分复杂，后者直接丢失了动态切削过程对频响的影响。目前，
机器学习和
深度学习算法被广泛应用于工业制造领域，以实现对加工过程的状态监控。这些方法可以通过自身算法特点，对复杂条件下的各种加工状态进行非线性建模和预测且
精度很高，效果很好。
发明内容
[0004] 针对
现有技术的以上
缺陷或改进需求，本发明提供了一种基于堆栈稀疏自动编码网络的主轴和工件振动预测方法，其目的在于，以主轴
电流信号、切削力信号以及切削加工参数作为输入，主轴和工件振动信号作为输出对堆栈稀疏自动编码网络进行训练，得到
预测模型，由该预测模型实现切削加工中的主轴和工件振动信号预测，其可替代动态频率响应函数，在时域和频域上都有很好的效果，能适应各种加工参数组合的工况条件，泛化能力强。
[0005] 为实现上述目的，本发明提出了一种基于堆栈稀疏自动编码网络的主轴和工件振动预测方法，包括如下步骤：
[0006] S1分别获取不同切削加工参数下的主轴电流信号、切削力信号以及主轴和工件实际振动信号，并对主轴电流信号、切削力信号、主轴和工件实际振动信号分别进行降噪预处理，以预处理后的主轴电流信号、切削力信号以及切削加工参数作为输入数据；
[0007] S2将输入数据输入堆栈稀疏自动编码网络的稀疏自动编码网络层，对稀疏自动编码网络层参数进行训练，得到深层时序特征，将该深层时序特征输入堆栈稀疏自动编码网络的全连接层，在已训练的稀疏自动编码网络层参数的
基础上对整个堆栈稀疏自动编码网络进行训练，并得到主轴和工件预测振动信号；
[0008] S3根据主轴和工件预测振动信号与实际振动信号对堆栈稀疏自动编码网络进行调整，同时判断当前的
迭代次数是否达到预设迭代次数，若未达到，则重复S2；否则，完成对堆栈稀疏自动编码网络的训练，由此得到预测模型；基于所述预测模型及切削加工参数、主轴电流信号、切削力信号对主轴和工件振动信号进行实时预测。
[0009] 作为进一步优选的，所述切削加工参数包括切削深度、切削宽度、进给速度和主轴转速。
[0010] 作为进一步优选的，所述S1中，结合切削系统的前八阶模态频率对主轴电流信号、切削力信号、主轴和工件实际振动信号进行时域和频域分析，确定其敏感频段，并通过小波包变换去除敏感频段外的其他频段信号，实现对主轴电流信号、切削力信号、主轴和工件实际振动信号的降噪预处理。
[0011] 作为进一步优选的，通过静态锤击实验获取切削系统的频响函数，通过对频响函数进行模态分解获得切削系统的前八阶模态频率。
[0012] 作为进一步优选的，所述S2具体包括如下步骤：
[0013] S21将输入数据输入堆栈稀疏自动编码网络的稀疏自动编码网络层，对该稀疏自动编码网络层进行贪婪训练，获得编码后的稀疏特征，再对其进行解码，以对该稀疏自动编码网络层参数进行训练；
[0014] S22将训练好的上一稀疏自动编码网络层去除
输出层后，输入下一稀疏自动编码网络层，对该稀疏自动编码网络层进行贪婪训练，获得编码后的稀疏特征，再对其进行解码，以对该稀疏自动编码网络层参数进行训练；
[0015] S23重复S22直至完成对所有稀疏自动编码网络层参数的训练，去除稀疏自动编码网络层的解码层输出深层时序特征；
[0016] S24将该深层时序特征输入堆栈稀疏自动编码
深度神经网络的全连接层，在已训练的稀疏自动编码网络层参数的基础上对整个堆栈稀疏自动编码网络进行训练。
[0017] 作为进一步优选的，所述S21和S22中训练稀疏自动编码网络层参数时，以均方误差、稀疏性约束和权重正则化约束共同构成损失函数。
[0018] 作为进一步优选的，所述S24中训练整个堆栈稀疏自动编码网络时，以均方误差作为损失函数。
[0019] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
[0020] 1.本发明结合经典信号分析和切削加工机理等领域知识，构建切削加工动态频响模型，将有助于解决一些因
位置特殊而导致信号无法测量的系统输出响应监测问题，例如刀尖振动预测、不同加工位置工件表面振动问题等，在航空航天、
汽车、手机制造等涉及大量薄壁零件加工状态监测问题上有重要作用，通过深度学习模型对动态频响的建模，将有助于对刀尖振动状况和被加工工件表面振动状况进行预测，以提前优化相关零件或部位加工工艺，提高工件加工精度和表面
质量，减小因加工工艺或参数不当导致的工件报废等损失，节约成本，提高薄壁零件的加工效率。
[0021] 2.在实际切削加工过程中，使用电流
传感器、测力仪和
加速度振动传感器所测量的电流、力和振动都夹杂着许多噪声，存在多个干扰源，尽管深度学习模型具有很强的非线性拟合能力，但干扰因素的增多和非线性
叠加会使网络收敛速度降低，预测精度下降，训练时间变长，甚至导致模型无法拟合；为提高模型收敛速度和精度，本发明使用了时域和频域分析和小波包
能量特征分析，了解信号在不同加工参数和不同加工位置信号的时域、频域和时频域变化情况；同时为了解子系统的一些固有属性参数，通过静态锤击实验获得了子系统的频响函数，通过模态分解获得其前八阶模态频率，结合模态频率将频响函数、振动信号、力信号和电流信号的
频谱图进行对比，确定了子系统的敏感频段，使用小波包变换去除其他频段信号，使各信号主要信息含量占比获得提升，同时提高了信号的
信噪比。
[0022] 3.训练网络模型时，网络结构和参数需要框定一定的变化范围，以便在训练过程中，通过程序自动调优，寻找最佳的网络结构与最优参数配合，使网络拟合效果达到最佳；深度学习网络最主要的两个问题是过拟合和陷入局部极小值问题，本发明通过稀疏性约束和权重正则化约束以避免网络训练过程中的过拟合问题，同时结合模
块训练和全局调优，其中模块训练加快网络收敛速度，减小训练时间，而全局调优可以在一定程度上避免网络陷入局部最小值。
附图说明
[0023] 图1是本发明
实施例基于堆栈稀疏自动编码网络的主轴和工件振动预测方法
流程图；
[0024] 图2是本发明实施例堆栈稀疏自动
编码器深度神经网络图；
[0025] 图3(a)～图3(c)分别是本发明实施例x方向、y方向、z方向主轴振动预测信号与实际信号对比图；
[0026] 图3(d)～图3(f)分别是本发明实施例x方向、y方向、z方向工件振动预测信号与实际信号对比图；
[0027] 图4(a)～图4(c)分别是本发明实施例x方向、y方向、z方向主轴振动预测与实际幅值谱对比图；
[0028] 图4(d)～图4(f)分别是本发明实施例x方向、y方向、z方向工件振动预测与实际幅值谱对比图；
[0029] 图5是本发明实施例主轴和工件振动预测值与实际值绝对误差特征对比图；
[0030] 图6是本发明实施例切削实验所用工件的实物图。
具体实施方式
[0031] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0032] 本发明实施例提供的一种基于堆栈稀疏自动编码网络的主轴和工件振动预测方法及系统，如图1所示，具体包括如下步骤：
[0033] S1信号数据获取和预处理：
[0034] S11通过LMS采集仪采集静态锤击实验振动和脉冲锤击力，获取切削系统的频响函数，通过对频响函数进行模态分解获得切削系统的前八阶模态频率；
[0035] S12分别获取不同切削加工参数下的主轴电流信号、切削力信号以及主轴和工件实际振动信号，具体的，通过Dewesoft采集仪采集主轴电流信号和三向振动信号，通过瑞士KISTLER公司的9257B型三向动态压电式测力仪采集切削加工过程中的切削力；所述切削加工参数包括切削深度、切削宽度、进给速度和主轴转速；
[0036] S13结合切削系统的前八阶模态频率对主轴电流信号、切削力信号、主轴和工件实际振动信号进行时域和频域分析，将其频谱图与静态频响函数频谱图进行对比，确定敏感频段，并通过小波包变换去除敏感频段外的其他频段信号，实现对主轴电流信号、切削力信号、主轴和工件实际振动信号的降噪预处理，将预处理后的信号与切削加工参数进行组合；以预处理后的主轴电流信号、切削力信号以及切削加工参数作为输入数据。
[0037] S2堆栈稀疏自动编码网络(SSAEN)训练，如图2所示：
[0038] S21网络结构与参数设计：预先设定可能的堆栈稀疏自动编码网络结构，如网络层数，各层激活函数，学习率等，对可能的参数组合进行综合，随机构建其中一种网络，超参数初始与训练可选择常用数值进行初始训练；
[0039] S22参数初始化：对网络中各层之间的权值和偏置项以及其他重要参数进行初始化，可通过Matlab库函数里面的随机数生成函数生成(0,1)之间的随机数，作为初始化参数；
[0040] S23输入数据归一化：由于预处理后的信号和切削加工参数数据范围相差较大，需要对其进行归一化处理，具体通过下式进行：
[0041]
[0042] 其中，x为归一化前的输入数据，x*为归一化后的输入数据，min为参数中最小值，max为参数中最大值，从而使输入数据归一到(0,1)或(-1,1)之间；归一化处理可以极大地缩小数据的变动幅度，促进网络的收敛，同时大幅度的提高了模型的收敛精度，由于输入等于输出，所以只需对所有的输入数据进行归一化即可；
[0043] S24划分训练集和测试集：堆栈稀疏自动编码网络为一种学习器，学习器都可能存在欠拟合和过拟合问题，欠拟合代表学习能力不够，输入数据的特征未能学习全面；过拟合则相反，学习器学习得太好，导致训练样本本身的特性被当成特征进行学习，使学习器泛化能力降低；为比较学习器的优劣，需要一定的评估方法对学习器的泛化能力进行评估，以便筛选出泛化能力最强、通用性最好的学习器；常用的评估方法有三种，分别是留一法、交叉验证法和自主法，以其中一种作为标准将样本按照一定比例将输入数据以及主轴和工件实际振动信号划分为训练集和测试集，在测试集上精度最高的模型，则代表泛化性能最好，以此筛选出最佳模型；
[0044] S25将训练集中的输入数据输入堆栈稀疏自动编码网络的稀疏自动编码网络层，对该稀疏自动编码网络层进行贪婪训练，获得编码后的稀疏特征，再对其进行解码，以对该层稀疏自动编码网络层参数进行训练；
[0045] S26将训练好的上一稀疏自动编码网络层去除输出层后，将隐层输入下一稀疏自动编码网络层，对该稀疏自动编码网络层进行贪婪训练，获得编码后的稀疏特征，再对其进行解码，以对该层稀疏自动编码网络层参数进行训练；
[0046] S27重复S26直至完成对所有稀疏自动编码网络层参数的训练，去除稀疏自动编码网络层的编码层得到深层时序特征；
[0047] S28将该深层时序特征输入堆栈稀疏自动编码深度神经网络的全连接层，在已训练好的稀疏自动编码网络层参数的基础上，对整个堆栈稀疏自动编码网络进行训练，为防止网络陷入局部极小值，对整个网络以均方误差(MSE)为损失函数，对整个网络参数进行微调，使网络收敛至全局最优，得到主轴和工件振动信号预测值；
[0048] S29根据主轴和工件振动信号预测值与主轴和工件实际振动信号的均方误差对堆栈稀疏自动编码网络进行调整，同时判断当前的迭代次数是否达到预设迭代次数，若未达到，则重复S25～S28；否则，完成对堆栈稀疏自动编码网络的训练，由此得到预测模型。
[0049] 进一步的，所述S25和S26中训练稀疏自动编码网络层参数时，以均方误差、稀疏性约束和权重正则化约束共同构成损失函数来限制网络参数，防止过拟合，加快网络收敛，具体的：
[0050] (1)均方误差即重构误差项Jcost构建过程如下：
[0051] 编码和解码过程采用下式构建：
[0052] hw，b(x)＝f(Wx+b)
[0053] 其中，x为输入，hw,b(x)为输出，W为网络权重参数，b为偏置向量，f代表非线性转化函数；
[0054] 进而得到重构误差项Jcost：
[0055]
[0056] 其中，m为训练集样本数，若训练集为二维矩阵，则为该矩阵的列数，根据自动编码器知识可知，y＝x，即稀疏自动编码网络层的训练目标之一是使重构误差最小。
[0057] (2)权重正则化约束即权重衰减项(L2范数正则化项)Jweight构建过程如下：
[0058]
[0059] 其中，λ为权重衰减系数，λ>0，上式即λ/2乘以所有权重Wji的平方和，可降低过拟合的概率，k为稀疏自动编码网络层的总层数，sk为第k层，sk+1为第k+1层。
[0060] (3)稀疏性约束即稀疏性惩罚项Jsparse构建过程如下：
[0061]
[0062]
[0063]
[0064] 其中，β为稀疏性惩罚项权重系数，s2是隐层神经元个数，ρ为稀疏参数， 为第j个隐层神经元的平均激活量， 为第二层第j个隐层神经元的激活量， 为KL散度，即相对熵，以衡量相比较的两者在分布上的差距，该项迫使平均激活量接近预设值，越偏离预设值，惩罚越重，当越接近预设值，相对熵越接近零，以此来限制被激活
节点数目，更方便输入特征的提取，实现对输入数据的
降维，间接促进网络的收敛。
[0065] (4)由下式得到损失函数J(W,b)：
[0066] J(W，b)＝Jcost+Jweight+Jsparse
[0067] S3预测模型效果评估：
[0068] 基于所述预测模型以及切削加工参数、主轴电流信号、切削力信号可实现对主轴和工件振动信号的实时预测，即该预测模型可替代切削加工中的动态频率响应函数；由于预测数据与实际数据间存在一定误差，需要确定的衡量标准和分析手段对误差进行评估和分析处理，通过对实际数据与预测数据进行时域和频域对比，误差时域、频域分析与对比，两方面评测预测模型的泛化能力和预测性能，发现本发明预测模型的预测效果较好。
[0069] 以下为具体实施例：
[0070] 本实施例中采用的如图6所示的薄壁零件，对其进行切削实验获取相关参数，按上述方法训练得到预测模型，然后将测试集中的输入数据输入预测模型中，预测结果如图3(a)～图3(f)所示，在x方向、y方向、z方向的主轴振动和y方向、z方向的工件振动拟合效果较好(以刀具进给向为x方向，竖直方向为z方向)，能较为准确反映切削加工过程中主轴和工件的振动情况和趋势；如图4(a)～图4(f)所示，预测数据在所选频段上预测结果与实际数据在该频段上的频率分布极为相似，能较为准确地反映切削过程中信号频域结构的变化。可以发现，工件x方向预测效果较差，结合图6可发现本实验所用薄壁零件x方向厚度很小，故该方向刚性很差，极易发生高频
颤振，而进行数据预处理时，已去除高频部分，故该方向预测效果较差。对预测数据与实际数据间的误差进行分析，如图5所示，分别计算了主轴和工件振动各个方向误差的均值、标准差、最大值、最小值以及均值与最大值的比例系数，可以看出预测模型的预测效果较好。
[0071] 综上所述，本发明可以实现对动态频响的近似代替，预测模型预测结果与实际数据吻合程度高，可较为准确反映动态切削过程中，主轴和工件的振动，对薄壁零件的加工工艺优化和刀具振动状态监测具有重要意义。
[0072] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何
修改、等同替换和改进等，均应包含在本发明的保护范围之内。
