基于VMDFK和图像编码技术CNN网络刀具磨损状态识别.pdf

第22卷第1期2024年2月Vol.22 No.1Feb.2024中 国 工 程 机 械 学 报CHINESE JOURNAL OF CONSTRUCTION MACHINERY基于VMDFK和图像编码技术CNN网络刀具磨损状态识别刘红军1，胡轶玮1，韩文杰2（1.沈阳航空航天大学 机电工程学院，辽宁 沈阳110000；2.沈阳飞机工业（集团）有限公司工程技术中心工装设计所，辽宁 沈阳 110000）摘要:针对采集刀具加工数据过程中有冗余信息和干扰信号，导致刀具磨损状态特征识别困难、识别精度不高等问题，提出一种基于快速谱峭度图的变分模态分解模态分量选取（VMDFK）与格拉姆角场（GAF）图像编码技术相结合的卷积神经网络（CNN）刀具磨损状态识别方法。首先通过变分模态分解和快速谱峭度图，筛选符合要求的模态分量并重构；再采用形态滤波对重构信号去噪和增强；最后通过格拉姆角场图像编码技术，将经去噪增强后的信号转换为格拉姆角场图，并将其输入卷积神经网络中提取特征，较好地解决了信号中的干扰和图像识别中图像特征不明显问题。实验结果表明：该方法可准确清晰地展现刀具磨损状态的特征，在即时性、准确度等方面有较大提高，实现对刀具不同磨损状态的实时智能识别，具有较好的效果。关键词:刀具磨损状态识别；变分模态分解；快速谱峭度；形态滤波；格拉姆角场；深度学习中图分类号:TG 713；TG 529 文献标志码:A 文章编号:1672-5581（2024）01-0094-07Tool wear state recognition based on VMDFK and image coding technology CNN networkLIU Hongjun1，HU Yiwei1，HAN Wenjie2（1.School of Mechanical and Electrical Engineering，Shenyang University of Aeronautics and Astronautics，Shenyang 110000，Liaoning，China；2.Tooling Design Institute of Engineering Technology Center of Shenyang Aircraft Industry（Group）Co.，Ltd.，Shenyang 110000，Liaoning，China）Abstract：To improve the accuracy of tool wear state identification，redundant information and interference signals are included in the process of tool processing data collection，which leads to difficulties in identifying tool wear state features and poor accuracy，A method of tool wear identification based on convolutional neural network（CNN）is proposed，which combines the fast spectral kurtosis map based variational mode decomposition mode component selection（VMDFK）and Gram angle field（GAF）image coding technology.In this method，firstly，the modal components that meet the requirements are selected and reconstructed through variational modal decomposition and fast spectral kurtosis.Secondly，morphological filtering is used to denoise and enhance the reconstructed signal.Finally，the Gram angle field image coding technology is used to convert the signal after noise removal and enhancement by morphological filtering into Gram angle field graph，and the Gram angle field graph is input into the convolutional neural network for feature extraction，which fully solves the problem of interference in the signal and unclear image features in image recognition.The experimental results show that the method can accurately and clearly show the characteristics of tool wear state，and greatly improve the timeliness and accuracy.It can realize real-基金项目：国家自然科学基金资助项目（51875367）作者简介：刘红军（1971），男，副教授，博士。E-mail：通信作者：胡轶玮（1992），男，硕士。E-mail：L第1期刘红军，等：基于VMDFK和图像编码技术CNN网络刀具磨损状态识别time intelligent recognition of different tool wear states，and has a good effect.Key words：tool wear recognition；variational modal decomposition；fast kurtogram；morphological filtering；gram angularfield；deep learning先进制造特别是现代航空航天制造具有性能要求高、零件外廓尺寸相对截面尺寸较大、切削加工余量大、加工工艺性差、加工工期长等特点1。航空结构件在加工过程中去除率高，成形后结构件的相对刚度降低，且加工时易出现切削振动和弹性形变。因此，实时检测并预测刀具性能，进而可保证加工质量和效率。刀具状态检测是保证产品加工质量和加工精度的关键技术手段。在切削加工过程中，由于切削力、切削热、切入切出冲击等因素的综合作用，刀具与工件接触表面会经历复杂的应力场与温度场的变化，产生磨损和破损，劣化加工表面的质量，降低零部件的尺寸精度和机床的加工效率2。因此，需实时监测刀具状态，确保加工质量和刀具性能不受影响。刀具磨损状态检测系统中的检测方法有直接法和间接法。直接法存在影响正常生产、需停机检测等缺点，其使用范围受限；间接法具有安装简便、方法多样、检测连续等优点，其主要通过实时采集切削力、振动、声发射、电流、功率等信号完成检测3。常用的信号处理方式有小波变换4、快速傅里叶变换5、变分模态分解6等。朱云芳等7利用小波变换提取声发射信号的特征并进行小波分解，输入神经网络中进而识别刀具状态。李恒等8采用傅里叶变换将一维信号转换为二维信号，并输入分类器，获得较好的诊断结果。吴继春等9采用集合经验模态分解法将振动信号分解出故障信号特征，再通过快速谱峭度图选取最优的模态分量进行希尔伯特-黄变换（Hilbert Huang transform，HHT）时频分析。Bhattacharyya 提出使用基于线性滤波、时域平均和小波变换技术进行刀具磨损信号的特征提取，采用线性回归模型对刀具的磨损状态进行分类或对磨损程度进行回归10。近年来，在信号处理、图像识别领域，深度学习相较于传统机器学习具有明显的优势。滕瑞等11提出一种基于格拉姆角场编码技术和卷积神经网络的刀具磨损值在线监测方法。张存吉等12提出采用小波包变换处理采集刀具的振动信号转换成能量频谱图，使用卷积神经网络搭建刀具磨损监测模型，实现刀具磨损程度的分类和监测。何彦等13通过传感器采集信号，利用长短时记忆卷积神经网络建立刀具磨损在线监测模型并提取特征，实现特征到刀具磨损值的映射。上述方法利用卷积神经网络（convolutional neural network，CNN）对处理后的时序数据进行特征提取，提取过程中出现特征信息的损失，且无法完整映射时序数据。因此，本文面向航空结构件铣削加工，提出一种基于快速谱峭度图的变分模态分解模态分量选取与格拉姆角场图像编码技术相结合的卷积神经网络刀具状态识别方法，将信号预处理、特征提取与降噪和状态检测汇集于一体，实现刀具的状态识别。1 刀具磨损状态识别流程 基于变分模态分解模态分量选取（fast spectral kurtograph variational mode decomposition mode component selection，VMDFK）和图 像 编 码 技 术CNN的刀具磨损状态识别流程如图1所示。采集数控加工过程中的振动信号作为输入；使用变分模态分解（variational mode decomposition，VMD）将输入信号分解成具有不同中心频率的模态分量；通过快速谱峭度图法选取与输入信号具有相同频带范围的模态分量并重构；再采用形态滤波对重构后的信号进行去噪、增强，凸显信号特征，经过筛选和去噪增强处理，基本去除了信号中的干扰因素；最后通过格拉姆（Gramian angle field，GAF）图像编码将特征信息图像化，将信号中的特征信息形成完整的映射；由CNN模型提取二维信号图的相关重要特征，使用线性回归层最终实现刀具磨损状态的识别。2 刀具磨损状态识别方法 2.1VMDFK模态分量选取VMD的本质是对变分问题的构造和求解，通过不断迭代搜索变分模型的最优解来确定各模态分量的中心频率，而实现信号的分解。相对于其他信号分解方式，分解效率高，且不存在模态混叠现象。其约束变分问题模型为minukk kK t ()()t+jtuk()te-jkt22s.t.kuk=f（1）95第22卷中 国 工 程 机 械 学 报式中：uk为分解后的各个模态分量；k为每个模态分量的中心频率；K为分解模态分量的数目；(t)+jt)uk(t)为借助 Hilbert 变换得到的模态分量的单边频率；f为原始信号。引入拉格朗日乘子和二次惩罚因子求解约束变分问题，使其转化为无约束问题，表达式为L(uk，k，)=+k t()()t+jtuk()t e-jkt22+()t，f()t-kuk()t+f()t-kuk()t22（2）式中：(t)为Lagrange乘子；为二次惩罚因子。利用交替方向乘子算法（alternate direction method of multipliers，ADMM）求最优解，达到要求后迭代停止，否则返回继续迭代，最终得到K个模态分量。峭度作为时域分析中的一种无量纲参数指标，对信号的瞬时特征具有较高的敏感度。通过计算快速谱峭度值并得到快速谱峭度图14，具体步骤为：构 造 基 于 有 限 脉 冲 响 应（finite impulse response，FIR）滤波器的具有相位准解析的低通滤波器Hd(n)和高通滤波器Hg(n)，利用Hd(n)和Hg(n)对原始信号进行2倍降采样处理，经过迭代滤波对原始信号进行M级分解，每级滤波产生2m子信号，最终得到不同子信号cim(n)，将得到的复包络信号cim(k)与传统谱峭度公式结合，得出快速谱峭度值和快速谱峭度图。经 VMDFK 分解筛选后的模态分量与输入信号具有相同的频带范围，最大限度地保留了输入信号的特征。2.2平均形态算子滤波信号采集中，不可避免地存在噪声和干扰信息，经VMDFK分解筛选后的模态分量仍包含噪声和干扰信息。因此，引入形态滤波对信号进行去噪和增强处理。形态滤波基本的形态学算子由膨胀、腐蚀、开、闭 4 种基本运算符组成15，分别可以定义为(f g)(n)=maxf(n-m)+g(m)（3）(f g)(n)=minf(n+m)-g(m)（4）(fg)(n)=(f g)g)(n)（5）(fg)(n)=(f g)g)(n)（6）式中：f(n)为定义在F=0，1，N-1的离散函数；g(n)为定义在G=0，1，M-1的离散函数，图1基于VMDFK和图像编码技术CNN的刀具磨损状态识别流程Fig.1Tool wear state recognition process based on VMDFK and image coding technology CNN96第1期刘红军，等：基于VMDFK和图像编码技术CNN网络刀具磨损状态识别且NM。为了克服开-闭算子或闭-开算子对滤波结果的影响，采用平均形态算子对重构信号进行滤波输 出，平 均 形 态 算 子（average morphological operators，AVG）可定义为A=()fg()n+()fg()n2（7）2.3格拉姆角场GAF图像编码技术格拉姆角场图像编码技术是将采集的时间序列数据转换为二维图像数据，在保留数据信息的同时，重构时间序列数据的特征信息，对应位置的颜色深浅、线粗细和点大小完整映射时间序列的特征信息。其具体步骤为：将采集的时间序列数据X=x1，x2，xn通过式（8）缩放至区间-1，1内，得到X=x1，x2，xn，再通过式（9）将X编码为余弦，最后使用式（10）将时间戳编码为半径r，并极坐标化映射到极坐标系中。xi=xi-max()X+()xi-min()Xmax()X-min()X，1in（8）=arccos(xi)，-1xi1（9）r=tiN，tiN（10）式中：xi为时间序列X缩放至区间-1，1得到的X；max(X)为时间序列X的最大值；min(X)为时间序列X的最小值；为xi编码的余弦值。格拉姆角和场是基于余弦函数定义的，格拉姆角差场是基于正弦函数定义的。当时间序列数据中出现较大的波峰或波谷时对应的格拉姆角差场（Gramian angle difference field，GADF）和格拉姆角和场（Gramian angle sum field，GASF）图中会出现颜色较深、粗细明显的交叉直线，完整的映射了时间序列数据中的特征信息。GAF相较于变换和Teager能量图谱等图像转换技术，明确直观地将信号中的特征信息表达出来，便于后续提取和识别神经网络的特征。2.4改进的神经网络术语卷积神经网络的构建采用神经网络术语（AlexNet）神经网络进行构建，训练批次的大小（Batch_size）分别设置为8、16和 32；学习率（Learning_rate）分别设置为 0.001 0和0.000 1。通过实验发现在上述参数下的神经网络模型存在模型不稳定、过拟合等问题。通过修改神经网络结构中卷积核大小、卷积核个数、全连接层数及神经元个数对卷积神经网络模型进行构建。通过实验对比设置激活函数为 Relu，优化器为Adam，损失函数为categorical_crossentropy，考虑到本神经网络模型在训练过程中存在过拟合 情 况，在 每 层 池 化 层 后 增 添 批 量 归 一 化（Batchnormalization）层，并在全连接层后增添随机损失（Dropout）层，设置Dropout层中的随机损失 率（dropout_rate）为 0.1。具 体 模 型 参 数见表1。3 实验验证与分析 3.1实验设备及条件本实验采用美国纽约预测与健康管理学会（Prognostics and Health Management Society，PHM）2010年高速数控机床刀具健康预测竞赛的开放数据，实验条件见表2，实验平台如图2所示。数据中包括x、y、z三向铣削力信号、振动信号和声发射信号均方根值。整个数据采集过程中，球头铣刀每次走刀路径长度为108 mm，采集频率为50 kHz，每把刀具走刀315次。实验硬件平台使用的处理器为CPU：Intel（R）Core（TM）i7-10750H，显卡为 NVIDIA GeForce GTX 1650 Ti，深度学习框架为中文Tensor Flow 2.3。3.2实验数据处理航空结构件加工过程中易出现切削振动和弹性形变，因此振动信号对刀具磨损状态变化较为敏感，伴随切削加工的进行，刀具出现磨损，所采集的振动信号随之变化。采用美国纽约 PHM 于 2010年发布的高速数控机床刀具健康预测竞赛开放数据中第4组实验x方向的振动信号数据进行实验。选取3个后刀刃的磨损平均值作为本次实验的标签，根据刀具磨损状态的3种情况，设置刀具磨损状态的参数见表3。表1AlexNet神经网络模型参数表Tab.1AlexNet neural network model parameter tableAlexNet神经网络结构输入层卷积层C1池化层S1卷积层C2池化层S2卷积层C3池化层S3全连接层全连接层结构参数2562563 RGB图像8个33卷积核最大池化核4416个33卷积核最大池化核2232个33卷积核最大池化核2264个节点4个节点97第22卷中 国 工 程 机 械 学 报本组实验共走刀315次，每次走刀采样点数在220 000点以上，为避免受切入、切出影响，去除首尾各50 000个数据点进行分析。分别对初期磨损、正常磨损和剧烈磨损3个阶段的3种刀具磨损状态信号取 4 800 个采样点进行 VMDFK 处理，设置VMD分解的模态分量数K=10，二次惩罚因子=2 00016；分别计算输入信号和分解后各模态分量的快速谱峭度值，形成快速谱峭度图，对比各快速谱峭度图谱峭度最大值所处的频带范围，选取敏感模态分量，并重构信号。经重构的信号仍包含噪声和干扰信息，因此引入形态滤波对信号进行去噪、增强处理，最大限度地保留信号中的特征信息。通过格拉姆角场图像编码技术，将经形态滤波处理的信号转换。通过实验证明GADF的图像编码方法相较于GASF的图像编码方法，更易于深度学习网络的特征提取，因此实验中主要采用GADF作为信号图像化处理的方法。针对 3种不同磨损状态的 GADF图，随机选取700张，其中训练集500张，验证集100张，测试集100张。3.3实验验证与分析为了验证基于 VMDFK和图像编码技术 CNN网络刀具磨损状态识别方法的优越性和准确性，实验进行200次迭代训练，准确率和损失率如图3所示。由图3可以得出训练集在训练25次达到拐点，且最终准确率达到100%，验证集准确率逐步上升并稳定在98%左右，测试集准确率达到99.8%，模型未存在过拟合情况。表明了该方法能准确地识别刀具磨损状态，并具有良好的稳定性。图3基于VMDFK和图像编码技术CNN网络刀具磨损状态识别准确率图和损失率Fig.3Based on VMDFK and image coding technology CNN network tool wear state recognition accuracy graph and loss rate表2实验设备及切削条件Tab.2Experimental equipment and cuttingconditions设备条件及切削条件数控机床测力仪电荷放大器铣削材料铣削刀具数据采集卡磨损测量器主轴转速/（r min1）进给速度/（mm min1）轴向切削深度/mm径向切削深度/mm每次走刀进给量/mm采样频率/kHz切削条件参数Roders Tech RFM760Kistler 9265BKistler 5019A不锈钢6 mm球头硬质合金铣刀NI DAQLEICA MZ1210 4001 5550.2000.1250.00150干切图2实验设备及结构Fig.2Experimental equipment and structure表3刀具磨损状态参数表Tab.3Tool wear state parameter table刀具磨损状态初期磨损正常磨损剧烈磨损磨损范围/m88.388.392.192.198第1期刘红军，等：基于VMDFK和图像编码技术CNN网络刀具磨损状态识别本文使用相同的数据集，通过未经快速谱峭度（fast-kurtogram，FK）筛选的 VMD 和图像编码技术 CNN 网络方法比较验证。未经过 FK 选择的VMD、图像编码技术CNN方法的准确率和损失率如图4所示。经过模型验证，其状态监测准确率为94.2%，但 存 在 过 拟 合 情 况 且 与 本 文 提 出 的VMDFK-GAF和CNN网络方法低5%，验证本文的方法有一定的优越性。本文还将VMDFK、图像编码技术BP网络模型与VMDFK和图像编码技术CNN网络模型进行对比，其准确率为81.6%，损失率如图5所示。通过3种实验对比，VMD、图像编码技术CNN网络模型与 VMDFK 和图像编码技术反向传播（back propagation，BP）神经网络模型的刀具磨损状态识别准确率，以及 VMDFK 和图像编码技术CNN网络刀具磨损状态准确率较低；VMD和图像编码技术CNN网络模型存在过拟合现象；VMDFK和图像编码技术BP网络模型振荡明显。充分说明VMDFK-GAF和CNN网络模型具有更好的稳定性和准确性。3 结论 本文提出的VMDFK-GAF和CNN网络刀具磨损状态识别方法，是将刀具信号进行时频分析和图像转换，进而与深度学习相结合的新型刀具磨损状态识别方法。（1）对 VMDFK 和图像编码技术 CNN 网络、VMD 和图像编码技术 CNN 网络、VMDFK 和图像编码技术BP网络3种方法进行比较分析，在相同磨损状态下，VMDFK和图像编码技术CNN网络刀具磨损状态识别方法的效果比其他2种方法更准确，证明本方法的有效性和鲁棒性。（2）VMDFK 和图像编码技术 CNN 网络刀具磨损状态识别方法较好地去除了原始时序数据的噪声和干扰，使原始时序数据的特征完全展现出来，并通过GAF图像编码技术，将时序数据中的特征信息完整地映射出来，具有明显的识别特征。（3）VMDFK 和图像编码技术 CNN 网络方法图4基于VMD和图像编码技术CNN网络刀具磨损状态识别准确率图和损失率Fig.4Based on VMD and image coding technology CNN network tool wear state recognition accuracy graph and loss rate图5基于VMDFK和图像编码技术BP网络刀具磨损状态准确率Fig.5Based on VMDFK and image coding technology BP network tool wear state recognition accuracy graph99第22卷中 国 工 程 机 械 学 报中超参数的设置对模型的效果和稳定性会产生影响，在今后的研究中，可进一步优化本方法模型结构。参考文献：1赵明伟，岳彩旭，陈志涛，等.航空结构件铣削变形及其控制研究进展 J.航空制造技术，2022，65（3）：108-117.2王国峰，李志猛，董毅.刀具状态智能监测研究现状 J.航空制造技术，2018，61（6）：16-23.3戴稳，张超勇，孟磊磊，等.基于深度学习与特征后处理的支持向量机铣刀磨损预测模型 J.计算机集成控制系统，2020，26（9）：2331-2343.4何正嘉，袁静，訾艳阳，等.机械故障诊断内积变换原理与验证 J.振动、测试与诊断，2012，32（2）：175-185.5杨丽娟，张白桦，叶旭桢.快速傅里叶变换FFT及其应用 J.光电工程，2004，31（增刊1）：1-3，7.6DRAGOMIRESKIY K，ZOSSO D.Variational mode decomposition J.IEEE Tran on Signal Processing，2014，62（3）：531-544.7朱云芳，戴朝华，傅攀.采用小波神经网络的刀具故障诊断 J.振动、测试与诊断，2006，26（1）：64-66.8李恒，张氢，秦仙蓉，等.基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法 J.振动与冲击，2018，37（19）：124-131.9吴继春，阳广兴，许可，等.基于EEMDFK和注意力CNN网络的刀具磨损状态识别 J.计算机集成制造系统，2023，29（10）：3413-3424.10腾瑞，黄海松，杨凯，等.基于图像编码技术和卷积神经网络的刀具磨损值在线监测方法 J.计算机集成制造系统，2022，28（4）：1042-1051.11张存吉，姚锡凡，张剑铭.基于深度学习的刀具磨损监测方法 J.计算机集成制造，2017，23（10）：2146-2155.12PECHENIN V A，KHAIMOVICH I A，KONDRATIEV I A，et al.Method of controlling cutting tool wear based on signal analysis of acoustic emission for millingJ.Procedia Engineering，2017，176：246-252.13何彦，凌俊杰，李育峰，等.基于长短时记忆卷积神经网络的刀具磨损在线监测模型 J.中国机械工程，2020，31（16）：1959-1967.14WAN S T，ZHANG X，DOU L J.Compound fault diagnosis of bearings using improved fast spectral kurtosis with VMDJ.Journal of Mechanical Science and Technology，2018，32（11）：5189-5199.15李奕璠，林建辉，刘伟渭.对角切片谱提升的形态学滤波方法及其在万向轴故障识别中的应用 J.振动与冲击，2017，36（10）：13-18.16王新刚，王超，韩凯忠.基于优化VMD和MCKD的滚动轴承早期故障诊断方法 J.东北大学学报（自然科学版），2021，42（3）：373-380.4ZHAO C，SUN F，JIN J J，et al.Analysis of quasi-zero power characteristic for a permanent magnetic levitation system with a variable flux path control mechanismJ.IEEE-ASME Transactions on Mechatronics，2021，26（1）：1416-1420.5ZHOU R，YAN M Y，SUN F，et al.Experimental validations of a magnetic energy-harvesting suspension and its potential application for self-powered sensing J.Energy，2022，239（15）：122205.6王继强，王凤翔，鲍文博，等.高速永磁电机转子设计与强度分析 J.中国电机工程学报，2005（15）：140-145.7田拥胜，孙岩桦，虞烈.高速永磁电机电磁轴承转子系统的动力学及实验研究 J.中国电机工程学报，2012，32（9）：116-123，18.8袁惠群，寇海江.弹性转子动力学 M.北京：科学出版社，2021：47-48.9向晓燕，梁平原，张书真，等.优化算法在磁悬浮控制器设计中的应用 J.计算机仿真，2012，29（10）：263-267.10GENTA G.Dynamics of rotating systemsM.New York：Springer，2009：139-17011钟一谔.转子动力学 M.北京：清华大学出版社，1987：143-15012路振勇，陈予恕，李洪亮，等.航空发动机转子系统动力学模型的可逆化简化方法 J.航空动力学报，2016，31（1）：57-64.13陈锋.11 MW高速电机转子动力学特性设计分析 D.上海：上海交通大学，2018.14ZHU H M et al.Dynamic analysis of a flexible rotor supported by ball bearings with damping rings based on FEM and lumped mass theoryJ.Journal of Central South University，2020，27（12）：3684-3701.15韩涛翼，李纪永，赵彧，等.高转速涡轮发动机转子临界转速计算 J.西北工业大学学报，2021，39（增刊1）：47-53.16陈萌，马艳红，刘书国，等.航空发动机整机有限元模型转子动力学分析 J.北京航空航天大学学报，2007（9）：1013-1016.17冉少林.基于鲁棒控制的磁悬浮柔性转子建模及稳定性控制研究 D.武汉：武汉理工大学，2019.18SCHWEITZER G，MASLEN E H，BLEULER H，et al.Magnetic bearings theory，design，and application to rotating machineryM.Berlin：Springer-Verlag，2009：27-67，253-28819康海刚，段班祥.Matlab数据分析 M.北京：机械工业出版社，2020：56-60.20王胜永.ANSYS有限元理论及基础应用 M.北京：机械工业出版社，2020：12-13.（上接第93页）100