基于改進(jìn)LSTM-AdaBoost的銑刀磨損量預(yù)測

2024年5月第52卷第10期Vol.52No.10Tool&Hydraulics,2024,52(10):14-20.(西安工程大學(xué)機(jī)電工程學(xué)院，陜西西安710048)ZHAOXiaohui,YANGWenbin,HUSheng,HUANKaixuan,TANQi(SchoolofMechanicalandElectricalEngineering,Xi'anPol銑刀作為數(shù)控機(jī)床的關(guān)鍵加工元件，其磨損狀態(tài)直接影響加工產(chǎn)品的品質(zhì)和生產(chǎn)制造效率[1。根據(jù)中國機(jī)械工業(yè)金屬切削刀具技術(shù)協(xié)會統(tǒng)計(jì)，因銑刀失效導(dǎo)致的加工故障占數(shù)控機(jī)床總故障數(shù)的75%,并且約有20%的數(shù)控機(jī)床停機(jī)時(shí)間是由于銑刀失效造成的[2-3]。因此，為了提高銑刀利用率并降低加工生產(chǎn)成本，對銑刀磨損量進(jìn)行精確預(yù)測顯得尤為重要4。在預(yù)測銑刀磨損量時(shí)，提取到的原始信號不能直接反映銑刀的狀態(tài)信息，因此需要對原始信號進(jìn)行處理，進(jìn)一步提取與銑刀磨損緊密相關(guān)的特征信息[5]。信號特征提取作為磨損量預(yù)測的關(guān)鍵一步，它可以剔除冗余成分，降低運(yùn)算復(fù)雜程度，同時(shí)能否精準(zhǔn)提取出有效的信號特征對銑刀磨損量預(yù)測的準(zhǔn)確性有著直接影響[6-7]。劉成穎等[8通過提取刀具磨損聲信號的多個(gè)時(shí)域特征參數(shù)對優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練和測試，實(shí)驗(yàn)結(jié)果表明提取的方根幅值、均方根等時(shí)域特征可以較好地反映刀具的磨損狀態(tài)。WANG等9]對銑削力信號進(jìn)行了分析，并提取其平均頻率、峭度頻率等頻域特征，為后續(xù)監(jiān)測銑刀磨損研計(jì)劃項(xiàng)目(18JK0324);陜西省社科聯(lián)重大項(xiàng)目(20ZD195-95)作者簡介：趙小惠(1970—),女，博士，教授，主要研究方向?yàn)橹悄苤圃煜到y(tǒng)理論及應(yīng)用。E-mail:xhuizhao@用進(jìn)行了大量研究10]。姜超和李國富[1]使用LSTM好。吳飛等人[12]為了實(shí)現(xiàn)對車刀磨損量精準(zhǔn)預(yù)測，提出了改進(jìn)LSTM聯(lián)合小波閾值去噪的方法，有效完特征從整體上描述了銑削過程中銑刀磨損狀態(tài)的變化，但不能追蹤到隨時(shí)間變化的非平穩(wěn)信號的信息，導(dǎo)致后續(xù)預(yù)測精度降低[13-14。在磨損量預(yù)測方面，長短期記憶神經(jīng)網(wǎng)絡(luò)是目前最為可靠的預(yù)測銑刀磨損量的方法，但LSTM網(wǎng)絡(luò)需要較長的訓(xùn)練時(shí)間，并且法對LSTM進(jìn)行改進(jìn)，既能夠自適應(yīng)地選取出LSTM綜上所述，本文作者提出一種基于集成學(xué)習(xí)的BWO-LSTM銑刀磨損量預(yù)測方法，通過黑寡婦優(yōu)化(BlackWidowOptimization,BWO)算法對LSTM的超來提高預(yù)測精度，并對提取的銑刀磨損振動信號的時(shí)1銑刀磨損振動信號的多特征提取信號的時(shí)域特征分析是基于傳感器采集的信號，計(jì)算簡單和直觀的特點(diǎn)。文中提取的銑刀磨損振動信號的部分時(shí)域特征如表1所示。時(shí)域特征計(jì)算公式峰值峭度且數(shù)控機(jī)床銑削時(shí)產(chǎn)生的信號不僅包含時(shí)域信銑刀磨損振動信號的頻域特征如表2所示。磨損狀態(tài)的變化，但并不能追蹤到隨時(shí)間變化的穩(wěn)信號的信息，而時(shí)頻分析對于非平穩(wěn)信號可以實(shí)現(xiàn)良好的分析效果。因此，通過對銑刀加工信號進(jìn)行時(shí)頻域分析能夠得到更完整的銑刀磨損信息。文中選用分解層數(shù)為3層、小波基函數(shù)選擇為db6的小波包變換提取銑刀磨損振動信號的時(shí)頻域特征，獲得23=82改進(jìn)LSTM-AdaBoost的銑刀磨損量預(yù)測2.1黑寡婦算法等15在2020年根據(jù)黑寡婦蜘蛛特有的交配行為而提出的一種優(yōu)化算法。此算法通過模擬黑寡婦蜘蛛的全優(yōu)黑寡婦[16。51個(gè)不同的基準(zhǔn)函數(shù)和多個(gè)工程案例驗(yàn)證了BWO算法具有收斂速度快、準(zhǔn)確度高的特(1)初始化種群式中：N表示特征的維度。初始化黑寡婦種群時(shí)，生成一個(gè)N維的矩陣，通常需要預(yù)先設(shè)定種群大小，常選取30、50等。(2)運(yùn)動行為式中：X?(t+1)為更新后的黑寡婦位置；X為X(t)為當(dāng)前黑寡婦的位置。(3)信息素理狀態(tài)時(shí)，就會有很強(qiáng)的生育能力，從而散出的當(dāng)?shù)托畔⑺刂档扔诨蛘咝∮?.3時(shí)(雌性中低信息素水平的蜘蛛代表饑餓的食人蜘蛛),此時(shí)雌性蜘位置；r?和r?為種群數(shù)量在[1,N]范圍內(nèi)的數(shù)；T為[0,1]內(nèi)的隨機(jī)二進(jìn)制數(shù)。2.2改進(jìn)的LSTM網(wǎng)絡(luò)構(gòu)又對應(yīng)多個(gè)可變參數(shù)，而LSTM的預(yù)測效果對參數(shù)(1)初始化參數(shù)。設(shè)置黑寡婦算法初始參數(shù)，包括最大迭代次數(shù)T、種群大小n、維度d,并設(shè)置(2)適應(yīng)度函數(shù)值的確定。利用LSTM神經(jīng)網(wǎng)絡(luò)(3)更新黑寡婦。利用式(3)一(5)對黑寡(4)判斷終止條件。設(shè)置黑寡婦的適應(yīng)度值達(dá)法優(yōu)化，從而獲取LSTM的最優(yōu)隱藏層神經(jīng)元數(shù)m和學(xué)習(xí)率r,否則返回步驟(3)繼續(xù)尋優(yōu)。2.3基于改進(jìn)LSTM-AdaBoost的銑刀磨損量預(yù)測模型建立權(quán)組合，從而使得各個(gè)模型都可以得到充分的利用。的誤差隨著迭代次數(shù)的增加以指數(shù)速度下降。因此，本文作者利用AdaBoost集成學(xué)習(xí)算法將多個(gè)BWO-LSTM神經(jīng)網(wǎng)絡(luò)弱預(yù)測器組合為強(qiáng)預(yù)測器，從而達(dá)到(1)初始化銑刀磨損訓(xùn)練數(shù)據(jù)權(quán)值分布。對網(wǎng)確定銑刀磨損量預(yù)測的樣本由特征向量x以及預(yù)測標(biāo)簽Y,構(gòu)成，并從整體銑刀磨損量預(yù)測樣本中隨機(jī)選取N個(gè)樣本，對隨機(jī)選取的多個(gè)樣本賦予相同的初始權(quán)值w?=1/N,則樣本經(jīng)過第一輪的BWO-(2)設(shè)置BWO-LSTM弱預(yù)測模型數(shù)量K。根據(jù)(3)弱預(yù)測器進(jìn)行預(yù)測。對第t個(gè)BWO-LSTM(4)計(jì)算弱預(yù)測器所占的權(quán)重。通過得到的誤差函數(shù)值計(jì)算出第t個(gè)BWO-LSTM弱預(yù)測器的權(quán)重a,:(5)更新銑刀磨損訓(xùn)練數(shù)據(jù)樣本的權(quán)值。根據(jù)弱預(yù)測器權(quán)重值a,來調(diào)節(jié)訓(xùn)練數(shù)據(jù)樣本的權(quán)值，公式如下第10期趙小惠等：基于改進(jìn)LSTM-AdaBoost的銑刀磨損量預(yù)測.17將所得到的弱預(yù)測器加權(quán)組合后得到強(qiáng)預(yù)測器G(x)。BWO-LSTM-AdaBoost銑刀磨損量預(yù)測流程如圖設(shè)置神經(jīng)元個(gè)數(shù)學(xué)習(xí)率等初始參數(shù)NY3實(shí)例分析實(shí)驗(yàn)采用美國PHMSocity2010銑刀狀態(tài)預(yù)測數(shù)加速度傳感器AE傳感器件測力計(jì)三向測力儀、加速度傳感器、聲發(fā)射傳感器，IECIAMZ12顯微鏡用于測量刀具磨損值，刀具使用6mm3刃球頭銑刀，工件材料為52HRC不銹鋼。實(shí)驗(yàn)加工機(jī)床銑削參數(shù)設(shè)置如表3所示。每次銑削加工的后測量和記錄球頭立銑刀的后刀面磨損VB值。進(jìn)給速度/(mm·min-1)主軸轉(zhuǎn)速/(r·min-1)銑削實(shí)驗(yàn)采用6把相同的球頭銑刀在相同工況下出3把銑刀刀刃磨損量平均值。圖3所示為各個(gè)銑刀磨損量變化曲線。X軸磨損量X軸磨損量走刀次數(shù)n走刀次數(shù)n50走刀次數(shù)n三140 —X走刀次數(shù)nFig.3Millingcutterwearchangecurvcl;(b)millingcutterc4;(c)milling對銑刀磨損振動信號進(jìn)行時(shí)域、頻域以及時(shí)頻域多域特征提取。文中以銑刀cl為例進(jìn)行說明，圖4所示為從其X軸振動信號提取的多域特征。0.00均方根值方根幅值度峭度走刀次數(shù)n 走刀次數(shù)n重心頻率均方頻率頻率方差頻率標(biāo)準(zhǔn)差走刀次數(shù)nmillingcutters:(a)timdomain;(c)time-frequencydomain從圖4可以看出，時(shí)域、頻域以及時(shí)頻域特征都隨著走刀次數(shù)的增加出現(xiàn)相應(yīng)的波動，但是提取的多個(gè)特征中不乏有與銑刀磨損相關(guān)性不強(qiáng)的特征，維數(shù)也相對較高。因此為了避免信息冗余，省去不必要的計(jì)算，采用主成分分析(PrincipalComponentAnalysis,PCA)對得到的多域特征進(jìn)行降維，根據(jù)累計(jì)貢獻(xiàn)率大于85%的主成分個(gè)數(shù)來確定對應(yīng)的特征值，組成最優(yōu)特征向量集，最終將特征壓縮至了10維。表4所示為經(jīng)過PCA降維后的部分特征。特征123實(shí)驗(yàn)選擇銑刀cl和c4作為訓(xùn)練集，共2×315×10組；測試集為銑刀c6,總計(jì)315×10組。黑寡婦種群設(shè)為100,迭代次數(shù)設(shè)為200,隱藏層神經(jīng)元個(gè)數(shù)為100,學(xué)習(xí)率0.001,適應(yīng)度函數(shù)為均方誤差。圖5所示為黑寡婦算法隨著迭代次數(shù)的增加達(dá)到終止條件時(shí)隱藏層單元神經(jīng)元個(gè)數(shù)和學(xué)習(xí)率的變化曲線。同時(shí)根據(jù)BWO算法優(yōu)化出的結(jié)果來獲得LSTM神經(jīng)迭代次數(shù)n迭代次數(shù)n(a)隱藏層神經(jīng)單元數(shù)(b)學(xué)習(xí)率Fig.5Parameteroptimizationresults:(a)numberofhiddenlaminarneuralunits;(b)l從圖5(a)可以看出，隱藏層神經(jīng)元最優(yōu)個(gè)數(shù)為50個(gè)；從圖5(b)可知，學(xué)習(xí)率在迭代次數(shù)25次時(shí)，達(dá)到穩(wěn)定值0.0013。由于AdaBoost算法能夠?qū)⑷舾深A(yù)測子模型進(jìn)行加權(quán)集成，使預(yù)測結(jié)果更加精確，所以，文中在BWO-LSTM的基礎(chǔ)上引入此算法，通過對第一輪銑練停止。文中經(jīng)訓(xùn)練測試得到AdaBoost在進(jìn)行10次迭代后，也就是弱預(yù)測器個(gè)數(shù)為10時(shí)，預(yù)測精度最高。圖6所示為BWO-LSTM-AdaBoost對銑刀磨損量走刀次數(shù)n從圖6能看出，BWO-LSTM-AdaBoost銑刀磨損量預(yù)測模型對銑刀c6進(jìn)行預(yù)測時(shí)，無論是在初期、(1)平均絕對誤差百分比(MeanAbsolutePer-(2)均方根誤差(RootMeanSquaredError,(3)決定系數(shù)(R-Square,R2)是表述模型預(yù)測性能好壞的指標(biāo)，R2越接近1表明模型預(yù)測性能利用上述評判指標(biāo)，對文中方法與傳統(tǒng)方法的MAPE、RMSE和R2進(jìn)行比較，結(jié)果如表5所示。磨損量預(yù)測模型分析表5可知，文中所提方法的MAPE和走刀次數(shù)n低，最終穩(wěn)定在實(shí)際值附近。同時(shí)對改進(jìn)前后的磨損量預(yù)測模型磨損量預(yù)測模型從表6、7可知：無論是對銑刀cl還是銑刀c4進(jìn)行磨損量預(yù)測，文中所提出的BWO-LSTM-平均MAPE、RMSE和R2的值為4.154%、6.994、4結(jié)論對誤差百分比MAPE為3.436%,均方根誤差RMSE為6.471,決定系數(shù)R2是0.935。onmetalearningandPINN[J].JournalofNsityofAeronautics&Astronautics,2022,54(3):387-396.工參數(shù)多目標(biāo)優(yōu)化[J].天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版),2022,55(2):166-173optimizationofmachiningparametersbasecondition[J].JournalofTianjinUniversity(ScieTechnology),2022,55(2):166-173.磨損狀態(tài)多類域適應(yīng)遷移辨識方法[J].中國機(jī)械工程，2022,33(15):1841-1849.adaptivetransferidentificationmethodfortoolwearstaunderdifferentprocessingconditions[J].ChinaMechanicaEngineering,2022,33(15):1841-1849.[5]李楠.機(jī)器學(xué)習(xí)算法在刀具磨損狀態(tài)評估上的應(yīng)用研究toolwearstatusassessment[D].Hefei:AnhuiUniversity,[6]唐利平，劉海雄.刀具磨損狀態(tài)特征參數(shù)提取與識別方法研究[J].組合機(jī)床與自動化加工技術(shù)，2019(10):TANGLP,LIUHX.StudyoncuttingtoolacteristicparametersextractionandrecognitioModularMachineTool&AutomaticManufacturingTech-nique,2019(10):10-14.extremelearningmachinemethodfortoolweainmillingprocessesbasedonvGreenTechnology,2021,8(3):745-759.具磨損狀態(tài)識別[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,57(9):975-979.LIUCY,WUH,WANGLP,etal.ToolwearstationbasedonLS-SVMwiththePSOalgorithm[J].JournalofTsinghuaUniversity(Scienc(9):975-979.alevolutionoptimization[J].ProceedofMechanicalEngineers,PartB:JournalofEngineeringManufacture,2017,231(5):805-813.LIDW,SHENMR,ZHANGHQ,etal.DeepholeboringtoolsconditionmonitoriModernManufacturingEngineering,2020(8):92-96.[11]姜超，李國富.改進(jìn)VMD-LSTM法在刀具磨損狀態(tài)識別中的應(yīng)用[J].機(jī)械科學(xué)與技術(shù)，2022,41(2):246-enceandTechnologyforAerospaceEngineer(2):246-252.憶模型的刀具磨損預(yù)測方法[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2023,53(4):989-997.basedonparticleswarmoptimizationlomemorymodel[J].JournalofJilinUniversity(Engineer-ingandTechnologyEdition),2023,53([