【技术实现步骤摘要】
基于生成式对抗网络的刀具状态监测数据集增强方法
本专利技术属于机械加工状态监测领域,具体为一种基于生成式对抗网络的刀具状态监测数据集增强方法。
技术介绍
刀具磨损是金属切削加工中存在的一种常见问题。对材料的加工使刀具刃口钝化,增加了刀具与工件之间的摩擦,也增加了功率的消耗。若不能及时判断刀具磨损状态,会影响加工质量和加工效率。得益于深度学习技术的发展,采用深度学习网络对刀具状态进行间接监测成为一种非常有效的方法。然而,这些方法都是以加工过程大数据为基础。在大多数机械加工过程中,刀具通常在正常状态下工作,可以收集到的异常状态下的数据很少,容易出现数据集不平衡的问题。异常状态样本数据缺乏以及数据不平衡的问题严重影响深度学习网络的预测精度。传统扩充样本数据集的方式是过采样,但过采样只是重复利用仅有的少量样本信息,不能自动学习样本的数据分布特性。因此,如何获取异常状态的样本数据成为亟待解决的问题。生成对抗网络(GenerativeAdversarialNetworks,GANs)作为2014年提出的无监督学习模型,在增强数据集、加工状态监测领域有着广阔的应用前景。它可以通过对少量的样本分布进行学习,从而产生大量的样本数据。这种特点非常适合解决加工状态监测中缺乏平衡样本数据集的问题。
技术实现思路
针对刀具状态监测数据集不平衡导致深度学习网络预测准确性难以提高的问题,本专利技术提供一种基于生成式对抗网络的刀具状态监测数据集增强方法。生成式对抗网络中生成器和鉴别器均为多层感知器结构,两者之间采 ...
【技术保护点】
1.一种基于生成式对抗网络的刀具状态监测数据集增强方法,首先,采用传感器采集系统获取刀具切削过程中的振动信号和噪声信号;其次,将服从先验分布的噪声数据输入到生成器生成数据,并将生成数据和采集的真实样本数据输入到鉴别器进行鉴别,生成器和鉴别器两者之间进行对抗训练,直到训练完成;然后,利用训练好的生成器生成样本数据,并判断生成的样本数据和真实的刀具状态样本数据的分布是否相似;最后,结合深度学习网络模型预测刀具状态的准确性检验生成数据的可用性;其特征在于,步骤如下:/n第一步,采集刀具切削过程中的振动和声音信号/n将两个加速度传感器分别安装在主轴的鼻端和主轴前轴承处,分别采集刀具加工过程中的振动信号;将声音传感器安装在工作台上,采集加工过程中的切削噪声信号;/n第二步,建立生成式对抗网络模型并进行对抗训练/n本方法采用的生成式对抗网络框架由一个生成器和一个鉴别器构成;生成器和鉴别器均为多层感知器结构,其中生成器负责生成和真实数据维度相同的伪数据,鉴别器负责区分真实数据和生成数据;在对抗训练过程中,生成器试图用生成的伪数据去愚弄鉴别器,使其鉴别为真,而鉴别器通过提高自己的鉴别能力分辨生成数据和 ...
【技术特征摘要】
1.一种基于生成式对抗网络的刀具状态监测数据集增强方法,首先,采用传感器采集系统获取刀具切削过程中的振动信号和噪声信号;其次,将服从先验分布的噪声数据输入到生成器生成数据,并将生成数据和采集的真实样本数据输入到鉴别器进行鉴别,生成器和鉴别器两者之间进行对抗训练,直到训练完成;然后,利用训练好的生成器生成样本数据,并判断生成的样本数据和真实的刀具状态样本数据的分布是否相似;最后,结合深度学习网络模型预测刀具状态的准确性检验生成数据的可用性;其特征在于,步骤如下:
第一步,采集刀具切削过程中的振动和声音信号
将两个加速度传感器分别安装在主轴的鼻端和主轴前轴承处,分别采集刀具加工过程中的振动信号;将声音传感器安装在工作台上,采集加工过程中的切削噪声信号;
第二步,建立生成式对抗网络模型并进行对抗训练
本方法采用的生成式对抗网络框架由一个生成器和一个鉴别器构成;生成器和鉴别器均为多层感知器结构,其中生成器负责生成和真实数据维度相同的伪数据,鉴别器负责区分真实数据和生成数据;在对抗训练过程中,生成器试图用生成的伪数据去愚弄鉴别器,使其鉴别为真,而鉴别器通过提高自己的鉴别能力分辨生成数据和真实数据,两者进行博弈,最终达到纳什平衡状态,即生成器生成的样本数据与真实的样本数据无差别,鉴别器也无法区分生成的样本数据和真实的样本数据;
本方法采集的刀具状态样本个数为l,振动信号的维度为6000,设为其中m=6000,噪声数据集的维度为1000,设为其中k=1000,刀具状态的数据集其中u=7000;对输入鉴别器的刀具状态数据集采用最大最小法进行归一化处理,使输入数据转化为[0,1]之间的数,并在生成样本数据之后进行反归一化处理,采用的归一化函数形式如式(1)所示,反归一化函数形式如式(2)所示:
式中,tool(i)是刀具状态的原始数据,tool(i)'是归一化之后的数据,为数据序列中的最小数,为序列中的最大数;
生成器和鉴别器均采用三层全连接神经网络,输入数据集为归一化之后的数据集输入层到隐含层以及隐含层到输出层的映射公式如式(3)所示:
hi=fθ(w*tool(i)'+b)(3)
式中,f为激活函数,θ={w,b}是网络的参数矩阵,其中w是输入层、隐含层和输出层神经元之间的连接权值,b是隐含层和输出层神经元的阈值;
隐含层的激活函数采用ReLU函数,函数形式如式(4)所示:
输出层的...
【专利技术属性】
技术研发人员:王永青,牛蒙蒙,刘阔,秦波,沈明瑞,厉大维,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。