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

本发明专利技术提供了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，属于机械加工状态监测技术领域。首先，采用传感器采集系统获取刀具切削过程中的振动和声音信号；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。该方法的最大优点能够增强刀具状态数据集，提高深度学习网络模型预测刀具状态的准确性。

【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，两者之间采用对抗训练的方式，完成生成式对抗网络模型的建立过程。利用训练好的生成器生成样本数据，并结合深度学习网络预测模型验证生成样本数据的可用性。本专利技术的技术方案：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；具体步骤如下：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：输出层的激活函数采用Sigmoid函数，函数形式如式(5)所示：鉴别器的输出是二分类情况，最后一层采用Sigmoid函数，输出的概率值如式(6)所示：本方法设置的目标函数如式(7)所示：鉴别器的目标函数和最优解如式(8)和(9)所示：生成器的目标函数如式(10)所示：式中，Pdata(x)是刀具状态数据集的数据分布，Pz(z)是一个先验噪声分布；D(x)表示x来自的概率；D(G(z))表示G(z)来自生成数据的概率，其中G(z)是生成器由服从先验分布的噪声数据生成的数据样本；表示x来自的数据分布的期望，表示z来自噪声分布的期望；鉴别器的目标是最大化误差函数，以区分真实数据和生成数据，生成器则是最小化误差函数，生成和真实的样本数据分布更接近的数据样本；基于目标函数，采用亚当优化算法更新参数；生成式对抗网络的训练步骤如下：(1)生成器从随机噪声产生p个假的刀具状态数据样本(2)将生成的样本数据标签为0和原始的样本数据标签为1混合在一起输入到鉴别器中；基于损失函数，固定生成器的参数不变，只更新鉴别器的参数，并且训练鉴别器以提高鉴别器对真假样本的分辨能力；(3)训练鉴别器之后，将生成样本的标签设为1；基于损失函数，误差反向传播，在这个阶段，鉴别器的参数被冻结，不能被更新，只能更新生成器中的参数，并且训练发生器以产生更真实的数据样本；(4)步骤(1)～(3)为一个训练时期，完成一个时期之后训练过程再次从(1)开始；重复多个周期训练鉴别器和生成器之后，保存生成器网络参数；第三步，对比生成数据和真实数据的相似性利用训练好的生成器生成样本数据，将生成的刀具状态样本数据和真实的刀具状态样本数据的时频图进行对比分析，判断生成的样本数据和真实的样本数据的分布是否相同；如果相同，则将生成的样本数据进行反归一化，为反归一化之后的生成的刀具状态样本数据，并将添加到原始的不平衡数据集中，增强的数据集为如果不相同，则返回到生成式对抗网络中继续进行对抗训练，直到生成的样本数据和真实的样本数据分布相同为止；第四步，验证生成样本数据的可用性采用原始的不平衡数据集和增强的数据集分别训练深度学习网络模型，测试两者的预测精度，验证生成数据的可用性；训练集和测试集无任何交集，并且测试集由真实数据组成。与现有技术相比，本专利技术的有益效果在于：1.本专利技术采用的生成式对抗网络模型能够学习数据的分布，生成与原始数据分布相同的样本数据，可有效增强训练数据集。2.本专利技术利用增强数据集训练深度网络模型，可有效提高刀具状态监测的准确性。附图说明图1为基于生成式对抗网络的刀具状态监测数据集本文档来自技高网...

【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；/n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...

【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