基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刘 辉，张超勇，戴 稳

(1.华中科技大学 数字制造装备与技术国家重点实验室，湖北 武汉 430074；2.深圳领威科技有限公司，广东 深圳 518000)

1 问题的描述

刀具磨损状态是机械加工过程中需要考虑的重要因素之一。刀具磨损后切削力加大、切削温度升高，会造成工件加工精度降低，表面粗糙度增大，严重的甚至导致整个加工系统停机。因此，刀具磨损直接影响加工质量、成本和效率。据统计，生产过程中因刀具突然损坏引起的停机时间占停机总时间的20%[1]。可以看出，刀具磨损状态的监测与预测对改善机械加工过程中的质量、成本和效率有重要的意义。

目前，刀具状态检测的研究方法可以分成直接法和间接法两大类[2]，如表1所示。直接法主要利用光学检测、辐射检测、电阻检测、接近传感器或视觉检测系统等来直接监测刀具的磨损量[3]，但是因为在切削加工过程中刀具与工件的接触总是连续的，所以该测量方法受到视野遮挡等因素的影响，其应用范围有限;间接法是通过测量切削过程中的间接参数来对刀具当前的磨损状态进行预测，因为其易操作性和经济性高，在预测刀具状态的研究中占据重要地位[4]。本文主要研究刀具磨损量的间接预测。

表1 刀具状态检测方法

当前，研究者们已采用各种间接法对刀具状态检测开展了研究。BHUIYAN等[5-6]测量了车削过程中的声发射信号用以预测刀具状态及剩余寿命，研究过程中发现声发射信号的主要来源是刀具的磨损、切屑的形成和被加工工件的塑性变形，表明采用声发射信号能准确地响应刀具的磨损，并在一定程度上表征刀具的剩余寿命;TANSEL等[7]通过采集铣床在加工铝和低碳钢时铣刀在进给方向上的切削力信号，并将其作为神经网络的输入特征向量来判断刀具的磨损状态;LIANG等[8]通过机器视觉的方式，采集刀具不同状态的图像并利用高斯滤波将亚像素边缘检测后的顶点进行有效提取，最终建立了基于机器视觉的刀具磨损自动监测系统;敖银辉[9]采集钻机主轴的电流信号并对其进行小波变换滤波，提取出各节点的能量特征,并应用隐马尔可夫模型(Hidelen Markov Model, HMM)识别出当前钻头的磨损状态;秦国华[10]等采用浅层神经网络建立了切削速度、每齿进给量、背吃刀量和切削时间与铣刀磨损量的映射关系，然后利用该映射关系结合遗传算法对铣削工艺参数进行优化，从而使铣刀的使用寿命有所增加;肖鹏飞等[11]为解决训练样本数量有限、滑动时间窗长度以及监测模型不能自适应调整和更新等问题，提出一种自适应动态无偏最小二乘支持向量机的方式进行刀具磨损预测，并通过实验证明该方法相较于传统机器学习算法有较高的建模效率和预测精度。

HINTON等[12]于2006年提出了深度学习的概念，其本质是高维特征变换器，理论上可以做到任意非线性变换。神经网络在坐标系变换的同时，也充当了信息过滤器。如今，在各行各业的前沿领域均可见到深度学习[13]的使用。随着深度学习应用领域的不断扩大，研究者们发现将深度学习应用到故障模式识别领域同样能获得很好的效果。张存吉等[14]运用深度学习中的卷积神经网建立刀具状态预测模型，将采集到的刀具振动信号转换成能量频谱图，并将其作为卷积神经网络的输入来训练该模型，实验结果表明采用深度学习建立的模型比传统的浅层神经网络的分类准确性更高;何彦等[15]等通过长短时记忆卷积神经网络对刀具加工时的振动、力和声发射信号进行序列和多维度特征提取，然后利用线性回归实现特征到刀具磨损值的映射;陶韬[16]将基于人工特征提取和基于深度自编码网络提取到的刀具振动信号分别作为浅层神经网络和深度学习网络的输入，实验证明经过深度自编码网络提取到的特征向量在后续用于预测模型的输入时，具有更高的准确度;孙文珺等[17]通过采集感应电动机的振动信号并进行去噪处理，作为稀疏自动编码网络的输入对其进行故障诊断。针对刀具振动信号，其人工提取特征总是不可避免地带有噪声，在函数图像上体现为局部的骤升和骤落，这对预测模型的训练干扰极大。戴稳等[18]提出的特征后处理的方式为处理该类问题提供了一种新的思路，采用特征后处理的方式将降维后的特征向量按走刀次数进行单调不递减的平滑处理，从而大大提高了后续拟合模型的精度。但是采用该方式对某次走刀后刀具的磨损量进行预测，需要该次走刀前后的一系列走刀数据，因此时效性和实用性并不强。

本文借鉴特征后处理的思想，构造了堆叠稀疏去噪自动编码网络(Stacking Sparse Denoising Auto-Encoder, SSDAE)，以特征后处理后的平滑特征作为该深度学习网络的输出端；以不加处理的人工提取特征作为该深度学习网络的输入端，从而构建能自主去噪的深度降维网络。此时，若将SSDAE后接一个softmax分类器，即可实现如卷积神经网络(Convolutional Neural Network, CNN)或循环神经网络(Recurrent Neural Network, RNN)对刀具磨损的分类预测功能。多数研究者将刀具磨损状态分为3类：初步磨损、正常磨损和失效磨损。因为分类区间较大，导致同一类状态的实际磨损量可能相差较大，不同类状态的实际磨损量可能相差并不大，所以分类模型在实际生产中提供的有效信息远不如拟合模型所提供的磨损量数值预测信息。

为实现刀具磨损量的精确预测，本文将SSDAE后接一个用于拟合预测的多隐层前馈神经网络(Back Propagation Neural Network, BPNN)，构建SSDAE-BPNN模型。在实际生产中应用该模型预测，只需提取某次走刀的人工特征，将其作为本文建立的SSDAE-BPNN模型的输入，即可得到刀具此时的预测磨损量。

2 深度学习理论

深度学习的本质是层次加深的神经网络，而且无论是在分类、拟合还是聚类这3大传统机器学习算法领域，深度学习的效果都令人满意。本文建立的模型主要利用深度学习中的自编码网络。自编码网络倾向于学习得到与样本相对应的低维向量，该向量可以更好地表征高维样本的数据特征。本文将自编码网络和与之相关的稀疏性构造、栈式堆叠、去噪性构造等内容联合起来建立一个不但精度高，而且对噪声具有鲁棒性的特征降维网络。

2.1 稀疏去噪自动编码网络

自编码(Auto-Encoder, AE)网络是非监督学习领域的一种，其通过编码和解码的过程重构输入信号，以得到输入信号的高阶表示。最常见的自编码网络输入和输出完全一样，但是本文对其增加了去噪性构造，使之成为去噪自动编码网络(Denoising Auto-Encoder, DAE)。最简单的DAE和AE都是由输入层、隐藏层、输出层构成，其网络结构如图1所示。

(1)

从隐藏层到输出层的解码过程可表示为：

(2)

(3)

式中m为训练样本的个数。DAE的训练过程即不断调整参数集{W1,W2,b1,b2}，使得JDAE(W,b)取得最小值。

从图1的DAE结构图可以看出，隐藏层的神经元数目小于输入层的神经元个数时，该网络可实现样本数据维度的压缩。当隐藏层的神经元数目大于输入层的神经元个数时，要实现数据维度的压缩只需对隐藏层的大部分神经元节点进行抑制，这也是稀疏自动编码网络(Sparse Auto-Encoder, SAE)的设计初衷[19]。

稀疏自动编码网络的稀疏性可以理解为：假设神经元的输出范围为0～1(激活函数使用Sigmod)，当神经元的输出为0或接近0时，认为该神经元被抑制；当神经元的输出为1时，认为该神经元被激活。因此，当神经网络中某一层大部分神经元都是被抑制的状态，则认为该层具有稀疏性。在图1所示的三层DAE基础上，本文将其改造成稀疏去噪自动编码网络(Sparse Denoising Auto-Encoder, SDAE)，隐藏层的神经元j的平均激活度

(4)

(5)

最终SDAE的重构误差损失函数可表示为：

(6)

2.2 堆叠自编码网络

一般来说，自编码网络是简单的三层结构，属于浅层神经网络模型，在面对高维特征向量的降维问题时，其学习能力有限。为了增加自编码网络的学习能力，一般采用加深层次的方式，但是包括普通自编码网络在内的所有浅层神经网络采用的是误差反向传播方式，所以层越深，传播的误差越小，梯度消失的可能性就越大。堆叠自编码网络(Stacked Auto-encoder, SA)则避免了这个问题，直接使用降维后的特征值进行二次训练，理论上可以任意层次加深。以两隐层的SA为例，其训练过程如下：

(1)训练一个自编码器，得到原始数据的一阶特征表示h(1)，如图2的feature Ⅰ所示。

(2)将上一步输出的特征h(1)作为下一个自编码器的输入，得到原始数据的二阶特征表示h(2)，如图3的feature Ⅱ所示。

(3)将上一步输出的特征h(2)作为最终的降维向量，后续可将其作为神经网络的输入特征向量并完成最终的分类或拟合任务，具体网络结构如图4所示。

(4)将这3个层级联起来就构成了一个包含两隐层的堆叠自编码网络，其完整网路结构如图5所示。

对于本文来说，将堆叠构造应用于SDAE模型中，最终建立了SSDAE模型，以进行深度降维学习，从而获得更好的降维特征向量作为后续多隐层BP神经网络的输入。

3 基于SSDAE-BPNN铣刀磨损预测模型

本文所提基于SSDAE-BPNN的铣刀磨损预测模型的实现步骤如下，算法流程如图6所示。

(1)信号采集 使用振动传感器采集铣刀X、Y、Z三方向的振动信号，同时通过显微镜记录每次走刀后铣刀三方向的平均磨损量，作为每次走刀的磨损量。

(2)特征提取及分析 将采集到的振动信号进行小波去噪，然后将去噪后数据进行时域、频域、时频域的人工特征提取。最后，通过皮尔逊相关系数法筛选合格的特征参数。

(3)深度学习特征降维 建立堆叠稀疏去噪编码网络(SSDAE)进行特征降维。后续进行鲁棒性检验时，将人为加入噪声的特征向量降维后作为后续训练好的多隐层BP神经网络的输入，以此测试模型的鲁棒性。

(4)模型训练及评价 将经过SSDAE降维后的特征向量作为多隐层BPNN的输入，其对应的磨损值作为标签训练和测试多隐层BPNN。

3.1 数据来源

本文采用美国纽约预测与健康管理学会(PHM)2010年高速数控机床刀具健康预测竞赛开放数据中的铣削实验数据[11]进行模型评估。铣削过程中使用一把球头铣刀进行重复的315次端面铣，每次的走刀长度都是108 mm。随着走刀次数的增加，刀具逐渐开始磨损，每次走刀后采用立体显微镜测量铣刀X、Y、Z三个方向的磨损量并记录下来。将走刀次数作为横坐标，铣刀3个方向的平均磨损量作为纵坐标，可作出刀具磨损曲线,如图7所示。

观察图7可知，刀具磨损曲线可以被分成三段，其中：第1～40次走刀为初步磨损阶段，第41～206次走刀为正常磨损阶段，第207次以后的走刀为失效磨损阶段。当检测到刀具处于失效磨损阶段时，应该采取相应措施，如更换刀具或将旧的刀具重新刃磨。

3.2 小波降噪

由于铣削加工过程中刀齿周期性的切入和切出，切削振动信号也应该呈现出周期性，故有用振动信号主要集中在信号低频部分，而干扰噪声主要集中在高频部分[20]。因此，利用小波去噪需要保留低频有用信号，滤除高频无用噪声。本文采用1层小波包分解，“db4”小波函数，再利用小波重构信号函数对降噪信号进行重构。

在记录的315次走刀信号中随机选取第4次(磨损量为31.06 μm)、第238次(磨损量为115.13 μm)、第315次(磨损量为203.08 μm)的振动信号进行分析。针对上述3次走刀，对每次走刀过程中采集到的X、Y、Z三方向的铣削振动信号进行频谱分析。以Z方向为例，降噪前后的频域图如图8和9所示。

3.3 特征提取

经过小波降噪后的振动信号可以进行人工特征提取。传统信号处理方法包括快速傅里叶变换和小波变换等[21-22]，可将时域信号转换到频域以及时频域。本文选取时域上的3个特征参数，频域上的3个特征参数，具体计算公式如表2所示。由于每次走刀采集了X、Y、Z三方向的振动信号，每个方向的时域和频域的特征参数为6个，即每次走刀对应的X、Y、Z三个方向的总的特征参数为18个。

表2 时域及频域特征参数

续表2

提取时频域的特征时，首先需要确定小波包分解的层次。小波包分解层次公式[23]为：

(7)

式中：Fs为信号采样频率;n为小波包分解层数;fmin为最小频带分辨率。

根据频谱图的分析可知，频带分辨率不应大于518 Hz。由于采样频率为50 kHz，根据式(7)可得小波包分解层数为6层。又因为采集到的铣削振动信号频率集中在1～10 kHz，所以应该取前32频带(1～12.5 kHz)能量作为监测特征。每次走刀考虑X、Y、Z三个方向，最终可得到时频域上的96类特征参数。

3.4 特征选择

由3.3节可知,每次走刀可采集对应的114个特征参数，这些特征参数并不是都与刀具磨损量之间存在相关性。有的特征参数虽然与磨损量之间存在相关性，但是相关性太弱，如果将114类特征参数不加筛选地作为后续深度学习网络的输入，不仅会造成不必要的计算负担，还会导致网络模型的损失函数收敛过慢甚至无法收敛。因此，本文采用皮尔逊相关系数法进行特征参数的初步筛选。

以ρxy≥0.9为筛选标准，可以在114类特征参数中初步筛选出42类合格特征参数。其中时域和频域上共有6个合格特征参数，时频域上有36个合格特征参数。随机绘制其中4个特征参数与磨损量的折线，横坐标为磨损量，纵坐标为特征参数的值，如图10所示。

从图10可以看出,经过相关系数法初步筛选后的特征参数和铣刀磨损量之间存在较强的正相关性。将每次走刀对应的42类特征参数合并为一个特征向量，此42维人工特征向量后续将作为SSDAE的输入。

3.5 特征后处理

铣削加工过程中刀具的磨损是随着走刀次数逐渐加剧的，其磨损曲线由图8可以看出，是平滑且单调递增的。对于能表征刀具磨损状态的特征参数而言，其特征值随着走刀次数的增加也应该呈现类似的性质。但是经过上述一系列的小波去噪、特征提取、特征选择等操作后，筛选的特征参数曲线都存在局部的骤升和骤降。以振动信号X方向的时域特征参数中的标准差sigma_x为例，画出走刀次数与sigma_x的值的折线图，如图11中虚线所示。

sigma_x的特征曲线图包含小范围的骤升和骤降，这是由于铣床加工过程中有：电流电压的不稳定、被加工材料的形变、环境中其他振动信号等环境噪声的存在，从而导致该曲线不是完全单调递增的平滑曲线。本文采用保序回归和指数平滑的特征后处理方式，对sigma_x特征后处理之后的曲线如图11中实线所示，其中指数平滑采用平滑系数为0.5二次指数平滑。

本文采取特征后处理的方式是想进一步排除加工环境及电网等干扰因素，提升特征参数对铣刀磨损量的表征效果[17]，以获得更为理想的与磨损量相关性更强的特征向量，并以此作为SSDAE的输出端，从而训练鲁棒性更强的深度降维网络。

3.6 SSDAE特征降维

原则上经过人工筛选的42种特征参数每一个或者任意多个组合都可以用来表征刀具磨损的状态，但是特征选择的好坏对后续预测模型的准确度影响很大。本文使用SSDAE模型将筛选后的特征维度进行压缩，既避免了特征选择对先验知识的要求，又提升了后续拟合模型的建模效率。

由2.2节可知，SSDAE的网络层次理论上可以为任意值，一般情况下随着层数的加深，对高维特征的降维效果越好，但这不意味着层数越多越好。首先，随着层数的加深，网络训练时间会大幅增加；其次，即便花费大量时间训练了一个较深层次的SSDAE，其重构误差也不一定小于浅层次的SSDAE；最后，层次越深的SSDAE训练难度越大，成功的概率也越低。除了层数对SSDAE的降维效果有直接影响外，SSDAE本身的网络结构，即各层的神经元数目同样对降维效果影响重大，因此SSDAE的构造很难最优化[24]。考虑到本实验需要将42维特征向量降至9维，其维度压缩并不是很大，最终将隐藏层的层数选择范围定在1层～6层，并分析不同层次SSDAE的降维效果。

每种层数的SSDAE选取多种网络结构进行多次实验，取每类层数中训练效果最好的网络结构的均方根误差(RMSE)，如图12中实线所示，同时与未采用堆叠构造的SDAE模型进行对比，SDAE的RMSE如图12中虚线所示。从最终结果来看，普通的自编码网络随着层数的不断加深，在未找到令人满意的模型前，其表达效果开始急剧恶化，因此无法进行深度降维学习。而采用堆叠构造的自编码网络随着层数的不断加深，其表达效果整体趋向最优，虽然存在一定波动，但能找到较为满意的模型结构。

在只考虑模型降维精度的情况下，本文选用隐藏层层数为5的SSDAE，此时RMSE有最小值。该模型编码和解码激活函数为Sigmoid函数、稀疏惩罚参数β=0.2、稀疏性参数ρ=0.05，具体网络结构为42-100-80-60-40-20-9。

4 实验结果与分析

对刀具状态进行预测，首先需要采集能表征刀具磨损状态的信号，然后通过建立好的模型将采集到的信号作为输入得到刀具此时的磨损状态。本文为建立该刀具磨损预测模型，首先采集了铣刀X、Y、Z三方向的振动信号，经过相关数据分析和处理后得到人工筛选的高维特征向量；然后以此高维特征作为SSDAE-BPNN的输入，以实际的磨损量作为输出训练和测试该刀具磨损预测模型。

本次实验总共记录了315次的走刀记录，每隔5个数据取1个作为测试数据。最终训练数据集有263个数据及标签，测试数据集有52个数据及标签。同时，以实际磨损值与模型预测值的均方根误差(RMSE)作为SSDAE-BPNN的损失函数及评价指标。

4.1 SSDAE-BPNN模型预测结果分析

由3.6节可知SSDAE的网络结构是42-100-80-60-40-20-9，即最终将42维的特征向量压缩为9维的特征向量。之后将9维的特征向量作为多隐层BPNN的输入，以实际磨损量作为输出来训练和测试该网络。其中BPNN的网络结构为9-30-30-10-1，初始学习率learning_rate为0.05，激活函数为Relu，迭代次数training_epochs为10 000次，批处理数量Batch_size为10。训练过程中使用了Dropout技术和退化学习率技术。Dropout技术中的保持率keep_prob为0.8，退化学习率技术中学习率α设置为每迭代1 000次，α减小为原来的90%。

最后训练结束后，用测试数据集进行检测，得到其RMSE为1.34 μm，最终的测试集拟合曲线如图13所示。

4.2 SSDAE-BPNN的鲁棒性测试

在实际的车削中采集到的数据不可避免地会存在误差，即使使用了行之有效的去噪方法也不可能完全去除噪声。本文实验中采集到的铣刀振动信号同样如此，即使经过小波去噪，振动信号的噪声依旧较大，这点可以从相关特征参数曲线较大的波动性中看出来。为减少噪声对预测精度的影响，本文在构造自编码网络时使用了去噪技术，迫使该网络去学习输入信号更加鲁棒的特征表达，即具有更强的泛化能力。为了证明本文建立的SSDAE-BPNN对噪声信号具有一定的鲁棒性，进行了以下实验。

将人工筛选出的42维特征向量(ρxy≥0.9)与315次走刀一起构成一个315×42的输入矩阵,然后对该矩阵的每一个值都加入一个高斯噪声。具体操作为：以每一特征列为操作单位，加入的高斯噪声服从以0为均值，以该特征列的平均值的1/12为标准差的高斯分布;随机绘制4列特征参数加入噪声前后的曲线对比，如图14所示。

然后将人为加入噪声的315×42的特征向量矩阵按照本文划分训练数据集和测试数据集的方式，取测试数据集(52×42的特征向量矩阵)输入本文建立好的SSDAE-BPNN网络模型中得到最终的预测结果RMSE为3.94 μm，并将其与未加入噪声时的情况对比，如图15所示。

从图1可以看出,虽然对输入SSDAE的特征向量加入了一些噪声，但是其最终的拟合效果依然较好，由此证明了本文建立的SSDAE-BPNN模型具有一定的鲁棒性。

4.3 不同算法对比

本文将经过深度学习降维的SSDAE-BPNN模型与同样采用深度学习方式进行刀具磨损值预测的长短期记忆网络(Long Short Term Memory, LSTM)模型、两种传统的神经网络模型和两种传统的机器学习模型进行效果比对。

其中LSTM[25]在RNN的基础上增加了门操作，缓解了RNN经常出现的梯度消失或梯度爆炸问题。由于该深度学习模型可用于处理时间序列数据，可以直接将采集到的振动信号作为网络的输入，从而避免人工特征提取的麻烦。但是振动传感器的采样频率高达50 KHz，为了避免输入样本的维度过大，对每一次的走刀数据进行下采样，使得LSTM的时间步长为100，每一时刻的数据长度为10。本例中LSTM的隐藏层神经元数目为42，为实现拟合功能需要在其后增加拟合层，其完整的网络结构如式(8)所示：

input(100×10)→LSTM(42)→

regression(100-30-9-1)。

(8)

传统神经网络模型中的多隐层BPNN,其网络结构与SSDAE-BPNN中的BPNN部分完全一样，具体结构为：42-100-30-9-1；另一比较对象为径向基函数神经网络(Radial Basis Function Neural network, RBFN)，因为RBFN只能含有一个隐藏层，且隐藏层神经元数目一般不大于输入层神经元数目，所以本文设计的RBFN网络结构为42-9-1，且采用高斯函数作为其径向基函数。

传统机器学习模型包括线性回归(Linear Regression, LR)和最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)，其中LSSVM采用高斯径向基核函数并结合粒子群算法优化参数选择。

在实验中，将未经过SSDAE维度压缩的42维人工特征作为各传统神经网络和传统机器学习模型的输入实现刀具磨损的预测。同时，为了探讨这些模型面对噪声的鲁棒性，将加入相同高斯噪声的特征作为各模型的输入，并对最终的预测结果进行对比。各模型对相同数据的求解时间以及针对测试集的RMSE如表3所示，其中平均求解时间为50次原始输入和50次加噪输入的平均求解时间。

表3 不同算法对比

由表3可知，无论是否加入噪声，本文提出的SSDAE-BPNN模型的预测精度均高于LSTM网络、传统神经网络以及传统机器学习算法，尤其是在面对含噪数据时，SSDAE-BPNN展现出了其面对噪声的鲁棒性。对比各模型加入噪声前后的预测精度，可以发现其他算法模型加入噪声后RMSE大幅增加，而SSDAE-BPNN模型的RMSE只有小幅增加。不过对比相同问题的求解时间可以发现，基于深度学习的SSDAE-BPNN和LSTM模型明显较慢，但这是不可避免的，因为深度学习模型所具有的参数数量和运算复杂度远大于其他模型。综上可证明，本文建立的SSDAE-BPNN刀具磨损预测模型不但精度较高，而且面对噪声具有一定的鲁棒性。

5 实例验证

本文利用PHM协会提供的公开数据集从理论上验证了SSDAE-BPNN模型的有效性与准确性。但是本文提出的SSDAE-BPNN作为一个预测模型，若没有实例验证，其正确性与有效性很难判定。尤其是该模型面对噪声的鲁棒性特点通过人为添加高斯噪声的方式来检测，其说服力远不如通过实例验证直接。为此，本文搭建了如图16所示的铣削系统，以进行实例验证。

本实验中使用CNC数控加工中心(型号：V1370L)进行切削，所用刀具为中硬度微细颗粒钻石钨钢球头铣刀(型号：NK10Z)，切削工件为回火钢(HRC52)。切削过程中的振动信号采用无线三轴加速度计(型号：Kistler 9265B)测量，每次切削后用立体显微镜(型号：LEICA MZ12)测量刀具磨损量。其中部分切削参数如下：主轴转速为10 400 RPM，铣削深度为0.2 mm，铣削宽度为0.125 mm，进给率为1 555 mm/min，每次走刀长度为108 mm。

在该实例验证中共收集了315次走刀的数据，首先按照第2节内容对数据进行预处理，然后按照第4章的方式选取其中的263次走刀数据建立SSDAE-BPNN模型，剩余52次走刀数据用于模型验证。实验过程对铣削系统周围的环境噪声特意不加控制，并选取表3中表现效果较好的LSSVM模型作为对比，其实验结果如图17所示。由图17可知，本文提出的SSDAE-BPNN模型在实际加工环境中也有较好的表现，其预测值与实际值误差较小。而作为表3中表现效果较好的LSSVM模型的预测精度却远不如本文提出的SSDAE-BPNN模型。

6 结束语

本文提出一种基于堆叠稀疏去噪自动编码网络与多隐层BP神经网络的刀具磨损预测模型，可用于实际生产中刀具磨损量实时预测。该模型以深度自编码网络为核心，后接多隐层BPNN对刀具每次走刀后的磨损量进行预测。利用公开数据集与多种算法模型比对，从理论上证明了SSDAE-BPNN模型有较高的预测精度，之后通过实例验证进一步证明了SSDAE-BPNN模型的有效性。同时，本模型最大的特点就是对深度自编码网络加入了去噪性构造，利用特征后处理的方式获得理论上平滑的特征向量，并以此作为SSDAE的输出，迫使该网络学习如何去除噪声，获得输入信号更加鲁棒的特征表达，并通过对比实验进行了验证。

实际车间生产加工中环境复杂，本文提出的方法对噪声具有一定的鲁棒性，对实际生产环境中的刀具磨损预测有一定现实意义。但是，本文只采用了铣刀的振动信号对其进行磨损预测，如果能尝试多物理域信息融合的方式，如将刀具的振动信号、切削力信号、温度信号等相结合对铣刀磨损量预测，相信会有更好的效果。同时，本文在研究SSDAE的网络结构时具有一定的主观性，如何让手动选择参数变为网络自适应选择部分参数也是未来的研究方向。