基于随机失活层优化深度置信网络算法的刀具磨损预测

□ 陈 莉

新乡职业技术学院 现代设计与工程学院 河南新乡 453006

1 研究背景

随着工业加工技术的不断进步,提升自动化控制精度成为众多研究人员的关注重点[1]。在加工过程中,锻锤与工件表面会在数控加工中心运行阶段发生接触,从而造成磨损的问题。锻锤表面的磨损状态会对工件的加工质量与锻床性能造成直接作用,尤其是在进行精加工时,需要达到更高的精度控制要求[2-3]。但是到目前为止,锻锤材料并不能完全满足实际使用性能要求,对于切削锻锤耐磨性的研究也受到较大的限制[4-5]。

进行刀具磨损预测时,库祥臣等[6]以反向传播神经网络构建预测模型,从传感器信号频谱内采集波形参数组成输入特征,再以随机方式对样本实施训练。毕长波等[7]主要研究通过遗传算法在全局范围内搜索反向传播神经网络权值的过程,由此确定最优性能的网络,但神经网络只能实现浅层学习的分析功能,此时样本数据内包含与预测结果存在紧密关联的输入特征,才可以获得优异的模型性能,这并不满足深度挖掘的要求。王国峰等[8]研究通过深度学习方法从样本中提取趋势性特征,以粒子滤波修正的方法来提升模型的鲁棒能力。Keyvanrad等[9]利用深度置信网络测试分辨手写数字,并对词汇进行预测试验。Mannepalli等[10]采用深度置信网络方法准确提取输入语音信号的有效频谱信号,在情感识别方面表现出优异的综合性能。

笔者在前人研究的基础上,应用随机失活层优化深度置信网络算法,对数控刀具磨损状态进行预测,并与其它算法进行对比分析。

2 随机失活层优化深度置信网络算法

图1 深度置信网络整体架构

基于深度置信网络进行分析时,需要对大量参数进行校准,传统方法通常是选择网络组合方法,从而实现网络集成功能的综合分析。但进行多模型训练测试需要耗费大量时间,因此采用随机失活层函数优化深度置信网络训练过程,这样不必按照常规循环方式中通过重复学习的过程来达到固定神经元的效果,不必对特征检测器的作用进行限制,从而防止模型对局部特征产生依赖,有效减缓过拟合程度,并由此完成正则化功能。

调节环节面对受限波尔兹曼机的训练方式,在训练开始前,先利用随机概率向量对工作节点激活状态进行分析。

(1)

判断屏蔽节点已转为静默状态,则循环不再进行学习,集成被判定激活的节点,得到神经网络训练架构,再对训练步骤进行如下重复处理:

(2)

(3)

3 试验验证

3.1 感知数据获取

当刀具停止回转后,形成随机分布的刀具位置会对检测结果造成明显影响。对此,设计一种能够隔离测试仪器和机台的双镜头视觉测试方法,利用相机来抓取磨损图像。

3.2 刀具磨损状态识别

端铣切削加工时,采用硬质合金四齿立铣刀,以45号钢作为加工材料,由此在数控加工中心上进行加工。

将刀具后刀面磨损程度0.4 mm作为磨钝判断指标,最终测试得到12组数据,部分见表1。

表1 测试数据

3.3 预测模型框架搭建

采集得到200组样本,再以7∶3将样本分为训练样本与测试样本。控制学习率为0.02,将单次训练的样本数控制为32,共进行50次层间迭代。将随机失活层概率设置为0.08,包含七个输入层与一个输出层。样本数据采集见表2,受限玻尔兹曼机迭代过程如图2所示。

表2 样本数据采集

图2 受限波尔兹曼机迭代过程

由图2可知,各层受限波尔兹曼机都需要在初期训练阶段重新学习,此时会引起重构误差方式突变,最终逐渐达到稳定状态。

3.4 结果分析

采用不同算法进行对比测试,预测精度对比如图3所示。由图3对比可知,深度反向传播网络缺乏良好的泛化能力,支持向量机则花费最长的预测时间。对于生产过程而言,可以忽略模型的训练时间,但是不同预测时间会引起刀具置换判断结果的较大差异。

图3 算法预测精度对比

相比较深度反向传播网络和支持向量机,样本选择过程对深度置信网络的预测精度有直接影响。当测试集数据超出训练集范围时,将会明显影响预测精度,与深度置信网络特性相符。加入随机失活层后,有助于提升模型学习性能。

由于深度置信网络进行特征提取时能够重构得到更优权值,因此在促进网络预测性能提升的情况下能够更快完成特征匹配收敛过程。算法误差比较见表3。由表3可知,经过随机失活层优化的深度置信网络表现出更稳定与更准确的预测结果。

表3 算法误差比较

4 结束语

为了提高数控刀具加工精度,应用随机失活层优化深度置信网络算法,进行刀具磨损状态预测,并开展试验分析,得到研究结果。

各层受限波尔兹曼机都需要在初期训练阶段重新学习,此时会引起重构误差方式突变,最终逐渐达到稳定状态。

相比深度反向传播网络和支持向量机,加入随机失活层后,深度置信网络有助于提升模型学习性能,表现出更稳定与更准确的预测结果。