王大春，李國和，王豐，閆冬，范建勛

天津職業(yè)技術師范大學機械工程學院

1 引言

隨著工業(yè)互聯(lián)網技術的進步，機械制造不斷向自動化和智能化方向發(fā)展，對制造過程進行全面監(jiān)測成為必然趨勢。刀具作為切削加工的基礎部件之一，在切削加工過程中會出現磨損和破損等情況，刀具磨損程度將直接導致切削力增加、加工工件表面粗糙度上升和工件尺寸精度下降，間接導致機床損壞和加工成本增加。研究表明，刀具磨損失效是導致機床系統(tǒng)故障的主要原因之一，由此造成的停機占機床總停機時間的20%～30%。因此，進行實時有效的刀具狀態(tài)監(jiān)測是制造過程監(jiān)測的重點。

刀具磨損的監(jiān)測方法可分為直接法和間接法。直接法是通過顯微觀測等方法直接獲得刀具的磨損值，具有直觀和準確性高等特點，但由于通常需要停機檢測，且無法監(jiān)測切削過程中突發(fā)的破損，因而在應用上有很大的局限性；間接法是利用傳感器監(jiān)測功率等信號并進行處理分析，從而判斷并預測刀具磨損情況，因此具有不影響加工過程且實時監(jiān)測等優(yōu)點，適用于智能制造環(huán)境下的刀具磨損在線監(jiān)測。

傳統(tǒng)機器學習模型有隱馬爾可夫模型(HMM)、人工神經網絡(ANN)、隨機森林和支持向量機(SVM)等。這些方法在刀具磨損監(jiān)測中都有一定的應用，但監(jiān)測精度不高，主要原因在于：①對樣本數據的處理需大量經驗；②收斂速度不可控且容易造成局部最優(yōu)；③人為特征提取耗費大量人力資源且易丟失信息；④無法挖掘大量采集數據的深層特征?？梢姡瑐鹘y(tǒng)基于機器學習的刀具磨損監(jiān)測方法已經無法滿足智能制造的發(fā)展需求。

深度學習通過高效處理數據，突破了傳統(tǒng)神經網絡在實際應用中的梯度彌散和局部最優(yōu)等瓶頸，已廣泛應用于語音識別[1]、計算機視覺[2]、自然語言處理[3]和機械故障診斷等領域，并取得巨大成功。基于深度學習的刀具磨損監(jiān)測模型憑借強大的數據處理和特征提取能力，使監(jiān)測精度明顯提高，在刀具磨損監(jiān)測方面得到了廣泛應用。

2 深度學習在刀具磨損監(jiān)測中的應用

深度學習是以神經網絡算法為基礎的深度結構模型[4]，屬于機器學習衍生的新領域和人工智能概念，其包含關系如圖1所示。深度學習由輸入層、數個隱含層以及輸出層構成，每層有若干個以權重連接的神經元，單個神經元模型如圖2所示。

圖2 神經元模型

在刀具磨損監(jiān)測時，隨著訓練數據量的增加，深度學習方法在學習和預測方面都表現出優(yōu)異的性能，監(jiān)測精度遠高于基于傳統(tǒng)機器學習的刀具磨損監(jiān)測模型(見圖3)。

圖3 深度學習與機器學習監(jiān)測精度對比

刀具磨損監(jiān)測中使用的深度學習模型主要有：卷積神經網絡、稀疏自編碼網絡、深度置信網絡和長短時記憶神經網絡。本文介紹了各深度學習模型的基礎理論及結構，對基于各種深度學習模型的刀具磨損監(jiān)測方法的國內外研究現狀進行總結，分析存在的問題并指出未來的發(fā)展方向。

2.1 基于卷積神經網絡的刀具磨損監(jiān)測

卷積神經網絡(CNN)是深度前饋型神經網絡，由輸入層、卷積層、池化層、全連接層和輸出層構成(見圖4)。輸入層接收和處理數據；卷積層提取圖像的特征，每個卷積層都連接修正線性函數，完成卷積層數據的線性激活；池化層一般采用最大池化對卷積后的特征圖進行降維采樣；在CNN的最后一般會連接幾個全連接層，對輸入其中的特征進行整合，形成易于分類的特征；輸出層輸出分類結果。CNN模型的輸入通常為圖像，卷積層中的多個卷積核從輸入圖像中提取特征，利用最大池化進行降維采樣，通過卷積層和池化層的疊加處理，產生信息含量較高的特征圖，卷積層和池化層的數學模型為

圖4 CNN模型結構

(1)

(2)

部分學者基于CNN模型研究刀具磨損監(jiān)測。張存吉等[5]運用深度卷積神經網絡搭建刀具磨損監(jiān)測模型，將刀具振動信號的能量頻譜圖作為卷積神經網絡的輸入信號，輸出刀具磨損狀態(tài)，實現了刀具磨損程度的識別。Gouarir A.等[6]提出了刀具磨損在線預測系統(tǒng)，使用力傳感器采集切削力信號作為輸入信號，數字顯微鏡測量后刀面磨損量作為標簽數據，利用經驗數據庫對CNN進行訓練，通過實時切削力對模型進行測試，該方法的估計準確率為90%。Thomas Bergs等[7]利用KeyenseVHX-6000顯微鏡分別對不同刀具以及單個刀具磨損進行拍照，根據不同刀具圖像輸入CNN模型進行分類(分類精度為95.6%)，將單個刀具磨損圖像輸入U-Net卷積神經網絡對刀具磨損進行監(jiān)測，當平均聯(lián)合交叉點系數為0.73時取得了良好的結果。李德華等[8]提出了一種在線刀具磨損測量法，通過電子顯微鏡在線拍攝刀具磨損照片，經小波濾波處理后作為CNN模型的輸入，采用后刀面最大磨損寬度作為刀具磨損狀態(tài)的評價標準，訓練后模型可自動提取后刀面磨損量，實現刀具在線監(jiān)測。張新建[9]采集工件表面紋理信息輸入優(yōu)化后的AlexNet卷積神經網絡對模型進行訓練，利用卷積神經網絡直接從圖像中提取特征信息，獲得刀具的磨損等級，實現刀具磨損監(jiān)測。曹大理等[10]提出了一種基于CNN的刀具磨損在線監(jiān)測方法，利用傳感器采集數控加工過程中的力信號、加速度信號和聲發(fā)射信號并作為輸入信號，采用訓練后的DenseNet卷積神經網絡進行特征提取，輸出后刀面磨損量。李正官等[11]應用小波包變換對振動信號進行處理并提取能量圖作為模型輸入，應用VGG-19卷積神經網絡預測刀具磨損狀態(tài)。Fatemeh Aghazaden等[12]利用基于小波變換和譜減法的混合特征提取法從切削力信號、振動信號和電流信號中提取特征值，通過提取的特征對CNN模型進行訓練與測試，實驗證明CNN模型識別準確率較高，可以進行刀具磨損狀態(tài)在線監(jiān)測。尹晨等[13]利用自動觸發(fā)方式采集振動、功率和數控系統(tǒng)參數等多源信號，并利用皮爾遜相關系數篩選出強相關性特征，對一維CNN進行訓練測試，證明該模型可實現刀具磨損在線監(jiān)測。楊漢博等[14]利用皮爾遜相關系數、斯皮爾曼系數和一致性構建敏感特征提取函數，從聲發(fā)射、振動和電流信號中提取高敏感度特征，輸入深度卷積神經網絡，對模型進行訓練，實現刀具磨損監(jiān)測。傳統(tǒng)CNN模型大都通過堆疊卷積層的方式擴大網絡深度，進而提升監(jiān)測精度，但是隨著卷積層增多會造成監(jiān)測模型梯度彌散或消失。

針對傳統(tǒng)CNN模型隱含層過于簡單的問題和無法良好地處理刀具磨損信號包含時序信號的問題，部分學者提出了新的解決方法。German Terrazas等[15]采集切削力信號，經放大后輸入雙數據采集系統(tǒng)，對信號進行處理和數字化，經格蘭姆角場處理生成二維圖像，并作為CNN模型的輸入信號，對模型進行訓練后，對銑削過程中實時獲得的力信號進行分類，測試精度為78%。Cao Xincheng等[16]提出一種基于衍生小波的卷積神經網絡銑刀磨損監(jiān)測模型，采集主軸振動信號作為原始信號，通過衍生小波提取高信噪比頻帶，并將頻譜處理為二維矩陣來訓練二維CNN，采用不同切削參數下的監(jiān)測信號對刀具進行全壽命試驗，該方法的識別精度達98.5%。Achyuth Kothurn等[17]采集銑削加工中的聲信號，利用可視化技術處理光譜圖，訓練優(yōu)化后的CNN模型使監(jiān)測模型的監(jiān)測精度顯著提高。Giovanna Martínez Arellano等[18]采集加工過程中的切削力信號，利用格蘭姆角場技術生成圖像，經分段聚合近似算法處理后將其應用于CNN模型進行訓練，分類精度達90%以上。董靖川等[19]采集切削過程中的高頻切削力、振動、AE信號以及刀具后刀面磨損量作為分布式卷積神經網絡模型的輸入信號，對模型進行訓練，實現刀具磨損量預測。Xu Xingwei等[20]采集切削加工中的振動信號，經歸一化處理后輸入CNN模型，通過訓練，自動從原始振動數據中提取特征，并采用擴張的卷積形成殘余塊，擴大特征圖的接受閾，避免了合并層后丟失信息，利用全連接網絡輸出刀具磨損。黨英等[21]提出了一種混合監(jiān)測模型，將卷積神經網絡和極限學習機進行有效融合，采集原始高頻振動信號，并對其進行批量標準化和切片處理，形成訓練集和測試集，將訓練集輸入一維卷積神經網絡，通過參數優(yōu)化和極限學習機分類器進行模型訓練，利用測試集進行驗證，得到識別結果。

運用CNN模型進行刀具磨損監(jiān)測時，需使用傳感器采集走刀過程中的各種信號(如切削力、主軸功率、振動和聲發(fā)射信號等)，并對其進行預處理，獲取有效數據。將處理后數據進行轉換，獲得固定尺寸的能量頻譜圖，將其作為模型輸入。每次走刀后，通過顯微鏡觀測刀具后刀面的磨損量，將其分類制作標簽數據輸入CNN模型。圖像由卷積層中卷積核處理，生成特征圖，經池化層壓縮處理后輸入全連接層進行磨損分類。將實時監(jiān)測信號輸入該模型，對刀具磨損進行預測。基于CNN模型的刀具磨損監(jiān)測基本流程如圖5所示。

圖5 基于CNN模型的刀具磨損監(jiān)測基本流程

CNN模型有較強的學習能力、運行速度和自適應性，可在復雜環(huán)境下處理一維和二維數據。但在處理時間序列信號中存在問題，可與其他處理時域信號有獨特優(yōu)勢的模型融合使用，但融合方法還有待進一步研究。在刀具磨損的智能監(jiān)測中，來自傳感器的輸入數據規(guī)模龐大，因此對高頻信號進行特征提取時，網絡的復雜度較高，同時模型訓練時間過長，為了減小復雜度和提升監(jiān)測效率，可混合使用寬卷積核和小卷積核。此外，標準的CNN模型含有一個池化層，可進行數據壓縮，但池化操作后存在數據丟失問題，擴張卷積可解決此類問題，結合自適應算法等優(yōu)化算法可提高監(jiān)測精度。

2.2 稀疏自動編碼網絡模型在刀具監(jiān)測中的應用

自編碼器(AE)是一種典型單隱含層神經網絡，由編碼器和解碼器組成，屬于無監(jiān)督學習算法，其結構如圖6所示。編碼器網絡將輸入數據從高維空間轉換到低維特征空間，而解碼器網絡可以從特征空間重建輸入數據，數據經編碼器和解碼器解處理可實現特征的抽取和數據的降維。自編碼器結構簡單易于應用，但需要大量的訓練數據才能完成模型訓練，且AE存在過擬合問題。

圖6 自編碼器

稀疏自編碼器(Sparse Auto Encoder，SAE)是AE的改進模型，對AE的缺點與應用環(huán)境進行了改良，其結構如圖7所示。稀疏自動編碼網絡是將多個AE的編碼模塊堆疊并加上分類器而形成的深度神經網絡，其輸入層和輸出層的節(jié)點數相同且高于隱含層節(jié)點數。SAE中隱含層是一個稀疏層，經過訓練后，該層神經元可以很好地恢復輸入數據。在SAE模型中以特征向量作為模型的輸入，當輸入樣本數據為N，隱含層數為l，隱含層單元數為S，權重矩陣w=[ω(1)，ω(2)，…]，偏差矩陣B=[b(1)，b(2)，…]，其編碼過程為

圖7 稀疏自編碼器

z(t)=ω(t，1)h(t-1)+b(t，1)

(3)

h(t)=φ(z(t))

(4)

解碼過程為

z(l+t+2)=ω(l+1-t，2)h(l+t+1)+b(l+1-t，2)

(5)

h(l+1+t)=φ(z(l+1+t))

(6)

式中，ω為輸入層與隱含層之間的權重；b為輸入層的偏差；h為隱含層輸出；φ為激活函數；z為網絡輸出。

SAE已被廣泛應用于刀具監(jiān)測中。林楊等[22]提出了一種基于深度學習的高速銑削刀具磨損預測方法，將銑削力信號作為初始特征，采用稀疏自編碼網絡進行無監(jiān)督學習，并對全網絡模型進行有監(jiān)督微調，實現了有監(jiān)督學習和無監(jiān)督學習的結合，使刀具磨損狀態(tài)預測準確率達93.038%。安華等[23]利用SAE及皮爾遜相關系數自適應提取原始切削力信號的敏感特征，利用得到的敏感特征與對應的刀具磨損值訓練BP神經網絡，以此預測刀具剩余使用壽命。鑒于SAE模型的局限性，部分研究人員提出了SAE的改進模型。李宏坤等[24]利用壓縮感知技術對電流信號的頻域數據進行處理，再利用處理后的數據訓練堆棧稀疏自編碼器網絡，實現銑削加工時銑刀磨損的監(jiān)測。穆殿方等[25]采集銑刀不同磨損狀態(tài)下的力信號、振動信號及聲發(fā)射信號，并對其進行小波包分解，以獲取可表征銑刀磨損的特征，將特征和標簽數據輸入堆疊稀疏自編碼網絡對模型進行訓練，最后將測試樣本輸入訓練好的模型，輸出銑刀磨損狀態(tài)，該模型的監(jiān)測精度可達94.44%。Sun C.等[26]采集振動信號和后刀面磨損量作為輸入信號，利用歷史故障數據訓練SAE模型，利用權重遷移、特征遷移學習和權重更新構建新的深度遷移學習模型(DTL)，將在線監(jiān)測數據輸入DTL進行壽命預測，經驗證DTL對刀具壽命預測具有明顯優(yōu)勢。王麗華等[27]提出了一種基于堆疊降噪自編碼的刀具磨損狀態(tài)識別方法，以AE信號的頻域信號作為網絡輸入信號，以后刀面的磨損量為AE信號制定標簽，利用堆疊降噪自編碼網絡對AE信號進行分類并最終實現對刀具磨損的監(jiān)測。王國峰等[28]將切削力信號的擴展頻域能量占比作為降噪自碼器的輸入，進行模型訓練，將刀具磨損信號特征輸入到訓練好的降噪自編碼器中，并結合混合粒子濾波算法實現對刀具壽命的預測。陳仁祥等[29]選取刀具振動信號作為樣本，計算頻譜構建訓練集和測試集，并將其作為輸入信號，利用堆棧加噪自編碼網絡對樣本頻譜進行特征自提取，以獲得表征磨損狀態(tài)的深度特征，通過遷移聯(lián)合匹配算法對獲得的深度特征進行聯(lián)合匹配，以縮小不同刀具磨損狀態(tài)深度特征間的差異，最后將深度特征輸入k均值聚類器，實現刀具磨損狀態(tài)識別，該方法識別準確率最高可達到97.04%。Zhang X.D.等[30]采集切削力、振動信號，并經小波處理后作為模型輸入，利用深度自編碼器提取高相關度特征，使用深度多層感知器預測刀具磨損情況，經測試該模型誤差為8.2%。戴穩(wěn)等[31]采集銑削加工中的振動信號，從時域、頻域及時頻域對原始振動信號進行特征提取，應用堆疊稀疏自動編碼網絡進行無監(jiān)督學習的特征降維，在模型底端添加softmax層完成分類預測，并采用有監(jiān)督學習算法對模型參數進行微調，實現對銑刀磨損量的分類預測。Qu J.等[32]提出了一種基于在線序列極端學習機(OS-ELM)和堆疊去噪自編碼器(SDAE)結合的刀具磨損智能識別方法，收集數控機床主軸的電流信號并合成有效值，訓練SDAE神經網絡，利用原始電流信號獲得低維特征，最后利用OS-ELM實現銑刀磨損的識別和分類。

稀疏自編碼網絡模型以特征向量作為輸入信號。在機械加工中利用功率傳感器等監(jiān)測傳感器，采集切削過程中產生的功率信號等切削信號，并對采集的信號進行預處理以獲取能有效表示刀具磨損的數據信息。通過時頻分析等信號處理方式從原始信號中提取特征數據，組成特征向量集，并從中篩選出與刀具磨損相關性高的特征向量作為模型輸入。用工業(yè)顯微鏡對每次走刀后的刀具后刀面磨損情況進行拍照和測量，制作標簽數據并輸入SAE模型。因SAE模型不能直接對刀具磨損進行分類，所以需借助一層具有分類預測能力的網絡結構。Softmax在多元分類情況下具有較優(yōu)的泛化能力，通常將其作為SAE模型的分類器，構建準確的深度學習模型，實現對銑刀磨損量的分類預測?；赟AE模型的刀具磨損監(jiān)測流程如圖8所示。

圖8 基于SAE模型的刀具磨損監(jiān)測流程

SAE模型表達能力強，可處理高維稀疏數據且對噪聲影響小，但模型結構較深，訓練權值參數過多，導致計算速度較慢，且需要大量的訓練樣本才能保證監(jiān)測精度。增加噪聲可以解決因樣本不足造成的過擬合問題。此外，鑒于生成的對抗式網絡模型(GAN)在增加樣本方面有特殊優(yōu)勢，可以融合GAN模型和SAE模型以提高識別能力和分類穩(wěn)定性，進而提高監(jiān)測精度。

2.3 深度置信網絡模型在刀具磨損監(jiān)測中的應用

深度置信網絡(Deep Belief Network，DBN)是由受限玻爾茲曼機(RBM)和分類層組合的深度神經網絡模型。其中RBM是一種能量模型，由可見層與隱含層構成，特點是層內神經元無連接，其結構如圖9所示。RBM的訓練過程是雙向的，輸入數據由可見層到隱含層保證特征提取，而將數據從隱含層返回到可見層確保了特征信息與輸入信息的差別較小。RBM具有較強的特征提取能力，多用于數據降維。DBN是多層RBM單元的堆疊，DBN的結構如圖10所示。一般DBN模型為特征向量輸入，利用無監(jiān)督逐層訓練方式，以底層RBM的輸出信號作為下一層RBM的輸入信號反復訓練，有效挖掘出刀具磨損信號中的磨損特征數據，在最上層連接分類能力較強的分類器，通過反向傳播算法對初始參數進行微調以優(yōu)化其分類能力。DBN可從原始信號中得到特征信息，消除了傳統(tǒng)學習不確定性，從而獲得了廣泛應用。

圖9 RBM結構

圖10 DBN模型結構

由于DBN具有較好的特征提取和處理能力，使其在刀具磨損監(jiān)測領域中得到了廣泛關注。Chen Y.X.等[33]通過提取切削力、振動和聲發(fā)射信號的三個特征數據作為輸入信號，同時將刀具磨損階段劃分為五個標簽數據，經歸一化處理后作為輸入信號來訓練DBN模型，對刀具磨損進行預測，并與ANN、SVM進行比較，證明了在刀具磨損監(jiān)測模型中DBN有較強的穩(wěn)定性和較高的監(jiān)測精度。劉子安等[34]提出了基于DBN的刀具磨損預測模型，以不同磨損程度的刀具作為模型輸入數據，以加工參數作為刀具磨損量的條件數據，采用Dropout對DBN模型進行優(yōu)化改進，改進后的DBN模型平均監(jiān)測準確度達到約96.0%。沈明瑞等[35]提出了基于深度置信網絡的深孔加工刀具狀態(tài)監(jiān)測方法，采集加工過程的振動信號和聲信號并進行數據預處理，利用處理后的數據訓練深度置信網絡對刀具狀態(tài)進行辨別，證明刀具狀態(tài)的平均監(jiān)測準確率可達到98.54%。

使用DBN模型進行機械加工刀具磨損監(jiān)測，需對傳感器采集到的切削力、振動和功率等原始信號進行預處理，如缺失值處理和異常值處理等；再從預處理后的信號中提取特征向量，如方差、標準差、峰度、平均絕對偏差、平均頻率、中值頻率、信噪比和功率譜等，通過算法選擇相關性強的特性向量作為DBN模型的輸入信號。同時，使用工業(yè)顯微鏡拍攝刀具磨損圖像，并測量每次走刀后的刀具后刀面磨損值，將其作為標簽數據引入模型。DBN模型通過對輸入數據的深度學習，輸出刀具磨損量?；贒BN模型的刀具磨損監(jiān)測流程如圖11所示。

圖11 基于DBN模型的刀具磨損監(jiān)測

DBN刀具磨損監(jiān)測模型的優(yōu)點在于可處理高維非線性數據和可自適應提取磨損特征，在樣本較少的情況下也能實現較高的監(jiān)測精度。但DBN的訓練過程相對復雜，而且DBN本身缺少處理數據中時序特征的能力，處理刀具磨損預測中時序數據時受到限制。隨著深度學習的不斷發(fā)展，可以通過在DBN模型中加入遷移算法、遺傳算法等優(yōu)化算法來降低模型的復雜度，也可以通過融合其他模型實現刀具磨損中時序信號的處理。

2.4 長短時記憶網絡在刀具磨損監(jiān)測中的應用

長短時記憶網絡(LSTM)是循環(huán)神經網絡(RNN)的一種衍生模型。其中，RNN是具有一定記憶可提取信號時序特征的神經網絡模型。RNN結構如圖12所示，RNN由輸入層、隱含層和輸出層構成。當RNN在t時刻接收到輸入xt后，隱含層的值ht不僅取決于xt，同時還取決于ht-1。循環(huán)神經網絡的計算方法為

圖12 RNN隱含層展開

ot=g(Vht)

(7)

ht=f(Uxt+Wht-1)

(8)

式中，f和g均為激活函數；x，h，o為向量；U，V，W為權重矩陣。

RNN隱含層為處理單元之間既有內部連接又有前饋連接，并且隱含層的輸入信號不僅包括當前的輸入信號，還包括上一時刻隱含層的輸出信號。RNN以序列數據作為輸入信號，且深度取決于輸入序列的長度，適用于動態(tài)過程監(jiān)控和預測，在處理時序信號時具有獨特優(yōu)勢。

LSTM模型可避免RNN模型梯度消失的問題且具備記憶功能。LSTM模型使用單元狀態(tài)、輸入門、輸出門與遺忘門實現對信息的控制，其結構如圖13所示。單元狀態(tài)主要負責信息的傳遞；輸入門決定當前時刻的輸入保存到當前時刻單元狀態(tài)的信息量；遺忘門控制前一時刻的單元狀態(tài)信息保存到當前時刻的量，實現記憶篩選；輸出門控制單元狀態(tài)的最終輸出信號。在LSTM方法中，使用從傳感器捕獲的時間序列數據作為輸入數據。

圖13 LSTM結構

LSTM對時序型數據處理具有極為優(yōu)秀的表現，被廣泛應用于自然語言處理等，近年來也被應用于刀具磨損監(jiān)測。Zhou J.T.等[36]采用扭矩信號作為過程監(jiān)測信號，利用希爾伯特-黃變換提取磨損特征，將提取的磨損特征和相應的工作條件組合成一個輸入矩陣作為歷史數據訓練LSTM模型，再將工作條件和相應的刀具磨損特征輸入到訓練好的LSTM網絡中進行刀具壽命預測，并驗證了該模型的有效性。王強[37]通過機器視覺的方法在線自動測量刀具實際磨損量，以刀具磨損量和剩余壽命為樣本標簽對改進的長短時記憶網絡進行訓練，并融入在線學習模塊，以在線測量的數據實現模型的在線更新，實現了時間序列上刀具磨損量監(jiān)測和刀具剩余壽命的預測。厲大維等[38]提出了基于深度長短時記憶網絡的鏜削刀具狀態(tài)監(jiān)測方法，采集加工過程中振動和聲音信號的頻域數據，利用自適應合成采樣算法對不平衡的樣本數據進行處理，根據平衡后的樣本數據對深度長短時記憶網絡進行訓練，建立了振動和聲音信號與鏜削刀具狀態(tài)的映射模型。楊瑞元等[39]利用局域均值分解結合排列熵處理刀具加工時的振動信號，選取合適的特征向量輸入到訓練好的LSTM模型中得到診斷結果，其診斷準確率達95%以上。雖然單一的LSMT模型可以對不同刀具磨損狀態(tài)進行監(jiān)測，但由于單獨的LSTM模型提取和處理數據的能力限制，無法捕獲數據信息中更深層次的隱藏特征，因此現階段隨著對監(jiān)測精度要求的不斷提高，單一信號和單一模型的深度學習網絡已無法滿足要求，多信號和多模型融合監(jiān)測模型正在加速發(fā)展。Qiao Huihui等[43]采集振動、電流信號以及刀具磨損值作為輸入信號構建模型訓練數據集，將多尺度卷積長短時記憶模型提取的特征輸入到雙向LSTM模型，以此預測刀具磨損值，該模型滿足高精度和低延遲的要求。

在基于LSTM模型的刀具磨損監(jiān)測中，使用力傳感器和加速傳感器等采集刀具加工信號，如切削力信號、振動信號等時間序列信號。對時間序列信號進行預處理，以獲取有效的數據信息，并將其作為LSTM模型的輸入信號。通過顯微鏡觀測刀具后刀面的磨損量，并將刀具磨損值分類，制作標簽數據輸入LSTM模型。通常將采集到的數據信息分為70%的訓練數據和30%的測試數據，以訓練和優(yōu)化模型參數?；贚STM模型的刀具磨損監(jiān)測流程如圖14所示。

圖14 基于LSTM模型的刀具磨損監(jiān)測流程

LSTM是很自然地對時間序列建模和序列相關性學習，但缺乏以并行方式提取特征的能力，可通過融合遷移學習和LSTM變體進行改善。同時，LSTM模型存在的預測滯后問題可通過算法或其他學習模型對時間序列數據進行降維處理，以提高訓練速度。

2.5 混合深度學習模型在刀具磨損監(jiān)測中的應用

將兩種或兩種以上的模型進行融合組合成的監(jiān)測模型稱為混合模型。在刀具監(jiān)測中使用的混合模型有機器學習模型-深度學習模型，如支持向量機(SVM)-卷積神經網絡(CNN)混合模型、隱馬爾可夫模型(HMM)-長期短期記憶網絡(LSTM)混合模型；深度學習模型-深度學習模型如CNN-RNN混合模型等。圖15為長短時記憶卷積神經網絡(LSTM-CNN)模型在刀具磨損監(jiān)測中的應用，使用從傳感器捕獲的原始時間序列數據作為LSTM-CNN網絡的輸入數據。在切削加工中通過力傳感器等采集原始切削信號，并對其進行預處理產生有效信號作為LSTM的輸入數據，利用LSTM對輸入的時間序列數據進行特征提取，將LSTM最后時刻的輸出信號作為CNN的輸入信號，同時，通過工業(yè)顯微鏡測量的刀具磨損量標記輸入數據，將實時樣本數據輸入該模型，對刀具磨損進行分類，以判斷磨損狀態(tài)。

圖15 基于LSTM-CNN模型的刀具磨損監(jiān)測流程

Tao Zhengrui等[40]提出了一種基于LSTM和隱馬爾可夫模型的刀具磨損及壽命預測新方法，采集切削力信號和切削溫度信號作為監(jiān)測信號，將超景深顯微鏡測量的刀具后刀面磨損量作為標簽數據，以監(jiān)測信號和標簽數據作為訓練模型的輸入數據，利用堆疊LSTM網絡識別刀具磨損階段，使用HMM監(jiān)測刀具后刀面磨損，對比平均磨損量并預估磨損極限得到刀具壽命預測，該集成模型的監(jiān)測精度可達95.27%。郝佰田[41]利用壓縮感知對電流信號的頻域數據進行壓縮，將壓縮后的數據輸入堆棧稀疏自編碼網絡，通過半監(jiān)督學習對診斷模型進行訓練，提取輸入數據中的特征信息，利用格蘭姆變換將特征數據映射到二維空間，利用層數更深的殘差神經網絡進一步提取數據中表征刀具磨損狀態(tài)的特征數據，診斷模型最后一層連接徑向基函數，實現刀具磨損預測，預測準確率在97.7%以上。陳炳旭[42]采集實驗過程中產生的振動信號，對其采用修正局部線性嵌入算法進行特征降維，再將信號通過降采樣的方式擴充數據樣本，利用卷積循環(huán)神經網絡模型實現刀具磨損狀態(tài)的識別。Qiao Huihui等[43]提出了一種基于深度學習模型和霧計算的刀具磨損監(jiān)測和預測系統(tǒng)，采集振動、電流信號以及刀具磨損值作為輸入信號構建模型訓練數據集，霧計算架構具有邊緣計算層、霧計算層和云計算層，邊緣計算層進行實時信號采集，云計算層承擔計算任務，在云計算層中用多尺度卷積長短時記憶模型完成刀具磨損監(jiān)測并使用雙向LSTM模型完成刀具磨損預測。該模型結合了深度學習和霧計算的優(yōu)點，可以同時滿足高監(jiān)控精度和低響應延遲的要求。陳啟鵬等[44]將CNN和門控循環(huán)網絡融合應用于刀具磨損監(jiān)測，利用加速度傳感器采集刀具加工過程中的振動信號，經小波閾值去噪后輸入CNN中進行平行局部特征提取，代入深度雙向門控循環(huán)單元神經網絡中進行特征提取，并引入Attention機制的思想，利用Softmax分類器對刀具磨損狀態(tài)進行分類，該模型的預測精度可達98.58%。Dai Lang等[45]提出了基于寬卷積核的卷積神經網絡(WCONV)和LSTM的刀具磨損監(jiān)測新模型，將原始功率信號作為模型輸入信號，利用寬卷積核和池化層對輸入數據進行特征提取，將最后一個池化層的輸出信號注入LSTM層，再將LSTM的輸出信號作為最大函數的輸入信號對不同磨損狀態(tài)進行分類，該模型的監(jiān)測精度可達97.8%以上。何彥等[46]采集切削過程的振動、力和聲發(fā)射信號，利用長短時記憶卷積神經網絡對采集的時間序列數據進行特征提取，利用線性回歸實現特征到刀具磨損值的映射，采集實時數據對當前刀具磨損值進行預測。Ma Junyan等[47]利用原始力信號作為模型輸入，建立了卷積雙向長短時記憶網絡和卷積雙向門控循環(huán)網絡刀具磨損預測模型，其模型預測誤差在8%以內。Liu Chongdang[48]采集振動信號作為原始信號，利用自適應變分模式分解法對原始振動信號進行處理，得到的子分量作為模型輸入，分別在時域和頻域上進行局部特征提取，建立了一維卷積長短時記憶(LSTM)和注意機制結合的深度學習模型，并預測刀具壽命，該模型具有一定的有效性和優(yōu)越性。李鵬等[49]采集加工過程中的振動和聲信號，利用一維卷積的特征學習能力和長短時記憶網絡的時序特征分析能力，充分挖掘信號中包含的刀具磨損狀態(tài)信息，通過全連接層和softmax分類器對刀具磨損狀態(tài)進行評估，其模型在整體工況下識別準確率達95.3%。

混合模型可以提取原始信號更深層次特征，但混合模型會增加計算復雜度，進一步增加模型運行時間，且無明確標準確定哪兩種模型混合最有效。現階段經典模型的衍生模型正在不斷發(fā)展，因此可以混合改進后的模型以提高監(jiān)測的準確性和速度。

3 存在的問題及發(fā)展方向

(1)DL模型的選擇

雖然理論上可以將任何DL模型應用于機械加工中刀具磨損監(jiān)測的建模，但模型的精度和處理的時效取決于DL模型對不同信號的處理能力。CNN模型有較強的學習能力、較快的運行速度和較好的自適應性，可處理復雜環(huán)境下的一維和二維數據，但在處理時間序列信號中存在不足；SAE模型表達能力強、可處理高維稀疏數據且受噪聲的影響小，但其計算速度較慢且層數過高時易失效；DBN模型的優(yōu)點在于可處理高維非線性數據和可自適應提取磨損特征，但其訓練過程較復雜且無處理時序信號的能力；LSTM模型雖然可以對原始序列數據建模并進行序列特征提取，但易忽略時序數據在多維度上的特征且存在預測滯后的問題；混合模型可較好地處理復雜信號并進一步提高監(jiān)測精度，但其運算時間長。因此，需要進一步深入開展機械加工過程刀具磨損監(jiān)測時DL模型選取的研究，針對特定的加工方式和信號類型，開展不同DL模型的精度及效率等方面的對比研究，提出模型選擇依據或快速選擇方法，降低模型選擇的隨機性。

(2)刀具磨損監(jiān)測的精度

刀具磨損的監(jiān)測精度受多方面因素的影響。例如，單一切削信號無法包含刀具全部磨損信息，因此會導致監(jiān)測精度較低；在深度學習模型訓練樣本數量較少時，易出現過擬合問題，導致監(jiān)測精度下降；單一的深度學習模型中，通過增加深度提高模型監(jiān)測效果的方式會導致梯度消失以及計算復雜等問題，進而導致監(jiān)測精度下降。針對切削信號單一的問題，可以通過算法將多信號進行融合，生成包含全部磨損信息的融合樣本的方式解決，但要解決信號融合的方式和方法問題。鑒于生成對抗網絡(GAN)能夠自動學習原始數據的分布，生成和原始數據分布相似的樣本數據，增強訓練數據集，在增加樣本方面有獨到之處，因此可以融合GAN模型和其他深度學習模型，通過增加樣本數據來提高監(jiān)測精度。大數據技術的快速發(fā)展為滿足刀具智能監(jiān)測技術的需求提供了良好的條件，因此可以利用大數據平臺，將深度學習算法與現代傳感器技術、計算機技術及信號采集存儲技術相結合，實現刀具磨損狀態(tài)智能監(jiān)測。融合多種模型和算法，通過揚長避短的方式獲取更好的監(jiān)測效果，將成為深度學習在刀具磨損監(jiān)測領域研究的重點。

(3)刀具磨損監(jiān)測的響應時間

網絡模型深度增加在一定程度上會增加監(jiān)測精度，導致模型反應時間過長，混合模型也會增加模型響應時間，因此需要進一步開展深入研究，提高刀具磨損監(jiān)測模型的響應速度。例如，通過算法優(yōu)化來改進模型，使模型達到最優(yōu)權重；通過算法選擇模型最優(yōu)的隱含層神經元數量；通過改進深度學習模型的隱含層，在其中添加其他處理層以提高訓練速度；還可搭建分布式并行計算平臺，通過提升模型的計算效率提升模型的響應速度。

4 結語

刀具作為機械加工的關鍵執(zhí)行件，不可避免存在磨損和破損問題，從而對生產過程產生重要影響，因此，刀具磨損監(jiān)測技術對于提高生產效益具有重要意義。傳統(tǒng)基于機器學習的刀具磨損監(jiān)測模型由于監(jiān)測精度低和計算復雜度高等不足，難以滿足智能制造的發(fā)展需求?；谏疃葘W習的刀具磨損監(jiān)測模型，憑借其強大的數據處理和特征提取能力，使得監(jiān)測精度明顯提高，且加工過程更加智能化，在刀具磨損監(jiān)測方面得到了廣泛應用，但在深度學習模型的選擇、刀具磨損監(jiān)測的精度和刀具磨損監(jiān)測的響應時間方面還存在大量問題亟待解決。需要進一步深入開展機械加工過程中刀具磨損監(jiān)測時DL模型選取研究，提出模型選擇依據或快速選擇方法以降低模型選擇的隨機性。

通過采用多信號融合技術、融合GAN模型、大數據技術增加樣本數據以及融合多種模型和算法來提高模型精度。通過算法優(yōu)化、優(yōu)化隱含層以及搭建分布式并行計算平臺來提升監(jiān)測模型的響應時間。同時人工智能方法和現代傳感技術也在不斷進步，與新興的人工智能方法和傳感技術相結合，是機械加工領域刀具磨損智能監(jiān)測技術發(fā)展的必然趨勢。