基于改进LSTM-AdaBoost的铣刀磨损量预测

2024年5月第52卷第10期Vol.52No.10Tool&Hydraulics,2024,52(10):14-20.(西安工程大学机电工程学院，陕西西安710048)ZHAOXiaohui,YANGWenbin,HUSheng,HUANKaixuan,TANQi(SchoolofMechanicalandElectricalEngineering,Xi'anPol铣刀作为数控机床的关键加工元件，其磨损状态直接影响加工产品的品质和生产制造效率[1。根据中国机械工业金属切削刀具技术协会统计，因铣刀失效导致的加工故障占数控机床总故障数的75%,并且约有20%的数控机床停机时间是由于铣刀失效造成的[2-3]。因此，为了提高铣刀利用率并降低加工生产成本，对铣刀磨损量进行精确预测显得尤为重要4。在预测铣刀磨损量时，提取到的原始信号不能直接反映铣刀的状态信息，因此需要对原始信号进行处理，进一步提取与铣刀磨损紧密相关的特征信息[5]。信号特征提取作为磨损量预测的关键一步，它可以剔除冗余成分，降低运算复杂程度，同时能否精准提取出有效的信号特征对铣刀磨损量预测的准确性有着直接影响[6-7]。刘成颖等[8通过提取刀具磨损声信号的多个时域特征参数对优化后的最小二乘支持向量机进行训练和测试，实验结果表明提取的方根幅值、均方根等时域特征可以较好地反映刀具的磨损状态。WANG等9]对铣削力信号进行了分析，并提取其平均频率、峭度频率等频域特征，为后续监测铣刀磨损研计划项目(18JK0324);陕西省社科联重大项目(20ZD195-95)作者简介：赵小惠(1970—),女，博士，教授，主要研究方向为智能制造系统理论及应用。E-mail:xhuizhao@用进行了大量研究10]。姜超和李国富[1]使用LSTM好。吴飞等人[12]为了实现对车刀磨损量精准预测，提出了改进LSTM联合小波阈值去噪的方法，有效完特征从整体上描述了铣削过程中铣刀磨损状态的变化，但不能追踪到随时间变化的非平稳信号的信息，导致后续预测精度降低[13-14。在磨损量预测方面，长短期记忆神经网络是目前最为可靠的预测铣刀磨损量的方法，但LSTM网络需要较长的训练时间，并且法对LSTM进行改进，既能够自适应地选取出LSTM综上所述，本文作者提出一种基于集成学习的BWO-LSTM铣刀磨损量预测方法，通过黑寡妇优化(BlackWidowOptimization,BWO)算法对LSTM的超来提高预测精度，并对提取的铣刀磨损振动信号的时1铣刀磨损振动信号的多特征提取信号的时域特征分析是基于传感器采集的信号，计算简单和直观的特点。文中提取的铣刀磨损振动信号的部分时域特征如表1所示。时域特征计算公式峰值峭度且数控机床铣削时产生的信号不仅包含时域信铣刀磨损振动信号的频域特征如表2所示。磨损状态的变化，但并不能追踪到随时间变化的稳信号的信息，而时频分析对于非平稳信号可以实现良好的分析效果。因此，通过对铣刀加工信号进行时频域分析能够得到更完整的铣刀磨损信息。文中选用分解层数为3层、小波基函数选择为db6的小波包变换提取铣刀磨损振动信号的时频域特征，获得2³=82改进LSTM-AdaBoost的铣刀磨损量预测2.1黑寡妇算法等15在2020年根据黑寡妇蜘蛛特有的交配行为而提出的一种优化算法。此算法通过模拟黑寡妇蜘蛛的全优黑寡妇[16。51个不同的基准函数和多个工程案例验证了BWO算法具有收敛速度快、准确度高的特(1)初始化种群式中：N表示特征的维度。初始化黑寡妇种群时，生成一个N维的矩阵，通常需要预先设定种群大小，常选取30、50等。(2)运动行为式中：X₁(t+1)为更新后的黑寡妇位置；X为X(t)为当前黑寡妇的位置。(3)信息素理状态时，就会有很强的生育能力，从而散出的当低信息素值等于或者小于0.3时(雌性中低信息素水平的蜘蛛代表饥饿的食人蜘蛛),此时雌性蜘位置；r₁和r₂为种群数量在[1,N]范围内的数；T为[0,1]内的随机二进制数。2.2改进的LSTM网络构又对应多个可变参数，而LSTM的预测效果对参数(1)初始化参数。设置黑寡妇算法初始参数，包括最大迭代次数T、种群大小n、维度d,并设置(2)适应度函数值的确定。利用LSTM神经网络(3)更新黑寡妇。利用式(3)一(5)对黑寡(4)判断终止条件。设置黑寡妇的适应度值达法优化，从而获取LSTM的最优隐藏层神经元数m和学习率r,否则返回步骤(3)继续寻优。2.3基于改进LSTM-AdaBoost的铣刀磨损量预测模型建立权组合，从而使得各个模型都可以得到充分的利用。的误差随着迭代次数的增加以指数速度下降。因此，本文作者利用AdaBoost集成学习算法将多个BWO-LSTM神经网络弱预测器组合为强预测器，从而达到(1)初始化铣刀磨损训练数据权值分布。对网确定铣刀磨损量预测的样本由特征向量x以及预测标签Y,构成，并从整体铣刀磨损量预测样本中随机选取N个样本，对随机选取的多个样本赋予相同的初始权值w₁=1/N,则样本经过第一轮的BWO-(2)设置BWO-LSTM弱预测模型数量K。根据(3)弱预测器进行预测。对第t个BWO-LSTM(4)计算弱预测器所占的权重。通过得到的误差函数值计算出第t个BWO-LSTM弱预测器的权重a,:(5)更新铣刀磨损训练数据样本的权值。根据弱预测器权重值a,来调节训练数据样本的权值，公式如下第10期赵小惠等：基于改进LSTM-AdaBoost的铣刀磨损量预测.17将所得到的弱预测器加权组合后得到强预测器G(x)。BWO-LSTM-AdaBoost铣刀磨损量预测流程如图设置神经元个数学习率等初始参数NY3实例分析实验采用美国PHMSocity2010铣刀状态预测数加速度传感器AE传感器件测力计三向测力仪、加速度传感器、声发射传感器，IECIAMZ12显微镜用于测量刀具磨损值，刀具使用6mm3刃球头铣刀，工件材料为52HRC不锈钢。实验加工机床铣削参数设置如表3所示。每次铣削加工的后测量和记录球头立铣刀的后刀面磨损VB值。进给速度/(mm·min-¹)主轴转速/(r·min-¹)铣削实验采用6把相同的球头铣刀在相同工况下出3把铣刀刀刃磨损量平均值。图3所示为各个铣刀磨损量变化曲线。X轴磨损量X轴磨损量走刀次数n走刀次数n50走刀次数n三140 —X走刀次数nFig.3Millingcutterwearchangecurvcl;(b)millingcutterc4;(c)milling对铣刀磨损振动信号进行时域、频域以及时频域多域特征提取。文中以铣刀cl为例进行说明，图4所示为从其X轴振动信号提取的多域特征。0.00均方根值方根幅值度峭度走刀次数n 走刀次数n重心频率均方频率频率方差频率标准差走刀次数nmillingcutters:(a)timdomain;(c)time-frequencydomain从图4可以看出，时域、频域以及时频域特征都随着走刀次数的增加出现相应的波动，但是提取的多个特征中不乏有与铣刀磨损相关性不强的特征，维数也相对较高。因此为了避免信息冗余，省去不必要的计算，采用主成分分析(PrincipalComponentAnalysis,PCA)对得到的多域特征进行降维，根据累计贡献率大于85%的主成分个数来确定对应的特征值，组成最优特征向量集，最终将特征压缩至了10维。表4所示为经过PCA降维后的部分特征。特征123实验选择铣刀cl和c4作为训练集，共2×315×10组；测试集为铣刀c6,总计315×10组。黑寡妇种群设为100,迭代次数设为200,隐藏层神经元个数为100,学习率0.001,适应度函数为均方误差。图5所示为黑寡妇算法随着迭代次数的增加达到终止条件时隐藏层单元神经元个数和学习率的变化曲线。同时根据BWO算法优化出的结果来获得LSTM神经迭代次数n迭代次数n(a)隐藏层神经单元数(b)学习率Fig.5Parameteroptimizationresults:(a)numberofhiddenlaminarneuralunits;(b)l从图5(a)可以看出，隐藏层神经元最优个数为50个；从图5(b)可知，学习率在迭代次数25次时，达到稳定值0.0013。由于AdaBoost算法能够将若干预测子模型进行加权集成，使预测结果更加精确，所以，文中在BWO-LSTM的基础上引入此算法，通过对第一轮铣练停止。文中经训练测试得到AdaBoost在进行10次迭代后，也就是弱预测器个数为10时，预测精度最高。图6所示为BWO-LSTM-AdaBoost对铣刀磨损量走刀次数n从图6能看出，BWO-LSTM-AdaBoost铣刀磨损量预测模型对铣刀c6进行预测时，无论是在初期、(1)平均绝对误差百分比(MeanAbsolutePer-(2)均方根误差(RootMeanSquaredError,(3)决定系数(R-Square,R²)是表述模型预测性能好坏的指标，R²越接近1表明模型预测性能利用上述评判指标，对文中方法与传统方法的MAPE、RMSE和R²进行比较，结果如表5所示。磨损量预测模型分析表5可知，文中所提方法的MAPE和走刀次数n低，最终稳定在实际值附近。同时对改进前后的磨损量预测模型磨损量预测模型从表6、7可知：无论是对铣刀cl还是铣刀c4进行磨损量预测，文中所提出的BWO-LSTM-平均MAPE、RMSE和R²的值为4.154%、6.994、4结论对误差百分比MAPE为3.436%,均方根误差RMSE为6.471,决定系数R²是0.935。onmetalearningandPINN[J].JournalofNsityofAeronautics&Astronautics,2022,54(3):387-396.工参数多目标优化[J].天津大学学报(自然科学与工程技术版),2022,55(2):166-173optimizationofmachiningparametersbasecondition[J].JournalofTianjinUniversity(ScieTechnology),2022,55(2):166-173.磨损状态多类域适应迁移辨识方法[J].中国机械工程，2022,33(15):1841-1849.adaptivetransferidentificationmethodfortoolwearstaunderdifferentprocessingconditions[J].ChinaMechanicaEngineering,2022,33(15):1841-1849.[5]李楠.机器学习算法在刀具磨损状态评估上的应用研究toolwearstatusassessment[D].Hefei:AnhuiUniversity,[6]唐利平，刘海雄.刀具磨损状态特征参数提取与识别方法研究[J].组合机床与自动化加工技术，2019(10):TANGLP,LIUHX.StudyoncuttingtoolacteristicparametersextractionandrecognitioModularMachineTool&AutomaticManufacturingTech-nique,2019(10):10-14.extremelearningmachinemethodfortoolweainmillingprocessesbasedonvGreenTechnology,2021,8(3):745-759.具磨损状态识别[J].清华大学学报(自然科学版),2017,57(9):975-979.LIUCY,WUH,WANGLP,etal.ToolwearstationbasedonLS-SVMwiththePSOalgorithm[J].JournalofTsinghuaUniversity(Scienc(9):975-979.alevolutionoptimization[J].ProceedofMechanicalEngineers,PartB:JournalofEngineeringManufacture,2017,231(5):805-813.LIDW,SHENMR,ZHANGHQ,etal.DeepholeboringtoolsconditionmonitoriModernManufacturingEngineering,2020(8):92-96.[11]姜超，李国富.改进VMD-LSTM法在刀具磨损状态识别中的应用[J].机械科学与技术，2022,41(2):246-enceandTechnologyforAerospaceEngineer(2):246-252.忆模型的刀具磨损预测方法[J].吉林大学学报(工学版),2023,53(4):989-997.basedonparticleswarmoptimizationlomemorymodel[J].JournalofJilinUniversity(Engineer-ingandTechnologyEdition),2023,53([